CN113393325A - 交易检测方法、智能设备及计算机存储介质 - Google Patents
交易检测方法、智能设备及计算机存储介质 Download PDFInfo
- Publication number
- CN113393325A CN113393325A CN202110556449.6A CN202110556449A CN113393325A CN 113393325 A CN113393325 A CN 113393325A CN 202110556449 A CN202110556449 A CN 202110556449A CN 113393325 A CN113393325 A CN 113393325A
- Authority
- CN
- China
- Prior art keywords
- transaction
- predicted
- abnormal
- data
- preset threshold
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
- 238000001514 detection method Methods 0.000 title claims abstract description 47
- 230000002159 abnormal effect Effects 0.000 claims abstract description 65
- 238000007781 pre-processing Methods 0.000 claims abstract description 8
- 238000012549 training Methods 0.000 claims description 25
- 238000012545 processing Methods 0.000 claims description 17
- 238000009499 grossing Methods 0.000 claims description 14
- 238000000034 method Methods 0.000 abstract description 16
- 238000012217 deletion Methods 0.000 abstract description 4
- 230000037430 deletion Effects 0.000 abstract description 4
- 230000035772 mutation Effects 0.000 abstract description 4
- 238000012544 monitoring process Methods 0.000 abstract description 2
- 238000010586 diagram Methods 0.000 description 11
- 230000006870 function Effects 0.000 description 9
- 238000004590 computer program Methods 0.000 description 7
- 230000008569 process Effects 0.000 description 7
- 238000004891 communication Methods 0.000 description 6
- 238000012986 modification Methods 0.000 description 6
- 230000004048 modification Effects 0.000 description 6
- 230000005856 abnormality Effects 0.000 description 2
- 238000005311 autocorrelation function Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 238000012216 screening Methods 0.000 description 2
- 230000004075 alteration Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000007689 inspection Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- YHXISWVBGDMDLQ-UHFFFAOYSA-N moclobemide Chemical compound C1=CC(Cl)=CC=C1C(=O)NCCN1CCOCC1 YHXISWVBGDMDLQ-UHFFFAOYSA-N 0.000 description 1
- 230000000869 mutational effect Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q40/00—Finance; Insurance; Tax strategies; Processing of corporate or income taxes
- G06Q40/04—Trading; Exchange, e.g. stocks, commodities, derivatives or currency exchange
Abstract
本发明公开了交易检测方法、智能设备及计算机存储介质,所述方法包括:对历史时间序列数据预处理、时间序列建模、异常检测以及异常数据报警,其中,所述历史时间序列数据预处理主要用于修正历史交易中的缺失和突变为零的数据;所述时间序列建模用于根据历史时间序列数据对交易系统建立时间序列模型;所述异常检测通过对建立的时间序列模型的拟合残差序列进行分析,检测出异常数据;所述异常数据报警用于调用第三方接口以提供实时的异常监测提醒,解决现有技术中难以准确有效的检测交易系统中的异常数据,降低交易风险。
Description
技术领域
本发明涉及金融交易技术领域,尤其涉及一种交易检测方法、智能设备及计算机存储介质。
背景技术
随着互联网技术的快速发展,通常采用互联网技术对处理复杂的金融业务,现有技术中在对金融业务进行监测的过程中,通常对金融业务对应的历史数据设置异常阈值或异常百分比的方法来判断异常情况,当金融业务复杂且请求办理数据量大时,难以准确有效的检测出异常数据,导致交易风险提高。
发明内容
本申请实施例通过提供一种交易检测方法、智能设备及计算机存储介质,旨在解决现有技术中难以准确有效的检测交易系统中的异常数据。
本申请实施例提供了一种交易检测方法,所述交易检测方法,包括:
获取预设时间段内的时间序列数据;
根据所述时间序列数据以及预测模型得到待预测时刻对应的交易预测值;
基于所述待预测时刻对应的交易实际值、所述交易预测值以及预设阈值的关系,以检测所述待预测时刻对应的交易预测值是否异常。
在一实施例中,所述获取预设时间段内的时间序列数据的步骤之前包括:
获取历史时间序列数据;
采用所述历史时间序列数据对预设模型进行训练以得到所述预测模型,其中,所述预设模型为自回归移动平均模型。
在一实施例中,所述获取历史时间序列数据的步骤之后包括:
采用插值算法对所述历史时间序列数据进行预处理,得到预处理后的历史时间序列数据。
在一实施例中,所述采用所述历史时间序列数据对预设模型进行训练以得到所述预测模型的步骤之前包括:
采用差分算法对所述历史时间序列数据进行平稳处理;
根据平稳处理后的所述历史时间序列数据对预设模型进行训练以得到所述预测模型。
在一实施例中,所述根据平稳处理后的所述历史时间序列数据对预设模型进行训练以得到所述预测模型的步骤包括:
获取平稳处理后的所述历史时间序列数据,并根据平稳处理后的所述历史时间序列数据得到交易差分值;
根据所述交易差分值得到所述预设模型的阶数;
获取所述预设模型的自回归系数以及移动平均系数;
根据所述交易差分值、所述阶数、所述自回归系数以及所述移动平均系数,以得到所述预测模型。
在一实施例中,所述基于所述待预测时刻对应的交易实际值、所述交易预测值以及预设阈值的关系,以检测所述待预测时刻对应的交易预测值是否异常的步骤包括:
获取所述待预测时刻对应的交易实际值与所述交易预测值之间的差值;
比对所述差值与预设阈值,并根据比对结果检测所述待预测时刻对应的交易预测值是否异常。
在一实施例中,所述预设阈值包括第一预设阈值以及第二预设阈值;所述比对所述差值与预设阈值,并根据比对结果检测所述待预测时刻对应的交易预测值是否异常的步骤包括:
当所述比对结果为所述差值大于或等于第一预设阈值且所述差值小于或等于第二预设阈值时,则判定所述待预测时刻对应的交易预测值正常;
当所述比对结果为所述差值小于第一预设阈值且所述差值大于第二预设阈值时,则判定所述待预测时刻对应的交易预测值异常。
在一实施例中,所述基于所述待预测时刻对应的交易实际值、所述交易预测值以及预设阈值的关系,以检测所述待预测时刻对应的交易预测值是否异常的步骤之后包括:
在判定所述待预测时刻对应的交易预测值存在异常时,发出异常提醒。
此外,为实现上述目的,本发明还提供了一种智能设备,所述智能设备包括:存储器、处理器及存储在所述存储器上并可在所述处理器上运行的交易检测程序,所述交易检测程序被所述处理器执行时实现上述的交易检测方法的步骤。
此外,为实现上述目的,本发明还提供了一种计算机存储介质,所述计算机存储介质存储有交易检测程序,所述交易检测程序被处理器执行时实现上述的交易检测方法的步骤。
本申请实施例中提供的一种交易检测方法、智能设备及计算机存储介质的技术方案,至少具有如下技术效果或优点:
由于采用了获取预设时间段内的时间序列数据;根据所述时间序列数据以及预测模型得到待预测时刻对应的交易预测值;基于所述待预测时刻对应的交易实际值、所述交易预测值以及预设阈值的关系,以检测所述待预测时刻对应的交易预测值是否异常技术方案,解决了现有技术中难以准确有效的检测交易系统中的异常数据的问题,降低交易风险。
附图说明
图1为本发明实施例方案涉及的硬件运行环境的结构示意图;
图2为本发明交易检测方法第一实施例的流程示意图;
图3为本发明交易检测方法第二实施例的流程示意图;
图4为本发明交易检测方法第四实施例的流程示意图;
图5为本发明交易检测方法第五实施例的流程示意图;
图6为本发明交易检测方法第六实施例的流程示意图;
图7为本发明交易检测方法第七实施例的流程示意图;
本发明目的的实现、功能特点及优点将结合实施例,参照附图做进一步说明。
具体实施方式
