CN115167965A - 交易进度条的处理方法及装置 - Google Patents
交易进度条的处理方法及装置 Download PDFInfo
- Publication number
- CN115167965A CN115167965A CN202210846339.8A CN202210846339A CN115167965A CN 115167965 A CN115167965 A CN 115167965A CN 202210846339 A CN202210846339 A CN 202210846339A CN 115167965 A CN115167965 A CN 115167965A
- Authority
- CN
- China
- Prior art keywords
- transaction
- duration
- historical
- progress bar
- error
- 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
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F9/00—Arrangements for program control, e.g. control units
- G06F9/06—Arrangements for program control, e.g. control units using stored programs, i.e. using an internal store of processing equipment to receive or retain programs
- G06F9/44—Arrangements for executing specific programs
- G06F9/451—Execution arrangements for user interfaces
-
- 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
本发明公开了一种交易进度条的处理方法及装置，涉及人工智能领域，其中该方法包括：获取当前交易的特征属性值和交易类型；将当前交易的特征属性值和交易类型输入预先训练生成的交易时长误差类别预测模型，得到当前交易的交易时长误差类别；所述交易时长误差类别预测模型根据多笔历史交易样本预先训练生成；根据当前交易的交易时长误差类别，以及交易时长误差类别与误差时长的关系，确定当前交易的误差时长；根据当前交易类型的平均交易时长和当前交易的误差时长，确定当前交易的总预计时长；根据当前交易的总预计时长及单位时间维度，匀速展示交易进度条。本发明可以基于交易所需时长匀速地展示进度条，提高了用户体验。
Description
技术领域
本发明涉及人工智能技术领域，尤其涉及一种交易进度条的处理方法及装置。
背景技术
本部分旨在为权利要求书中陈述的本发明实施例提供背景或上下文。此处的描述不因为包括在本部分中就承认是现有技术。
目前，用户通过手机银行发起跨行转账等交易时，由于交易时间较长，交易界面会展示交易的进度条，而目前实现进度条的方式是当交易中的某个步骤完成后更新进度条，当交易的某步骤需较长时间时，进度条会长时间没有进展，会给用户造成一种交易卡死的假现象，影响用户体验。
发明内容
本发明实施例提供一种交易进度条的处理方法，用以基于交易所需时长匀速地展示进度条，该方法包括：
获取当前交易的特征属性值和交易类型；
将当前交易的特征属性值和交易类型输入预先训练生成的交易时长误差类别预测模型，得到当前交易的交易时长误差类别；所述交易时长误差类别预测模型根据多笔历史交易样本预先训练生成；
根据当前交易的交易时长误差类别，以及交易时长误差类别与误差时长的关系，确定当前交易的误差时长；
根据当前交易类型的平均交易时长和当前交易的误差时长，确定当前交易的总预计时长；
根据当前交易的总预计时长及单位时间维度，匀速展示交易进度条。
本发明实施例还提供一种交易进度条的处理装置，用以基于交易所需时长匀速地展示进度条，该装置包括：
获取单元，用于获取当前交易的特征属性值和交易类型；
预测单元，用于将当前交易的特征属性值和交易类型输入预先训练生成的交易时长误差类别预测模型，得到当前交易的交易时长误差类别；所述交易时长误差类别预测模型根据多笔历史交易样本预先训练生成；
