CN117093916B - 基于物联网技术的pos机智能化监控系统 - Google Patents
基于物联网技术的pos机智能化监控系统 Download PDFInfo
- Publication number
- CN117093916B CN117093916B CN202311344658.XA CN202311344658A CN117093916B CN 117093916 B CN117093916 B CN 117093916B CN 202311344658 A CN202311344658 A CN 202311344658A CN 117093916 B CN117093916 B CN 117093916B
- Authority
- CN
- China
- Prior art keywords
- consumption
- consumer
- data
- target
- habit
- 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
- 238000012544 monitoring process Methods 0.000 title claims abstract description 39
- 238000000034 method Methods 0.000 claims abstract description 47
- 230000006399 behavior Effects 0.000 claims description 22
- 238000013528 artificial neural network Methods 0.000 claims description 4
- 241000531116 Blitum bonus-henricus Species 0.000 claims description 3
- 235000008645 Chenopodium bonus henricus Nutrition 0.000 claims description 3
- 238000010606 normalization Methods 0.000 claims description 3
- 241000894007 species Species 0.000 claims description 3
- 238000005516 engineering process Methods 0.000 abstract description 11
- 230000002159 abnormal effect Effects 0.000 abstract description 8
- 238000012545 processing Methods 0.000 abstract description 2
- 238000004364 calculation method Methods 0.000 description 5
- 230000000694 effects Effects 0.000 description 4
- 238000012549 training Methods 0.000 description 3
- 238000004458 analytical method Methods 0.000 description 2
- 230000007547 defect Effects 0.000 description 2
- 230000005856 abnormality Effects 0.000 description 1
- 238000013473 artificial intelligence Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000009434 installation Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 239000000758 substrate Substances 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
- G06F17/10—Complex mathematical operations
- G06F17/18—Complex mathematical operations for evaluating statistical data, e.g. average values, frequency distributions, probability functions, regression analysis
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/22—Matching criteria, e.g. proximity measures
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/23—Clustering techniques
-
- 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
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16Y—INFORMATION AND COMMUNICATION TECHNOLOGY SPECIALLY ADAPTED FOR THE INTERNET OF THINGS [IoT]
- G16Y40/00—IoT characterised by the purpose of the information processing
- G16Y40/10—Detection; Monitoring
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02D—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN INFORMATION AND COMMUNICATION TECHNOLOGIES [ICT], I.E. INFORMATION AND COMMUNICATION TECHNOLOGIES AIMING AT THE REDUCTION OF THEIR OWN ENERGY USE
- Y02D10/00—Energy efficient computing, e.g. low power processors, power management or thermal management
Landscapes
- Engineering & Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- General Engineering & Computer Science (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Computation (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Mathematical Analysis (AREA)
