CN118020088A - 用于检测商家数据变动的系统、方法和计算机程序产品 - Google Patents

Abstract

用于检测商家数据变动的系统、方法和计算机程序产品能够使用时间序列分析与机器学习的组合来识别商家系统跨商家类别代码(MCC)的交易量变动；其中利用至少一个处理器获得与在历史时间段内商家系统处的多个历史交易的时间序列相关联的历史交易数据，该历史交易数据包括与该多个历史交易相关联的多个商家类别代码(MCC)；利用该至少一个处理器将差异变换应用于该历史交易数据以生成变换数据。

Description

用于检测商家数据变动的系统、方法和计算机程序产品

相关申请的交叉引用

本申请要求2021年9月24日提交的美国临时专利申请63/247,961的权益，该美国临时专利申请的公开内容据此以全文引用方式并入。

技术领域

本公开涉及异常检测，并且在一些非限制性实施方案或方面中，涉及使用异常检测来检测商家数据变动。

背景技术

由交易服务提供商系统和发行方系统利用授权规则和风险模型对电子支付交易进行风险评估，作为针对交易的授权批准过程的一部分。这些授权批准过程中使用的特征中的一个特征是商家类别代码(MCC)，该商家类别代码是用于将企业分类成市场细分并且与发起交易的商家进行的交易相关联的四位数字。MCC的变化可能会显著影响授权率并且/或者影响针对与交易相关联的发行方的风险概况。例如，相比于与不同于第一MCC的第二MCC相关联的交易，与第一MCC相关联的交易更有可能由授权批准过程批准并且/或者可以与较低风险相关联。

商家可能故意将针对具有不正确MCC的一些交易的授权请求进行错误分类或错误编码，以提高针对交易的授权率。例如，商家可能会跨MCC变动交易量以提供授权利益，并且尝试通过利用不同MCC对授权请求进行编码来操纵授权批准过程，从而规避达到合规监视程序的阈值。

发明内容

因此，提供了用于检测商家数据变动的改进系统、设备、产品、装置和/或方法。例如，本公开的非限制性实施方案或方面可以使用针对每个商家类别代码(MCC)的时间序列分析与机器学习的组合以及在延长时间段内跨每个地区或国家的商家系统组合来识别跨MCC的变动支付额。

根据一些非限制性实施方案或方面，提供了一种计算机实现的方法，包括：利用至少一个处理器获得与在历史时间段内商家系统处的多个历史交易的时间序列相关联的历史交易数据，所述历史交易数据包括与多个历史交易相关联的多个商家类别代码(MCC)；利用至少一个处理器将差异变换应用于历史交易数据以生成变换数据；利用至少一个处理器通过将机器学习算法应用于变换数据来训练机器学习模型，所述机器学习模型生成与商家系统相关联的异常分数；利用至少一个处理器获得与在历史时间段之后的前一时间段内商家系统处的一个或多个先前交易相关联的先前交易数据，所述先前交易数据包括多个MCC中与一个或多个先前交易相关联的一个或多个MCC；利用至少一个处理器使用机器学习模型处理先前交易数据以生成与商家系统相关联的异常分数；以及利用至少一个处理器基于异常分数和至少一个阈值异常分数来识别商家系统在前一时间段内跨MCC的交易量变动。

在一些非限制性实施方案或方面中，所述方法还包括：在于交易处理网络中的商家系统处处理当前交易期间，利用至少一个处理器接收与当前交易相关联的当前交易数据，所述当前交易数据包括多个MCC中与当前交易相关联的MCC；以及利用至少一个处理器基于当前交易数据和与商家系统相关联的异常分数来确定与当前交易相关联的风险分数。

在一些非限制性实施方案或方面中，所述方法还包括：利用至少一个处理器将风险分数与至少一个阈值风险分数进行比较；以及响应于确定风险分数满足至少一个阈值风险分数，利用至少一个处理器拒绝对当前交易的授权。

在一些非限制性实施方案或方面中，所述历史交易数据包括针对多个交易的交易子集的多个MCC中的每个MCC在历史时间段内的多个历史子时间段内的交易金额的百分比分布，并且历史子时间段的持续时间是与前一时间段相同的持续时间。

在一些非限制性实施方案或方面中，获得历史交易数据包括对于针对每个MCC在不包括多个交易中的交易的历史子时间段内的交易金额的百分比分布生成零值。

在一些非限制性实施方案或方面中，先前交易数据包括针对一个或多个交易的一个或多个MCC中的每个MCC在前一时间段内的交易金额的百分比分布。

在一些非限制性实施方案或方面中，机器学习算法包括孤立森林算法，并且其中机器学习模型包括孤立森林。

根据一些非限制性实施方案或方面，提供了一种系统，包括：至少一个处理器，所述至少一个处理器被编程为并且/或者被配置成：获得与在历史时间段内商家系统处的多个历史交易的时间序列相关联的历史交易数据，所述历史交易数据包括与多个历史交易相关联的多个商家类别代码(MCC)；将差异变换应用于历史交易数据以生成变换数据；通过将机器学习算法应用于变换数据来训练机器学习模型，所述机器学习模型生成与商家系统相关联的异常分数；获得与在历史时间段之后的前一时间段内商家系统处的一个或多个先前交易相关联的先前交易数据，其中所述先前交易数据包括多个MCC中与一个或多个先前交易相关联的一个或多个MCC；使用机器学习模型处理先前交易数据以生成与商家系统相关联的异常分数；以及基于异常分数和至少一个阈值异常分数来识别商家系统在前一时间段内跨MCC的交易量变动。

在一些非限制性实施方案或方面，所述至少一个处理器被进一步编程为并且/或者被进一步配置成：在于交易处理网络中的商家系统处处理当前交易期间，接收与当前交易相关联的当前交易数据，所述当前交易数据包括多个MCC中与当前交易相关联的MCC；以及基于当前交易数据和与商家系统相关联的异常分数来确定与当前交易相关联的风险分数。

在一些非限制性实施方案或方面中，所述至少一个处理器被进一步编程为并且/或者被进一步配置成：将风险分数与至少一个阈值风险分数进行比较；以及响应于确定风险分数满足至少一个阈值风险分数，拒绝对当前交易的授权。

在一些非限制性实施方案或方面中，所述历史交易数据包括针对多个交易的交易子集的多个MCC中的每个MCC在历史时间段内的多个历史子时间段内的交易金额的百分比分布，并且历史子时间段的持续时间是与前一时间段相同的持续时间。

在一些非限制性实施方案或方面中，所述至少一个处理器被编程为并且/或者被配置成通过对于针对每个MCC在不包括多个交易中的交易的历史子时间段内的交易金额的百分比分布生成零值来获得历史交易数据。

在一些非限制性实施方案或方面中，先前交易数据包括针对一个或多个交易的一个或多个MCC中的每个MCC在前一时间段内的交易金额的百分比分布。

在一些非限制性实施方案或方面中，机器学习算法包括孤立森林算法，并且其中机器学习模型包括孤立森林。

根据一些非限制性实施方案或方面，提供了一种包括至少一个非暂时性计算机可读介质的计算机程序产品，所述至少一个非暂时性计算机可读介质包括程序指令，所述程序指令在由至少一个处理器执行时使得所述至少一个处理器：获得与在历史时间段内商家系统处的多个历史交易的时间序列相关联的历史交易数据，所述历史交易数据包括与多个历史交易相关联的多个商家类别代码(MCC)；将差异变换应用于历史交易数据以生成变换数据；通过将机器学习算法应用于变换数据来训练机器学习模型，所述机器学习模型生成与商家系统相关联的异常分数；获得与在历史时间段之后的前一时间段内商家系统处的一个或多个先前交易相关联的先前交易数据，所述先前交易数据包括多个MCC中与一个或多个先前交易相关联的一个或多个MCC；使用机器学习模型处理先前交易数据以生成与商家系统相关联的异常分数；以及基于异常分数和至少一个阈值异常分数来识别商家系统在前一时间段内跨MCC的交易量变动。

在一些非限制性实施方案或方面中，所述指令在由至少一个处理器执行时进一步使得至少一个处理器：在于交易处理网络中的商家系统处处理当前交易期间，接收与当前交易相关联的当前交易数据，所述当前交易数据包括多个MCC中与当前交易相关联的MCC；以及基于当前交易数据和与商家系统相关联的异常分数来确定与当前交易相关联的风险分数。