误差时长确定单元，用于根据当前交易的交易时长误差类别，以及交易时长误差类别与误差时长的关系，确定当前交易的误差时长；
总预计时长确定单元，用于根据当前交易类型的平均交易时长和当前交易的误差时长，确定当前交易的总预计时长；
处理单元，用于根据当前交易的总预计时长及单位时间维度，匀速展示交易进度条。
本发明实施例还提供一种计算机设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现上述交易进度条的处理方法。
本发明实施例还提供一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，所述计算机程序被处理器执行时实现上述交易进度条的处理方法。
本发明实施例还提供一种计算机程序产品，所述计算机程序产品包括计算机程序，所述计算机程序被处理器执行时实现上述交易进度条的处理方法。
本发明实施例中，交易进度条的处理方案，通过：获取当前交易的特征属性值和交易类型；将当前交易的特征属性值和交易类型输入预先训练生成的交易时长误差类别预测模型，得到当前交易的交易时长误差类别；所述交易时长误差类别预测模型根据多笔历史交易样本预先训练生成；根据当前交易的交易时长误差类别，以及交易时长误差类别与误差时长的关系，确定当前交易的误差时长；根据当前交易类型的平均交易时长和当前交易的误差时长，确定当前交易的总预计时长；根据当前交易的总预计时长及单位时间维度，匀速展示交易进度条，可以基于交易所需时长匀速地展示进度条，提高了用户体验。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。在附图中：
图1为本发明实施例中交易进度条的处理方法的流程示意图；
图2为本发明实施例中预先训练生成交易时长误差类别预测模型的流程示意图；
图3为本发明实施例中得到每一交易类型对应的多个交易时长误差类别的流程示意图；
图4为本发明实施例中匀速展示交易进度条的流程示意图；
图5为本发明实施例中交易进度条的处理装置的结构示意图。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚明白，下面结合附图对本发明实施例做进一步详细说明。在此，本发明的示意性实施例及其说明用于解释本发明，但并不作为对本发明的限定。
本申请技术方案中对数据的获取、存储、使用、处理等均符合国家法律法规的相关规定。
本文中术语“和/或”，仅仅是描述一种关联关系，表示可以存在三种关系，例如，A和/或B，可以表示：单独存在A，同时存在A和B，单独存在B这三种情况。另外，本文中术语“至少一种”表示多种中的任意一种或多种中的至少两种的任意组合，例如，包括A、B、C中的至少一种，可以表示包括从A、B和C构成的集合中选择的任意一个或多个元素。
在本说明书的描述中，所使用的“包含”、“包括”、“具有”、“含有”等，均为开放性的用语，即意指包含但不限于。参考术语“一个实施例”、“一个具体实施例”、“一些实施例”、“例如”等的描述意指结合该实施例或示例描述的具体特征、结构或者特点包含于本申请的至少一个实施例或示例中。在本说明书中，对上述术语的示意性表述不一定指的是相同的实施例或示例。而且，描述的具体特征、结构或者特点可以在任何的一个或多个实施例或示例中以合适的方式结合。各实施例中涉及的步骤顺序用于示意性说明本申请的实施，其中的步骤顺序不作限定，可根据需要作适当调整。
图1为本发明实施例中交易进度条的处理方法的流程示意图，如图1所示，该方法包括如下步骤：
步骤101：获取当前交易的特征属性值和交易类型；
步骤102：将当前交易的特征属性值和交易类型输入预先训练生成的交易时长误差类别预测模型，得到当前交易的交易时长误差类别；所述交易时长误差类别预测模型根据多笔历史交易样本预先训练生成；
步骤103：根据当前交易的交易时长误差类别，以及交易时长误差类别与误差时长的关系，确定当前交易的误差时长；
步骤104：根据当前交易类型的平均交易时长和当前交易的误差时长，确定当前交易的总预计时长；
步骤105：根据当前交易的总预计时长及单位时间维度，匀速展示交易进度条。
