CN114997879B - 一种支付路由方法、装置、设备和存储介质 - Google Patents
一种支付路由方法、装置、设备和存储介质 Download PDFInfo
- Publication number
- CN114997879B CN114997879B CN202210842997.XA CN202210842997A CN114997879B CN 114997879 B CN114997879 B CN 114997879B CN 202210842997 A CN202210842997 A CN 202210842997A CN 114997879 B CN114997879 B CN 114997879B
- Authority
- CN
- China
- Prior art keywords
- payment
- value
- channel
- payment channel
- dynamic
- 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.)
- Active
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
- G06Q20/00—Payment architectures, schemes or protocols
- G06Q20/38—Payment protocols; Details thereof
- G06Q20/40—Authorisation, e.g. identification of payer or payee, verification of customer or shop credentials; Review and approval of payers, e.g. check credit lines or negative lists
- G06Q20/405—Establishing or using transaction specific rules
-
- 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
- G06Q10/00—Administration; Management
- G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
-
- 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
- G06Q20/00—Payment architectures, schemes or protocols
- G06Q20/38—Payment protocols; Details thereof
- G06Q20/40—Authorisation, e.g. identification of payer or payee, verification of customer or shop credentials; Review and approval of payers, e.g. check credit lines or negative lists
- G06Q20/401—Transaction verification
- G06Q20/4016—Transaction verification involving fraud or risk level assessment in transaction processing
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
- H04L45/00—Routing or path finding of packets in data switching networks
- H04L45/02—Topology update or discovery
- H04L45/08—Learning-based routing, e.g. using neural networks or artificial intelligence
Landscapes
- Business, Economics & Management (AREA)
- Engineering & Computer Science (AREA)
- Accounting & Taxation (AREA)
- Strategic Management (AREA)
- General Business, Economics & Management (AREA)
- Economics (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Computer Security & Cryptography (AREA)
- Finance (AREA)
- Human Resources & Organizations (AREA)
- Development Economics (AREA)
- Game Theory and Decision Science (AREA)
- Entrepreneurship & Innovation (AREA)
- Marketing (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Tourism & Hospitality (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Computation (AREA)
- Medical Informatics (AREA)
- Computer Networks & Wireless Communication (AREA)
- Signal Processing (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种支付路由方法、装置、设备和存储介质,其中的支付路由方法包括如下步骤:S1:对支付渠道的动态要素进行预测;S2:根据预测结果进行心跳路由引擎决策,判断支付渠道是否可用;S3:结合预测结果进行引导路由决策,获得最优支付渠道。与现有技术相比,本发明提升了支付路由判断的准确性,从而实现了支付成功率的提升和支付成本的降低。由于人工智能的在支付路由中的应用,原先依赖固定规则导致的动态要素判断错误问题得到了避免,同时通过模型的持续学习,不断的提升路由判断的准确性。
Description
技术领域
本发明属于互联网支付领域,特别涉及一种支付路由方法、装置、设备和存储介质。
背景技术