- Pure & Applied Mathematics (AREA)
- Mathematical Optimization (AREA)
- Computational Mathematics (AREA)
- Computing Systems (AREA)
- Biomedical Technology (AREA)
- Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Biophysics (AREA)
- General Health & Medical Sciences (AREA)
- Operations Research (AREA)
- Probability & Statistics with Applications (AREA)
- Computational Linguistics (AREA)
- Algebra (AREA)
- Databases & Information Systems (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明涉及数据处理技术领域,具体涉及基于物联网技术的POS机智能化监控系统,包括:计算历史数据中每个消费者在每个消费地点的消费习惯特征;计算历史数据中每两个消费者在每两个消费地点的消费习惯特征的相似性;计算在每两个消费地点的消费习惯特征的相似性;将所有消费者划分为若干个消费习惯群体;获得目标消费者的消费习惯特征差异;根据当前消费者的消费习惯特征差异获得当前数据的综合差异程度;根据当前数据的综合差异程度对POS机进行预警,实现智能化监控。本发明保证了获取消费者的消费习惯的准确性,减少了消费地点的随机性造成的影响,使得异常监测结果的准确性,实现基于物联网技术的POS机智能化监控。
Description
技术领域
本发明涉及数据处理技术领域,具体涉及基于物联网技术的POS机智能化监控系统。
背景技术
随着互联网、大数据、人工智能和物联网等高新技术的广泛应用,基于物联网技术的智能监控系统已经成为各行业的重要工具。特别是在金融领域,它们在提升服务水平、优化运营效率以及防止和打击欺诈行为方面发挥着举足轻重的作用。POS机系统是目前商家广泛使用的一种电子支付工具,具有便捷、快速和安全的特性。然而,随着其使用频率的增加,也引发了一系列的安全问题,其中消费地点的异常就是一个值得关注的问题。这可能包括但不限于非法设备安装、欺诈行为标志、甚至是恶意软件攻击等。传统的POS机监控系统往往无法有效地检测和预防这些问题。
传统的POS机消费数据的异常监测过程中,会根据当前消费地点的偏差以及消费金额的大小来进行预警,但是该类方法在预警过程中并没有考虑消费者在购物过程中的存在随机性的变化,即消费者会在不同的地点进行购物,并且对应的不同类型的商品的消费的标准也不同,若仅根据此进行预警,会出现错误预警。
发明内容
为了解决上述问题,本发明提供基于物联网技术的POS机智能化监控系统,所述系统包括:
数据采集模块,用于获取待检测POS机的当前数据和历史数据;
消费习惯群体划分模块,用于根据历史数据获得历史数据中每个消费者在每个消费地点购买的每种商品类别的消费曲线;根据历史数据中每个消费者在每个消费地点购买的所有商品类别的消费曲线,计算历史数据中每个消费者在每个消费地点的消费习惯特征;根据历史数据中每个消费者在每个消费地点的消费习惯特征,计算历史数据中每两个消费者在每两个消费地点的消费习惯特征的相似性;根据历史数据获得在每个消费地点购买的每种商品类别的消费曲线;根据在每个消费地点购买的所有商品类别的消费曲线,计算在每两个消费地点的消费习惯特征的相似性;根据历史数据中每两个消费者在每两个消费地点的消费习惯特征的相似性和在每两个消费地点的消费习惯特征的相似性,将所有消费者划分为若干个消费习惯群体;
POS机智能监控模块,用于将待检测POS机的当前数据中的消费者记为目标消费者,计算历史数据中目标消费者的消费习惯特征的规律性;根据历史数据中目标消费者的消费习惯特征的规律性和目标消费者所在的消费习惯群体,获得目标消费者的消费习惯特征差异;根据当前消费者的消费习惯特征差异获得当前数据的综合差异程度;根据当前数据的综合差异程度对POS机进行预警,实现智能化监控。
进一步地,所述根据历史数据获得历史数据中每个消费者在每个消费地点购买的每种商品类别的消费曲线,包括的具体步骤如下:
根据训练好的分类神经网络,获得历史数据中每次购物行为的消费数据中购买的所有种商品所属的商品类别;
对于历史数据中的消费者c1,获得消费者c1在历史数据中的所有次购物行为的消费数据组成消费者c1的历史购物数据集合;将消费者c1的历史购物数据集合中的所有消费地点作为历史数据中消费者c1的消费地点,将消费者c1的历史购物数据集合按照消费者c1的消费地点划分为若干个子集合,记为消费者c1在每个消费地点的历史购物数据子集合;将消费者c1在消费地点d1的历史购物数据子集合中的所有种商品类别作为历史数据中消费者c1在消费地点d1的商品类别,每种商品类别包括若干种商品;对于消费者c1在消费地点d1购买的商品类别s1,以消费时间为横坐标,以每个消费时间消费者c1在消费地点d1购买的属于商品类别s1的所有商品的单价的平均值为纵坐标,获得历史数据中消费者c1在消费地点d1的商品类别s1的消费曲线;
以此类推,获得历史数据中每个消费者在每个消费地点购买的每种商品类别的消费曲线。
进一步地,所述计算历史数据中每个消费者在每个消费地点的消费习惯特征,包括的具体步骤如下:
将历史数据中消费者c1在消费地点d1购买的商品类别s1的消费曲线上每两个相邻数据点的横坐标的差值记为历史数据中消费者c1在消费地点d1购买的商品类别s1的消费间隔时间,将历史数据中消费者c1在消费地点d1购买的商品类别s1的所有消费间隔时间的平均值作为历史数据中消费者c1在消费地点d1购买的商品类别s1的平均消费间隔时间;将历史数据中消费者c1在消费地点d1购买的商品类别s1的消费曲线上所有数据点的纵坐标的平均值作为历史数据中消费者c1在消费地点d1购买的商品类别s1的平均单价;
计算历史数据中消费者c1在消费地点d1的消费习惯特征:
式中,表示历史数据中消费者c1在消费地点d1的消费习惯特征,表示历史数据中消费者c1在消费地点d1购买的商品类别的数量,/> 表示 历史数据中消费者c1在消费地点d1购买的第/>个商品类别的频率,/>表示历史数据中消费者c1在消费地点d1购买的第/>个商品类别的平均消费间隔时间,/>表示历史数据中消费者c1在消费地点d1购买的第/>个商品类别的平均单价,/>表示取最大值,表示历史数据中消费者c1在消费地点d1购买的第/>种商品类别的所有消费间隔时间的最大值,/>表示历史数据中消费者c1在消费地点d1购买的第/>种商品类别的消费曲线上所有商品的单价的最大值,/>表示L2范数;
以此类推,计算历史数据中每个消费者在每个消费地点的消费习惯特征。