本发明实施例提供的交易进度条的处理方法，工作时：获取当前交易的特征属性值和交易类型；将当前交易的特征属性值和交易类型输入预先训练生成的交易时长误差类别预测模型，得到当前交易的交易时长误差类别；所述交易时长误差类别预测模型根据多笔历史交易样本预先训练生成；根据当前交易的交易时长误差类别，以及交易时长误差类别与误差时长的关系，确定当前交易的误差时长；根据当前交易类型的平均交易时长和当前交易的误差时长，确定当前交易的总预计时长；根据当前交易的总预计时长及单位时间维度，匀速展示交易进度条，可以基于交易所需时长匀速展示进度条，提高了用户体验。下面对该交易进度条的处理方法进行详细介绍。
在一个实施例中，如图2所示，上述交易进度条的处理方法还可以包括按照如下方法预先训练生成所述交易时长误差类别预测模型：
步骤201：根据多笔历史交易的交易时长和交易类型，对多笔历史交易进行交易时长误差分类，得到每一交易类型对应的多个交易时长误差类别；
步骤202：将交易时长误差分类后的历史交易数据中的特征属性映射成交易特征属性值；
步骤203：根据每一交易类型对应的多个交易时长误差类别及每一交易特征属性值，训练模型，得到预先训练生成的交易时长误差类别预测模型。
在一个实施例中，如图3所示，根据多笔历史交易的交易时长和交易类型，对多笔历史交易进行交易时长误差分类，得到每一交易类型对应的多个交易时长误差类别，可以包括：
步骤2011：获取多笔历史交易信息；所述历史交易信息包括交易码和历史交易时长；
步骤2012：根据交易码识别出每一历史交易的交易类型；
步骤2013：根据每一交易类型的所有历史交易时长，确定每一交易类型的历史交易的平均交易时长；
步骤2014：确定每一历史交易的时长与对应交易类型的平均交易时长的差值；
步骤2015：根据所述差值的大小，对每一交易类型对应的所有历史交易进行交易时长误差分类，得到每一交易类型对应的多个交易时长误差类别。
具体实施时，上述得到每一交易类型对应的多个交易时长误差类别的具体实施方式，可以进一步提高交易时长误差类别预测模型预测的精度。
在一个实施例中，将交易时长误差分类后的历史交易数据中的特征属性映射成交易特征属性值还包括：对映射后的历史交易数据进行特征属性提取，得到历史交易数据中重要程度大于预设值的特性属性；
根据每一交易类型对应的多个交易时长误差类别及每一交易特征属性值，训练模型，得到预先训练生成的交易时长误差类别预测模型，包括：根据每一交易类型对应的多个交易时长误差类别及重要程度大于预设值的每一交易特征属性值，训练模型，得到预先训练生成的交易时长误差类别预测模型。
具体实施时，根据每一交易类型对应的多个交易时长误差类别及重要程度大于预设值的每一交易特征属性值(例如选择前10的交易特征属性)，训练模型，得到预先训练生成的交易时长误差类别预测模型，进一步提高了后续模型的预测精度。
在一个实施例中，对映射后的历史交易数据进行特征属性提取，得到历史交易数据中重要程度大于预设值的特性属性，可以包括：利用主成分分析PCA函数对对映射后的历史交易数据进行特征属性提取，得到历史交易数据中重要程度大于预设值的特性属性。
具体实施时，利用主成分分析PCA函数对对映射后的历史交易数据进行特征属性提取，得到历史交易数据中重要程度大于预设值的特性属性(例如选择前10的交易特征属性)，进一步提高了后续模型的预测精度。
在一个实施例中，根据每一交易类型对应的多个交易时长误差类别及每一交易特征属性值，训练模型，得到预先训练生成的交易时长误差类别预测模型，可以包括：根据每一交易类型对应的多个交易时长误差类别及每一交易特征属性值，利用SVM分类算法训练模型，得到预先训练生成的交易时长误差类别预测模型。
具体实施时，根据每一交易类型对应的多个交易时长误差类别及每一交易特征属性值，利用SVM分类算法训练模型，得到预先训练生成的交易时长误差类别预测模型，可以提高交易时长误差类别预测模型预测的精度。
在一个实施例中，如图4所示，根据当前交易的总预计时长及单位时间维度，匀速展示交易进度条，可以包括：
步骤1051：在根据当前交易的总预计时长及单位时间维度进度条匀速展示到预设百分比范围内时，判断当前交易是否完成；
步骤1052：在判断当前交易未完成时，进度条保持在所述预设百分比范围内，等待交易完成后继续匀速展示进度条。
具体实施时，在判断当前交易完成时，继续匀速展示进度条，为防止进度条完成100％而实际交易未完成的特殊情况，若交易未完成，进度条保持99％，等待交易完成后再继续匀速展示进度条，进一步提高了用户体验。
在一个实施例中，上述交易进度条的处理方法还可以包括：在判断当前交易完成时，继续匀速展示进度条。