在一些非限制性实施方案或方面中，所述指令在由至少一个处理器执行时进一步使得至少一个处理器：将风险分数与至少一个阈值风险分数进行比较；以及响应于确定风险分数满足至少一个阈值风险分数，拒绝对当前交易的授权。

在一些非限制性实施方案或方面中，所述历史交易数据包括针对多个交易的交易子集的多个MCC中的每个MCC在历史时间段内的多个历史子时间段内的交易金额的百分比分布，历史子时间段的持续时间是与前一时间段相同的持续时间，并且先前交易数据包括针对一个或多个交易的一个或多个MCC中的每个MCC在前一时间段内的交易金额的百分比分布。

在一些非限制性实施方案或方面中，所述指令在由至少一个处理器执行时进一步使得至少一个处理器获得历史交易数据包括对于针对每个MCC在不包括多个交易中的交易的历史子时间段内的交易金额的百分比分布生成零值。

在一些非限制性实施方案或方面中，机器学习算法包括孤立森林算法，并且其中机器学习模型包括孤立森林。

在以下编号条款中阐述其他非限制性实施方案或方面：

条款1.一种计算机实现的方法，包括：利用至少一个处理器获得与在历史时间段内商家系统处的多个历史交易的时间序列相关联的历史交易数据，其中所述历史交易数据包括与所述多个历史交易相关联的多个商家类别代码(MCC)；利用所述至少一个处理器将差异变换应用于所述历史交易数据以生成变换数据；利用所述至少一个处理器通过将机器学习算法应用于所述变换数据来训练机器学习模型，其中所述机器学习模型生成与所述商家系统相关联的异常分数；利用所述至少一个处理器获得与在所述历史时间段之后的前一时间段内所述商家系统处的一个或多个先前交易相关联的先前交易数据，其中所述先前交易数据包括所述多个MCC中与所述一个或多个先前交易相关联的一个或多个MCC；利用所述至少一个处理器使用所述机器学习模型处理所述先前交易数据以生成与所述商家系统相关联的所述异常分数；以及利用所述至少一个处理器基于所述异常分数和至少一个阈值异常分数来识别所述商家系统在所述前一时间段内跨MCC的交易量变动。

条款2.如条款1所述的计算机实现的方法，还包括：在于交易处理网络中的所述商家系统处处理当前交易期间，利用所述至少一个处理器接收与所述当前交易相关联的当前交易数据，其中所述当前交易数据包括所述多个MCC中与所述当前交易相关联的MCC；以及利用所述至少一个处理器基于当前交易数据和与所述商家系统相关联的所述异常分数来确定与所述当前交易相关联的风险分数。

条款3.如条款1或2所述的计算机实现的方法，还包括：利用所述至少一个处理器将所述风险分数与至少一个阈值风险分数进行比较；以及响应于确定所述风险分数满足所述至少一个阈值风险分数，利用所述至少一个处理器拒绝对所述当前交易的授权。

条款4.如条款1至3中任一项所述的计算机实现的方法，其中所述历史交易数据包括针对所述多个交易的交易子集的所述多个MCC中的每个MCC在所述历史时间段内的多个历史子时间段内的交易金额的百分比分布，并且其中历史子时间段的持续时间是与所述前一时间段相同的持续时间。

条款5.如条款1至4中任一项所述的计算机实现的方法，其中获得所述历史交易数据包括对于针对每个MCC在不包括所述多个交易中的交易的历史子时间段内的所述交易金额的所述百分比分布生成零值。

条款6.如条款1至5中任一项所述的计算机实现的方法，其中所述先前交易数据包括针对所述一个或多个交易的所述一个或多个MCC中的每个MCC在所述前一时间段内的交易金额的百分比分布。

条款7.如条款1至6中任一项所述的计算机实现的方法，其中所述机器学习算法包括孤立森林算法，并且其中所述机器学习模型包括孤立森林。

条款8.一种系统，包括：至少一个处理器，所述至少一个处理器被编程为并且/或者被配置成：获得与在历史时间段内商家系统处的多个历史交易的时间序列相关联的历史交易数据，其中所述历史交易数据包括与所述多个历史交易相关联的多个商家类别代码(MCC)；将差异变换应用于所述历史交易数据以生成变换数据；通过将机器学习算法应用于所述变换数据来训练机器学习模型，其中所述机器学习模型生成与所述商家系统相关联的异常分数；获得与在所述历史时间段之后的前一时间段内所述商家系统处的一个或多个先前交易相关联的先前交易数据，其中所述先前交易数据包括所述多个MCC中与所述一个或多个先前交易相关联的一个或多个MCC；使用所述机器学习模型处理所述先前交易数据以生成与所述商家系统相关联的所述异常分数；以及基于所述异常分数和至少一个阈值异常分数来识别所述商家系统在所述前一时间段内跨MCC的交易量变动。

条款9.如条款8所述的系统，其中所述至少一个处理器被进一步编程为并且/或者被进一步配置成：在于交易处理网络中的所述商家系统处处理当前交易期间，接收与所述当前交易相关联的当前交易数据，其中所述当前交易数据包括所述多个MCC中与所述当前交易相关联的MCC；以及基于当前交易数据和与所述商家系统相关联的所述异常分数来确定与所述当前交易相关联的风险分数。

条款10.如条款8或9所述的系统，其中所述至少一个处理器被进一步编程为并且/或者被进一步配置成：将所述风险分数与至少一个阈值风险分数进行比较；以及响应于确定所述风险分数满足所述至少一个阈值风险分数，拒绝对所述当前交易的授权。

条款11.如条款8至10中任一项所述的系统，其中所述历史交易数据包括针对所述多个交易的交易子集的所述多个MCC中的每个MCC在所述历史时间段内的多个历史子时间段内的交易金额的百分比分布，并且其中历史子时间段的持续时间是与所述前一时间段相同的持续时间。

条款12.如条款8至11中任一项所述的系统，其中所述至少一个处理器被进一步编程为并且/或者被进一步配置成通过对于针对每个MCC在不包括所述多个交易中的交易的历史子时间段内的所述交易金额的所述百分比分布生成零值来获得所述历史交易数据。

条款13.如条款8至12中任一项所述的系统，其中所述先前交易数据包括针对所述一个或多个交易的所述一个或多个MCC中的每个MCC在所述前一时间段内的交易金额的百分比分布。

条款14.如条款8至13中任一项所述的系统，其中所述机器学习算法包括孤立森林算法，并且其中所述机器学习模型包括孤立森林。

条款15.一种包括至少一个非暂时性计算机可读介质的计算机程序产品，所述至少一个非暂时性计算机可读介质包括程序指令，所述程序指令在由至少一个处理器执行时使得所述至少一个处理器：获得与在历史时间段内商家系统处的多个历史交易的时间序列相关联的历史交易数据，其中所述历史交易数据包括与所述多个历史交易相关联的多个商家类别代码(MCC)；将差异变换应用于所述历史交易数据以生成变换数据；通过将机器学习算法应用于所述变换数据来训练机器学习模型，其中所述机器学习模型生成与所述商家系统相关联的异常分数；获得与在所述历史时间段之后的前一时间段内所述商家系统处的一个或多个先前交易相关联的先前交易数据，其中所述先前交易数据包括所述多个MCC中与所述一个或多个先前交易相关联的一个或多个MCC；使用所述机器学习模型处理所述先前交易数据以生成与所述商家系统相关联的所述异常分数；以及基于所述异常分数和至少一个阈值异常分数来识别所述商家系统在所述前一时间段内跨MCC的交易量变动。

条款16.如条款15所述的计算机程序产品，其中所述指令在由所述至少一个处理器执行时进一步使得所述至少一个处理器：在于交易处理网络中的所述商家系统处处理当前交易期间，接收与所述当前交易相关联的当前交易数据，所述当前交易数据包括所述多个MCC中与所述当前交易相关联的MCC；以及基于当前交易数据和与所述商家系统相关联的所述异常分数来确定与所述当前交易相关联的风险分数。

条款17.如条款15或16所述的计算机程序产品，其中所述指令在由所述至少一个处理器执行时进一步使得所述至少一个处理器：将所述风险分数与至少一个阈值风险分数进行比较；以及响应于确定所述风险分数满足所述至少一个阈值风险分数，拒绝对所述当前交易的授权。

条款18.如条款15至17中任一项所述的计算机程序产品，其中所述历史交易数据包括针对所述多个交易的交易子集的所述多个MCC中的每个MCC在所述历史时间段内的多个历史子时间段内的交易金额的百分比分布，其中历史子时间段的持续时间是与所述前一时间段相同的持续时间，并且其中所述先前交易数据包括针对所述一个或多个交易的所述一个或多个MCC中的每个MCC在所述前一时间段内的交易金额的百分比分布。

条款19.如条款15至18中任一项所述的计算机程序产品，其中所述指令在由至少一个处理器执行时进一步使得所述至少一个处理器通过对于针对每个MCC在不包括所述多个交易中的交易的历史子时间段内的所述交易金额的所述百分比分布生成零值来获得所述历史交易数据。

条款20.如条款15至19中任一项所述的计算机程序产品，其中所述机器学习算法包括孤立森林算法，并且其中所述机器学习模型包括孤立森林。

在参考附图考虑以下描述和所附权利要求书时，本公开的这些和其他特征和特性以及相关结构元件和各部分的组合的操作方法和功能以及制造经济性将变得更加显而易见，所有附图形成本说明书的部分，其中相似附图标号在各图中标示对应部分。然而，应明确地理解，各图式仅用于说明和描述目的，并非旨在作为对限制的定义。除非上下文另外明确规定，否则在本说明书和权利要求书中所用时，单数形式“一”及“所述”包括多个指示物。

附图说明

下文参考示意性附图中示出的示范性实施方案更详细地解释额外优势和细节，附图中：

图1是其中可实施本文所描述的系统、设备、产品、装置和/或方法的环境的非限制性实施方案或方面的图；

图2是图1的一个或多个设备和/或一个或多个系统的组件的非限制性实施方案或方面的图；

图3A和图3B是用于检测商家数据变动的过程的非限制性实施方案或方面的流程图；

图4是孤立森林的非限制性实施方案或方面的具体实现的图；并且

图5是针对示例商家识别的示例异常数据变动的曲线图。

具体实施方式

应理解，除了明确指定为相反的情况之外，本公开可采用各种替代变化和步骤顺序。还应当理解，附图中所示的以及在以下说明书中描述的特定设备和过程仅仅是示例性和非限制性实施方案或方面。因此，与本文公开的实施方案或方面有关的特定尺寸和其他物理特性不应被视为限制。

本文所使用的方面、组件、元件、结构、动作、步骤、功能、指令等都不应当被理解为关键的或必要的，除非明确地如此描述。并且，如本文所使用，冠词“一(a)”和“一(an)”旨在包括一个或多个项目，并且可以与“一个或多个”和“至少一个”互换使用。此外，如本文所使用，术语“集合”希望包括一个或多个项目(例如，相关项目、不相关项目、相关项目与不相关项目的组合等)，并且可与“一个或多个”或“至少一个”互换使用。在希望仅有一个项目的情况下，使用术语“一个”或类似语言。而且，如本文所使用，术语“具有”等希望是开放式术语。另外，除非另外明确陈述，否则短语“基于”希望意味着“至少部分地基于”。

如本文中所使用，术语“通信”可以指数据(例如，信息、信号、消息、指令、命令等)的接收、接纳、发送、传送、提供等。一个单元(例如，设备、系统、设备或系统的部件、其组合等)与另一单元通信意味着所述一个单元能够直接或间接地从所述另一单元接收信息和/或向所述另一单元传输信息。这可以指在本质上有线和/或无线的直接或间接连接(例如，直接通信连接、间接通信连接等)。另外，尽管所发送的信息可以在第一单元与第二单元之间被修改、处理、中继和/或路由，但这两个单元也可以彼此通信。例如，即使第一单元被动地接收信息且不会主动地将信息发送到第二单元，第一单元也可以与第二单元通信。作为另一实例，如果至少一个中间单元处理从第一单元接收到的信息且将处理后的信息传送到第二单元，则第一单元可以与第二单元通信。

显然，本文所描述的系统和/或方法可以不同形式的硬件、软件或硬件和软件的组合实施。用于实施这些系统和/或方法的实际专用控制硬件或软件代码并不限制实施方式。因此，本文在不参考特定软件代码的情况下描述了系统和/或方法的操作和行为，应当理解，软件和硬件可以设计成基于本文的描述来实施系统和/或方法。

如本文所使用，术语“交易服务提供商”可指向商家或其他实体接收交易授权请求且在一些情况下通过交易服务提供商与发行方机构之间的协议来提供支付保证的实体。例如，交易服务提供商可包括例如之类的支付网络，或处理交易的任何其他实体。术语“交易处理系统”可以指由交易服务提供商或代表交易服务提供商操作的一个或多个计算设备，例如执行一个或多个软件应用程序的交易处理服务器。交易处理系统可包括一个或多个处理器，并且在一些非限制性实施方案中可由交易服务提供商或代表交易服务提供商操作。

如本文所使用，术语“账户标识符”可包括一个或多个主账号(PAN)、令牌或与顾客账户相关联的其他标识符。术语“令牌”可指用作诸如PAN等原始账户标识符的替代或替换标识符的标识符。账户标识符可以是文字数字的，或是字符和/或符号的任何组合。令牌可与一个或多个数据结构(例如一个或多个数据库等)中的PAN或其他原始账户标识符相关联，使得令牌可用于进行交易而无需直接使用原始账户标识符。在一些实例中，诸如PAN的原始账户标识符可与用于不同个人或目的的多个令牌相关联。

如本文所使用，术语“发行方机构”、“便携式金融设备发行方”、“发行方”或“发行方银行”可以指一个或多个实体，该一个或多个实体向用户(例如，客户、消费者、组织等)提供一个或多个账户以进行交易(例如，支付交易)，诸如发起信用卡支付交易和/或借记卡支付交易。例如，发行方机构可向用户提供诸如PAN的账户标识符，该账户标识符唯一地标识与该用户相关联的一个或多个账户。账户标识符可以在诸如实体金融工具(例如，支付卡)等便携式金融设备上体现，和/或可以是电子的并且用于电子支付。在一些非限制性实施方案或方面中，发行方机构可以与唯一地标识发行方机构的银行标识号码(BIN)相关联。如本文所使用，“发行方机构系统”可以指由发行方机构或代表发行方机构操作的一个或多个计算机系统，诸如执行一个或多个软件应用程序的服务器计算机。例如，发行方机构系统可以包括用于授权支付交易的一个或多个授权服务器。

如本文所用，术语“商家”可以指基于交易(例如，支付交易)向用户(例如，客户)提供商品和/或服务或者对商品和/或服务的访问的个人或实体。如本文所用，术语“商家”或“商家系统”还可指由商家或代表商家操作的一个或多个计算机系统、计算设备和/或软件应用程序，例如执行一个或多个软件应用程序的服务器计算机。如本文所使用，“销售点(POS)系统”可指由商家用来与用户进行支付交易的一个或多个计算机和/或外围设备，包括一个或多个读卡器、近场通信(NFC)接收器、射频标识(RFID)接收器和/或其他非接触收发器或接收器、基于接触的接收器、支付终端、计算机、服务器、输入设备和/或可用于发起支付交易的其他类似设备。POS系统可以是商家系统的一部分。商家系统还可包括用于通过商家网页或软件应用程序来促进在线基于互联网的交易的商家插件。商家插件可包括在商家服务器上运行或由第三方托管以用于促进此些在线交易的软件。

如本文所使用，术语“移动设备”可以指被配置为与一个或多个网络通信的一个或多个便携式电子设备。作为示例，移动设备可以包括蜂窝电话(例如，智能电话或标准蜂窝电话)、便携式计算机(例如，平板计算机、膝上型计算机等)、可穿戴设备(例如，手表、眼镜、镜片、衣服等)、个人数字助理(PDA)和/或其他类似设备。如本文所使用，术语“客户端设备”和“用户设备”是指被配置为与一个或多个服务器或远程设备和/或系统通信的任何电子设备。客户端设备或用户设备可以包括移动设备、支持网络的设备(例如，支持网络的电视、冰箱、恒温器等)、计算机、POS系统和/或能够与网络通信的任何其他设备或系统。

