CN117787966B - 聚合支付数据识别控制系统及方法 - Google Patents

Abstract

本发明涉及金融数据处理领域，提供了一种聚合支付数据识别控制系统及方法，所述系统包括：分段预测器件，用于采用概率预测模型预测当前聚合支付扫码完成时刻之后相等时间长度的各个时间分段分别对应的各份支付失败概率以及各份失败故障类型；重传请求器件，用于在各份支付失败概率中的最大值对应的时间分段的起始时刻到达时，自动向聚合支付服务器发出重新传码请求。通过本发明，面对每一次聚合支付难以预测故障发生时间和故障类型导致用户使用体验不佳的技术问题，通过设计定制结构的概率预测模型智能预测聚合支付发生故障的时刻以及故障类型，进而进行相应的动态支付控制，从而有效解决了上述技术问题。

Description

聚合支付数据识别控制系统及方法

技术领域

本发明涉及金融数据处理领域，尤其涉及一种聚合支付数据识别控制系统及方法。

背景技术

聚合支付是金融数据处理的一项重要分支，具体指的是利用技术和服务集成能力，聚合多种支付工具，如支付宝、微信支付、百度钱包、银联等，为商户提供一点接入的综合支付解决方案。

聚合支付平台作为一个中央系统，其稳定性对于商家和消费者来说至关重要。然而，由于各种原因，如服务器故障、网络问题等，聚合支付平台可能会出现不稳定的情况，导致支付中断或失败。这对于商家来说是一个严重的问题，因为他们可能会失去收入，并且可能无法解决支付问题导致的客户不满。因此，当前的聚合支付需要围绕其稳定性和可靠性进行各种基于聚合支付数据识别结果的动态控制处理，以解决其支付稳定性不足的缺陷。

进一步地，中国发明专利公开文本CN 116611834A提出的一种离线聚合支付方法，所述方法包括：S1、商户端支付信息生成：在S3阶段，商户端预先检测到网络延迟较大或网络处于断连状态时，可由商户手动操作生成一段临时的离线支付信息；S5、用户端扫描离线信息，结算完成后，通过网络再发送到商户端机器上。本发明的优点在于：本发明用于解决零售企业的线下门店无网络连接，网络不稳定，或者突发网络故障时，达到线下门店能够正常接受用户的支付效果，采用技术手段实时生成动态聚合支付码供消费者主扫完成支付，并结算到指定结算账户，形成在本零售网络中可靠稳健、快速高效地支付基础设施。

进一步地，专利公开号为CN107833052A的中国发明提出的一种基于区块链的聚合支付系统及工作方法，所述系统包括客户端和认证处理中心，所述客户端与认证处理中心以无线通信方式相连接；所述客户端包括通信模块、指纹采集模块和绑定认证模块，所述指纹采集模块与通信模块相连接，绑定认证模块与通信模块相连接，所述认证处理中心包括请求池、共识处理节点和区链块，所述请求池与共识处理节点相连接，所述共识处理节点设置在区块链的分布式网络上。本发明可解决在手机故障、没有网络或电量用尽等紧急情况下可借助其他智能移动设备完成支付交易，保护账户安全。

显然，上述现有技术仅仅限于聚合支付在发生支付故障时基于数据识别结果的各种支付紧急应对机制，而并没有涉及如何提前预知聚合支付故障发生的时间以及具体的支付故障类型，导致执行具体聚合支付的用户需要一直等待当前聚合支付直到其出现支付故障而无法进行提前反应，同时这种等待聚合支付故障的模式也给用户带来不愉悦的使用体验，容易导致聚合支付商家损失大量用户和流量。

发明内容

为了解决现有技术中的技术问题，本发明提供了一种聚合支付数据识别控制系统及方法，能够采用针对性结构设计的智能预测模型在每一次聚合支付完成之前提前预测本次聚合支付发生故障的时间分段以及发生的具体故障类型，并在预测的本次聚合支付发生故障的时间分段的开始时刻到达时自动向聚合支付服务器请求新的聚合支付二维图案，同时告知用户和聚合支付服务器预测的具体故障类型，从而在节省支付等待时间的同时，为聚合支付用户提供更优的提醒服务，避免聚合支付商家丢失用户和流量。

根据本发明的一方面，提供了一种聚合支付数据识别控制系统，所述系统包括：

第一采集器件，用于采集聚合支付客户终端的各项设备性能参数以及采集聚合支付服务器的各项设备性能参数，所述聚合支付客户终端为扫码图案显示终端显示的聚合支付二维图案并执行聚合支付的客户终端，所述聚合支付服务器与所述聚合支付客户终端网络连接。

第二采集器件，用于采集所述当前聚合支付对应的多项支付信息。

模型搭建器件，用于对卷积神经网络执行多次学习以获得经过多次学习后的卷积神经网络并作为概率预测模型输出。

分段预测器件，分别与所述第一采集器件、所述第二采集器件以及所述模型搭建器件连接，用于基于设定时间间隔、所述聚合支付客户终端的各项设备性能参数、所述聚合支付服务器的各项设备性能参数以及所述当前聚合支付对应的多项支付信息采用概率预测模型智能预测扫码完成时刻之后相等时间长度的各个时间分段分别对应的各份支付失败概率以及各份失败故障类型的二进制编码数据，所述相等时间长度为所述设定时间间隔对应的数值。

重传请求器件，与所述分段预测器件连接，用于在各份支付失败概率中的最大值对应的时间分段的起始时刻到达时，自动向聚合支付服务器发出重新传码请求。

其中，所述扫码完成时刻为所述聚合支付客户终端扫码所述聚合支付二维图案的完成时刻。

根据本发明的另一方面，提供了一种聚合支付数据识别控制方法，所述方法包括：

采集聚合支付客户终端的各项设备性能参数以及采集聚合支付服务器的各项设备性能参数，所述聚合支付客户终端为扫码图案显示终端显示的聚合支付二维图案并执行聚合支付的客户终端，所述聚合支付服务器与所述聚合支付客户终端网络连接。