具体实施时，为防止进度条完成100％而实际交易未完成的特殊情况，设置判断逻辑，当进度条展示99％时，判断交易是否完成，若交易完成，继续匀速展示进度条。
为了便于理解本发明如何实施，下面再整体进行介绍。
1、历史交易分类
从存量数据库表中查询历史交易信息，其中历史交易信息可以包括：交易码、交易时长、交易时间点，交易地点、交易金额、账户号、收款行、资源率等。根据交易码将所有历史交易分类，再根据所有历史交易时长计算每类交易的平均交易时长，后续均以跨行转账交易为例介绍，假如计算跨行转账交易的平均交易时长为5秒；再计算每个交易时长与平均交易时长的差值，并根据差值的大小分类，其中差值在在0-1秒之内的为A类，差值在1-2秒之内的为B类，差值在2-3秒之内的为C类，差值超过3秒的为D类，即得到每一交易类型对应的多个交易时长误差类别。交易分类的样式如下表1所示：
表1
2、映射交易数据
将分类后的交易根据特征属性映射关系表，映射成对应的数值(特征值)。比如交易时间点在6：00-9：00的记为0.1，交易时间点在9：00-12：00或14：00-18：00的记为0.4，交易时间点在12：00-14：00的记为0.15，交易时间点在18：00-22：00的记为0.3，交易时间为22：00-6：00记为0.05。映射后的样式如下表2所示：
| 交易时间点 | 交易地点 | 金额 | 收款行 | 资源率 | …… | 属性50 | 类别 | |
| 交易1 | 0.1 | 0.35 | 0.5 | 0.4 | …… | A | ||
| 交易2 | 0.4 | 0.45 | 0.3 | 0.3 | …… | B | ||
| 交易3 | 0.3 | 0.2 | 0.2 | 0.2 | …… | C | ||
| 交易4 | ||||||||
| …… |
表2
把数据一分为二，80％用于训练模型，20％用于测试模型。
3、特征提取
对映射后的数据进行特征属性提取，保留交易信息中含金量更高的特性属性。利用主成分分析PCA函数对特征属性进行提取，选择前10的交易特征属性，即得到历史交易数据中重要程度大于预设值的特性属性。特征提取后的样式如下表3所示：
| 交易时间点 | 资源率 | 账号 | 收款行 | 金额 | …… | 属性10 | 类别 | |
| 交易1 | 0.1 | 0.55 | 0.32 | 0.4 | …… | A | ||
| 交易2 | 0.4 | 0.25 | 0.18 | 0.3 | …… | B | ||
| 交易3 | 0.3 | 0.35 | 0.25 | 0.2 | …… | C | ||
| 交易4 | ||||||||
| …… |
表3
4、训练及优化模型(交易时长误差类别预测模型)
对特征提取后的数据，利用SVM分类算法，训练模型。利用20％的数据测试模型的正确性，持续优化，最终得出一个正确性较高的模型。
5、预测交易类别
将新交易的信息输入模型(交易时长误差类别预测模型)，模型预测新交易的所属类别，如模型输出A，则该交易的误差时长为记为1秒，若模型输入B，则该交易的误差时长记为2秒。
6、交易时长计算
根据模型预测的误差时长及该类交易的平均时长，计算新交易的总预计时长，如跨行转账交易的平均交易时长为5秒，该新交易的误差时长为2秒，则该新交易的总预计时长为5+2＝7秒。
7、匀速展示进度条
根据新交易总预计时长及单位时间维度，匀速展示进度条。其中单位时间维度为0.1秒，根据交易总预计时长计算该交易的总维度：7/0.1＝70个维度。根据总维度及进度条总长度，计算单位时间维度内进度条前进的程度。
为防止进度条完成100％而实际交易未完成的特殊情况，设置判断逻辑，当进度条展示99％时，判断交易是否完成，若交易完成，继续匀速展示进度条，若交易未完成，进度条保持99％，等待交易完成后再继续匀速展示进度条。
综上，本发明实施例提供一种基于人工智能的匀速展示进度的方法，从而提高了用户体验。
本发明实施例中还提供了一种交易进度条的处理装置，如下面的实施例所述。由于该装置解决问题的原理与交易进度条的处理方法相似，因此该装置的实施可以参见交易进度条的处理方法的实施，重复之处不再赘述。
图5为本发明实施例中交易进度条的处理装置的结构示意图，如图5所示，该装置包括：
获取单元01，用于获取当前交易的特征属性值和交易类型；
预测单元02，用于将当前交易的特征属性值和交易类型输入预先训练生成的交易时长误差类别预测模型，得到当前交易的交易时长误差类别；所述交易时长误差类别预测模型根据多笔历史交易样本预先训练生成；