支付是电商核心环节之一,对于运营主体来说,如何在用户支付环节提供体验最流畅、成本最低廉、成功率最高的支付服务一直是电商领域研究的核心问题。电商平台的支付服务依赖的是外部第三方的支付服务公司或银行通道,而选择提供支付服务的支付渠道更是电商运营过程中的重中之重。随着业务的不断发展,电商公司需要基于不同市场、不同用户习惯、不同成本的背景下,在支付链路中实时的选择成本最低、成功率最高、风险最低的支付渠道。这套选择最优支付渠道的方法或者系统就是支付的路由。
在行业内,路由的决策逻辑普遍基于硬规则判断,这些规则包括支付成本、业务偏好、渠道受理能力等静态评估要素,也包括一些支付成功率、支付风险等动态评估要素。通过单条规则判断或者多条规则并行判断来选择最合适的支付渠道。例如:现有a、b、c三个支付渠道,如果此时的支付场景下,a的支付成本最低,渠道受理能力最强,成功率最高,那么支付路由就会决策选择a 支付渠道来提交支付请求。
上述技术在设置判断规则时,通过产品运营人员的主观判断来设置条件规则,在处理一些静态评估要素时,例如支付成本、支付渠道受理能力规则时,由于判断条件的参数不会发生时间序列上的变化,所以规则设置相对容易。但是在处理动态评估要素时,由于动态评估要素受到时间序列上变化的影响,为了尽可能准确,需要尽可能的细化影响因素。
比如支付成功率的动态变化,是指随着时间的变化,渠道的成功率呈现不断的波动情况。不同支付渠道的成功率曲线在同一市场会存在交叉情况,如果路由简单的就是认为A好于B,那就存在一定概率下实际B好于A的情况,如果需要降低这种误判,精细化的路由策略就需要在时间的颗粒度上人工细化到 hour甚至minute的颗粒度,即设置每一分钟A和B的对比规则。然而即使运营人员做到的精细化的路由配置,由于成功率的变化是动态的,这个规则依然需要不断的维护。这对运营人员的工作量损耗是非常巨大的,也很容易导致支付路由决策的误判。
其次,随着电商业务的发展,这些动态评估因素会越来越多,而因素的不同组合导致的判断维度会更多。在电商实际运营过程中,由于缺少要素条件的判断,或者要素条件评分的误判,会造成支付路由无法决策或者错误决策的概率增加,进而造成损失。
尽管存在一些对动态要素进行预测的支付路由方法,但仅仅将预测值作为路由判断的单一要素,无法达到准确性要求。况且,支付路由决策往往是多个因素综合判断的结果,仅仅通过预测作为路由判断显然也无法达到实际需求。
综上可知,在具备动态评估要素的支付路由方法上,背景技术中存在准确性不高和工作量较大的问题,以及多个要素(静态结合动态)下的多维度判断不准确的问题。
发明内容
本申请的目的在于提供一种可提升判断准确性,降低人工维护工作量的支付路由方法。
为了实现上述目的,本申请提供了一种支付路由方法,并包括如下步骤:
S1:对支付渠道的动态要素进行预测;
将包含支付渠道的动态要素的历史数据输入预测模型,得到支付渠道的动态要素在预设时间序列下的预测结果;其中,所述预测模型是利用动态要素的历史数据训练得到,所述历史数据以时间序列方式排列,具有周期性特点;所述预测结果包括对预设时间序列段下动态要素的预测值,预测值的下限和/或上限;
S2:根据预测结果进行心跳路由引擎决策,判断支付渠道是否可用;
获得支付渠道的动态要素实时值,当动态要素实时值与对应的动态要素预测值的下限和/或上限对比结果超过了设定阈值,则判断该支付渠道不可用;如果支付渠道状态为不可用,但动态要素实时值与对应的动态要素预测值的下限和/或上限对比结果在设定的阈值内,则恢复该支付渠道为可用;
S3:结合预测结果进行引导路由决策,获得最优支付渠道;
在可用支付渠道基础上,以动态要素和静态要素的权重、动态要素的预测值和静态要素的参数建立决策矩阵;所述决策矩阵用于计算不同支付渠道下各个动态要素和静态要素结合权重后的叠加得分,并根据得分获得最优支付渠道;
所述动态要素为支付成功率、欺诈率或拒付率;所述静态要素为支付成本或业务优先级;
所述步骤S3中决策矩阵具体为:
权重 | 要素名称 | PSP1 | PSP2 | PSP3 | ... | PSPn |
P1 | O1 | X11 | X12 | X13 | ... | X1N |
P2 | O2 | X21 | X22 | X23 | ... | X2N |
P3 | O3 | X31 | X32 | X33 | ... | X3N |
... | ... | ... | ... | ... | ... | ... |
Pm | Om | Xm1 | Xm2 | Xm3 | ... | Xmn |
得分 | ∑Pm*Xm1 | ∑Pm*Xm2 | ∑Pm*Xm3 | ... | ∑Pm*Xmn |
其中,所述权重为评估各个要素在一笔交易决策过程中的权重,在矩阵中用P 表示;要素名称为影响决策路由的要素分类,包括动态要素和静态要素,在矩阵中用O表示;支付渠道在矩阵中用PSPn表示;得分为发生一笔支付请求时,某个要素在对应渠道的得分,在矩阵中用X表示;
所述决策矩阵的作用为计算当∑Pm*Xmn值最大时n的值,并且以MAX{∑ Pm*Xmn}时的n值作为最优支付渠道。
上述方案具有如下技术效果:
首先,通过对支付渠道的动态要素进行预测,避免了运营的巨大工作量和损耗。这种动态要素的预测是基于历史数据训练并搭载人工智能算法实现的,预测结果可获得时间序列下未来的预测值,作为后续支付路由决策的依据,极大的减小工作量。
其次,对动态要素的预测并不是单一判断支付路由的直接因素,而是将预测结果与心跳路由引擎决策和引导路由决策结合,一方面避免了预测与实际情况不符的决策错误,另一方面可结合多个维度的动态要素和静态要素综合决策,增加决策的准确性。
需要强调的是,以上三个步骤形成一个整体方案,仍然是本发明的创新之处,不同于单个步骤在背景技术中单独发挥作用,上述方案的步骤间是相互关联,互相协同发挥作用的。在上述方案件需要将预测结果作为心跳路由引擎决策和引导路由决策判定的前提,因此预测结果是基于具有时间序列的历史数据而得到的具有时间序列的预测结果,这种预测结果可应用于后续的心跳路由引擎和引导路由引擎的决策判断。并且,该预测结果包括预测值和预测值的下限和/或上限,可通过心跳路由引擎进行可用支付渠道决策。此处的下限和上限是相对的概念,取决于动态要素的具体内容。比如,对于支付成功率,预测值的下限在心跳路由引擎中可用于判断支付渠道的异常性,而对于欺诈率来说,预测值的上限在心跳路由引擎中可用于判断支付渠道的风险大小。此外,可以基于此获得多个动态要素的预测值,再结合静态要素的数据以及不同要素的权重的基础上,可以通过引导路由引擎根据决策矩阵判断最佳渠道。
上述方案依赖历史数据,训练搭载人工智能算法的预测平台,对成功率和欺诈率等动态要素做出实时预测,并将预测值作为动态要素的决策依据,这种实时预测的处理过程,去除了人工的路由决策依赖,从而实现降低人工运营压力和提升路由决策的准确性。
优选的,所述步骤S1采用prophet模型作为预测模型。
进一步的,所述步骤S1采用prophet作为预测模型预测支付成功率,具体包括:
历史数据生成:对数据仓进行调度生成历史数据,历史数据是以时间序列排列的数据集,包括时间序列、对应时间序列的路由标签、订单生成数和支付成功数,所述路由标签包括支付渠道;
历史数据校验:对生成的历史数据的绝对长度、相对长度和缺失值进行校验,若缺失值超过预设值则预处理程序返回失败,否则会自动处理缺失值用最邻近的上一个时间戳的值进行填补;
支付成功率的获得:分别对订单生成数和支付成功数进行预测,再由预测的支付成功数/订单生成数获得支付成功率的预测值;
prophet模型的设置:在历史销量数据中,按照预测长度将历史数据划分为训练集和测试集,根据设置的模型参数及参数组合对训练集进行训练,得到在误差最小时对应的参数,并运用该参数生成预测模型,对于所有历史数据进行预测。
优选的,所述步骤S2中,如果支付渠道的状态为可用的,则先判断支付渠道是否开启心跳监测,如果有开启心跳监测,则根据实时的动态要素值和预测的动态要素下限和/或上限对比,并根据对比结果是否在阈值内而确定保持支付渠道可用或不可用;但如果支付渠道没有开启心跳监测,则先尝试将支付渠道设置为可用,并将交易抛送渠道尝试,若尝试发现渠道交易正常,则将支付方式状态继续保持为可用。
优选的,所述步骤S2中,如果支付渠道状态为不可用时,判断是否恢复为可用,先判断支付渠道是否开启心跳激活,如果有开启心跳激活,则根据实时的动态要素值和预测的动态要素下限和/或上限对比,并根据对比结果是否在阈值内而确定保持支付渠道可用或不可用;但如果支付渠道没有开启心跳激活,则先尝试将支付渠道设置为可用,并将交易抛送渠道尝试,若尝试发现渠道交易正常,则将支付方式状态重新设置为可用。
优选的,所述动态要素为支付成功率,当支付渠道的实时成功率低于预测成功率的下限且所持续时间超过了设定阈值的时间,则判断该支付渠道不可用;当支付渠道的实时成功率在设定的阈值时间内高于预测成功率的下限时,则认为该支付渠道恢复正常,该渠道可用。
本发明的另一个目的,还包括提供具有如上方法技术效果的支付路由装置,包括:
预测模块,用于对支付渠道的动态要素进行预测,具体为,将包含支付渠道的动态要素的历史数据输入预测模型,得到支付渠道的动态要素在预设时间序列下的预测结果;其中,所述预测模型是利用动态要素的历史数据训练得到,所述历史数据以时间序列方式排列,具有周期性特点;所述预测结果包括对预设时间序列段下动态要素的预测值,预测值的下限和/或上限;
心跳路由引擎决策模块,用于根据预测结果进行心跳路由引擎决策,判断支付渠道是否可用;获得支付渠道的动态要素实时值,当动态要素实时值与对应的动态要素预测值的下限和/或上限对比结果超过了设定阈值,则判断该支付渠道不可用;如果支付渠道状态为不可用,但动态要素实时值与对应的动态要素预测值的下限和/或上限对比结果在设定的阈值内,则恢复该支付渠道为可用;
引导路由决策模块,用于结合预测结果进行引导路由决策,获得最优支付渠道;在可用支付渠道基础上,以动态要素和静态要素的权重、动态要素的预测值和静态要素的参数建立决策矩阵;所述决策矩阵用于计算不同支付渠道下各个动态要素和静态要素结合权重后的叠加得分,并根据得分获得最优支付渠道;
所述动态要素为支付成功率、欺诈率或拒付率;所述静态要素为支付成本或业务优先级;
所述引导路由决策模块中的决策矩阵具体为:
权重 | 要素名称 | PSP1 | PSP2 | PSP3 | ... | PSPn |
P1 | O1 | X11 | X12 | X13 | ... | X1N |
P2 | O2 | X21 | X22 | X23 | ... | X2N |
P3 | O3 | X31 | X32 | X33 | ... | X3N |
... | ... | ... | ... | ... | ... | ... |
Pm | Om | Xm1 | Xm2 | Xm3 | ... | Xmn |
得分 | ∑Pm*Xm1 | ∑Pm*Xm2 | ∑Pm*Xm3 | ... | ∑Pm*Xmn |
其中,所述权重为评估各个要素在一笔交易决策过程中的权重,在矩阵中用P表示;要素名称为影响决策路由的要素分类,包括动态要素和静态要素,在矩阵中用O表示;支付渠道在矩阵中用PSPn表示;得分为发生一笔支付请求时,某个要素在对应渠道的得分,在矩阵中用X表示;
所述决策矩阵的作用为计算当∑Pm*Xmn值最大时n的值,并且以MAX{∑ Pm*Xmn}时的n值作为最优支付渠道。
本发明还包括提供一种电子设备,包括处理器和存储有计算机程序的存储器,所述处理器执行所述计算机程序时实现如上支付路由方法的步骤。
本发明还包括一种计算机可读存储介质,其上存储有计算机程序,所述计算机程序被处理器执行时实现如上的支付路由方法的步骤。
附图说明
图1为本申请实施例的方法流程图;
图2为订单量的时间序列图;
图3为支付成功率的时间顺序动态变化图;
图4为心跳逻辑引擎的逻辑图;
图5为心跳路由引擎流程图和支付路由整体决策过程的流程图;
图6为本申请实施例对应的数据处理的流程示意图;
图7为本申请实施例提供的电子设备的结构示意图。
具体实施方式
为使得本申请的发明目的、特征、优点能够更加的明显和易懂,下面将结合本申请实施例中的附图,对本申请实施例中的技术方案进行清楚、完整地描述,显然,下面所描述的实施例仅仅是本申请一部分实施例,而非全部的实施例。基于本申请中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其它实施例,都属于本申请保护的范围。
为了便于说明实施例,对相关概念说明如下:
心跳路由引擎,根据实时交易成功率情况判断支付渠道的可用性。
引导路由引擎,根据决策矩阵判断最佳支付渠道。
心跳路由引擎和路由引擎存在成功率、欺诈率等动态要素的决策。
动态要素,是指要素数值是随着时间序列而动态变化的值,比如成功率、欺诈率、拒付率等。
静态要素,是指要素的数值是固定值,比如支付成本及业务优先级,人工设置静态参数即可纳入引导路由计算逻辑。
权重,评估各个要素在一笔交易决策过程中的权重。
得分,发生一笔支付请求时,某个要素在对应渠道的得分,得分需要按照规则统一量化,数值越大,优势越大。
Prophet模型,是Facebook开源的一个时间序列预测算法,Prophet适用于具有明显的内在规律的商业行为数据,可以在python中调用Prophet进行预测。
具体实施例如下:
为了解决背景技术中支付路由决策时面临动态要素的问题,如图1所示,本申请公开了一种基于动态要素决策的支付路由方法,包括如下步骤:
S1:对支付渠道的动态要素进行预测。
将包含支付渠道的动态要素的历史数据输入预测模型,得到支付渠道的动态要素在预设时间序列下的预测结果;其中,所述预测模型是利用动态要素的历史数据训练得到,所述历史数据以时间序列方式排列,具有周期性特点;所述预测结果包括对预设时间序列段下动态要素的预测值,预测值的下限和/或上限。