如本文中所使用，术语“计算设备”可以指被配置成处理数据的一个或多个电子设备。在一些示例中，计算设备可以包括接收、处理和输出数据的必要部件，例如处理器、显示器、存储器、输入设备、网络接口等。计算设备可以是移动设备。例如，移动设备可包括蜂窝电话(例如，智能电话或标准蜂窝电话)、便携式计算机、可穿戴设备(例如，手表、眼镜、镜片、服装和/或其类似者)、PDA和/或其他类似设备。计算设备还可以是台式计算机或其他形式的非移动计算机。

如本文所使用，术语“电子钱包”和“电子钱包应用程序”是指被配置为发起和/或进行支付交易的一个或多个电子设备和/或软件应用程序。例如，电子钱包可以包括执行电子钱包应用程序的移动设备，并且还可以包括用于维护交易数据并将交易数据提供给移动设备的服务器侧软件和/或数据库。“电子钱包提供商”可以包括为客户提供和/或维护电子钱包的实体，例如GoogleAndroid/>Apple/>Samsung/>和/或其他类似电子支付系统。在一些非限制性示例中，发行方银行可以是电子钱包提供商。

如本文所用，术语“支付设备”可以指便携式金融设备、电子支付设备、支付卡(例如，信用卡或借记卡)、礼品卡、智能卡、智能介质、工资卡、医疗保健卡、腕带、含有账户信息的机器可读介质、钥匙链设备或吊坠、RFID应答器、零售商折扣或会员卡、蜂窝式电话、电子钱包移动应用程序、PDA、寻呼机、安全卡、计算机、访问卡、无线终端、应答器等。在一些非限制性实施方案或方面中，支付设备可包括用以存储信息(例如，账户标识符、账户持有人姓名等)的易失性或非易失性存储器。

如本文中所使用，术语“服务器”和/或“处理器”可以指或包括由例如互联网的网络环境中的多方操作或促进所述多方的通信和处理的一个或多个计算设备，但应了解，可通过一个或多个公共或专用网络环境促进通信，并且可能有各种其他布置。另外，在网络环境中直接或间接通信的多个计算设备(例如，服务器、POS设备、移动设备等)可以构成“系统”。如本文所使用，对“服务器”或“处理器”的提及可指陈述为实施先前步骤或功能的先前所述服务器和/或处理器、不同的服务器和/或处理器，和/或服务器和/或处理器的组合。例如，如在说明书和权利要求书中所使用，陈述为实施第一步骤或功能的第一服务器和/或第一处理器可指代陈述为实施第二步骤或功能的相同或不同服务器和/或处理器。

如本文所使用，术语“收单方”可以指由交易服务提供商许可和/或由交易服务提供商批准以使用交易服务提供商的便携式金融设备发起交易的实体。收单方还可以指由收单方或代表收单方操作的一个或多个计算机系统，诸如执行一个或多个软件应用程序的服务器计算机(例如，“收单方服务器”)。“收单方”可以是商家银行，或者在一些情况下，商家系统102可以是收单方。所述交易可以包括原始信用交易(OCT)和账户资金交易(AFT)。交易服务提供商可以授权收单方签署服务提供商的商家以使用交易服务提供商的便携式金融设备发起交易。收单方可以与支付服务商签约，以使服务商能够赞助商家。收单方可以根据交易服务提供商的规章监视支付服务商的合规性。收单方可以对支付服务商进行尽职调查，并确保在签署受赞助商家之前进行适当的尽职调查。收单方可以对他们运营或赞助的所有交易服务提供商程序承担责任。收单方可以对其支付服务商以及其或其支付服务商赞助的商家的行为负责。

如本文所使用，术语“支付网关”可以指实体和/或由这种实体或代表这种实体操作的支付处理系统，所述实体(例如，商家服务提供商、支付服务提供商、支付服务商、与收单方签约的支付服务商、支付集合商等)将支付服务(例如，交易服务提供商支付服务、支付处理服务等)提供给一个或多个商家。支付服务可以与由交易服务提供商管理的便携式金融设备的使用相关联。如本文所使用，术语“支付网关系统”可以指由支付网关或代表支付网关操作的一个或多个计算机系统、计算机设备、服务器、服务器群组等。

如本文中所使用，术语“应用程序编程接口”(API)可以指允许不同系统或(硬件和/或软件)系统组件之间的通信的计算机代码。例如，API可包括可由其他系统或其他(硬件和/或软件)系统组件使用和/或访问的功能调用、功能、子例程、通信协议、字段等。

如本文中所使用，术语“用户界面”或“图形用户界面”是指生成的显示，例如用户可以直接或间接(例如，通过键盘、鼠标、触摸屏等)与其交互的一个或多个图形用户界面(GUI)。

准确检测商家数据跨商家类别代码(MCC)的变动会遇到动态商家行为、高维度以及数据的季节性和趋势的问题。例如，商家可以通过不时地出现和消失(例如通过不时地不发起或处理交易等)、有时出现和消失达较长时间段(例如数月等)以及有时出现和消失达较短时间段(例如数周等)而动态地表现，这会向针对一些商家的时间序列交易数据集中引入大量缺失值。例如，对于每个商家，存在大量MCC(例如每个商家的MCC可以从1至89变化)，这使得数据的维度非常高。例如，诸如圣诞节、感恩节和/或COVID-19大流行的事件可能会产生数据变动，这可能会使得更难以区分合法数据变动与非法数据变动。以此方式，并不存在用于通过监视MCC代码之间商家的交易量变动来检测高风险行为商家的现有机制，这可能使得电子支付网络中的现有风险评分模型和/或欺诈检测系统效率较低和/或不太准确。

提供了获得与在历史时间段内商家系统处的多个历史交易的时间序列相关联的历史交易数据的改进系统、设备、产品、装置和/或方法，其中所述历史交易数据包括与多个历史交易相关联的多个MCC；将差异变换应用于历史交易数据以生成变换数据；通过将机器学习算法应用于变换数据来训练机器学习模型，其中所述机器学习模型生成与商家系统相关联的异常分数；获得与在历史时间段之后的前一时间段内商家系统处的一个或多个先前交易相关联的先前交易数据，其中所述先前交易数据包括多个MCC中与一个或多个先前交易相关联的一个或多个MCC；使用机器学习模型处理先前交易数据以生成与商家系统相关联的异常分数；以及基于异常分数和至少一个阈值异常分数来识别商家系统在前一时间段内跨MCC的交易量变动。

以此方式，本公开的非限制性实施方案或方面解决了与检测跨商家类别代码的商家数据变动相关联的动态商家行为、高维度以及数据的季节性和趋势的技术问题，从而使得现有风险评分模型和/或电子支付网络中的欺诈检测系统能够更高效和/或更准确。

现在参考图1，图1是其中可实现本文中描述的设备、系统、方法和/或产品的示例环境100的图。如图1中所示，环境100包括交易处理网络101、用户设备112和/或通信网络114，交易处理网络可包括商家系统102、支付网关系统104、收单方系统106、交易服务提供商系统108、发行方系统110。交易处理网络101、商家系统102、支付网关系统104、收单方系统106、交易服务提供商系统108、发行方系统110和/或用户设备112可通过有线连接、无线连接或有线连接和无线连接的组合互连(例如，建立连接以进行通信等)。

商家系统102可包括一个或多个设备，该一个或多个设备能够通过通信网络114从支付网关系统104、收单方系统106、交易服务提供商系统108、发行方系统110和/或用户设备112接收信息和/或数据，和/或通过通信网络114将信息和/或数据传送到支付网关系统104、收单方系统106、交易服务提供商系统108、发行方系统110和/或用户设备112。商家系统102可包括能够通过与用户设备112的通信连接(例如，NFC通信连接、RFID通信连接、通信连接等)从用户设备112接收信息和/或数据并且/或者通过所述通信连接将信息和/或数据传送到用户设备112的设备。例如，商家系统102可包括计算设备，例如服务器、服务器群组、客户端设备、客户端设备群组和/或其他类似设备。在一些非限制性实施方案或方面中，商家系统102可以与本文所描述的商家相关联。在一些非限制性实施方案或方面中，商家系统102可以包括能够供商家用以与用户进行支付交易的一个或多个设备，诸如计算机、计算机系统和/或外围设备。例如，商家系统102可包括POS设备和/或POS系统。

支付网关系统104可包括一个或多个设备，该一个或多个设备能够通过通信网络114从商家系统102、收单方系统106、交易服务提供商系统108、发行方系统110和/或用户设备112接收信息和/或数据，和/或通过通信网络114将信息和/或数据传送到商家系统102、收单方系统106、交易服务提供商系统108、发行方系统110和/或用户设备112。例如，支付网关系统104可包括计算设备，诸如服务器、服务器群组和/或其他类似设备。在一些非限制性实施方案或方面中，支付网关系统104与本文所描述的支付网关相关联。

收单方系统106可包括一个或多个设备，该一个或多个设备能够通过通信网络114从商家系统102、支付网关系统104、交易服务提供商系统108、发行方系统110和/或用户设备112接收信息和/或数据，和/或通过通信网络114将信息和/或数据传送到商家系统102、支付网关系统104、交易服务提供商系统108、发行方系统110和/或用户设备112。例如，收单方系统106可包括计算设备，诸如服务器、服务器群组和/或其他类似设备。在一些非限制性实施方案或方面中，收单方系统106可与本文所描述的收单方相关联。

交易服务提供商系统108可包括一个或多个设备，该一个或多个设备能够通过通信网络114从商家系统102、支付网关系统104、收单方系统106、发行方系统110和/或用户设备112接收信息和/或数据，和/或通过通信网络114将信息和/或数据传送到商家系统102、支付网关系统104、收单方系统106、发行方系统110和/或用户设备112。例如，交易服务提供商系统108可包括计算设备，诸如服务器(例如，交易处理服务器等)、服务器群组和/或其他类似设备。在一些非限制性实施方案或方面中，交易服务提供商系统108可与本文所描述的交易服务提供商相关联。在一些非限制性实施方案或方面中，交易服务提供商系统108可以包括并且/或者访问包括交易数据的一个或多个内部和/或外部数据库。

发行方系统110可包括一个或多个设备，该一个或多个设备能够通过通信网络114从商家系统102、支付网关系统104、收单方系统106、交易服务提供商系统108和/或用户设备112接收信息和/或数据，和/或通过通信网络114将信息和/或数据传送到商家系统102、支付网关系统104、收单方系统106、交易服务提供商系统108和/或用户设备112。例如，发行方系统110可包括计算设备，诸如服务器、服务器群组和/或其他类似设备。在一些非限制性实施方案或方面中，发行方系统110可与本文所描述的发行方机构相关联。例如，发行方系统110可与发行支付账户或工具(例如，信用账户、借记账户、信用卡、借记卡等)给用户(例如，与用户设备112相关联的用户等)的发行方机构相关联。

在一些非限制性实施方案或方面中，交易处理网络101包括通信路径中用于处理交易的多个系统。例如，交易处理网络101可包括通信路径(例如，通信路径、通信信道、通信网络等)中的商家系统102、支付网关系统104、收单方系统106、交易服务提供商系统108和/或发行方系统110)以用于处理电子支付交易。例如，交易处理网络101可经由商家系统102、支付网关系统104、收单方系统106、交易服务提供商系统108和/或发行方系统110之间的通信路径来处理(例如，发起、进行、授权等)电子支付交易。

用户设备112可包括一个或多个设备，该一个或多个设备能够通过通信网络114从商家系统102、支付网关系统104、收单方系统106、交易服务提供商系统108和/或发行方系统110接收信息和/或数据，和/或通过通信网络114将信息和/或数据传送到商家系统102、支付网关系统104、收单方系统106、交易服务提供商系统108和/或发行方系统110。例如，用户设备112可包括客户端设备等。在一些非限制性实施方案或方面中，用户设备112能够通过短程无线通信连接(例如，NFC通信连接、RFID通信连接、通信连接等)(例如，从商家系统102等)接收信息，和/或通过短程无线通信连接传送信息(例如，到商家系统102)。

在一些非限制性实施方案或方面中，用户设备112可以包括与用户设备112相关联的一个或多个应用程序，诸如在用户设备112上存储、安装并且/或者执行的应用程序(例如移动设备应用程序、针对移动设备的本机应用程序、针对移动设备的移动云应用程序、电子钱包应用程序、对等支付转账应用程序、商家应用程序、发行方应用程序等)。

通信网络114可包括一个或多个有线和/或无线网络。例如，通信网络114可包括蜂窝网络(例如长期演进(LTE)网络、第三代(3G)网络、第四代(4G)网络、码分多址接入(CDMA)网络等)、公用陆地移动网络(PLMN)、局域网(LAN)、广域网(WAN)、城域网(MAN)、电话网络(例如公共交换电话网络(PSTN)、专用网络、特设网络、内联网、互联网、基于光纤的网络、云计算网络等，和/或这些或其他类型的网络的组合。

提供图1所示的设备和系统的数目和布置作为实例。可存在额外设备和/或系统、更少设备和/或系统、不同设备和/或系统，和/或以与图1所示的那些不同的方式布置的设备和/或系统。此外，可在单个设备和/或系统内实施图1所示的两个或更多个设备和/或系统，或图1所示的单个设备和/或系统可实施为多个分布式设备和/或系统。另外或替代地，环境100的一组设备和/或系统(例如，一个或多个设备或系统)可执行被描述为由环境100的另一组设备和/或系统执行的一个或多个功能。

现在参考图2，图2是设备200的示例组件的图。设备200可对应于商家系统102的一个或多个设备、支付网关系统104的一个或多个设备、收单方系统106的一个或多个设备、交易服务提供商系统108的一个或多个设备、发行方系统110的一个或多个设备，和/或用户设备112(例如，用户设备112的系统的一个或多个设备等)。在一些非限制性实施方案或方面中，商家系统102的一个或多个设备、支付网关系统104的一个或多个设备、收单方系统106的一个或多个设备、交易服务提供商系统108的一个或多个设备、发行方系统110的一个或多个设备和/或用户设备112(例如，用户设备112的系统的一个或多个设备等)可包括至少一个设备200和/或设备200的至少一个部件。如图2所示，设备200可包括总线202、处理器204、存储器206、存储组件208、输入组件210、输出组件212，和通信接口214。

总线202可以包括准许设备200的部件之间的通信的部件。在一些非限制性实施方案或方面中，处理器204可以在硬件、软件，或硬件和软件的组合中实施。例如，处理器204可包括处理器(例如，中央处理单元(CPU)、图形处理单元(GPU)、加速处理单元(APU)等)、微处理器、数字信号处理器(DSP)和/或可以被编程为执行功能的任何处理部件(例如，现场可编程门阵列(FPGA)、专用集成电路(ASIC)等)。存储器206可以包括随机存取存储器(RAM)、只读存储器(ROM)，以及/或者存储供处理器204使用的信息和/或指令的另一类型的动态或静态存储设备(例如闪存存储器、磁存储器、光学存储器等)。

存储部件208可存储与设备200的操作和使用相关联的信息和/或软件。例如，存储部件208可以包括硬盘(例如，磁盘、光盘、磁光盘、固态磁盘等)、压缩光盘(CD)、数字多功能光盘(DVD)、软盘、盒带、磁带和/或另一类型的计算机可读介质，以及对应的驱动器。

输入部件210可以包括准许设备200例如通过用户输入(例如，触摸屏显示器、键盘、小键盘、鼠标、按钮、开关、麦克风等)接收信息的部件。另外或替代地，输入部件210可以包括用于感测信息的传感器(例如全球定位系统(GPS)部件、加速度计、陀螺仪、致动器等)。输出部件212可以包括从设备200提供输出信息的部件(例如，显示器、扬声器、一个或多个发光二极管(LED)等)。

通信接口214可以包括使得设备200能够诸如经由有线连接、无线连接或有线连接和无线连接的组合与其他设备通信的收发器类部件(例如收发器、单独的接收器和发射器等)。通信接口214可以准许设备200接收来自另一设备的信息和/或向另一设备提供信息。例如，通信接口214可包括以太网接口、光学接口、同轴接口、红外接口、射频(RF)接口、通用串行总线(USB)接口、接口、蜂窝网络接口等。

设备200可以执行本文描述的一个或多个过程。设备200可基于处理器204执行由例如存储器206和/或存储部件208的计算机可读介质存储的软件指令来执行这些过程。计算机可读介质(例如，非暂时性计算机可读介质)在本文中定义为非暂时性存储器设备。非暂态存储器设备包括位于单个物理存储设备内部的存储器空间或散布于多个物理存储设备上的存储器空间。

软件指令可以经由通信接口214从另一计算机可读介质或从另一设备读取到存储器206和/或存储部件208中。当执行时，存储在存储器206和/或存储部件208中的软件指令可以使处理器204执行本文中所描述的一个或多个过程。附加地或替代地，硬接线电路系统可以代替或结合软件指令使用以执行本文所述的一个或多个过程。因此，本文所描述的实施方案或方面不限于硬件电路系统和软件的任何特定组合。

存储器206和/或存储组件208可包括数据存储设备或一个或多个数据结构(例如，数据库等)。设备200能够从存储器206和/或存储组件208中的数据存储设备或一个或多个数据结构接收信息、将信息存储在所述数据存储设备或一个或多个数据结构中、向所述数据存储设备或一个或多个数据结构传送信息或搜索其中存储的信息。

提供图2中示出的组件的数目和布置作为实例。在一些非限制性实施方案或方面中，设备200可以包括额外部件、更少部件、不同部件或以与图2所示的那些不同的方式布置的部件。另外或替代地，设备200的一组部件(例如一个或多个部件)可以执行被描述为由设备200的另一组部件执行的一个或多个功能。

现在参考图3A和图3B，图3和图3B是用于检测商家数据变动的过程300的非限制性实施方案或方面的流程图。在一些非限制性实施方案或方面中，过程300中的一个或多个步骤可(例如完全、部分地，等等)由交易服务提供商系统108(例如交易服务提供商系统108的一个或多个设备)执行。在一些非限制性实施方案或方面中，过程300的一个或多个步骤可以(例如完全地、部分地等)由独立于或者包括交易服务提供商系统108的另一设备或设备群组来执行，该另一设备或设备群组诸如(例如商家系统102的一个或多个设备)、支付网关系统104(例如支付网关系统104的一个或多个设备)、收单方系统106(例如收单方系统106的一个或多个设备)、交易服务提供商系统108(例如交易服务提供商系统108的一个或多个设备等)、发行方系统110(例如发行方系统110的一个或多个设备)和/或用户设备112。

如图3A中所示出，在步骤302处，过程300包括获得与商家相关联的历史交易数据。例如，交易服务提供商系统108可以获得与在历史时间段内(例如在前一年或前几年等内)商家系统102处的多个历史交易的时间序列相关联的历史交易数据。历史交易数据(例如清算和结算数据、训练数据等)可以包括与多个历史交易相关联的多个MCC以及/或者与多个交易相关联的多个交易金额。多个历史交易的时间序列可以包括针对以时间顺序索引的多个历史交易的数据点(例如在连续均等间隔时间点处获取的数据点序列、离散时间数据序列等)。例如，交易服务提供商系统108可以针对不与商家系统102处的交易相关联的数据点生成或分配零值。

在一些非限制性实施方案或方面中，交易服务提供商系统108可以获得与在历史时间段内(例如在前一年或前几年等内)多个商家系统102处的多个历史交易的多个时间序列相关联的历史交易数据。例如，历史交易数据(例如清算和结算数据、训练数据等)可以包括与多个历史交易相关联的多个MCC、与多个历史交易相关联的多个交易金额，以及/或者与多个历史交易相关联的多个商家标识符。作为示例，交易服务提供商系统108可以针对多个商家系统102中的每个商家系统102接收在历史时间段内该商家系统102处的多个历史交易的时间序列。

交易数据(例如历史交易数据、先前交易数据、当前交易数据等)可以包括与交易相关联的参数，诸如账户标识符(例如PAN等)、交易金额、交易日期和时间、与交易相关联的产品和/或服务的类型、货币兑换率、货币类型、商家类型、商家名称、商家位置、商家类别组(MCG)、MCC等。

MCC可用于按商家提供的商品或服务的类型对商家进行分类。可以按商家类型(例如一种针对酒店，一种针对办公用品商店等)或者按商家名称(例如对于美国联合航空公司为3000)来分配MCC。例如，MCC可以包括在ISO 18245中列出的针对零售金融服务的四位数字，该四位数字用于按企业提供的商品或服务的类型对该企业进行分类。MCG可以包括商家类别代码落入的一般类别，诸如旅行、住宿、餐饮和娱乐、车辆费用、办公服务和货品、现金预付、其他类别等。

历史交易数据可以包括针对多个交易的交易子集的多个MCC中的每个MCC在历史时间段内的多个历史子时间段内的交易金额(例如支付金额、总交易金额等)的百分比分布。例如，交易服务提供商系统108可以将历史时间段(例如一年等)划分成多个历史子时段(例如数周等)，并且基于历史交易数据来确定针对商家的每个MCC在每个子时段内的百分比分布(例如在该周内分配给针对商家的每个MCC的每周交易金额的百分比等)。作为示例，历史交易数据可以包括针对商家的MCC之间的交易金额的百分比差异。在这种示例中，交易服务提供商系统108可以对于针对每个MCC在不包括多个交易中的交易的历史子时间段内的交易金额的百分比分布生成或分配零值。

如图3A中所示出，在步骤304处，过程300包括将差异变换应用于历史交易数据的时间序列。例如，交易服务提供商系统108可以将差异变换应用于历史交易数据以生成变换数据。作为示例，交易服务提供商系统108可以针对多个商家系统102中的每个商家系统102将差异变换应用于在历史时间段内该商家系统102处的多个历史交易的时间序列，以生成与每个商家系统102相关联的变换数据。

时间序列数据集可以包含趋势(例如序列随时间的持续增加或减少等)，并且本公开的非限制性实施方案或方面认识到从历史交易数据中的交易参数中对趋势信息进行识别、建模并且/或者移除以移除该趋势并使数据固定的益处。在这种示例中，交易服务提供商系统108可以应用差异变换以移除历史交易的时间序列对时间的依赖性(例如移除时间依赖性等)，进而从时间序列中移除趋势和季节性。例如，差异变换可以从当前观察交易参数的值中减去前一观察的值、交易参数或数据点(例如交易金额、每个MCC的交易金额的百分比分布等)或者时间序列中的数据点以确定其间的差异(例如变换交易参数等)：差异(t)＝观察(t)-观察(t-1)。

如图3A中所示出，在步骤306处，过程300包括利用变换数据来训练机器学习模型。例如，交易服务提供商系统108可以通过将机器学习算法应用于变换数据来训练机器学习模型，其中机器学习模型生成与商家系统102相关联的异常分数。作为示例，交易服务提供商系统108可以通过将机器学习算法应用于一个或多个变换交易参数来训练机器学习模型。在这种示例中，机器学习模型可以针对商家系统102生成异常分数。在这种示例中，机器学习算法/模型可以包括以下模型中的至少一种模型：深度学习模型(例如长短期记忆(LSTM)、递归神经网络(RNN)等)，随机森林回归器、孤立森林、基于密度的噪声应用空间聚类(DBSCAN)算法、自回归积分移动平均(ARIMA)模型或它们的任何组合。交易服务提供商系统108可以提供并且/或者存储训练后的机器学习模型。

在一些非限制性实施方案或方面中，交易服务提供商系统108可以通过将机器学习算法应用于与多个商家系统102中的每个商家系统102相关联的变换数据来针对该商家系统102训练与该商家系统102相关联的机器学习模型，其中机器学习模型生成与该商家系统102相关联的异常分数。

在一些非限制性实施方案或方面中，机器学习算法包括孤立森林算法，并且机器学习模型包括孤立森林。例如，并且还参考图4，该图是孤立森林的非限制性实施方案或方面的具体实现400的图，孤立森林是用于异常检测的无监督学习算法，该无监督学习算法按照孤立异常的原理而不是剖析正常点的更常见的技术来工作。在孤立森林算法中，与正常点相比，数据集中的异常实例倾向于较容易与样本的其余部分分离(孤立)。为了使数据点孤立，该算法通过以下操作而在样本上递归地生成分区：随机地选择属性，随后在该属性允许的最小值与最大值之间随机选择针对该属性的分割值。例如，基于数据集中随机选择的特征的值中的随机切割，在树结构中对数据进行子采样和处理。较深的树枝对应于不太可能有异常的样本，而较短的树枝指示异常。Liu等人在名称为“Isolation Forest”的论文,在中国(Proc.)第8届IEEE国际数据挖掘大会中,2008年12月,第413至422页中描述了孤立森林，该论文的全部内容据此以引用方式并入。

交易服务提供商系统108可以通过将孤立森林算法应用于变换数据来训练孤立森林，其中孤立森林生成与商家系统102相关联的异常分数。作为示例，交易服务提供商系统108可以通过将孤立森林算法应用于一个或多个变换交易参数(例如MCC之间的交易金额的变换百分比差异等)来训练孤立森林。例如，孤立森林可以针对多个历史子时间段中的每个历史子时间段(例如针对每周等)生成与商家系统102相关联的异常分数。在这种示例中，孤立森林的一个或多个超参数可以被调整为表示商家系统102运行(例如基于超参数调整等进行选择)的条件。

如图3A中所示出，在步骤308处，过程300包括获得与商家相关联的先前交易数据。例如，交易服务提供商系统108可以获得在历史时间段之后的前一时间段期间与商家系统102处的一个或多个先前交易相关联的先前交易数据。作为示例，先前交易数据可以包括多个MCC中与一个或多个先前交易相关联的一个或多个MCC。在这种示例中，历史子时间段(例如一周等)的持续时间可以是与前一时间段(例如一周等)相同的持续时间。

在一些非限制性实施方案或方面中，交易服务提供商系统108可以针对多个商家系统102中的每个商家系统102获得在历史时间段之后的前一时间段期间与该商家系统102处的一个或多个先前交易相关联的先前交易数据。例如，先前交易数据可以包括多个MCC中与多个商家系统102处的多个交易相关联的一个或多个MCC、与多个交易相关联的多个交易金额以及/或者与多个商家系统102相关联的多个商家标识符。

如图3A中所示出，在步骤310处，过程300包括利用机器学习模型来处理先前交易数据以生成异常分数。例如，交易服务提供商系统108可以使用机器学习模型来处理先前交易数据以生成与商家系统102相关联的异常分数。作为示例，交易服务提供商系统108可以提供一个或多个交易参数(例如MCC之间的交易金额的百分比差异等)作为针对训练后的机器学习模型的输入，并且从训练后的机器学习模型接收与商家系统102相关联的异常分数作为输出。在这种示例中，交易服务提供商系统108可以提供一个或多个交易参数(例如MCC之间的交易金额的百分比差异等)作为针对孤立森林模型的输入，并且接收与商家系统102相关联的异常分数作为来自训练后的孤立森林模型的输出。

在一些非限制性实施方案或方面中，交易服务提供商系统108可以针对多个商家系统102中的每个商家系统102使用与该商家系统102相关联的机器学习模型来处理与该商家系统102相关联的先前交易数据，以生成与该商家系统102相关联的异常分数。例如，交易服务提供商系统108可以针对每个商家系统102提供与该商家系统102处的一个或多个先前交易相关联的一个或多个交易参数(例如MCC之间的交易金额的百分比差异等)作为针对为该商家系统102生成的孤立森林模型的输入，并且接收与该商家系统102相关联的异常分数作为来自孤立森林模型的输出。

如图3A中所示出，在步骤312处，过程300包括识别跨针对商家的MCC的交易量变动。例如，交易服务提供商系统108可以基于异常分数来识别商家系统102在前一时间段内跨MCC的交易量变动。作为示例，交易服务提供商系统108可以基于异常分数和至少一个阈值异常分数来识别商家系统102在前一时间段内跨MCC的交易量变动。在这种示例中，交易服务提供商系统108可以将异常分数与至少一个阈值异常分数进行比较，并且响应于确定异常分数满足至少一个阈值异常分数，识别商家系统102在前一时间段内跨MCC的交易量变动。例如，并且还参考图5，该图是针对示例商家识别的示例异常数据变动的曲线图500，x轴示出了时间间隔，并且y轴示出了与针对示例商家所使用的示例MCC的先前时间间隔相比的交易金额变化。图片右侧的线示出了示例商家的MCC支付额，并且圆圈示出了所检测到的异常。如图5中所示出，直到2020年10月，针对示例商家的MCC的变化为零，并且在2020年10月之后，用于检测商家数据变动的过程300识别到与商家相关联的异常(例如跨MCC的交易量变动等)。

在一些非限制性实施方案或方面中，交易服务提供商系统108可以针对多个商家系统102中的每个商家系统102，基于与该商家系统102相关联的异常分数来确定该商家系统102在前一时间段内跨MCC的交易量变动是否已发生。

响应于识别到商家系统102在前一时间段内跨MCC的交易量变动，交易服务提供商系统108可以向将商家系统102识别为针对MCC操纵/变动的高风险商家系统的风险预测模型、欺诈预测模型和/或发行方系统110提供警报。在一些非限制性实施方案或方面中，交易服务提供商系统108可以提供包括多个商家系统102中的哪些商家系统已具有在前一时间段内跨MCC的交易量变动的列表的报告。在这种示例中，该报告可以包括与和报告中列出的商家相关联的交易相关联的交易数据。

如图3A中所示出，在步骤314处，过程300包括接收与商家相关联的当前交易数据。例如，交易服务提供商系统108可以在于交易处理网络101中的商家系统102处处理当前交易期间接收与当前交易相关联的当前交易数据(例如商家名称、MCC、交易金额等)，其中当前交易数据包括多个MCC中与当前交易相关联的MCC。作为示例，在识别到商家系统102跨MCC的交易量变动之后(例如在将商家系统102识别为针对MCC操纵/变动等的高风险商家系统之后)，交易服务提供商系统108(和/或发行方系统110)可以接收针对交易处理网络101中的当前交易的授权请求。

如图3B中所示出，在步骤316处，过程300包括基于当前交易数据和异常分数来确定风险分数。例如，交易服务提供商系统108可以基于当前交易数据和与商家系统102相关联的异常分数来确定与当前交易相关联的风险分数。作为示例，交易服务提供商系统108可以向风险预测模型(例如欺诈预测模型等)输入与当前交易相关联的一个或多个交易参数(例如商家名称、MCC、交易金额等)和与商家系统102相关联的异常分数，并且接收与当前交易相关联的风险分数(例如当前交易包括不正确或变动的MCC的概率、当前交易是欺诈交易的概率等)作为来自风险预测模型的输出。

如图3B中所示出，在步骤318处，过程300包括将风险分数与阈值风险分数进行比较。例如，交易服务提供商系统108可以将与当前交易相关联的风险分数与至少一个阈值风险分数进行比较。

如图3B中所示出，在步骤320处，过程300包括批准或拒绝对当前交易的授权。例如，响应于确定风险分数满足至少一个阈值风险分数，交易服务提供商系统108可以拒绝对当前交易的授权。作为示例，响应于确定风险分数满足至少一个阈值风险分数，交易服务提供商系统108可以确定当前交易包括不正确或变动的MCC以及/或者当前交易是欺诈交易。作为示例，响应于确定风险分数未能满足至少一个阈值风险分数，交易服务提供商系统108可以授权对当前交易的授权。

尽管本文中主要针对识别商家系统跨MCC的交易量变动描述了本公开的非限制性实施方案或方面，但本公开的非限制性实施方案或方面不限于此，并且可以包括跨可使用本文中描述的用于检测商家数据变动的过程300来识别与系统相关联的任何数据类别(例如任何商家类别等)的任何数据参数(例如任何交易参数等)的变动的实施方案或方面。例如，本公开的非限制性实施方案或方面可以使用本文中描述的用于检测商家数据变动的过程300来识别商家系统跨MCG的交易量变动。

尽管已出于说明和描述的目的详细描述了实施方案或方面，但应当理解，这种细节仅用于所述目的，并且所述实施方案或方面不限于所公开的实施方案或方面，而是相反，旨在涵盖在所附权利要求书的精神和范围内的修改和等效布置。例如，应当理解，本公开预期，尽可能地，任何实施方案或方面的一个或多个特征可以与任何其他实施方案或方面的一个或多个特征组合。实际上，这些特征中的任一个可以未在权利要求书中具体地叙述和/或在说明书中公开的方式组合。尽管下文列出的每项从属权利要求可能直接取决于仅一项权利要求，但可能的实施方式的公开内容包括与权利要求集中的每项其他权利要求相组合的每项从属权利要求。