误差时长确定单元03，用于根据当前交易的交易时长误差类别，以及交易时长误差类别与误差时长的关系，确定当前交易的误差时长；
总预计时长确定单元04，用于根据当前交易类型的平均交易时长和当前交易的误差时长，确定当前交易的总预计时长；
处理单元05，用于根据当前交易的总预计时长及单位时间维度，匀速展示交易进度条。
在一个实施例中，上述交易进度条的处理装置还可以包括训练单元，用于按照如下方法预先训练生成所述交易时长误差类别预测模型：
根据多笔历史交易的交易时长和交易类型，对多笔历史交易进行交易时长误差分类，得到每一交易类型对应的多个交易时长误差类别；
将交易时长误差分类后的历史交易数据中的特征属性映射成交易特征属性值；
根据每一交易类型对应的多个交易时长误差类别及每一交易特征属性值，训练模型，得到预先训练生成的交易时长误差类别预测模型。
在一个实施例中，根据多笔历史交易的交易时长和交易类型，对多笔历史交易进行交易时长误差分类，得到每一交易类型对应的多个交易时长误差类别，可以包括：
获取多笔历史交易信息；所述历史交易信息包括交易码和历史交易时长；
根据交易码识别出每一历史交易的交易类型；
根据每一交易类型的所有历史交易时长，确定每一交易类型的历史交易的平均交易时长；
确定每一历史交易的时长与对应交易类型的平均交易时长的差值；
根据所述差值的大小，对每一交易类型对应的所有历史交易进行交易时长误差分类，得到每一交易类型对应的多个交易时长误差类别。
在一个实施例中，将交易时长误差分类后的历史交易数据中的特征属性映射成交易特征属性值还可以包括：对映射后的历史交易数据进行特征属性提取，得到历史交易数据中重要程度大于预设值的特性属性；
根据每一交易类型对应的多个交易时长误差类别及每一交易特征属性值，训练模型，得到预先训练生成的交易时长误差类别预测模型，包括：根据每一交易类型对应的多个交易时长误差类别及重要程度大于预设值的每一交易特征属性值，训练模型，得到预先训练生成的交易时长误差类别预测模型。
在一个实施例中，对映射后的历史交易数据进行特征属性提取，得到历史交易数据中重要程度大于预设值的特性属性，可以包括：利用主成分分析PCA函数对对映射后的历史交易数据进行特征属性提取，得到历史交易数据中重要程度大于预设值的特性属性。
在一个实施例中，根据每一交易类型对应的多个交易时长误差类别及每一交易特征属性值，训练模型，得到预先训练生成的交易时长误差类别预测模型，可以包括：根据每一交易类型对应的多个交易时长误差类别及每一交易特征属性值，利用SVM分类算法训练模型，得到预先训练生成的交易时长误差类别预测模型。
在一个实施例中，所述处理单元具体可以用于：
在根据当前交易的总预计时长及单位时间维度进度条匀速展示到预设百分比范围内时，判断当前交易是否完成；
在判断当前交易未完成时，进度条保持在所述预设百分比范围内，等待交易完成后继续匀速展示进度条。
在一个实施例中，所述处理单元还可以用于：在判断当前交易完成时，继续匀速展示进度条。
本发明实施例还提供一种计算机设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现上述交易进度条的处理方法。
本发明实施例还提供一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，所述计算机程序被处理器执行时实现上述交易进度条的处理方法。
本发明实施例还提供一种计算机程序产品，所述计算机程序产品包括计算机程序，所述计算机程序被处理器执行时实现上述交易进度条的处理方法。
本发明实施例中，交易进度条的处理方案，通过：获取当前交易的特征属性值和交易类型；将当前交易的特征属性值和交易类型输入预先训练生成的交易时长误差类别预测模型，得到当前交易的交易时长误差类别；所述交易时长误差类别预测模型根据多笔历史交易样本预先训练生成；根据当前交易的交易时长误差类别，以及交易时长误差类别与误差时长的关系，确定当前交易的误差时长；根据当前交易类型的平均交易时长和当前交易的误差时长，确定当前交易的总预计时长；根据当前交易的总预计时长及单位时间维度，匀速展示交易进度条，可以基于交易所需时长匀速展示进度条，提高了用户体验。
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。
