[发明专利]基于ARIMA的诈骗电话预测方法及预测系统

说明书

本发明涉及电信技术领域，尤其涉及一种基于ARIMA的诈骗电话预测方法及预测系统。该方法包括以下步骤：采集原始呼叫详细记录数据；将原始呼叫详细记录数据转换为时序数据；对时序数据进行标准化处理，得到训练样本；将训练样本输入构建的ARIMA模型，得到用于预测电话是否有害的电话预测模型。本发明根据原始呼叫详细记录数据对构建的ARIMA模型进行训练，得到预测有害电话的电话预测模型，该电话预测模型能够自动分析预测出主叫电话是否为有害电话，以及预测电信网的未来诈骗趋势，具有成本低、识别准确率高的优点。

技术领域

本发明涉及电信技术领域，尤其涉及一种基于ARIMA的诈骗电话预测方法及预测系统。

背景技术

近年来随着金融、通信业的快速发展，虚假信息诈骗犯罪迅速在我国发展蔓延。借助于手机、固定电话等通信工具和现代的网银技术实施的非接触式的电信诈骗犯罪可以说是迅速地发展蔓延，给人民群众造成了很大的损失。目前电信诈骗犯罪的手段如作案者冒充相关国家政府机关人员，例如电信局、公安局等单位工作人员，给受害者拨打电话，在通话中以受害人电话欠费、被他人盗用身份涉嫌经济犯罪，以没收受害人所有银行存款等进行恫吓威胁，骗取受害人像其汇转资金。

现有技术中的诈骗电话识别方法，大都将智能终端与云服务器相结合，通过云服务器统计智能终端将某一电话号码的标记为诈骗电话的次数，当所得统计次数达到预设的限值时，认定该电话号码为诈骗电话，然后即对接到该电话号码呼叫的用户进行提醒，防止用户上当受骗。上述识别方法的实现，依赖于用户对电话号码的标记情况，只有对某一电话号码的标记次数达到预设的限值时，才会将该电话号码认定为诈骗电话，而这一过程往往需要经历较长的时间，导致诈骗电话的识别工作效率低下，滞后性比较严重。

ARIMA模型，Autoregressive Integrated Moving Average model，差分整合移动平均自回归模型，又称整合移动/滑动平均自回归模型，时间序列预测分析方法之一，ARIMA是可以适应时间序列数据的模型。

目前电信网缺乏管理预见性的一种手段，不利于突发性的事件的处理，不能为业务开展提供指导。

因此，急需一种基于ARIMA的诈骗电话预测方法及预测系统。

发明内容

鉴于上述问题，提出了本发明以便提供一种克服上述问题或者至少部分地解决上述问题的一种基于ARIMA的诈骗电话预测方法及预测系统。

本发明的一个方面，提供了一种基于ARIMA的诈骗电话预测方法，包括以下步骤：

采集原始呼叫详细记录数据；

将原始呼叫详细记录数据转换为时序数据；

对时序数据进行标准化处理，得到训练样本；

将训练样本输入构建的ARIMA模型，得到用于预测电话是否有害的电话预测模型。

进一步地，对时序数据进行标准化处理，得到训练样本的步骤中包括以下步骤：

判断时序数据是否为平稳时间序列；

若判断结果为否，则对时序数据进行时间序列的差分，使时序数据成为平稳时间序列，作为训练样本。

进一步地，判断时序数据是否为平稳时间序列的步骤中，使用单位根检验方法检验时序数据是否为平稳时间序列。

进一步地，单位根检验方法为ADF检验。

进一步地，将训练样本输入构建的ARIMA模型的步骤之前还包括以下步骤：

采用基于贝叶斯信息准则训练模型进行网格搜索来确定参数p，d，q的值，其中，p为自回归项数，q为滑动平均项数，d为使时序数据成为平稳时间序列所做的差分次数；