为了更好的理解上述技术方案,下面将参照附图更详细地描述本公开的示例性实施例。虽然附图中显示了本公开的示例性实施例,然而应当理解,可以以各种形式实现本公开而不应被这里阐述的实施例所限制。相反,提供这些实施例是为了能够更透彻地理解本公开,并且能够将本公开的范围完整的传达给本领域的技术人员。
如图1所示,图1为本发明实施例方案涉及的硬件运行环境的结构示意图。
需要说明的是,图1即可为智能设备的硬件运行环境的结构示意图。
如图1所示,该智能设备可以包括:处理器1001,例如CPU,存储器1005,用户接口1003,网络接口1004,通信总线1002。其中,通信总线1002用于实现这些组件之间的连接通信。用户接口1003可以包括显示屏(Display)、输入单元比如键盘(Keyboard),可选用户接口1003还可以包括标准的有线接口、无线接口。网络接口1004可选的可以包括标准的有线接口、无线接口(如 WI-FI接口)。存储器1005可以是高速RAM存储器,也可以是稳定的存储器 (non-volatile memory),例如磁盘存储器。存储器1005可选的还可以是独立于前述处理器1001的存储装置。
本领域技术人员可以理解,图1中示出的智能设备结构并不构成对智能设备限定,可以包括比图示更多或更少的部件,或者组合某些部件,或者不同的部件布置。
如图1所示,作为一种计算机存储介质的存储器1005中可以包括操作系统、网络通信模块、用户接口模块以及交易检测程序。其中,操作系统是管理和控制智能设备硬件和软件资源的程序,交易检测程序以及其它软件或程序的运行。
在图1所示的智能设备中,用户接口1003主要用于连接终端,与终端进行数据通信;网络接口1004主要用于后台服务器,与后台服务器进行数据通信;处理器1001可以用于调用存储器1005中存储的交易检测程序。
在本实施例中,智能设备包括:存储器1005、处理器1001及存储在所述存储器上并可在所述处理器上运行的交易检测程序,其中:
处理器1001调用存储器1005中存储的交易检测程序时,执行以下操作:
获取预设时间段内的时间序列数据;
根据所述时间序列数据以及预测模型得到待预测时刻对应的交易预测值;
基于所述待预测时刻对应的交易实际值、所述交易预测值以及预设阈值的关系,以检测所述待预测时刻对应的交易预测值是否异常。
处理器1001调用存储器1005中存储的交易检测程序时,还执行以下操作:
获取历史时间序列数据;
采用所述历史时间序列数据对预设模型进行训练以得到所述预测模型,其中,所述预设模型为自回归移动平均模型。
处理器1001调用存储器1005中存储的交易检测程序时,还执行以下操作:
采用插值算法对所述历史时间序列数据进行预处理,得到预处理后的历史时间序列数据。
处理器1001调用存储器1005中存储的交易检测程序时,还执行以下操作:
采用差分算法对所述历史时间序列数据进行平稳处理;
根据平稳处理后的所述历史时间序列数据对预设模型进行训练以得到所述预测模型。
处理器1001调用存储器1005中存储的交易检测程序时,还执行以下操作:
获取平稳处理后的所述历史时间序列数据,并根据平稳处理后的所述历史时间序列数据得到交易差分值;
根据所述交易差分值得到所述预设模型的阶数;
获取所述预设模型的自回归系数以及移动平均系数;
根据所述交易差分值、所述阶数、所述自回归系数以及所述移动平均系数,以得到所述预测模型。
处理器1001调用存储器1005中存储的交易检测程序时,还执行以下操作:
获取所述待预测时刻对应的交易实际值与所述交易预测值之间的差值;
比对所述差值与预设阈值,并根据比对结果检测所述待预测时刻对应的交易预测值是否异常。
处理器1001调用存储器1005中存储的交易检测程序时,还执行以下操作:
当所述比对结果为所述差值大于或等于第一预设阈值且所述差值小于或等于第二预设阈值时,则判定所述待预测时刻对应的交易预测值正常;
当所述比对结果为所述差值小于第一预设阈值且所述差值大于第二预设阈值时,则判定所述待预测时刻对应的交易预测值异常。
处理器1001调用存储器1005中存储的交易检测程序时,还执行以下操作:
在判定所述待预测时刻对应的交易预测值存在异常时,发出异常提醒。
本发明实施例提供了交易检测方法的实施例,需要说明的是,虽然在流程图中示出了逻辑顺序,但是在某些情况下,可以以不同于此处的顺序执行所示出或描述的步骤,所述交易检测方法应用于智能设备,例如平板电脑、智能手机等智能终端,本申请应用所述的交易检测方法的操作系统包括但不限于 Linux、Android或者Windows7等。
参照图2,图2为本发明交易检测方法的第一实施例的流程示意图,包括以下步骤:
步骤S110,获取预设时间段内的时间序列数据;
步骤S120,根据所述时间序列数据以及预测模型得到待预测时刻对应的交易预测值;
步骤S130,基于所述待预测时刻对应的交易实际值、所述交易预测值以及预设阈值的关系,以检测所述待预测时刻对应的交易预测值是否异常。