以上所述的具体实施例，对本发明的目的、技术方案和有益效果进行了进一步详细说明，所应理解的是，以上所述仅为本发明的具体实施例而已，并不用于限定本发明的保护范围，凡在本发明的精神和原则之内，所做的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。
Claims (19)
1.一种交易进度条的处理方法，其特征在于，包括：
获取当前交易的特征属性值和交易类型；
将当前交易的特征属性值和交易类型输入预先训练生成的交易时长误差类别预测模型，得到当前交易的交易时长误差类别；所述交易时长误差类别预测模型根据多笔历史交易样本预先训练生成；
根据当前交易的交易时长误差类别，以及交易时长误差类别与误差时长的关系，确定当前交易的误差时长；
根据当前交易类型的平均交易时长和当前交易的误差时长，确定当前交易的总预计时长；
根据当前交易的总预计时长及单位时间维度，匀速展示交易进度条。
2.如权利要求1所述的交易进度条的处理方法，其特征在于，还包括按照如下方法预先训练生成所述交易时长误差类别预测模型：
根据多笔历史交易的交易时长和交易类型，对多笔历史交易进行交易时长误差分类，得到每一交易类型对应的多个交易时长误差类别；
将交易时长误差分类后的历史交易数据中的特征属性映射成交易特征属性值；
根据每一交易类型对应的多个交易时长误差类别及每一交易特征属性值，训练模型，得到预先训练生成的交易时长误差类别预测模型。
3.如权利要求2所述的交易进度条的处理方法，其特征在于，根据多笔历史交易的交易时长和交易类型，对多笔历史交易进行交易时长误差分类，得到每一交易类型对应的多个交易时长误差类别，包括：
获取多笔历史交易信息；所述历史交易信息包括交易码和历史交易时长；
根据交易码识别出每一历史交易的交易类型；
根据每一交易类型的所有历史交易时长，确定每一交易类型的历史交易的平均交易时长；
确定每一历史交易的时长与对应交易类型的平均交易时长的差值；
根据所述差值的大小，对每一交易类型对应的所有历史交易进行交易时长误差分类，得到每一交易类型对应的多个交易时长误差类别。
4.如权利要求2所述的交易进度条的处理方法，其特征在于，将交易时长误差分类后的历史交易数据中的特征属性映射成交易特征属性值还包括：对映射后的历史交易数据进行特征属性提取，得到历史交易数据中重要程度大于预设值的特性属性；
根据每一交易类型对应的多个交易时长误差类别及每一交易特征属性值，训练模型，得到预先训练生成的交易时长误差类别预测模型，包括：根据每一交易类型对应的多个交易时长误差类别及重要程度大于预设值的每一交易特征属性值，训练模型，得到预先训练生成的交易时长误差类别预测模型。
5.如权利要求4所述的交易进度条的处理方法，其特征在于，对映射后的历史交易数据进行特征属性提取，得到历史交易数据中重要程度大于预设值的特性属性，包括：利用主成分分析PCA函数对对映射后的历史交易数据进行特征属性提取，得到历史交易数据中重要程度大于预设值的特性属性。
6.如权利要求2所述的交易进度条的处理方法，其特征在于，根据每一交易类型对应的多个交易时长误差类别及每一交易特征属性值，训练模型，得到预先训练生成的交易时长误差类别预测模型，包括：根据每一交易类型对应的多个交易时长误差类别及每一交易特征属性值，利用SVM分类算法训练模型，得到预先训练生成的交易时长误差类别预测模型。
7.如权利要求1所述的交易进度条的处理方法，其特征在于，根据当前交易的总预计时长及单位时间维度，匀速展示交易进度条，包括：
在根据当前交易的总预计时长及单位时间维度进度条匀速展示到预设百分比范围内时，判断当前交易是否完成；
在判断当前交易未完成时，进度条保持在所述预设百分比范围内，等待交易完成后继续匀速展示进度条。
8.如权利要求7所述的交易进度条的处理方法，其特征在于，还包括：在判断当前交易完成时，继续匀速展示进度条。
9.一种交易进度条的处理装置，其特征在于，包括：
获取单元，用于获取当前交易的特征属性值和交易类型；
预测单元，用于将当前交易的特征属性值和交易类型输入预先训练生成的交易时长误差类别预测模型，得到当前交易的交易时长误差类别；所述交易时长误差类别预测模型根据多笔历史交易样本预先训练生成；
误差时长确定单元，用于根据当前交易的交易时长误差类别，以及交易时长误差类别与误差时长的关系，确定当前交易的误差时长；
总预计时长确定单元，用于根据当前交易类型的平均交易时长和当前交易的误差时长，确定当前交易的总预计时长；
