CN116128651A - 交易量异常检测方法、装置、设备及存储介质 - Google Patents
交易量异常检测方法、装置、设备及存储介质 Download PDFInfo
- Publication number
- CN116128651A CN116128651A CN202310225756.5A CN202310225756A CN116128651A CN 116128651 A CN116128651 A CN 116128651A CN 202310225756 A CN202310225756 A CN 202310225756A CN 116128651 A CN116128651 A CN 116128651A
- Authority
- CN
- China
- Prior art keywords
- transaction amount
- determining
- time period
- measured
- amount data
- 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.)
- Pending
Links
- 238000001514 detection method Methods 0.000 title claims abstract description 69
- 230000005856 abnormality Effects 0.000 title claims abstract description 36
- 230000002159 abnormal effect Effects 0.000 claims abstract description 42
- 238000000034 method Methods 0.000 claims abstract description 33
- 230000002776 aggregation Effects 0.000 claims abstract description 15
- 238000004220 aggregation Methods 0.000 claims abstract description 15
- 238000004590 computer program Methods 0.000 claims description 16
- 238000012545 processing Methods 0.000 claims description 14
- 230000003442 weekly effect Effects 0.000 claims description 11
- 238000012360 testing method Methods 0.000 claims description 9
- 238000004422 calculation algorithm Methods 0.000 description 8
- 238000004891 communication Methods 0.000 description 8
- 230000008569 process Effects 0.000 description 7
- 125000000205 L-threonino group Chemical group [H]OC(=O)[C@@]([H])(N([H])[*])[C@](C([H])([H])[H])([H])O[H] 0.000 description 6
- 238000010586 diagram Methods 0.000 description 5
- 230000000737 periodic effect Effects 0.000 description 4
- 230000003287 optical effect Effects 0.000 description 3
- 230000008859 change Effects 0.000 description 2
- 230000006870 function Effects 0.000 description 2
- 230000006872 improvement Effects 0.000 description 2
- 230000003993 interaction Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000012549 training Methods 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 1
- 238000003491 array Methods 0.000 description 1
- 238000013473 artificial intelligence Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 230000001413 cellular effect Effects 0.000 description 1
- 238000013145 classification model Methods 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000007405 data analysis Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 239000011521 glass Substances 0.000 description 1
- PCHJSUWPFVWCPO-UHFFFAOYSA-N gold Chemical compound [Au] PCHJSUWPFVWCPO-UHFFFAOYSA-N 0.000 description 1
- 239000010931 gold Substances 0.000 description 1
