[发明专利]一种基于深度学习模型LSTM的交易指标异常的监测方法

权利要求书

1.一种基于深度学习模型LSTM的交易指标异常的监测方法，其特征在于：方法步骤包括：

步骤1、采集交易指标历史数据并进行处理；

步骤2、将步骤1处理后的历史数据训练拥有交易指标时间序列预判的LSTM模型；

步骤3、通过步骤2的LSTM模型，计算指标正常区间浮动值；其具体过程为：

使用步骤2训练的LSTM模型，在测试集历史数据中随机抽取长度为1200序列数据，以前1000预测未来的200，得到多组指标预测结果：预测值、预测值概率以及预测值与实际值之间绝对值；结合多组指标预测结果设计残差拟合公式：绝对值差值＝(1+预测概率)*波动距离+偏移量权重*5，通过LR逻辑回归模型算法，拟合上述多组数据得到“波动距离”与“偏移量权”即为正常区间浮动值；

步骤4、通过步骤2的LSTM模型预测指标当前值，并根据步骤3的指标正常区间浮动值对指标实际值进行捕获异常。

2.根据权利要求1所述的一种基于深度学习模型LSTM的交易指标异常的监测方法，其特征在于：所述步骤1采集交易指标历史数据的方式是将交易指标历史数据按照相同的时间间隔存储，每一条数据存储内容包括数值和时间。

3.根据权利要求2所述的一种基于深度学习模型LSTM的交易指标异常的监测方法，其特征在于：所述步骤1处理交易指标历史数据是将交易指标历史数据进行清洗去掉数值的不正常值和将时间标准化为统一格式。

4.根据权利要求1所述的一种基于深度学习模型LSTM的交易指标异常的监测方法，其特征在于：所述步骤2将处理后的历史数据训练拥有交易指标时间序列预判的LSTM模型是通过TensorFlow开源框架来构建LSTM模型参数。

5.根据权利要求1所述的一种基于深度学习模型LSTM的交易指标异常的监测方法，其特征在于：所述步骤3还包括通过步骤2的LSTM模型得到多组指标预测结果步骤。

6.根据权利要求5所述的一种基于深度学习模型LSTM的交易指标异常的监测方法，其特征在于：所述步骤3还包括结合多组指标预测结果，设计指标正常区间浮动值的计算方式步骤，指标正常区间浮动值的计算公式为残差拟合公式，使用的算法为LR逻辑回归算法和SVM模型拟合算法中的一种。

7.根据权利要求1所述的一种基于深度学习模型LSTM的交易指标异常的监测方法，其特征在于：所述步骤4还包括指标当前值的上限和下限计算步骤，上限＝指标当前值+指标正常区间浮动值，下限＝指标当前值-指标正常区间浮动值，指标实际值如果在上限与下限之间，则不捕获异常，指标实际值如果不在上限与下限之间则捕获异常。