为了详细说明这一步骤,我们以预测支付成功率为例进行说明。
首先,涉及历史数据的数据源和数据统计规则问题,在数据源服务平台中配置预测支付渠道某一动态要素的条件维度。以动态要素成功率为例,这些条件参数包括不限于品牌、站点、时间、数量。
在预测平台中,选用的是基于prophet模型的路由支付成功率预测方法。针对路由历史成功率受到时间段、节假日、维修时段等因素影响的现象,构建经过预处理的成功率数据,周期性数据,及不同国家的节假日数据,并设置参数集建立prophet预测模型。预测平台每小时会通过该数据表生成一个预测,用来预测之后6小时的数据,数据预测时长较长是为了避免数仓调度资源不够等问题影响下游任务的生成。
prophet模型需要处理的是,输入已知的时间序列的时间戳和相应的值;输入需要预测的时间序列的长度;输出未来的时间序列走势。输出结果可以提供必要的统计指标,包括拟合曲线,上界和下界等。传入prophet的数据分为两列ds和y,ds表示时间序列的时间戳,y表示时间序列的取值,其中:ds 是pandas的日期格式,样式类似与YYYY-MM-DD for adate or YYYY-MM-DD HH:MM:SS;y列必须是数值型,代表着我们希望预测的值。通过prophet的计算,可以计算出:yhat,表示时间序列的预测值yhat_lower,表示预测值的下界,yhat_upper,表示预测值的上界。
基于此,实施例中推送至基础数仓,触发数仓进行调度生成数据。如下文中的支付成功率在数据预测阶段的历史数据表格所示,历史数据共包含5列, data_time为时间序列,格式为yyyy-MM-dd HH:mm:ss,tag为路由标签,由6 个部分组成:品牌#站点#支付渠道#支付方式#是否为美国站#是否是路由支付, order_cnt和pay_cnt为对应的订单生成数和支付成功数,pay_cnt/order_cnt 即为支付成功率,dt为分区时间,即生成该数据的时间,每次推送会生成T-7 的数据集。
支付成功率在数据预测阶段的历史数据表格
进一步的,预测平台中搭建了历史数据的校验程序,包括输入数据的绝对长度、相对长度和缺失值,若缺失值超过20%则预处理程序返回失败,否则会自动处理缺失值,通常用最邻近的上一个时间戳的值进行填补。
由于订单量和支付量有较为明显的趋势,我们可以通过分别对这两项进行预测,再由pay_cnt/order_cnt得到支付成功率的预测值。考虑到订单量和支付量都是正数,我们通过log(x+1)可以转换为新的输入数据,在预测结束后通过exp(x)-1转换为真实的预测值,可以保证得到的预测值都为正数。
在历史销量数据中,按照预测长度将历史数据划分为训练集和测试集,根据设置的模型参数及参数组合对训练集进行训练,可得到在误差最小时对应的参数,并运用该参数生成预测模型,对于所有历史数据进行预测。
Prophet模型的预测可表示为:y(t)=g(t)+s(t)+h(t)+εt,其中g(t)表示增长函数,用来拟合非周期性变化的。s(t)用来表示周期性变化,比如说每周,每年,季节等。h(t)表示假期,节日等特殊原因等造成的变化。ε t为噪声项,用他来表示随机无法预测的波动,假设ε t是高斯的。Prophet算法就是通过拟合这几项,然后最后把它们累加起来就得到了时间序列的预测值。
趋势项g(t)分为基于逻辑回归(logistic)和线性增长(linear)两种函数,当预测存在饱和点的时候可以选择逻辑回归函数,通常选择线性增长函数。在 prophet中变点的选择是一个需要考虑的因素,通常默认n_changepoint表示变点的个数,在默认的函数中为25,changepoint_prior_scale表示变点增长率的分布情况,默认为0.05,值越大,选择的”changepoint”越多,从而使模型对历史数据的拟合程度变强,然而也增加了过拟合的风险,在模型中设置了0.01,0.03,0.05,0.1,0.3,0.5的参数组合,以最小的误差来确定changepoint_prior_scale的值。
由于时间序列中有可能包含多种天,周,月,年等周期类型的季节性趋势,因此,傅里叶级数可以用来近似表达这个周期属性。它的形式为N表示希望在模型中使用的这种周期的个数,较大的N值可以拟合出更复杂的季节性函数,然而也会带来更多的过拟合问题, t是时间,P是周期,例如周的周期为7,年的周期为365.25。
参见图2,可以看到订单量的时间序列有较为明显的日和周季节性,因此 weekly_seasonality和daily_seasonality都为True。进一步的,如果支付路由有小时性的季节性,可以通过add_seasonality这个函数加上这个特征。整体数据趋势是加法性增长而不是乘法性增长,因此 seasonality_mode='additive'。
另外在Prophet里面,收集了各个国家的特殊节假日。除了节假日之外,可以加入影响销量的日子,例如黑五。节假日模型将不同节假日在不同时间点下的影响视作独立的模型,并且可以为不同的节假日设置不同的前后窗口值,表示该节假日会影响前后一段时间的时间序列,例如{"holiday": "black5","ds":["2019-11-29","2020-11-27","2021-11-26"],"lower_windo w":-1,"upper_window":4}。
经过上述步骤处理后,每小时整点路由决策平台可以获得最新的预测值,在路由整体决策过程中,心跳引擎及引导路由利用决策值来参与决策。其中,心跳路由引擎是通过预测值来判断渠道是否可用;引导路由是通过权重矩阵最终得到应该选取的路由策略。
本申请的方案还包括步骤S2,即根据预测结果进行心跳路由引擎决策,判断支付渠道是否可用;具体的,通过获得支付渠道的动态要素实时值,当动态要素实时值与对应的动态要素预测值的下限和/或上限对比超过了设定阈值,则判断该支付渠道不可用;如果支付渠道状态为不可用,但动态要素实时值与对应的动态要素预测值的下限和/或上限对比在设定的阈值内,则恢复该支付渠道为可用。
心跳路由是支付路由的一个独立引擎。通过定时任务计算支付成功率,与渠道成功率预测阈值下限对比,判断各个支付方式可用性,具体分为两个判断,心跳监测和心跳激活。心跳监测:是指根据一定阈值,判断支付渠道不可用,并将支付方式状态置为不可用状态。心跳激活:当支付渠道状态已为不可用状态,根据一定阈值判断支付渠道需要自动置为可用,将交易抛送渠道尝试。若尝试发现渠道交易正常,则将支付方式状态重新置为可用状态。
由此,我们仍以支付成功率为例,介绍心跳路由引擎的工作原理。在一个时间区间内,支付渠道的实时成功率、实时成功率预测、预测成功率下限是一个相对稳定的状态。通过心跳检测,当实时成功率在一定时间区间内低于预测成功率的下限时,即可认为当前支付渠道异常。那么心跳路由将阻断该支付渠道进入下一路由引擎的判断。
