CN108876349B - 电子装置、支付通道确定方法及存储介质 - Google Patents
电子装置、支付通道确定方法及存储介质 Download PDFInfo
- Publication number
- CN108876349B CN108876349B CN201810931727.XA CN201810931727A CN108876349B CN 108876349 B CN108876349 B CN 108876349B CN 201810931727 A CN201810931727 A CN 201810931727A CN 108876349 B CN108876349 B CN 108876349B
- Authority
- CN
- China
- Prior art keywords
- payment
- transaction
- information data
- channel
- predetermined
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q20/00—Payment architectures, schemes or protocols
- G06Q20/22—Payment schemes or models
Landscapes
- Business, Economics & Management (AREA)
- Accounting & Taxation (AREA)
- Strategic Management (AREA)
- Physics & Mathematics (AREA)
- General Business, Economics & Management (AREA)
- General Physics & Mathematics (AREA)
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种电子装置、支付通道确定方法及存储介质,所述方法包括:分别计算出不同的交易金额在各个支付通道的交易成本;得到不同的交易金额在预先确定的各个交易通道中的支付成功率;得到不同的交易金额在所述预先确定的各个支付通道中的支付时长;分别将计算得到的交易成本、预测得到的支付成功率以及支付时长代入预先确定的支付评分公式进行评分计算,以分别计算出各个交易金额在所述各个支付通道中的评分;根据计算出的评分,确定出各个交易金额对应的最优支付通道。能够根据不同交易金额的评分选择最优的交易通道,节省用户交易成本,提高交易成功率及降低交易时长。
Description
技术领域
本发明涉及车险优惠领域,尤其涉及一种电子装置、支付通道确定方法及存储介质。
背景技术
目前,随着互联网的发展,市面上出现了很多不同的支付平台,例如:微信支付、支付宝支付、快捷支付等等支付平台。而不同的支付平台需要有支付入口一起构成支付通道,如以不同的银行作为支付入口构成不同的支付通道,不同的支付通道针对不同的交易金额会产生不同的收益,而目前,针对不同支付通道的收费标准没有进行体系化的计算,一般用户在设定好支付通道之后,不会轻易的修改支付通道,这会导致用户在支付的过程中可能交易失败,或者延迟交易以及产生不必要的交易成本。
发明内容
有鉴于此,本发明提出一种电子装置、所述电子装置包括存储器、及与所述存储器连接的处理器,所述处理器用于执行所述存储器上存储的支付通道确定程序,所述支付通道确定程序被所述处理器执行时实现如下步骤:
A1、获取用户在预定义的时间段内的支付信息数据,将获取的支付信息数据分别代入预先确定的交易成本计算公式进行计算,以分别计算出不同的交易金额在各个支付通道的交易成本,所述支付信息数据包括交易金额以及支付通道;
A2、根据预先训练完成的支付成功率预测模型分析获取的支付信息数据,以分别得到不同的交易金额在所述各个支付通道中的支付成功率,所述支付信息数据包括支付成功的信息和支付失败的信息;
A3、根据预先训练完成的支付时长预测模型分析获取的支付信息数据,以分别得到不同的交易金额在所述预先确定的各个支付通道中的支付时长,所述支付信息数据包括支付时长;
A4、分别将计算得到的交易成本、预测得到的支付成功率以及支付时长代入预先确定的支付评分公式进行评分计算,以分别计算出各交易金额在所述各个支付通道中的评分;
A5、根据计算出的不同交易金额在所述预先确定的各个支付通道中的评分,确定出各交易金额对应的最优支付通道,将确定的最优支付通道发送至预先确定的用户支付通道配置中心。
优选地,在所述步骤A1中,所述支付通道包括支付平台和支付入口;所述预先确定的交易成本计算公式为:
COST(X,Y,Z)=(Quota(Y)mod X)*F(Z)
其中,COST(X,Y,Z)为交易成本,X为交易金额,Y为支付入口,Z为支付平台;Quota(Y)为支付入口预定义的单笔限额;F(Z)为支付平台针对单笔交易收取的手续费。
优选地,在所述步骤A2中,所述预先训练完成的支付成功率预测模型为神经网络模型,所述支付成功率预测模型包括模型的训练阶段和测试阶段;所述模型的训练阶段包括:
E1、获取预设数量的不同交易金额在预先确定的各个交易通道中的支付信息数据样本集合;
F1、将获取的支付信息数据样本集合分为第一比例的训练子集和第二比例的测试子集;
G1、利用所述训练子集中的各个支付信息数据训练所述支付成功率预测模型,以得到训练好的支付成功率预测模型;
H1、利用所述测试子集中的各个支付信息数据对所述支付成功率预测模型进行测试,若测试通过,则训练结束,或者,若测试不通过,则增加所述支付信息数据样本的数量并重新执行步骤E1、F1、G1及H1。
所述模型的测试阶段包括:利用训练好的所述支付成功率预测模型对所述测试子集中的各个交易金额在所述预先确定的各支付通道中的支付信息数据进行分析,以分别得出各个交易金额在所述预先确定的各支付通道中的支付成功率;
若有交易金额在所述预先确定的各个支付通道中的第一支付成功率大于或等于预设的支付成功率阈值,则针对该交易金额进行模型准确性测试;
分别获取该交易金额在所述预先确定的各个支付通道中的支付信息数据,根据获取的支付信息数据进行人工分析,以得到该交易金额在所述预先确定的各个支付通道中的第二支付成功率;
计算得到的该交易金额对应的第一支付成功率与第二支付成功率之间的误差值;
若所计算出的误差值小于预设的误差阈值,则确定针对该交易金额的模型准确性测试的结果为正确,若所计算出的误差值大于或等于预设的误差阈值,则确定针对该交易金额的模型准确性测试的结果为错误;
若为正确的模型准确性测试结果占所有模型准确性测试结果的百分比大于预设百分比阈值,则确定对所述支付成功率预测模型的测试通过,若为正确的模型准确性测试结果占所有模型准确性测试结果的百分比小于或者等于预设百分比阈值,则确定对所述支付成功率预测模型的测试不通过。
优选地,在所述步骤A3中,所述预先训练完成的支付时长预测模型为神经网络模型,所述支付时长预测模型包括模型的训练阶段和测试阶段;所述模型的训练阶段包括:
E2、获取预设数量的不同交易金额在预先确定的各个交易通道中的支付信息数据样本集合;
F2、将获取的支付信息数据样本集合分为第一比例的训练子集和第二比例的测试子集;
G2、利用所述训练子集中的各个支付信息数据训练所述支付时长预测模型,以得到训练好的支付时长预测模型;
H2、利用所述测试子集中的各个支付信息数据对所述支付时长预测模型进行测试,若测试通过,则训练结束,或者,若测试不通过,则增加所述支付信息数据样本的数量并重新执行步骤E2、F2、G2及H2。
所述模型的测试阶段包括:利用训练好的所述支付时长预测模型对所述测试子集中的各个交易金额在所述预先确定的各支付通道中的支付信息数据进行分析,以分别得出各个交易金额在所述预先确定的各支付通道中的支付时长;
若有交易金额在所述预先确定的各个支付通道中的第一支付时长小于或等于预设的支付时长阈值,则针对该交易金额进行模型准确性测试;
分别获取该交易金额在所述预先确定的各个支付通道中的支付信息数据,根据获取的支付信息数据进行人工分析,以得到该交易金额在所述预先确定的各个支付通道中的第二支付时长;
计算得到的该交易金额对应的第一支付时长与第二支付时长之间的误差值;
若所计算出的误差值小于预设的误差阈值,则确定针对该交易金额的模型准确性测试的结果为正确,若所计算出的误差值大于或等于预设的误差阈值,则确定针对该交易金额的模型准确性测试的结果为错误;
若为正确的模型准确性测试结果占所有模型准确性测试结果的百分比大于预设百分比阈值,则确定对所述支付时长预测模型的测试通过,若为正确的模型准确性测试结果占所有模型准确性测试结果的百分比小于或者等于预设百分比阈值,则确定对所述支付时长预测模型的测试不通过。
优选地,在所述步骤A4中,所述预先确定的支付评分公式为:
P(X,Y,Z)=COST(X,Y,Z)*T1+YcC(X,Y,Z)*T2+YcS(X,Y,Z)*T3
其中,T1为预定义的交易成本的权重值,T2为预定义的交易成功率的权重值,T3为交易时长的权重值,COST(X,Y,Z)为交易成本,YcC(X,Y,Z)为交易成功率,YcS(X,Y,Z)为交易时长。
此外,为实现上述目的,本发明还提出一种支付通道确定支付通道确定方法,所述方法包括如下步骤:
S1、获取用户在预定义的时间段内的支付信息数据,将获取的支付信息数据分别代入预先确定的交易成本计算公式进行计算,以分别计算出不同的交易金额在各个支付通道的交易成本,所述支付信息数据包括交易金额以及支付通道;
S2、根据预先训练完成的支付成功率预测模型分析获取的支付信息数据,以分别得到不同的交易金额在所述各个支付通道中的支付成功率,所述支付信息数据包括支付成功的信息和支付失败的信息;
S3、根据预先训练完成的支付时长预测模型分析获取的支付信息数据,以分别得到不同的交易金额在所述预先确定的各个支付通道中的支付时长,所述支付信息数据包括支付时长;
S4、分别将计算得到的交易成本、预测得到的支付成功率以及支付时长代入预先确定的支付评分公式进行评分计算,以分别计算出各交易金额在所述各个支付通道中的评分;
S5、根据计算出的不同交易金额在所述预先确定的各个支付通道中的评分,确定出各交易金额对应的最优支付通道,将确定的最优支付通道发送至预先确定的用户支付通道配置中心。
优选地,在所述步骤A1中,
所述支付通道包括支付平台和支付入口;所述预先确定的交易成本计算公式为:
COST(X,Y,Z)=(Quota(Y)mod X)*F(Z)
其中,COST(X,Y,Z)为交易成本,X为交易金额,Y为支付入口,Z为支付平台;Quota(Y)为支付入口预定义的单笔限额;F(Z)为支付平台针对单笔交易收取的手续费。
优选地,在所述步骤S2中,所述预先训练完成的支付成功率预测模型为神经网络模型,所述支付成功率预测模型包括模型的训练阶段和测试阶段;所述模型的训练阶段包括:
E1、获取预设数量的不同交易金额在预先确定的各个交易通道中的支付信息数据样本集合;
F1、将获取的支付信息数据样本集合分为第一比例的训练子集和第二比例的测试子集;
G1、利用所述训练子集中的各个支付信息数据训练所述支付成功率预测模型,以得到训练好的支付成功率预测模型;
H1、利用所述测试子集中的各个支付信息数据对所述支付成功率预测模型进行测试,若测试通过,则训练结束,或者,若测试不通过,则增加所述支付信息数据样本的数量并重新执行步骤E1、F1、G1及H1。
所述模型的测试阶段包括:利用训练好的所述支付成功率预测模型对所述测试子集中的各个交易金额在所述预先确定的各支付通道中的支付信息数据进行分析,以分别得出各个交易金额在所述预先确定的各支付通道中的支付成功率;
若有交易金额在所述预先确定的各个支付通道中的第一支付成功率大于或等于预设的支付成功率阈值,则针对该交易金额进行模型准确性测试;
分别获取该交易金额在所述预先确定的各个支付通道中的支付信息数据,根据获取的支付信息数据进行人工分析,以得到该交易金额在所述预先确定的各个支付通道中的第二支付成功率;
计算得到的该交易金额对应的第一支付成功率与第二支付成功率之间的误差值;
若所计算出的误差值小于预设的误差阈值,则确定针对该交易金额的模型准确性测试的结果为正确,若所计算出的误差值大于或等于预设的误差阈值,则确定针对该交易金额的模型准确性测试的结果为错误;
若为正确的模型准确性测试结果占所有模型准确性测试结果的百分比大于预设百分比阈值,则确定对所述支付成功率预测模型的测试通过,若为正确的模型准确性测试结果占所有模型准确性测试结果的百分比小于或者等于预设百分比阈值,则确定对所述支付成功率预测模型的测试不通过。
优选地,在所述步骤S3中,所述预先训练完成的支付时长预测模型为神经网络模型,所述支付时长预测模型包括模型的训练阶段和测试阶段;所述模型的训练阶段包括:
E2、获取预设数量的不同交易金额在预先确定的各个交易通道中的支付信息数据样本集合;
F2、将获取的支付信息数据样本集合分为第一比例的训练子集和第二比例的测试子集;
G2、利用所述训练子集中的各个支付信息数据训练所述支付时长预测模型,以得到训练好的支付时长预测模型;
H2、利用所述测试子集中的各个支付信息数据对所述支付时长预测模型进行测试,若测试通过,则训练结束,或者,若测试不通过,则增加所述支付信息数据样本的数量并重新执行步骤E2、F2、G2及H2。
所述模型的测试阶段包括:利用训练好的所述支付时长预测模型对所述测试子集中的各个交易金额在所述预先确定的各支付通道中的支付信息数据进行分析,以分别得出各个交易金额在所述预先确定的各支付通道中的支付时长;
若有交易金额在所述预先确定的各个支付通道中的第一支付时长小于或等于预设的支付时长阈值,则针对该交易金额进行模型准确性测试;
分别获取该交易金额在所述预先确定的各个支付通道中的支付信息数据,根据获取的支付信息数据进行人工分析,以得到该交易金额在所述预先确定的各个支付通道中的第二支付时长;
计算得到的该交易金额对应的第一支付时长与第二支付时长之间的误差值;
若所计算出的误差值小于预设的误差阈值,则确定针对该交易金额的模型准确性测试的结果为正确,若所计算出的误差值大于或等于预设的误差阈值,则确定针对该交易金额的模型准确性测试的结果为错误;
若为正确的模型准确性测试结果占所有模型准确性测试结果的百分比大于预设百分比阈值,则确定对所述支付时长预测模型的测试通过,若为正确的模型准确性测试结果占所有模型准确性测试结果的百分比小于或者等于预设百分比阈值,则确定对所述支付时长预测模型的测试不通过。
此外,为了实现上述目的,本发明还提出一种计算机可读存储介质,所述计算机可读存储介质存储有支付通道确定程序,所述支付通道确定程序可被至少一个处理器执行,以使所述至少一个处理器执行如上所述的支付通道确定方法的步骤。
本发明所提出的电子装置、支付通道确定方法及存储介质,首先通过获取预先确定的用户在预定义的时间段内的支付信息数据,将获取的支付信息数据分别代入预先确定的交易成本计算公式进行计算,以分别计算出不同的交易金额在各个支付通道的交易成本;然后根据预先训练完成的支付成功率预测模型分析获取的支付信息数据,以分别得到不同的交易金额在预先确定的各个交易通道中的支付成功率;其次,根据预先训练完成的支付时长预测模型分析获取的支付信息数据,以分别得到不同的交易金额在所述预先确定的各个支付通道中的支付时长;接着分别将计算得到的各个交易金额对应在所述预先确定的各个交易通道中的交易成本、预测得到的支付成功率以及支付时长代入预先确定的支付评分公式进行评分计算,以分别计算出各个交易金额在所述各个支付通道中的评分;最后根据计算出的评分,确定出各个交易金额对应的最优支付通道。能够根据不同交易金额的评分选择最优的交易通道,节省用户交易成本,提高交易成功率及降低交易时长。
附图说明
图1是本发明提出的电子装置一可选的硬件架构的示意图;
图2是本发明电子装置一实施例中支付通道确定程序的程序模块示意图;
图3是本发明支付通道确定方法较佳实施例的实施流程图。
本发明目的的实现、功能特点及优点将结合实施例,参照附图做进一步说明。
具体实施方式
为了使本发明的目的、技术方案及优点更加清楚明白,以下结合附图及实施例,对本发明进行进一步详细说明。应当理解,此处所描述的具体实施例仅用以解释本发明,并不用于限定本发明。基于本发明中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
需要说明的是,在本发明中涉及“第一”、“第二”等的描述仅用于描述目的,而不能理解为指示或暗示其相对重要性或者隐含指明所指示的技术特征的数量。由此,限定有“第一”、“第二”的特征可以明示或者隐含地包括至少一个该特征。另外,各个实施例之间的技术方案可以相互结合,但是必须是以本领域普通技术人员能够实现为基础,当技术方案的结合出现相互矛盾或无法实现时应当认为这种技术方案的结合不存在,也不在本发明要求的保护范围之内。
参阅图1所示,是本发明提出的电子装置一可选的硬件架构示意图。本实施例中,电子装置10可包括,但不仅限于,可通过通信总线14相互通信连接存储器11、处理器12、网络接口13。需要指出的是,图1仅示出了具有组件11-14的电子装置10,但是应理解的是,并不要求实施所有示出的组件,可以替代的实施更多或者更少的组件。
其中,存储器11至少包括一种类型的计算机可读存储介质,计算机可读存储介质包括闪存、硬盘、多媒体卡、卡型存储器(例如,SD或DX存储器等)、随机访问存储器(RAM)、静态随机访问存储器(SRAM)、只读存储器(ROM)、电可擦除可编程只读存储器(EEPROM)、可编程只读存储器(PROM)、磁性存储器、磁盘、光盘等。在一些实施例中,存储器11可以是电子装置10的内部存储单元,例如电子装置10的硬盘或内存。在另一些实施例中,存储器11也可以是电子装置10的外包存储设备,例如电子装置10上配备的插接式硬盘,智能存储卡(SmartMedia Card,SMC),安全数字(Secure Digital,SD)卡,闪存卡(Flash Card)等。当然,存储器11还可以既包括电子装置10的内部存储单元也包括其外包存储设备。本实施例中,存储器11通常用于存储安装于电子装置10的操作***和各类应用软件,例如支付通道确定程序等。此外,存储器11还可以用于暂时地存储已经输出或者将要输出的各类数据。
处理器12在一些实施例中可以是中央处理器(Central Processing Unit,CPU)、控制器、微控制器、微处理器、或其他数据处理芯片。处理器12通常用于控制电子装置10的总体操作。本实施例中,处理器12用于运行存储器11中存储的程序代码或者处理数据,例如运行的支付通道确定程序等。
网络接口13可包括无线网络接口或有线网络接口,网络接口13通常用于在电子装置10与其他电子设备之间建立通信连接。
通信总线14用于实现组件11-13之间的通信连接。
图1仅示出了具有组件11-14以及支付通道确定程序的电子装置10,但是应理解的是,并不要求实施所有示出的组件,可以替代的实施更多或者更少的组件。
可选地,电子装置10还可以包括用户接口(图1中未示出),用户接口可以包括显示器、输入单元比如键盘,其中,用户接口还可以包括标准的有线接口、无线接口等。
可选地,在一些实施例中,显示器可以是LED显示器、液晶显示器、触控式液晶显示器以及OLED触摸器等。进一步地,显示器也可称为显示屏或显示单元,用于显示在电子装置10中处理信息以及用于显示可视化的用户界面。
可选地,在一些实施例中,电子装置10还可以包括音频单元(音频单元图1中未示出),音频单元可以在电子装置10处于呼叫信号接收模式、通话模式、记录模式、语音识别模式、广播接收模式等等模式下时,将接收的或者存储的音频数据转换为音频信号;进一步地,电子装置10还可以包括音频输出单元,音频输出单元将音频单元转换的音频信号输出,而且音频输出单元还可以提供与电子装置10执行的特定功能相关的音频输出(例如呼叫信号接收声音、消息接收声音等等),音频输出单元可以包括扬声器、蜂鸣器等等。
可选地,在一些实施例中,电子装置10还可以包括警报单元(图中未示出),警报单元可以提供输出已将事件的发生通知给电子装置10。典型的事件可以包括呼叫接收、消息接收、键信号输入、触摸输入等等。除了音频或者视频输出之外,警报单元可以以不同的方式提供输出以通知事件的发生。例如,警报单元可以以震动的形式提供输出,当接收到呼叫、消息或一些其他可以使电子装置10进入通信模式时,警报单元可以提供触觉输出(即,振动)以将其通知给用户。
在一实施例中,存储器11中存储的支付通道确定程序被处理器12执行时,实现如下操作:
A、获取用户在预定义的时间段内的支付信息数据,将获取的支付信息数据分别代入预先确定的交易成本计算公式进行计算,以分别计算出不同的交易金额在各个支付通道的交易成本,所述支付信息数据包括交易金额以及支付通道;
具体地,在本实施例中,所述预定义的时间段包括至少一天,其通常由专业人员根据支付信息数据来确定,在实际使用中,若需要确定在第N+1日进行不同交易金额的交易时,所需的最优支付通道,则获取预先确定的用户在第N日的支付信息数据;所述支付信息数据包括交易金额以及支付通道,所述支付通道包括支付平台如支付宝、微信、财富通、汇付天下等各种第三方支付平台,以及支付入口如交通银行、平安银行、招商银行等各个银行的支付入口,例如,有支付通道表示为:支付宝-交通银行,其中,支付宝为支付平台,交通银行为支付入口;所述预先确定的交易成本计算公式为:
COST(X,Y,Z)=(Quota(Y)mod X)*F(Z)
其中,X为交易金额,Y为支付入口,Z为支付平台;Quota(Y)为支付入口(支付银行)预定义的单笔限额,不同的支付入口(支付银行)有不同的值,例如,建设银行要求单笔交易金额不超过1W,则单笔限额为1W;F(Z)为支付平台针对单笔交易收取的手续费,例如,平安付每笔交易收取0.1元钱。则F(Z)=0.1,微信支付平台按交易金额收取千分之一,则F(Z)=X*(01.%)等。需要说明的是,所述交易金额均以元为单元。
进一步地,所述方法还包括如下步骤:
若计算出的相邻交易金额在同一支付通道中的交易成本相等,则生成该相邻交易金额的交易金额区间,所述交易金额区间包括所述相邻交易金额;
确定各个交易金额区间中的交易金额在不同的支付通道中的交易成本,并将确定的交易成本按照从小到大的顺序进行排序,交易成本序列。
B、根据预先训练完成的支付成功率预测模型分析获取的支付信息数据,以分别得到不同的交易金额在所述各个支付通道中的支付成功率,所述支付信息数据包括支付成功的信息和支付失败的信息;
具体地,所述预先训练完成的支付成功率预测模型为神经网络模型,所述支付成功率预测模型包括模型的训练阶段和测试阶段;所述模型的训练阶段包括:
E1、获取预设数量的不同交易金额在预先确定的各个交易通道中的支付信息数据样本集合;
F1、将获取的支付信息数据样本集合分为第一比例的训练子集和第二比例的测试子集;
G1、利用所述训练子集中的各个支付信息数据训练所述支付成功率预测模型,以得到训练好的支付成功率预测模型;
H1、利用所述测试子集中的各个支付信息数据对所述支付成功率预测模型进行测试,若测试通过,则训练结束,或者,若测试不通过,则增加所述支付信息数据样本的数量并重新执行步骤E1、F1、G1及H1。
所述模型的测试阶段包括:利用训练好的所述支付成功率预测模型对所述测试子集中的各个交易金额在所述预先确定的各支付通道中的支付信息数据进行分析,以分别得出各个交易金额在所述预先确定的各支付通道中的支付成功率;
若有交易金额在所述预先确定的各个支付通道中的第一支付成功率大于或等于预设的支付成功率阈值,则针对该交易金额进行模型准确性测试;
分别获取该交易金额在所述预先确定的各个支付通道中的支付信息数据,根据获取的支付信息数据进行人工分析,以得到该交易金额在所述预先确定的各个支付通道中的第二支付成功率;
计算得到的该交易金额对应的第一支付成功率与第二支付成功率之间的误差值;
若所计算出的误差值小于预设的误差阈值,则确定针对该交易金额的模型准确性测试的结果为正确,或者,若所计算出的误差值大于或等于预设的误差阈值,则确定针对该交易金额的模型准确性测试的结果为错误;
若为正确的模型准确性测试结果占所有模型准确性测试结果的百分比大于预设百分比阈值,则确定对所述支付成功率预测模型的测试通过,或者,若为正确的模型准确性测试结果占所有模型准确性测试结果的百分比小于或者等于预设百分比阈值,则确定对所述支付成功率预测模型的测试不通过。
C、根据预先训练完成的支付时长预测模型分析获取的支付信息数据,以分别得到不同的交易金额在所述预先确定的各个支付通道中的支付时长,所述支付信息数据包括支付时长;
具体地,所述预先训练完成的支付时长预测模型为神经网络模型,所述支付时长预测模型包括模型的训练阶段和测试阶段;所述模型的训练阶段包括:
E2、获取预设数量的不同交易金额在预先确定的各个交易通道中的支付信息数据样本集合;
F2、将获取的支付信息数据样本集合分为第一比例的训练子集和第二比例的测试子集;
G2、利用所述训练子集中的各个支付信息数据训练所述支付时长预测模型,以得到训练好的支付时长预测模型;
H2、利用所述测试子集中的各个支付信息数据对所述支付时长预测模型进行测试,若测试通过,则训练结束,或者,若测试不通过,则增加所述支付信息数据样本的数量并重新执行步骤E2、F2、G2及H2。
所述模型的测试阶段包括:利用训练好的所述支付时长预测模型对所述测试子集中的各个交易金额在所述预先确定的各支付通道中的支付信息数据进行分析,以分别得出各个交易金额在所述预先确定的各支付通道中的支付成功率时长;
若有交易金额在所述预先确定的各个支付通道中的第一支付时长小于或等于预设的支付时长阈值,则针对该交易金额进行模型准确性测试;
分别获取该交易金额在所述预先确定的各个支付通道中的支付信息数据,根据获取的支付信息数据进行人工分析,以得到该交易金额在所述预先确定的各个支付通道中的第二支付时长;
计算得到的该交易金额对应的第一支付时长与第二支付成功率时长之间的误差值;
若所计算出的误差值小于预设的误差阈值,则确定针对该交易金额的模型准确性测试的结果为正确,或者,若所计算出的误差值大于或等于预设的误差阈值,则确定针对该交易金额的模型准确性测试的结果为错误;
若为正确的模型准确性测试结果占所有模型准确性测试结果的百分比大于预设百分比阈值,则确定对所述支付时长预测模型的测试通过,或者,若为正确的模型准确性测试结果占所有模型准确性测试结果的百分比小于或者等于预设百分比阈值,则确定对所述支付时长预测模型的测试不通过。
D、分别将计算得到的交易成本、预测得到的支付成功率以及支付时长代入预先确定的支付评分公式进行评分计算,以分别计算出各交易金额在所述各个支付通道中的评分;
具体地,所述预先确定的支付评分公式为:
P(X,Y,Z)=COST(X,Y,Z)*T1+YcC(X,Y,Z)*T2+YcS(X,Y,Z)*T3
其中,T1为预定义的交易成本的权重值,T2为预定义的交易成功率的权重值,T3为交易时长的权重值,COST(X,Y,Z)为交易成本,YcC(X,Y,Z)为交易成功率,YcS(X,Y,Z)为交易时长。具体地,所述交易成本的权重值,所述交易成功率的权重值,所述交易时长的权重值为根据当前交易时常而自定义的值,其随着交易市场的变化而变化。
E.根据计算出的不同交易金额在所述预先确定的各个支付通道中的评分,确定出各交易金额对应的最优支付通道,将确定的最优支付通道发送至预先确定的用户支付通道配置中心。
由上述事实施例可知,本发明提出的电子装置,首先通过获取预先确定的用户在预定义的时间段内的支付信息数据,将获取的支付信息数据分别代入预先确定的交易成本计算公式进行计算,以分别计算出不同的交易金额在各个支付通道的交易成本;然后根据预先训练完成的支付成功率预测模型分析获取的支付信息数据,以分别得到不同的交易金额在预先确定的各个交易通道中的支付成功率;其次,根据预先训练完成的支付时长预测模型分析获取的支付信息数据,以分别得到不同的交易金额在所述预先确定的各个支付通道中的支付时长;接着分别将计算得到的各个交易金额对应在所述预先确定的各个交易通道中的交易成本、预测得到的支付成功率以及支付时长代入预先确定的支付评分公式进行评分计算,以分别计算出各个交易金额在所述各个支付通道中的评分;最后根据计算出的评分,确定出各个交易金额对应的最优支付通道。能够根据不同交易金额的评分选择最优的交易通道,节省用户交易成本,提高交易成功率及降低交易时长。
此外,本发明的支付通道确定程序依据其各部分所实现的功能不同,可用具有相同功能的程序模块进行描述。请参阅图2所示,是本发明电子装置一实施例中支付通道确定程序的程序模块示意图。本实施例中,支付通道确定程序依据其各部分所实现的功能的不同,可以被分割成获取模块201、第一分析模块202、第二分析模块203、确定模块204以及计算模块205。由上面的描述可知,本发明所称的程序模块是指能够完成特定功能的一系列计算机程序指令段,比程序更适合于描述支付通道确定程序在电子装置10中的执行过程。所述模块201-205所实现的功能或操作步骤均与上文类似,此处不再详述,示例性地,例如其中:
获取模块201用于获取用户在预定义的时间段内的支付信息数据,将获取的支付信息数据分别代入预先确定的交易成本计算公式进行计算,以分别计算出不同的交易金额在各个支付通道的交易成本,所述支付信息数据包括交易金额以及支付通道;
第一分析模块202用于根据预先训练完成的支付成功率预测模型分析获取的支付信息数据,以分别得到不同的交易金额在所述各个支付通道中的支付成功率,所述支付信息数据包括支付成功的信息和支付失败的信息;
第二分析模块203用于根据预先训练完成的支付时长预测模型分析获取的支付信息数据,以分别得到不同的交易金额在所述预先确定的各个支付通道中的支付时长,所述支付信息数据包括支付时长;
计算模块205用于分别将计算得到的交易成本、预测得到的支付成功率以及支付时长代入预先确定的支付评分公式进行评分计算,以分别计算出各交易金额在所述各个支付通道中的评分;
确定模块204用于根据计算出的不同交易金额在所述预先确定的各个支付通道中的评分,确定出各交易金额对应的最优支付通道,将确定的最优支付通道发送至预先确定的用户支付通道配置中心。
此外,本发明还提出一种支付通道确定方法,请参阅图3所示,所述支付通道确定方法包括如下步骤:
S301、获取用户在预定义的时间段内的支付信息数据,将获取的支付信息数据分别代入预先确定的交易成本计算公式进行计算,以分别计算出不同的交易金额在各个支付通道的交易成本,所述支付信息数据包括交易金额以及支付通道;
具体地,在本实施例中,所述预定义的时间段包括至少一天,其通常由专业人员根据支付信息数据来确定,在实际使用中,若需要确定在第N+1日进行不同交易金额的交易时,所需的最优支付通道,则获取预先确定的用户在第N日的支付信息数据;所述支付信息数据包括交易金额以及支付通道,所述支付通道包括支付平台如支付宝、微信、财富通、汇付天下等各种第三方支付平台,以及支付入口如交通银行、平安银行、招商银行等各个银行的支付入口,例如,有支付通道表示为:支付宝-交通银行,其中,支付宝为支付平台,交通银行为支付入口;所述预先确定的交易成本计算公式为:
COST(X,Y,Z)=(Quota(Y)mod X)*F(Z)
其中,X为交易金额,Y为支付入口,Z为支付平台;Quota(Y)为支付入口(支付银行)预定义的单笔限额,不同的支付入口(支付银行)有不同的值,例如,建设银行要求单笔交易金额不超过1W,则单笔限额为1W;F(Z)为支付平台针对单笔交易收取的手续费,例如,平安付每笔交易收取0.1元钱。则F(Z)=0.1,微信支付平台按交易金额收取千分之一,则F(Z)=X*(01.%)等。需要说明的是,所述交易金额均以元为单元。
进一步地,所述方法还包括如下步骤:
若计算出的相邻交易金额在同一支付通道中的交易成本相等,则生成该相邻交易金额的交易金额区间,所述交易金额区间包括所述相邻交易金额;
确定各个交易金额区间中的交易金额在不同的支付通道中的交易成本,并将确定的交易成本按照从小到大的顺序进行排序,交易成本序列。
S302、根据预先训练完成的支付成功率预测模型分析获取的支付信息数据,以分别得到不同的交易金额在所述各个支付通道中的支付成功率,所述支付信息数据包括支付成功的信息和支付失败的信息;
具体地,所述预先训练完成的支付成功率预测模型为神经网络模型,所述支付成功率预测模型包括模型的训练阶段和测试阶段;所述模型的训练阶段包括:
E1、获取预设数量的不同交易金额在预先确定的各个交易通道中的支付信息数据样本集合;
F1、将获取的支付信息数据样本集合分为第一比例的训练子集和第二比例的测试子集;
G1、利用所述训练子集中的各个支付信息数据训练所述支付成功率预测模型,以得到训练好的支付成功率预测模型;
H1、利用所述测试子集中的各个支付信息数据对所述支付成功率预测模型进行测试,若测试通过,则训练结束,或者,若测试不通过,则增加所述支付信息数据样本的数量并重新执行步骤E1、F1、G1及H1。
所述模型的测试阶段包括:利用训练好的所述支付成功率预测模型对所述测试子集中的各个交易金额在所述预先确定的各支付通道中的支付信息数据进行分析,以分别得出各个交易金额在所述预先确定的各支付通道中的支付成功率;
若有交易金额在所述预先确定的各个支付通道中的第一支付成功率大于或等于预设的支付成功率阈值,则针对该交易金额进行模型准确性测试;
分别获取该交易金额在所述预先确定的各个支付通道中的支付信息数据,根据获取的支付信息数据进行人工分析,以得到该交易金额在所述预先确定的各个支付通道中的第二支付成功率;
计算得到的该交易金额对应的第一支付成功率与第二支付成功率之间的误差值;
若所计算出的误差值小于预设的误差阈值,则确定针对该交易金额的模型准确性测试的结果为正确,或者,若所计算出的误差值大于或等于预设的误差阈值,则确定针对该交易金额的模型准确性测试的结果为错误;
若为正确的模型准确性测试结果占所有模型准确性测试结果的百分比大于预设百分比阈值,则确定对所述支付成功率预测模型的测试通过,或者,若为正确的模型准确性测试结果占所有模型准确性测试结果的百分比小于或者等于预设百分比阈值,则确定对所述支付成功率预测模型的测试不通过。
S303、根据预先训练完成的支付时长预测模型分析获取的支付信息数据,以分别得到不同的交易金额在所述预先确定的各个支付通道中的支付时长,所述支付信息数据包括支付时长;
具体地,所述预先训练完成的支付时长预测模型为神经网络模型,所述支付时长预测模型包括模型的训练阶段和测试阶段;所述模型的训练阶段包括:
E2、获取预设数量的不同交易金额在预先确定的各个交易通道中的支付信息数据样本集合;
F2、将获取的支付信息数据样本集合分为第一比例的训练子集和第二比例的测试子集;
G2、利用所述训练子集中的各个支付信息数据训练所述支付时长预测模型,以得到训练好的支付时长预测模型;
H2、利用所述测试子集中的各个支付信息数据对所述支付时长预测模型进行测试,若测试通过,则训练结束,或者,若测试不通过,则增加所述支付信息数据样本的数量并重新执行步骤E2、F2、G2及H2。
所述模型的测试阶段包括:利用训练好的所述支付时长预测模型对所述测试子集中的各个交易金额在所述预先确定的各支付通道中的支付信息数据进行分析,以分别得出各个交易金额在所述预先确定的各支付通道中的支付成功率时长;
若有交易金额在所述预先确定的各个支付通道中的第一支付时长小于或等于预设的支付时长阈值,则针对该交易金额进行模型准确性测试;
分别获取该交易金额在所述预先确定的各个支付通道中的支付信息数据,根据获取的支付信息数据进行人工分析,以得到该交易金额在所述预先确定的各个支付通道中的第二支付时长;
计算得到的该交易金额对应的第一支付时长与第二支付成功率时长之间的误差值;
若所计算出的误差值小于预设的误差阈值,则确定针对该交易金额的模型准确性测试的结果为正确,或者,若所计算出的误差值大于或等于预设的误差阈值,则确定针对该交易金额的模型准确性测试的结果为错误;
若为正确的模型准确性测试结果占所有模型准确性测试结果的百分比大于预设百分比阈值,则确定对所述支付时长预测模型的测试通过,或者,若为正确的模型准确性测试结果占所有模型准确性测试结果的百分比小于或者等于预设百分比阈值,则确定对所述支付时长预测模型的测试不通过。
S304、分别将计算得到的交易成本、预测得到的支付成功率以及支付时长代入预先确定的支付评分公式进行评分计算,以分别计算出各交易金额在所述各个支付通道中的评分;
具体地,所述预先确定的支付评分公式为:
P(X,Y,Z)=COST(X,Y,Z)*T1+YcC(X,Y,Z)*T2+YcS(X,Y,Z)*T3
其中,T1为预定义的交易成本的权重值,T2为预定义的交易成功率的权重值,T3为交易时长的权重值,COST(X,Y,Z)为交易成本,YcC(X,Y,Z)为交易成功率,YcS(X,Y,Z)为交易时长。具体地,所述交易成本的权重值,所述交易成功率的权重值,所述交易时长的权重值为根据当前交易时常而自定义的值,其随着交易市场的变化而变化。
S305、根据计算出的不同交易金额在所述预先确定的各个支付通道中的评分,确定出各交易金额对应的最优支付通道,将确定的最优支付通道发送至预先确定的用户支付通道配置中心。
由上述事实施例可知,本发明提出的支付通道确定方法,首先通过获取预先确定的用户在预定义的时间段内的支付信息数据,将获取的支付信息数据分别代入预先确定的交易成本计算公式进行计算,以分别计算出不同的交易金额在各个支付通道的交易成本;然后根据预先训练完成的支付成功率预测模型分析获取的支付信息数据,以分别得到不同的交易金额在预先确定的各个交易通道中的支付成功率;其次,根据预先训练完成的支付时长预测模型分析获取的支付信息数据,以分别得到不同的交易金额在所述预先确定的各个支付通道中的支付时长;接着分别将计算得到的各个交易金额对应在所述预先确定的各个交易通道中的交易成本、预测得到的支付成功率以及支付时长代入预先确定的支付评分公式进行评分计算,以分别计算出各个交易金额在所述各个支付通道中的评分;最后根据计算出的评分,确定出各个交易金额对应的最优支付通道。能够根据不同交易金额的评分选择最优的交易通道,节省用户交易成本,提高交易成功率及降低交易时长。
此外,本发明还提出一种计算机可读存储介质,所述计算机可读存储介质上存储有支付通道确定程序,所述支付通道确定程序被处理器执行时实现如下操作:
获取预先确定的用户在预定义的时间段内的支付信息数据,将获取的支付信息数据分别代入预先确定的交易成本计算公式进行计算,以分别计算出不同的交易金额在各个支付通道的交易成本;
根据预先训练完成的支付成功率预测模型分析获取的支付信息数据,以分别得到不同的交易金额在预先确定的各个交易通道中的支付成功率;
根据预先训练完成的支付时长预测模型分析获取的支付信息数据,以分别得到不同的交易金额在所述预先确定的各个支付通道中的支付时长;
分别将计算得到的各个交易金额对应在所述预先确定的各个交易通道中的交易成本、预测得到的支付成功率以及支付时长代入预先确定的支付评分公式进行评分计算,以分别计算出各个交易金额在所述各个支付通道中的评分;
根据计算出的评分,确定出各个交易金额对应的最优支付通道,将确定的最优支付通道发送至预先确定的用户支付通道配置中心。
本发明计算机可读存储介质具体实施方式与上述电子装置以及支付通道确定方法各实施例基本相同,在此不作累述。
上述本发明实施例序号仅仅为了描述,不代表实施例的优劣。
通过以上的实施方式的描述,本领域的技术人员可以清楚地了解到上述实施例方法可借助软件加必需的通用硬件平台的方式来实现,当然也可以通过硬件,但很多情况下前者是更佳的实施方式。基于这样的理解,本发明的技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来,该计算机软件产品存储在一个存储介质(如ROM/RAM、磁碟、光盘)中,包括若干指令用以使得一台终端设备(可以是手机,计算机,服务器,空调器,或者网络设备等)执行本发明各个实施例所述的方法。
以上仅为本发明的优选实施例,并非因此限制本发明的专利范围,凡是利用本发明说明书及附图内容所作的等效结构或等效流程变换,或直接或间接运用在其他相关的技术领域,均同理包括在本发明的专利保护范围内。
Claims (6)
1.一种电子装置,其特征在于,所述电子装置包括存储器、及与所述存储器连接的处理器,所述处理器用于执行所述存储器上存储的支付通道确定程序,所述支付通道确定程序被所述处理器执行时实现如下步骤:
A1、获取用户在预定义的时间段内的支付信息数据,将获取的支付信息数据分别代入预先确定的交易成本计算公式进行计算,以分别计算出不同的交易金额在各个支付通道的交易成本,所述支付信息数据包括交易金额以及支付通道;
A2、根据预先训练完成的支付成功率预测模型分析获取的支付信息数据,以分别得到不同的交易金额在所述各个支付通道中的支付成功率,所述支付信息数据包括支付成功的信息和支付失败的信息;
A3、根据预先训练完成的支付时长预测模型分析获取的支付信息数据,以分别得到不同的交易金额在所述预先确定的各个支付通道中的支付时长,所述支付信息数据包括支付时长;
A4、分别将计算得到的交易成本、预测得到的支付成功率以及支付时长代入预先确定的支付评分公式进行评分计算,以分别计算出各交易金额在所述各个支付通道中的评分;
A5、根据计算出的不同交易金额在所述预先确定的各个支付通道中的评分,确定出各交易金额对应的最优支付通道,将确定的最优支付通道发送至预先确定的用户支付通道配置中心;
其中,在所述步骤A2中,所述预先训练完成的支付成功率预测模型为神经网络模型,所述支付成功率预测模型包括模型的训练阶段和测试阶段;所述模型的训练阶段包括:E1、获取预设数量的不同交易金额在预先确定的各个交易通道中的支付信息数据样本集合;F1、将获取的支付信息数据样本集合分为第一比例的训练子集和第二比例的测试子集;G1、利用所述训练子集中的各个支付信息数据训练所述支付成功率预测模型,以得到训练好的支付成功率预测模型;H1、利用所述测试子集中的各个支付信息数据对所述支付成功率预测模型进行测试,若测试通过,则训练结束,或者,若测试不通过,则增加所述支付信息数据样本的数量并重新执行步骤E1、F1、G1及H1;
所述模型的测试阶段包括:利用训练好的所述支付成功率预测模型对所述测试子集中的各个交易金额在所述预先确定的各支付通道中的支付信息数据进行分析,以分别得出各个交易金额在所述预先确定的各支付通道中的支付成功率;若有交易金额在所述预先确定的各个支付通道中的第一支付成功率大于或等于预设的支付成功率阈值,则针对该交易金额进行模型准确性测试;分别获取该交易金额在所述预先确定的各个支付通道中的支付信息数据,根据获取的支付信息数据进行人工分析,以得到该交易金额在所述预先确定的各个支付通道中的第二支付成功率;计算得到的该交易金额对应的第一支付成功率与第二支付成功率之间的误差值;若所计算出的误差值小于预设的误差阈值,则确定针对该交易金额的模型准确性测试的结果为正确,若所计算出的误差值大于或等于预设的误差阈值,则确定针对该交易金额的模型准确性测试的结果为错误;若为正确的模型准确性测试结果占所有模型准确性测试结果的百分比大于预设百分比阈值,则确定对所述支付成功率预测模型的测试通过;若为正确的模型准确性测试结果占所有模型准确性测试结果的百分比小于或者等于预设百分比阈值,则确定对所述支付成功率预测模型的测试不通过;
在所述步骤A3中,所述预先训练完成的支付时长预测模型为神经网络模型,所述支付时长预测模型包括模型的训练阶段和测试阶段;所述模型的训练阶段包括:E2、获取预设数量的不同交易金额在预先确定的各个交易通道中的支付信息数据样本集合;F2、将获取的支付信息数据样本集合分为第一比例的训练子集和第二比例的测试子集;G2、利用所述训练子集中的各个支付信息数据训练所述支付时长预测模型,以得到训练好的支付时长预测模型;H2、利用所述测试子集中的各个支付信息数据对所述支付时长预测模型进行测试,若测试通过,则训练结束,或者,若测试不通过,则增加所述支付信息数据样本的数量并重新执行步骤E2、F2、G2及H2;
所述模型的测试阶段包括:利用训练好的所述支付时长预测模型对所述测试子集中的各个交易金额在所述预先确定的各支付通道中的支付信息数据进行分析,以分别得出各个交易金额在所述预先确定的各支付通道中的支付时长;若有交易金额在所述预先确定的各个支付通道中的第一支付时长小于或等于预设的支付时长阈值,则针对该交易金额进行模型准确性测试;分别获取该交易金额在所述预先确定的各个支付通道中的支付信息数据,根据获取的支付信息数据进行人工分析,以得到该交易金额在所述预先确定的各个支付通道中的第二支付时长;计算得到的该交易金额对应的第一支付时长与第二支付时长之间的误差值;若所计算出的误差值小于预设的误差阈值,则确定针对该交易金额的模型准确性测试的结果为正确,若所计算出的误差值大于或等于预设的误差阈值,则确定针对该交易金额的模型准确性测试的结果为错误;若为正确的模型准确性测试结果占所有模型准确性测试结果的百分比大于预设百分比阈值,则确定对所述支付时长预测模型的测试通过;若为正确的模型准确性测试结果占所有模型准确性测试结果的百分比小于或者等于预设百分比阈值,则确定对所述支付时长预测模型的测试不通过。
2.如权利要求1所述的电子装置,其特征在于,在所述步骤A1中,所述支付通道包括支付平台和支付入口;所述预先确定的交易成本计算公式为:
COST(X,Y,Z)=(Quota(Y)mod X)*F(Z)
其中,COST(X,Y,Z)为交易成本,X为交易金额,Y为支付入口,Z为支付平台;Quota(Y)为支付入口预定义的单笔限额;F(Z)为支付平台针对单笔交易收取的手续费。
3.如权利要求1所述的电子装置,其特征在于,在所述步骤A4中,所述预先确定的支付评分公式为:
P(X,Y,Z)=COST(X,Y,Z)*T1+YcC(X,Y,Z)*T2+YcS(X,Y,Z)*T3
其中,P(X,Y,Z)为支付评分,T1为预定义的交易成本的权重值,T2为预定义的交易成功率的权重值,T3为交易时长的权重值,COST(X,Y,Z)为交易成本,YcC(X,Y,Z)为交易成功率,YcS(X,Y,Z)为交易时长。
4.一种支付通道确定方法,其特征在于,所述方法包括如下步骤:
S1、获取用户在预定义的时间段内的支付信息数据,将获取的支付信息数据分别代入预先确定的交易成本计算公式进行计算,以分别计算出不同的交易金额在各个支付通道的交易成本,所述支付信息数据包括交易金额以及支付通道;
S2、根据预先训练完成的支付成功率预测模型分析获取的支付信息数据,以分别得到不同的交易金额在所述各个支付通道中的支付成功率,所述支付信息数据包括支付成功的信息和支付失败的信息;
S3、根据预先训练完成的支付时长预测模型分析获取的支付信息数据,以分别得到不同的交易金额在所述预先确定的各个支付通道中的支付时长,所述支付信息数据包括支付时长;
S4、分别将计算得到的交易成本、预测得到的支付成功率以及支付时长代入预先确定的支付评分公式进行评分计算,以分别计算出各交易金额在所述各个支付通道中的评分;
S5、根据计算出的不同交易金额在所述预先确定的各个支付通道中的评分,确定出各交易金额对应的最优支付通道,将确定的最优支付通道发送至预先确定的用户支付通道配置中心;
其中,在所述步骤S2中,所述预先训练完成的支付成功率预测模型为神经网络模型,所述支付成功率预测模型包括模型的训练阶段和测试阶段;所述模型的训练阶段包括:
E1、获取预设数量的不同交易金额在预先确定的各个交易通道中的支付信息数据样本集合;F1、将获取的支付信息数据样本集合分为第一比例的训练子集和第二比例的测试子集;G1、利用所述训练子集中的各个支付信息数据训练所述支付成功率预测模型,以得到训练好的支付成功率预测模型;H1、利用所述测试子集中的各个支付信息数据对所述支付成功率预测模型进行测试,若测试通过,则训练结束,或者,若测试不通过,则增加所述支付信息数据样本的数量并重新执行步骤E1、F1、G1及H1;
所述模型的测试阶段包括:利用训练好的所述支付成功率预测模型对所述测试子集中的各个交易金额在所述预先确定的各支付通道中的支付信息数据进行分析,以分别得出各个交易金额在所述预先确定的各支付通道中的支付成功率;若有交易金额在所述预先确定的各个支付通道中的第一支付成功率大于或等于预设的支付成功率阈值,则针对该交易金额进行模型准确性测试;分别获取该交易金额在所述预先确定的各个支付通道中的支付信息数据,根据获取的支付信息数据进行人工分析,以得到该交易金额在所述预先确定的各个支付通道中的第二支付成功率;计算得到的该交易金额对应的第一支付成功率与第二支付成功率之间的误差值;若所计算出的误差值小于预设的误差阈值,则确定针对该交易金额的模型准确性测试的结果为正确,若所计算出的误差值大于或等于预设的误差阈值,则确定针对该交易金额的模型准确性测试的结果为错误;若为正确的模型准确性测试结果占所有模型准确性测试结果的百分比大于预设百分比阈值,则确定对所述支付成功率预测模型的测试通过;若为正确的模型准确性测试结果占所有模型准确性测试结果的百分比小于或者等于预设百分比阈值,则确定对所述支付成功率预测模型的测试不通过;
在所述步骤S3中,所述预先训练完成的支付时长预测模型为神经网络模型,所述支付时长预测模型包括模型的训练阶段和测试阶段;所述模型的训练阶段包括:E2、获取预设数量的不同交易金额在预先确定的各个交易通道中的支付信息数据样本集合;F2、将获取的支付信息数据样本集合分为第一比例的训练子集和第二比例的测试子集;G2、利用所述训练子集中的各个支付信息数据训练所述支付时长预测模型,以得到训练好的支付时长预测模型;H2、利用所述测试子集中的各个支付信息数据对所述支付时长预测模型进行测试,若测试通过,则训练结束,或者,若测试不通过,则增加所述支付信息数据样本的数量并重新执行步骤E2、F2、G2及H2;
所述模型的测试阶段包括:利用训练好的所述支付时长预测模型对所述测试子集中的各个交易金额在所述预先确定的各支付通道中的支付信息数据进行分析,以分别得出各个交易金额在所述预先确定的各支付通道中的支付时长;若有交易金额在所述预先确定的各个支付通道中的第一支付时长小于或等于预设的支付时长阈值,则针对该交易金额进行模型准确性测试;
分别获取该交易金额在所述预先确定的各个支付通道中的支付信息数据,根据获取的支付信息数据进行人工分析,以得到该交易金额在所述预先确定的各个支付通道中的第二支付时长;计算得到的该交易金额对应的第一支付时长与第二支付时长之间的误差值;
若所计算出的误差值小于预设的误差阈值,则确定针对该交易金额的模型准确性测试的结果为正确;若所计算出的误差值大于或等于预设的误差阈值,则确定针对该交易金额的模型准确性测试的结果为错误;
若为正确的模型准确性测试结果占所有模型准确性测试结果的百分比大于预设百分比阈值,则确定对所述支付时长预测模型的测试通过;若为正确的模型准确性测试结果占所有模型准确性测试结果的百分比小于或者等于预设百分比阈值,则确定对所述支付时长预测模型的测试不通过。
5.如权利要求4所述的支付通道确定方法,其特征在于,在所述步骤S1中,
所述支付通道包括支付平台和支付入口;所述预先确定的交易成本计算公式为:
COST(X,Y,Z)=(Quota(Y)mod X)*F(Z)
其中,COST(X,Y,Z)为交易成本,X为交易金额,Y为支付入口,Z为支付平台;Quota(Y)为支付入口预定义的单笔限额;F(Z)为支付平台针对单笔交易收取的手续费。
6.一种计算机可读存储介质,所述计算机可读存储介质存储有支付通道确定程序,所述支付通道确定程序可被至少一个处理器执行,以使所述至少一个处理器执行如权利要求4-5中任一项所述的支付通道确定方法步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810931727.XA CN108876349B (zh) | 2018-08-16 | 2018-08-16 | 电子装置、支付通道确定方法及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810931727.XA CN108876349B (zh) | 2018-08-16 | 2018-08-16 | 电子装置、支付通道确定方法及存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN108876349A CN108876349A (zh) | 2018-11-23 |
CN108876349B true CN108876349B (zh) | 2023-04-07 |
Family
ID=64318049
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201810931727.XA Active CN108876349B (zh) | 2018-08-16 | 2018-08-16 | 电子装置、支付通道确定方法及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN108876349B (zh) |
Families Citing this family (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110033247B (zh) * | 2019-01-04 | 2021-11-05 | 创新先进技术有限公司 | 支付渠道推荐方法及其*** |
CN110097350A (zh) * | 2019-04-19 | 2019-08-06 | 上海瀚银信息技术有限公司 | 一种交易数据中介传输*** |
CN110852503B (zh) * | 2019-11-06 | 2024-01-23 | 支付宝(杭州)信息技术有限公司 | 一种支付渠道的选择方法和设备、支付渠道路由 |
CN111680998B (zh) * | 2020-08-17 | 2023-07-14 | 南京梦饷网络科技有限公司 | 支付路由方法、计算设备和计算机可读存储介质 |
WO2023240778A1 (zh) * | 2022-06-18 | 2023-12-21 | 易正芳 | 金融支付平均时长检测***及方法、金融支付风险防控平台、大数据式电商页面跳转平台及方法 |
CN114997879B (zh) * | 2022-07-18 | 2022-11-01 | 南京希音电子商务有限公司 | 一种支付路由方法、装置、设备和存储介质 |
CN116611898B (zh) * | 2023-07-20 | 2023-09-22 | 南京可码软件科技有限公司 | 一种基于电商平台的线上支付优化***及方法 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105205653A (zh) * | 2015-09-16 | 2015-12-30 | 平安科技(深圳)有限公司 | 一种支付路径的计算方法和装置 |
CN106296392A (zh) * | 2016-08-12 | 2017-01-04 | 深圳前海微众银行股份有限公司 | 支付汇路选择方法和装置 |
CN106845988A (zh) * | 2017-01-23 | 2017-06-13 | 杭州恒生云融网络科技有限公司 | 用于选择支付通道的方法及装置 |
CN107274163A (zh) * | 2017-06-15 | 2017-10-20 | 北京奇艺世纪科技有限公司 | 一种话费支付的路由选择方法和装置 |
-
2018
- 2018-08-16 CN CN201810931727.XA patent/CN108876349B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105205653A (zh) * | 2015-09-16 | 2015-12-30 | 平安科技(深圳)有限公司 | 一种支付路径的计算方法和装置 |
CN106296392A (zh) * | 2016-08-12 | 2017-01-04 | 深圳前海微众银行股份有限公司 | 支付汇路选择方法和装置 |
CN106845988A (zh) * | 2017-01-23 | 2017-06-13 | 杭州恒生云融网络科技有限公司 | 用于选择支付通道的方法及装置 |
CN107274163A (zh) * | 2017-06-15 | 2017-10-20 | 北京奇艺世纪科技有限公司 | 一种话费支付的路由选择方法和装置 |
Also Published As
Publication number | Publication date |
---|---|
CN108876349A (zh) | 2018-11-23 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108876349B (zh) | 电子装置、支付通道确定方法及存储介质 | |
CN107886414B (zh) | 一种订单合并方法和设备以及计算机存储介质 | |
CN109408262B (zh) | 一种业务数据处理方法及相关设备 | |
CN107341668A (zh) | 一种判断真实数据的方法以及装置 | |
CN112447189A (zh) | 语音事件检测方法、装置、电子设备及计算机存储介质 | |
CN106952165B (zh) | 车险理赔定损的方法及*** | |
CN111552633A (zh) | 接口的异常调用测试方法、装置、计算机设备及存储介质 | |
CN110633033A (zh) | 任务显示的方法、设备和计算机存储介质 | |
CN113596844A (zh) | 一种基于数据信息的预警方法、装置、介质及电子设备 | |
CN112214402B (zh) | 一种代码验证算法的选择方法、装置及存储介质 | |
CN112887371A (zh) | 边缘计算方法、装置、计算机设备及存储介质 | |
CN112801145A (zh) | 安全监测方法、装置、计算机设备及存储介质 | |
CN113299294B (zh) | 任务型对话机器人交互方法、装置、设备及存储介质 | |
CN109308660B (zh) | 一种征信评分模型评估方法、装置、设备及存储介质 | |
CN112990868A (zh) | 车辆保险自动赔付方法、***、设备及存储介质 | |
CN108960111B (zh) | 人脸识别方法、***及终端设备 | |
CN110245985B (zh) | 一种信息处理方法及装置 | |
CN111651500A (zh) | 用户身份识别方法、电子设备及存储介质 | |
CN114036551A (zh) | 隐私数据的数据处理方法、装置、计算机设备及介质 | |
CN114781368A (zh) | 业务需求安全处理方法及装置 | |
CN110674491B (zh) | 用于安卓应用的实时取证的方法、装置和电子设备 | |
CN113449062A (zh) | 轨迹处理方法、装置、电子设备和存储介质 | |
CN112685610A (zh) | 虚假注册账号识别方法及相关装置 | |
CN112686762A (zh) | 保单数据违规检测方法、装置、计算机设备及存储介质 | |
CN112838932A (zh) | 基于按量累积批价的重批价方法、装置及计算设备 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |