CN113781213A - 一种基于图和层次化transformer的智能交易异常检测方法 - Google Patents

一种基于图和层次化transformer的智能交易异常检测方法 Download PDF

Info

Publication number
CN113781213A
CN113781213A CN202110958269.0A CN202110958269A CN113781213A CN 113781213 A CN113781213 A CN 113781213A CN 202110958269 A CN202110958269 A CN 202110958269A CN 113781213 A CN113781213 A CN 113781213A
Authority
CN
China
Prior art keywords
behavior
sequence
graph
hierarchical
representation
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.)
Granted
Application number
CN202110958269.0A
Other languages
English (en)
Other versions
CN113781213B (zh
Inventor
熊诗勇
张鑫
张耐
张伟
王骏
黄艳婷
蒋岱虎
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Shanghai Huaxin Co ltd
Original Assignee
Shanghai Huaxin Co ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Shanghai Huaxin Co ltd filed Critical Shanghai Huaxin Co ltd
Priority to CN202110958269.0A priority Critical patent/CN113781213B/zh
Publication of CN113781213A publication Critical patent/CN113781213A/zh
Application granted granted Critical
Publication of CN113781213B publication Critical patent/CN113781213B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

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
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/044—Recurrent networks, e.g. Hopfield networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/045—Combinations of networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G06N3/084—Backpropagation, e.g. using gradient descent

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • General Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • Evolutionary Computation (AREA)
  • Artificial Intelligence (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Biomedical Technology (AREA)
  • General Health & Medical Sciences (AREA)
  • Software Systems (AREA)
  • Mathematical Physics (AREA)
  • Health & Medical Sciences (AREA)
  • Computing Systems (AREA)
  • Molecular Biology (AREA)
  • Business, Economics & Management (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • Finance (AREA)
  • Accounting & Taxation (AREA)
  • General Business, Economics & Management (AREA)
  • Development Economics (AREA)
  • Economics (AREA)
  • Marketing (AREA)
  • Strategic Management (AREA)
  • Technology Law (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Evolutionary Biology (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本发明提供一种基于图和层次化transformer的智能交易异常检测方法，涉及金融交易技术领域，包括以下步骤：S1：获取真实交易数据；S2：通过交易数据建立行为序列；S3：构成用户行为的全局属性图；S4：利用层次化transformer编码器对日期分割的行为序列表示进行编码；S5：利用训练集学习序列模型的参数并且调参。利用这样的一种基于图和层次化transformer的智能交易异常检测方法，引入属性图来表示用户交易行为序列充分表示不同交易行为特征之间的关系，从而可以充分建模智能交易中不同交易特征的关联性。