在本实施例中,现有技术中的交易系统受交易市场和交易时间波动等因素的影响,存在无法准确有效的判断交易系统的异常情况,因此,为了解决现有技术中难以准确有效的检测交易系统中的异常数据,本申请设计了一种交易检测方法,该交易检测方法首先获取历史交易数据,对所述历史交易数据进行预处理;接着,根据预处理后的历史交易数据建立预测模型;接着,将实时获取的预设时间段内的时间序列数据输入所述预测模型,以得到待预测时刻对应的交易预测值;最后,将待预测时刻对应的交易预测值以及待预测时刻对应的交易实际值进行比较,以检测待预测时刻对应的交易预测值是否存在异常,并且,当检测存在异常时,进行异常数据报警以提醒检测人员进行及时处理;具体的,该交易检测方法包括以下几部分:数据预处理、时间序列建模、异常数据检测以及异常数据报警这几个部分,其中,数据预处理主要用于修正历史交易数据中缺失和突变的数据;时间序列建模用于根据预处理后的历史交易数据建立时间序列模型,即预测模型;所述异常数据检测通过对建立的时间序列模型的拟合残差序列进行分析以检测出异常数据,所述异常数据报警用于为检测人员提供实时的异常检测提醒。
在本实施例中,所述获取预设时间段内的时间序列数据的方式可以有多种,包括但不限于在交易系统中筛选预设时间段内的时间序列数据等,每个交易时间点对应的交易数据可以是一对一、一对多,但是本申请以每个交易时间点对应一个交易数据为例,具体的,获取预测时间段内的时间序列数据,所述待预测时刻是指相对于当前时刻的下一时刻,所述时间序列数据为实时获取的当前时刻对应的数据。
在本实施例中,所述预测模型是根据预设模型训练得到的,所述预设模型为自回归移动平均模型,所述自回归移动平均模型用于对历史时间序列数据进行时序建模,具体的,通过获取历史时间序列数据,对所述历史时间序列数据进行预处理,将预处理后的所述历史时间序列数据输入自回归移动平均模型中进行训练,以得到训练后的预测模型,将实时获取的时间序列数据发送至预测模型,以得到所述预测模型输出的待预测时刻对应的交易预测值,根据待预测时刻对应的交易实际值、经过所述预测模型输出的待预测时刻对应的交易预测值与预设阈值之间的关系,以检测待预测时刻对应的交易预测值是否存在异常。
在本实施例的技术方案中,通过获取预设时间段内的时间序列数据;根据所述时间序列数据以及预测模型得到待预测时刻对应的交易预测值;基于所述待预测时刻对应的交易实际值、所述交易预测值以及预设阈值的关系,以检测所述待预测时刻对应的交易预测值是否异常,解决了现有技术中难以准确有效的检测交易系统中的异常数据,降低交易风险。
如图3所示,图3为本发明交易检测方法的第二实施例的流程示意图,所述第二实施例位于第一实施例步骤S110之前,所述第二实施例包括以下步骤:
步骤S210,获取历史时间序列数据;
步骤S220,采用所述历史时间序列数据对预设模型进行训练以得到所述预测模型,其中,所述预设模型为自回归移动平均模型。
在本实施例中,在将时间序列数据输入预测模型之前,需要先训练得到所述预测模型,通过获取历史时间序列数据,将所述历史时间序列数据输入预设模型进行训练,以得到所述预测模型,所述历史时间序列数据的获取方式可以包括但不限于接收上传的历史交易数据的文件版本,或在交易系统中筛选预设日期范围内的历史交易数据等;所述预设模型为自回归移动平均模型,该预设模型采用一种研究时间序列特征规律的方法,该方法也称为时序建模方法,所述方法利用时序变量观测值的不同滞后项以及随机干扰序列的不同滞后项建立所述预测模型,具体的,采用历史时间序列数据的自相关特征函数和偏自相关特征函数初步选择合适的预设模型,然后再通过对预设模型进行阶数确定、参数估计以及合理性检验以实现根据所述历史时间序列数据建立合适的预测模型。
在本实施例的技术方案中,通过获取历史时间序列数据,采用所述历史时间序列数据对预设模型进行训练以得到预测模型,从而得到可用于预测交易预测值的预测模型。
以下为本发明交易检测方法的第三实施例的流程示意图,所述第三实施例位于第二实施例步骤S210之后,所述第三实施例包括以下步骤:
步骤S310,采用插值算法对所述历史时间序列数据进行处理,得到处理后的历史时间序列数据。
在本实施例中,历史时间序列数据中可能存在缺失或者突变为零的数据,因此,在将历史时间序列数据输入预测模型进行训练之前,需要对历史时间序列数据中存在缺失或者突变为零的数据进行预处理,以得到预处理后的历史时间序列数据。
在本实施例中,采用插值算法对所述历史时间序列数据进行预处理,以降低或者消除所述历史时间序列数据中的噪声,例如,假设T={x1,x2…xn}为历史交易时间点序列,Y={y1,y2…yn}为每个交易时间点对应的历史交易数据,根据n+1个交易时间点序列t1,t2…tn以及其对应的历史交易数据y1,y2…yn计算插值算法的基函数:
通过上述基函数计算n阶插值算法插值函数最后将历史时间序列数据中的缺失和突变为零的时间序列输入到插值函数Ln(t)即可以得到处理后的历史时间序列数据;在得到处理后的历史时间序列数据后,将处理后的历史时间序列数据输入预设模型中进行训练以得到预测模型。
在本实施例的技术方案中,采用插值算法对所述历史时间序列数据进行处理,得到预处理后的历史时间序列数据,提高预测模型训练的准确性。
如图4所示,图4为本发明交易检测方法的第四实施例的流程示意图,所述第四实施例位于第二实施例步骤S220之前,所述第四实施例包括以下步骤:
步骤S410,采用差分算法对所述历史时间序列数据进行平稳处理;
步骤S420,根据平稳处理后的所述历史时间序列数据对预设模型进行训练以得到所述预测模型。
在本实施例中,因为历史时间序列数据一般为包含规律性,又包含随机性的时间序列,即所述历史时间序列数据一般为非平稳序列数据,因此将历史时间序列数据输入预设模型进行训练之前,需要采用差分算法对所述历史时间序列数据进行处理,所述差分算法用于将不平稳的历史时间序列数据变为平稳的历史时间序列数据,采用所述平稳处理后的历史时间序列数据对预设模型进行训练,以得到用于预测交易预测值的预测模型。