进一步地,所述计算历史数据中每两个消费者在每两个消费地点的消费习惯特征的相似性,包括的具体步骤如下:
式中,表示历史数据中消费者c1在消费地点d1与消费者c2在消费地点d2的消费习惯特征的相似性,/>表示历史数据中消费者c1在消费地点d1的所有商品类别与消费者c2在消费地点d2的所有商品类别中相同商品类别的数量,表示历史数据中消费者c1在消费地点d1的所有商品类别与消费者c2在消费地点d2的所有商品类别的总数量,/>表示历史数据中消费者c1在消费地点d1的消费习惯特征,/>表示历史数据中消费者c2在消费地点d2的消费习惯特征,/>表示取绝对值,/>表示以自然常数为底的指数函数;
以此类推,计算历史数据中每两个消费者在每两个消费地点的消费习惯特征的相似性。
进一步地,所述获得在每个消费地点购买的每种商品类别的消费曲线,包括的具体步骤如下:
获得历史数据中发生在消费地点d1的所有次购物行为的消费数据,以消费时间为横坐标,以每个消费时间在消费地点d1购买的属于商品类别s1的所有商品的平均单价为纵坐标,获得在消费地点d1购买的商品类别s1的消费曲线;
以此类推,获得在每个消费地点购买的每种商品类别的消费曲线。
进一步地,所述计算在每两个消费地点的消费习惯特征的相似性,包括的具体步骤如下:
式中,表示在消费地点d1和在消费地点d2的消费习惯特征的相似性,表示在消费地点d1购买的所有种商品类别与在消费地点d2购买的所有种商品类别中相同商品类别的数量,/>表示在消费地点d1购买的第i种商品类别的消费曲线与在消费地点d2购买的第i种商品类别的消费曲线的DTW距离,/>表示以自然常数为底的指数函数;
以此类推,计算在每两个消费地点的消费习惯特征的相似性。
进一步地,所述将所有消费者划分为若干个消费习惯群体,包括的具体步骤如下:
计算消费者c1与消费者c2的综合相似性:
式中,表示消费者c1与消费者c2的综合相似性,/>表示消费者c1与消费者c2的消费地点的总数量,/>表示消费者c1在第j个消费地点与消费者c2在第k个消费地点的消费习惯特征的相似性,/>表示在第j个消费地点和在第k个消费地点的消费习惯特征的相似性,/>表示L2范数;
以此类推,计算每两个消费者的综合相似性,根据每两个消费者的综合相似性对所有消费者进行聚类,获得若干个消费习惯群体,要求每个消费习惯群体中任意两个消费者的综合相似性大于相似性阈值Y。
进一步地,所述根据历史数据中目标消费者的消费习惯特征的规律性和目标消费者所在的消费习惯群体,获得目标消费者的消费习惯特征差异,包括的具体步骤如下:
将待检测POS机的当前数据中的消费地点记为目标消费地点,如果存在目标消费者在目标消费地点的历史购物数据子集合,将当前数据加入目标消费者在目标消费地点的历史购物数据子集合中,获得目标消费者在目标消费地点的新的历史购物数据子集合;如果不存在目标消费者在目标消费地点的历史购物数据子集合,将在每个消费地点和在目标消费地点的消费习惯特征的相似性的最大值对应的消费地点记为目标消费地点的相近消费地点,将当前数据加入目标消费者在目标消费地点的相近消费地点的历史购物数据子集合中,记为目标消费者在目标消费地点的新的历史购物数据子集合;计算目标消费者在目标消费地点的新的历史购物数据子集合中目标消费者在目标消费地点的消费习惯特征;
计算目标消费者的消费习惯特征差异:
式中,表示目标消费者的消费习惯特征差异,/>表示历史数据中目标消费者的消费习惯特征的规律性,/>,/>表示目标消费者在所有消费地点的消费习惯特征的方差,/>表示以自然常数为底的指数函数,M表示历史数据中目标消费者的所有消费地点中与目标消费地点的消费习惯特征的相似性大于相似性阈值Y的消费地点的数量,将历史数据中目标消费者的所有消费地点中与目标消费地点的消费习惯特征的相似性大于相似性阈值Y的消费地点记为目标消费者的参考消费地点,/>表示在目标消费地点和在目标消费者的第m个参考消费地点的消费习惯特征的相似性,/>表示线性归一化函数,/>表示目标消费者在目标消费地点的新的历史购物数据子集合中目标消费者在目标消费地点的消费习惯特征,/>表示历史数据中目标消费者在目标消费者的第m个参考消费地点的消费习惯特征,/>表示目标消费者所在的消费习惯群体中所有消费者在所有消费地点的消费习惯特征的均值,/>表示取绝对值。
进一步地,所述根据当前消费者的消费习惯特征差异获得当前数据的综合差异程度,包括的具体步骤如下:
获得历史数据中目标消费者所在的消费习惯群体中所有消费者的消费地点组成的消费地点集合,获得在消费地点集合中的每个消费地点与在目标消费地点的消费习惯特征的相似性组成的消费习惯特征的相似性集合,将消费习惯特征的相似性集合中最大的预设数量个消费习惯特征的相似性的均值与当前消费者的消费习惯特征差异加1即的乘积记为当前数据的综合差异程度。
进一步地,所述获取待检测POS机的当前数据和历史数据,包括的具体步骤如下:
将待检测POS机采集的当前次购物行为的消费数据作为待检测POS机的当前数据,将待检测的POS机发生当前次购物行为之前所有POS机采集的所有次购物行为的消费数据作为待检测POS机的历史数据。
本发明的技术方案的有益效果是:本发明通过对基于物联网采集的POS机消费数据中的商品进行分类处理,并分析数据中消费者在各个消费地点的消费习惯特征,以及每个消费地点的消费习惯特征,对所有消费者进行聚类分析,得到消费者的相似的消费习惯群体;获得历史数据中目标消费者的消费习惯特征的规律性,将规律性作为权值,根据消费者的相似的消费习惯群体的消费习惯特征的差异性以及消费地点的差异性,综合获取待检测POS机的当前数据中的消费者的消费习惯特征差异,并根据消费习惯特征差异对POS机进行预警;避免了传统的POS机消费数据的异常监测过程中仅根据当前消费地点以及消费金额的大小来预警的缺点,保证了获取消费者的消费习惯的准确性,减少了消费地点的随机性造成的影响,使得异常监测结果的准确性,实现基于物联网技术的POS机智能化监控。
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。
图1为本发明的基于物联网技术的POS机智能化监控系统的系统框图。
具体实施方式
为了更进一步阐述本发明为达成预定发明目的所采取的技术手段及功效,以下结合附图及较佳实施例,对依据本发明提出的基于物联网技术的POS机智能化监控系统,其具体实施方式、结构、特征及其功效,详细说明如下。在下述说明中,不同的“一个实施例”或“另一个实施例”指的不一定是同一实施例。此外,一或多个实施例中的特定特征、结构或特点可由任何合适形式组合。
除非另有定义,本文所使用的所有的技术和科学术语与属于本发明的技术领域的技术人员通常理解的含义相同。
下面结合附图具体的说明本发明所提供的基于物联网技术的POS机智能化监控系统的具体方案。
请参阅图1,其示出了本发明一个实施例提供的基于物联网技术的POS机智能化监控系统,该系统包括以下模块:
数据采集模块101,用于获取待检测POS机的当前数据和历史数据。