为了检测支付渠道恢复的状态,当心跳激活的实时成功率恢复至正常水平,即在一定时间区间内实时成功率高于预测成功率的下限时,即可认为当前支付渠道恢复正常。那么心跳路由将允许支付渠道进入下一路由引擎的判断。
以附图3来举例,在00:56时,监控实时成功率突发低于预测成功率下限,该异常持续了5分钟出现,可判断当前支付渠道异常,心跳路由将阻断该支付渠道进入下一阶段路由决策。
以附图4来说明心跳路由引擎的核心逻辑。首先判断支付渠道是否可用,如果支付渠道的状态为可用的,则先判断支付渠道是否开启心跳监测,如果有开启心跳监测,则根据实时的动态要素值和预测的动态要素下限和/或上限对比,并根据对比是否在阈值内而确定保持支付渠道可用或不可用;但如果支付渠道没有开启心跳监测的,则先尝试将支付渠道设置为可用,并将交易抛送渠道尝试,若尝试发现渠道交易正常,则将支付方式状态继续保持为可用。
如果支付渠道状态为不可用时,判断是否恢复为可用,先判断支付渠道是否开启心跳激活,如果有开启心跳激活,则根据实时的动态要素值和预测的动态要素下限和/或上限对比,并根据对比是否在阈值内而确定保持支付渠道可用或不可用;但如果支付渠道没有开启心跳激活的,则先尝试将支付渠道设置为可用,并将交易抛送渠道尝试,若尝试发现渠道交易正常,则将支付方式状态重新设置为可用。
本申请还包括步骤S3,即结合预测结果进行引导路由决策,获得最优支付渠道。在可用支付渠道基础上,以动态要素和/或静态要素的权重、动态要素的预测值和/或静态要素的参数建立决策矩阵;所述决策矩阵用于计算不同支付渠道下各个动态要素和/或静态要素结合权重后的叠加得分,并根据得分获得最优支付渠道。
引导路由的核心逻辑可以用以下矩阵表述:
权重 | 要素名称 | PSP1 | PSP2 | PSP3 | ... | PSPn |
P1 | O1 | X11 | X12 | X13 | ... | X1N |
P2 | O2 | X21 | X22 | X23 | ... | X2N |
P3 | O3 | X31 | X32 | X33 | ... | X3N |
... | ... | ... | ... | ... | ... | ... |
Pm | Om | Xm1 | Xm2 | Xm3 | ... | Xmn |
得分 | ∑Pm*Xm1 | ∑Pm*Xm2 | ∑Pm*Xm3 | ... | ∑Pm*Xmn |
引导路由的核心服务就是,计算当∑Pm*Xmn值最大时,n的值是什么,即 MAX{∑Pm*Xmn}的n值。在计算过程中,P和O的值是因变量,直接决定了n 的值。P是一个静态要素,而O则不固定。在枚举O的过程中,我们可以发现,有些O对应的X是一个固定值(静态要素),例如支付渠道的成本、企业偏好等;而有些O对应的X是一个动态值(动态要素),例如支付渠道的成功率在不同市场不同时间段有着不同的表现。上述的预测算法,可以获取当前支付场景下动态要素的预测值。通过对不同支付渠道的预测值对比、排序并量化指标即可完善矩阵参数X,并最终通过引导路由矩阵决策出最优支付渠道。
具有包括如下步骤:
(1)量化指标
在引导路由中,不同要素的指标对比单位差异很大,例如支付的成功率一般以百分比来表达,支付成本即使以百分比来表达也与成功率的百分比含义有非常大的区别-支付成功率是数值越高越优秀,而成本是数值越低越优秀。因此不同的评估要素需要量化到同一基准来计算各个要素的优先级。评估的要素包括不限于成功率、支付成本、业务优先级、欺诈率、拒付率。其中,成功率、欺诈率、拒付率是动态评估要素,都可通过算法实现预测。支付成本及业务优先级为静态评估要素,人工设置静态参数即可纳入引导路由计算逻辑。以卡支付引导路由案例来说明,PSP1-PSP3为某一时刻下前序路由判断筛选之支付渠道。
量化指标前的原始数据:
要素名称 | PSP1 | PSP2 | PSP3 |
预测成功率O<sub>1</sub> | 80.12% | 82.67% | 83.88% |
支付成本O<sub>2</sub> | 0.25% | 0.36% | 0.27% |
业务优先级O<sub>3</sub> | 1 | 2 | 3 |
欺诈率O<sub>4</sub> | 0.12% | 0.14% | 0.13% |
拒付率O<sub>5</sub> | 0.25% | 0.25% | 0.15% |
指标量化的步骤一-数据预处理:为了便于后续数据统一处理,将矩阵中不同要素的参数值调整为数值越大越优,取两位小数。
成功率的数据预处理:取百分比的分子值,即XO1=X*100
支付成本的数据预处理:加修正值后取倒数,即XO2=1/(X+0.01%)
业务优先级的数据预处理:取倒数后百分比的分子值,即XO3=(1/x)*100。
假定:业务设置规则为优先级越高,数值越低,x区间为[1,9]。
欺诈率的数据预处理:加修正值后取倒数,即XO4=1/(X+0.01%)
拒付率的数据预处理:加修正值后取倒数,即XO5=1/(X+0.01%)
以示例数据举例,预处理后,矩阵参数变为:
要素名称 | PSP1 | PSP2 | PSP3 |
预测成功率O<sub>1</sub> | 80.12 | 82.67 | 83.88 |
支付成本O<sub>2</sub> | 384.62 | 270.27 | 357.14 |
业务优先级O<sub>3</sub> | 100 | 50 | 33.33 |
欺诈率O<sub>4</sub> | 769.23 | 666.67 | 714.29 |
拒付率O<sub>5</sub> | 384.61 | 384.61 | 625 |
指标量化的步骤二-得分标准化,算法如下:
经过标准化后的参数矩阵如下:
要素名称 | PSP1 | PSP2 | PSP3 |
预测成功率O<sub>1</sub> | -55.94% | 11.88% | 44.06% |
支付成本O<sub>2</sub> | 41% | -59% | 17% |
业务优先级O<sub>3</sub> | 58.33% | -16.66% | -41.67% |
欺诈率O<sub>4</sub> | 51.19% | -48.81% | -2.38% |
拒付率O<sub>5</sub> | -33.33% | -33.33% | 66.67% |
指标量化的步骤三-评估优先级:叠加权重参数
权重参数通过产品运营管理人员配置得来。
权重 | 要素名称 | PSP1 | PSP2 | PSP3 |
40% | 预测成功率O<sub>1</sub> | -55.94% | 11.88% | 44.06% |
40% | 支付成本O<sub>2</sub> | 41% | -59% | 17% |
10% | 业务优先级O<sub>3</sub> | 58.33% | -16.66% | -41.67% |
5% | 欺诈率O<sub>4</sub> | 51.19% | -48.81% | -2.38% |