在本实施例的技术方案中,通过采用差分算法对历史时间序列数据进行平稳处理,根据平稳处理后的历史时间序列数据对预设模型进行训练,得到预测模型,从而使得该预测模型的预测结果更加准确。
如图5所示,图5为本发明交易检测方法的第五实施例的流程示意图,所述第五实施例是对第四实施例中步骤S420的细化,所述第五实施例包括以下步骤:
步骤S421,获取平稳处理后的所述历史时间序列数据,并根据平稳处理后的所述历史时间序列数据得到交易差分值;
步骤S422,根据所述交易差分值得到所述预设模型的阶数;
步骤S423,获取所述预设模型的自回归系数以及移动平均系数;
步骤S424,根据所述交易差分值、所述阶数、所述自回归系数以及所述移动平均系数,以得到所述预测模型。
在本实施例中,通常在一次平稳处理之后,所述历史时间序列数据可能还是不平稳的,因此,需要对所述历史时间序列数据进行多次平稳处理,直至所述历史时间序列数据达到平稳,平稳处理的次数就是预设模型的阶数,假设不平稳的历史时间序列数据T={x1,x2…xn}经过d次差分运算后可以变换成平稳的历史时间序列数据,则采用平稳处理后的历史时间序列数据建立的预设模型可以用符号ARIMA(p,d,q)表示,具体为:
其中,△dxt表示对xt进行d次差分运算之后形成的历史时间序列数据,p表示训练预测模型所需的自回归阶数,q表示训练预测模型所需的移动平均阶数,ξi是一种服从白噪声的随机扰动序列,φi表示训练预测模型所需的自回归系数,θj表示训练预测模型所需的移动平均系数。
在本实施例中,训练得到所述预测模型的具体过程为:对历史时间序列数据采用差值算法进行平稳处理,得到交易差分值d;根据所述历史时间序列数据的自相关函数和偏自相关函数初步确定训练预测模型所需的自回归阶数p 以及训练预测模型所需的移动平均阶数q,以完成对所述预测模型的识别和定阶,在对预测模型识别和定阶之后,还需要估计预测模型的参数,预测模型的参数包括自回归系数φi和移动平均系数θj,最终根据交易差分值、所述阶数、所述自回归系数以及所述移动平均系数,以得到所述预测模型。
在本实施例的技术方案中,通过获取平稳处理后的所述历史时间序列数据,并根据平稳处理后的所述历史时间序列数据得到交易差分值,根据所述交易差分值得到所述预设模型的阶数,获取所述预设模型的自回归系数以及移动平均系数,根据所述交易差分值、所述阶数、所述自回归系数以及所述移动平均系数,对所述预设模型进行训练,以得到所述预测模型,采用所述预测模型以快速准确的判断是否存在异常数据。
如图6所示,图6为本发明交易检测方法的第六实施例的流程示意图,所述第六实施例是对第一实施例中步骤S130的细化,所述第六实施例包括以下步骤:
步骤S131,获取所述待预测时刻对应的交易实际值与所述交易预测值之间的差值;
步骤S132,比对所述差值与预设阈值,并根据比对结果检测所述待预测时刻对应的交易预测值是否异常。
在本实施例中,由于异常数据的残差一般较大,因此需要采用特定置信区间的方法辨识异常数据,在将时间序列数据输入预测模型中时,所述预测模型获取所述待预测时刻对应的交易实际值与所述交易预测值之间的差值,比对所述差值与预设阈值,所述预测阈值可以为置信区间的端点值,所述比对所述差值与预设阈值,即为将所述差值与置信区间的端点值进行比较,并根据比对结果判断所述待预测时刻对应的时间序列数据是否存在异常,具体的,判断所述差值是否在置信区间内,若所述差值在置信区间内时,则判定所述待预测时刻对应的交易预测值是正常数据,若所述差值不在置信区间内时,则判定所述待预测时刻对应的交易预测值是异常数据;例如,假设待预测时刻对应的交易实际值为yn+1,待预测时刻对应的交易预测值为则待预测时刻对应的交易实际值与待预测时刻对应的交易预测值之间的误差的百分比可以表示为:判断en+1是否在[-c,c]置信区间内,将en+1分别与-c和c进行比对,根据比对结果判断待预测时刻对应的交易预测值是否异常。
在本实施例的技术方案中,通过获取待预测时刻对应的交易实际值与所述交易预测值之间的差值,比对所述差值与预设阈值,并根据比对结果判断所述待预测时刻对应的交易预测值是否存在异常,从而实现对异常数据的预测。
如图7所示,图7为本发明交易检测方法的第七实施例的流程示意图,所述第七实施例是对第六实施例中步骤S132的细化,所述第七实施例包括以下步骤:
步骤S1321,当所述比对结果为所述差值大于或等于第一预设阈值且所述差值小于或等于第二预设阈值时,则判定所述待预测时刻对应的交易预测值正常;
步骤S1322,当所述比对结果为所述差值小于第一预设阈值且所述差值大于第二预设阈值时,则判定所述待预测时刻对应的交易预测值异常。
在本实施例中,所述预测阈值包括第一预设阈值以及第二预设阈值,将所述差值与第一预设阈值以及第二预设阈值进行比较,判断所述差值与第一预设阈值以及第二预设阈值之间的关系,当所述比对结果为所述差值大于或等于第一预设阈值且所述差值小于或等于第二预设阈值时,则判定所述待预测时刻对应的交易预测值正常;当所述比对结果为所述差值小于第一预设阈值且所述差值大于第二预设阈值时,则判定所述待预测时刻对应的交易预测值异常,例如,假设-c为第一预设阈值,c为第二预设阈值,当en+1在[-c,c]置信区间内,则认为是正常数据,在置信区间之外,则认为是异常数据。
在本实施例的技术方案中,当所述比对结果为所述差值大于或等于第一预设阈值且所述差值小于或等于第二预设阈值时,则判定所述待预测时刻对应的交易预测值正常,当所述比对结果为所述差值小于第一预设阈值且所述差值大于第二预设阈值时,则判定所述待预测时刻对应的交易预测值异常,从而准确判断出异常数据。
以下为本申请的第八实施例,所述第八实施例包括:
步骤S510,在判定所述待预测时刻对应的交易预测值存在异常时,发出异常提醒。
在本实施例中,在采用预测模型对预设时间段内的时间序列数据进行检测,以判断待预测时刻对应的交易预测值是否存在异常,在待预测时刻对应的交易预测值存在异常时,会发出异常提醒信息,以提示检测人员及时对故障进行处理,具体的,在检测到异常数据之后,可以调用第三方接口,例如短信、邮件接口、微信接口等,向检测人员发送异常数据信息,还可以在智能设备上安装外设报警装置,通过智能设备的外设报警装置进行报警。
在本实施例的技术方案中,通过在判定所述待预测时刻对应的交易预测值存在异常时,发出异常提醒,从而提醒检测人员对异常的数据进行及时处理,以降低交易风险。
基于同一发明构思,本申请实施例还提供了一种计算机存储介质,所述计算机存储介质存储有交易检测程序,所述交易检测程序被处理器执行时实现如上所述的交易检测方法的各个步骤,且能达到相同的技术效果,为避免重复,这里不再赘述。
由于本申请实施例提供的计算机存储介质,为实施本申请实施例的方法所采用的计算机存储介质,故而基于本申请实施例所介绍的方法,本领域所属人员能够了解该计算机存储介质的具体结构及变形,故而在此不再赘述。凡是本申请实施例的方法所采用的计算机存储介质都属于本申请所欲保护的范围。
本领域内的技术人员应明白,本发明的实施例可提供为方法、系统、或计算机程序产品。因此,本发明可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且,本发明可采用在一个或多个其中包含有计算机可用程序代码的计算机可用计算机存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
本发明是参照根据本发明实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和 /或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/ 或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器,使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中,使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品,该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上,使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理,从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
应当注意的是,在权利要求中,不应将位于括号之间的任何参考符号构造成对权利要求的限制。单词“包含”不排除存在未列在权利要求中的部件或步骤。位于部件之前的单词“一”或“一个”不排除存在多个这样的部件。本发明可以借助于包括有若干不同部件的硬件以及借助于适当编程的计算机来实现。在列举了若干装置的单元权利要求中,这些装置中的若干个可以是通过同一个硬件项来具体体现。单词第一、第二、以及第三等的使用不表示任何顺序。可将这些单词解释为名称。
尽管已描述了本发明的优选实施例,但本领域内的技术人员一旦得知了基本创造性概念,则可对这些实施例作出另外的变更和修改。所以,所附权利要求意欲解释为包括优选实施例以及落入本发明范围的所有变更和修改。
显然,本领域的技术人员可以对本发明进行各种改动和变型而不脱离本发明的精神和范围。这样,倘若本发明的这些修改和变型属于本发明权利要求及其等同技术的范围之内,则本发明也意图包含这些改动和变型在内。
Claims (10)
1.一种交易检测方法,其特征在于,所述交易检测方法包括:
获取预设时间段内的时间序列数据;
根据所述时间序列数据以及预测模型得到待预测时刻对应的交易预测值;
基于所述待预测时刻对应的交易实际值、所述交易预测值以及预设阈值的关系,以检测所述待预测时刻对应的交易预测值是否异常。
2.如权利要求1所述的交易检测方法,其特征在于,所述获取预设时间段内的时间序列数据的步骤之前包括:
获取历史时间序列数据;
采用所述历史时间序列数据对预设模型进行训练以得到所述预测模型,其中,所述预设模型为自回归移动平均模型。
3.如权利要求2所述的交易检测方法,其特征在于,所述获取历史时间序列数据的步骤之后包括:
采用插值算法对所述历史时间序列数据进行预处理,得到预处理后的历史时间序列数据。
4.如权利要求2所述的交易检测方法,其特征在于,所述采用所述历史时间序列数据对预设模型进行训练以得到所述预测模型的步骤之前包括:
采用差分算法对所述历史时间序列数据进行平稳处理;
根据平稳处理后的所述历史时间序列数据对预设模型进行训练以得到所述预测模型。