采集所述当前聚合支付对应的多项支付信息。

对卷积神经网络执行多次学习以获得经过多次学习后的卷积神经网络并作为概率预测模型输出。

基于设定时间间隔、所述聚合支付客户终端的各项设备性能参数、所述聚合支付服务器的各项设备性能参数以及所述当前聚合支付对应的多项支付信息采用概率预测模型智能预测扫码完成时刻之后相等时间长度的各个时间分段分别对应的各份支付失败概率以及各份失败故障类型的二进制编码数据，所述相等时间长度为所述设定时间间隔对应的数值。

在各份支付失败概率中的最大值对应的时间分段的起始时刻到达时，自动向聚合支付服务器发出重新传码请求。

其中，所述扫码完成时刻为所述聚合支付客户终端扫码所述聚合支付二维图案的完成时刻。

由此可见，本发明至少具备以下三处突出的实质性特点：

实质性特点A：针对当前聚合支付客户终端以及当前聚合支付服务器之间执行的当前聚合支付操作，采用概率预测模型智能预测当前聚合支付客户终端扫码完成时刻之后相等时间长度的各个时间分段分别对应的各份支付失败概率以及各份失败故障类型，从而在当前聚合支付操作未完成之前对各个时间分段发生支付失败的具体概率数值以及具体失败故障类型进行预测性的识别处理，为后续的支付控制提供关键信息。

实质性特点B：将各份支付失败概率中的最大值对应的时间分段的起始时刻作为当前聚合支付对应的重新传码时刻，以在所述重新传码时刻到达时，向当前聚合支付服务器发出重新传码请求，同时向当前聚合支付服务器上报各份支付失败概率中的最大值对应的时间分段对应的失败故障类型，从而在节省支付等待时间的同时，为聚合支付用户提供更优的提醒服务。

实质性特点C：设计定制结构的概率预测模型以执行智能预测处理，所述概率预测模型为经过多次学习后的卷积神经网络，其结构定制表现在逐项输入数据的针对性筛选以及每一次学习的针对性设计，从而保证了所述概率预测模型的智能预测处理结果的有效性和稳定性。

附图说明

以下将结合附图对本发明的实施例进行描述，其中：

图1为根据本发明的聚合支付数据识别控制系统及方法的技术流程图；

图2为根据本发明的第一实施例示出的聚合支付数据识别控制系统的内部结构图；

图3为根据本发明的第二实施例示出的聚合支付数据识别控制系统的内部结构图；

图4为根据本发明的第三实施例示出的聚合支付数据识别控制系统的内部结构图；

图5为根据本发明的第四实施例示出的聚合支付数据识别控制系统的内部结构图；

图6为根据本发明的第五实施例示出的聚合支付数据识别控制系统的内部结构图；

图7为根据本发明的第六实施例示出的聚合支付数据识别控制方法的步骤流程图。

具体实施方式

如图1所示，本发明的具体的技术流程如下：

技术流程一：针对当前聚合支付服务器建立定制结构的概率预测模型，所述概率预测模型用于智能预测当前聚合支付在聚合支付二维图案被扫码完成时刻之后相等时间长度的各个时间分段分别对应的各份支付失败概率以及各份失败故障类型，如图1所示，技术流程一可以在当前聚合支付服务器处执行，一个聚合支付服务器对应一个聚合支付平台。

具体地，所述概率预测模型的结构的定制表现在以下几个方面：

方面A，所述概率预测模型为经过多次学习后的卷积神经网络，所述多次学习的学习次数与当前聚合支付服务器的单位时间最高运算量正向关联，从而为不同的聚合支付服务器定制不同的概率预测模型，保证了预测结果的稳定性和有效性。

方面B，为概率预测模型选择定制设计的单次学习处理，具体地，在对卷积神经网络执行的每一次学习中，将同一聚合支付客户终端以及同一聚合支付服务器之间的同一聚合支付进行设定数目的支付试验，以确定扫码完成时刻之后相等时间长度的各个时间分段分别对应的各份支付失败概率以及各份失败故障类型的二进制编码数据并作为卷积神经网络的逐项输出内容，以及将设定时间间隔、所述同一聚合支付客户终端的各项设备性能参数、所述同一聚合支付服务器的各项设备性能参数以及所述同一聚合支付对应的多项支付信息作为卷积神经网络的逐项输出内容的逐项输入内容，以完成本次学习，其中，对卷积神经网络执行的多次学习分别对应多个聚合支付客户终端、多个聚合支付服务器以及多份聚合支付。

方面C，所述概率预测模型的逐项输入内容都为针对性筛选的基础数据，包括当前聚合支付客户终端的各项设备性能参数、当前聚合支付服务器的各项设备性能参数以及当前聚合支付对应的多项支付信息。

具体地，所述当前聚合支付对应的多项支付信息为当前聚合支付客户终端与当前聚合支付服务器之间的地理间距、所述当前聚合支付对应的支付金额以及所述当前聚合支付对应的出账银行的平均出账时长。

具体地，当前聚合支付客户终端的各项设备性能参数为当前聚合支付客户终端的单位时间最高运算量、处理内核数量、内存容量以及网络传输接口的传输带宽，当前聚合支付服务器的各项设备性能参数为当前聚合支付服务器单位时间最高运算量、处理内核数量、内存容量、网络传输接口的传输带宽以及支持的并发支付单数上限。

技术流程二：针对当前聚合支付客户终端通过扫码当前聚合支付二维图案、向当前聚合支付服务器发出相应的支付请求以完成当前聚合支付二维图案对应的当前聚合支付的具体聚合支付场景，使用针对当前聚合支付服务器定制的概率预测模型，智能预测当前聚合支付客户终端扫码完成时刻之后相等时间长度的各个时间分段分别对应的各份支付失败概率以及各份失败故障类型，如图1所示，技术流程二可以在当前聚合支付客户终端处执行。

