[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

说明书

本发明公开了一种基于深度学习模型LSTM的交易指标异常的监测方法，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；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。本发明通过深度学习模型LSTM预测时序指标，预测指标当前值更加准确，也使得非规律性时序指标的预判准确率大大提升，后续异常捕获也更加准确；结合LSTM模型预测的输出结果，通过残差拟合公式和逻辑回归模型算法计算正常区间浮动值，使得异常捕获更加精准，也提升了效率。

技术领域

本发明涉及交易指标异常的监测方法领域，具体涉及一种基于深度学习模型LSTM的交易指标异常的监测方法领域。

背景技术

现在的社会企业中，信息化程度越来越高，大数据的应用也越来越广泛。企业越来越多的信息可以通过数据来反应，这类数据往往称为指标；其中交易指标是金融企业十分关注的。不论是系统故障还是外部事件，如果对业务产生影响，最先都好在交易指标上有所表现；对交易指标进行异常监控，可以即时的发现问题、响应问题，提升业务稳定性，避免不必要的损失。

现有技术一般通过经典时间序列模型ARIMA与异常指标库建设，来完成对交易指标的监测。时序模型ARIMA负责建立数据随时间变化的对应关系；异常指标库则负责判断预测值与实际值是否属于异常，随着异常指标库建设不断完善，异常的判断也会被不断修正。

具体交易指标异常监测步骤如下：

1.采集某一交易指标的历史数据；

2.交易指标数据清洗、标准化；

3.训练时间序列模型ARIMA；

4.判断当前交易指标的值是否异常。

其中指标数据清洗，是将数据中的异常值如：NA、null或不符合模型训练的值，通过程序遍历并取出掉；同时对时间格式进行标准化，对指标数据做统一的标准处理，如相同时间间隔中，取数据的合计值、平均值或最大值等。

判断当前交易指标的值是否异常：一般是通过判断当前实际值是否在合理区间之内，如果在则无异常、如果不在区间内则有异常；而这个合理区间是根据时序模型的预测值与异常库指标库的值做参考，计算出来的。计算方式如下：预测值与实际值之间距离，简称当前比较距离，与历史预测值与异常点之间的距离，简称历史比较距离，进行比较，如果两个距离接近，或当前比较距离大于历史比较距离判断为异常。

现有的交易指标异常的监测方法，由于采用ARIMA模型，只能对于时序趋势十分有“规律”的指标判断准确；而对于规律不明显的指标的趋势判断容易出现失误；这样在指标异常捕获是容易出现异常捕获不准、捕获不到的情况。

同时，异常判断过程中，现有技术面临对历史异常信息的记录严重依赖；在没有异常记录的情况下，只能通过懂业务的人员，凭经验给出比较阀值，这样会增加很多人工工作量；而很多时候异常指标值覆盖不够全面或没有，导致异常捕获很容易失准。

发明内容

本发明的目的在于：解决现有检测方法异常捕获对非规律性时序指标判断易出现失误，以及异常捕获对历史异常信息记录依赖严重，无异常记录时需人工参与，容易导致异常指标值覆盖不全面导致异常捕获失准的问题，提供一种更通用，对有规律和无规律的时序指标异常捕获都有效，减少指标异常判断人工参与力度，高效且准确的基于深度学习模型LSTM的交易指标异常的监测方法。

本发明采用的技术方案如下：

一种基于深度学习模型LSTM的交易指标异常的监测方法，方法步骤包括：

步骤1、采集交易指标历史数据并进行处理；