Description

一种基于图和层次化transformer的智能交易异常检测方法
技术领域
本发明涉及金融交易技术领域，涉及机器学习技术，尤其是一种一种基于图和层次化transformer的智能交易异常检测方法。
背景技术
现有的智能交易异常检测通过如下几种方式：
智能交易异常检系统通过规则的条件判断，对输入其交易系统的大量异常数据进行判断并过滤，但交易数据在当今拥有更复杂灵活的特征，只通过规则判断不足以满足当下的智能交易异常检测要求。
有经验的交易系统运维人员，定期对一些交易实时数据进行统计并主观的检测其中的异常数据。这种方法虽然具有较大的灵活性，但效率很低，在如今的大数据时代，很难对所有的交易数据进行检测。且这种方法主观性比较大，不能对异常检测的结果做出保证。
利用一些机器学习算法来进行智能交易异常检测的方法，一些方法利用前馈神经网络使用历史交易数据判断异常交易数据，但是没考虑到交易记录的时序性，不能学习交易数据的时序特征。
发明内容
为了解决上述问题，本发明采用的技术方案是：
一种基于图和层次化transformer的智能交易异常检测方法，包括以下步骤：
S1：获取真实交易数据，对所述交易数据进行预处理，划分为测试集、验证集和训练集；
S2：通过交易数据建立行为序列，行为序列包括order行为序列和trade行为序列，分别将order行为序列和trade行为序列转换为向量特征表示，作为序列模型的输入数据；
S3：分别将order行为序列和trade行为序列中每个行为的每个特征作为节点，每个特征之间的连线作为边，构成用户行为的全局属性图；
对全局属性图做GCN卷积处理，得到每个特征属性的聚合表示，组合成新的行为表示的向量；
S4：利用层次化transformer编码器对日期分割的行为序列表示进行编码，得到用户历史行为表示；
通过MLP获得行为序列异常概率，序列模型和决策树模型融合后得到综合的异常概率；
S5：利用训练集学习序列模型的参数并且调参。
优选的，S1中对所述交易数据进行预处理，包括以下步骤：
A1：按用户将行为序列数据按时间戳由远及近地排序；
A2：过滤A1得到的行为序列数据中的不频繁的数据；
A3：以日期为单位的时间窗口为依据，以层次化transformer的嵌入形式为格式，划分所有用户的行为序列；
A4：通过降采样，将训练集中提高异常样本的比例到30％以上。
优选的，S1中划分的训练集，验证集和测试集的数量的比例为6：2：2。
优选的，所述模型的输入数据，包括以下数据处理过程：
B1.数据编码：设所有行为共有N个行为特征属性，使用N维的稀疏向量表示特征属性的集合，行为独有的属性特征维度为1，其余全部为0；
B2.数据嵌入：将N维的行为特征属性映射到另一个低维的向量空间，设变换后的行为特征向量表示为V＝{v1,v2,…,vN}。
优选的，S3的order行为序列的特征包括：行为类型、阶段、价格、数量、行为、撤销、最优五档申报，7个特征。
优选的，S3的trade行为序列的特征包括：行为类型、阶段、价格、数量、方向，5个特征。
优选的，S3对全局属性图做GCN卷积处理，得到每个特征属性的聚合表示，组合成新的行为表示的向量，包括以下步骤：
C1.将行为序列特征属性转换为邻接矩阵，并建立标准化邻接矩阵；
C2.图卷积神经网络层：
Figure BDA0003221129620000031
其中A为图的邻接矩阵，D为A的度矩阵，σ是非线性激活函数，Xl表示第l层的表示，W和b为可学习的参数；
C3.聚合层：
X＝aggregate(Xa,…Xn)
其中X为新的行为表示的向量，Xi表示第i层行为表示的向量。
优选的，S4利用层次化transformer编码器对日期分割的行为序列表示进行编码，包括以下步骤：
D1：多头注意力机制：
Figure BDA0003221129620000041
MH(U)＝MLP([H1(U)；···；HM(U)]T)
D2：相加并做归一化：
U′＝LN(U+MH(U))
D3：前馈神经网络：
FFN(U′)＝ReLu(U′W1+b1)W2+b2
D4：相加并做归一化：
U＝LN(U+FFN(U′))