这样，在当前聚合支付操作未完成之前对各个时间分段发生支付失败的具体概率数值以及具体失败故障类型进行预测性的识别处理，从而为后续的支付控制提供关键信息。

技术流程三：将各份支付失败概率中的最大值对应的时间分段的起始时刻作为当前聚合支付对应的重新传码时刻，以在所述重新传码时刻到达时，向当前聚合支付服务器发出重新传码请求，同时向当前聚合支付服务器上报各份支付失败概率中的最大值对应的时间分段对应的失败故障类型，如图1所示，技术流程三可以在当前聚合支付客户终端处执行。

这样，在节省支付等待时间的同时，为聚合支付用户提供更优的提醒服务，使得聚合支付用户获得更佳的聚合支付体验。

本发明的关键点在于：针对不同聚合支付服务器的不同概率预测模型的定制结构设计、扫码完成时刻之后相等时间长度的各个时间分段分别对应的各份支付失败概率以及各份失败故障类型的智能数据识别、基于所述智能数据识别结果的自适应重新传码的支付控制机制。

下面，将对本发明的聚合支付数据识别控制系统及方法以实施例的方式进行具体说明。

实施例一

如图2所示，一种聚合支付数据识别控制系统包括以下部件：

第一采集器件，用于采集聚合支付客户终端的各项设备性能参数以及采集聚合支付服务器的各项设备性能参数，所述聚合支付客户终端为扫码图案显示终端显示的聚合支付二维图案并执行聚合支付的客户终端，所述聚合支付服务器与所述聚合支付客户终端网络连接。

进一步地，所述第一采集器件可以包括两个采集组件，用于分别采集聚合支付客户终端的各项设备性能参数以及采集聚合支付服务器的各项设备性能参数。

具体地，第一采集组件用于采集聚合支付客户终端的各项设备性能参数，以及第二采集组件用于采集聚合支付服务器的各项设备性能参数。

第二采集器件，用于采集所述当前聚合支付对应的多项支付信息。

进一步地，可以选择采用多个采集组件用于分别采集所述当前聚合支付对应的多项支付信息。

模型搭建器件，用于对卷积神经网络执行多次学习以获得经过多次学习后的卷积神经网络并作为概率预测模型输出。

具体地，对卷积神经网络执行多次学习以获得经过多次学习后的卷积神经网络并作为概率预测模型输出包括：选择采用MATLAB工具箱完成对所述多次学习的模拟和测试。

分段预测器件，分别与所述第一采集器件、所述第二采集器件以及所述模型搭建器件连接，用于基于设定时间间隔、所述聚合支付客户终端的各项设备性能参数、所述聚合支付服务器的各项设备性能参数以及所述当前聚合支付对应的多项支付信息采用概率预测模型智能预测扫码完成时刻之后相等时间长度的各个时间分段分别对应的各份支付失败概率以及各份失败故障类型的二进制编码数据，所述相等时间长度为所述设定时间间隔对应的数值。

具体地，基于设定时间间隔、所述聚合支付客户终端的各项设备性能参数、所述聚合支付服务器的各项设备性能参数以及所述当前聚合支付对应的多项支付信息采用概率预测模型智能预测扫码完成时刻之后相等时间长度的各个时间分段分别对应的各份支付失败概率以及各份失败故障类型的二进制编码数据，所述相等时间长度为所述设定时间间隔对应的数值包括：可以采用数值仿真模式实现基于设定时间间隔、所述聚合支付客户终端的各项设备性能参数、所述聚合支付服务器的各项设备性能参数以及所述当前聚合支付对应的多项支付信息采用概率预测模型智能预测扫码完成时刻之后相等时间长度的各个时间分段分别对应的各份支付失败概率以及各份失败故障类型的二进制编码数据，所述相等时间长度为所述设定时间间隔对应的数值的数据处理过程的仿真。

重传请求器件，与所述分段预测器件连接，用于在各份支付失败概率中的最大值对应的时间分段的起始时刻到达时，自动向聚合支付服务器发出重新传码请求。

其中，所述扫码完成时刻为所述聚合支付客户终端扫码所述聚合支付二维图案的完成时刻。

其中，所述聚合支付服务器用于接收所述聚合支付客户终端通过扫码所述聚合支付二维图案发出的支付请求以完成所述聚合支付二维图案对应的当前聚合支付，以及每一时间分段对应一份支付失败概率和一份失败故障类型的二进制编码数据。

这样，能够在最有可能产生支付失败的时间分段到达但未完成时，提前判断支付失败，并触发新的聚合支付二维图案的产生，从而提升了用户的使用体验。

其中，采集所述当前聚合支付对应的多项支付信息包括：所述当前聚合支付对应的多项支付信息为所述聚合支付客户终端与所述聚合支付服务器之间的地理间距、所述当前聚合支付对应的支付金额以及所述当前聚合支付对应的出账银行的平均出账时长。

其中，对卷积神经网络执行多次学习以获得经过多次学习后的卷积神经网络并作为概率预测模型输出包括：所述多次学习对应的学习总数与所述聚合支付服务器单位时间最高运算量正向关联。

进一步地，所述多次学习对应的学习总数与所述聚合支付服务器单位时间最高运算量正向关联包括：所述聚合支付服务器单位时间最高运算量为每秒五百亿次浮点运算数目，选择的所述多次学习对应的学习总数为100，所述聚合支付服务器单位时间最高运算量为每秒六百亿次浮点运算数目，选择的所述多次学习对应的学习总数为120，所述聚合支付服务器单位时间最高运算量为每秒七百亿次浮点运算数目，选择的所述多次学习对应的学习总数为150，以及所述聚合支付服务器单位时间最高运算量为每秒八百亿次浮点运算数目，选择的所述多次学习对应的学习总数为200。

其中，采集聚合支付客户终端的各项设备性能参数以及采集聚合支付服务器的各项设备性能参数包括：所述聚合支付客户终端的各项设备性能参数为所述聚合支付客户终端的单位时间最高运算量、处理内核数量、内存容量以及网络传输接口的传输带宽，所述聚合支付服务器的各项设备性能参数为所述聚合支付服务器单位时间最高运算量、处理内核数量、内存容量、网络传输接口的传输带宽以及支持的并发支付单数上限。