处理单元，用于根据当前交易的总预计时长及单位时间维度，匀速展示交易进度条。
10.如权利要求9所述的交易进度条的处理装置，其特征在于，还包括训练单元，用于按照如下方法预先训练生成所述交易时长误差类别预测模型：
根据多笔历史交易的交易时长和交易类型，对多笔历史交易进行交易时长误差分类，得到每一交易类型对应的多个交易时长误差类别；
将交易时长误差分类后的历史交易数据中的特征属性映射成交易特征属性值；
根据每一交易类型对应的多个交易时长误差类别及每一交易特征属性值，训练模型，得到预先训练生成的交易时长误差类别预测模型。
11.如权利要求10所述的交易进度条的处理装置，其特征在于，根据多笔历史交易的交易时长和交易类型，对多笔历史交易进行交易时长误差分类，得到每一交易类型对应的多个交易时长误差类别，包括：
获取多笔历史交易信息；所述历史交易信息包括交易码和历史交易时长；
根据交易码识别出每一历史交易的交易类型；
根据每一交易类型的所有历史交易时长，确定每一交易类型的历史交易的平均交易时长；
确定每一历史交易的时长与对应交易类型的平均交易时长的差值；
根据所述差值的大小，对每一交易类型对应的所有历史交易进行交易时长误差分类，得到每一交易类型对应的多个交易时长误差类别。
12.如权利要求10所述的交易进度条的处理装置，其特征在于，将交易时长误差分类后的历史交易数据中的特征属性映射成交易特征属性值还包括：对映射后的历史交易数据进行特征属性提取，得到历史交易数据中重要程度大于预设值的特性属性；
根据每一交易类型对应的多个交易时长误差类别及每一交易特征属性值，训练模型，得到预先训练生成的交易时长误差类别预测模型，包括：根据每一交易类型对应的多个交易时长误差类别及重要程度大于预设值的每一交易特征属性值，训练模型，得到预先训练生成的交易时长误差类别预测模型。
13.如权利要求12所述的交易进度条的处理装置，其特征在于，对映射后的历史交易数据进行特征属性提取，得到历史交易数据中重要程度大于预设值的特性属性，包括：利用主成分分析PCA函数对对映射后的历史交易数据进行特征属性提取，得到历史交易数据中重要程度大于预设值的特性属性。
14.如权利要求10所述的交易进度条的处理装置，其特征在于，根据每一交易类型对应的多个交易时长误差类别及每一交易特征属性值，训练模型，得到预先训练生成的交易时长误差类别预测模型，包括：根据每一交易类型对应的多个交易时长误差类别及每一交易特征属性值，利用SVM分类算法训练模型，得到预先训练生成的交易时长误差类别预测模型。
15.如权利要求9所述的交易进度条的处理装置，其特征在于，所述处理单元具体用于：
在根据当前交易的总预计时长及单位时间维度进度条匀速展示到预设百分比范围内时，判断当前交易是否完成；
在判断当前交易未完成时，进度条保持在所述预设百分比范围内，等待交易完成后继续匀速展示进度条。
16.如权利要求15所述的交易进度条的处理装置，其特征在于，所述处理单元还用于：在判断当前交易完成时，继续匀速展示进度条。
17.一种计算机设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，其特征在于，所述处理器执行所述计算机程序时实现权利要求1至8任一所述方法。
18.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质存储有计算机程序，所述计算机程序被处理器执行时实现权利要求1至8任一所述方法。
19.一种计算机程序产品，其特征在于，所述计算机程序产品包括计算机程序，所述计算机程序被处理器执行时实现权利要求1至8任一所述方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210846339.8A CN115167965A (zh) | 2022-07-19 | 2022-07-19 | 交易进度条的处理方法及装置 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210846339.8A CN115167965A (zh) | 2022-07-19 | 2022-07-19 | 交易进度条的处理方法及装置 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN115167965A true CN115167965A (zh) | 2022-10-11 |
Family
ID=83495765
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202210846339.8A Pending CN115167965A (zh) | 2022-07-19 | 2022-07-19 | 交易进度条的处理方法及装置 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN115167965A (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN116107685A (zh) * | 2023-04-13 | 2023-05-12 | 深圳欧税通技术有限公司 | 应用于企业报税系统的可视化示教方法及系统 |
-
2022
- 2022-07-19 CN CN202210846339.8A patent/CN115167965A/zh active Pending
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN116107685A (zh) * | 2023-04-13 | 2023-05-12 | 深圳欧税通技术有限公司 | 应用于企业报税系统的可视化示教方法及系统 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN108846520B (zh) | 贷款逾期预测方法、装置以及计算机可读存储介质 | |
| CN107657267B (zh) | 产品潜在用户挖掘方法及装置 | |
| CN109299258A (zh) | 一种舆情事件检测方法、装置及设备 | |
| US20090259521A1 (en) | Method of Identifying Innovations Possessing Business Disrupting Properties | |
| CN111160473A (zh) | 一种分类标签的特征挖掘方法及装置 | |
| CN110610193A (zh) | 标注数据的处理方法及装置 | |
| CN111340054A (zh) | 数据标注方法、装置及数据处理设备 | |
| CN111311338A (zh) | 用户价值的预测方法以及用户价值预测模型的训练方法 | |
| CN111080338A (zh) | 用户数据的处理方法、装置、电子设备及存储介质 | |
| CN112765230B (zh) | 基于互联网金融的支付大数据分析方法及大数据分析系统 | |
| CN111611390B (zh) | 一种数据处理方法及装置 | |
| CN115167965A (zh) | 交易进度条的处理方法及装置 | |
| CN107633421A (zh) | 一种市场预测数据的处理方法及装置 | |
| CN116186331B (zh) | 图表解读方法及系统 | |
| CN112308623A (zh) | 基于监督学习的优质客户流失预测方法、装置及存储介质 | |
| CN112884569A (zh) | 一种信用评估模型的训练方法、装置及设备 | |
| CN115587333A (zh) | 一种基于多分类模型的失效分析故障点预测方法及系统 | |
| CN112328812B (zh) | 基于自调参数的领域知识抽取方法与系统、电子设备 | |
| CN111984842B (zh) | 银行客户数据处理方法及装置 | |
| CN114637917A (zh) | 基于人工智能的资讯头条推荐方法及装置 | |
| CN113837220A (zh) | 基于在线持续学习的机器人目标识别方法、系统及设备 | |
| CN112861689A (zh) | 一种基于nas技术的坐标识别模型的搜索方法及装置 | |
| CN111400413A (zh) | 一种确定知识库中知识点类目的方法及系统 | |
| CN112396513B (zh) | 一种数据处理的方法及装置 | |
| CN110135467A (zh) | 一种基于数据拼接的模型训练方法、装置、系统和记录介质 |
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 |