其中，M是多头个数，m∈{1,...,M}，MLP表示的是多层感知机，LN表示层归一化，U为行为序列表示，WmQ,WmK,Wmv,W1,W2,b1,b2均为模型可以学习的参数；设将用户行为序列分割为L个日期，将transformer编码器堆叠L次之后可以得到用户历史行为表示。
优选的，S4所述的决策树模型采用LightGBM围绕异常数据的成交量大、撤销占比高、快速撤销这3个异常特征获得异常概率。
优选的，S4利用通过MLP获得行为序列异常概率，序列模型和决策树模型融合后得到综合的异常概率，其具体计算过程包括以下步骤：
E1：将获得的最终行为表示过MLP层：
St＝MLP(U)
E2：行为序列异常概率分布：
P＝softmax(WtSt+bt)
E3：行为序列模型和决策树模以加权相加的方式进行融合。
其中，U为最终的行为表示，St为过MLP的中间层表示，Wt,bt均为模型可以学习的参数。
本发明的有益效果体现在：
为了应对智能交易安全性评估和异常检测这个新出现的问题和任务，搜集了真实的交易数据集。
本申请的一种基于图和层次化transformer的智能交易异常检测方法，引入属性图来表示用户交易行为序列充分表示不同交易行为特征之间的关系，从而可以充分建模智能交易中不同交易特征的关联性。
利用GCN和层次化transformer技术充分考虑了整个用户交易行为序列和交易日期的影响，全面利用了用户交易行为特征之间的相互关系信息，极大的丰富了用户交易行为的表示；
利用交易日期划分用户交易数据，将交易时间变化也建模进模型中，较之前的方法显著提高了灵活性。
附图说明
图1为本发明实施例的智能交易异常检测方法流程示意图；
图2为本实施例的数据预处理流程图；
图3为本发明实施例的序列模型框架图。
具体实施方式
下面结合附图及本发明的实施例对本发明作进一步详细的说明。
实施例1
本发明实施例提供一种基于图和层次化transformer的智能交易异常检测方法，包括以下步骤：
S1：获取真实交易数据，对所述交易数据进行预处理，划分为测试集、验证集和训练集；
S2：通过交易数据建立行为序列，行为序列包括order行为序列和trade行为序列，分别将order行为序列和trade行为序列转换为向量特征表示，作为序列模型的输入数据；
S3：分别将order行为序列和trade行为序列中每个行为的每个特征作为节点，每个特征之间的连线作为边，构成用户行为的全局属性图；
对全局属性图做GCN卷积处理，得到每个特征属性的聚合表示，组合成新的行为表示的向量；
S4：利用层次化transformer编码器对日期分割的行为序列表示进行编码，得到用户历史行为表示；
通过MLP获得行为序列异常概率，序列模型和决策树模型融合后得到综合的异常概率；
S5：利用训练集学习序列模型的参数并且调参。
本实施例中，步骤S2利用one-hot编码将行为序列转化成向量特征表示，利用embedding技术转换成低维的向量作为模型(序列模型)的输入；
真实的交易数据是从国内某家正在运行的金融公司平台上提取的真实股票数据来应对这个新的问题和任务，其他交易数据如期货、债券等异常与股票类似。
所述的模型融合是序列模型和决策树模型分别对交易报单序列训练,各自达到收敛后,预测时使用误差倒数法对两个模型的输出进行加权求和,得到组合模型的异常预测结果，其具体计算过程包括以下步骤：
F1.行为序列模型和决策树模型以加权相加的方式进行融合：
yp＝w1y1+w2y2
其中，w1,w2为序列模型和决策树模型的权重，y1,y2为两个模型的预测准确率。
在具体实现过程中，由于行为序列包括order行为序列和trade行为序列，并且行为序列具有时序性。
现有技术采用RNN、LSTM等序列模型来获取时序特征，但是这些方法没能有效捕捉交易行为序列中不同特征的潜在联系，不能很好的结合序列关联的交易数据和特征。
因此本申请的一种基于图和层次化transformer的智能交易异常检测方法，引入属性图来表示用户交易行为序列充分表示不同交易行为特征之间的关系，从而可以充分建模智能交易中不同交易特征的关联性。
利用GCN和层次化transformer技术充分考虑了整个用户交易行为序列和交易日期的影响，全面利用了用户交易行为特征之间的相互关系信息，极大的丰富了用户交易行为的表示。