5.如权利要求4所述的交易检测方法,其特征在于,所述根据平稳处理后的所述历史时间序列数据对预设模型进行训练以得到所述预测模型的步骤包括:
获取平稳处理后的所述历史时间序列数据,并根据平稳处理后的所述历史时间序列数据得到交易差分值;
根据所述交易差分值得到所述预设模型的阶数;
获取所述预设模型的自回归系数以及移动平均系数;
根据所述交易差分值、所述阶数、所述自回归系数以及所述移动平均系数,以得到所述预测模型。
6.如权利要求1所述的交易检测方法,其特征在于,所述基于所述待预测时刻对应的交易实际值、所述交易预测值以及预设阈值的关系,以检测所述待预测时刻对应的交易预测值是否异常的步骤包括:
获取所述待预测时刻对应的交易实际值与所述交易预测值之间的差值;
比对所述差值与预设阈值,并根据比对结果检测所述待预测时刻对应的交易预测值是否异常。
7.如权利要求6所述的交易检测方法,其特征在于,所述预设阈值包括第一预设阈值以及第二预设阈值;所述比对所述差值与预设阈值,并根据比对结果检测所述待预测时刻对应的交易预测值是否异常的步骤包括:
当所述比对结果为所述差值大于或等于第一预设阈值且所述差值小于或等于第二预设阈值时,则判定所述待预测时刻对应的交易预测值正常;
当所述比对结果为所述差值小于第一预设阈值且所述差值大于第二预设阈值时,则判定所述待预测时刻对应的交易预测值异常。
8.如权利要求1所述的交易检测方法,其特征在于,所述基于所述待预测时刻对应的交易实际值、所述交易预测值以及预设阈值的关系,以检测所述待预测时刻对应的交易预测值是否异常的步骤之后包括:
在判定所述待预测时刻对应的交易预测值存在异常时,发出异常提醒。
9.一种智能设备,其特征在于,所述智能设备包括存储器、处理器及存储在所述存储器上并可在所述处理器上运行的交易检测程序,所述交易检测程序被所述处理器执行时实现如权利要求1-8中任一项所述的交易检测方法的步骤。
10.一种计算机存储介质,其特征在于,所述计算机存储介质存储有交易检测程序,所述交易检测程序被处理器执行时实现权利要求1-8中任一项所述的交易检测方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110556449.6A CN113393325A (zh) | 2021-05-21 | 2021-05-21 | 交易检测方法、智能设备及计算机存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110556449.6A CN113393325A (zh) | 2021-05-21 | 2021-05-21 | 交易检测方法、智能设备及计算机存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN113393325A true CN113393325A (zh) | 2021-09-14 |
Family
ID=77618983
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110556449.6A Pending CN113393325A (zh) | 2021-05-21 | 2021-05-21 | 交易检测方法、智能设备及计算机存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113393325A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116663747A (zh) * | 2023-07-19 | 2023-08-29 | 广东云下汇金科技有限公司 | 一种基于数据中心基础设施的智能预警方法及系统 |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104766175A (zh) * | 2015-04-16 | 2015-07-08 | 东南大学 | 一种基于时间序列分析的电力系统异常数据辨识与修正方法 |
CN110287086A (zh) * | 2019-07-03 | 2019-09-27 | 中国工商银行股份有限公司 | 一种周期性时间的交易量预测方法及装置 |
US10445738B1 (en) * | 2018-11-13 | 2019-10-15 | Capital One Services, Llc | Detecting a transaction volume anomaly |
CN111382020A (zh) * | 2020-03-06 | 2020-07-07 | 中国工商银行股份有限公司 | 交易流量监控方法及系统 |
CN111784071A (zh) * | 2020-07-14 | 2020-10-16 | 北京月新时代科技股份有限公司 | 一种基于Stacking集成的许可占用与预测方法及系统 |
CN111913803A (zh) * | 2020-07-21 | 2020-11-10 | 哈尔滨工程大学 | 一种基于akx混合模型的服务负载细粒度预测方法 |
CN112651785A (zh) * | 2020-12-31 | 2021-04-13 | 中国农业银行股份有限公司 | 交易量实时监测方法与系统 |
-
2021