其中，在各份支付失败概率中的最大值对应的时间分段的起始时刻到达时，自动向聚合支付服务器发出重新传码请求包括：所述聚合支付服务器在接收到所述重新传码请求后，将所述当前聚合支付对应的新的聚合支付二维图案无线传输到所述图案显示终端以替换所述图案显示终端之前显示的旧的聚合支付二维图案。

其中，基于设定时间间隔、所述聚合支付客户终端的各项设备性能参数、所述聚合支付服务器的各项设备性能参数以及所述当前聚合支付对应的多项支付信息采用概率预测模型智能预测扫码完成时刻之后相等时间长度的各个时间分段分别对应的各份支付失败概率以及各份失败故障类型的二进制编码数据包括：相等时间长度的各个时间分段在时间轴上组成一个完整的时间区间且所述失败故障类型包括服务器故障、网络故障以及客户终端故障。

进一步地，基于设定时间间隔、所述聚合支付客户终端的各项设备性能参数、所述聚合支付服务器的各项设备性能参数以及所述当前聚合支付对应的多项支付信息采用概率预测模型智能预测扫码完成时刻之后相等时间长度的各个时间分段分别对应的各份支付失败概率以及各份失败故障类型的二进制编码数据还包括：选择采用不同的二进制编码数据分别表示服务器故障、网络故障以及客户终端故障，以实现对服务器故障、网络故障以及客户终端故障的区分。

实施例二

如图3所示，在实施例一的基础上，所述聚合支付数据识别控制系统还包括：

网络传输接口，设置在所述聚合支付客户终端内且与所述分段预测器件连接，用于将智能预测的扫码完成时刻之后相等时间长度的各个时间分段分别对应的各份支付失败概率以及各份失败故障类型的二进制编码数据通过无线通信链路网络传输到所述聚合支付服务器。

进一步地，所述网络传输接口基于频分双工通信链路或者时分双工通信链路来实现所述无线通信链路，以将智能预测的扫码完成时刻之后相等时间长度的各个时间分段分别对应的各份支付失败概率以及各份失败故障类型的二进制编码数据通过无线通信链路网络传输到所述聚合支付服务器。

其中，所述重传请求器件与所述网络传输接口连接，用于将所述重新传码请求通过所述网络传输接口网络传输到所述聚合支付服务器。

实施例三

如图4所示，在实施例二的基础上，所述聚合支付数据识别控制系统还包括：

内容存储器件，与所述模型搭建器件连接，用于存储所述概率预测模型；

具体地，可以选择采用FLASH闪存、TF存储器件或者MMC存储器件来实现所述内容存储器件；

其中，所述内容存储器件通过存储所述概率预测模型的各项模型参数完成对所述概率预测模型的存储。

实施例四

如图5所示，在实施例三的基础上，所述聚合支付数据识别控制系统还包括：

液晶显示器件，设置在所述聚合支付客户终端内且与所述分段预测器件连接，用于接收并实时显示智能预测的扫码完成时刻之后相等时间长度的各个时间分段分别对应的各份支付失败概率以及各份失败故障类型；

进一步地，可以选择采用LED发光阵列或者LCD发光阵列来替换所述液晶显示器件，用于接收并实时显示智能预测的扫码完成时刻之后相等时间长度的各个时间分段分别对应的各份支付失败概率以及各份失败故障类型。

实施例五

如图6所示，在实施例四的基础上，所述聚合支付数据识别控制系统还包括：

串行配置接口，分别与所述分段预测器件、所述第一采集器件、所述第二采集器件以及所述模型搭建器件连接，用于实现对所述分段预测器件、所述第一采集器件、所述第二采集器件以及所述模型搭建器件各自的工作参数的分址配置；

进一步地，可以选择采用IIC配置接口，用于实现所述串行配置接口，完成对所述分段预测器件、所述第一采集器件、所述第二采集器件以及所述模型搭建器件各自的工作参数的分址配置；

其中，实现对所述分段预测器件、所述第一采集器件、所述第二采集器件以及所述模型搭建器件各自的工作参数的分址配置包括：所述分段预测器件、所述第一采集器件、所述第二采集器件以及所述模型搭建器件各自的工作参数分别对应不同的串行配置地址；

其中，所述串行配置接口、所述分段预测器件、所述第一采集器件、所述第二采集器件以及所述模型搭建器件都设置在所述聚合支付客户终端内。

接着，将继续对本发明的各个实施例进行进一步地说明。

在上述各个实施例内，在所述聚合支付数据识别控制系统中：

对卷积神经网络执行多次学习以获得经过多次学习后的卷积神经网络并作为概率预测模型输出还包括：在对卷积神经网络执行的每一次学习中，将同一聚合支付客户终端以及同一聚合支付服务器之间的同一聚合支付进行设定数目的支付试验，以确定扫码完成时刻之后相等时间长度的各个时间分段分别对应的各份支付失败概率以及各份失败故障类型的二进制编码数据并作为卷积神经网络的逐项输出内容。

进一步地，在扫码完成时刻为下午1点整，相等时间长度为10秒时，扫码完成时刻之后相等时间长度的各个时间分段分别具体为下午1点整到下午1点10秒，下午1点10秒到下午1点20秒，下午1点20秒到下午1点30秒，下午1点30秒到下午1点40秒，下午1点40秒到下午1点50秒，下午1点50秒到下午1点1分，下午1点1分到下午1点1分10秒，下午1点1分10秒到下午1点1分20秒。

其中，对卷积神经网络执行多次学习以获得经过多次学习后的卷积神经网络并作为概率预测模型输出还包括：将设定时间间隔、所述同一聚合支付客户终端的各项设备性能参数、所述同一聚合支付服务器的各项设备性能参数以及所述同一聚合支付对应的多项支付信息作为卷积神经网络的逐项输出内容的逐项输入内容，以完成本次学习。

其中，对卷积神经网络执行多次学习以获得经过多次学习后的卷积神经网络并作为概率预测模型输出还包括：所述多次学习分别对应多个聚合支付客户终端、多个聚合支付服务器以及多份聚合支付。