S5利用训练集学习序列模型的参数并且调参，包括利用训练集数据学习模型的参数，并利用验证集进行参数调优。
利用交易日期划分用户交易数据，将交易时间变化也建模进模型中，较之前的方法显著提高了灵活性。
进一步，S1中对所述交易数据进行预处理，包括以下步骤：
A1：按用户将行为序列数据按时间戳由远及近地排序；
A2：过滤A1得到的行为序列数据中的不频繁的数据；
A3：以日期为单位的时间窗口为依据，以层次化transformer的嵌入形式为格式，划分所有用户的行为序列；
A4：通过降采样，将训练集中提高异常样本的比例到30％以上。
本实施例中，预处理后的交易数据中异常样本数量少，直接通过训练集训练序列模型的效率低。
在此基础之上，降采样将高频数据转换为低频数据，例如原有序列数据是100条日数据，通过降采样转换为5日求和统计的数据，增加了异常样本的比例，提高模型训练的效率。
进一步，S1中划分的训练集，验证集和测试集的数量的比例为6：2：2。
进一步，所述模型的输入数据，包括以下数据处理过程：
B1.数据编码：设所有行为共有N个行为特征属性，使用N维的稀疏向量表示特征属性的集合，行为独有的属性特征维度为1，其余全部为0；
B2.数据嵌入：将N维的行为特征属性映射到另一个低维的向量空间，设变换后的行为特征向量表示为V＝{v1,v2,…,vN}。
进一步，S3的order行为序列的特征包括：行为类型、阶段、价格、数量、行为、撤销、最优五档申报，7个特征。
在具体实现过程中，行为类型包括参数【报单】，阶段包括参数【开盘集合竞价，连续竞价，收盘集合竞价】，行为包括参数【买，卖】，撤销包括参数【未撤销，非快速撤销，快速撤销】，最优五档申报包括参数【否，是】。
进一步，S3的trade行为序列的特征包括：行为类型、阶段、价格、数量、方向，5个特征。
在具体实现过程中，行为类型包括参数【成交】，阶段包括参数【开盘集合竞价，连续竞价，收盘集合竞价】，方向包括参数【买，卖】。
进一步，S3对全局属性图做GCN卷积处理，得到每个特征属性的聚合表示，组合成新的行为表示的向量，包括以下步骤：
C1.将行为序列特征属性转换为邻接矩阵，并建立标准化邻接矩阵；
C2.图卷积神经网络层：
Figure BDA0003221129620000091
其中A为图的邻接矩阵，D为A的度矩阵，σ是非线性激活函数，Xl表示第l层的表示，W和b为可学习的参数；
C3.聚合层：
X＝aggregate(Xa,…Xn)
其中，xi (l+1)表示结点i在第l+1层的特征W(l),b(l)均为模型可以学习的参数。
进一步，S4利用层次化transformer编码器对日期分割的行为序列表示进行编码，包括以下步骤：
D1：多头注意力机制：
Figure BDA0003221129620000101
MH(U)＝MLP([H1(U)；···；HM(U)]T)
D2：相加并做归一化：
U′＝LN(U+MH(U))
D3：前馈神经网络：
FFN(U′)＝ReLu(U′W1+b1)W2+b2
D4：相加并做归一化：
U＝LN(U+FFN(U′))
其中，M是多头个数，m∈{1,...,M}，MLP表示的是多层感知机，LN表示层归一化，WmQ,WmK,WmV均为模型可以学习的参数；设将用户行为序列分割为L个日期，将transformer编码器堆叠L次之后可以得到用户历史行为表示。
进一步，S4所述的决策树模型采用LightGBM围绕异常数据的成交量大、撤销占比高、快速撤销这3个异常特征获得异常概率。
进一步，S4利用通过MLP获得行为序列异常概率，序列模型和决策树模型融合后得到综合的异常概率，其具体计算过程包括以下步骤：
E1：将获得的最终行为表示过MLP层：
St＝MLP(U)
E2：行为序列异常概率分布：
P＝softmax(WtSt+bt)
E3：行为序列模型和决策树模以加权相加的方式进行融合。
其中，Wt,bt均为模型可以学习的参数。
尽管已经示出和描述了本发明的实施例，对于本领域的普通技术人员而言，可以理解在不脱离本发明的原理和精神的情况下可以对这些实施例进行多种变化、修改、替换和变型，本发明的范围由所附权利要求及其等同物限定。

