[發明專利]一種基于金融時間序列特征的異常交易識別方法，設備及可讀存儲介質

有效

• 申請號: 201810909752.8
• 申請日: 2018-08-10
• 公開（公告）號: CN109165950B
• 公開（公告）日: 2023-02-03
• 發明（設計）人: 李曉穎;王佰玲;王巍;黃俊恒;辛國棟;劉揚
• 申請（專利權）人: 哈爾濱工業大學(威海)
• 主分類號: G06Q20/40
• 分類號: G06Q20/40
• 代理公司: 山東舜源聯合知識產權代理有限公司 37359
• 代理人: 張亮

本發明提供一種基于金融時間序列特征的異常交易識別方法，設備及可讀存儲介質，能夠利用疑似異常或與某些確定異常賬號相關的大量待檢測金融交易流水信息數據，通過神經網絡模型自適應提取金融時間序列特征，然后基于神經網絡中線性層和softmax層的運算進行待檢測交易賬號是否為傳銷賬號的分類識別。本發明提出的異常金融交易識別方法能夠基于SoftSeq2Seq?Attention神經網絡模型自適應提取金融時間序列特征，一定程度上減少了勞動密集型特征工程的投入。利用較單一類型的金融交易流水數據和較少的特征，能夠取得很好的異常金融賬號檢測識別效果。

技術領域

本發明涉及金融交易領域，尤其涉及一種基于金融時間序列特征的異常交易識別方法，設備及可讀存儲介質。

背景技術

異常金融交易是指交易金額、交易頻率、交易地點等存在異常情形或特征的金融交易。異常金融交易包括很多領域，如洗錢、信用卡詐騙、非法集資、傳銷等。而非法傳銷一直是金融安全領域亟待解決的問題之一，其本質為通過發展下線實現財務的非法轉移與聚集，擾亂社會經濟秩序，危害人身安全、社會安定。金融交易數據流分析，是進行傳銷賬號識別或者傳銷組織架構發掘的一種有效手段。但目前基于金融交易數據流分析識別傳銷賬號的方法，還很大程度上依賴于人工構建的規則體系，依賴于人工判斷，耗費人力物力。如金融時間序列的數理統計方法或運用社會學、營銷學等傳銷網絡理論分析等傳統方法，無法有效的處理不斷涌現的大規模數據集。

目前，基于機器學習或深度學習方法的異常金融交易識別在反洗錢、信用卡詐騙檢測等領域已經取得很大進展。很多研究將RBF、CNN等神經網絡模型應用到信用卡詐騙或反洗錢檢測領域且效果顯著，此外，樸素貝葉斯和支持向量機等方法在反洗錢領域的研究中也應用十分廣泛。但是，國內有關傳銷金融交易賬號的識別研究還相對較少。現有的傳銷組織識別或研究方法，多是建立在傳銷組織網絡拓撲特征的基礎上，采用分支樹模型或貝葉斯估計等傳統的數據分析方法。這些方法在某些場景下可以獲取比較精確的傳銷網絡拓撲結構或者傳銷組織特征，但是基于構建網絡拓撲特征的傳銷識別方法往往可能需要大量復雜類型的傳銷相關數據，即除金融交易流水數據之外的多種其他類型數據，如通話數據、短信數據、微信聊天數據等。一方面，這些多種類型數據的前期預處理分析會導致更加復雜的勞動密集型特征工程工作。另一方面，在數據量缺乏或者傳銷組織數據不夠完整的情況下，很可能導致基于傳銷網絡拓撲特征的識別方法獲得的分析結果不夠精確、可用性低。而目前，尚沒有一種方法可以結合RNN神經網絡模型自適應地抽取金融時間序列特征用于傳銷金融賬號的識別，從而減輕或避免復雜的勞動密集型特征工程工作。

發明內容

為了克服上述現有技術中的不足，本發明提供一種基于金融時間序列特征的異常交易識別方法，方法包括：

步驟一，對輸入的原始金融交易流水數據集，進行數據預處理，提取原始金融交易流水數據集中的清洗數據和關鍵項數據，得到關鍵項數據集合D；

步驟二，構建金融時間序列，基于關鍵項數據集合D構建金融時間序列數據集D^finput；

步驟三，基于金融時間序列數據集D^finput，根據確定的傳銷卡號列表文件進行數據標注；將標注好的金融時間序列數據集Train輸入SoftSeq2Seq-Attention神經網絡模型，進行模型訓練和金融時間序列特征提取；

步驟四，對賬號進行檢測識別，識別金融交易流水信息，并構建待檢測金融交易流水信息數據集根據步驟一對待檢測金融交易流水信息數據集進行預處理操作，得到預處理操作結果關鍵項數據集合D_test，然后由步驟二構建金融時間序列數據集

將中數據輸入到訓練好的SoftSeq2Seq-Attention神經網絡模型中，提取金融時間序列特征向量集合