以及在上述各个实施例内，在所述聚合支付数据识别控制系统中：

基于设定时间间隔、所述聚合支付客户终端的各项设备性能参数、所述聚合支付服务器的各项设备性能参数以及所述当前聚合支付对应的多项支付信息采用概率预测模型智能预测扫码完成时刻之后相等时间长度的各个时间分段分别对应的各份支付失败概率以及各份失败故障类型的二进制编码数据还包括：将设定时间间隔、所述聚合支付客户终端的各项设备性能参数、所述聚合支付服务器的各项设备性能参数以及所述当前聚合支付对应的多项支付信息分别执行数值归一化处理后再并行输入到所述概率预测模型。

其中，将设定时间间隔、所述聚合支付客户终端的各项设备性能参数、所述聚合支付服务器的各项设备性能参数以及所述当前聚合支付对应的多项支付信息分别执行数值归一化处理后再并行输入到所述概率预测模型包括：所述数值归一化处理为二级制数值转换处理。

其中，基于设定时间间隔、所述聚合支付客户终端的各项设备性能参数、所述聚合支付服务器的各项设备性能参数以及所述当前聚合支付对应的多项支付信息采用概率预测模型智能预测扫码完成时刻之后相等时间长度的各个时间分段分别对应的各份支付失败概率以及各份失败故障类型的二进制编码数据还包括：所述概率预测模型输出扫码完成时刻之后相等时间长度的各个时间分段分别对应的各份支付失败概率的数值归一化处理后的表示数值以及各份失败故障类型的二进制编码数据。

其中，所述概率预测模型输出扫码完成时刻之后相等时间长度的各个时间分段分别对应的各份支付失败概率的数值归一化处理后的表示数值以及各份失败故障类型的二进制编码数据包括：所述数值归一化处理后的表示数值为二进制数值表示形式的数值。

实施例六

如图7所示，在实施例五的基础上，所述聚合支付数据识别控制方法包括以下步骤：

步骤S1：采集聚合支付客户终端的各项设备性能参数以及采集聚合支付服务器的各项设备性能参数，所述聚合支付客户终端为扫码图案显示终端显示的聚合支付二维图案并执行聚合支付的客户终端，所述聚合支付服务器与所述聚合支付客户终端网络连接；

进一步地，可以选择采用两个采集组件，用于分别采集聚合支付客户终端的各项设备性能参数以及采集聚合支付服务器的各项设备性能参数；

具体地，第一采集组件用于采集聚合支付客户终端的各项设备性能参数，以及第二采集组件用于采集聚合支付服务器的各项设备性能参数。

步骤S2：采集所述当前聚合支付对应的多项支付信息；

进一步地，可以选择采用多个采集组件用于分别采集所述当前聚合支付对应的多项支付信息；

步骤S3：对卷积神经网络执行多次学习以获得经过多次学习后的卷积神经网络并作为概率预测模型输出；

具体地，对卷积神经网络执行多次学习以获得经过多次学习后的卷积神经网络并作为概率预测模型输出包括：选择采用MATLAB工具箱完成对所述多次学习的模拟和测试；

步骤S4：基于设定时间间隔、所述聚合支付客户终端的各项设备性能参数、所述聚合支付服务器的各项设备性能参数以及所述当前聚合支付对应的多项支付信息采用概率预测模型智能预测扫码完成时刻之后相等时间长度的各个时间分段分别对应的各份支付失败概率以及各份失败故障类型的二进制编码数据，所述相等时间长度为所述设定时间间隔对应的数值；

具体地，基于设定时间间隔、所述聚合支付客户终端的各项设备性能参数、所述聚合支付服务器的各项设备性能参数以及所述当前聚合支付对应的多项支付信息采用概率预测模型智能预测扫码完成时刻之后相等时间长度的各个时间分段分别对应的各份支付失败概率以及各份失败故障类型的二进制编码数据，所述相等时间长度为所述设定时间间隔对应的数值包括：可以采用数值仿真模式实现基于设定时间间隔、所述聚合支付客户终端的各项设备性能参数、所述聚合支付服务器的各项设备性能参数以及所述当前聚合支付对应的多项支付信息采用概率预测模型智能预测扫码完成时刻之后相等时间长度的各个时间分段分别对应的各份支付失败概率以及各份失败故障类型的二进制编码数据，所述相等时间长度为所述设定时间间隔对应的数值的数据处理过程的仿真；

步骤S5：在各份支付失败概率中的最大值对应的时间分段的起始时刻到达时，自动向聚合支付服务器发出重新传码请求；

其中，所述扫码完成时刻为所述聚合支付客户终端扫码所述聚合支付二维图案的完成时刻；

这样，能够在最有可能产生支付失败的时间分段到达但未完成时，提前判断支付失败，并触发新的聚合支付二维图案的产生，从而提升了用户的使用体验；

其中，所述聚合支付服务器用于接收所述聚合支付客户终端通过扫码所述聚合支付二维图案发出的支付请求以完成所述聚合支付二维图案对应的当前聚合支付，以及每一时间分段对应一份支付失败概率和一份失败故障类型的二进制编码数据；

其中，采集所述当前聚合支付对应的多项支付信息包括：所述当前聚合支付对应的多项支付信息为所述聚合支付客户终端与所述聚合支付服务器之间的地理间距、所述当前聚合支付对应的支付金额以及所述当前聚合支付对应的出账银行的平均出账时长；

其中，对卷积神经网络执行多次学习以获得经过多次学习后的卷积神经网络并作为概率预测模型输出包括：所述多次学习对应的学习总数与所述聚合支付服务器单位时间最高运算量正向关联；

进一步地，所述多次学习对应的学习总数与所述聚合支付服务器单位时间最高运算量正向关联包括：所述聚合支付服务器单位时间最高运算量为每秒五百亿次浮点运算数目，选择的所述多次学习对应的学习总数为100，所述聚合支付服务器单位时间最高运算量为每秒六百亿次浮点运算数目，选择的所述多次学习对应的学习总数为120，所述聚合支付服务器单位时间最高运算量为每秒七百亿次浮点运算数目，选择的所述多次学习对应的学习总数为150，以及所述聚合支付服务器单位时间最高运算量为每秒八百亿次浮点运算数目，选择的所述多次学习对应的学习总数为200。

