[發(fā)明專利]一種收款數據的多維度參數統(tǒng)計方法和裝置

在審

• 申請?zhí)枺?/td>: 202010162330.6
• 申請日: 2020-03-10
• 公開（公告）號: CN111400293A
• 公開（公告）日: 2020-07-10
• 發(fā)明（設計）人: 王越;沈曉斌;高云
• 申請（專利權）人: 北京意銳新創(chuàng)科技有限公司
• 主分類號: G06F16/215
• 分類號: G06F16/215;G06F16/22;G06F16/28;G06N3/04;G06N3/08
• 代理公司: 北京匯捷知識產權代理事務所(普通合伙) 11531
• 代理人: 于鵬

1.一種收款數據的多維度參數統(tǒng)計方法，應用于電子設備，其特征在于，所述電子設備上設置有雙面異步液晶顯示屏組件，所述雙面異步液晶顯示屏組件包括顯示屏、3D結構光識讀模組以及定位模組，所述方法包括：

獲取商戶的交易訂單與數據；

通過flink分布式運算系統(tǒng)對商戶的的交易訂單與數據進行處理，獲取商戶待統(tǒng)計的收款數據，其中，所述收款數據包括：收款時間數據、收款地點數據及收款主體數據；

將所述收款時間數據輸入第一參數提取模型，獲取所述第一參數提取模型的隱藏層輸出特征，其中，所述第一參數提取模型是預先通過收款時間數據樣本對用于處理時序數據的算法模型進行訓練生成的；

將所述收款地點數據輸入第二參數提取模型，獲取所述第二參數提取模型的隱藏層輸出特征，其中，所述第二參數提取模型是預先通過收款地點數據樣本對用于處理非序列數據的算法模型進行訓練生成的；

將所述收款主體數據輸入第三參數提取模型，獲取所述第三參數提取模型的隱藏層輸出特征，其中，所述第三參數提取模型是預先通過收款主體數據樣本對用于處理文本型序列數據的算法模型進行訓練生成的；

對待統(tǒng)計的收款數據執(zhí)行提取特征并完成統(tǒng)計輸出顯示，其中，所述提取特征包括所述第一參數提取模型的隱藏層輸出特征、所述第二參數提取模型的隱藏層輸出特征及所述第三參數提取模型的隱藏層輸出特征。

2.根據權利要求1所述的一種收款數據的多維度參數統(tǒng)計方法，其特征在于，還包括：對商戶收款數據的提取特征進行分析，并將分析結果進行存儲。

3.根據權利要求1所述的一種收款數據的多維度參數統(tǒng)計方法，其特征在于，還包括：接收來自使用者的操作請求，其中，所述操作請求包括：收款商戶請求、收款時間請求和/或收款位置請求。

4.根據權利要求1所述的一種收款數據的多維度參數統(tǒng)計方法，其特征在于，所述獲取商戶的交易訂單與數據包括：

根據待獲取的目標數據源，通過自動索引方式進行數據采集；對自動索引后的數據按照數據格式進行分類清洗。

5.根據權利要求4所述的一種收款數據的多維度參數統(tǒng)計方法，其特征在于，還包括：預先建立多個清洗模型，其中，所述多個清洗模型分別用于清洗不同數據格式的數據。

6.根據權利要求1所述的一種收款數據的多維度參數統(tǒng)計方法，其特征在于，所述通過flink分布式運算系統(tǒng)對商戶的交易訂單與數據進行處理，獲取商戶待統(tǒng)計的收款數據包括：

通過flink分布式運算系統(tǒng)，解析交易數據；

根據解析交易數據生成的解析結果進行統(tǒng)計，獲取商戶待統(tǒng)計的收款數據。

7.根據權利要求1所述的一種收款數據的多維度參數統(tǒng)計方法，其特征在于，所述用于處理時序數據的算法模型包括：循環(huán)神經網絡模型、卷積神經網絡模型或長短期記憶網絡模型；

所述用于處理非序列數據的算法模型包括：深度神經網絡模型、邏輯回歸模型，因子分解機模型或壓縮交互式網絡模型；

所述用于處理文本型序列數據的算法模型包括：文本卷積神經網絡模型、循環(huán)神經網絡模型、卷積神經網絡模型或長短期記憶網絡模型。

8.一種計算機可讀存儲介質，其上存儲有計算機程序，其特征在于，該程序被處理器執(zhí)行時實現所述權利要求1-7中任一項所述方法的步驟。

9.一種計算機設備，包括存儲器、處理器及存儲在存儲器上并可在處理器上運行的計算機程序，其特征在于，所述處理器執(zhí)行所述程序時實現所述權利要求1-7中任一項所述方法的步驟。

10.一種收款數據的多維度參數統(tǒng)計裝置，其特征在于，所述裝置包括：

第一獲取模塊，用于獲取商戶的交易訂單與數據；

第二獲取模塊，用于通過flink分布式運算系統(tǒng)對商戶的的交易訂單與數據進行處理，獲取商戶待統(tǒng)計的收款數據，其中，所述收款數據包括：收款時間數據、收款地點數據及收款主體數據；

第三獲取模塊，用于將所述收款時間數據輸入第一參數提取模型，獲取所述第一參數提取模型的隱藏層輸出特征，其中，所述第一參數提取模型是預先通過收款時間數據樣本對用于處理時序數據的算法模型進行訓練生成的；

第四獲取模塊，用于將所述收款地點數據輸入第二參數提取模型，獲取所述第二參數提取模型的隱藏層輸出特征，其中，所述第二參數提取模型是預先通過收款地點數據樣本對用于處理非序列數據的算法模型進行訓練生成的；

第五獲取模塊，用于將所述收款主體數據輸入第三參數提取模型，獲取所述第三參數提取模型的隱藏層輸出特征，其中，所述第三參數提取模型是預先通過收款主體數據樣本對用于處理文本型序列數據的算法模型進行訓練生成的；

執(zhí)行與統(tǒng)計顯示模塊，用于對待統(tǒng)計的收款數據執(zhí)行提取特征并完成統(tǒng)計輸出顯示，其中，所述提取特征包括所述第一參數提取模型的隱藏層輸出特征、所述第二參數提取模型的隱藏層輸出特征及所述第三參數提取模型的隱藏層輸出特征。