Claims (20)

1.一种计算机实现的方法，包括：

利用至少一个处理器获得与在历史时间段内商家系统处的多个历史交易的时间序列相关联的历史交易数据，其中所述历史交易数据包括与所述多个历史交易相关联的多个商家类别代码(MCC)；

利用所述至少一个处理器将差异变换应用于所述历史交易数据以生成变换数据；

利用所述至少一个处理器通过将机器学习算法应用于所述变换数据来训练机器学习模型，其中所述机器学习模型生成与所述商家系统相关联的异常分数；

利用所述至少一个处理器获得与在所述历史时间段之后的前一时间段内所述商家系统处的一个或多个先前交易相关联的先前交易数据，其中所述先前交易数据包括所述多个MCC中与所述一个或多个先前交易相关联的一个或多个MCC；

利用所述至少一个处理器使用所述机器学习模型处理所述先前交易数据以生成与所述商家系统相关联的所述异常分数；以及

利用所述至少一个处理器基于所述异常分数和至少一个阈值异常分数来识别所述商家系统在所述前一时间段内跨MCC的交易量变动。

2.如权利要求1所述的计算机实现的方法，还包括：

在于交易处理网络中的所述商家系统处处理当前交易期间，利用所述至少一个处理器接收与所述当前交易相关联的当前交易数据，其中所述当前交易数据包括所述多个MCC中与所述当前交易相关联的MCC；以及

利用所述至少一个处理器基于当前交易数据和与所述商家系统相关联的所述异常分数来确定与所述当前交易相关联的风险分数。

3.如权利要求2所述的计算机实现的方法，还包括：

利用所述至少一个处理器将所述风险分数与至少一个阈值风险分数进行比较；以及

响应于确定所述风险分数满足所述至少一个阈值风险分数，利用所述至少一个处理器拒绝对所述当前交易的授权。

4.如权利要求1所述的计算机实现的方法，其中所述历史交易数据包括针对所述多个历史交易的交易子集的所述多个MCC中的每个MCC在所述历史时间段内的多个历史子时间段内的交易金额的百分比分布，并且其中历史子时间段的持续时间是与所述前一时间段相同的持续时间。

5.如权利要求4所述的计算机实现的方法，其中获得所述历史交易数据包括对于针对每个MCC在不包括所述多个交易中的交易的历史子时间段内的所述交易金额的所述百分比分布生成零值。

6.如权利要求4所述的计算机实现的方法，其中所述先前交易数据包括针对所述一个或多个交易的所述一个或多个MCC中的每个MCC在所述前一时间段内的交易金额的百分比分布。

7.如权利要求1所述的计算机实现的方法，其中所述机器学习算法包括孤立森林算法，并且其中所述机器学习模型包括孤立森林。

8.一种系统，包括：

至少一个处理器，所述至少一个处理器被编程为并且/或者被配置成：

获得与在历史时间段内商家系统处的多个历史交易的时间序列相关联的历史交易数据，其中所述历史交易数据包括与所述多个历史交易相关联的多个商家类别代码(MCC)；

将差异变换应用于所述历史交易数据以生成变换数据；

通过将机器学习算法应用于所述变换数据来训练机器学习模型，其中所述机器学习模型生成与所述商家系统相关联的异常分数；

获得与在所述历史时间段之后的前一时间段内所述商家系统处的一个或多个先前交易相关联的先前交易数据，其中所述先前交易数据包括所述多个MCC中与所述一个或多个先前交易相关联的一个或多个MCC；

使用所述机器学习模型处理所述先前交易数据以生成与所述商家系统相关联的所述异常分数；以及

基于所述异常分数和至少一个阈值异常分数来识别所述商家系统在所述前一时间段内跨MCC的交易量变动。

9.如权利要求8所述的系统，其中所述至少一个处理器被进一步编程为并且/或者被进一步配置成：

在于交易处理网络中的所述商家系统处处理当前交易期间，接收与所述当前交易相关联的当前交易数据，其中所述当前交易数据包括所述多个MCC中与所述当前交易相关联的MCC；以及

基于当前交易数据和与所述商家系统相关联的所述异常分数来确定与所述当前交易相关联的风险分数。

10.如权利要求9所述的系统，其中所述至少一个处理器被进一步编程为并且/或者被进一步配置成：

将所述风险分数与至少一个阈值风险分数进行比较；以及

响应于确定所述风险分数满足所述至少一个阈值风险分数，拒绝对所述当前交易的授权。

11.如权利要求8所述的系统，其中所述历史交易数据包括针对所述多个历史交易的交易子集的所述多个MCC中的每个MCC在所述历史时间段内的多个历史子时间段内的交易金额的百分比分布，并且其中历史子时间段的持续时间是与所述前一时间段相同的持续时间。

12.如权利要求11所述的系统，其中所述至少一个处理器被进一步编程为并且/或者被进一步配置成通过对于针对每个MCC在不包括所述多个历史交易中的交易的历史子时间段内的所述交易金额的所述百分比分布生成零值来获得所述历史交易数据。

13.如权利要求11所述的系统，其中所述先前交易数据包括针对所述一个或多个交易的所述一个或多个MCC中的每个MCC在所述前一时间段内的交易金额的百分比分布。

14.如权利要求8所述的系统，其中所述机器学习算法包括孤立森林算法，并且其中所述机器学习模型包括孤立森林。

15.一种计算机程序产品，包括至少一个非暂时性计算机可读介质，所述至少一个非暂时性计算机可读介质包括程序指令，所述程序指令在由至少一个处理器执行时使得所述至少一个处理器：

获得与在历史时间段内商家系统处的多个历史交易的时间序列相关联的历史交易数据，其中所述历史交易数据包括与所述多个历史交易相关联的多个商家类别代码(MCC)；

将差异变换应用于所述历史交易数据以生成变换数据；

通过将机器学习算法应用于所述变换数据来训练机器学习模型，其中所述机器学习模型生成与所述商家系统相关联的异常分数；

获得与在所述历史时间段之后的前一时间段内所述商家系统处的一个或多个先前交易相关联的先前交易数据，其中所述先前交易数据包括所述多个MCC中与所述一个或多个先前交易相关联的一个或多个MCC；

使用所述机器学习模型处理所述先前交易数据以生成与所述商家系统相关联的所述异常分数；以及

基于所述异常分数和至少一个阈值异常分数来识别所述商家系统在所述前一时间段内跨MCC的交易量变动。

16.如权利要求15所述的计算机程序产品，其中所述程序指令在由所述至少一个处理器执行时进一步使得所述至少一个处理器：

在于交易处理网络中的所述商家系统处处理当前交易期间，接收与所述当前交易相关联的当前交易数据，其中所述当前交易数据包括所述多个MCC中与所述当前交易相关联的MCC；以及

基于当前交易数据和与所述商家系统相关联的所述异常分数来确定与所述当前交易相关联的风险分数。

17.如权利要求16所述的计算机程序产品，其中所述程序指令在由所述至少一个处理器执行时进一步使得所述至少一个处理器：

将所述风险分数与至少一个阈值风险分数进行比较；以及

响应于确定所述风险分数满足所述至少一个阈值风险分数，拒绝对所述当前交易的授权。

18.如权利要求15所述的计算机程序产品，其中所述历史交易数据包括针对所述多个历史交易的交易子集的所述多个MCC中的每个MCC在所述历史时间段内的多个历史子时间段内的交易金额的百分比分布，其中历史子时间段的持续时间是与所述前一时间段相同的持续时间，并且其中所述先前交易数据包括针对所述一个或多个交易的所述一个或多个MCC中的每个MCC在所述前一时间段内的交易金额的百分比分布。

19.如权利要求18所述的计算机程序产品，其中所述程序指令在由至少一个处理器执行时进一步使得所述至少一个处理器通过对于针对每个MCC在不包括所述多个历史交易中的交易的历史子时间段内的所述交易金额的所述百分比分布生成零值来获得所述历史交易数据。

20.如权利要求18所述的计算机程序产品，其中所述机器学习算法包括孤立森林算法，并且其中所述机器学习模型包括孤立森林。