CN117151873A - 异常提示方法、装置、计算机设备和存储介质 - Google Patents
异常提示方法、装置、计算机设备和存储介质 Download PDFInfo
- Publication number
- CN117151873A CN117151873A CN202310944481.0A CN202310944481A CN117151873A CN 117151873 A CN117151873 A CN 117151873A CN 202310944481 A CN202310944481 A CN 202310944481A CN 117151873 A CN117151873 A CN 117151873A
- Authority
- CN
- China
- Prior art keywords
- transaction
- product
- target product
- target
- price
- 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
- 230000005856 abnormality Effects 0.000 title claims abstract description 60
- 238000000034 method Methods 0.000 title claims abstract description 47
- 230000002159 abnormal effect Effects 0.000 claims abstract description 78
- 238000004590 computer program Methods 0.000 claims description 37
- 238000012549 training Methods 0.000 claims description 36
- 230000000007 visual effect Effects 0.000 claims description 18
- 238000013473 artificial intelligence Methods 0.000 abstract description 2
- 238000010586 diagram Methods 0.000 description 6
- 238000004891 communication Methods 0.000 description 3
- 229910000510 noble metal Inorganic materials 0.000 description 3
- 238000013528 artificial neural network Methods 0.000 description 2
- 230000008859 change Effects 0.000 description 2
- 238000013500 data storage Methods 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 238000011156 evaluation Methods 0.000 description 2
- PCHJSUWPFVWCPO-UHFFFAOYSA-N gold Chemical compound [Au] PCHJSUWPFVWCPO-UHFFFAOYSA-N 0.000 description 2
- 239000010931 gold Substances 0.000 description 2
- 229910052737 gold Inorganic materials 0.000 description 2
- 230000008569 process Effects 0.000 description 2
- 238000012545 processing Methods 0.000 description 2
- 230000003068 static effect Effects 0.000 description 2
- OKTJSMMVPCPJKN-UHFFFAOYSA-N Carbon Chemical compound [C] OKTJSMMVPCPJKN-UHFFFAOYSA-N 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 229910021389 graphene Inorganic materials 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
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
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Business, Economics & Management (AREA)
- Physics & Mathematics (AREA)