- 2021-05-21 CN CN202110556449.6A patent/CN113393325A/zh active Pending
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104766175A (zh) * | 2015-04-16 | 2015-07-08 | 东南大学 | 一种基于时间序列分析的电力系统异常数据辨识与修正方法 |
US10445738B1 (en) * | 2018-11-13 | 2019-10-15 | Capital One Services, Llc | Detecting a transaction volume anomaly |
CN110287086A (zh) * | 2019-07-03 | 2019-09-27 | 中国工商银行股份有限公司 | 一种周期性时间的交易量预测方法及装置 |
CN111382020A (zh) * | 2020-03-06 | 2020-07-07 | 中国工商银行股份有限公司 | 交易流量监控方法及系统 |
CN111784071A (zh) * | 2020-07-14 | 2020-10-16 | 北京月新时代科技股份有限公司 | 一种基于Stacking集成的许可占用与预测方法及系统 |
CN111913803A (zh) * | 2020-07-21 | 2020-11-10 | 哈尔滨工程大学 | 一种基于akx混合模型的服务负载细粒度预测方法 |
CN112651785A (zh) * | 2020-12-31 | 2021-04-13 | 中国农业银行股份有限公司 | 交易量实时监测方法与系统 |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116663747A (zh) * | 2023-07-19 | 2023-08-29 | 广东云下汇金科技有限公司 | 一种基于数据中心基础设施的智能预警方法及系统 |
CN116663747B (zh) * | 2023-07-19 | 2024-04-12 | 广东云下汇金科技有限公司 | 一种基于数据中心基础设施的智能预警方法及系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN107086944B (zh) | 一种异常检测方法和装置 | |
EP3937128A2 (en) | Image defect detection method and apparatus, electronic device, storage medium and product | |
CN113518011B (zh) | 异常检测方法和装置、电子设备及计算机可读存储介质 | |
CN110929799B (zh) | 用于检测异常用户的方法、电子设备和计算机可读介质 | |
CN113688957A (zh) | 一种基于多模型融合的目标检测方法、装置、设备及介质 | |
CN109840503B (zh) | 一种确定种类信息的方法及装置 | |
CN110443350B (zh) | 基于数据分析的模型质量检测方法、装置、终端及介质 | |
CN111796957A (zh) | 基于应用日志的交易异常根因分析方法及系统 | |
CN111814776B (zh) | 一种图像处理方法、设备、服务器及存储介质 | |
CN111428822A (zh) | 物品识别方法、装置及设备、智能货柜、智能货柜系统 | |
CN110795324B (zh) | 一种数据处理方法及装置 | |
CN113393325A (zh) | 交易检测方法、智能设备及计算机存储介质 | |
CN109118043B (zh) | 一种在线数据质量监控方法、装置、服务器及存储介质 | |
CN114519677A (zh) | 数据增强方法、装置、电子设备及存储介质 | |
CN109102486A (zh) | 基于机器学习的表面缺陷检测方法及装置 | |
CN111798237B (zh) | 基于应用日志的异常交易诊断方法及系统 | |
CN115358914A (zh) | 用于视觉检测的数据处理方法、装置、计算机设备及介质 | |
CN114972500A (zh) | 查验方法、标注方法、系统、装置、终端、设备及介质 | |
CN112069909A (zh) | 污水排放实时监测方法、装置及可读存储介质 | |
JP2017174234A (ja) | モデル判定装置、モデル判定方法、及びプログラム | |
CN112989555B (zh) | 一种时间序列数据处理方法、装置、设备及计算机介质 | |
CN111783956A (zh) | 特征维度重要性分析方法、装置、设备及可读存储介质 | |
CN112087482B (zh) | 利用云端系统对多台设备进行管理的方法 | |
CN112766375A (zh) | 目标对象的检测方法、装置及计算机可读存储介质 | |
CN117593660A (zh) | 一种水质识别方法、装置、系统和介质 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination |