[發(fā)明專利]一種基于深度學(xué)習(xí)模型LSTM的交易指標(biāo)異常的監(jiān)測方法

有效

• 申請?zhí)枺?/td>: 201810169957.7
• 申請日: 2018-02-28
• 公開（公告）號: CN108197845B
• 公開（公告）日: 2022-03-18
• 發(fā)明（設(shè)計）人: 李開宇;王月超
• 申請（專利權(quán)）人: 四川新網(wǎng)銀行股份有限公司
• 主分類號: G06Q10/06
• 分類號: G06Q10/06;G06Q40/06
• 代理公司: 成都弘毅天承知識產(chǎn)權(quán)代理有限公司 51230
• 代理人: 徐金瓊

本發(fā)明公開了一種基于深度學(xué)習(xí)模型LSTM的交易指標(biāo)異常的監(jiān)測方法，方法步驟包括：步驟1、采集交易指標(biāo)歷史數(shù)據(jù)并進(jìn)行處理；步驟2、將步驟1處理后的歷史數(shù)據(jù)訓(xùn)練擁有交易指標(biāo)時間序列預(yù)判的LSTM模型；步驟3、通過步驟2的LSTM模型，計算指標(biāo)正常區(qū)間浮動值；步驟4、通過步驟2的LSTM模型預(yù)測指標(biāo)當(dāng)前值，并根據(jù)步驟3的指標(biāo)正常區(qū)間浮動值對指標(biāo)實際值進(jìn)行捕獲異常。本發(fā)明通過深度學(xué)習(xí)模型LSTM預(yù)測時序指標(biāo)，預(yù)測指標(biāo)當(dāng)前值更加準(zhǔn)確，也使得非規(guī)律性時序指標(biāo)的預(yù)判準(zhǔn)確率大大提升，后續(xù)異常捕獲也更加準(zhǔn)確；結(jié)合LSTM模型預(yù)測的輸出結(jié)果，通過殘差擬合公式和邏輯回歸模型算法計算正常區(qū)間浮動值，使得異常捕獲更加精準(zhǔn)，也提升了效率。

技術(shù)領(lǐng)域

本發(fā)明涉及交易指標(biāo)異常的監(jiān)測方法領(lǐng)域，具體涉及一種基于深度學(xué)習(xí)模型LSTM的交易指標(biāo)異常的監(jiān)測方法領(lǐng)域。

背景技術(shù)

現(xiàn)在的社會企業(yè)中，信息化程度越來越高，大數(shù)據(jù)的應(yīng)用也越來越廣泛。企業(yè)越來越多的信息可以通過數(shù)據(jù)來反應(yīng)，這類數(shù)據(jù)往往稱為指標(biāo)；其中交易指標(biāo)是金融企業(yè)十分關(guān)注的。不論是系統(tǒng)故障還是外部事件，如果對業(yè)務(wù)產(chǎn)生影響，最先都好在交易指標(biāo)上有所表現(xiàn)；對交易指標(biāo)進(jìn)行異常監(jiān)控，可以即時的發(fā)現(xiàn)問題、響應(yīng)問題，提升業(yè)務(wù)穩(wěn)定性，避免不必要的損失。

現(xiàn)有技術(shù)一般通過經(jīng)典時間序列模型ARIMA與異常指標(biāo)庫建設(shè)，來完成對交易指標(biāo)的監(jiān)測。時序模型ARIMA負(fù)責(zé)建立數(shù)據(jù)隨時間變化的對應(yīng)關(guān)系；異常指標(biāo)庫則負(fù)責(zé)判斷預(yù)測值與實際值是否屬于異常，隨著異常指標(biāo)庫建設(shè)不斷完善，異常的判斷也會被不斷修正。

具體交易指標(biāo)異常監(jiān)測步驟如下：

1.采集某一交易指標(biāo)的歷史數(shù)據(jù)；

2.交易指標(biāo)數(shù)據(jù)清洗、標(biāo)準(zhǔn)化；

3.訓(xùn)練時間序列模型ARIMA；

4.判斷當(dāng)前交易指標(biāo)的值是否異常。

其中指標(biāo)數(shù)據(jù)清洗，是將數(shù)據(jù)中的異常值如：NA、null或不符合模型訓(xùn)練的值，通過程序遍歷并取出掉；同時對時間格式進(jìn)行標(biāo)準(zhǔn)化，對指標(biāo)數(shù)據(jù)做統(tǒng)一的標(biāo)準(zhǔn)處理，如相同時間間隔中，取數(shù)據(jù)的合計值、平均值或最大值等。

判斷當(dāng)前交易指標(biāo)的值是否異常：一般是通過判斷當(dāng)前實際值是否在合理區(qū)間之內(nèi)，如果在則無異常、如果不在區(qū)間內(nèi)則有異常；而這個合理區(qū)間是根據(jù)時序模型的預(yù)測值與異常庫指標(biāo)庫的值做參考，計算出來的。計算方式如下：預(yù)測值與實際值之間距離，簡稱當(dāng)前比較距離，與歷史預(yù)測值與異常點(diǎn)之間的距離，簡稱歷史比較距離，進(jìn)行比較，如果兩個距離接近，或當(dāng)前比較距離大于歷史比較距離判斷為異常。

現(xiàn)有的交易指標(biāo)異常的監(jiān)測方法，由于采用ARIMA模型，只能對于時序趨勢十分有“規(guī)律”的指標(biāo)判斷準(zhǔn)確；而對于規(guī)律不明顯的指標(biāo)的趨勢判斷容易出現(xiàn)失誤；這樣在指標(biāo)異常捕獲是容易出現(xiàn)異常捕獲不準(zhǔn)、捕獲不到的情況。

同時，異常判斷過程中，現(xiàn)有技術(shù)面臨對歷史異常信息的記錄嚴(yán)重依賴；在沒有異常記錄的情況下，只能通過懂業(yè)務(wù)的人員，憑經(jīng)驗給出比較閥值，這樣會增加很多人工工作量；而很多時候異常指標(biāo)值覆蓋不夠全面或沒有，導(dǎo)致異常捕獲很容易失準(zhǔn)。

發(fā)明內(nèi)容

本發(fā)明的目的在于：解決現(xiàn)有檢測方法異常捕獲對非規(guī)律性時序指標(biāo)判斷易出現(xiàn)失誤，以及異常捕獲對歷史異常信息記錄依賴嚴(yán)重，無異常記錄時需人工參與，容易導(dǎo)致異常指標(biāo)值覆蓋不全面導(dǎo)致異常捕獲失準(zhǔn)的問題，提供一種更通用，對有規(guī)律和無規(guī)律的時序指標(biāo)異常捕獲都有效，減少指標(biāo)異常判斷人工參與力度，高效且準(zhǔn)確的基于深度學(xué)習(xí)模型LSTM的交易指標(biāo)異常的監(jiān)測方法。

本發(fā)明采用的技術(shù)方案如下：

一種基于深度學(xué)習(xí)模型LSTM的交易指標(biāo)異常的監(jiān)測方法，方法步驟包括：

步驟1、采集交易指標(biāo)歷史數(shù)據(jù)并進(jìn)行處理；