- Accounting & Taxation (AREA)
- Finance (AREA)
- Software Systems (AREA)
- General Physics & Mathematics (AREA)
- General Business, Economics & Management (AREA)
- Data Mining & Analysis (AREA)
- Strategic Management (AREA)
- Marketing (AREA)
- Economics (AREA)
- Artificial Intelligence (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Technology Law (AREA)
- Evolutionary Computation (AREA)
- Medical Informatics (AREA)
- Development Economics (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本申请涉及一种异常提示方法、装置、计算机设备和存储介质,涉及人工智能技术领域,可应用于金融领域或其他技术领域。所述方法包括:根据目标用户已购买的目标产品的产品标识,获取目标产品的产品交易信息,通过交易预测模型,根据目标产品的产品交易信息,确定目标产品的预测交易价格,根据目标产品的预测交易价格和历史交易价格,判断目标产品是否出现异常,若是,则向目标用户所持终端发送异常提示信息。采用本方法能够提高异常判断的准确性。
Description
技术领域
本申请涉及人工智能技术领域,特别是涉及一种异常提示方法、装置、计算机设备和存储介质,可应用于金融领域或其他技术领域。
背景技术
随着金融领域的发展,出现了各类金融产品,例如,与贵金属(例如,黄金)相关的金融产品,由于金融产品的收益与产品交易价格有极大关系,为了能够及时发现金融产品的异常,出现了针对金融产品的异常提示方法。
目前的异常提示方法,能够实时获取各类金融产品的交易数据,并在用户所持终端进行展示,随后用户根据自身的经验进行异常判断。
然而,采用目前的异常提示方法,仅依靠用户自身的经验进行异常判断,降低了异常判断的准确性,亟需改进。
发明内容
基于此,有必要针对上述技术问题,提供一种能够提高异常判断准确性的异常提示方法、装置、计算机设备和存储介质。
第一方面,本申请提供了一种异常提示方法。所述方法包括:
根据目标用户已购买的目标产品的产品标识,获取目标产品的产品交易信息;
通过交易预测模型,根据目标产品的产品交易信息,确定目标产品的预测交易价格;
根据目标产品的预测交易价格和历史交易价格,判断目标产品是否出现异常;
若是,则向目标用户所持终端发送异常提示信息。
在其中一个实施例中,交易预测模型可以采用以下方法训练:
将样本产品的产品交易信息,输入至初始模型中,得到样本产品的预测交易价格;根据样本产品的预测交易价格和真实交易价格,确定训练损失;采用训练损失,对初始模型进行训练,得到交易预测模型。
在其中一个实施例中,通过交易预测模型,根据目标产品的产品交易信息,确定目标产品的预测交易价格,包括:
从目标产品的产品交易信息中提取出产品交易特征;其中,产品交易特征包括成交量维度、交易时间维度和交易价格维度中的至少两种维度特征;通过交易预测模型,根据产品交易特征,确定目标产品的预测交易价格。
在其中一个实施例中,根据目标产品的预测交易价格和历史交易价格,判断目标产品是否出现异常,包括:
根据目标产品的预测交易价格和历史交易价格,确定目标产品的交易波动值;根据交易波动值和波动阈值,判断目标产品是否出现异常。
在其中一个实施例中,根据交易波动值和波动阈值,判断目标产品是否出现异常,包括:
若交易波动值大于或等于波动阈值,则确定目标产品出现异常。
在其中一个实施例中,向目标用户所持终端发送异常提示信息,包括:
根据目标产品的预测交易价格和历史交易价格,生成目标产品的可视化界面;向目标用户所持终端发送包括可视化界面的链接地址的异常提示信息。
第二方面,本申请还提供了一种异常提示装置。所述装置包括:
信息获取模块,用于根据目标用户已购买的目标产品的产品标识,获取目标产品的产品交易信息;
价格确定模块,用于通过交易预测模型,根据目标产品的产品交易信息,确定目标产品的预测交易价格;
异常判断模块,用于根据目标产品的预测交易价格和历史交易价格,判断目标产品是否出现异常;
信息发送模块,用于若是,则向目标用户所持终端发送异常提示信息。
第三方面,本申请还提供了一种计算机设备。所述计算机设备包括存储器和处理器,所述存储器存储有计算机程序,所述处理器执行所述计算机程序时实现以下步骤:
根据目标用户已购买的目标产品的产品标识,获取目标产品的产品交易信息;
通过交易预测模型,根据目标产品的产品交易信息,确定目标产品的预测交易价格;
根据目标产品的预测交易价格和历史交易价格,判断目标产品是否出现异常;
若是,则向目标用户所持终端发送异常提示信息。
第四方面,本申请还提供了一种计算机可读存储介质。所述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以下步骤:
根据目标用户已购买的目标产品的产品标识,获取目标产品的产品交易信息;
通过交易预测模型,根据目标产品的产品交易信息,确定目标产品的预测交易价格;
根据目标产品的预测交易价格和历史交易价格,判断目标产品是否出现异常;
若是,则向目标用户所持终端发送异常提示信息。
第五方面,本申请还提供了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,该计算机程序被处理器执行时实现以下步骤:
根据目标用户已购买的目标产品的产品标识,获取目标产品的产品交易信息;
通过交易预测模型,根据目标产品的产品交易信息,确定目标产品的预测交易价格;
根据目标产品的预测交易价格和历史交易价格,判断目标产品是否出现异常;
若是,则向目标用户所持终端发送异常提示信息。
上述异常提示方法、装置、计算机设备和存储介质,通过交易预测模型,根据目标产品的产品交易信息,确定目标产品的预测交易价格,随后,根据目标产品的预测交易价格和历史交易价格,判断目标产品是否出现异常,若是,则向目标用户所持终端发送异常提示信息。相比于相关技术中仅依靠用户自身经验对目标产品进行异常判断,采用本方法,通过预测出目标产品的预测交易价格,进行异常判断,能够提高异常判断的准确性。
附图说明
图1为一个实施例中异常提示方法的应用环境图;
图2为一个实施例中异常提示方法的流程示意图;
图3为一个实施例中确定预测交易价格的流程示意图;
图4为一个实施例中确定目标产品是否异常的流程示意图;
图5为另一个实施例中异常提示方法的流程示意图;
图6为一个实施例中异常提示装置的结构框图;
图7为另一个实施例中异常提示装置的结构框图;
图8为一个实施例中计算机设备的内部结构图。
具体实施方式
为了使本申请的目的、技术方案及优点更加清楚明白,以下结合附图及实施例,对本申请进行进一步详细说明。应当理解,此处描述的具体实施例仅仅用以解释本申请,并不用于限定本申请。
本申请实施例提供的异常提示方法,可以应用于如图1所示的应用环境中。其中,终端102通过网络与服务器104进行通信。数据存储系统可以存储服务器104需要处理的数据。例如,目标产品的产品交易信息。数据存储系统可以集成在服务器104上,也可以放在云上或其他网络服务器上。例如,服务器104根据目标用户已购买的目标产品的产品标识,获取目标产品的产品交易信息,通过交易预测模型,根据目标产品的产品交易信息,确定目标产品的预测交易价格,根据目标产品的预测交易价格和历史交易价格,判断目标产品是否出现异常,若是,则向目标用户所持终端102发送异常提示信息。其中,终端102可以但不限于是各种个人计算机、笔记本电脑、智能手机、平板电脑和物联网设备等。便携式可穿戴设备可为智能手表、智能手环、头戴设备等。服务器104可以用独立的服务器或者是多个服务器组成的服务器集群来实现。
随着金融领域的发展,出现了各类金融产品,例如,与贵金属(例如,黄金)相关的金融产品,由于金融产品的收益与产品交易价格有极大关系,为了能够及时发现金融产品的异常,出现了针对金融产品的异常提示方法。
目前的异常提示方法,能够实时获取各类金融产品的交易数据,并在用户所持终端进行展示,随后用户根据自身的经验进行异常判断。然而,采用目前的异常提示方法,仅依靠用户自身的经验进行异常判断,降低了异常判断的准确性。
基于此,在一个实施例中,如图2所示,提供了一种异常提示方法,以该方法应用于图1中的异常提示为例进行说明,包括以下步骤:
S201,根据目标用户已购买的目标产品的产品标识,获取目标产品的产品交易信息。
其中,目标用户指的是已经在目标机构平台上注册过的,用于目标机构账户的用户;目标产品指的是目标用户所购买的目标机构推出的产品,例如,贵金属产品;产品标识指的是可以表示目标产品的字符串;目标产品的产品交易信息指的是目标机构平台内,与目标产品相关的所有交易信息。
可选的,可以根据目标用户在目标机构下的账户信息,确定已购买的目标产品;随后,根据目标产品的产品标识,从目标机构下的所有交易信息中,获取目标产品的产品交易信息。
S202,通过交易预测模型,根据目标产品的产品交易信息,确定目标产品的预测交易价格。
其中,交易预测模型是经过训练的神经网络,可以用于预测目标产品的交易价格;预测交易价格为交易预测模型预测得到的,目标产品的交易价格。
可选的,可以将目标产品的产品交易信息输入到交易预测模型中,由交易预测模型根据目标产品的产品交易信息,以及模型参数,确定目标产品的预测交易价格。
S203,根据目标产品的预测交易价格和历史交易价格,判断目标产品是否出现异常。
可选的,在得到目标产品的预测交易价格后,可以将目标产品的预测交易价格和历史交易价格进行比较,若目标产品的预测交易价格和历史交易价格相差较大,则确定目标产品出现异常;若目标产品的预测交易价格和历史交易价格相差较小,则确定目标产品正常。
S204,若是,则向目标用户所持终端发送异常提示信息。
其中,异常提示信息指的是在目标交易出现异常的情况下,用于提示目标用户的信息。
一种可选方式为,在目标产品出现异常的情况下,可以根据目标产品的预测交易价格,向目标用户所持终端发送异常提示信息。
