CN116452335A - 一种基于时序神经网络的金融大数据管理*** - Google Patents
一种基于时序神经网络的金融大数据管理*** Download PDFInfo
- Publication number
- CN116452335A CN116452335A CN202310365688.2A CN202310365688A CN116452335A CN 116452335 A CN116452335 A CN 116452335A CN 202310365688 A CN202310365688 A CN 202310365688A CN 116452335 A CN116452335 A CN 116452335A
- Authority
- CN
- China
- Prior art keywords
- transaction
- financial
- data
- big data
- network
- 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
- 238000013528 artificial neural network Methods 0.000 title claims abstract description 41
- 238000013523 data management Methods 0.000 title claims abstract description 25
- 230000002159 abnormal effect Effects 0.000 claims abstract description 32
- 238000012544 monitoring process Methods 0.000 claims abstract description 32
- 238000013500 data storage Methods 0.000 claims abstract description 17
- 238000007726 management method Methods 0.000 claims abstract description 14
- 238000001514 detection method Methods 0.000 claims abstract description 13
- 238000013135 deep learning Methods 0.000 claims abstract description 8
- 230000002146 bilateral effect Effects 0.000 claims description 51
- 239000010410 layer Substances 0.000 claims description 49
- 230000006870 function Effects 0.000 claims description 40
- 238000000034 method Methods 0.000 claims description 37
- 239000013598 vector Substances 0.000 claims description 20
- 230000005856 abnormality Effects 0.000 claims description 19
- 210000002569 neuron Anatomy 0.000 claims description 16
- 230000008569 process Effects 0.000 claims description 16
- 238000004422 calculation algorithm Methods 0.000 claims description 11
- 238000010586 diagram Methods 0.000 claims description 10
- 238000012545 processing Methods 0.000 claims description 9
- 230000004927 fusion Effects 0.000 claims description 8
- 238000013507 mapping Methods 0.000 claims description 7
- 238000013459 approach Methods 0.000 claims description 6
- 230000008859 change Effects 0.000 claims description 6
- 238000012549 training Methods 0.000 claims description 6
- 238000003780 insertion Methods 0.000 claims description 5
- 230000037431 insertion Effects 0.000 claims description 5
- 230000004913 activation Effects 0.000 claims description 4
- 238000004458 analytical method Methods 0.000 claims description 3
- 239000002131 composite material Substances 0.000 claims description 3
- 238000013461 design Methods 0.000 claims description 3
- 238000002955 isolation Methods 0.000 claims description 3
- 210000004205 output neuron Anatomy 0.000 claims description 3
- 230000004044 response Effects 0.000 claims description 3
- 210000004027 cell Anatomy 0.000 claims description 2
- 230000006872 improvement Effects 0.000 claims description 2
- 239000011159 matrix material Substances 0.000 claims description 2
- 239000002356 single layer Substances 0.000 claims description 2
- 230000009849 deactivation Effects 0.000 claims 6
- 230000006399 behavior Effects 0.000 claims 1
- 235000013399 edible fruits Nutrition 0.000 claims 1
- 238000004590 computer program Methods 0.000 description 5
- 238000011161 development Methods 0.000 description 5
- 238000005516 engineering process Methods 0.000 description 3
- 230000035945 sensitivity Effects 0.000 description 3
- 241001178520 Stomatepia mongo Species 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 2
- 238000013480 data collection Methods 0.000 description 2
- 230000001105 regulatory effect Effects 0.000 description 2
- 238000004364 calculation method Methods 0.000 description 1
- 230000019771 cognition Effects 0.000 description 1
- 230000001419 dependent effect Effects 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000009897 systematic effect Effects 0.000 description 1
- 239000002351 wastewater Substances 0.000 description 1
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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/23—Clustering techniques
- G06F18/232—Non-hierarchical techniques
- G06F18/2337—Non-hierarchical techniques using fuzzy logic, i.e. fuzzy clustering
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/243—Classification techniques relating to the number of classes
- G06F18/24323—Tree-organised classifiers
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/044—Recurrent networks, e.g. Hopfield networks
- G06N3/0442—Recurrent networks, e.g. Hopfield networks characterised by memory or gating, e.g. long short-term memory [LSTM] or gated recurrent units [GRU]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/048—Activation functions
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/049—Temporal neural networks, e.g. delay elements, oscillating neurons or pulsed inputs
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/0499—Feedforward networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
- G06N3/088—Non-supervised learning, e.g. competitive learning
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02D—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN INFORMATION AND COMMUNICATION TECHNOLOGIES [ICT], I.E. INFORMATION AND COMMUNICATION TECHNOLOGIES AIMING AT THE REDUCTION OF THEIR OWN ENERGY USE
- Y02D10/00—Energy efficient computing, e.g. low power processors, power management or thermal management
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Software Systems (AREA)
- Mathematical Physics (AREA)
- Biomedical Technology (AREA)
- Molecular Biology (AREA)
- Health & Medical Sciences (AREA)
- Computing Systems (AREA)
- General Health & Medical Sciences (AREA)
- Computational Linguistics (AREA)
- Biophysics (AREA)
- Business, Economics & Management (AREA)
- Bioinformatics & Computational Biology (AREA)
- Finance (AREA)
- Evolutionary Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Accounting & Taxation (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Technology Law (AREA)
- Automation & Control Theory (AREA)
- Economics (AREA)
- Fuzzy Systems (AREA)
- Development Economics (AREA)
- Marketing (AREA)
- General Business, Economics & Management (AREA)
- Strategic Management (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
一种基于时序神经网络的金融大数据管理***，包括金融大数据存储模块、金融大数据监测模块、金融大数据预测模块；本发明将监测预警思维引入深度学习框架，基于数据库，交易追踪和时序性神经网络来搭建金融大数据管理***，改变了时序性神经网络的网络结构，基于交易数据的异常检测和交易数据预测分析未来的交易风险，并进行预见性的管理。
Description
技术领域
本发明涉及区块链领域，具体地说，涉及一种基于时序神经网络的金融大数据管理***。