5% | 拒付率O<sub>5</sub> | -33.33% | -33.33% | 66.67% |
(2)评估引导路由支付渠道优先级
计算支付渠道优先级,算法为:得分=∑POn*XOn
权重P<sub>On</sub> | 要素名称O | PSP1 | PSP2 | PSP3 |
40% | 预测成功率O<sub>1</sub> | -55.94% | 11.88% | 44.06% |
40% | 支付成本O<sub>2</sub> | 41% | -59% | 17% |
10% | 业务优先级O<sub>3</sub> | 58.33% | -16.66% | -41.67% |
5% | 欺诈率O<sub>4</sub> | 51.19% | -48.81% | -2.38% |
5% | 拒付率O<sub>5</sub> | -33.33% | -33.33% | 66.67% |
得分 | 88.62% | -2448.40% | 2359.78% |
此时引导路由决策的支付渠道优先级为PSP3>PSP1>PSP2,并将决策结果输出进入下一路由引擎判断,最终提交支付渠道PSP3完成支付。
以上是基于支付成功率对本申请的方法进行的实施例说明,除了支付成功率外,其他的动态要素,比如拒付率,欺诈率等也可以采用以上方法。
为了进一步说明,心跳路由引擎和引导路由引擎可以作为子引擎在整体路由决策过程中发挥作用。
具体参见图5心跳路由引擎流程图和支付路由整体决策过程的流程图。
心跳路由引擎可作为子引擎被调用,经过心跳路由处理逻辑,得到可支付渠道列表。
在支付路由的整体决策过程流程图中可见,整个决策过程经过多个引擎处理逻辑,其中包括基础引擎处理逻辑,基础引擎处理逻辑包含心跳路由,基础引擎在路由决策中解决的是支付渠道行不行的问题,即通过基础引擎,筛选出满足当前支付场景下目前可用的支付渠道;输出支付渠道池,在经过规则引擎处理,获得经过规则引擎确定的支付渠道池;其中,规则引擎是基于前序基础引擎的判断结果下,根据配置规则,将命中直接条件的支付请求抛向目的渠道,无命中条件的将继续进行后续的路由引擎判断。在经过分流引擎处理逻辑,其中,分流引擎是根据业务的需求,将交易量按一定占比随机抛向指定的支付渠道,以满足商务要求和降低高峰单个渠道的并发压力。最后,经过引导路由处理逻辑,根据上述方案中的内容,引导路由引擎将获得最优的支付渠道。
以上为本申请提供的一种基于动态要素决策的支付路由方法的实施例的详细说明,下面为本申请提供的基于动态要素决策的支付路由装置的实施例的详细说明,下文描述的基于动态要素决策的支付路由装置与上文描述的方法可相互对应参照。
该装置包括:
预测模块,用于对支付渠道的动态要素进行预测,具体为,将包含支付渠道的动态要素的历史数据输入预测模型,得到支付渠道的动态要素在预设时间序列下的预测结果;其中,所述预测模型是利用动态要素的历史数据训练得到,所述历史数据以时间序列方式排列,具有周期性特点;所述预测结果包括对预设时间序列段下动态要素的预测值,预测值的下限和/或上限;
心跳路由引擎决策模块,用于根据预测结果进行心跳路由引擎决策,判断支付渠道是否可用;获得支付渠道的动态要素实时值,当动态要素实时值与对应的动态要素预测值的下限和/或上限对比超过了设定阈值,则判断该支付渠道不可用;如果支付渠道状态为不可用,但动态要素实时值与对应的动态要素预测值的下限和/或上限对比在设定的阈值内,则恢复该支付渠道为可用;
引导路由决策模块,用于结合预测结果进行引导路由决策,获得最优支付渠道;在可用支付渠道基础上,以动态要素和/或静态要素的权重、动态要素的预测值和/或静态要素的参数建立决策矩阵;所述决策矩阵用于计算不同支付渠道下各个动态要素和/或静态要素结合权重后的叠加得分,并根据得分获得最优支付渠道。
参见图6,为本申请实施例对应的数据处理的流程示意图。Hive是建立在 Hadoop(HDFS/MR)上的用于管理和查询结果化/非结构化的数据仓库,其与预测平台连接,预测平台通过数据校验、数据转换及训练模型和预测模型,获得预测结果,预测结果通过支付路由权重矩阵获得最优支付渠道。同时,该支付渠道的数据也作为历史数据保持在数据源中,该数据源的历史数据成为预测平台进行模型训练和预测的基础。由此可见,智能路由的应用是机器学习和支付路由实践的结合优化,而不是单独的其中一个算法。不是使用人工智能的预测值作为路由判断的唯一要素,而是通过规则与人工智能的判断矩阵共同提升路由判断准确性,同时通过运营数据的反哺模型学习,提升算法效果;
图7示例了一种电子设备的实体结构示意图。如图7所示,本发明还提供一种电子设备,可以包括:处理器(processor)310、通信接口(Communication Interface)320、存储器(memory)330和通信总线340,其中,处理器310,通信接口320,存储器330通过通信总线340完成相互间的通信。处理器310 可以调用存储器330中的计算机程序,以执行上述方法的步骤,例如包括:
此外,上述的存储器330中的逻辑指令可以通过软件功能单元的形式实现并作为独立的产品销售或使用时,可以存储在一个计算机可读取存储介质中。基于这样的理解,本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来,该计算机软件产品存储在一个存储介质中,包括若干指令用以使得一台计算机设备(可以是个人计算机,服务器,或者网络设备等)执行本发明各个实施例方法的全部或部分步骤。而前述的存储介质包括:U盘、移动硬盘、只读存储器(ROM,Read-Only Memory)、随机存取存储器(RAM,Random Access Memory)、磁碟或者光盘等各种可以存储程序代码的介质。
另一方面,本申请实施例还提供一种计算机可读存储介质,处理器可读存储介质存储有计算机程序,计算机程序用于使处理器执行上述各实施例提供的方法的步骤。
所述处理器可读存储介质可以是处理器能够存取的任何可用介质或数据存储设备,包括但不限于磁性存储器(例如软盘、硬盘、磁带、磁光盘(MO) 等)、光学存储器(例如CD、DVD、BD、HVD等)、以及半导体存储器(例如 ROM、EPROM、EEPROM、非易失性存储器(NANDFLASH)、固态硬盘(SSD)) 等。
以上所描述的装置实施例仅仅是示意性的,其中所述作为分离部件说明的单元可以是或者也可以不是物理上分开的,作为单元显示的部件可以是或者也可以不是物理单元,即可以位于一个地方,或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。本领域普通技术人员在不付出创造性的劳动的情况下,即可以理解并实施。