另一种可选方式为,根据目标产品的预测交易价格和历史交易价格,生成目标产品的可视化界面;随后,向目标用户所持终端发送包括可视化界面的链接地址的异常提示信息。
可选的,可以将目标产品的预测交易价格和历史交易价格输入到预设的页面模板中,生成目标产品的可视化界面;随后,根据目标产品可视化界面的链接地址生成异常提示信息,并向目标用户所持终端进行发送。
进一步的,目标用户在接收到异常提示信息后,可以通过点击链接地址,进入到目标产品的可视化界面,进而获取目标产品的异常情况。
可以理解的是,为了提高用户体验,可以根据目标机构对应平台上,各产品的用户浏览量,为目标用户推荐用户浏览量较高的产品,即在可视化界面中展示用户浏览量较高的产品。
上述异常提示方法中,通过交易预测模型,根据目标产品的产品交易信息,确定目标产品的预测交易价格,随后,根据目标产品的预测交易价格和历史交易价格,判断目标产品是否出现异常,若是,则向目标用户所持终端发送异常提示信息。相比于相关技术中仅依靠用户自身经验对目标产品进行异常判断,采用本方法,通过预测出目标产品的预测交易价格,进行异常判断,能够提高异常判断的准确性。
为了保证交易预测模型的准确性,在上述实施例的基础上,在本实施例中,提供了一种交易预测模型的训练方式,具体为,将样本产品的产品交易信息,输入至初始模型中,得到样本产品的预测交易价格,根据样本产品的预测交易价格和真实交易价格,确定训练损失,采用训练损失,对初始模型进行训练,得到交易预测模型。
其中,样本产品指的是在目标机构上的部分产品;初始模型指的是未经训练的模型,可以是神经网络;真实交易价格指的是用于模型训练监督的,产品的真实交易价格。
可选的,可以将样本产品的产品交易信息,输入至初始模型中,得到样本产品的预测交易价格;随后,将样本产品的预测交易价格和真实交易价格代入预设的损失函数,确定训练损失,若训练损失大于预设的损失阈值,则采用训练损失对初始模型进行训练,直至用户预测评价值和用户真实评价值之间的训练损失小于或等于损失阈值,即可得到交易预测模型。其中,损失阈值指的是用于判断训练损失大小的数值。
在本实施例中,采用样本产品的预测交易价格和真实交易价格对初始模型进行训练,能够保证交易预测模型的准确性。
为了提高预测交易价格的准确性,在上述实施的基础上,在本实施例中,提供了一种确定预测交易价格的可选方式,如图3所示,具体包括以下步骤:
S301,从目标产品的产品交易信息中提取出产品交易特征。
其中,产品交易信息可以包括成交量信息、交易时间信息和交易价格信息;产品交易特征包括成交量维度、交易时间维度和交易价格维度中的至少两种维度特征。
可选的,可以从目标产品的产品交易信息中提取出成交量信息、交易时间信息和交易价格信息;随后,分别对成交量信息、交易时间信息和交易价格信息进行特征提取,得到成交量特征、交易时间特征和交易价格特征。
进一步的,可以将成交量特征、交易时间特征和交易价格特征进行拼接,即可得到产品交易特征。
S302,通过交易预测模型,根据产品交易特征,确定目标产品的预测交易价格。
可选的,可以将产品交易特征输入到交易预测模型中,由交易预测模型根据产品交易特征,以及模型参数,确定目标产品的预测交易价格。
在本实施例中,引入产品交易特征,通过产品交易特征确定目标产品的预测交易价格,能够保证目标产品预测交易价格的准确性。
为了保证目标产品异常确定的准确性,在上述实施的基础上,在本实施例中,提供了一种针对目标产品的异常确定的可选方式,如图4所示,具体包括以下步骤:
S401,根据目标产品的预测交易价格和历史交易价格,确定目标产品的交易波动值。
其中,交易波动值指的是可以反应目标产品交易价格波动情况的数值。
可选的,可以将目标产品的预测交易价格和历史交易价格输入到波动值确定模型中,由波动值确定模型根据目标产品的预测交易价格、历史交易价格,以及模型参数,确定目标产品的交易波动值。
或者,可以将目标产品的预测交易价格和历史交易价格之间差值的绝对值,作为目标产品的交易波动值。
S402,根据交易波动值和波动阈值,判断目标产品是否出现异常。
其中,波动阈值是用于评价产品交易波动程度的数值。
可选的,可以根据目标产品的历史交易情况,确定合适的波动阈值;随后,将目标产品的交易波动值与波动阈值进行比较,若交易波动值大于或等于波动阈值,则确定目标产品出现异常;若交易波动值小于波动阈值,则确定目标产品正常。
可以理解的是,若交易波动值大于或等于波动阈值,则表示目标产品的交易价格波动较大,因此确定目标产品出现异常;若交易波动值小于波动阈值,则表示目标产品的交易价格波动较小,因此确定目标产品正常。
在本实施例中,引入波动阈值,通过波动阈值判断目标产品是否出现异常,能够保证目标产品异常确定的准确性。
图5为另一个实施例中异常提示方法的流程示意图,在上述实施例的基础上,本实施例提供了一种异常提示方法的可选实例。结合图5,具体实现过程如下:
S501,根据目标用户已购买的目标产品的产品标识,获取目标产品的产品交易信息。
S502,从目标产品的产品交易信息中提取出产品交易特征。
其中,产品交易特征包括成交量维度、交易时间维度和交易价格维度中的至少两种维度特征。
S503,通过交易预测模型,根据产品交易特征,确定目标产品的预测交易价格。
可选的,将样本产品的产品交易信息,输入至初始模型中,得到样本产品的预测交易价格;根据样本产品的预测交易价格和真实交易价格,确定训练损失;采用训练损失,对初始模型进行训练,得到交易预测模型。
S504,根据目标产品的预测交易价格和历史交易价格,确定目标产品的交易波动值。
S505,根据交易波动值和波动阈值,判断目标产品是否出现异常,若是,则执行S506;若否,则执行S507。
可选的,若交易波动值大于或等于波动阈值,则确定目标产品出现异常;若交易波动值小于波动阈值,则确定目标产品正常。
S506,向目标用户所持终端发送异常提示信息。
S507,向目标用户所持终端发送交易信息。
上述S501-S507的具体过程可以参见上述方法实施例的描述,其实现原理和技术效果类似,在此不再赘述。
应该理解的是,虽然如上所述的各实施例所涉及的流程图中的各个步骤按照箭头的指示依次显示,但是这些步骤并不是必然按照箭头指示的顺序依次执行。除非本文中有明确的说明,这些步骤的执行并没有严格的顺序限制,这些步骤可以以其它的顺序执行。而且,如上所述的各实施例所涉及的流程图中的至少一部分步骤可以包括多个步骤或者多个阶段,这些步骤或者阶段并不必然是在同一时刻执行完成,而是可以在不同的时刻执行,这些步骤或者阶段的执行顺序也不必然是依次进行,而是可以与其它步骤或者其它步骤中的步骤或者阶段的至少一部分轮流或者交替地执行。
基于同样的发明构思,本申请实施例还提供了一种用于实现上述所涉及的异常提示方法的异常提示装置。该装置所提供的解决问题的实现方案与上述方法中所记载的实现方案相似,故下面所提供的一个或多个异常提示装置实施例中的具体限定可以参见上文中对于异常提示方法的限定,在此不再赘述。
在一个实施例中,如图6所示,提供了一种异常提示装置1,包括:信息获取模块10、价格确定模块20、异常判断模块30和信息发送模块40,其中:
信息获取模块10,用于根据目标用户已购买的目标产品的产品标识,获取目标产品的产品交易信息;
价格确定模块20,用于通过交易预测模型,根据目标产品的产品交易信息,确定目标产品的预测交易价格;
异常判断模块30,用于根据目标产品的预测交易价格和历史交易价格,判断目标产品是否出现异常;
信息发送模块40,用于若是,则向目标用户所持终端发送异常提示信息。
在一个实施例中,异常提示装置还包括模型训练模块,其中,模型训练模块
将样本产品的产品交易信息,输入至初始模型中,得到样本产品的预测交易价格;根据样本产品的预测交易价格和真实交易价格,确定训练损失;采用训练损失,对初始模型进行训练,得到交易预测模型。
在一个实施例中,价格确定模块20具体用于:
从目标产品的产品交易信息中提取出产品交易特征;其中,产品交易特征包括成交量维度、交易时间维度和交易价格维度中的至少两种维度特征;通过交易预测模型,根据产品交易特征,确定目标产品的预测交易价格。
在一个实施例中,如图7示,异常判断模块30包括:
波动值确定单元31,用于根据目标产品的预测交易价格和历史交易价格,确定目标产品的交易波动值;
异常判断单元32,用于根据交易波动值和波动阈值,判断目标产品是否出现异常。
在一个实施例中,异常判断单元32具体用于:
若交易波动值大于或等于波动阈值,则确定目标产品出现异常。
在一个实施例中,信息发送模块40具体用于:
根据目标产品的预测交易价格和历史交易价格,生成目标产品的可视化界面;向目标用户所持终端发送包括可视化界面的链接地址的异常提示信息。
上述异常提示装置中的各个模块可全部或部分通过软件、硬件及其组合来实现。上述各模块可以硬件形式内嵌于或独立于计算机设备中的处理器中,也可以以软件形式存储于计算机设备中的存储器中,以便于处理器调用执行以上各个模块对应的操作。
在一个实施例中,提供了一种计算机设备,该计算机设备可以是服务器,其内部结构图可以如图8示。该计算机设备包括处理器、存储器、输入/输出接口(Input/Output,简称I/O)和通信接口。其中,处理器、存储器和输入/输出接口通过系统总线连接,通信接口通过输入/输出接口连接到系统总线。其中,该计算机设备的处理器用于提供计算和控制能力。该计算机设备的存储器包括非易失性存储介质和内存储器。该非易失性存储介质存储有操作系统、计算机程序和数据库。该内存储器为非易失性存储介质中的操作系统和计算机程序的运行提供环境。该计算机设备的数据库用于存储产品交易信息数据。该计算机设备的输入/输出接口用于处理器与外部设备之间交换信息。该计算机设备的通信接口用于与外部的终端通过网络连接通信。该计算机程序被处理器执行时以实现一种异常提示。
本领域技术人员可以理解,图8示出的结构,仅仅是与本申请方案相关的部分结构的框图,并不构成对本申请方案所应用于其上的计算机设备的限定,具体的计算机设备可以包括比图中所示更多或更少的部件,或者组合某些部件,或者具有不同的部件布置。
在一个实施例中,提供了一种计算机设备,包括存储器和处理器,存储器中存储有计算机程序,该处理器执行计算机程序时实现以下步骤:
根据目标用户已购买的目标产品的产品标识,获取目标产品的产品交易信息;
