CN116523615A - 一种银行异常账户检测方法、装置、***和介质 - Google Patents
一种银行异常账户检测方法、装置、***和介质 Download PDFInfo
- Publication number
- CN116523615A CN116523615A CN202310473563.1A CN202310473563A CN116523615A CN 116523615 A CN116523615 A CN 116523615A CN 202310473563 A CN202310473563 A CN 202310473563A CN 116523615 A CN116523615 A CN 116523615A
- Authority
- CN
- China
- Prior art keywords
- account
- data
- neural network
- network model
- wavelet
- 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
- 230000002159 abnormal effect Effects 0.000 title claims abstract description 51
- 238000001514 detection method Methods 0.000 title claims abstract description 33
- 238000003062 neural network model Methods 0.000 claims abstract description 120
- 238000012549 training Methods 0.000 claims abstract description 48
- 238000000034 method Methods 0.000 claims abstract description 42
- 230000006870 function Effects 0.000 claims description 65
- 238000013507 mapping Methods 0.000 claims description 20
- 238000004590 computer program Methods 0.000 claims description 15
- 230000015654 memory Effects 0.000 claims description 7
- 230000008859 change Effects 0.000 claims description 5
- 238000004364 calculation method Methods 0.000 claims description 3
- 238000011156 evaluation Methods 0.000 abstract description 7
- 230000007774 longterm Effects 0.000 abstract description 7
- 238000005457 optimization Methods 0.000 abstract description 2
- 238000013528 artificial neural network Methods 0.000 description 9
- 238000004458 analytical method Methods 0.000 description 6
- 201000004569 Blindness Diseases 0.000 description 5
- 238000013461 design Methods 0.000 description 5
- 238000012545 processing Methods 0.000 description 5
- 238000010586 diagram Methods 0.000 description 3
- 238000012423 maintenance Methods 0.000 description 3
- 238000012986 modification Methods 0.000 description 3
- 230000004048 modification Effects 0.000 description 3
- 230000003287 optical effect Effects 0.000 description 3
- 206010000117 Abnormal behaviour Diseases 0.000 description 2
- 238000004422 calculation algorithm Methods 0.000 description 2
- 230000005284 excitation Effects 0.000 description 2
- 230000000644 propagated effect Effects 0.000 description 2
- 230000009466 transformation Effects 0.000 description 2
- 230000005856 abnormality Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000015572 biosynthetic process Effects 0.000 description 1
- 238000013523 data management Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 239000000835 fiber Substances 0.000 description 1