具体的,本实施例将POS机在每次购物行为发生时的消费数据通过物联网传输至云端服务器后进行分析,其中,每次购物行为的消费数据包括:消费者、消费时间、消费金额、消费地点、付款方式、购买的所有种商品以及每种商品的单价,消费地点是通过网络基站获取的;将待检测POS机采集的当前次购物行为的消费数据作为待检测POS机的当前数据,将待检测的POS机发生当前次购物行为之前所有POS机采集的所有次购物行为的消费数据作为待检测POS机的历史数据。
消费习惯群体划分模块102,用于根据历史数据获得历史数据中每个消费者在每个消费地点购买的每种商品类别的消费曲线;根据历史数据中每个消费者在每个消费地点购买的所有商品类别的消费曲线,计算历史数据中每个消费者在每个消费地点的消费习惯特征;根据历史数据中每个消费者在每个消费地点的消费习惯特征,计算历史数据中每两个消费者在每两个消费地点的消费习惯特征的相似性;根据历史数据获得在每个消费地点购买的每种商品类别的消费曲线;根据在每个消费地点购买的所有商品类别的消费曲线,计算在每两个消费地点的消费习惯特征的相似性;根据历史数据中每两个消费者在每两个消费地点的消费习惯特征的相似性和在每两个消费地点的消费习惯特征的相似性,将所有消费者划分为若干个消费习惯群体。
需要说明的是,在进行当前POS机的异常监测过程中,由于消费者在购物过程中的存在随机性的变化,即消费者会在不同的地点进行购物,因此若根据消费者的消费地点与该消费者在历史数据中的消费地点会出现较大的偏差。消费者在购物的过程中,往往具有一定的相似性特征,即消费者在购物时会有自己的消费习惯特征,因此本实施例通过量化消费者在不同消费地点的消费习惯特征,通过分析消费者的消费习惯特征的相似性和消费地点的消费习惯特征的相似性,获得消费习惯群体,结合消费习惯群体之间的相似性,来进行异常监测。
1、根据历史数据获得历史数据中每个消费者在每个消费地点购买的每种商品类别的消费曲线;根据历史数据中每个消费者在每个消费地点购买的所有商品类别的消费曲线,计算历史数据中每个消费者在每个消费地点的消费习惯特征;根据历史数据中每个消费者在每个消费地点的消费习惯特征,计算历史数据中每两个消费者在每两个消费地点的消费习惯特征的相似性。
需要说明的是,在历史数据中,消费者会在不同消费地点进行购物同时会购买不同商品类别的商品,不同消费者对不同商品类别的商品的喜好程度也不同,具体体现在历史数据中消费者在消费地点购买不同商品类别的频率、消费时间间隔和消费金额,因此通过分析历史数据中消费者在消费地点购买不同商品类别的频率、消费时间间隔和消费金额获得不同消费者在不同消费地点的消费习惯特征。
具体的,将历史数据中的前十分之一的数据作为训练样本,通过人工标注的方式对每次购物行为的消费数据中购买的每种商品所属的商品类别进行标注,获得训练样本的标签,共有包括视频、衣服、视频、电子产品等在内的N种标签,N表示商品类别的数量;通过训练样本训练分类神经网络,采用的网络模型为DNN网络,损失函数为交叉熵函数,输入为购买的商品,输出为购买的商品所属的商品类别。根据训练好的分类神经网络,获得历史数据中每次购物行为的消费数据中购买的所有种商品所属的商品类别。
进一步,对于历史数据中的消费者c1,获得消费者c1在历史数据中的所有次购物行为的消费数据组成消费者c1的历史购物数据集合;将消费者c1的历史购物数据集合中的所有消费地点作为历史数据中消费者c1的消费地点,将消费者c1的历史购物数据集合按照消费者c1的消费地点划分为若干个子集合,记为消费者c1在每个消费地点的历史购物数据子集合;将消费者c1在消费地点d1的历史购物数据子集合中的所有种商品类别作为历史数据中消费者c1在消费地点d1的商品类别,每种商品类别包括若干种商品;对于消费者c1在消费地点d1购买的商品类别s1,以消费时间为横坐标,以每个消费时间消费者c1在消费地点d1购买的属于商品类别s1的所有商品的单价的平均值为纵坐标,获得历史数据中消费者c1在消费地点d1的商品类别s1的消费曲线。
进一步,将历史数据中消费者c1在消费地点d1购买的商品类别s1的消费曲线上每两个相邻数据点的横坐标的差值记为历史数据中消费者c1在消费地点d1购买的商品类别s1的消费间隔时间,将历史数据中消费者c1在消费地点d1购买的商品类别s1的所有消费间隔时间的平均值作为历史数据中消费者c1在消费地点d1购买的商品类别s1的平均消费间隔时间;将历史数据中消费者c1在消费地点d1购买的商品类别s1的消费曲线上所有数据点的纵坐标的平均值作为历史数据中消费者c1在消费地点d1购买的商品类别s1的平均单价。
进一步,根据历史数据中消费者c1在消费地点d1购买的所有商品类别的消费曲线,计算历史数据中消费者c1在消费地点d1的消费习惯特征,计算公式为:
式中,表示历史数据中消费者c1在消费地点d1的消费习惯特征,表示历史数据中消费者c1在消费地点d1购买的商品类别的数量,/> 表示 历史数据中消费者c1在消费地点d1购买的第/>个商品类别的频率,是指历史数据中消费者c1在消费地点d1产生的所有次购物行为中包括第/>个商品类别的购物行为的次数与消费者c1在消费地点d1产生的所有次购物行为的次数的比值,/>表示历史数据中消费者c1在消费地点d1购买的第/>个商品类别的平均消费间隔时间,/>表示历史数据中消费者c1在消费地点d1购买的第/>个商品类别的平均单价,/>表示取最大值,表示历史数据中消费者c1在消费地点d1购买的第/>种商品类别的所有消费间隔时间的最大值,/>表示历史数据中消费者c1在消费地点d1购买的第/>种商品类别的消费曲线上所有商品的单价的最大值,/>表示L2范数。
需要说明的是,消费者在消费地点的第个商品类别的频率越大,则消费者在消费地点购买第/>个商品类别的次数越多,则第/>个商品类别在量化消费者在消费地点的消费习惯特征时越重要,因此,将消费者在消费地点的第/>个商品类别的频率/>作为权重值;采用L2范数将消费者在消费地点的第/>个商品类别的消费间隔时间和单价进行整合,共同表示消费者在消费地点的消费习惯特征。
进一步,根据历史数据中消费者c1在消费地点d1的消费习惯特征和历史数据中消费者c2在消费地点d2的消费习惯特征,计算历史数据中消费者c1在消费地点d1与消费者c2在消费地点d2的消费习惯特征的相似性,具体的计算公式为:
式中,表示历史数据中消费者c1在消费地点d1与消费者c2在消费地点d2的消费习惯特征的相似性,/>表示历史数据中消费者c1在消费地点d1的所有商品类别与消费者c2在消费地点d2的所有商品类别中相同商品类别的数量,表示历史数据中消费者c1在消费地点d1的所有商品类别与消费者c2在消费地点d2的所有商品类别的总数量,/>表示历史数据中消费者c1在消费地点d1的消费习惯特征,/>表示历史数据中消费者c2在消费地点d2的消费习惯特征,/>表示取绝对值,/>表示以自然常数为底的指数函数。
需要说明的是,表示消费者c1在消费地点d1的所有商品类别与消费者c2在消费地点d2的所有商品类别中相同商品类别的占比,该值越大,说明消费者c1在消费地点d1和消费者c2在消费地点d2购买商品的商品类别越相似,相应的消费者c1在消费地点d1与消费者c2在消费地点d2的消费习惯越相似性,消费者c1在消费地点d1与消费者c2在消费地点d2的消费习惯特征的相似性越大;/>表示消费者c1在消费地点d1与消费者c2在消费地点d2的消费习惯特征的差异,该值越小,消费者c1在消费地点d1与消费者c2在消费地点d2的消费习惯特征越相似,通过反比例函数/>进行调整,则消费者c1在消费地点d1与消费者c2在消费地点d2的消费习惯特征的相似性越大。
2、根据历史数据获得在每个消费地点购买的每种商品类别的消费曲线;根据在每个消费地点购买的所有商品类别的消费曲线,计算在每两个消费地点的消费习惯特征的相似性。
需要说明的是,不同消费地点畅销的商品类别不同,不同时间消费地点畅销的商品类别也有所不同,相应的不同消费地点在不同时间具有不同消费习惯特征,具体体现在历史数据中在消费地点购买每种商品类别的平均单价随时间的变化情况,因此通过分析在不同消费地点购买的同一种商品类别的消费曲线获得两个不同消费地点的消费习惯特征的相似性。
具体的,获得历史数据中发生在消费地点d1的所有次购物行为的消费数据,以消费时间为横坐标,以每个消费时间在消费地点d1购买的属于商品类别s1的所有商品的平均单价为纵坐标,获得在消费地点d1购买的商品类别s1的消费曲线。
进一步,根据在消费地点d1购买的所有商品类别的消费曲线和在消费地点d2购买的所有商品类别的消费曲线,计算在消费地点d1和在消费地点d2的消费习惯特征的相似性,具体的计算公式为:
式中,表示在消费地点d1和在消费地点d2的消费习惯特征的相似性,表示在消费地点d1购买的所有种商品类别与在消费地点d2购买的所有种商品类别中相同商品类别的数量,/>表示在消费地点d1购买的第i种商品类别的消费曲线与在消费地点d2购买的第i种商品类别的消费曲线的DTW距离,/>表示以自然常数为底的指数函数。
需要说明的是,在消费地点d1购买的第i种商品类别的消费曲线与在消费地点d2购买的第i种商品类别的消费曲线的DTW距离越小,在消费地点d1与在消费地点d2购买的第i种商品类别的消费习惯越相似,通过反比例函数进行调整,则在消费地点d1和在消费地点d2的消费习惯特征的相似性越大。
3、根据历史数据中每两个消费者在每两个消费地点的消费习惯特征的相似性和在每两个消费地点的消费习惯特征的相似性,将所有消费者划分为若干个消费习惯群体。
需要说明的是,在通过聚类获得消费习惯群体的过程中,需要同时考虑两个消费者在消费地点的消费习惯特征的相似性以及两个消费地点的消费习惯特征的相似性来综合确定。
预设一个相似性阈值Y,其中本实施例Y=0.65为例进行叙述,本实施例不进行具体限定,其中Y根据具体实施情况而定。
具体的,根据消费者c1与消费者c2在不同消费地点的消费习惯特征的相似性与不同消费地点的消费习惯特征的相似性,获得消费者c1与消费者c2的综合相似性,具体计算公式为:
式中,表示消费者c1与消费者c2的综合相似性,/>表示消费者c1与消费者c2的消费地点的总数量,/>表示消费者c1在第j个消费地点与消费者c2在第k个消费地点的消费习惯特征的相似性,/>表示在第j个消费地点和在第k个消费地点的消费习惯特征的相似性,/>表示L2范数。
进一步,根据每两个消费者的综合相似性对所有消费者进行聚类,获得若干个消费习惯群体,要求每个消费习惯群体中任意两个消费者的综合相似性大于相似性阈值Y。
POS机智能监控模块103,用于计算历史数据中目标消费者的消费习惯特征的规律性;根据历史数据中目标消费者的消费习惯特征的规律性和目标消费者所在的消费习惯群体,获得目标消费者的消费习惯特征差异;根据当前消费者的消费习惯特征差异获得当前数据的综合差异程度;根据当前数据的综合差异程度对POS机进行预警,实现智能化监控。
1、计算历史数据中目标消费者的消费习惯特征的规律性;根据历史数据中目标消费者的消费习惯特征的规律性和目标消费者所在的消费习惯群体,获得目标消费者的消费习惯特征差异。
需要说明的是,在进行当前POS机的异常监测过程中,由于消费者在购物过程中的存在随机性的变化,即消费者会在不同的地点进行购物,因此首先需要计算历史数据中目标消费者的消费习惯特征的规律性:如果规律性较大,此时说明消费者自身在历史数据中体现出的消费习惯特征较为稳定,则当前数据中消费者的消费习惯特征与历史数据中消费者的消费习惯特征的差异性能够体现出当前消费者的消费习惯特征差异,进而反映出当前POS机的异常情况;如果规律性较小,此时说明消费者自身在历史数据中体现出的消费习惯特征不稳定,此时就需要结合目标消费者所在的消费习惯群体中所有消费者在历史数据中体现出的消费习惯特征,根据当前数据中消费者的消费习惯特征与目标消费者所在的消费习惯群体中所有消费者在历史数据中体现出的消费习惯特征的差异性来体现当前消费者的消费习惯特征差异,进而反映出当前POS机的异常情况。
具体的,将待检测POS机的当前数据中的消费者记为目标消费者,将待检测POS机的当前数据中的消费地点记为目标消费地点,如果存在目标消费者在目标消费地点的历史购物数据子集合,将当前数据加入目标消费者在目标消费地点的历史购物数据子集合中,获得目标消费者在目标消费地点的新的历史购物数据子集合,如果不存在目标消费者在目标消费地点的历史购物数据子集合,将在每个消费地点和在目标消费地点的消费习惯特征的相似性的最大值对应的消费地点记为目标消费地点的相近消费地点,将当前数据加入目标消费者在目标消费地点的相近消费地点的历史购物数据子集合中,记为目标消费者在目标消费地点的新的历史购物数据子集合;计算目标消费者在目标消费地点的新的历史购物数据子集合中目标消费者在目标消费地点的消费习惯特征。
进一步,结合历史数据中目标消费者的消费习惯特征的规律性,根据在目标消费地点的新的历史购物数据子集合中目标消费者在目标消费地点的消费习惯特征、历史数据中目标消费者在目标消费者的所有参考消费地点的消费习惯特征以及目标消费者所在的消费习惯群体中所有消费者在所有消费地点的消费习惯特征,获得目标消费者的消费习惯特征差异,具体计算公式为:
式中,表示目标消费者的消费习惯特征差异,/>表示历史数据中目标消费者的消费习惯特征的规律性,/>,/>表示目标消费者在所有消费地点的消费习惯特征的方差,/>表示以自然常数为底的指数函数,M表示历史数据中目标消费者的所有消费地点中与目标消费地点的消费习惯特征的相似性大于相似性阈值Y的消费地点的数量,将历史数据中目标消费者的所有消费地点中与目标消费地点的消费习惯特征的相似性大于相似性阈值Y的消费地点记为目标消费者的参考消费地点,/>表示在目标消费地点和在目标消费者的第m个参考消费地点的消费习惯特征的相似性,/>表示线性归一化函数,/>表示目标消费者在目标消费地点的新的历史购物数据子集合中目标消费者在目标消费地点的消费习惯特征,/>表示历史数据中目标消费者在目标消费者的第m个参考消费地点的消费习惯特征,/>表示目标消费者所在的消费习惯群体中所有消费者在所有消费地点的消费习惯特征的均值,/>表示取绝对值。
需要说明的是,历史数据中目标消费者的消费习惯特征的规律性是通过历史数据中目标消费者在不同的消费地点的消费习惯特征的波动特征即方差来获取,通过反比例函数进行调整,目标消费者在所有消费地点的消费习惯特征的方差越大,说明目标消费者在所有消费地点的消费习惯特征分布越离散,则历史数据中目标消费者的消费习惯特征的规律性越小;根据历史数据中目标消费者在目标消费者的所有参考消费地点的消费习惯特征以及在目标消费地点和在目标消费者的所有参考消费地点的消费习惯特征的相似性获得的消费者自身在历史数据中体现出的消费习惯特征,则表示当前数据中消费者的消费习惯特征与历史数据中消费者的消费习惯特征的差异性,将历史数据中目标消费者的消费习惯特征的规律性作为其权值,规律性/>较大,说明消费者自身在历史数据中体现出的消费习惯特征较为稳定,则当前数据中消费者的消费习惯特征与历史数据中消费者的消费习惯特征的差异性能够体现出当前消费者的消费习惯特征差异;当规律性/>较小时,说明消费者自身在历史数据中体现出的消费习惯特征不稳定,此时根据目标消费者在目标消费地点的新的历史购物数据子集合中目标消费者在目标消费地点的消费习惯特征与目标消费者所在的消费习惯群体中所有消费者在所有消费地点的消费习惯特征的均值获得当前消费者的消费习惯特征差异。
2、根据当前消费者的消费习惯特征差异获得当前数据的综合差异程度;根据当前数据的综合差异程度对POS机进行预警,实现智能化监控。
需要说明的是,根据上述步骤,在获取消费习惯特征的差异的同时,同样还需要考虑地点的差异。由于地点的随机性因此不能仅考虑当前消费者的历史数据中的地点,是应该分析相似的消费习惯群体的对应的地点。即对应的在分析差异程度的时候,若仅根据消费习惯特征的差异性计算的话,会出现较大的误差,需要结合当前数据的地点与相似的消费习惯群体的地点之间的相似性进行调整。
预设一个差异阈值C,其中本实施例C=0.65为例进行叙述,本实施例不进行具体限定,其中C根据具体实施情况而定。
具体的,获得历史数据中目标消费者所在的消费习惯群体中所有消费者的消费地点组成的消费地点集合,获得在消费地点集合中的每个消费地点与在目标消费地点的消费习惯特征的相似性组成的消费习惯特征的相似性集合,将消费习惯特征的相似性集合中最大的预设数量个消费习惯特征的相似性的均值与当前消费者的消费习惯特征差异加1即的乘积记为当前数据的综合差异程度。
进一步,如果当前数据的综合差异程度大于差异阈值C,则POS机进行预警,并发送短信至申请POS机的注册消费者的移动端进行预警,进而实现智能化监控。
本发明的系统包括数据采集模块、消费习惯群体划分模块和POS机智能监控模块。本发明通过对基于物联网采集的POS机消费数据中的商品进行分类处理,并分析数据中消费者在各个消费地点的消费习惯特征,以及每个消费地点的消费习惯特征,对所有消费者进行聚类分析,得到消费者的相似的消费习惯群体;获得历史数据中目标消费者的消费习惯特征的规律性,将规律性作为权值,根据消费者的相似的消费习惯群体的消费习惯特征的差异性以及消费地点的差异性,综合获取待检测POS机的当前数据中的消费者的消费习惯特征差异,并根据消费习惯特征差异对POS机进行预警;避免了传统的POS机消费数据的异常监测过程中仅根据当前消费地点以及消费金额的大小来预警的缺点,保证了获取消费者的消费习惯的准确性,减少了消费地点的随机性造成的影响,使得异常监测结果的准确性,实现基于物联网技术的POS机智能化监控。
以上所述仅为本发明的较佳实施例而已,并不用以限制本发明,凡在本发明的精神和原则之内,所作的任何修改、等同替换、改进等,均应包含在本发明的保护范围之内。
Claims (7)
1.基于物联网技术的POS机智能化监控系统,其特征在于,所述系统包括:
数据采集模块,用于获取待检测POS机的当前数据和历史数据;
消费习惯群体划分模块,用于根据历史数据获得历史数据中每个消费者在每个消费地点购买的每种商品类别的消费曲线;根据历史数据中每个消费者在每个消费地点购买的所有商品类别的消费曲线,计算历史数据中每个消费者在每个消费地点的消费习惯特征;根据历史数据中每个消费者在每个消费地点的消费习惯特征,计算历史数据中每两个消费者在每两个消费地点的消费习惯特征的相似性;根据历史数据获得在每个消费地点购买的每种商品类别的消费曲线;根据在每个消费地点购买的所有商品类别的消费曲线,计算在每两个消费地点的消费习惯特征的相似性;根据历史数据中每两个消费者在每两个消费地点的消费习惯特征的相似性和在每两个消费地点的消费习惯特征的相似性,将所有消费者划分为若干个消费习惯群体;
POS机智能监控模块,用于将待检测POS机的当前数据中的消费者记为目标消费者,计算历史数据中目标消费者的消费习惯特征的规律性;根据历史数据中目标消费者的消费习惯特征的规律性和目标消费者所在的消费习惯群体,获得目标消费者的消费习惯特征差异;根据当前消费者的消费习惯特征差异获得当前数据的综合差异程度;根据当前数据的综合差异程度对POS机进行预警,实现智能化监控;
所述根据历史数据获得历史数据中每个消费者在每个消费地点购买的每种商品类别的消费曲线,包括的具体步骤如下:
根据训练好的分类神经网络,获得历史数据中每次购物行为的消费数据中购买的所有种商品所属的商品类别;
对于历史数据中的消费者c1,获得消费者c1在历史数据中的所有次购物行为的消费数据组成消费者c1的历史购物数据集合;将消费者c1的历史购物数据集合中的所有消费地点作为历史数据中消费者c1的消费地点,将消费者c1的历史购物数据集合按照消费者c1的消费地点划分为若干个子集合,记为消费者c1在每个消费地点的历史购物数据子集合;将消费者c1在消费地点d1的历史购物数据子集合中的所有种商品类别作为历史数据中消费者c1在消费地点d1的商品类别,每种商品类别包括若干种商品;对于消费者c1在消费地点d1购买的商品类别s1,以消费时间为横坐标,以每个消费时间消费者c1在消费地点d1购买的属于商品类别s1的所有商品的单价的平均值为纵坐标,获得历史数据中消费者c1在消费地点d1的商品类别s1的消费曲线;
以此类推,获得历史数据中每个消费者在每个消费地点购买的每种商品类别的消费曲线;
所述计算历史数据中每个消费者在每个消费地点的消费习惯特征,包括的具体步骤如下:
将历史数据中消费者c1在消费地点d1购买的商品类别s1的消费曲线上每两个相邻数据点的横坐标的差值记为历史数据中消费者c1在消费地点d1购买的商品类别s1的消费间隔时间,将历史数据中消费者c1在消费地点d1购买的商品类别s1的所有消费间隔时间的平均值作为历史数据中消费者c1在消费地点d1购买的商品类别s1的平均消费间隔时间;将历史数据中消费者c1在消费地点d1购买的商品类别s1的消费曲线上所有数据点的纵坐标的平均值作为历史数据中消费者c1在消费地点d1购买的商品类别s1的平均单价;
计算历史数据中消费者c1在消费地点d1的消费习惯特征:
式中,表示历史数据中消费者c1在消费地点d1的消费习惯特征,/>表示历史数据中消费者c1在消费地点d1购买的商品类别的数量,/>表示历史数据中消费者c1在消费地点d1购买的第/>个商品类别的频率,/>表示历史数据中消费者c1在消费地点d1购买的第/>个商品类别的平均消费间隔时间,/>表示历史数据中消费者c1在消费地点d1购买的第/>个商品类别的平均单价,/>表示取最大值,表示历史数据中消费者c1在消费地点d1购买的第/>种商品类别的所有消费间隔时间的最大值,/>表示历史数据中消费者c1在消费地点d1购买的第/>种商品类别的消费曲线上所有商品的单价的最大值,/>表示L2范数;
以此类推,计算历史数据中每个消费者在每个消费地点的消费习惯特征;
所述计算历史数据中每两个消费者在每两个消费地点的消费习惯特征的相似性,包括的具体步骤如下:
式中,表示历史数据中消费者c1在消费地点d1与消费者c2在消费地点d2的消费习惯特征的相似性,/>表示历史数据中消费者c1在消费地点d1的所有商品类别与消费者c2在消费地点d2的所有商品类别中相同商品类别的数量,表示历史数据中消费者c1在消费地点d1的所有商品类别与消费者c2在消费地点d2的所有商品类别的总数量,/>表示历史数据中消费者c1在消费地点d1的消费习惯特征,/>表示历史数据中消费者c2在消费地点d2的消费习惯特征,/>表示取绝对值,/>表示以自然常数为底的指数函数;
以此类推,计算历史数据中每两个消费者在每两个消费地点的消费习惯特征的相似性。
2.根据权利要求1所述的基于物联网技术的POS机智能化监控系统,其特征在于,所述获得在每个消费地点购买的每种商品类别的消费曲线,包括的具体步骤如下:
获得历史数据中发生在消费地点d1的所有次购物行为的消费数据,以消费时间为横坐标,以每个消费时间在消费地点d1购买的属于商品类别s1的所有商品的平均单价为纵坐标,获得在消费地点d1购买的商品类别s1的消费曲线;
以此类推,获得在每个消费地点购买的每种商品类别的消费曲线。
3.根据权利要求1所述的基于物联网技术的POS机智能化监控系统,其特征在于,所述计算在每两个消费地点的消费习惯特征的相似性,包括的具体步骤如下:
式中,表示在消费地点d1和在消费地点d2的消费习惯特征的相似性,表示在消费地点d1购买的所有种商品类别与在消费地点d2购买的所有种商品类别中相同商品类别的数量,/>表示在消费地点d1购买的第i种商品类别的消费曲线与在消费地点d2购买的第i种商品类别的消费曲线的DTW距离,/>表示以自然常数为底的指数函数;
以此类推,计算在每两个消费地点的消费习惯特征的相似性。
4.根据权利要求3所述的基于物联网技术的POS机智能化监控系统,其特征在于,所述将所有消费者划分为若干个消费习惯群体,包括的具体步骤如下:
计算消费者c1与消费者c2的综合相似性:
式中,表示消费者c1与消费者c2的综合相似性,/>表示消费者c1与消费者c2的消费地点的总数量,/>表示消费者c1在第j个消费地点与消费者c2在第k个消费地点的消费习惯特征的相似性,/>表示在第j个消费地点和在第k个消费地点的消费习惯特征的相似性,/>表示L2范数;
以此类推,计算每两个消费者的综合相似性,根据每两个消费者的综合相似性对所有消费者进行聚类,获得若干个消费习惯群体,要求每个消费习惯群体中任意两个消费者的综合相似性大于相似性阈值Y。
5.根据权利要求1所述的基于物联网技术的POS机智能化监控系统,其特征在于,所述根据历史数据中目标消费者的消费习惯特征的规律性和目标消费者所在的消费习惯群体,获得目标消费者的消费习惯特征差异,包括的具体步骤如下:
将待检测POS机的当前数据中的消费地点记为目标消费地点,如果存在目标消费者在目标消费地点的历史购物数据子集合,将当前数据加入目标消费者在目标消费地点的历史购物数据子集合中,获得目标消费者在目标消费地点的新的历史购物数据子集合;如果不存在目标消费者在目标消费地点的历史购物数据子集合,将在每个消费地点和在目标消费地点的消费习惯特征的相似性的最大值对应的消费地点记为目标消费地点的相近消费地点,将当前数据加入目标消费者在目标消费地点的相近消费地点的历史购物数据子集合中,记为目标消费者在目标消费地点的新的历史购物数据子集合;计算目标消费者在目标消费地点的新的历史购物数据子集合中目标消费者在目标消费地点的消费习惯特征;
计算目标消费者的消费习惯特征差异:
式中,表示目标消费者的消费习惯特征差异,/>表示历史数据中目标消费者的消费习惯特征的规律性,/>,/>表示目标消费者在所有消费地点的消费习惯特征的方差,/>表示以自然常数为底的指数函数,M表示历史数据中目标消费者的所有消费地点中与目标消费地点的消费习惯特征的相似性大于相似性阈值Y的消费地点的数量,将历史数据中目标消费者的所有消费地点中与目标消费地点的消费习惯特征的相似性大于相似性阈值Y的消费地点记为目标消费者的参考消费地点,/>表示在目标消费地点和在目标消费者的第m个参考消费地点的消费习惯特征的相似性,/>表示线性归一化函数,/>表示目标消费者在目标消费地点的新的历史购物数据子集合中目标消费者在目标消费地点的消费习惯特征,/>表示历史数据中目标消费者在目标消费者的第m个参考消费地点的消费习惯特征,/>表示目标消费者所在的消费习惯群体中所有消费者在所有消费地点的消费习惯特征的均值,/>表示取绝对值。
6.根据权利要求5所述的基于物联网技术的POS机智能化监控系统,其特征在于,所述根据当前消费者的消费习惯特征差异获得当前数据的综合差异程度,包括的具体步骤如下:
获得历史数据中目标消费者所在的消费习惯群体中所有消费者的消费地点组成的消费地点集合,获得在消费地点集合中的每个消费地点与在目标消费地点的消费习惯特征的相似性组成的消费习惯特征的相似性集合,将消费习惯特征的相似性集合中最大的预设数量个消费习惯特征的相似性的均值与当前消费者的消费习惯特征差异加1的乘积记为当前数据的综合差异程度。
7.根据权利要求1所述的基于物联网技术的POS机智能化监控系统,其特征在于,所述获取待检测POS机的当前数据和历史数据,包括的具体步骤如下:
将待检测POS机采集的当前次购物行为的消费数据作为待检测POS机的当前数据,将待检测的POS机发生当前次购物行为之前所有POS机采集的所有次购物行为的消费数据作为待检测POS机的历史数据。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311344658.XA CN117093916B (zh) | 2023-10-18 | 2023-10-18 | 基于物联网技术的pos机智能化监控系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311344658.XA CN117093916B (zh) | 2023-10-18 | 2023-10-18 | 基于物联网技术的pos机智能化监控系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN117093916A CN117093916A (zh) | 2023-11-21 |
CN117093916B true CN117093916B (zh) | 2024-02-06 |
Family
ID=88775748
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311344658.XA Active CN117093916B (zh) | 2023-10-18 | 2023-10-18 | 基于物联网技术的pos机智能化监控系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117093916B (zh) |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103116950A (zh) * | 2013-01-15 | 2013-05-22 | 钱袋网(北京)信息技术有限公司 | 数据监控方法、pos机、pos交易服务器及支付系统 |