通过交易预测模型,根据目标产品的产品交易信息,确定目标产品的预测交易价格;
根据目标产品的预测交易价格和历史交易价格,判断目标产品是否出现异常;
若是,则向目标用户所持终端发送异常提示信息。
在一个实施例中,处理器执行计算机程序中训练交易预测模型的逻辑时,具体实现以下步骤:
将样本产品的产品交易信息,输入至初始模型中,得到样本产品的预测交易价格;根据样本产品的预测交易价格和真实交易价格,确定训练损失;采用训练损失,对初始模型进行训练,得到交易预测模型。
在一个实施例中,处理器执行计算机程序中通过交易预测模型,根据目标产品的产品交易信息,确定目标产品的预测交易价格的逻辑时,具体实现以下步骤:
从目标产品的产品交易信息中提取出产品交易特征;其中,产品交易特征包括成交量维度、交易时间维度和交易价格维度中的至少两种维度特征;通过交易预测模型,根据产品交易特征,确定目标产品的预测交易价格。
在一个实施例中,处理器执行计算机程序中根据目标产品的预测交易价格和历史交易价格,判断目标产品是否出现异常的逻辑时,具体实现以下步骤:
根据目标产品的预测交易价格和历史交易价格,确定目标产品的交易波动值;根据交易波动值和波动阈值,判断目标产品是否出现异常。
在一个实施例中,处理器执行计算机程序中根据交易波动值和波动阈值,判断目标产品是否出现异常的逻辑时,具体实现以下步骤:
若交易波动值大于或等于波动阈值,则确定目标产品出现异常。
在一个实施例中,处理器执行计算机程序中向目标用户所持终端发送异常提示信息的逻辑时,具体实现以下步骤:
根据目标产品的预测交易价格和历史交易价格,生成目标产品的可视化界面;向目标用户所持终端发送包括可视化界面的链接地址的异常提示信息。
在一个实施例中,提供了一种计算机可读存储介质,其上存储有计算机程序,计算机程序被处理器执行时实现以下步骤:
根据目标用户已购买的目标产品的产品标识,获取目标产品的产品交易信息;
通过交易预测模型,根据目标产品的产品交易信息,确定目标产品的预测交易价格;
根据目标产品的预测交易价格和历史交易价格,判断目标产品是否出现异常;
若是,则向目标用户所持终端发送异常提示信息。
在一个实施例中,计算机程序中训练交易预测模型的这一代码逻辑被处理器执行时,具体实现以下步骤:
将样本产品的产品交易信息,输入至初始模型中,得到样本产品的预测交易价格;根据样本产品的预测交易价格和真实交易价格,确定训练损失;采用训练损失,对初始模型进行训练,得到交易预测模型。
在一个实施例中,计算机程序中通过交易预测模型,根据目标产品的产品交易信息,确定目标产品的预测交易价格的这一代码逻辑被处理器执行时,具体实现以下步骤:
从目标产品的产品交易信息中提取出产品交易特征;其中,产品交易特征包括成交量维度、交易时间维度和交易价格维度中的至少两种维度特征;通过交易预测模型,根据产品交易特征,确定目标产品的预测交易价格。
在一个实施例中,计算机程序中根据目标产品的预测交易价格和历史交易价格,判断目标产品是否出现异常的这一代码逻辑被处理器执行时,具体实现以下步骤:
根据目标产品的预测交易价格和历史交易价格,确定目标产品的交易波动值;根据交易波动值和波动阈值,判断目标产品是否出现异常。
在一个实施例中,计算机程序中根据交易波动值和波动阈值,判断目标产品是否出现异常的这一代码逻辑被处理器执行时,具体实现以下步骤:
若交易波动值大于或等于波动阈值,则确定目标产品出现异常。
在一个实施例中,计算机程序中向目标用户所持终端发送异常提示信息的这一代码逻辑被处理器执行时,具体实现以下步骤:
根据目标产品的预测交易价格和历史交易价格,生成目标产品的可视化界面;向目标用户所持终端发送包括可视化界面的链接地址的异常提示信息。
在一个实施例中,提供了一种计算机程序产品,包括计算机程序,该计算机程序被处理器执行时实现以下步骤:
根据目标用户已购买的目标产品的产品标识,获取目标产品的产品交易信息;
通过交易预测模型,根据目标产品的产品交易信息,确定目标产品的预测交易价格;
根据目标产品的预测交易价格和历史交易价格,判断目标产品是否出现异常;
若是,则向目标用户所持终端发送异常提示信息。
在一个实施例中,计算机程序被处理器执行训练交易预测模型的操作时,具体实现以下步骤:
将样本产品的产品交易信息,输入至初始模型中,得到样本产品的预测交易价格;根据样本产品的预测交易价格和真实交易价格,确定训练损失;采用训练损失,对初始模型进行训练,得到交易预测模型。
在一个实施例中,计算机程序被处理器执行通过交易预测模型,根据目标产品的产品交易信息,确定目标产品的预测交易价格的操作时,具体实现以下步骤:
从目标产品的产品交易信息中提取出产品交易特征;其中,产品交易特征包括成交量维度、交易时间维度和交易价格维度中的至少两种维度特征;通过交易预测模型,根据产品交易特征,确定目标产品的预测交易价格。
在一个实施例中,计算机程序被处理器执行根据目标产品的预测交易价格和历史交易价格,判断目标产品是否出现异常的操作时,具体实现以下步骤:
根据目标产品的预测交易价格和历史交易价格,确定目标产品的交易波动值;根据交易波动值和波动阈值,判断目标产品是否出现异常。
在一个实施例中,计算机程序被处理器执行根据交易波动值和波动阈值,判断目标产品是否出现异常的操作时,具体实现以下步骤:
若交易波动值大于或等于波动阈值,则确定目标产品出现异常。
在一个实施例中,计算机程序被处理器执行向目标用户所持终端发送异常提示信息的操作时,具体实现以下步骤:
根据目标产品的预测交易价格和历史交易价格,生成目标产品的可视化界面;向目标用户所持终端发送包括可视化界面的链接地址的异常提示信息。
需要说明的是,本申请所涉及的据(包括但不限于用于产品交易信息等),均为经用户授权或者经过各方充分授权的信息和数据。
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程,是可以通过计算机程序来指令相关的硬件来完成,所述的计算机程序可存储于一非易失性计算机可读取存储介质中,该计算机程序在执行时,可包括如上述各方法的实施例的流程。其中,本申请所提供的各实施例中所使用的对存储器、数据库或其它介质的任何引用,均可包括非易失性和易失性存储器中的至少一种。非易失性存储器可包括只读存储器(Read-OnlyMemory,ROM)、磁带、软盘、闪存、光存储器、高密度嵌入式非易失性存储器、阻变存储器(ReRAM)、磁变存储器(Magnetoresistive Random Access Memory,MRAM)、铁电存储器(Ferroelectric Random Access Memory,FRAM)、相变存储器(Phase Change Memory,PCM)、石墨烯存储器等。易失性存储器可包括随机存取存储器(Random Access Memory,RAM)或外部高速缓冲存储器等。作为说明而非局限,RAM可以是多种形式,比如静态随机存取存储器(Static Random Access Memory,SRAM)或动态随机存取存储器(Dynamic RandomAccess Memory,DRAM)等。本申请所提供的各实施例中所涉及的数据库可包括关系型数据库和非关系型数据库中至少一种。非关系型数据库可包括基于区块链的分布式数据库等,不限于此。本申请所提供的各实施例中所涉及的处理器可为通用处理器、中央处理器、图形处理器、数字信号处理器、可编程逻辑器、基于量子计算的数据处理逻辑器等,不限于此。
以上实施例的各技术特征可以进行任意的组合,为使描述简洁,未对上述实施例中的各个技术特征所有可能的组合都进行描述,然而,只要这些技术特征的组合不存在矛盾,都应当认为是本说明书记载的范围。
以上所述实施例仅表达了本申请的几种实施方式,其描述较为具体和详细,但并不能因此而理解为对本申请专利范围的限制。应当指出的是,对于本领域的普通技术人员来说,在不脱离本申请构思的前提下,还可以做出若干变形和改进,这些都属于本申请的保护范围。因此,本申请的保护范围应以所附权利要求为准。
Claims (10)
1.一种异常提示方法,其特征在于,所述方法包括:
根据目标用户已购买的目标产品的产品标识,获取所述目标产品的产品交易信息;
通过交易预测模型,根据所述目标产品的产品交易信息,确定所述目标产品的预测交易价格;
根据所述目标产品的预测交易价格和历史交易价格,判断所述目标产品是否出现异常;
若是,则向所述目标用户所持终端发送异常提示信息。
2.根据权利要求1所述的方法,其特征在于,所述交易预测模型可以采用以下方法训练:
将样本产品的产品交易信息,输入至初始模型中,得到所述样本产品的预测交易价格;
根据所述样本产品的预测交易价格和真实交易价格,确定训练损失;
采用所述训练损失,对初始模型进行训练,得到所述交易预测模型。
3.根据权利要求1所述的方法,其特征在于,所述通过交易预测模型,根据所述目标产品的产品交易信息,确定所述目标产品的预测交易价格,包括:
从所述目标产品的产品交易信息中提取出产品交易特征;其中,所述产品交易特征包括成交量维度、交易时间维度和交易价格维度中的至少两种维度特征;
通过交易预测模型,根据所述产品交易特征,确定所述目标产品的预测交易价格。
4.根据权利要求1所述的方法,其特征在于,所述根据所述目标产品的预测交易价格和历史交易价格,判断所述目标产品是否出现异常,包括:
根据所述目标产品的预测交易价格和历史交易价格,确定所述目标产品的交易波动值;
根据所述交易波动值和波动阈值,判断所述目标产品是否出现异常。
5.根据权利要求4所述的方法,其特征在于,所述根据所述交易波动值和波动阈值,判断所述目标产品是否出现异常,包括:
若所述交易波动值大于或等于波动阈值,则确定所述目标产品出现异常。
6.根据权利要求1所述的方法,其特征在于,所述向所述目标用户所持终端发送异常提示信息,包括:
根据所述目标产品的预测交易价格和历史交易价格,生成所述目标产品的可视化界面;
向所述目标用户所持终端发送包括所述可视化界面的链接地址的异常提示信息。
7.一种异常提示装置,其特征在于,所述装置包括:
信息获取模块,用于根据目标用户已购买的目标产品的产品标识,获取所述目标产品的产品交易信息;
价格确定模块,用于通过交易预测模型,根据所述目标产品的产品交易信息,确定所述目标产品的预测交易价格;
异常判断模块,用于根据所述目标产品的预测交易价格和历史交易价格,判断所述目标产品是否出现异常;
信息发送模块,用于若是,则向所述目标用户所持终端发送异常提示信息。
8.一种计算机设备,包括存储器和处理器,所述存储器存储有计算机程序,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6中任一项所述的方法的步骤。
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权利要求1至6中任一项所述的方法的步骤。
10.一种计算机程序产品,包括计算机程序,其特征在于,该计算机程序被处理器执行时实现权利要求1至6中任一项所述的方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310944481.0A CN117151873A (zh) | 2023-07-28 | 2023-07-28 | 异常提示方法、装置、计算机设备和存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310944481.0A CN117151873A (zh) | 2023-07-28 | 2023-07-28 | 异常提示方法、装置、计算机设备和存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN117151873A true CN117151873A (zh) | 2023-12-01 |
Family
ID=88897707
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310944481.0A Pending CN117151873A (zh) | 2023-07-28 | 2023-07-28 | 异常提示方法、装置、计算机设备和存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117151873A (zh) |
-
2023
- 2023-07-28 CN CN202310944481.0A patent/CN117151873A/zh active Pending
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN116629435A (zh) | 风险预测方法、装置、计算机设备和存储介质 | |
CN117033039A (zh) | 故障检测方法、装置、计算机设备和存储介质 | |
CN116933035A (zh) | 数据异常检测方法、装置、计算机设备和存储介质 | |
CN116703598A (zh) | 交易行为检测方法、装置、计算机设备和存储介质 | |
CN116737495A (zh) | 运行状态确定方法、装置、计算机设备和存储介质 | |
CN117151873A (zh) | 异常提示方法、装置、计算机设备和存储介质 | |
CN115758271A (zh) | 数据处理方法、装置、计算机设备和存储介质 | |
CN114925228B (zh) | 点云解算的可视化监控方法、装置和计算机设备 | |
CN117455664A (zh) | 资源数据的处理方法、装置、计算机设备和存储介质 | |
CN117436484A (zh) | 图像识别模型构建、装置、计算机设备和存储介质 | |
CN117492728A (zh) | 接口生成方法、装置、计算机设备和存储介质 | |
CN117056307A (zh) | 数据库管理方法、装置、设备、存储介质和程序产品 | |
CN116701531A (zh) | 代码块分享方法、装置、计算机设备和存储介质 | |
CN116467521A (zh) | 账户推荐模型的训练方法、账户推荐方法、装置和设备 | |
CN117436838A (zh) | 人机交互方法、装置、计算机设备和存储介质 | |
CN116861071A (zh) | 资讯推送方法、装置、计算机设备、存储介质和程序产品 | |
CN116881543A (zh) | 金融资源对象推荐方法、装置、设备、存储介质和产品 | |
CN117496237A (zh) | 对抗样本生成方法、装置、计算机设备和存储介质 | |
CN115658899A (zh) | 文本分类方法、装置、计算机设备和存储介质 | |
CN116894728A (zh) | 异常账户确定方法、装置、计算机设备和存储介质 | |
CN117390490A (zh) | 用电信用报告的生成方法、装置、设备、存储介质和产品 | |
CN117391490A (zh) | 金融业务的评价信息处理方法、装置和计算机设备 | |
CN116681164A (zh) | 资源信息处理方法、装置、计算机设备和存储介质 | |
CN117522138A (zh) | 金融业务系统的测试风险识别方法、装置、设备和介质 | |
CN117612192A (zh) | 电子图纸信息识别方法、系统、电子设备、存储介质 |
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 |