Claims (10)

1.一种基于图和层次化transformer的智能交易异常检测方法，其特征在于，包括以下步骤：
S1：获取真实交易数据，对所述交易数据进行预处理，划分为测试集、验证集和训练集；
S2：通过交易数据建立行为序列，行为序列包括order行为序列和trade行为序列，分别将order行为序列和trade行为序列转换为向量特征表示，作为序列模型的输入数据；
S3：分别将order行为序列和trade行为序列中每个行为的每个特征作为节点，每个特征之间的连线作为边，构成用户行为的全局属性图；
对全局属性图做GCN卷积处理，得到每个特征属性的聚合表示，组合成新的行为表示的向量；
S4：利用层次化transformer编码器对日期分割的行为序列表示进行编码，得到用户历史行为表示；
通过MLP获得行为序列异常概率，序列模型和决策树模型融合后得到综合的异常概率；
S5：利用训练集学习序列模型的参数并且调参。
2.根据权利要求1所述的一种基于图和层次化transformer的智能交易异常检测方法，其特征在于，S1中对所述交易数据进行预处理，包括以下步骤：
A1：按用户将行为序列数据按时间戳由远及近地排序；
A2：过滤A1得到的行为序列数据中的不频繁的数据；
A3：以日期为单位的时间窗口为依据，以层次化transformer的嵌入形式为格式，划分所有用户的行为序列；
A4：通过降采样，将训练集中提高异常样本的比例到30％以上。
3.根据权利要求1所述的一种基于图和层次化transformer的智能交易异常检测方法，其特征在于：S1中划分的训练集，验证集和测试集的数量的比例为6：2：2。
4.根据权利要求1所述的一种基于图和层次化transformer的智能交易异常检测方法，其特征在于，所述模型的输入数据，包括以下数据处理过程：
B1.数据编码：设所有行为共有N个行为特征属性，使用N维的稀疏向量表示特征属性的集合，行为独有的属性特征维度为1，其余全部为0；
B2.数据嵌入：将N维的行为特征属性映射到另一个低维的向量空间，设变换后的行为特征向量表示为V＝{v1,v2,…,vN}。
5.根据权利要求1所述的一种基于图和层次化transformer的智能交易异常检测方法，其特征在于，S3的order行为序列的特征包括：行为类型、阶段、价格、数量、行为、撤销、最优五档申报，7个特征。
6.根据权利要求1所述的一种基于图和层次化transformer的智能交易异常检测方法，其特征在于，S3的trade行为序列的特征包括：行为类型、阶段、价格、数量、方向，5个特征。
7.根据权利要求1所述的一种基于图和层次化transformer的智能交易异常检测方法，其特征在于，S3对全局属性图做GCN卷积处理，得到每个特征属性的聚合表示，组合成新的行为表示的向量，包括以下步骤：
C1.将行为序列特征属性转换为邻接矩阵，并建立标准化邻接矩阵；
C2.图卷积神经网络层：
Figure FDA0003221129610000031
其中A为图的邻接矩阵，D为A的度矩阵，σ是非线性激活函数，Xl表示第l层的表示，W和b为可学习的参数；
C3.聚合层：
X＝aggregate(Xa,…Xn)
其中X为新的行为表示的向量，Xi表示第i层行为表示的向量。
8.根据权利要求1所述的一种基于图和层次化transformer的智能交易异常检测方法，其特征在于，S4利用层次化transformer编码器对日期分割的行为序列表示进行编码，包括以下步骤：
D1：多头注意力机制：
Figure FDA0003221129610000032
MH(U)＝MLP([H1(U)；···；HM(U)]T)
D2：相加并做归一化：
U′＝LN(U+MH(U))
D3：前馈神经网络：
FFN(U′)＝ReLu(U′W1+b1)W2+b2
D4：相加并做归一化：
U＝LN(U+FFN(U′))
其中，M是多头个数，m∈{1,...,M}，MLP表示的是多层感知机，LN表示层归一化，U为行为序列表示，WmQ,WmK,Wmv,W1,W2,b1,b2均为模型可以学习的参数；设将用户行为序列分割为L个日期，将transformer编码器堆叠L次之后可以得到用户历史行为表示。
9.根据权利要求1所述的一种基于图和层次化transformer的智能交易异常检测方法，其特征在于，S4所述的决策树模型采用LightGBM围绕异常数据的成交量大、撤销占比高、快速撤销这3个异常特征获得异常概率。
10.根据权利要求1所述的一种基于图和层次化transformer的智能交易异常检测方法，其特征在于，S4利用通过MLP获得行为序列异常概率，序列模型和决策树模型融合后得到综合的异常概率，其具体计算过程包括以下步骤：
E1：将获得的最终行为表示过MLP层：
St＝MLP(U)
E2：行为序列异常概率分布：
P＝softmax(WtSt+bt)
E3：行为序列模型和决策树模以加权相加的方式进行融合。
其中，U为最终的行为表示，St为过MLP的中间层表示，Wt,bt均为模型可以学习的参数。
CN202110958269.0A 2021-08-20 2021-08-20 一种基于图和层次化transformer的智能交易异常检测方法 Active CN113781213B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110958269.0A CN113781213B (zh) 2021-08-20 2021-08-20 一种基于图和层次化transformer的智能交易异常检测方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110958269.0A CN113781213B (zh) 2021-08-20 2021-08-20 一种基于图和层次化transformer的智能交易异常检测方法