JP2019036225A (ja) * | 2017-08-21 | 2019-03-07 | 智慧時尚股▲ふん▼有限公司 | 取引id警告システム及び取引id警告方法 |
CN115204865A (zh) * | 2022-07-11 | 2022-10-18 | 安徽易联众科技发展有限公司 | 一种一卡通的安全使用方法 |
CN115688110A (zh) * | 2022-08-31 | 2023-02-03 | 中国工商银行股份有限公司 | 金融物联网平台设备预警方法及装置 |
CN116205675A (zh) * | 2023-04-28 | 2023-06-02 | 华南师范大学 | 一种基于线程划分的数据采集方法及装置 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US9412108B2 (en) * | 2014-12-11 | 2016-08-09 | Mastercard International Incorporated | Systems and methods for fraud detection by transaction ticket size pattern |
-
2023
- 2023-10-18 CN CN202311344658.XA patent/CN117093916B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103116950A (zh) * | 2013-01-15 | 2013-05-22 | 钱袋网(北京)信息技术有限公司 | 数据监控方法、pos机、pos交易服务器及支付系统 |
JP2019036225A (ja) * | 2017-08-21 | 2019-03-07 | 智慧時尚股▲ふん▼有限公司 | 取引id警告システム及び取引id警告方法 |
CN115204865A (zh) * | 2022-07-11 | 2022-10-18 | 安徽易联众科技发展有限公司 | 一种一卡通的安全使用方法 |
CN115688110A (zh) * | 2022-08-31 | 2023-02-03 | 中国工商银行股份有限公司 | 金融物联网平台设备预警方法及装置 |
CN116205675A (zh) * | 2023-04-28 | 2023-06-02 | 华南师范大学 | 一种基于线程划分的数据采集方法及装置 |
Non-Patent Citations (1)
Title |
---|
GeoCredit: a novel fog assisted IoT based framework for credit risk assessment with behaviour scoring and geodemographic analysis;Nisha Arora et al.;Journal of Ambient Intelligence and Humanized Computing;第10363-10387页 * |
Also Published As
Publication number | Publication date |
---|---|
CN117093916A (zh) | 2023-11-21 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US20210295339A1 (en) | Data breach detection | |
CN110874778A (zh) | 异常订单检测方法及装置 | |
CN112084229A (zh) | 一种识别城镇燃气用户异常用气行为的方法及装置 | |
Wu et al. | User Value Identification Based on Improved RFM Model and K‐Means++ Algorithm for Complex Data Analysis | |
CN110246030A (zh) | 多方联动的贷后风险管理方法、终端、装置及存储介质 | |
US20150339600A1 (en) | Method and system for analysing data | |
US20210142126A1 (en) | Artificial Intelligence Based Fraud Detection System | |
CN116596441A (zh) | 一种基于云计算的智能仓储服务管理方法及系统 | |
CN111028050A (zh) | 一种基于数据驱动的异常投标行为检测评估方法及系统 | |
CN116596305A (zh) | 用于食品安全管理的风险分级方法 | |
Braun et al. | Improving card fraud detection through suspicious pattern discovery | |
CN111091409A (zh) | 客户标签的确定方法、装置和服务器 | |
CN117093916B (zh) | 基于物联网技术的pos机智能化监控系统 | |
CN112581291B (zh) | 风险测评异动检测方法、装置、设备及存储介质 | |
Gankidi et al. | Customer segmentation using machine learning | |
CN107038593B (zh) | 一种基于防伪溯源系统的异常数据处理方法及系统 | |
CN114529318A (zh) | 大数据环境下在线零售商的需求模型构建及需求预测方法 | |
CN110619546A (zh) | 一种解决定向发券高吞吐量的实现方案 | |
CN107357847B (zh) | 数据处理方法及其装置 | |
KR100738899B1 (ko) | 신용카드 결제 시스템을 이용한 창업 및 경영 지원 서비스제공 시스템 | |
Aravatagimath et al. | Agriculture Product Marketing Data Analysis using Machine Learning | |
CN116366678B (zh) | 一种数据运营智能平台动态数据分布式存储系统 | |
CN117891859B (zh) | 一种用于工业物联网的数据处理方法及系统 | |
CN110738538A (zh) | 识别相似物品的方法和装置 | |
Sebastian et al. | A comparative analysis of deep neural network models in IoT‐based smart systems for energy prediction and theft detection |
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 |