通过以上的实施方式的描述,本领域的技术人员可以清楚地了解到各实施方式可借助软件加必需的通用硬件平台的方式来实现,当然也可以通过硬件。基于这样的理解,上述技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来,该计算机软件产品可以存储在计算机可读存储介质中,如ROM/RAM、磁碟、光盘等,包括若干指令用以使得一台计算机设备(可以是个人计算机,服务器,或者网络设备等)执行各个实施例或者实施例的某些部分所述的方法。
最后应说明的是:以上实施例仅用以说明本发明的技术方案,而非对其限制;尽管参照前述实施例对本发明进行了详细的说明,本领域的普通技术人员应当理解:其依然可以对前述各实施例所记载的技术方案进行修改,或者对其中部分技术特征进行等同替换;而这些修改或者替换,并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。
Claims (9)
1.一种支付路由方法,其特征在于包括如下步骤:
S1:对支付渠道的动态要素进行预测;
将包含支付渠道的动态要素的历史数据输入预测模型,得到支付渠道的动态要素在预设时间序列下的预测结果;其中,所述预测模型是利用动态要素的历史数据训练得到,所述历史数据以时间序列方式排列,具有周期性特点;所述预测结果包括对预设时间序列段下动态要素的预测值,预测值的下限和/或上限;
S2:根据预测结果进行心跳路由引擎决策,判断支付渠道是否可用;
获得支付渠道的动态要素实时值,当动态要素实时值与对应的动态要素预测值的下限和/或上限对比结果超过了设定阈值,则判断该支付渠道不可用;如果支付渠道状态为不可用,但动态要素实时值与对应的动态要素预测值的下限和/或上限对比结果在设定的阈值内,则恢复该支付渠道为可用;
S3:结合预测结果进行引导路由决策,获得最优支付渠道;
在可用支付渠道基础上,以动态要素和静态要素的权重、动态要素的预测值和静态要素的参数建立决策矩阵;所述决策矩阵用于计算不同支付渠道下各个动态要素和静态要素结合权重后的叠加得分,并根据得分获得最优支付渠道;
所述动态要素为支付成功率、欺诈率或拒付率;所述静态要素为支付成本或业务优先级;
所述步骤S3中决策矩阵具体为:
其中,所述权重为评估各个要素在一笔交易决策过程中的权重,在矩阵中用P表示;要素名称为影响决策路由的要素分类,包括动态要素和静态要素,在矩阵中用O表示;支付渠道在矩阵中用PSPn表示;得分为发生一笔支付请求时,某个要素在对应渠道的得分,在矩阵中用X表示;
所述决策矩阵的作用为计算当∑Pm*Xmn值最大时n的值,并且以MAX{∑Pm*Xmn}时的n值作为最优支付渠道。
2.根据权利要求1所述的支付路由方法,其特征在于,所述步骤S1采用prophet模型作为预测模型。
3.根据权利要求2所述的支付路由方法,其特征在于,所述步骤S1采用prophet作为预测模型预测支付成功率,具体包括:
历史数据生成:对数据仓进行调度生成历史数据,历史数据是以时间序列排列的数据集,包括时间序列、对应时间序列的路由标签、订单生成数和支付成功数,所述路由标签包括支付渠道;
历史数据校验:对生成的历史数据的绝对长度、相对长度和缺失值进行校验,若缺失值超过预设值则预处理程序返回失败,否则会自动处理缺失值用最邻近的上一个时间戳的值进行填补;
支付成功率的获得:分别对订单生成数和支付成功数进行预测,再由预测的支付成功数/订单生成数获得支付成功率的预测值;
prophet模型的设置:在历史销量数据中,按照预测长度将历史数据划分为训练集和测试集,根据设置的模型参数及参数组合对训练集进行训练,得到在误差最小时对应的参数,并运用该参数生成预测模型,对于所有历史数据进行预测。
4.根据权利要求1所述的支付路由方法,其特征在于,所述步骤S2中,如果支付渠道的状态为可用的,则先判断支付渠道是否开启心跳监测,如果有开启心跳监测,则根据实时的动态要素值和预测的动态要素下限和/或上限对比,并根据对比结果是否在阈值内而确定保持支付渠道可用或不可用;但如果支付渠道没有开启心跳监测,则先尝试将支付渠道设置为可用,并将交易抛送渠道尝试,若尝试发现渠道交易正常,则将支付方式状态继续保持为可用。
5.根据权利要求1所述的支付路由方法,其特征在于,所述步骤S2中,如果支付渠道状态为不可用时,判断是否恢复为可用,先判断支付渠道是否开启心跳激活,如果有开启心跳激活,则根据实时的动态要素值和预测的动态要素下限和/或上限对比,并根据对比结果是否在阈值内而确定保持支付渠道可用或不可用;但如果支付渠道没有开启心跳激活,则先尝试将支付渠道设置为可用,并将交易抛送渠道尝试,若尝试发现渠道交易正常,则将支付方式状态重新设置为可用。
6.根据权利要求4或5所述的支付路由方法,其特征在于,所述动态要素为支付成功率,当支付渠道的实时成功率低于预测成功率的下限且所持续时间超过了设定阈值的时间,则判断该支付渠道不可用;当支付渠道的实时成功率在设定的阈值时间内高于预测成功率的下限时,则认为该支付渠道恢复正常,该渠道可用。
7.一种支付路由装置,其特征在于,包括:
预测模块,用于对支付渠道的动态要素进行预测,具体为,将包含支付渠道的动态要素的历史数据输入预测模型,得到支付渠道的动态要素在预设时间序列下的预测结果;其中,所述预测模型是利用动态要素的历史数据训练得到,所述历史数据以时间序列方式排列,具有周期性特点;所述预测结果包括对预设时间序列段下动态要素的预测值,预测值的下限和/或上限;
心跳路由引擎决策模块,用于根据预测结果进行心跳路由引擎决策,判断支付渠道是否可用;获得支付渠道的动态要素实时值,当动态要素实时值与对应的动态要素预测值的下限和/或上限对比结果超过了设定阈值,则判断该支付渠道不可用;如果支付渠道状态为不可用,但动态要素实时值与对应的动态要素预测值的下限和/或上限对比结果在设定的阈值内,则恢复该支付渠道为可用;
引导路由决策模块,用于结合预测结果进行引导路由决策,获得最优支付渠道;在可用支付渠道基础上,以动态要素和静态要素的权重、动态要素的预测值和静态要素的参数建立决策矩阵;所述决策矩阵用于计算不同支付渠道下各个动态要素和静态要素结合权重后的叠加得分,并根据得分获得最优支付渠道;
所述动态要素为支付成功率、欺诈率或拒付率;所述静态要素为支付成本或业务优先级;
所述引导路由决策模块中的决策矩阵具体为:
其中,所述权重为评估各个要素在一笔交易决策过程中的权重,在矩阵中用P表示;要素名称为影响决策路由的要素分类,包括动态要素和静态要素,在矩阵中用O表示;支付渠道在矩阵中用PSPn表示;得分为发生一笔支付请求时,某个要素在对应渠道的得分,在矩阵中用X表示;
所述决策矩阵的作用为计算当∑Pm*Xmn值最大时n的值,并且以MAX{∑Pm*Xmn}时的n值作为最优支付渠道。
8.一种电子设备,包括处理器和存储有计算机程序的存储器,其特征在于,所述处理器执行所述计算机程序时实现如权利要求1至6任一项所述支付路由方法的步骤。
9.一种计算机可读存储介质,其上存储有计算机程序,其特征在于,所述计算机程序被处理器执行时实现如权利要求1至6任一项所述的支付路由方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210842997.XA CN114997879B (zh) | 2022-07-18 | 2022-07-18 | 一种支付路由方法、装置、设备和存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210842997.XA CN114997879B (zh) | 2022-07-18 | 2022-07-18 | 一种支付路由方法、装置、设备和存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN114997879A CN114997879A (zh) | 2022-09-02 |
CN114997879B true CN114997879B (zh) | 2022-11-01 |
Family
ID=83021632
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210842997.XA Active CN114997879B (zh) | 2022-07-18 | 2022-07-18 | 一种支付路由方法、装置、设备和存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114997879B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117875969A (zh) * | 2023-12-07 | 2024-04-12 | 指增(上海)科技有限责任公司 | 训练方法、支付路由选取方法、系统、电子设备及介质 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112150154A (zh) * | 2020-10-17 | 2020-12-29 | 广州酷点网络技术有限公司 | 一种自适应渠道决策的聚合支付系统 |
CN112200558A (zh) * | 2020-10-20 | 2021-01-08 | 焦点科技股份有限公司 | 一种基于规则权重的分布式支付路由的方法及系统 |
Family Cites Families (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108876349B (zh) * | 2018-08-16 | 2023-04-07 | 平安科技(深圳)有限公司 | 电子装置、支付通道确定方法及存储介质 |
CN110689336A (zh) * | 2019-09-23 | 2020-01-14 | 阿里巴巴集团控股有限公司 | 一种支付渠道的决策方法、装置及电子设备 |
CN110852503B (zh) * | 2019-11-06 | 2024-01-23 | 支付宝(杭州)信息技术有限公司 | 一种支付渠道的选择方法和设备、支付渠道路由 |
-
2022
- 2022-07-18 CN CN202210842997.XA patent/CN114997879B/zh active Active
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112150154A (zh) * | 2020-10-17 | 2020-12-29 | 广州酷点网络技术有限公司 | 一种自适应渠道决策的聚合支付系统 |
CN112200558A (zh) * | 2020-10-20 | 2021-01-08 | 焦点科技股份有限公司 | 一种基于规则权重的分布式支付路由的方法及系统 |
Also Published As
Publication number | Publication date |
---|---|
CN114997879A (zh) | 2022-09-02 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109598095B (zh) | 评分卡模型的建立方法、装置、计算机设备和存储介质 | |
JP2018538587A (ja) | リスク評価方法およびシステム | |
CN112633962B (zh) | 业务推荐方法、装置、计算机设备和存储介质 | |
CN112966865B (zh) | 携号转网预测方法、装置及设备 | |
CN108898476A (zh) | 一种贷款客户信用评分方法和装置 | |
CN111915156B (zh) | 基于用户价值的业务推送方法、电子设备及存储介质 | |
CN106408325A (zh) | 基于用户支付信息的用户消费行为预测分析方法及系统 | |
CN111340606A (zh) | 一种全流程收入稽核方法和装置 | |
CN114997879B (zh) | 一种支付路由方法、装置、设备和存储介质 | |
CN106909454B (zh) | 一种规则处理方法和设备 | |
CN111061948A (zh) | 一种用户标签推荐方法、装置、计算机设备及存储介质 | |
CN114581249B (zh) | 基于投资风险承受能力评估的金融产品推荐方法及系统 | |
CN116915710A (zh) | 流量预警方法、装置、设备及可读存储介质 | |
CN105405051A (zh) | 金融事件预测方法和装置 | |
CN110796485A (zh) | 一种提高预测模型的预测精度的方法及装置 | |
CN113240259A (zh) | 规则策略组的生成方法、系统及电子设备 | |
CN115600818A (zh) | 多维评分方法、装置、电子设备和存储介质 | |
CN115330490A (zh) | 一种产品推荐方法、装置、存储介质及设备 | |
CN113570114B (zh) | 一种资源服务智能匹配方法、系统和计算机设备 | |
CN111625720B (zh) | 数据决策项目执行策略的确定方法、装置、设备和介质 | |
CN109902831B (zh) | 业务决策处理方法以及装置 | |
CN114358911B (zh) | 开票数据风险控制方法、装置、计算机设备和存储介质 | |
CN117332212B (zh) | 一种基于混沌工程故障实验的智能化风险探索方法及系统 | |
CN113743532B (zh) | 异常检测方法、装置、设备及计算机存储介质 | |
CN111277445B (zh) | 一种评估在线节点服务器性能的方法及装置 |
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 |