背景技术
得益于经济的强势拉动，产业结构实现了快速升级，发展观念也发生了转变，创新驱动也关注的热点。在我国的经济步入新常态下，金融科技助力金融改革发展愈加迫切，金融新技术作为一种新兴力量实现对金融的监管也有了更明确更深入的要求。在此背景下，大数据将成为金融发展的重要力量，金融发展也将越来越依赖于数据以及数据所带来的新的认知方式，庞大的数据需求也促使各地政府和金融监管部门也纷纷建立金融大数据平台，为实现金融大数据管理***提供了条件。企业的金融数据记载着企业之间的金融活动等重要信息，金融机构可以通过企业关系初步判定企业信用和发展状况，政府和监管部门则需要通过预测企业风险来防范***性金融风险，一种基于时序神经网络的金融大数据管理***可以帮助政府和监管部门更多维度地了解企业信用，预测企业的交易风险，极大程度的防范金融风险的发生，对金融大数据的管理和金融风险监测在理论上和现实应用上都具有一定的价值和意义。
发明内容
本发明的目的在于提供一种基于时序神经网络的金融大数据管理***，以解决上述背景技术中提出的问题。
为实现上述目的，提出了一种基于时序神经网络的金融大数据管理***，包括金融大数据存储模块、金融大数据监测模块、金融大数据预测模块；首先，构建金融大数据存储模块，基于商业性质搭建金融交易网络结构，根据交易类别和属性构建***数据库，基于云平台追踪交易信息；然后，构建金融大数据监测模块，根据***数据库属性特征，将交易信息按照交易类别进行分类，并针对每一类别的交易进行数据异常监测，并实时反馈异常信息；最后，构建金融大数据预测模块，将监测预警思维引入深度学习框架，构建时序性神经网络，将***数据库作为训练集，改变了时序性神经网络的网络结构，基于交易数据的异常检测使得交易数据预测未来的交易风险，并进行预见性的管理。
进一步的，所述金融大数据存储模块，基于商业性质搭建金融交易网络结构，详细过程如下：本发明提出借助交易窗口构建交易网络的方法，交易窗口是以固定长度的交易数设计的，金融交易账户v的原始交易时间序列 通过交易窗口方法处理后，得到的交易序列集合为/> 其中r表示的是交易窗口大小，同时也是交易序列的长度大小，ti表示表示时间序列上的各个时间点，/>分别为金融交易账户v各个时间点代表的第1、2、…、i笔交易特征，/>分别为金融交易账户v的第1、2、…、i-r+1条交易序列；/>则金融交易账户v的交易序列集合中的序列数量为i-r+1，其中，i≥r。进一步的，所述金融大数据存储模块，根据交易类别和属性构建***数据库，首先定义数据类型，在MongoDB数据库管理***里定义金融交易记录文档集合，记录一天内的交易情况和网络访问相关信息，为便于后续的查询和分析，采用对象嵌入模式，将一天内的金融交易商户类型和交易数据两个文档嵌入到数据库文档中，采用MongoDB数据库提供的嵌套型数组定义这两个文档的数据类型。MongoDB中数据库和集合的创建都是动态的，在首次写入数据后就可以通过命令看到集合及文档数据。MongoDB集合中所有的文档都有一个唯一的字段作为集合的主键，对于新***集合中的文档，如果没有包含主键字段，MongoDB会在服务器端自动生成一个新的主键字段。考虑到数据库中会频繁对金融账户类型和交易者姓名进行查询操作，因此将对其创建单键索引；由于经常会按照日期范围对交易情况进行统计，按照日期和交易数据创建复合索引。采集日志数据的工作主要包括按照设计的数据结构对MySQL数据库中的数据和服务器上的二进制文件数据重构为JSON格式的文档，以及设计数据采集和整理程序将文档批量***到MongoDB的文档集合中。通过解析函数实现对MySQL数据库和服务器上的二进制文件数据进行提取和重构；最后利用MongoDB Java Driver驱动建立数据库的连接、数据***、更新和查询操作。
进一步的，所述金融大数据存储模块，基于云平台追踪交易信息，使用双边交易子图的潮流追踪的方法，使所有双边交易顶点对之间的流匹配总量为最大。首先称签订双边交易合同的商户和用户所结成的一对用户为双边交易，对潮流有向图中签订双边交易合同的商户和用户所对应的顶点为双边交易顶点，除双边交易顶点以外的其他顶点为非双边交易顶点。
所有双边交易流匹配总量最大时可表示为：
非双边交易顶点进出流的平衡方程约束为：
双边交易顶点进出流的平衡方程约束为：
边中的流量约束可表示为：
双边交易中对商户和用户流量约束可表示为：
Xil≤Pi
Xig≤Pg
式中Xul为双边交易i中的用户从对应商户得到的流量，Xig为双边交易i中的商户向对应用户输送的流量，Xij为双边交易i的流在j边流中的份额，Pj为j边的流量，Pi为双边交易i的合同交易流量，Sin为进边，Sout为出边，Sin(lk)为顶点l的第k条进边，Sout(lk)顶点l的第k条出边，Sinsuml为顶点l的进边总数，Soutsuml为顶点l的出边总数。
进一步的，所述金融大数据监测模块，根据***数据库属性特征，将交易信息按照交易类别进行分类，详细过程如下：利用模糊C均值聚类法进行分类，根据数据库属性特征向量划分成若干个模糊数据组，计算出聚类中心和数据库属性特征向量距离聚类中心之间的距离，确定目标函数。设置必要条件对聚类中心进行调整，获取目标函数解，完成交易类别的分类。
首先将n个数据库属性数据特征向量划分为c个模糊数据组，通过对每组聚类中心的调整，使非相似性指标目标函数达到最小；设F＝{x1,x2,…,xn}∈rn代表n维模式空间内关系型数据库信息资源检索结果中数据向量集合，此集合能够被划分为c个数据子集:X1,X2,…,Xc(2≤c(n))，利用c个模糊数据组构建成特征向量集合F的一个模糊分类；
模糊分类结果的表示形式为模糊矩阵U＝[uij]∈rc>n，其中，U中元素uij代表第j(j＝1,2,…,n)个检索结果隶属第i(i＝1,2,…,c)个子集的隶属度，其中，uij满足uij∈[0,1]，且假设/>代表关系型数据库信息资源检索结果聚类中心，其中，vi∈rn代表子集Xi中心，dij代表检索结果特征向量xi至聚类中心vi间距离，目标函数定义为：/>
K(U,V)为各检索结果至相应聚类中心之间的加权距离和，K(U,V)取极小值必要条件表示为：
uik代表第k个检索结果隶属第i＝(1,2,…,c)个子集的隶属度，dik和djk分别代表不同检索结果特征向量至聚类中心距离。
通过对聚类中心V进行调整，得到目标函数最优解表达式为：
进一步的，所述金融大数据监测模块，对每一类别的交易进行数据异常监测，详细过程如下：本发明利用孤立森林算法进行孤立树的构建，孤立树Τ是具有递归结构的一种树图结构。如果树上任意节点为零，并且该节点具备两个后继节点，具备此类特征的节点称为外部节点。如果节点S是内部节点，则它包含一对属性节点，其中qS是拆分属性，pS是拆分值，域由qS给出，由此定义数据点空间的区域划分情况。
其中树Τ中节点S的高度hT(S)，定义为从根节点到节点S的边数。在训练期间，树生长直到所有数据点被隔离。通过限制每个节点的hT的最大值可以减少树的增长。如果hT(S)达到某个阈值，则不进一步划分节点S。当构造树T时，可以将每个新进入的数据点xi显示地分配给外部节点之一。数据点xi的路径长度hT(xi)等于hT(M)。M是xi最后到达的树节点。在孤立森林中，异常检测得分sF(xi,N)描述的是对数据xi,在t颗孤立树T1,T2,T3,…,Tt-1,Tt组成的孤立森林F中，假设F是由N个样本构建的，则有：
r(N)定义为：
由此得出一个0到1之间的数值，越接近于1，异常的可能性越高。
进一步的，所述金融大数据监测模块，实时反馈异常信息，详细过程如下：在现有数据的基础上构建孤立森林，使用孤立森林算法获得异常值得分，异常分数能确定信息异常的概率，确定异常的标准，异常得分的表达式如下所示：其中
N表示采样大小，hi(x)表示第i个孤立树的长度，E(h(x))是集合h(x)的平均值，c(N)是给定N的h(x)的平均值，信息数据Pi可以通过计算离群值得分，得出异常信息的得分。
E(h(x))代表了数据点xi在孤立树里路径长度的期望：当E(h(x))趋近于c(N)时，趋近于0.5，数据点xi的路径长度和树的平均高度相近，不能区分是不是异常；当E(h(x))趋近于0时，表示只需要很少的孤立树就能够区分，此时/>趋近于1，信息异常的概率很大；当E(h(x))＞＞c(N)，表示需要计算较长的孤立树才能够区分，此时/>趋近于0，表示信息较为正常。
进一步的，所述金融大数据预测模块，将监测预警思维引入深度学习框架，构建时序性神经网络，详细过程如下：利用局部回归动态反馈网络Elman网络，此网络可看作具有局部记忆单元和局部反馈连接的前向网络，从结构上可分为输入、隐蔽、承接和输出四层，使得前后两次输入之间产生了联系，强化了对历史状态的敏感性，增加了网络处理动态信息的能力。首先将拟输入的相关值和预测值两种时间序列[s1s2…sn]改良为：
s1,s2,…,sm,sn表示输入的预测值时间序列，将各行时间序列的变化率代替时间序列输入，简化后表示为：[k1,k2,…,km]，k1,k2,…,km表示各行的时间变化率，考虑到两个变化率对应同一输出的情况，引入第二个输入参数k′，同时将作为输入，限制条件以确保函数的映射关系，网络的隐蔽层、输出层分别设计为单层神经元；各层按前馈连接法相连，输入节点对应[k,k′]设为两个；隐蔽层节点数目通过不同神经元数目的运行结果误差比较来确定最佳节点数。改进的算法可以更好的简化网络结构，减小网络计算量，提高在线速度。
时序神经网络采用sigmoid函数神经网络层和点乘发运算求出信息，sigmoid函数数学表达式为：
在计算时序神经网络中的遗忘门时，使用sigomid函数计算遗忘率的值，公式如下所示：
ft＝σ(Wf×[ht-1,xt]+bf)
ft表示遗忘率，σ表示激活函数sigmoid，Wf表示权重，ht-1为上一时刻的输出值，bf为偏差常数；
确定遗忘率之后，输入门通过sigomid层确认更新信息，tanh函数生成一个新值，公式如下：
it＝σ(Wi×[ht-1,xt]+bi)
it为新形成的遗忘率，Wi、Wc与bi、bc表示各层的权重和偏差常数，tanh为激活函数，为新的候选值；
将遗忘率it和候选值相差的到更新的数据Ct：
Ct为当前隐藏层的状态值，Ct-1为前一时刻的单元状态值；
最终求得输出结果：
ot＝σ(Wo×[ht-1,xt]+bo)
ht＝ot×tanh(Ct)
ot为时间序列模型的遗忘率，Wo为输出门的权重，bo为***的偏差常数，ht表示隐藏层最终输出结果。进一步的，所述金融大数据预测模块，实时反馈异常信息，详细过程如下：利用SOM网络自组织特征映射功能，当接受外界输入模式后，网络使用竞争方式无监督地进行自组织学习，将竞争层分为不同反应区域，各区域对输入模式具有不同的响应特征，能捕捉各个输入模式中所含的模式特征，并对其进行自组织后在竞争层将聚类结果表示出来，实现自动聚类融合，达到目标识别的目的，利用SOM网络对Elman网络过于分散的识别结果进行聚类融合。
SOM网络输入层以Elman网络输出序列循环分段的方式，依次输入定长序列为其输入特征量进行识别，形成SOM输入部分样本数据；输出层节点数可可等距划分构成，确定二维输出神经元；输入层每个节点连到输出层所有节点而不存在反馈连接，输出层使用层内连。网络输出层的类神经元们对每一个输入彼此竞争，最后剩下一个或一组节点，它们反映一类样本的属性。网络设计完成后，随机初始化链接权向量，学习率参数的调节随着时间由1逐渐减小，初始邻域应包含较大范围的类神经元。输入学习样本，网络根据函数找出胜利节点，并根据式/> 调整胜利神经元邻域链接值向量，其中d′为欧氏距离，Xj为输入样本，p为学习迭代步数，δ为学习率参数，i,j代表不同神经元。重复学习步骤至迭代终止。
进一步的，所述金融大数据预测模块，基于交易数据的异常检测使得交易数据预测未来的交易风险，并进行预见性的管理，详细过程如下：首先对异常情况进行认定，分为如下几种情况。(1)不可抗力。不可抗力是指在自然原因或者是社会原因的基础之上而发生的人们无法提前预知且不可避免与控制的客观情况，与人们之前预期或约定相反的体现人们具体意志的事件。(2)意外事件。通常情况下，意外事件是由于人们无法提前预知进而造成的客观情况的发生，其发生的原因主要是因为人不可能预知的原因，并不是由于过失而造成的客观行为的发生。与此同时，不可抗力、不可预见、无法人为进行有效控制的意外事件在一定程度上是可以避免的。通过采取有效的措施，能够降低意外事件的发生概率。(3)技术故障。软件程序与硬件设备容易使其***发生一定的技术故障，进而对金融交易市场的秩序造成一定的影响。(4)重大差错。重大差错的发生是交易异常情况的一种类型，是由于个人的因素使其在金融交易环节中发生错误，进而形成重大差错。本发明中针对金融交易异常情况进行如下处置措施。(1)临时停用。当价格呈现出异常波动的状况时，为了保护相关交易方的权益而不得不采取的停用措施。主要包括技术性停用以及政策性停用，其中技术性停用解决的是金融市场中发生的意外事件，而政策性停用则主要针对企业问题。(2)暂缓交易。是针对金融交易出现的异常情况采取的临时措施，但这并不是最终的解决方案。是对出现异常情况的金融进行暂时的停止交易。而后再对其进行其他具体的处理措施。
本发明有益效果：本发明阐述了一种基于时序神经网络的金融大数据管理***，包括金融大数据存储模块、金融大数据监测模块、金融大数据预测模块；本发明基于MongoDB数据库在管理***里定义金融交易记录文档集合，记录一天内的交易情况和网络访问相关信息，通过解析函数实现对MySQL数据库和服务器上的二进制文件数据进行提取和重构，利用MongoDB驱动建立数据库的连接、数据***、更新和查询操作，并使用双边交易子图的潮流追踪的方法对云平台交易进行追踪，利用模糊C均值聚类法进行分类，并设置必要条件对聚类中心进行调整，获取目标函数解，完成交易类别的分类。在金融大数据监测模块中利用孤立森林算法进行孤立树的构建，使用孤立森林算法获得异常值得分，将异常分数用作确定信息异常的概率，并以此为确定异常的标准。本发明金融大数据监测模块中利用局部回归动态反馈网络Elman网络，强化了对历史状态的敏感性，增加了网络处理动态信息的能力。并利用SOM网络自组织特征映射功能，使用竞争方式无监督地进行自组织学习，利用SOM网络对Elman网络过于分散的识别结果进行聚类融合。本发明基于交易数据的异常检测使得交易数据预测未来的交易风险，并进行预见性的管理，提出了对异常情况进行的认定以及处置措施。本发明将监测预警思维引入深度学习框架，基于数据库，交易追踪和时序性神经网络来搭建金融大数据管理***，改变了时序性神经网络的网络结构，基于交易数据的异常检测和交易数据预测分析未来的交易风险，并进行预见性的管理。
附图说明
利用附图对发明创造作进一步说明，但附图中的实施例不构成对本发明创造的任何限制，对于本领域的普通技术人员，在不付出创造性劳动的前提下，还可以根据以下附图获得其它的附图。
图1是本发明结构示意图。
具体实施方式
结合以下实例对本发明作进一步描述。
参见图1，本发明旨在提供一种基于时序神经网络的金融大数据管理***，以解决上述背景技术中提出的问题。
为实现上述目的，提出了一种基于时序神经网络的金融大数据管理***，包括金融大数据存储模块、金融大数据监测模块、金融大数据预测模块；首先，构建金融大数据存储模块，基于商业性质搭建金融交易网络结构，根据交易类别和属性构建***数据库，基于云平台追踪交易信息；然后，构建金融大数据监测模块，根据***数据库属性特征，将交易信息按照交易类别进行分类，并针对每一类别的交易进行数据异常监测，并实时反馈异常信息；最后，构建金融大数据预测模块，将监测预警思维引入深度学习框架，构建时序性神经网络，将***数据库作为训练集，改变了时序性神经网络的网络结构，基于交易数据的异常检测使得交易数据预测未来的交易风险，并进行预见性的管理，各个模块的过程如下：
金融大数据存储模块：首先定义数据类型，在MongoDB数据库管理***里定义金融交易记录文档集合，记录一天内的交易情况和网络访问相关信息，为便于后续的查询和分析，采用对象嵌入模式，将一天内的金融交易商户类型和交易数据两个文档嵌入到数据库文档中，采用MongoDB数据库提供的嵌套型数组定义这两个文档的数据类型。MongoDB中数据库和集合的创建都是动态的，在首次写入数据后就可以通过命令看到集合及文档数据。MongoDB集合中所有的文档都有一个唯一的字段作为集合的主键，对于新***集合中的文档，如果没有包含主键字段，MongoDB会在服务器端自动生成一个新的主键字段。考虑到数据库中会频繁对金融账户类型和交易者姓名进行查询操作，因此将对其创建单键索引；由于经常会按照日期范围对交易情况进行统计，按照日期和交易数据创建复合索引。采集日志数据的工作主要包括按照设计的数据结构对MySQL数据库中的数据和服务器上的二进制文件数据重构为JSON格式的文档，以及设计数据采集和整理程序将文档批量***到MongoDB的文档集合中。通过解析函数实现对MySQL数据库和服务器上的二进制文件数据进行提取和重构；最后利用MongoDB Java Driver驱动建立数据库的连接、数据***、更新和查询操作。
基于云平台追踪交易信息，使用双边交易子图的潮流追踪的方法，使所有双边交易顶点对之间的流匹配总量为最大。首先称签订双边交易合同的商户和用户所结成的一对用户为双边交易，对潮流有向图中签订双边交易合同的商户和用户所对应的顶点为双边交易顶点，除双边交易顶点以外的其他顶点为非双边交易顶点。
所有双边交易流匹配总量最大时可表示为：
非双边交易顶点进出流的平衡方程约束为：
双边交易顶点进出流的平衡方程约束为：
边中的流量约束可表示为：
双边交易中对商户和用户流量约束可表示为：
Xil≤Pi
Xig≤Pg
式中Xil为双边交易i中的用户从对应商户得到的流量，Xig为双边交易i中的商户向对应用户输送的流量，Xij为双边交易i的流在j边流中的份额，Pj为j边的流量，Pi为双边交易i的合同交易流量，Sin为进边，Sout为出边，Sin(lk)为顶点l的第k条进边，Sout(lk)顶点l的第k条出边，Sinsuml为顶点l的进边总数，Soutsuml为顶点l的出边总数。
金融大数据监测模块：本发明利用孤立森林算法进行孤立树的构建，孤立树Τ是具有递归结构的一种树图结构。如果树上任意节点为零，并且该节点具备两个后继节点，具备此类特征的节点称为外部节点。如果节点S是内部节点，则它包含一对属性节点，其中qS是拆分属性，pS是拆分值，域由qS给出，由此定义数据点空间的区域划分情况。
其中树Τ中节点S的高度hT(S)，定义为从根节点到节点S的边数。在训练期间，树生长直到所有数据点被隔离。通过限制每个节点的hT的最大值可以减少树的增长。如果hT(S)达到某个阈值，则不进一步划分节点S。当构造树T时，可以将每个新进入的数据点xi显示地分配给外部节点之一。数据点xi的路径长度hT(xi)等于hT(M)。M是xi最后到达的树节点。在孤立森林中，异常检测得分sF(xi,N)描述的是对数据xi,在t颗孤立树T1,T2,T3,…,Tt-1,Tt组成的孤立森林F中，假设F是由N个样本构建的，则有：
r(N)定义为：
由此得出一个0到1之间的数值，越接近于1，异常的可能性越高。
在现有数据的基础上构建孤立森林，使用孤立森林算法获得异常值得分，异常分数能确定信息异常的概率，确定异常的标准，异常得分的表达式如下所示：其中/>
N表示采样大小，hi(x)表示第i个孤立树的长度，E(h(x))是集合h(x)的平均值，c(N)是给定N的h(x)的平均值，信息数据Pi可以通过计算离群值得分，得出异常信息的得分。
E(h(x))代表了数据点xi在孤立树里路径长度的期望：当E(h(x))趋近于c(N)时，趋近于0.5，数据点xi的路径长度和树的平均高度相近，不能区分是不是异常；当E(h(x))趋近于0时，表示只需要很少的孤立树就能够区分，此时/>趋近于1，信息异常的概率很大；当E(h(x))＞＞c(N)，表示需要计算较长的孤立树才能够区分，此时/>趋近于0，表示信息较为正常。
金融大数据预测模块：利用SOM网络自组织特征映射功能，当接受外界输入模式后，网络使用竞争方式无监督地进行自组织学习，将竞争层分为不同反应区域，各区域对输入模式具有不同的响应特征，能捕捉各个输入模式中所含的模式特征，并对其进行自组织后在竞争层将聚类结果表示出来，实现自动聚类融合，达到目标识别的目的，利用SOM网络对Elman网络过于分散的识别结果进行聚类融合。
SOM网络输入层以Elman网络输出序列循环分段的方式，依次输入定长序列为其输入特征量进行识别，形成SOM输入部分样本数据；输出层节点数可可等距划分构成，确定二维输出神经元；输入层每个节点连到输出层所有节点而不存在反馈连接，输出层使用层内连。网络输出层的类神经元们对每一个输入彼此竞争，最后剩下一个或一组节点，它们反映一类样本的属性。网络设计完成后，随机初始化链接权向量，学习率参数的调节随着时间由1逐渐减小，初始邻域应包含较大范围的类神经元。输入学习样本，网络根据函数找出胜利节点，并根据式/> 调整胜利神经元邻域链接值向量，其中d′为欧氏距离，Xj为输入样本，p为学习迭代步数，δ为学习率参数，i,j代表不同神经元。重复学习步骤至迭代终止。
本发明有益效果：本发明阐述了一种基于时序神经网络的金融大数据管理***，包括金融大数据存储模块、金融大数据监测模块、金融大数据预测模块；本发明基于MongoDB数据库在管理***里定义金融交易记录文档集合，记录一天内的交易情况和网络访问相关信息，通过解析函数实现对MySQL数据库和服务器上的二进制文件数据进行提取和重构，利用MongoDB驱动建立数据库的连接、数据***、更新和查询操作，并使用双边交易子图的潮流追踪的方法对云平台交易进行追踪，利用模糊C均值聚类法进行分类，并设置必要条件对聚类中心进行调整，获取目标函数解，完成交易类别的分类。在金融大数据监测模块中利用孤立森林算法进行孤立树的构建，使用孤立森林算法获得异常值得分，将异常分数用作确定信息异常的概率，并以此为确定异常的标准。本发明金融大数据监测模块中利用局部回归动态反馈网络Elman网络，强化了对历史状态的敏感性，增加了网络处理动态信息的能力。并利用SOM网络自组织特征映射功能，使用竞争方式无监督地进行自组织学习，利用SOM网络对Elman网络过于分散的识别结果进行聚类融合。本发明基于交易数据的异常检测使得交易数据预测未来的交易风险，并进行预见性的管理，提出了对异常情况进行的认定以及处置措施。本发明将监测预警思维引入深度学习框架，基于数据库，交易追踪和时序性神经网络来搭建金融大数据管理***，改变了时序性神经网络的网络结构，基于交易数据的异常检测和交易数据预测分析未来的交易风险，并进行预见性的管理。
本发明还提供了一种计算机可读存储介质，该存储介质中存储有至少一条指令，该指令由处理器加载并执行，以实现上述方法。其中，该计算机可读存储介质可以是ROM、随机存取存储器、CD-ROM、磁带、软盘和光数据存储设备等。其内存储的指令可由终端中的处理器加载并执行上述方法。
本发明实施方式是参照根据本发明实施例的方法、终端设备(***)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、嵌入式处理机或其他可编程数据处理终端设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理终端设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理终端设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。这些计算机程序指令也可装载到计算机或其他可编程数据处理终端设备上，使得在计算机或其他可编程终端设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程终端设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
对所公开的实施例的上述说明，使本领域专业技术人员能够实现或使用本发明。对这些实施例的多种修改对本领域的专业技术人员来说将是显而易见的，本发明中所定义的一般原理可以在不脱离本发明的精神或范围的情况下，在其它实施例中实现。因此，本发明将不会被限制于本发明所示的这些实施例，而是要符合与本发明所公开的原理和新颖特点相一致的最宽的范围。
Claims (10)
1.一种基于时序神经网络的金融大数据管理***，包括金融大数据存储模块、金融大数据监测模块、金融大数据预测模块；首先，构建金融大数据存储模块，基于商业性质搭建金融交易网络结构，根据交易类别和属性构建***数据库，基于云平台追踪交易信息；然后，构建金融大数据监测模块，根据***数据库属性特征，将交易信息按照交易类别进行分类，并针对每一类别的交易进行数据异常监测，并实时反馈异常信息；最后，构建金融大数据预测模块，将监测预警思维引入深度学习框架，构建时序性神经网络，将***数据库作为训练集，改变了时序性神经网络的网络结构，基于交易数据的异常检测使得交易数据预测未来的交易风险，并进行预见性的管理。
2.根据权利要求1所述一种基于时序神经网络的金融大数据管理***，其特征在于，所述金融大数据存储模块，基于商业性质搭建金融交易网络结构，详细过程如下：提出借助交易窗口构建交易网络的方法，交易窗口是以固定长度的交易数设计的，金融交易账户v的原始交易时间序列通过交易窗口方法处理后，得到的交易序列集合为其中r表示的是交易窗口大小，同时也是交易序列的长度大小，ti表示表示时间序列上的各个时间点，/>分别为金融交易账户v的各个时间点代表的第1、2、…、i笔交易特征，/>分别为金融交易账户v的第1、2、…、i-r+1条交易序列；/>则金融交易账户v的交易序列集合中的序列数量为i-r+1，其中，i≥r。
3.根据权利要求1所述一种基于时序神经网络的金融大数据管理***，其特征在于，所述金融大数据存储模块，根据交易类别和属性构建***数据库，首先定义数据类型，在MongoDB数据库管理***里定义金融交易记录文档集合，记录一天内的交易情况和网络访问相关信息，为便于后续的查询和分析，采用对象嵌入模式，将一天内的金融交易商户类型和交易数据两个文档嵌入到数据库文档中，采用MongoDB数据库提供的嵌套型数组定义这两个文档的数据类型；MongoDB中数据库和集合的创建都是动态的，在首次写入数据后通过命令看到集合及文档数据；MongoDB集合中所有的文档都有一个唯一的字段作为集合的主键，对于新***集合中的文档，如果没有包含主键字段，MongoDB会在服务器端自动生成一个新的主键字段；考虑到数据库中会频繁对金融账户类型和交易者姓名进行查询操作，因此创建单键索引；，按照日期和交易数据创建复合索引；通过解析函数实现对MySQL数据库和服务器上的二进制文件数据进行提取和重构；最后利用MongoDB Java Driver驱动建立数据库的连接、数据***、更新和查询操作。
4.根据权利要求1所述一种基于时序神经网络的金融大数据管理***，其特征在于，所述金融大数据存储模块，基于云平台追踪交易信息，使用双边交易子图的潮流追踪的方法，使所有双边交易顶点对之间的流匹配总量为最大；首先称签订双边交易合同的商户和用户所结成的一对用户为双边交易，对潮流有向图中签订双边交易合同的商户和用户所对应的顶点为双边交易顶点，除双边交易顶点以外的其他顶点为非双边交易顶点；
所有双边交易流匹配总量最大时表示为：非双边交易顶点进出流的平衡方程约束为：
双边交易顶点进出流的平衡方程约束为：
双边中的流量约束表示为：
双边交易中对商户和用户流量约束表示为：
Xil≤Pi
Xig≤Pj
式中，Xil为双边交易i中的用户从对应商户得到的流量，Xig为双边交易i中的商户向对应用户输送的流量，Xij为双边交易i的流在j边流中的份额，Pj为j边的流量，Pi为双边交易i的合同交易流量，Sin为进边，Sout为出边，Sin(lk)为顶点l的第k条进边，Sout(lk)顶点l的第k条出边，Sinsuml为顶点l的进边总数，Soutsuml为顶点l的出边总数。
5.根据权利要求1所述一种基于时序神经网络的金融大数据管理***，其特征在于，所述金融大数据监测模块，根据***数据库属性特征，将交易信息按照交易类别进行分类，详细过程如下：利用模糊C均值聚类法进行分类，根据数据库属性特征向量划分成若干个模糊数据组，计算出聚类中心和数据库属性特征向量距离聚类中心之间的距离，确定目标函数，设置必要条件对聚类中心进行调整，获取目标函数解，完成交易类别的分类；
首先将n个数据库属性数据特征向量划分为c个模糊数据组，通过对每组聚类中心的调整，使非相似性指标目标函数达到最小；设F＝{x1，x2，...，xn}∈rn代表n维模式空间内关系型数据库信息资源检索结果中数据向量集合，此集合能够被划分为c个数据子集：X1，X2，...，Xc(2≤c(n))，利用c个模糊数据组构建成特征向量集合F的一个模糊分类；
模糊分类结果的表示形式为模糊矩阵U＝[uij]∈rc＞n，其中，U中元素uij代表第j(j＝1，2，...，n)个检索结果隶属第i(i＝1，2，...，c)个子集的隶属度，其中，uij满足uij∈[0，1]，且假设/>代表关系型数据库信息资源检索结果聚类中心，其中，vi∈rn代表子集Xi中心，dij代表检索结果特征向量xj至聚类中心vi间距离，目标函数定义为：/>
K(U，V)为各检索结果至相应聚类中心之间的加权距离和，K(U，V)取极小值必要条件表示为：
uik代表第k个检索结果隶属第i＝(1，2，...，c)个子集的隶属度，dik和djk分别代表不同检索结果特征向量至聚类中心距离；
通过对聚类中心V进行调整，得到目标函数最优解表达式为：
6.根据权利要求1所述一种基于时序神经网络的金融大数据管理***，其特征在于，所述金融大数据监测模块，对每一类别的交易进行数据异常监测，详细过程如下：利用孤立森林算法进行孤立树的构建，孤立树T是具有递归结构的一种树图结构；如果树上任意节点为零，并且该节点具备两个后继节点，具备此类特征的节点称为外部节点；如果节点S是内部节点，则它包含一对属性节点，由此定义数据点空间的区域划分情况；
其中，树T中节点S的高度hT(S)，定义为从根节点到节点S的边数；在训练期间，树生长直到所有数据点被隔离，通过限制每个节点的hT的最大值减少树的增长；如果hT(S)达到某个阈值，则不进一步划分节点S；当构造树T时，可以将每个新进入的数据点xi显示地分配给外部节点之一；数据点xi的路径长度hT(xi)等于hT(M)；M是xi最后到达的树节点；在孤立森林中，异常检测得分sF(xi，N)描述的是对数据xi，在t颗孤立树T1，T2，T3，...，Tt-1，Tt组成的孤立森林F中，假设F是由N个样本构建的，则有：
r(N)定义为：
由此得出一个0到1之间的数值，越接近于1，异常的可能性越高。
7.根据权利要求1所述一种基于时序神经网络的金融大数据管理***，其特征在于，所述金融大数据监测模块，实时反馈异常信息，详细过程如下：在现有数据的基础上构建孤立森林，使用孤立森林算法获得异常值得分，异常分数能确定信息异常的概率，确定异常的标准，异常得分的表达式如下所示：其中，/>
N表示采样大小，hi(x)表示第i个孤立树的长度，E(h(x))是集合h(x)的平均值，c(N)是给定N的h(x)的平均值，信息数据Pi通过计算离群值得分，得出异常信息的得分；
E(h(x))代表了数据点x在孤立树里路径长度的期望：当E(h(x))趋近于c(N)时，趋近于0.5，数据点xi的路径长度和树的平均高度相近，不能区分是不是异常；当E(h(x))趋近于0时，表示只需要很少的孤立树就能够区分，此时/>趋近于1，信息异常的概率很大；当E(h(x))>>c(N)，表示需要计算较长的孤立树才能够区分，此时/>趋近于0，表示信息较为正常。
8.根据权利要求1所述一种基于时序神经网络的金融大数据管理***，其特征在于，所述金融大数据预测模块，将监测预警思维引入深度学习框架，构建改进的时序性神经网络，详细过程如下：利用局部回归动态反馈网络Elman网络，首先将拟输入的预测值两种时间序列[s1s2...sn]改良为：
s1，s2，...，sm，sn表示输入的预测值时间序列，将各行时间序列的变化率代替时间序列输入，简化后表示为：[k1，k2，...，km]，k1，k2，...，km表示各行的时间变化率，考虑到两个变化率对应同一输出的情况，引入第二个输入参数k′，同时将作为输入，限制条件以确保函数的映射关系，网络的隐蔽层、输出层分别设计为单层神经元；各层按前馈连接法相连，输入节点对应[k，k′]设为两个；隐蔽层节点数目通过不同神经元数目的运行结果误差比较来确定最佳节点数，时序神经网络采用sigmoid函数神经网络层和点乘发运算求出信息，sigmoid函数数学表达式为：
在计算时序神经网络中的遗忘门时，使用sigomid函数计算遗忘率的值，公式如下所示：
ft＝σ(Wf×[ht-1，xt]+bf)
ft表示遗忘率，σ表示激活函数sigmoid，Wf表示权重，ht-1为上一时刻的输出值，bf为偏差常数；
确定遗忘率之后，输入门通过sigomid层确认更新信息，tanh函数生成一个新值，公式如下：
it＝σ(Wi×[ht-1,xt]+bi)
it为新形成的遗忘率，Wi、Wc与bi、bc表示各层的权重和偏差常数，tanh为激活函数，为新的候选值；将遗忘率it和候选值/>相差的到更新的数据Ct：/>Ct为当前隐藏层的状态值，Ct-1为前一时刻的单元状态值；最终求得输出结果：
ot＝σ(Wo×[ht-1,xt]+bo)
ht＝ot×tanh(Ct)
ot为时间序列模型的遗忘率，Wo为输出门的权重，bo为***的偏差常数，ht表示隐藏层最终输出结果。
9.根据权利要求8所述一种基于时序神经网络的金融大数据管理***，其特征在于，所述金融大数据预测模块，实时反馈异常信息，详细过程如下：利用SOM网络自组织特征映射功能，当接受外界输入模式后，网络使用竞争方式无监督地进行自组织学习，将竞争层分为不同反应区域，各区域对输入模式具有不同的响应特征，能捕捉各个输入模式中所含的模式特征，并对其进行自组织后在竞争层将聚类结果表示出来，实现自动聚类融合，达到目标识别的目的，利用SOM网络对Elman网络过于分散的识别结果进行聚类融合；
SOM网络输入层以Elman网络输出序列循环分段的方式，依次输入定长序列为其输入特征量进行识别，形成SOM输入部分样本数据；输出层节点数可等距划分构成，确定二维输出神经元；输入层每个节点连到输出层所有节点而不存在反馈连接，输出层使用层内连；网络输出层的类神经元们对每一个输入彼此竞争，最后剩下一组节点，反映一类样本的属性，网络设计完成后，随机初始化链接权向量，学习率参数的调节随着时间逐渐减小，初始邻域应包含较大范围的类神经元；输入学习样本，网络根据函数找出胜利节点，并根据式/>调整胜利神经元邻域链接值向量，其中d′为欧氏距离，Xj为输入样本，p为学习迭代步数，δ为学习率参数，i,j代表不同神经元。
10.根据权利要求1所述一种基于时序神经网络的金融大数据管理***，其特征在于，所述金融大数据预测模块，基于交易数据的异常检测使得交易数据预测未来的交易风险，并进行预见性的管理，详细过程如下：首先对异常情况进行认定，分为如下几种情况：(1)不可抗力，不可抗力是指在自然原因或者是社会原因的基础之上而发生的人们无法提前预知且不可避免与控制的客观情况，与人们之前预期或约定相反的体现人们具体意志的事件；(2)意外事件，通常情况下，意外事件是由于人们无法提前预知进而造成的客观情况的发生，其发生的原因主要是因为人不可能预知的原因，并不是由于过失而造成的客观行为的发生，与此同时，不可抗力、不可预见、无法人为进行有效控制的意外事件在一定程度上是可以避免的，通过采取有效的措施，能够降低意外事件的发生概率；(3)技术故障，软件程序与硬件设备容易使其***发生一定的技术故障，进而对金融交易市场的秩序造成一定的影响；(4)重大差错，重大差错的发生是交易异常情况的一种类型，是由于个人的因素使其在金融交易环节中发生错误，进而形成重大差错；针对金融交易异常情况进行如下处置措施：(1)临时停用，当价格呈现出异常波动的状况时，为了保护相关交易方的权益而不得不采取的停用措施，主要包括技术性停用以及政策性停用，其中技术性停用解决的是金融市场中发生的意外事件，而政策性停用则主要针对企业问题；(2)暂缓交易，针对金融交易出现的异常情况采取的临时措施，对出现异常情况的金融进行暂时的停止交易。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310365688.2A CN116452335A (zh) | 2023-04-06 | 2023-04-06 | 一种基于时序神经网络的金融大数据管理*** |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310365688.2A CN116452335A (zh) | 2023-04-06 | 2023-04-06 | 一种基于时序神经网络的金融大数据管理*** |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN116452335A true CN116452335A (zh) | 2023-07-18 |
Family
ID=87135064
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202310365688.2A Pending CN116452335A (zh) | 2023-04-06 | 2023-04-06 | 一种基于时序神经网络的金融大数据管理*** |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN116452335A (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117455497A (zh) * | 2023-11-12 | 2024-01-26 | 北京营加品牌管理有限公司 | 一种交易风险检测方法及装置 |
-
2023
- 2023-04-06 CN CN202310365688.2A patent/CN116452335A/zh active Pending
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117455497A (zh) * | 2023-11-12 | 2024-01-26 | 北京营加品牌管理有限公司 | 一种交易风险检测方法及装置 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| US8543522B2 (en) | Automatic rule discovery from large-scale datasets to detect payment card fraud using classifiers | |
| CN113378990B (zh) | 基于深度学习的流量数据异常检测方法 | |
| Zhang et al. | A novel case adaptation method based on an improved integrated genetic algorithm for power grid wind disaster emergencies | |
| Tsui et al. | Data mining methods and applications | |
| CN113095927B (zh) | 一种反洗钱可疑交易识别方法及设备 | |
| Das et al. | A Hybrid Neuro‐Fuzzy and Feature Reduction Model for Classification | |
| Cheng et al. | A Seasonal Time‐Series Model Based on Gene Expression Programming for Predicting Financial Distress | |
| CN116452335A (zh) | 一种基于时序神经网络的金融大数据管理*** | |
| Sun et al. | Design of macroeconomic growth prediction algorithm based on data mining | |
| Vassiljeva et al. | Computational intelligence approach for estimation of vehicle insurance risk level | |
| Liu et al. | Analysis of internet financial risk control model based on machine learning algorithms | |
| Chornous et al. | Business-oriented feature selection for hybrid classification model of credit scoring | |
| CN114615010A (zh) | 一种基于深度学习的边缘服务器端入侵防御***设计方法 | |
| Shaheen et al. | Predictive analytics for loan default in banking sector using machine learning techniques | |
| Khoirunissa et al. | Comparison of Random Forest, Logistic Regression, and MultilayerPerceptron Methods on Classification of Bank Customer Account Closure | |
| Lee | Enterprise credit risk evaluation models: A review of current research trends | |
| Archana et al. | Comparison of Various Machine Learning Algorithms and Deep Learning Algorithms for Prediction of Loan Eligibility | |
| CN114529063A (zh) | 一种基于机器学习的金融领域数据预测方法、设备及介质 | |
| Ushio et al. | The application of deep learning to predict corporate growth | |
| Khidirova et al. | Neuro-fuzzy algorithm for clustering multidimensional objects in conditions of incomplete data | |
| Salihu et al. | A review of algorithms for credit risk analysis | |
| Elmousalami | Comparison of Artificial Intelligence Techniques for Project Conceptual Cost Prediction | |
| Ghodsi et al. | Fraud detection of credit cards using neuro-fuzzy approach based on tlbo and pso algorithms | |
| Lv et al. | GA‐based feature selection method for oversized data analysis in digital economy | |
| Salcedo-Sanz et al. | A review of computational intelligence algorithms in insurance applications |
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 |