Publications (2)

Publication Number Publication Date
CN113781213A true CN113781213A (zh) 2021-12-10
CN113781213B CN113781213B (zh) 2023-09-29

Family

ID=78838367

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110958269.0A Active CN113781213B (zh) 2021-08-20 2021-08-20 一种基于图和层次化transformer的智能交易异常检测方法

Country Status (1)

Country Link
CN (1) CN113781213B (zh)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114580545A (zh) * 2022-03-07 2022-06-03 华北电力大学（保定） 一种基于融合模型的风电机组齿轮箱故障预警方法
CN118552323A (zh) * 2024-07-25 2024-08-27 深圳市前海泽金产融科技有限公司 基于大数据的金融风险评估方法

Citations (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109035013A (zh) * 2017-06-12 2018-12-18 高丽大学校产学协力团 检测异常金融交易的设备和方法及计算机可读存储介质
CN109885734A (zh) * 2019-02-13 2019-06-14 北京航空航天大学 一种基于深度学习的异常子图发现方法
US20190312898A1 (en) * 2018-04-10 2019-10-10 Cisco Technology, Inc. SPATIO-TEMPORAL ANOMALY DETECTION IN COMPUTER NETWORKS USING GRAPH CONVOLUTIONAL RECURRENT NEURAL NETWORKS (GCRNNs)
US20200064822A1 (en) * 2018-08-27 2020-02-27 Nec Laboratories America, Inc. Unsupervised anomaly detection, diagnosis, and correction in multivariate time series data
CN111177714A (zh) * 2019-12-19 2020-05-19 未鲲(上海)科技服务有限公司 异常行为检测方法、装置、计算机设备和存储介质
US20210049452A1 (en) * 2019-08-15 2021-02-18 Intuit Inc. Convolutional recurrent generative adversarial network for anomaly detection
US20210075805A1 (en) * 2019-09-06 2021-03-11 Paypal, Inc. Anomaly behavior detection in interactive networks
CN112766619A (zh) * 2021-04-07 2021-05-07 广东众聚人工智能科技有限公司 一种商品时序数据预测方法及系统
CN112910859A (zh) * 2021-01-19 2021-06-04 山西警察学院 基于c5.0决策树和时序分析的物联网设备监测预警方法
CN113269647A (zh) * 2021-06-08 2021-08-17 上海交通大学 基于图的交易异常关联用户检测方法