其中，采集聚合支付客户终端的各项设备性能参数以及采集聚合支付服务器的各项设备性能参数包括：所述聚合支付客户终端的各项设备性能参数为所述聚合支付客户终端的单位时间最高运算量、处理内核数量、内存容量以及网络传输接口的传输带宽，所述聚合支付服务器的各项设备性能参数为所述聚合支付服务器单位时间最高运算量、处理内核数量、内存容量、网络传输接口的传输带宽以及支持的并发支付单数上限；

其中，在各份支付失败概率中的最大值对应的时间分段的起始时刻到达时，自动向聚合支付服务器发出重新传码请求包括：所述聚合支付服务器在接收到所述重新传码请求后，将所述当前聚合支付对应的新的聚合支付二维图案无线传输到所述图案显示终端以替换所述图案显示终端之前显示的旧的聚合支付二维图案；

其中，基于设定时间间隔、所述聚合支付客户终端的各项设备性能参数、所述聚合支付服务器的各项设备性能参数以及所述当前聚合支付对应的多项支付信息采用概率预测模型智能预测扫码完成时刻之后相等时间长度的各个时间分段分别对应的各份支付失败概率以及各份失败故障类型的二进制编码数据包括：相等时间长度的各个时间分段在时间轴上组成一个完整的时间区间且所述失败故障类型包括服务器故障、网络故障以及客户终端故障；

进一步地，基于设定时间间隔、所述聚合支付客户终端的各项设备性能参数、所述聚合支付服务器的各项设备性能参数以及所述当前聚合支付对应的多项支付信息采用概率预测模型智能预测扫码完成时刻之后相等时间长度的各个时间分段分别对应的各份支付失败概率以及各份失败故障类型的二进制编码数据还包括：选择采用不同的二进制编码数据分别表示服务器故障、网络故障以及客户终端故障，以实现对服务器故障、网络故障以及客户终端故障的区分。

另外，在根据本发明的聚合支付数据识别控制系统及方法中：

在对卷积神经网络执行的每一次学习中，将同一聚合支付客户终端以及同一聚合支付服务器之间的同一聚合支付进行设定数目的支付试验，以确定扫码完成时刻之后相等时间长度的各个时间分段分别对应的各份支付失败概率以及各份失败故障类型的二进制编码数据并作为卷积神经网络的逐项输出内容包括：对进行完成的设定数目的支付试验进行数据统计以获得扫码完成时刻之后相等时间长度的各个时间分段分别对应的各份支付失败概率以及各份失败故障类型的二进制编码数据；

具体地，对进行完成的设定数目的支付试验进行数据统计以获得扫码完成时刻之后相等时间长度的各个时间分段分别对应的各份支付失败概率以及各份失败故障类型的二进制编码数据包括：每一个时间分段对应的支付失败概率的具体数值为设定数目的支付试验中出现支付失败故障的时刻落在所述时间分段内的次数与所述设定数目的比值；

以及具体地，对进行完成的设定数目的支付试验进行数据统计以获得扫码完成时刻之后相等时间长度的各个时间分段分别对应的各份支付失败概率以及各份失败故障类型的二进制编码数据还包括：每一个时间分段对应的失败故障类型为支付失败故障的时刻落在所述时间分段内的多次支付试验分别发生的各份失败故障类型中的主要失败故障类型；

其中，每一个时间分段对应的失败故障类型为支付失败故障的时刻落在所述时间分段内的多次支付试验分别发生的失败故障类型中的主要失败故障类型包括：支付失败故障的时刻落在所述时间分段内的多次支付试验分别发生的各份失败故障类型中出现次数最多的失败故障类型为支付失败故障的时刻落在所述时间分段内的多次支付试验分别发生的各份失败故障类型中的主要失败故障类型。

以上所述仅为本发明的较佳实施例而已，并非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作的任何修改、等同替换、改进等，均包含在本发明的保护范围内。

Claims (8)

1.一种聚合支付数据识别控制系统，其特征在于，所述系统包括：

第一采集器件，用于采集聚合支付客户终端的各项设备性能参数以及采集聚合支付服务器的各项设备性能参数，所述聚合支付客户终端为扫码图案显示终端显示的聚合支付二维图案并执行聚合支付的客户终端，所述聚合支付服务器与所述聚合支付客户终端网络连接；

第二采集器件，用于采集当前聚合支付对应的多项支付信息；

模型搭建器件，用于对卷积神经网络执行多次学习以获得经过多次学习后的卷积神经网络并作为概率预测模型输出；

分段预测器件，分别与所述第一采集器件、所述第二采集器件以及所述模型搭建器件连接，用于基于设定时间间隔、所述聚合支付客户终端的各项设备性能参数、所述聚合支付服务器的各项设备性能参数以及所述当前聚合支付对应的多项支付信息采用概率预测模型智能预测扫码完成时刻之后相等时间长度的各个时间分段分别对应的各份支付失败概率以及各份失败故障类型的二进制编码数据，所述相等时间长度为所述设定时间间隔对应的数值；

重传请求器件，与所述分段预测器件连接，用于在各份支付失败概率中的最大值对应的时间分段的起始时刻到达时，自动向聚合支付服务器发出重新传码请求；

其中，所述扫码完成时刻为所述聚合支付客户终端扫码所述聚合支付二维图案的完成时刻；

其中，采集所述当前聚合支付对应的多项支付信息包括：所述当前聚合支付对应的多项支付信息为所述聚合支付客户终端与所述聚合支付服务器之间的地理间距、所述当前聚合支付对应的支付金额以及所述当前聚合支付对应的出账银行的平均出账时长；

其中，采集聚合支付客户终端的各项设备性能参数以及采集聚合支付服务器的各项设备性能参数包括：所述聚合支付客户终端的各项设备性能参数为所述聚合支付客户终端的单位时间最高运算量、处理内核数量、内存容量以及网络传输接口的传输带宽，所述聚合支付服务器的各项设备性能参数为所述聚合支付服务器单位时间最高运算量、处理内核数量、内存容量、网络传输接口的传输带宽以及支持的并发支付单数上限；

其中，对卷积神经网络执行多次学习以获得经过多次学习后的卷积神经网络并作为概率预测模型输出包括：选择采用MATLAB工具箱完成对所述多次学习的模拟和测试；

其中，基于设定时间间隔、所述聚合支付客户终端的各项设备性能参数、所述聚合支付服务器的各项设备性能参数以及所述当前聚合支付对应的多项支付信息采用概率预测模型智能预测扫码完成时刻之后相等时间长度的各个时间分段分别对应的各份支付失败概率以及各份失败故障类型的二进制编码数据，所述相等时间长度为所述设定时间间隔对应的数值包括：采用数值仿真模式实现基于设定时间间隔、所述聚合支付客户终端的各项设备性能参数、所述聚合支付服务器的各项设备性能参数以及所述当前聚合支付对应的多项支付信息采用概率预测模型智能预测扫码完成时刻之后相等时间长度的各个时间分段分别对应的各份支付失败概率以及各份失败故障类型的二进制编码数据，所述相等时间长度为所述设定时间间隔对应的数值的数据处理过程的仿真；

其中，所述聚合支付服务器用于接收所述聚合支付客户终端通过扫码所述聚合支付二维图案发出的支付请求以完成所述聚合支付二维图案对应的当前聚合支付，以及每一时间分段对应一份支付失败概率和一份失败故障类型的二进制编码数据；

其中，对卷积神经网络执行多次学习以获得经过多次学习后的卷积神经网络并作为概率预测模型输出包括：所述多次学习对应的学习总数与所述聚合支付服务器单位时间最高运算量正向关联；

其中，在各份支付失败概率中的最大值对应的时间分段的起始时刻到达时，自动向聚合支付服务器发出重新传码请求包括：所述聚合支付服务器在接收到所述重新传码请求后，将所述当前聚合支付对应的新的聚合支付二维图案无线传输到所述图案显示终端以替换所述图案显示终端之前显示的旧的聚合支付二维图案；

其中，基于设定时间间隔、所述聚合支付客户终端的各项设备性能参数、所述聚合支付服务器的各项设备性能参数以及所述当前聚合支付对应的多项支付信息采用概率预测模型智能预测扫码完成时刻之后相等时间长度的各个时间分段分别对应的各份支付失败概率以及各份失败故障类型的二进制编码数据包括：相等时间长度的各个时间分段在时间轴上组成一个完整的时间区间且所述失败故障类型包括服务器故障、网络故障以及客户终端故障。

2.如权利要求1所述的聚合支付数据识别控制系统，其特征在于，所述系统还包括：

网络传输接口，设置在所述聚合支付客户终端内且与所述分段预测器件连接，用于将智能预测的扫码完成时刻之后相等时间长度的各个时间分段分别对应的各份支付失败概率以及各份失败故障类型的二进制编码数据通过无线通信链路网络传输到所述聚合支付服务器；

其中，所述重传请求器件与所述网络传输接口连接，用于将所述重新传码请求通过所述网络传输接口网络传输到所述聚合支付服务器。

3.如权利要求1所述的聚合支付数据识别控制系统，其特征在于，所述系统还包括：

内容存储器件，与所述模型搭建器件连接，用于存储所述概率预测模型；

其中，所述内容存储器件通过存储所述概率预测模型的各项模型参数完成对所述概率预测模型的存储。

4.如权利要求1所述的聚合支付数据识别控制系统，其特征在于，所述系统还包括：

液晶显示器件，设置在所述聚合支付客户终端内且与所述分段预测器件连接，用于接收并实时显示智能预测的扫码完成时刻之后相等时间长度的各个时间分段分别对应的各份支付失败概率以及各份失败故障类型。

5.如权利要求1所述的聚合支付数据识别控制系统，其特征在于，所述系统还包括：

串行配置接口，分别与所述分段预测器件、所述第一采集器件、所述第二采集器件以及所述模型搭建器件连接，用于实现对所述分段预测器件、所述第一采集器件、所述第二采集器件以及所述模型搭建器件各自的工作参数的分址配置；

其中，实现对所述分段预测器件、所述第一采集器件、所述第二采集器件以及所述模型搭建器件各自的工作参数的分址配置包括：所述分段预测器件、所述第一采集器件、所述第二采集器件以及所述模型搭建器件各自的工作参数分别对应不同的串行配置地址；

其中，所述串行配置接口、所述分段预测器件、所述第一采集器件、所述第二采集器件以及所述模型搭建器件都设置在所述聚合支付客户终端内。

6.如权利要求1-5任一项所述的聚合支付数据识别控制系统，其特征在于：

对卷积神经网络执行多次学习以获得经过多次学习后的卷积神经网络并作为概率预测模型输出还包括：在对卷积神经网络执行的每一次学习中，将同一聚合支付客户终端以及同一聚合支付服务器之间的同一聚合支付进行设定数目的支付试验，以确定扫码完成时刻之后相等时间长度的各个时间分段分别对应的各份支付失败概率以及各份失败故障类型的二进制编码数据并作为卷积神经网络的逐项输出内容；

其中，对卷积神经网络执行多次学习以获得经过多次学习后的卷积神经网络并作为概率预测模型输出还包括：将设定时间间隔、所述同一聚合支付客户终端的各项设备性能参数、所述同一聚合支付服务器的各项设备性能参数以及所述同一聚合支付对应的多项支付信息作为卷积神经网络的逐项输出内容的逐项输入内容，以完成本次学习；

其中，对卷积神经网络执行多次学习以获得经过多次学习后的卷积神经网络并作为概率预测模型输出还包括：所述多次学习分别对应多个聚合支付客户终端、多个聚合支付服务器以及多份聚合支付。

