一种基于深度学习的交易数据趋势预测方法和系统技术方案

本申请提供一种基于深度学习的交易数据趋势预测方法和系统，该方法，包括：采集银行业务的交易监控数据；对交易监控数据进行数据清洗及数据修复；将数据清洗及数据修复后的数据，输入至趋势预测模型，分别进行单变量预测和多变量预测，得到预测结果；其中，趋势预测模型为卷积神经网络CNN

【技术实现步骤摘要】
一种基于深度学习的交易数据趋势预测方法和系统


[0001]本专利技术属于深度学习
，更具体的说，尤其涉及一种基于深度学习的交易数据趋势预测方法和系统。

技术介绍

[0002]近年来，银行业务不断发展，数据挖掘、人工智能等技术与银行运维工作紧密结合，海量交易日志的采集、存储、监控及可视化进程不断推进，使“实时监控，人工干预”向“提前预测，智能运维”模式转变。银行业务中涉及的交易监控数据具有典型的时间序列特性，对交易数据进行趋势预测可以提前预知风险，提升日常运维中异常事件预警能力。
[0003]现有技术中，时间序列预测是一种回归预测方法，承认事物发展的延续性，对数据进行适当处理，运用过去的历史时间序列数据进行统计分析，进行趋势预测，现今常用的时间序列预测主要是基于统计学习、深度学习两方向进行深入研究，优化方向主要包括优化时间序列算法及优化预测模型网络结构两个维度。
[0004]传统的统计学习预测方法为差分自回归移动平均模型，通过差分可以用于非平稳时间序列，其本质是将非平稳时间序列转化为平稳时间序列，然后将因变量仅对它的滞后值以及随机误差项的现值和滞后值进行回归所建立的模型。然而随着深度学习算法的不断精进，预测模型的准确度与效率愈加提高。
[0005]但是，该传统统计学习预测方法适用于实验数据波动范围较小情况，而且更加侧重于具有线性关系的单变量数据，很难对变量之间的非线性关系进行建模。因此对于存在突增或突减情况的海量交易监控数据的预测场景，该统计学习预测方法无法进行预测。

技术实现思路

[0006]有鉴于此，本申请的目的在于提供一种基于深度学习的交易数据趋势预测方法和系统，用于更好地预测数据变化趋势，提升模型的预测准确度及效率。
[0007]本申请的第一方面公开了一种基于深度学习的交易数据趋势预测方法，包括：
[0008]采集银行业务的交易监控数据；
[0009]对所述交易监控数据进行数据清洗及数据修复；
[0010]将数据清洗及数据修复后的数据，输入至趋势预测模型，分别进行单变量预测和多变量预测，得到预测结果；其中，所述趋势预测模型为卷积神经网络CNN
‑
长短期记忆网络LSTM混合模型，CNN
‑
LSTM混合模型依次设置一维卷积层、池化层、一维卷积层、LSTM层、数据规范化层、LSTM层、数据规范化层，最后接入全连接层。
[0011]可选的，所述采集银行业务的交易监控数据，包括：
[0012]从所述银行业务中生产环境的结构化交易流水日志中，按照所需指定字段，自动采集到分布式开源搜索分析引擎的数据源进行存储；其中，所述数据源包括交易监控数据。
[0013]可选的，所述交易监控数据，包括：交易量、业务成功率、系统成功率、平均响应时间、平均处理时间、业务成功交易量和系统成功交易量中的至少一种。
[0014]可选的，对所述交易监控数据进行数据清洗及数据修复，包括：
[0015]将获取的数据向适用于模型训练的格式转换，而后经过去重、时间序列重排、重置索引；
[0016]采用填补法进行缺失值替换；
[0017]其后对缺失值替换后的数据进行时间段筛选。
[0018]可选的，单变量预测针对以所述交易监控数据中的交易量为核心的单因素时间序列数据进行预测；
[0019]多变量预测在单变量预测的基础上将所述交易监控数据中的CPU使用率、平均响应时间、平均处理时间中的至少一个多变量数据加入到所述CNN
‑
LSTM混合模型中共同训练，研究多因素间的相互影响，最终预测交易量在未来一段时间内的趋势变化。可选的，所述趋势预测模型的构建过程，包括：
[0020]采集并显示银行业务的历史数据；所述历史数据包括：历史交易监控数据；
[0021]对所述历史数据进行预处理，所述预处理包括：数据清洗及数据修复；
[0022]对预处理后的历史数据划分为三个集合，分别为训练集、验证集、测试集；
[0023]所述训练集作为所述CNN
‑
LSTM混合模型拟合的数据样本进行训练，每一次迭代后都会通过所述验证集对所述CNN
‑
LSTM混合模型进损失值进行验证；通过逐渐调整模型参数，不断验证所述CNN
‑
LSTM混合模型的泛化能力，通过平均绝对误差及均方误差判断模型的训练结果是否达到标准；最后，借助所述测试集进行所述CNN
‑
LSTM混合模型的预测结果对比验证；
[0024]在所述预测结果对比验证结果满足预设条件时，将所述CNN
‑
LSTM混合模型作为所述趋势预测模型。
[0025]可选的，将所述CNN
‑
LSTM混合模型作为所述趋势预测模型之前，还包括：
[0026]将所述训练完毕后的所述CNN
‑
LSTM混合模型进行封装。
[0027]可选的，还包括：
[0028]对所述预测结果和/或所述交易监控数据进行可视化显示。
[0029]本申请的第二方面公开了一种基于深度学习的交易数据趋势预测系统，包括：
[0030]数据采集模块，用于采集银行业务的交易监控数据；
[0031]数据预处理模块，用于对所述交易监控数据进行数据清洗及数据修复；
[0032]预测模块，用于将数据清洗及数据修复后的数据，输入至趋势预测模型，分别进行单变量预测和多变量预测，得到预测结果；其中，所述趋势预测模型为卷积神经网络CNN
‑
长短期记忆网络LSTM混合模型，CNN
‑
LSTM混合模型依次设置一维卷积层、池化层、一维卷积层、LSTM层、数据规范化层、LSTM层、数据规范化层，最后接入全连接层。
[0033]可选的，还包括所述趋势预测模型的构建模块；所述构建模块包括：
[0034]数据采集模块，用于采集并显示银行业务的历史数据；所述历史数据包括：历史交易监控数据；
[0035]数据预处理模块，用于对所述历史数据进行预处理，所述预处理包括：数据清洗及数据修复；
[0036]构建单元，对预处理后的历史数据划分为三个集合，分别为训练集、验证集、测试集；所述训练集作为所述CNN
‑
LSTM混合模型拟合的数据样本进行训练，每一次迭代后都会
通过所述验证集对所述CNN
‑
LSTM混合模型进损失值进行验证；通过逐渐调整模型参数，不断验证所述CNN
‑
LSTM混合模型的泛化能力，通过平均绝对误差及均方误差判断模型的训练结果是否达到标准；最后，借助所述测试集进行所述CNN
‑
LSTM混合模型的预测结果对比验证；在所述预测结果对比验证结果满足预设条件时，将所述CNN
‑
LSTM混合模型作为所述趋势预测模型。
[0037]从上述技术方案可知，本申请提供的一种基于深度学本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于深度学习的交易数据趋势预测方法，其特征在于，包括：采集银行业务的交易监控数据；对所述交易监控数据进行数据清洗及数据修复；将数据清洗及数据修复后的数据，输入至趋势预测模型，分别进行单变量预测和多变量预测，得到预测结果；其中，所述趋势预测模型为卷积神经网络CNN
‑
长短期记忆网络LSTM混合模型，CNN
‑
LSTM混合模型依次设置一维卷积层、池化层、一维卷积层、LSTM层、数据规范化层、LSTM层、数据规范化层，最后接入全连接层。2.根据权利要求1所述的基于深度学习的交易数据趋势预测方法，其特征在于，所述采集银行业务的交易监控数据，包括：从所述银行业务中生产环境的结构化交易流水日志中，按照所需指定字段，自动采集到分布式开源搜索分析引擎的数据源进行存储；其中，所述数据源包括交易监控数据。3.根据权利要求1所述的基于深度学习的交易数据趋势预测方法，其特征在于，所述交易监控数据，包括：交易量、业务成功率、系统成功率、平均响应时间、平均处理时间、业务成功交易量和系统成功交易量中的至少一种。4.根据权利要求1所述的基于深度学习的交易数据趋势预测方法，其特征在于，对所述交易监控数据进行数据清洗及数据修复，包括：将获取的数据向适用于模型训练的格式转换，而后经过去重、时间序列重排、重置索引；采用填补法进行缺失值替换；其后对缺失值替换后的数据进行时间段筛选。5.根据权利要求1所述的基于深度学习的交易数据趋势预测方法，其特征在于，单变量预测针对以所述交易监控数据中的交易量为核心的单因素时间序列数据进行预测；多变量预测在单变量预测的基础上将所述交易监控数据中的CPU使用率、平均响应时间、平均处理时间中的至少一个多变量数据加入到所述CNN
‑
LSTM混合模型中共同训练，研究多因素间的相互影响，最终预测交易量在未来一段时间内的趋势变化。6.根据权利要求1所述的基于深度学习的交易数据趋势预测方法，其特征在于，所述趋势预测模型的构建过程，包括：采集并显示银行业务的历史数据；所述历史数据包括：历史交易监控数据；对所述历史数据进行预处理，所述预处理包括：数据清洗及数据修复；对预处理后的历史数据划分为三个集合，分别为训练集、验证集、测试集；所述训练集作为所述CNN
‑
LSTM混合模型拟合的数据样本进行训练，每一次迭代后都会通过所述验证集对所述CNN
‑
LSTM混合模型进损失值进行验证；通过逐渐调整模型参数，不断验证所述CNN
‑
LSTM混合模型的泛化能力...

【专利技术属性】
技术研发人员：王泓锦，常冬冬，王艳华，赵刘韬，解晶，
申请(专利权)人：中国建设银行股份有限公司，
类型：发明
国别省市：