Patent Citations (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109035013A (zh) * 2017-06-12 2018-12-18 高丽大学校产学协力团 检测异常金融交易的设备和方法及计算机可读存储介质
US20190312898A1 (en) * 2018-04-10 2019-10-10 Cisco Technology, Inc. SPATIO-TEMPORAL ANOMALY DETECTION IN COMPUTER NETWORKS USING GRAPH CONVOLUTIONAL RECURRENT NEURAL NETWORKS (GCRNNs)
US20200064822A1 (en) * 2018-08-27 2020-02-27 Nec Laboratories America, Inc. Unsupervised anomaly detection, diagnosis, and correction in multivariate time series data
CN109885734A (zh) * 2019-02-13 2019-06-14 北京航空航天大学 一种基于深度学习的异常子图发现方法
US20210049452A1 (en) * 2019-08-15 2021-02-18 Intuit Inc. Convolutional recurrent generative adversarial network for anomaly detection
US20210075805A1 (en) * 2019-09-06 2021-03-11 Paypal, Inc. Anomaly behavior detection in interactive networks
CN111177714A (zh) * 2019-12-19 2020-05-19 未鲲(上海)科技服务有限公司 异常行为检测方法、装置、计算机设备和存储介质
CN112910859A (zh) * 2021-01-19 2021-06-04 山西警察学院 基于c5.0决策树和时序分析的物联网设备监测预警方法
CN112766619A (zh) * 2021-04-07 2021-05-07 广东众聚人工智能科技有限公司 一种商品时序数据预测方法及系统
CN113269647A (zh) * 2021-06-08 2021-08-17 上海交通大学 基于图的交易异常关联用户检测方法

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
赵刚 等: "基于系统调用时间特征的异常行为智能检测系统", 计算机应用与软件, vol. 32, no. 4, pages 309 - 313 *
龚晓菲: "工业互联网平台数据的异常检测研究", 中国优秀硕士学位论文全文数据库信息科技辑, no. 8 *

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114580545A (zh) * 2022-03-07 2022-06-03 华北电力大学（保定） 一种基于融合模型的风电机组齿轮箱故障预警方法
CN118552323A (zh) * 2024-07-25 2024-08-27 深圳市前海泽金产融科技有限公司 基于大数据的金融风险评估方法

Also Published As

Publication number Publication date
CN113781213B (zh) 2023-09-29

Similar Documents

Publication Publication Date Title
CN112819604A (zh) 基于融合神经网络特征挖掘的个人信用评估方法与系统
CN109949152A (zh) 一种个人信贷违约预测方法
CN117709446A (zh) 基于规则引擎的动态金融信用风险模型的构建方法
CN113781213A (zh) 一种基于图和层次化transformer的智能交易异常检测方法
CN115293910A (zh) 基于金融大数据的企业现金流智能评级系统
CN116541755A (zh) 一种基于时序图表征学习的金融行为模式分析预测方法
CN114022739B (zh) 一种基于对齐变分自编码器与三元组结合的零样本学习方法
CN110689437A (zh) 一种基于随机森林的通信施工项目财务风险预测方法
CN112184431A (zh) 用户风险确定方法和装置
CN117010697A (zh) 一种基于人工智能的可视化企业风险评估方法
CN117350845A (zh) 基于级联超图神经网络的企业信用风险评估方法
CN110033113A (zh) 信息处理系统及信息处理系统的学习方法
CN115618926A (zh) 一种面向纳税人企业分类的重要因子提取方法及装置
CN119338607A (zh) 自动流水对账方法和电子设备
CN118313668A (zh) 结合层次图神经网络与长短期记忆的产业链风险评估系统
CN118822712A (zh) 一种基于多视图动态超图神经网络的中小企业信用风险评估方法
CN118014616A (zh) 基于区块链的生产物料价格跟踪系统及方法
CN116843345A (zh) 基于人工智能技术对客户交易的智能风控系统及方法
CN117494906A (zh) 一种基于多元时间序列的天然气日负荷预测方法
CN116776209A (zh) 一种关口计量装置运行状态辨识方法、系统、设备及介质
CN117076454A (zh) 一种工程质量验收表单数据结构化存储方法及系统
CN117150528A (zh) 基于图网络融合伪标签和后处理加密货币异常交易识别方法
CN118410461B (zh) 基于机器学习的财务数据的信息提取系统、税利预测系统
CN117272119B (zh) 用户画像分类模型训练方法、用户画像分类方法及系统
CN113157516B (zh) 一种准实时计算的模型监测系统及方法

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
GR01 Patent grant
GR01 Patent grant