- 238000012886 linear function Methods 0.000 description 1
- 230000004807 localization Effects 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 239000013307 optical fiber Substances 0.000 description 1
- 238000007781 pre-processing Methods 0.000 description 1
- 230000008569 process Effects 0.000 description 1
- 230000000750 progressive effect Effects 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 230000006403 short-term memory Effects 0.000 description 1
- 239000000126 substance Substances 0.000 description 1
- 238000003786 synthesis reaction Methods 0.000 description 1
- 238000013519 translation Methods 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
- G06Q40/02—Banking, e.g. interest calculation or account maintenance
-
- 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
- G06N3/08—Learning methods
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Business, Economics & Management (AREA)
- General Physics & Mathematics (AREA)
- General Health & Medical Sciences (AREA)
- Accounting & Taxation (AREA)
- Software Systems (AREA)
- Mathematical Physics (AREA)
- General Engineering & Computer Science (AREA)
- Computing Systems (AREA)
- Molecular Biology (AREA)
- Finance (AREA)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Marketing (AREA)
- Development Economics (AREA)
- General Business, Economics & Management (AREA)
- Economics (AREA)
- Technology Law (AREA)
- Strategic Management (AREA)
- Financial Or Insurance-Related Operations Such As Payment And Settlement (AREA)
Abstract
本申请提供一种银行异常账户检测方法、装置、***和介质，可应用于金融领域或其他领域。对初始小波神经网络模型的小波函数进行加权优化，并训练得到预先训练的小波神经网络模型；将账户历史交易日志数据、账户历史访问频率数据和账户历史关联环境数据输入预先训练的小波神经网络模型，输出账户预期交易日志数据、账户预期访问频率数据和账户预期关联环境数据；当预测输出值，和，实际值的偏差值大于或等于预设阈值时，则将账户归类为异常账户。经过对初始小波神经网络模型的小波函数系数进行加权，得到优化小波神经网络模型，提高了评估的精确度，可以捕捉信息中局部关联性以及长期依赖关系，实现快速又精准的检测出银行异常账户，降低检测成本。
Description
技术领域
本申请涉及计算机技术领域，特别涉及一种银行异常账户检测方法、装置、***和介质。
背景技术
银行账户的安全性是银行运营安全的关键的一部分。具体的，对于银行来说，有效并快速检测银行账户的异常行为至关重要。
传统的银行账户异常检测方法是侧重于提前录入规则并基于此规则判断异常账户的方法，而这种方法有一定的局限性，一方面，维护成本较高，灵活性差；另一方面，处理数据集速度较慢，且检测精确度不够理想，往往达不到银行与银行用户的诉求。
因此，如何实现快速又精准的检测出银行异常账户，降低检测成本，是本领域需要解决的技术问题。
发明内容
有鉴于此，提供该发明内容部分以便以简要的形式介绍构思，这些构思将在后面的具体实施方式部分被详细描述。该发明内容部分并不旨在标识要求保护的技术方案的关键特征或必要特征，也不旨在用于限制所要求的保护的技术方案的范围。
本申请的目的在于提供一种银行异常账户检测方法、装置、***和介质，可以实现快速又精准的检测出银行异常账户，降低检测成本。
为实现上述目的，本申请有如下技术方案：
第一方面，本申请实施例提供了一种银行异常账户检测方法，包括：
采集账户历史交易日志数据、账户历史访问频率数据和账户历史关联环境数据；
对初始小波神经网络模型的小波函数系数进行加权，得到优化小波神经网络模型；
获取所述优化小波神经网络模型的训练集，所述训练集包括：账户第一时段正常交易日志数据、账户第一时段正常访问频率数据和账户第一时段正常关联环境数据，作为第一数据；账户第二时段正常交易日志数据、账户第二时段正常访问频率数据和账户第二时段正常关联环境数据，作为第二数据；所述第一时段为所述第二时段之前的时段；
利用所述训练集学习所述第一数据和所述第二数据的映射关系；
根据所述映射关系确定所述优化小波神经网络模型的模型参数，以得到预先训练的小波神经网络模型；
将所述账户历史交易日志数据、账户历史访问频率数据和账户历史关联环境数据输入所述预先训练的小波神经网络模型，所述预先训练的小波神经网络模型输出账户预期交易日志数据、账户预期访问频率数据和账户预期关联环境数据；
当所述账户预期交易日志数据、账户预期访问频率数据和账户预期关联环境数据，和，账户当前实际交易日志数据、账户当前实际访问频率数据和账户当前实际关联环境数据的偏差值大于或等于预设阈值时，则将账户归类为异常账户。
在一种可能的实现方式中，所述对初始小波神经网络模型的小波函数系数进行加权，包括：
Wa＝∑baa,bWa,b；
其中，Wa为加权后小波函数系数，a为小波变化时的小波函数的伸缩尺度，b为小波变化时的平移情况，Wa,b为经过小波变化后的所述小波函数系数，aa,b是注意力权重，用于计算Wa,b在Wa中的权重。
在一种可能的实现方式中，还包括：
利用均方误差损失函数，计算所述预先训练的小波神经网络模型的均方误差损失值，以表征所述预先训练的小波神经网络模型的训练程度。
在一种可能的实现方式中，所述利用均方误差损失函数，计算所述预先训练的小波神经网络模型的均方误差损失值，包括：
其中，MSE为所述均方误差损失值，yi为所述预先训练的小波神经网络模型输出的预测数据值，f(xi)为与所述预测数据值对应的正常实际数据值；N为所述预测数据值或所述正常实际数据值的数量。
第二方面，本申请实施例提供了一种银行异常账户检测装置，包括：
采集单元，用于采集账户历史交易日志数据、账户历史访问频率数据和账户历史关联环境数据；
加权单元，用于对初始小波神经网络模型的小波函数系数进行加权，得到优化小波神经网络模型；
获取单元，用于获取所述优化小波神经网络模型的训练集，所述训练集包括：账户第一时段正常交易日志数据、账户第一时段正常访问频率数据和账户第一时段正常关联环境数据，作为第一数据；账户第二时段正常交易日志数据、账户第二时段正常访问频率数据和账户第二时段正常关联环境数据，作为第二数据；所述第一时段为所述第二时段之前的时段；
学习单元，用于利用所述训练集学习所述第一数据和所述第二数据的映射关系；
确定单元，用于根据所述映射关系确定所述优化小波神经网络模型的模型参数，以得到预先训练的小波神经网络模型；
预测单元，用于将所述账户历史交易日志数据、账户历史访问频率数据和账户历史关联环境数据输入所述预先训练的小波神经网络模型，所述预先训练的小波神经网络模型输出账户预期交易日志数据、账户预期访问频率数据和账户预期关联环境数据；
归类单元，用于当所述账户预期交易日志数据、账户预期访问频率数据和账户预期关联环境数据，和，账户当前实际交易日志数据、账户当前实际访问频率数据和账户当前实际关联环境数据的偏差值大于或等于预设阈值时，则将账户归类为异常账户。
在一种可能的实现方式中，所述加权单元，具体用于加权得到加权后小波函数系数Wa：
Wa＝∑baa,bWa,b；
其中，Wa为加权后小波函数系数，a为小波变化时的小波函数的伸缩尺度，b为小波变化时的平移情况，Wa,b为经过小波变化后的所述小波函数系数，aa,b是注意力权重，用于计算Wa,b在Wa中的权重。
在一种可能的实现方式中，所述装置还包括：
计算单元，用于利用均方误差损失函数，计算所述预先训练的小波神经网络模型的均方误差损失值，以表征所述预先训练的小波神经网络模型的训练程度。
在一种可能的实现方式中，所述计算单元，具体用于计算所述均方误差损失值MSE：
其中，MSE为所述均方误差损失值，yi为所述预先训练的小波神经网络模型输出的预测数据值，f(xi)为与所述预测数据值对应的正常实际数据值；N为所述预测数据值或所述正常实际数据值的数量。
第三方面，本申请实施例提供了一种银行异常账户检测***，包括：
存储器，用于存储计算机程序；
处理器，用于执行所述计算机程序时实现如上述所述银行异常账户检测方法的步骤。
第四方面，本申请实施例提供了一种计算机可读介质，所述计算机可读介质上存储有计算机程序，所述计算机程序被处理执行时实现如上述所述银行异常账户检测方法的步骤。
与现有技术相比，本申请实施例具有以下有益效果：
本申请实施例提供了一种银行异常账户检测方法、装置、***和介质，可应用于金融领域或其他领域。该方法包括：采集账户历史交易日志数据、账户历史访问频率数据和账户历史关联环境数据；对初始小波神经网络模型的小波函数进行加权，得到优化小波神经网络模型；获取优化小波神经网络模型的训练集，训练集包括：账户第一时段正常交易日志数据、账户第一时段正常访问频率数据和账户第一时段正常关联环境数据，作为第一数据；账户第二时段正常交易日志数据、账户第二时段正常访问频率数据和账户第二时段正常关联环境数据，作为第二数据；第一时段为第二时段之前的时段；利用训练集学习第一数据和第二数据的映射关系；根据映射关系确定优化小波神经网络模型的模型参数，以得到预先训练的小波神经网络模型；将账户历史交易日志数据、账户历史访问频率数据和账户历史关联环境数据输入预先训练的小波神经网络模型，预先训练的小波神经网络模型输出账户预期交易日志数据、账户预期访问频率数据和账户预期关联环境数据；当账户预期交易日志数据、账户预期访问频率数据和账户预期关联环境数据，和，账户当前实际交易日志数据、账户当前实际访问频率数据和账户当前实际关联环境数据的偏差值大于或等于预设阈值时，则将账户归类为异常账户。从而本申请利用经过对初始小波神经网络模型的小波函数系数进行加权，得到优化小波神经网络模型，优化的小波神经网络检测大大提高了评估的精确度，可以捕捉信息中局部关联性以及长期依赖关系，并有效避免结构设计上的盲目性，实现快速又精准的检测出银行异常账户，降低检测成本。
附图说明
为了更清楚地说明本申请实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图是本申请的一些实施例，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它的附图。
结合附图并参考以下具体实施方式，本公开各实施例的上述和其他特征、优点及方面将变得更加明显。贯穿附图中，相同或相似的附图标记表示相同或相似的元素。应当理解附图是示意性的，原件和元素不一定按照比例绘制。
图1示出了本申请实施例提供的一种银行异常账户检测方法的流程图；
图2示出了本申请实施例提供的一种三层小波神经网络模型的示意图；
图3示出了本申请实施例提供的一种银行异常账户检测装置的示意图。
具体实施方式
需要说明的是，本发明提供的一种银行异常账户检测方法、装置、***和介质可用于金融领域或其他领域。上述仅为示例，并不对本发明提供的一种银行异常账户检测方法、装置、***和介质的应用领域进行限定。
下面将参照附图更详细地描述本公开的实施例。虽然附图中显示了本公开的某些实施例，然而应当理解的是，本公开可以通过各种形式来实现，而且不应该被解释为限于这里阐述的实施例，相反提供这些实施例是为了更加透彻和完整地理解本公开。应当理解的是，本公开的附图及实施例仅用于示例性作用，并非用于限制本公开的保护范围。
本文使用的术语“包括”及其变形是开放性包括，即“包括但不限于”。术语“基于”是“至少部分地基于”。术语“一个实施例”表示“至少一个实施例”；术语“另一实施例”表示“至少一个另外的实施例”；术语“一些实施例”表示“至少一些实施例”。其他术语的相关定义将在下文描述中给出。
需要注意，本公开中提及的“第一”、“第二”等概念仅用于对不同的装置、模块或单元进行区分，并非用于限定这些装置、模块或单元所执行的功能的顺序或者相互依存关系。
需要注意，本公开中提及的“一个”、“多个”的修饰是示意性而非限制性的，本领域技术人员应当理解，除非在上下文另有明确指出，否则应该理解为“一个或多个”。
正如背景技术中的描述，银行账户的安全性是银行运营安全的关键的一部分。具体的，对于银行来说，有效并快速检测银行账户的异常行为至关重要。
传统的银行账户异常检测方法是侧重于提前录入规则并基于此规则判断异常账户的方法，而这种方法有一定的局限性，一方面，维护成本较高，灵活性差；另一方面，处理数据集速度较慢，且检测精确度不够理想，往往达不到银行与银行用户的诉求。
因此，如何实现快速又精准的检测出银行异常账户，降低检测成本，是本领域需要解决的技术问题。
为了解决以上技术问题，本申请实施例提供了一种银行异常账户检测方法、装置、***和介质，可应用于金融领域或其他领域。该方法包括：采集账户历史交易日志数据、账户历史访问频率数据和账户历史关联环境数据；对初始小波神经网络模型的小波函数进行加权，得到优化小波神经网络模型；获取优化小波神经网络模型的训练集，训练集包括：账户第一时段正常交易日志数据、账户第一时段正常访问频率数据和账户第一时段正常关联环境数据，作为第一数据；账户第二时段正常交易日志数据、账户第二时段正常访问频率数据和账户第二时段正常关联环境数据，作为第二数据；第一时段为第二时段之前的时段；利用训练集学习第一数据和第二数据的映射关系；根据映射关系确定优化小波神经网络模型的模型参数，以得到预先训练的小波神经网络模型；将账户历史交易日志数据、账户历史访问频率数据和账户历史关联环境数据输入预先训练的小波神经网络模型，预先训练的小波神经网络模型输出账户预期交易日志数据、账户预期访问频率数据和账户预期关联环境数据；当账户预期交易日志数据、账户预期访问频率数据和账户预期关联环境数据，和，账户当前实际交易日志数据、账户当前实际访问频率数据和账户当前实际关联环境数据的偏差值大于或等于预设阈值时，则将账户归类为异常账户。从而本申请利用经过对初始小波神经网络模型的小波函数系数进行加权，得到优化小波神经网络模型，优化的小波神经网络检测大大提高了评估的精确度，可以捕捉信息中局部关联性以及长期依赖关系，并有效避免结构设计上的盲目性，实现快速又精准的检测出银行异常账户，降低检测成本。
示例性方法
参见图1所示，为本申请实施例提供的一种银行异常账户检测方法的流程图，包括：
S101：采集账户历史交易日志数据、账户历史访问频率数据和账户历史关联环境数据。
在本申请实施例中，首先可以采集账户历史交易日志数据、账户历史访问频率数据和账户历史关联环境数据，以便后续进行异常检测时使用。
具体的，可以通过数据管理模块，将银行账户涉及的交易日志、账户访问频率、常用关联环境数据导入***里。
关联环境数据可以包括与该账户有过交易的关联账户数据，关联业务数据和关联应用数据等，可以作为判断账户异常的依据。
在一种可能的实现方式中，可以利用数据集处理模块进行数据集的预处理，将非结构化的交易日志、账户访问频率、常用关联环境数据转换为结构化的数据集，对整个数据集进行重构，划分数据集。即可以将非结构化的账户历史交易日志数据、账户历史访问频率数据和账户历史关联环境数据，转换为结构化的账户历史交易日志数据、账户历史访问频率数据和账户历史关联环境数据。
由于本申请实施例提供的结构化数据结构规则且完整，可以更好的应用于后续的神经网络模型，因为结构化数据结构规则且完整，专业人员可以在给定的时间内轻松操作和查询大量数据。当流程简化时，速度会快得多。
S102：对初始小波神经网络模型的小波函数系数进行加权，得到优化小波神经网络模型。
在本申请实施例中，可以对初始小波神经网络模型的小波函数系数进行加权，得到优化小波神经网络模型。
即优化小波神经网络模型是对初始小波神经网络模型中的小波函数系数进行加权处理，可以捕捉信息中局部关联性以及长期依赖关系，从而提高分析的精度，同时加速算法的收敛速度，并有效避免结构设计上的盲目性，为检测银行异常账户提供更好的解决方案。
在一种可能的实现方式中，可根据实际的需求选择小波函数，小波函数能够通过小波变换充分突出信号的具体特征，小波变换可以表示为：
其中，f(t)为被分析的时域信号，t为时域信号，a为小波变化时的小波函数的伸缩尺度，b为小波变化时的平移情况，为小波函数。可以根据需求选择并编写小波函数，本申请实施例在此不做具体限定。
可选的，本申请实施例对初始小波神经网络模型的小波函数系数进行加权，具体可以包括：
Wa＝∑baa,bWa,b；
其中，Wa为加权后小波函数系数，a为小波变化时的小波函数的伸缩尺度，b为小波变化时的平移情况，Wa,b为经过小波变化后的所述小波函数系数，aa,b是注意力权重，用于计算Wa,b在Wa中的权重。
aa,b＝exp(ea,b)/∑b′exp(ea,b′)，其中ea,b为注意力机制的得分函数，用于计算Wa,b在Wa中的重要性，可以将其得分函数表示为 其中w1，w2，w3是可学习参数。
可以将Wa通过多个小波反变换层进行信号重构和特征合成，从而本申请实施例对小波函数系数进行加权处理，可以捕捉信息中局部关联性以及长期依赖关系，从而提高分析的精度。
S103：获取所述优化小波神经网络模型的训练集，所述训练集包括：账户第一时段正常交易日志数据、账户第一时段正常访问频率数据和账户第一时段正常关联环境数据，作为第一数据；账户第二时段正常交易日志数据、账户第二时段正常访问频率数据和账户第二时段正常关联环境数据，作为第二数据；所述第一时段为所述第二时段之前的时段。
S104：利用所述训练集学习所述第一数据和所述第二数据的映射关系。
S105：根据所述映射关系确定所述优化小波神经网络模型的模型参数，以得到预先训练的小波神经网络模型。
在本申请实施例中，可以获取优化小波神经网络模型的训练集，若训练集集中包括共n个数据，找到合适的输入序列长度l。
把N1-Nl作为训练集的第一个元素，其中N1-Nl-1为输入X，Nl作为输出y；再把N2-Nl+1作为训练集的第二个元素。
以此类推，最后把Nn-l+1-Nn作为训练集的最后一个元素，令整个训练集具有时间序列特性。以便可以根据训练集进行对神经网络模型进行训练。
具体的，可以将账户第一时段正常交易日志数据、账户第一时段正常访问频率数据和账户第一时段正常关联环境数据，作为第一数据输入优化小波神经网络模型，得到一个预测值，将账户第二时段正常交易日志数据、账户第二时段正常访问频率数据和账户第二时段正常关联环境数据，作为第二数据，将第二数据和预测值进行比对，以不断调整优化小波神经网络模型的模型参数，最终训练得到预先训练的小波神经网络模型。
从而本申请实施例通过预先训练的小波神经网络模型进行预测，可以实现精确自动检测出银行异常账户，缩短银行异常账户检测时长，提高效率，增强用户的使用体验。
相对于传统的录入规则并基于此规则判断异常账户的方法，本方案的预先训练的小波神经网络模型维护成本较低，灵活性强。且可以提高评估效率：原有方法从处理数据集到训练模型速度较慢，本方法将小波分析与神经网络相结合构建威胁检测模型，优化已有的实现方案，加速算法的收敛速度。
S106：将所述账户历史交易日志数据、账户历史访问频率数据和账户历史关联环境数据输入所述预先训练的小波神经网络模型，所述预先训练的小波神经网络模型输出账户预期交易日志数据、账户预期访问频率数据和账户预期关联环境数据；
S107：当所述账户预期交易日志数据、账户预期访问频率数据和账户预期关联环境数据，和，账户当前实际交易日志数据、账户当前实际访问频率数据和账户当前实际关联环境数据的偏差值大于或等于预设阈值时，则将账户归类为异常账户。
在本申请实施例中，可以将账户历史交易日志数据、账户历史访问频率数据和账户历史关联环境数据输入预先训练的小波神经网络模型，预先训练的小波神经网络模型输出账户预期交易日志数据、账户预期访问频率数据和账户预期关联环境数据。
当账户预期交易日志数据、账户预期访问频率数据和账户预期关联环境数据，和，账户当前实际交易日志数据、账户当前实际访问频率数据和账户当前实际关联环境数据的偏差值大于或等于预设阈值时，则将账户归类为异常账户。
参见图2所示，本申请实施例的预先训练的小波神经网络模型可以包括三层：两层LSTM(Long Short-Term Memory，长短期记忆网络)层和一层Dense层全连接层，通过小波函数和linear线性函数，将输入的x1、x2……xp，输出为y1、y2……yq。
使用优化后的小波函数来代替神经网络中隐含层里的激励函数，将小波分析与神经网络相结合，良好继承小波分析的时频局部化分析特点和神经网络的自学习功能。通过不断调整参数选择最佳的模型层数，将前几层模型的激励函数设置为小波函数，最后一层设置为负责输出的Dense全连接神经网络层。
本发明中优化的小波神经网络模型不仅适用于单一类型信号，还适用于多种信号，包括语音、图像、文本等，因此适用于各种类型的银行账户信息源。可以以柱状图、折线图、饼状图的形式展示分析后的数据。
在一种可能的实现方式中，本申请实施例提供的方法还可以包括：利用均方误差损失函数，计算预先训练的小波神经网络模型的均方误差损失值，以表征预先训练的小波神经网络模型的训练程度。
即在本申请实施例中，可以利用均方误差损失函数进行评估预先训练的小波神经网络模型，当训练程度达标后再进行使用，从而可以提升预先训练的小波神经网络模型预测的准确性，实现更加精确的检测出银行异常账户。
具体的，本申请实施例利用均方误差损失函数，计算预先训练的小波神经网络模型的均方误差损失值，包括：
其中，MSE为均方误差损失值，yi为预先训练的小波神经网络模型输出的预测数据值，f(xi)为与预测数据值对应的正常实际数据值；N为预测数据值或正常实际数据值的数量。
当本申请实施例的均方误差损失值较小，评估结果比较理想，可以进行下一步，否则继续调整训练集或者重新训练。
本申请实施例提供了一种银行异常账户检测方法，可应用于金融领域或其他领域。该方法包括：采集账户历史交易日志数据、账户历史访问频率数据和账户历史关联环境数据；对初始小波神经网络模型的小波函数进行加权，得到优化小波神经网络模型；获取优化小波神经网络模型的训练集，训练集包括：账户第一时段正常交易日志数据、账户第一时段正常访问频率数据和账户第一时段正常关联环境数据，作为第一数据；账户第二时段正常交易日志数据、账户第二时段正常访问频率数据和账户第二时段正常关联环境数据，作为第二数据；第一时段为第二时段之前的时段；利用训练集学习第一数据和第二数据的映射关系；根据映射关系确定优化小波神经网络模型的模型参数，以得到预先训练的小波神经网络模型；将账户历史交易日志数据、账户历史访问频率数据和账户历史关联环境数据输入预先训练的小波神经网络模型，预先训练的小波神经网络模型输出账户预期交易日志数据、账户预期访问频率数据和账户预期关联环境数据；当账户预期交易日志数据、账户预期访问频率数据和账户预期关联环境数据，和，账户当前实际交易日志数据、账户当前实际访问频率数据和账户当前实际关联环境数据的偏差值大于或等于预设阈值时，则将账户归类为异常账户。从而本申请利用经过对初始小波神经网络模型的小波函数系数进行加权，得到优化小波神经网络模型，优化的小波神经网络检测大大提高了评估的精确度，可以捕捉信息中局部关联性以及长期依赖关系，并有效避免结构设计上的盲目性，实现快速又精准的检测出银行异常账户，降低检测成本。
示例性装置
参见图3所示，为本申请实施例提供的一种银行异常账户检测装置的示意图，包括：
采集单元201，用于采集账户历史交易日志数据、账户历史访问频率数据和账户历史关联环境数据；
加权单元202，用于对初始小波神经网络模型的小波函数系数进行加权，得到优化小波神经网络模型；
获取单元203，用于获取所述优化小波神经网络模型的训练集，所述训练集包括：账户第一时段正常交易日志数据、账户第一时段正常访问频率数据和账户第一时段正常关联环境数据，作为第一数据；账户第二时段正常交易日志数据、账户第二时段正常访问频率数据和账户第二时段正常关联环境数据，作为第二数据；所述第一时段为所述第二时段之前的时段；
学习单元204，用于利用所述训练集学习所述第一数据和所述第二数据的映射关系；
确定单元205，用于根据所述映射关系确定所述优化小波神经网络模型的模型参数，以得到预先训练的小波神经网络模型；
预测单元206，用于将所述账户历史交易日志数据、账户历史访问频率数据和账户历史关联环境数据输入所述预先训练的小波神经网络模型，所述预先训练的小波神经网络模型输出账户预期交易日志数据、账户预期访问频率数据和账户预期关联环境数据；
归类单元207，用于当所述账户预期交易日志数据、账户预期访问频率数据和账户预期关联环境数据，和，账户当前实际交易日志数据、账户当前实际访问频率数据和账户当前实际关联环境数据的偏差值大于或等于预设阈值时，则将账户归类为异常账户。
在一种可能的实现方式中，所述加权单元，具体用于加权得到加权后小波函数系数Wa：
Wa＝∑baa,bWa,b；
其中，Wa为加权后小波函数系数，a为小波变化时的小波函数的伸缩尺度，b为小波变化时的平移情况，Wa,b为经过小波变化后的所述小波函数系数，aa,b是注意力权重，用于计算Wa,b在Wa中的权重。
在一种可能的实现方式中，所述装置还包括：
计算单元，用于利用均方误差损失函数，计算所述预先训练的小波神经网络模型的均方误差损失值，以表征所述预先训练的小波神经网络模型的训练程度。
在一种可能的实现方式中，所述计算单元，具体用于计算所述均方误差损失值MSE：
其中，MSE为所述均方误差损失值，yi为所述预先训练的小波神经网络模型输出的预测数据值，f(xi)为与所述预测数据值对应的正常实际数据值；N为所述预测数据值或所述正常实际数据值的数量。
本申请实施例提供了一种银行异常账户检测装置，可应用于金融领域或其他领域。该装置包括：采集单元，用于采集账户历史交易日志数据、账户历史访问频率数据和账户历史关联环境数据；加权单元，用于对初始小波神经网络模型的小波函数进行加权，得到优化小波神经网络模型；获取单元，用于获取优化小波神经网络模型的训练集，训练集包括：账户第一时段正常交易日志数据、账户第一时段正常访问频率数据和账户第一时段正常关联环境数据，作为第一数据；账户第二时段正常交易日志数据、账户第二时段正常访问频率数据和账户第二时段正常关联环境数据，作为第二数据；第一时段为第二时段之前的时段；学习单元，用于利用训练集学习第一数据和第二数据的映射关系；确定单元，用于根据映射关系确定优化小波神经网络模型的模型参数，以得到预先训练的小波神经网络模型；预测单元，用于将账户历史交易日志数据、账户历史访问频率数据和账户历史关联环境数据输入预先训练的小波神经网络模型，预先训练的小波神经网络模型输出账户预期交易日志数据、账户预期访问频率数据和账户预期关联环境数据；归类单元，用于当账户预期交易日志数据、账户预期访问频率数据和账户预期关联环境数据，和，账户当前实际交易日志数据、账户当前实际访问频率数据和账户当前实际关联环境数据的偏差值大于或等于预设阈值时，则将账户归类为异常账户。从而本申请利用经过对初始小波神经网络模型的小波函数系数进行加权，得到优化小波神经网络模型，优化的小波神经网络检测大大提高了评估的精确度，可以捕捉信息中局部关联性以及长期依赖关系，并有效避免结构设计上的盲目性，实现快速又精准的检测出银行异常账户，降低检测成本。
在上述实施例的基础上，本申请实施例提供了一银行异常账户检测***，包括：
存储器，用于存储计算机程序；
处理器，用于执行所述计算机程序时实现如上述银行异常账户检测方法的步骤。
在上述实施例的基础上，本申请实施例还提供了一种计算机可读介质，所述计算机可读介质上存储有计算机程序，所述计算机程序被处理执行时实现如上述银行异常账户检测方法的步骤。
需要说明的是，本公开上述的计算机可读介质可以是计算机可读信号介质或者计算机可读存储介质或者是上述两者的任意组合。计算机可读存储介质例如可以是——但不限于——电、磁、光、电磁、红外线、或半导体的***、装置或器件，或者任意以上的组合。计算机可读存储介质的更具体的例子可以包括但不限于：具有一个或多个导线的电连接、便携式计算机磁盘、硬盘、随机访问存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、光纤、便携式紧凑磁盘只读存储器(CD-ROM)、光存储器件、磁存储器件、或者上述的任意合适的组合。在本公开中，计算机可读存储介质可以是任何包含或存储程序的有形介质，该程序可以被指令执行***、装置或者器件使用或者与其结合使用。而在本公开中，计算机可读信号介质可以包括在基带中或者作为载波一部分传播的数据信号，其中承载了计算机可读的程序代码。这种传播的数据信号可以采用多种形式，包括但不限于电磁信号、光信号或上述的任意合适的组合。计算机可读信号介质还可以是计算机可读存储介质以外的任何计算机可读介质，该计算机可读信号介质可以发送、传播或者传输用于由指令执行***、装置或者器件使用或者与其结合使用的程序。计算机可读介质上包含的程序代码可以用任何适当的介质传输，包括但不限于：电线、光缆、RF(射频)等等，或者上述的任意合适的组合。
上述计算机可读介质可以是上述***中所包含的；也可以是单独存在，而未装配入该***中。
特别地，根据本公开的实施例，上文参考流程图描述的过程可以被实现为计算机软件程序。例如，本公开的实施例包括一种计算机程序产品，其包括承载在非暂态计算机可读介质上的计算机程序，该计算机程序包含用于执行流程图所示的方法的程序代码。
本说明书中的各个实施例均采用递进的方式描述，各个实施例之间相同相似的部分互相参见即可，每个实施例重点说明的都是与其它实施例的不同之处。尤其，对于装置实施例而言，由于其基本相似于方法实施例，所以描述得比较简单，相关之处参见方法实施例的部分说明即可。
以上所述仅是本申请的优选实施方式，虽然本申请已以较佳实施例披露如上，然而并非用以限定本申请。任何熟悉本领域的技术人员，在不脱离本申请技术方案范围情况下，都可利用上述揭示的方法和技术内容对本申请技术方案做出许多可能的变动和修饰，或修改为等同变化的等效实施例。因此，凡是未脱离本申请技术方案的内容，依据本申请的技术实质对以上实施例所做的任何的简单修改、等同变化及修饰，均仍属于本申请技术方案保护的范围内。
Claims (10)
1.一种银行异常账户检测方法，其特征在于，包括：
采集账户历史交易日志数据、账户历史访问频率数据和账户历史关联环境数据；
对初始小波神经网络模型的小波函数系数进行加权，得到优化小波神经网络模型；
获取所述优化小波神经网络模型的训练集，所述训练集包括：账户第一时段正常交易日志数据、账户第一时段正常访问频率数据和账户第一时段正常关联环境数据，作为第一数据；账户第二时段正常交易日志数据、账户第二时段正常访问频率数据和账户第二时段正常关联环境数据，作为第二数据；所述第一时段为所述第二时段之前的时段；
利用所述训练集学习所述第一数据和所述第二数据的映射关系；
根据所述映射关系确定所述优化小波神经网络模型的模型参数，以得到预先训练的小波神经网络模型；
将所述账户历史交易日志数据、账户历史访问频率数据和账户历史关联环境数据输入所述预先训练的小波神经网络模型，所述预先训练的小波神经网络模型输出账户预期交易日志数据、账户预期访问频率数据和账户预期关联环境数据；
当所述账户预期交易日志数据、账户预期访问频率数据和账户预期关联环境数据，和，账户当前实际交易日志数据、账户当前实际访问频率数据和账户当前实际关联环境数据的偏差值大于或等于预设阈值时，则将账户归类为异常账户。
2.根据权利要求1所述的方法，其特征在于，所述对初始小波神经网络模型的小波函数系数进行加权，包括：
Wa＝∑baa,bWa,b；
其中，Wa为加权后小波函数系数，a为小波变化时的小波函数的伸缩尺度，b为小波变化时的平移情况，Wa,b为经过小波变化后的所述小波函数系数，aa,b是注意力权重，用于计算Wa,b在Wa中的权重。
3.根据权利要求1所述的方法，其特征在于，还包括：
利用均方误差损失函数，计算所述预先训练的小波神经网络模型的均方误差损失值，以表征所述预先训练的小波神经网络模型的训练程度。
4.根据权利要求3所述的方法，其特征在于，所述利用均方误差损失函数，计算所述预先训练的小波神经网络模型的均方误差损失值，包括：
其中，MSE为所述均方误差损失值，yi为所述预先训练的小波神经网络模型输出的预测数据值，f(xi)为与所述预测数据值对应的正常实际数据值；N为所述预测数据值或所述正常实际数据值的数量。
5.一种银行异常账户检测装置，其特征在于，包括：
采集单元，用于采集账户历史交易日志数据、账户历史访问频率数据和账户历史关联环境数据；
加权单元，用于对初始小波神经网络模型的小波函数系数进行加权，得到优化小波神经网络模型；
获取单元，用于获取所述优化小波神经网络模型的训练集，所述训练集包括：账户第一时段正常交易日志数据、账户第一时段正常访问频率数据和账户第一时段正常关联环境数据，作为第一数据；账户第二时段正常交易日志数据、账户第二时段正常访问频率数据和账户第二时段正常关联环境数据，作为第二数据；所述第一时段为所述第二时段之前的时段；
学习单元，用于利用所述训练集学习所述第一数据和所述第二数据的映射关系；
确定单元，用于根据所述映射关系确定所述优化小波神经网络模型的模型参数，以得到预先训练的小波神经网络模型；
预测单元，用于将所述账户历史交易日志数据、账户历史访问频率数据和账户历史关联环境数据输入所述预先训练的小波神经网络模型，所述预先训练的小波神经网络模型输出账户预期交易日志数据、账户预期访问频率数据和账户预期关联环境数据；
归类单元，用于当所述账户预期交易日志数据、账户预期访问频率数据和账户预期关联环境数据，和，账户当前实际交易日志数据、账户当前实际访问频率数据和账户当前实际关联环境数据的偏差值大于或等于预设阈值时，则将账户归类为异常账户。
6.根据权利要求5所述的装置，其特征在于，所述加权单元，具体用于加权得到加权后小波函数系数Wa：
Wa＝∑baa,bWa,b；
其中，Wa为加权后小波函数系数，a为小波变化时的小波函数的伸缩尺度，b为小波变化时的平移情况，Wa,b为经过小波变化后的所述小波函数系数，aa,b是注意力权重，用于计算Wa,b在Wa中的权重。
7.根据权利要求5所述的装置，其特征在于，所述装置还包括：
计算单元，用于利用均方误差损失函数，计算所述预先训练的小波神经网络模型的均方误差损失值，以表征所述预先训练的小波神经网络模型的训练程度。
8.根据权利要求7所述的装置，其特征在于，所述计算单元，具体用于计算所述均方误差损失值MSE：
其中，MSE为所述均方误差损失值，yi为所述预先训练的小波神经网络模型输出的预测数据值，f(xi)为与所述预测数据值对应的正常实际数据值；N为所述预测数据值或所述正常实际数据值的数量。
9.一种银行异常账户检测***，其特征在于，包括：
存储器，用于存储计算机程序；
处理器，用于执行所述计算机程序时实现如权利要求1-4任意一项所述银行异常账户检测方法的步骤。
10.一种计算机可读介质，其特征在于，所述计算机可读介质上存储有计算机程序，所述计算机程序被处理执行时实现如权利要求1-4任意一项所述银行异常账户检测方法的步骤。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310473563.1A CN116523615A (zh) | 2023-04-27 | 2023-04-27 | 一种银行异常账户检测方法、装置、***和介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310473563.1A CN116523615A (zh) | 2023-04-27 | 2023-04-27 | 一种银行异常账户检测方法、装置、***和介质 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN116523615A true CN116523615A (zh) | 2023-08-01 |
Family
ID=87400602
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202310473563.1A Pending CN116523615A (zh) | 2023-04-27 | 2023-04-27 | 一种银行异常账户检测方法、装置、***和介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN116523615A (zh) |
-
2023
- 2023-04-27 CN CN202310473563.1A patent/CN116523615A/zh active Pending
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Cavalli et al. | CNN-based multivariate data analysis for bitcoin trend prediction | |
| JP6384065B2 (ja) | 情報処理装置、学習方法、及び、プログラム | |
| EP3567498A1 (en) | Method and device for question response | |
| CN108197652B (zh) | 用于生成信息的方法和装置 | |
| JP2020071883A (ja) | モデル訓練方法、データ認識方法及びデータ認識装置 | |
| CN110390408B (zh) | 交易对象预测方法和装置 | |
| Wang et al. | Research on Healthy Anomaly Detection Model Based on Deep Learning from Multiple Time‐Series Physiological Signals | |
| CN110210024B (zh) | 一种信息处理方法、装置及存储介质 | |
| CN113220886A (zh) | 文本分类方法、文本分类模型训练方法及相关设备 | |
| CN112508243A (zh) | 电力信息***多故障预测网络模型的训练方法及装置 | |
| US11645540B2 (en) | Deep graph de-noise by differentiable ranking | |
| CN111461445A (zh) | 短期风速预测方法、装置、计算机设备及存储介质 | |
| CN114548300B (zh) | 解释业务处理模型的业务处理结果的方法和装置 | |
| CN117648950A (zh) | 神经网络模型的训练方法、装置、电子设备及存储介质 | |
| CN111241843B (zh) | 基于复合神经网络的语义关系推断***和方法 | |
| US11593633B2 (en) | Systems, methods, and computer-readable media for improved real-time audio processing | |
| CN116522912B (zh) | 一种包装设计语言模型的训练方法、装置、介质及设备 | |
| Jia et al. | A dendritic neuron model with nonlinearity validation on Istanbul stock and Taiwan futures exchange indexes prediction | |
| WO2020201913A1 (en) | Computer architecture for labeling documents | |
| CN116523615A (zh) | 一种银行异常账户检测方法、装置、***和介质 | |
| Chen et al. | Analyzing the correlation and predictability of wind speed series based on mutual information | |
| CN114186646A (zh) | 区块链异常交易识别方法及装置、存储介质及电子设备 | |
| CN114357160A (zh) | 基于生成传播结构特征的早期谣言检测方法及装置 | |
| CN114490965A (zh) | 问题处理方法、装置、电子设备和存储介质 | |
| Liang et al. | Automatic evaluation of internal combustion engine noise based on an auditory model |
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 |