7.如权利要求1-5任一项所述的聚合支付数据识别控制系统，其特征在于：

基于设定时间间隔、所述聚合支付客户终端的各项设备性能参数、所述聚合支付服务器的各项设备性能参数以及所述当前聚合支付对应的多项支付信息采用概率预测模型智能预测扫码完成时刻之后相等时间长度的各个时间分段分别对应的各份支付失败概率以及各份失败故障类型的二进制编码数据还包括：将设定时间间隔、所述聚合支付客户终端的各项设备性能参数、所述聚合支付服务器的各项设备性能参数以及所述当前聚合支付对应的多项支付信息分别执行数值归一化处理后再并行输入到所述概率预测模型；

其中，将设定时间间隔、所述聚合支付客户终端的各项设备性能参数、所述聚合支付服务器的各项设备性能参数以及所述当前聚合支付对应的多项支付信息分别执行数值归一化处理后再并行输入到所述概率预测模型包括：所述数值归一化处理为二级制数值转换处理；

其中，基于设定时间间隔、所述聚合支付客户终端的各项设备性能参数、所述聚合支付服务器的各项设备性能参数以及所述当前聚合支付对应的多项支付信息采用概率预测模型智能预测扫码完成时刻之后相等时间长度的各个时间分段分别对应的各份支付失败概率以及各份失败故障类型的二进制编码数据还包括：所述概率预测模型输出扫码完成时刻之后相等时间长度的各个时间分段分别对应的各份支付失败概率的数值归一化处理后的表示数值以及各份失败故障类型的二进制编码数据；

其中，所述概率预测模型输出扫码完成时刻之后相等时间长度的各个时间分段分别对应的各份支付失败概率的数值归一化处理后的表示数值以及各份失败故障类型的二进制编码数据包括：所述数值归一化处理后的表示数值为二进制数值表示形式的数值。

8.一种聚合支付数据识别控制方法，该方法基于权利要求1-7任一项所述的系统，其特征在于，所述方法包括：

采集聚合支付客户终端的各项设备性能参数以及采集聚合支付服务器的各项设备性能参数，所述聚合支付客户终端为扫码图案显示终端显示的聚合支付二维图案并执行聚合支付的客户终端，所述聚合支付服务器与所述聚合支付客户终端网络连接；

采集所述当前聚合支付对应的多项支付信息；

对卷积神经网络执行多次学习以获得经过多次学习后的卷积神经网络并作为概率预测模型输出；

基于设定时间间隔、所述聚合支付客户终端的各项设备性能参数、所述聚合支付服务器的各项设备性能参数以及所述当前聚合支付对应的多项支付信息采用概率预测模型智能预测扫码完成时刻之后相等时间长度的各个时间分段分别对应的各份支付失败概率以及各份失败故障类型的二进制编码数据，所述相等时间长度为所述设定时间间隔对应的数值；

在各份支付失败概率中的最大值对应的时间分段的起始时刻到达时，自动向聚合支付服务器发出重新传码请求；

其中，所述扫码完成时刻为所述聚合支付客户终端扫码所述聚合支付二维图案的完成时刻；

其中，采集所述当前聚合支付对应的多项支付信息包括：所述当前聚合支付对应的多项支付信息为所述聚合支付客户终端与所述聚合支付服务器之间的地理间距、所述当前聚合支付对应的支付金额以及所述当前聚合支付对应的出账银行的平均出账时长；

其中，采集聚合支付客户终端的各项设备性能参数以及采集聚合支付服务器的各项设备性能参数包括：所述聚合支付客户终端的各项设备性能参数为所述聚合支付客户终端的单位时间最高运算量、处理内核数量、内存容量以及网络传输接口的传输带宽，所述聚合支付服务器的各项设备性能参数为所述聚合支付服务器单位时间最高运算量、处理内核数量、内存容量、网络传输接口的传输带宽以及支持的并发支付单数上限；

其中，对卷积神经网络执行多次学习以获得经过多次学习后的卷积神经网络并作为概率预测模型输出包括：选择采用MATLAB工具箱完成对所述多次学习的模拟和测试；

其中，基于设定时间间隔、所述聚合支付客户终端的各项设备性能参数、所述聚合支付服务器的各项设备性能参数以及所述当前聚合支付对应的多项支付信息采用概率预测模型智能预测扫码完成时刻之后相等时间长度的各个时间分段分别对应的各份支付失败概率以及各份失败故障类型的二进制编码数据，所述相等时间长度为所述设定时间间隔对应的数值包括：采用数值仿真模式实现基于设定时间间隔、所述聚合支付客户终端的各项设备性能参数、所述聚合支付服务器的各项设备性能参数以及所述当前聚合支付对应的多项支付信息采用概率预测模型智能预测扫码完成时刻之后相等时间长度的各个时间分段分别对应的各份支付失败概率以及各份失败故障类型的二进制编码数据，所述相等时间长度为所述设定时间间隔对应的数值的数据处理过程的仿真；

其中，所述聚合支付服务器用于接收所述聚合支付客户终端通过扫码所述聚合支付二维图案发出的支付请求以完成所述聚合支付二维图案对应的当前聚合支付，以及每一时间分段对应一份支付失败概率和一份失败故障类型的二进制编码数据；

其中，对卷积神经网络执行多次学习以获得经过多次学习后的卷积神经网络并作为概率预测模型输出包括：所述多次学习对应的学习总数与所述聚合支付服务器单位时间最高运算量正向关联；

其中，在各份支付失败概率中的最大值对应的时间分段的起始时刻到达时，自动向聚合支付服务器发出重新传码请求包括：所述聚合支付服务器在接收到所述重新传码请求后，将所述当前聚合支付对应的新的聚合支付二维图案无线传输到所述图案显示终端以替换所述图案显示终端之前显示的旧的聚合支付二维图案；

其中，基于设定时间间隔、所述聚合支付客户终端的各项设备性能参数、所述聚合支付服务器的各项设备性能参数以及所述当前聚合支付对应的多项支付信息采用概率预测模型智能预测扫码完成时刻之后相等时间长度的各个时间分段分别对应的各份支付失败概率以及各份失败故障类型的二进制编码数据包括：相等时间长度的各个时间分段在时间轴上组成一个完整的时间区间且所述失败故障类型包括服务器故障、网络故障以及客户终端故障。