- 229910052737 gold Inorganic materials 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 239000013307 optical fiber Substances 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 230000001953 sensory effect Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
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
- G06Q40/00—Finance; Insurance; Tax strategies; Processing of corporate or income taxes
- G06Q40/04—Trading; Exchange, e.g. stocks, commodities, derivatives or currency exchange
Landscapes
- Business, Economics & Management (AREA)
- Accounting & Taxation (AREA)
- Finance (AREA)
- Engineering & Computer Science (AREA)
- Development Economics (AREA)
- Economics (AREA)
- Marketing (AREA)
- Strategic Management (AREA)
- Technology Law (AREA)
- Physics & Mathematics (AREA)
- General Business, Economics & Management (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Debugging And Monitoring (AREA)
Abstract
本发明公开了一种交易量异常检测方法、装置、设备及存储介质。该方法包括：获取待测时间段内的交易量数据；对交易量数据进行聚合处理，得到待测时间段对应的实际交易量；根据待测时间段，获取历史交易量数据；根据历史交易量数据，确定待测时间段的预测交易量范围；根据预测交易量范围，确定待测时间段内的实际交易量是否异常。本发明实施例技术方案简化了交易量异常检测方式，同时提高了检测效率和检测准确度，且更具有通用性。
Description
技术领域
本发明涉及数据处理技术领域，尤其涉及一种交易量异常检测方法、装置、设备及存储介质。
背景技术
***交易量是反应***运行的重要黄金指标之一，对交易量进行突增或突降的异常检测有助于快速感知***运行异常，从而减少故障发生时间，提升***运行稳定性。
现有的对***交易量的异常检测方式，通常是基于分类模型进行异常检测，通过特征工程转化后采用XGBoost(eXtreme Gradient Boosting，极度梯度提升树)或LightGBM(Light Gradient Boosting Machine，分布式高性能框架)等分类模型进行交易量异常检测。但现有技术的交易量异常检测过程中，未综合考虑交易量数据的数据特性，而是针对不同时序的交易量数据采用不同的算法模型，实现较为复杂，不具备通用性，且检测准确度和效率均较低。
发明内容
本发明提供了一种交易量异常检测方法、装置、设备及存储介质，以简化交易量异常检测方式的同时提高检测效率和准确度。
根据本发明的一方面，提供了一种交易量异常检测方法，所述方法包括：
获取待测时间段内的交易量数据；
对所述交易量数据进行聚合处理，得到所述待测时间段对应的实际交易量；
根据所述待测时间段，获取历史交易量数据；
根据所述历史交易量数据，确定所述待测时间段的预测交易量范围；
根据所述预测交易量范围，确定所述待测时间段内的实际交易量是否异常。
根据本发明的另一方面，提供了一种交易量异常检测装置，所述装置包括：
交易量数据获取模块，用于获取待测时间段内的交易量数据；
实际交易量确定模块，用于对所述交易量数据进行聚合处理，得到所述待测时间段对应的实际交易量；
历史数据获取模块，用于根据所述待测时间段，获取历史交易量数据；
交易量范围确定模块，用于根据所述历史交易量数据，确定所述待测时间段的预测交易量范围；
交易量异常检测模块，用于根据所述预测交易量范围，确定所述待测时间段内的实际交易量是否异常。
根据本发明的另一方面，提供了一种电子设备，所述电子设备包括：
至少一个处理器；以及
与所述至少一个处理器通信连接的存储器；其中，
所述存储器存储有可被所述至少一个处理器执行的计算机程序，所述计算机程序被所述至少一个处理器执行，以使所述至少一个处理器能够执行本发明任一实施例所述的交易量异常检测方法。
根据本发明的另一方面，提供了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计算机指令，所述计算机指令用于使处理器执行时实现本发明任一实施例所述的交易量异常检测方法。
本发明实施例技术方案通过对获取的交易量数据进行聚合处理，得到待测时间段对应的实际交易量，根据待测时间段，获取历史交易量数据，根据历史交易量数据；确定待测时间段的预测交易量范围；根据预测交易量范围，确定待测时间段内的实际交易量是否异常。上述技术方案采用较为简单的交易量异常检测方式，实现了对待测时间段内的交易量的异常检测，提高了对交易量异常检测准确度和检测效率。此外，本实施例对交易量异常检测的技术方案更具备通用性。
应当理解，本部分所描述的内容并非旨在标识本发明的实施例的关键或重要特征，也不用于限制本发明的范围。本发明的其它特征将通过以下的说明书而变得容易理解。
附图说明
为了更清楚地说明本发明实施例中的技术方案，下面将对实施例描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
图1是根据本发明实施例一提供的一种交易量异常检测方法的流程图；
图2是根据本发明实施例二提供的一种交易量异常检测方法的流程图；
图3是根据本发明实施例三提供的一种交易量异常检测装置的结构示意图；
图4是实现本发明实施例的交易量异常检测方法的电子设备的结构示意图。
具体实施方式
为了使本技术领域的人员更好地理解本发明方案，下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分的实施例，而不是全部的实施例。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，都应当属于本发明保护的范围。
需要说明的是，本发明的说明书和权利要求书及上述附图中的术语“第一”、“第二”等是用于区别类似的对象，而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换，以便这里描述的本发明的实施例能够以除了在这里图示或描述的那些以外的顺序实施。此外，术语“包括”和“具有”以及他们的任何变形，意图在于覆盖不排他的包含，例如，包含了一系列步骤或单元的过程、方法、***、产品或设备不必限于清楚地列出的那些步骤或单元，而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。
实施例一
图1为本发明实施例一提供的一种交易量异常检测方法的流程图，本实施例可适用于对***交易量数据进行异常检测的情况，该方法可以由交易量异常检测装置来执行，该交易量异常检测装置可以采用硬件和/或软件的形式实现，该交易量异常检测装置可配置于电子设备中。
如图1所示，该方法具体包括如下步骤：
S110、获取待测时间段内的交易量数据。
其中，待测时间段可以是待进行交易量异常检测的时间段，具体可以由相关技术人员根据实际需求进行预先设定；待测时间段可以是1分钟，例如可以是2023/03/06/09:00-2023/03/06/09:01。
需要说明的是，由于业务***不断接收并处理大量的交易，因此可能存在一段时间内接收到大量的交易量数据。为便于后续对交易量数据的分析和使用，可以对待测时间段所接收到的全部交易量数据进行聚合处理。
S120、对交易量数据进行聚合处理，得到待测时间段对应的实际交易量。
示例性的，获取待测时间段内的交易量数据，采用聚合算法，对待测时间段内的交易量数据进行聚合处理，得到聚合后的待测时间段对应的实际交易量。其中，聚合算法可以由相关技术人员进行预先设定。例如，聚合算法可以是K-means(K均值)算法。
可选的，聚合后得到的待测时间段内的实际交易量可以以格式化形式存储。例如，待测时间段可以为2023/03/06/09:00-2023/03/06/09:01，对应的实际交易量可以为10000。
S130、根据待测时间段，获取历史交易量数据。
其中，历史交易量数据可以是在历史周期下获取得到的交易量数据。历史交易量数据与待测时间段有关，选取的历史交易量数据与待测时间段越接近，越能够表征待测时间段内的交易数据特性，检测准确率越高。
示例性的，可以选择邻近待测时间段一个月内的历史交易量数据。例如，若待测时间段为2023/03/06/09:00-2023/03/06/09:01，则选取的历史周期可以是2023/02/05-2023/03/05，则历史交易量数据为在历史周期2023/02/05-2023/03/05内的交易量数据。
需要说明的是，部分应用***在进行交易过程中，可能存在无交易的时间点，因此，历史交易量数据中若存在缺失值，则采用零值填充，便于后续数据分析。
S140、根据历史交易量数据，确定待测时间段的预测交易量范围。
其中，预测交易量范围可以是预测得到的正常交易量数据的范围区间。
示例性的，可以将历史周期下获取的历史交易量数据作为样本训练集，对预设的网络模型进行训练，得到完成训练的交易量范围预测模型。将当前的历史交易量数据输入至交易量范围预测模型中，得到待测时间段的预测交易量范围。
可选的，还可以从历史交易量数据中选取异常交易量数据，并对异常交易量数据进行聚合，得到聚合后的异常交易量；根据异常交易量，确定待测时间段的预测交易量范围。例如，若异常交易量为15000，则预测交易量范围可以为[14500，15500]。
S150、根据预测交易量范围，确定待测时间段内的实际交易量是否异常。
示例性的，可以确定待测时间段内的实际交易量是否在预测交易量范围内；若是，则确定待测时间段内的实际交易量正常；若否，则确定待测时间段内的实际交易量异常。
本发明实施例技术方案通过对获取的交易量数据进行聚合处理，得到待测时间段对应的实际交易量，根据待测时间段，获取历史交易量数据，根据历史交易量数据；确定待测时间段的预测交易量范围；根据预测交易量范围，确定待测时间段内的实际交易量是否异常。上述技术方案采用较为简单的交易量异常检测方式，实现了对待测时间段内的交易量的异常检测，提高了对交易量异常检测准确度和检测效率。此外，本实施例对交易量异常检测的技术方案更具备通用性。
实施例二
图2为本发明实施例二提供的一种交易量异常检测方法的流程图，本实施例在上述各技术方案的基础上，进行了优化改进。
进一步的，将步骤“根据历史交易量数据，确定待测时间段的预测交易量范围”细化为“根据历史交易量数据，确定交易量周期类型；根据交易量周期类型和待测时间段，确定目标均值和目标标准差；根据目标均值和目标标准差，确定待测时间段的预测交易量范围。”以完善对预测交易量范围的确定方式。需要说明的是，在本发明实施例中未详述的部分，可参见其他实施例的表述。
如图2所示，该方法包括以下具体步骤：
S210、获取待测时间段内的交易量数据。
S220、对交易量数据进行聚合处理，得到待测时间段对应的实际交易量。
S230、根据待测时间段，获取历史交易量数据。
S240、根据历史交易量数据，确定交易量周期类型。
需要说明的是，交易量具有周期性特征，即交易量数据呈周期性变化。交易量周期类型可以包括日周期类型和周周期类型。其中，日周期类型可以是交易量数据具有以日为周期的变化特征；周周期类型可以是交易量数据具有以周为周期的变化特征。
示例性的，可以通过对历史交易量数据进行分析，确定历史交易量数据的周期性变化，从而确定交易量周期类型。
在一个可选实施例中，根据历史交易量数据，确定交易量周期类型，包括：确定至少一组相邻日期的历史交易量数据之间的第一相关度；根据各第一相关度，确定日周期相关度；确定至少一组相同工作日或相同非工作日的历史交易量数据之间的第二相关度；根据各第二相关度，确定周周期相关度；根据日周期相关度和周周期相关度，确定交易量周期类型。
其中，相邻日期可以是相互邻近的两个日期。例如，2023/3/8和2023/3/7即为两个相邻日期。相同工作日可以是不同星期下的至少两个相同工作日，例如2023/3/7、2023/3/14日和2023/3/21为不同星期下的工作日周二，又如，2023/3/11、2023/3/18和2023/3/25为不同星期下的非工作日周六。
示例性的，可以获取至少一组相邻日期的历史交易量数据。其中，可以是两个相邻日期为一组，例如，相邻日期2023/3/8和2023/3/7为一组，确定该组相邻日期的历史交易量数据之间的第一相关度。具体可以是采用皮尔逊相关系数确定方式进行确定，从而可以得到至少一组相邻日期之间的第一相关度。对各组对应的第一相关度进行平均值计算，从而得到日周期相关度。
示例性的，可以获取至少一组相同工作日或相同非工作日的历史交易量数据。其中，可以是至少两个相同工作日或相同非工作日为一组，例如，相同工作日2023/3/7、2023/3/14日和2023/3/21为一组，确定该组相同工作日的历史交易量数据之间的第二相关度；又如，相同非工作日2023/3/11、2023/3/18和2023/3/25为一组，确定该组相同非工作日的历史交易量数据之间的第二相关度。具体可以是采用皮尔逊相关系数确定方式进行确定，从而可以得到至少一组相同工作日或非工作日之间的第二相关度。对各组对应的第二相关度进行平均值计算，从而得到周周期相关度。
示例性的，根据日周期相关度和周周期相关度，确定交易量周期类型。具体的，若日周期相关度大于周周期相关度，则交易量周期类型为日周期类型；若周周期相关度大于日周期相关度，则交易量周期类型为周周期类型。若日周期相关度等于周周期相关度，则交易量周期类型既可以是日周期类型，也可以是周周期类型。
本可选实施例通过确定至少一组相邻日期的历史交易量数据之间的第一相关度；根据各第一相关度，确定日周期相关度；确定至少一组相同工作日或相同非工作日的历史交易量数据之间的第二相关度；根据各第二相关度，确定周周期相关度；根据日周期相关度和周周期相关度，确定交易量周期类型，实现了对交易量周期类型的准确确定，从而提高了后续对预测交易量范围的确定准确度。
S250、根据交易量周期类型和待测时间段，确定目标均值和目标标准差。
需要说明的是，交易量数据除了具有周期性特点外，还存在工作日和非工作日的交易量波动较大的特点。因此，在检测交易量数据是否异常的过程中，还需要考虑交易量数据是工作日数据还是非工作日数据的特性，从而提高异常检测的准确度。
示例性的，可以根据待测时间段，确定该待测时间段的工作日类型。其中，工作日类型可以包括工作日类型和非工作日类型。其中，非工作日包括星期六和星期日，还包括节假日。
其中，标准差和均值数据用于表征数据的离散程度，标准差越大，则表示大部分数值和其平均值之间差异较大，数据波动较大；标准差较小，则代表大部分的数值和其平均值相接近，数据波动较小。
示例性的，针对不同交易量周期类型和不同日期类型，可以选取不同的历史交易量数据进行目标均值和目标标准差的确定。其中，目标均值和目标标准差的确定方式如下：
其中，N表示选取的历史交易数据的数量；xi表示第i个历史交易数据；μ表示目标均值；σ表示目标标准差。
在一个可选实施例中，交易量周期类型包括日周期类型和周周期类型；相应的，根据交易量周期类型和待测时间段，确定目标均值和目标标准差，包括：确定待测时间段对应的日期类型；日期类型包括工作日类型和非工作日类型；若交易量周期类型为日周期类型且日期类型为工作日类型，则从历史交易量数据中选取满足第一预设条件的第一交易量数据，并根据第一交易量数据，确定目标均值和目标标准差；若交易量周期类型为日周期类型且日期类型为非工作日类型，则从历史交易量数据中选取满足第二预设条件的第二交易量数据，并根据第二交易量数据，确定目标均值和目标标准差；若交易量周期类型为周周期类型且日期类型为工作日类型，则从历史交易量数据中选取满足第三预设条件的第三交易量数据，并根据第三交易量数据，确定目标均值和目标标准差；若交易量周期类型为周周期类型且日期类型为非工作日类型，则从历史交易量数据中选取满足第四预设条件的第四交易量数据，并根据第四交易量数据，确定目标均值和目标标准差。
示例性的，若交易量周期类型为日周期类型，且日期类型为工作日类型，则从历史交易数据中选取满足第一预设条件的第一交易量数据。其中，第一预设条件可以由相关技术人员根据交易量周期类型和日期类型进行预先设定，例如，第一预设条件可以是从历史交易数据中选取全部工作日日期下的交易数据，作为第一交易量数据。并根据上述确定目标均值和目标标准差的方式，基于第一交易量数据，得到目标均值和目标标准差。
示例性的，若交易量周期类型为日周期类型，且日期类型为非工作日类型，则从历史交易数据中选取满足第二预设条件的第二交易量数据。其中，第二预设条件可以由相关技术人员根据交易量周期类型和日期类型进行预先设定，例如，第二预设条件可以是从历史交易数据中选取全部非工作日日期下的交易数据，作为第二交易量数据。并根据上述确定目标均值和目标标准差的方式，基于第二交易量数据，得到目标均值和目标标准差。
示例性的，若交易量周期类型为周周期类型，且日期类型为工作日类型，则从历史交易数据中选取满足第三预设条件的第三交易量数据。其中，第三预设条件可以由相关技术人员根据交易量周期类型和日期类型进行预先设定，例如，第三预设条件可以是从历史交易数据中选取与待测试时间段属于相同工作日的交易数据，作为第三交易量数据。并根据上述确定目标均值和目标标准差的方式，基于第三交易量数据，得到目标均值和目标标准差。
示例性的，若交易量周期类型为周周期类型，且日期类型为非工作日类型，则从历史交易数据中选取满足第四预设条件的第四交易量数据。其中，第四预设条件可以由相关技术人员根据交易量周期类型和日期类型进行预先设定，例如，第四预设条件可以是从历史交易数据中选取与待测试时间段属于相同非工作日的交易数据，作为第四交易量数据。并根据上述确定目标均值和目标标准差的方式，基于第四交易量数据，得到目标均值和目标标准差。
本可选实施例综合考虑了不同交易量周期类型和不同日期类型之间的不同组合下，对目标均值和目标标准差采用不同的方式进行确定，全面的考虑了待测时间段的时间特性和交易特性，提高了对目标均值和目标标准差确定准确度。
S260、根据目标均值和目标标准差，确定待测时间段的预测交易量范围。
示例性的，可以根据目标均值和目标标准差，基于3Sigma算法，确定待测时间段的预测交易量范围。其中，预测交易量范围可以为[μ+sigma×σ,μ-sigma×σ]。其中，μ为目标均值，σ为目标标准差，sigma为预先设定的常数项。例如，sigma的取值可以由相关技术人员根据实际经验值或实验值进行预先确定，如sigma取值可以为3。
需要说明的是，交易量数据可能存在或大或小的波动性，在该情况下得到的预测交易量范围可能存在误差，因此，为减小误差，还可以设定基线阈值范围。
在一个可选实施例中，根据目标均值和目标标准差，确定待测时间段的预测交易量范围，包括：根据目标均值和目标标准差，确定第一预测范围；根据目标均值，确定第二预测范围；生成包括第一预测范围和第二预测范围的待测时间段的预测交易量范围。
其中，第一预测范围可以是根据目标均值和目标标准差基于3Sigma算法确定得到的。第二预测范围可以是根据目标均值确定得到的基线阈值范围。
示例性的，第二预测范围可以为[μ×(1+upperthres),μ×(1-lowerthres)]。其中，μ为目标均值，upperthres和lowerthres分别为预设的上界阈值系数和下界阈值系数。其中，upperthres和lowerthres取值范围为(0,1)。
S270、根据预测交易量范围，确定待测时间段内的实际交易量是否异常。
相应的，在一个可选实施例中，根据预测交易量范围，确定待测时间段内的实际交易量是否异常，包括：判断待测时间段内的实际交易量是否在第一预测范围内；若否，则判断待测时间段内的实际交易量是否在第二预测范围内；若否，则确定待测时间段内的实际交易量异常。
示例性的，判断待测时间段内的实际交易量是否在第一预设范围内；若在第一预设范围内，则可以确定待测时间段内的实际交易量正常；若不在第一预设范围内，则判断待测时间段内的实际交易量是否在第二预测范围内；若在第二预测范围内，则可以确定待测时间段内的实际交易量正常；若不在第二预设范围内，则可以确定待测时间段内的实际交易量异常。
需要说明的是，可能存在满足第一预测范围和第二预测范围内的零值交易量。针对零值交易量，可能为正常交易量数据，也可能为异常交易量数据，具体与在历史周期内出现在时间有关。
在一个可选实施例中，根据历史交易量数据，确定交易量零值时间，生成零值时间列表；相应的，在确定待测时间段内的实际交易量异常之前，还包括：判断待测时间段是否在零值时间列表内；若是，则确定待测时间段内的实际交易量正常；若否，则确定待测时间段内的实际交易量异常。
示例性的，根据历史交易量数据，识别数值为零值的交易量数据，并确定零值交易量数据对应的交易量零值时间。当某一时段内的零值交易量满足一定的阈值，则生成包括该零值交易量对应时间的零值时间表。其中，零值时间表中包括至少一个交易数据正常但数值为0的交易时间。
示例性的，在确定待测时间段内的实际交易量异常之前，可以先判断待测时间段是否在零值时间列表内；若是，则确定待测时间段内的实际交易量正常；若否，则确定待测时间段内的实际交易量异常。
本实施例技术方案通过根据历史交易量数据，确定交易量周期类型，根据交易量周期类型和待测时间段，确定目标均值和目标标准差，并根据目标均值和目标标准差，确定待测时间段的预测交易量范围。上述技术方案在确定预测交易量范围的过程中全面且充分的考虑了交易量周期类型和待测时间段的日期类型，实现了对预测交易量范围的准确确定，从而提高了对后续异常交易量数据的准确检测。无需训练和使用检测模型，不依赖于特征工程构建的准确度，简化了技术方案的同时使得检测方案更具备通用性。
实施例三
图3为本发明实施例三提供的一种交易量异常检测装置的结构示意图。本发明实施例所提供的一种交易量异常检测装置，该装置可适用于对***交易量数据进行异常检测的情况，该交易量异常检测装置可以采用硬件和/或软件的形式实现，如图3所示，该装置具体包括：交易量数据获取模块301、实际交易量确定模块302、历史数据获取模块303、交易量范围确定模块304和交易量异常检测模块305。其中，
交易量数据获取模块301，用于获取待测时间段内的交易量数据；
实际交易量确定模块302，用于对所述交易量数据进行聚合处理，得到所述待测时间段对应的实际交易量；
历史数据获取模块303，用于根据所述待测时间段，获取历史交易量数据；
交易量范围确定模块304，用于根据所述历史交易量数据，确定所述待测时间段的预测交易量范围；
交易量异常检测模块305，用于根据所述预测交易量范围，确定所述待测时间段内的实际交易量是否异常。
本发明实施例技术方案通过对获取的交易量数据进行聚合处理，得到待测时间段对应的实际交易量，根据待测时间段，获取历史交易量数据，根据历史交易量数据；确定待测时间段的预测交易量范围；根据预测交易量范围，确定待测时间段内的实际交易量是否异常。上述技术方案采用较为简单的交易量异常检测方式，实现了对待测时间段内的交易量的异常检测，提高了对交易量异常检测准确度和检测效率。此外，本实施例对交易量异常检测的技术方案更具备通用性。
可选的，所述交易量范围确定模块304，包括：
周期类型确定单元，用于根据历史交易量数据，确定交易量周期类型；
标准差确定单元，用于根据所述交易量周期类型和所述待测时间段，确定目标均值和目标标准差；
交易量范围确定单元，用于根据所述目标均值和所述目标标准差，确定所述待测时间段的预测交易量范围。
可选的，所述周期类型确定单元，包括：
第一相关度确定子单元，用于确定至少一组相邻日期的历史交易量数据之间的第一相关度；
日周期相关度确定子单元，用于根据各所述第一相关度，确定日周期相关度；
第二相关度确定子单元，用于确定至少一组相同工作日或相同非工作日的历史交易量数据之间的第二相关度；
周周期相关度确定子单元，用于根据各所述第二相关度，确定周周期相关度；
周期类型确定子单元，用于根据所述日周期相关度和所述周周期相关度，确定交易量周期类型。
可选的，所述交易量周期类型包括日周期类型和周周期类型；相应的，所述标准差确定单元，包括：
日期类型确定子单元，用于确定所述待测时间段对应的日期类型；所述日期类型包括工作日类型和非工作日类型；
第一标准差确定子单元，用于若所述交易量周期类型为日周期类型且所述日期类型为工作日类型，则从所述历史交易量数据中选取满足第一预设条件的第一交易量数据，并根据所述第一交易量数据，确定目标均值和目标标准差；
第二标准差确定子单元，用于若所述交易量周期类型为日周期类型且所述日期类型为非工作日类型，则从所述历史交易量数据中选取满足第二预设条件的第二交易量数据，并根据所述第二交易量数据，确定目标均值和目标标准差；
第三标准差确定子单元，用于若所述交易量周期类型为周周期类型且所述日期类型为工作日类型，则从所述历史交易量数据中选取满足第三预设条件的第三交易量数据，并根据所述第三交易量数据，确定目标均值和目标标准差；
第四标准差确定子单元，用于若所述交易量周期类型为周周期类型且所述日期类型为非工作日类型，则从所述历史交易量数据中选取满足第四预设条件的第四交易量数据，并根据所述第四交易量数据，确定目标均值和目标标准差。
可选的，所述交易量范围确定单元，包括：
第一预测范围确定子单元，用于根据所述目标均值和所述目标标准差，确定第一预测范围；
第二预测范围确定子单元，用于根据所述目标均值，确定第二预测范围；
交易量范围确定子单元，用于生成包括所述第一预测范围和所述第二预测范围的待测时间段的预测交易量范围。
可选的，所述交易量异常检测模块305，包括：
交易量判断单元，用于判断所述待测时间段内的实际交易量是否在第一预测范围内；
第一异常检测单元，用于若实际交易量在第一预测范围内，则判断所述待测时间段内的实际交易量是否在第二预测范围内；
第二异常检测单元，用于若实际交易量不在第一预测范围内，则确定所述待测时间段内的实际交易量异常。
可选的，所述装置还包括：
零值时间列表生成模块，用于根据所述历史交易量数据，确定交易量零值时间，生成零值时间列表；
相应的，所述装置还包括：
零值数据判断模块，用于在所述确定所述待测时间段内的实际交易量异常之前，判断所述待测时间段是否在所述零值时间列表内；
第一交易异常检测模块，用于若待测时间段在所述零值时间列表内，则确定所述待测时间段内的实际交易量正常；
第二交易异常检测模块，用于若待测时间段不在所述零值时间列表内，则确定所述待测时间段内的实际交易量异常。
本发明实施例所提供的交易量异常检测装置可执行本发明任意实施例所提供的交易量异常检测方法，具备执行方法相应的功能模块和有益效果。
实施例四
图4示出了可以用来实施本发明的实施例的电子设备40的结构示意图。电子设备旨在表示各种形式的数字计算机，诸如，膝上型计算机、台式计算机、工作台、个人数字助理、服务器、刀片式服务器、大型计算机、和其它适合的计算机。电子设备还可以表示各种形式的移动装置，诸如，个人数字处理、蜂窝电话、智能电话、可穿戴设备(如头盔、眼镜、手表等)和其它类似的计算装置。本文所示的部件、它们的连接和关系、以及它们的功能仅仅作为示例，并且不意在限制本文中描述的和/或者要求的本发明的实现。
如图4所示，电子设备40包括至少一个处理器41，以及与至少一个处理器41通信连接的存储器，如只读存储器(ROM)42、随机访问存储器(RAM)43等，其中，存储器存储有可被至少一个处理器执行的计算机程序，处理器41可以根据存储在只读存储器(ROM)42中的计算机程序或者从存储单元48加载到随机访问存储器(RAM)43中的计算机程序，来执行各种适当的动作和处理。在RAM 43中，还可存储电子设备40操作所需的各种程序和数据。处理器41、ROM 42以及RAM 43通过总线44彼此相连。输入/输出(I/O)接口45也连接至总线44。
电子设备40中的多个部件连接至I/O接口45，包括：输入单元46，例如键盘、鼠标等；输出单元47，例如各种类型的显示器、扬声器等；存储单元48，例如磁盘、光盘等；以及通信单元49，例如网卡、调制解调器、无线通信收发机等。通信单元49允许电子设备40通过诸如因特网的计算机网络和/或各种电信网络与其他设备交换信息/数据。
处理器41可以是各种具有处理和计算能力的通用和/或专用处理组件。处理器41的一些示例包括但不限于中央处理单元(CPU)、图形处理单元(GPU)、各种专用的人工智能(AI)计算芯片、各种运行机器学习模型算法的处理器、数字信号处理器(DSP)、以及任何适当的处理器、控制器、微控制器等。处理器41执行上文所描述的各个方法和处理，例如交易量异常检测方法。
在一些实施例中，交易量异常检测方法可被实现为计算机程序，其被有形地包含于计算机可读存储介质，例如存储单元48。在一些实施例中，计算机程序的部分或者全部可以经由ROM 42和/或通信单元49而被载入和/或安装到电子设备40上。当计算机程序加载到RAM 43并由处理器41执行时，可以执行上文描述的交易量异常检测方法的一个或多个步骤。备选地，在其他实施例中，处理器41可以通过其他任何适当的方式(例如，借助于固件)而被配置为执行交易量异常检测方法。
本文中以上描述的***和技术的各种实施方式可以在数字电子电路***、集成电路***、场可编程门阵列(FPGA)、专用集成电路(ASIC)、专用标准产品(ASSP)、芯片上***的***(SOC)、负载可编程逻辑设备(CPLD)、计算机硬件、固件、软件、和/或它们的组合中实现。这些各种实施方式可以包括：实施在一个或者多个计算机程序中，该一个或者多个计算机程序可在包括至少一个可编程处理器的可编程***上执行和/或解释，该可编程处理器可以是专用或者通用可编程处理器，可以从存储***、至少一个输入装置、和至少一个输出装置接收数据和指令，并且将数据和指令传输至该存储***、该至少一个输入装置、和该至少一个输出装置。
用于实施本发明的方法的计算机程序可以采用一个或多个编程语言的任何组合来编写。这些计算机程序可以提供给通用计算机、专用计算机或其他可编程数据处理装置的处理器，使得计算机程序当由处理器执行时使流程图和/或框图中所规定的功能/操作被实施。计算机程序可以完全在机器上执行、部分地在机器上执行，作为独立软件包部分地在机器上执行且部分地在远程机器上执行或完全在远程机器或服务器上执行。
在本发明的上下文中，计算机可读存储介质可以是有形的介质，其可以包含或存储以供指令执行***、装置或设备使用或与指令执行***、装置或设备结合地使用的计算机程序。计算机可读存储介质可以包括但不限于电子的、磁性的、光学的、电磁的、红外的、或半导体***、装置或设备，或者上述内容的任何合适组合。备选地，计算机可读存储介质可以是机器可读信号介质。机器可读存储介质的更具体示例会包括基于一个或多个线的电气连接、便携式计算机盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦除可编程只读存储器(EPROM或快闪存储器)、光纤、便捷式紧凑盘只读存储器(CD-ROM)、光学储存设备、磁储存设备、或上述内容的任何合适组合。
为了提供与用户的交互，可以在电子设备上实施此处描述的***和技术，该电子设备具有：用于向用户显示信息的显示装置(例如，CRT(阴极射线管)或者LCD(液晶显示器)监视器)；以及键盘和指向装置(例如，鼠标或者轨迹球)，用户可以通过该键盘和该指向装置来将输入提供给电子设备。其它种类的装置还可以用于提供与用户的交互；例如，提供给用户的反馈可以是任何形式的传感反馈(例如，视觉反馈、听觉反馈、或者触觉反馈)；并且可以用任何形式(包括声输入、语音输入或者、触觉输入)来接收来自用户的输入。
可以将此处描述的***和技术实施在包括后台部件的计算***(例如，作为数据服务器)、或者包括中间件部件的计算***(例如，应用服务器)、或者包括前端部件的计算***(例如，具有图形用户界面或者网络浏览器的用户计算机，用户可以通过该图形用户界面或者该网络浏览器来与此处描述的***和技术的实施方式交互)、或者包括这种后台部件、中间件部件、或者前端部件的任何组合的计算***中。可以通过任何形式或者介质的数字数据通信(例如，通信网络)来将***的部件相互连接。通信网络的示例包括：局域网(LAN)、广域网(WAN)、区块链网络和互联网。
计算***可以包括客户端和服务器。客户端和服务器一般远离彼此并且通常通过通信网络进行交互。通过在相应的计算机上运行并且彼此具有客户端-服务器关系的计算机程序来产生客户端和服务器的关系。服务器可以是云服务器，又称为云计算服务器或云主机，是云计算服务体系中的一项主机产品，以解决了传统物理主机与VPS服务中，存在的管理难度大，业务扩展性弱的缺陷。
应该理解，可以使用上面所示的各种形式的流程，重新排序、增加或删除步骤。例如，本发明中记载的各步骤可以并行地执行也可以顺序地执行也可以不同的次序执行，只要能够实现本发明的技术方案所期望的结果，本文在此不进行限制。
上述具体实施方式，并不构成对本发明保护范围的限制。本领域技术人员应该明白的是，根据设计要求和其他因素，可以进行各种修改、组合、子组合和替代。任何在本发明的精神和原则之内所作的修改、等同替换和改进等，均应包含在本发明保护范围之内。
Claims (10)
1.一种交易量异常检测方法，其特征在于，包括：
获取待测时间段内的交易量数据；
对所述交易量数据进行聚合处理，得到所述待测时间段对应的实际交易量；
根据所述待测时间段，获取历史交易量数据；
根据所述历史交易量数据，确定所述待测时间段的预测交易量范围；
根据所述预测交易量范围，确定所述待测时间段内的实际交易量是否异常。
2.根据权利要求1所述的方法，其特征在于，所述根据所述历史交易量数据，确定所述待测时间段的预测交易量范围，包括：
根据历史交易量数据，确定交易量周期类型；
根据所述交易量周期类型和所述待测时间段，确定目标均值和目标标准差；
根据所述目标均值和所述目标标准差，确定所述待测时间段的预测交易量范围。
3.根据权利要求2所述的方法，其特征在于，所述根据历史交易量数据，确定交易量周期类型，包括：
确定至少一组相邻日期的历史交易量数据之间的第一相关度；
根据各所述第一相关度，确定日周期相关度；
确定至少一组相同工作日或相同非工作日的历史交易量数据之间的第二相关度；
根据各所述第二相关度，确定周周期相关度；
根据所述日周期相关度和所述周周期相关度，确定交易量周期类型。
4.根据权利要求2所述的方法，其特征在于，所述交易量周期类型包括日周期类型和周周期类型；
相应的，根据所述交易量周期类型和所述待测时间段，确定目标均值和目标标准差，包括：
确定所述待测时间段对应的日期类型；所述日期类型包括工作日类型和非工作日类型；
若所述交易量周期类型为日周期类型且所述日期类型为工作日类型，则从所述历史交易量数据中选取满足第一预设条件的第一交易量数据，并根据所述第一交易量数据，确定目标均值和目标标准差；
若所述交易量周期类型为日周期类型且所述日期类型为非工作日类型，则从所述历史交易量数据中选取满足第二预设条件的第二交易量数据，并根据所述第二交易量数据，确定目标均值和目标标准差；
若所述交易量周期类型为周周期类型且所述日期类型为工作日类型，则从所述历史交易量数据中选取满足第三预设条件的第三交易量数据，并根据所述第三交易量数据，确定目标均值和目标标准差；
若所述交易量周期类型为周周期类型且所述日期类型为非工作日类型，则从所述历史交易量数据中选取满足第四预设条件的第四交易量数据，并根据所述第四交易量数据，确定目标均值和目标标准差。
5.根据权利要求2所述的方法，其特征在于，所述根据所述目标均值和所述目标标准差，确定所述待测时间段的预测交易量范围，包括：
根据所述目标均值和所述目标标准差，确定第一预测范围；
根据所述目标均值，确定第二预测范围；
生成包括所述第一预测范围和所述第二预测范围的待测时间段的预测交易量范围。
6.根据权利要求5所述的方法，其特征在于，所述根据所述预测交易量范围，确定所述待测时间段内的实际交易量是否异常，包括：
判断所述待测时间段内的实际交易量是否在第一预测范围内；
若否，则判断所述待测时间段内的实际交易量是否在第二预测范围内；
若否，则确定所述待测时间段内的实际交易量异常。
7.根据权利要求6所述的方法，其特征在于，所述方法还包括：
根据所述历史交易量数据，确定交易量零值时间，生成零值时间列表；
相应的，在所述确定所述待测时间段内的实际交易量异常之前，还包括：
判断所述待测时间段是否在所述零值时间列表内；
若是，则确定所述待测时间段内的实际交易量正常；
若否，则确定所述待测时间段内的实际交易量异常。
8.一种交易量异常检测装置，其特征在于，包括：
交易量数据获取模块，用于获取待测时间段内的交易量数据；
实际交易量确定模块，用于对所述交易量数据进行聚合处理，得到所述待测时间段对应的实际交易量；
历史数据获取模块，用于根据所述待测时间段，获取历史交易量数据；
交易量范围确定模块，用于根据所述历史交易量数据，确定所述待测时间段的预测交易量范围；
交易量异常检测模块，用于根据所述预测交易量范围，确定所述待测时间段内的实际交易量是否异常。
9.一种电子设备，其特征在于，所述电子设备包括：
至少一个处理器；以及
与所述至少一个处理器通信连接的存储器；其中，
所述存储器存储有可被所述至少一个处理器执行的计算机程序，所述计算机程序被所述至少一个处理器执行，以使所述至少一个处理器能够执行权利要求1-7中任一项所述的交易量异常检测方法。
10.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质存储有计算机指令，所述计算机指令用于使处理器执行时实现权利要求1-7中任一项所述的交易量异常检测方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310225756.5A CN116128651A (zh) | 2023-03-09 | 2023-03-09 | 交易量异常检测方法、装置、设备及存储介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310225756.5A CN116128651A (zh) | 2023-03-09 | 2023-03-09 | 交易量异常检测方法、装置、设备及存储介质 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN116128651A true CN116128651A (zh) | 2023-05-16 |
Family
ID=86311851
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202310225756.5A Pending CN116128651A (zh) | 2023-03-09 | 2023-03-09 | 交易量异常检测方法、装置、设备及存储介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN116128651A (zh) |
-
2023
- 2023-03-09 CN CN202310225756.5A patent/CN116128651A/zh active Pending
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN113837596B (zh) | 一种故障确定方法、装置、电子设备及存储介质 | |
| CN116307215A (zh) | 一种电力***的负荷预测方法、装置、设备及存储介质 | |
| CN115375039A (zh) | 一种工业设备故障预测方法、装置、电子设备及存储介质 | |
| CN116629620A (zh) | 一种风险等级确定方法、装置、电子设备及存储介质 | |
| CN117649115A (zh) | 一种风险评估方法、装置、电子设备和存储介质 | |
| CN117593115A (zh) | 信贷风险评估模型的特征值确定方法、装置、设备和介质 | |
| CN114999665A (zh) | 数据处理方法、装置、电子设备及存储介质 | |
| CN116128651A (zh) | 交易量异常检测方法、装置、设备及存储介质 | |
| CN115759283A (zh) | 一种模型解释方法、装置、电子设备以及存储介质 | |
| CN115344495A (zh) | 批量任务测试的数据分析方法、装置、计算机设备及介质 | |
| CN114328123A (zh) | 异常确定方法、训练方法、装置、电子设备以及存储介质 | |
| CN116955504B (zh) | 一种数据处理方法、装置、电子设备和存储介质 | |
| CN115497633B (zh) | 一种数据处理方法、装置、设备及存储介质 | |
| CN117573412A (zh) | ***故障预警方法、装置、电子设备及存储介质 | |
| CN116304796A (zh) | 一种数据分类方法、装置、设备及介质 | |
| CN117635300A (zh) | 一种企业融资结果的预测方法、装置及电子设备 | |
| CN117573983A (zh) | 一种融资方案的推荐方法、装置、电子设备及存储介质 | |
| CN117932474A (zh) | 一种通信缺失数据确定模型的训练方法、装置、设备及存储介质 | |
| CN117195104A (zh) | 资源分类方法、装置、电子设备及存储介质 | |
| CN115238811A (zh) | 异常检测模型的训练方法、装置、设备及存储介质 | |
| CN117608896A (zh) | 交易数据处理方法、装置、电子设备及存储介质 | |
| CN117934137A (zh) | 一种基于模型融合的不良资产回收预测方法、装置及设备 | |
| CN118313921A (zh) | 一种数据处理方法、装置、设备、存储介质及产品 | |
| CN117590239A (zh) | 电池异常检测方法、装置、电子设备及存储介质 | |
| CN116192608A (zh) | 云手机故障预测方法、装置以及设备 |
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 |