[发明专利]一种业务数据的监测方法及装置

权利要求书

1.一种业务数据的监测方法，其特征在于，包括：

获取预设时段内的第一业务数据以及与所述预设时段关联的历史时段的第二业务数据；所述第一业务数据和所述第二业务数据针对同一业务指标；

生成表征所述第一业务数据和所述第二业务数据的待识别图像；

将所述待识别图像输入至卷积神经网络模型中，确定所述预设时段内的业务数据在所述业务指标下的监测结果；所述卷积神经网络模型是根据具有历史监测结果标签的历史识别图像训练得到的；所述历史监测结果是根据历史识别图像中第一业务数据与第二业务数据的关系确定的。

2.如权利要求1所述的方法，其特征在于，所述业务指标为以下至少一种：业务交易量、业务平均耗时和业务成功率；

所述历史时段包括所述预设时段的环比时段和/或所述预设时段的同比时段。

3.如权利要求1所述的方法，其特征在于，生成表征所述第一业务数据和所述第二业务数据的待识别图像，包括：

以时间为横坐标、业务指标为纵坐标生成坐标系；

确定所述第一业务数据在所述坐标系下的第一曲线和所述第二业务数据在所述坐标系下的第二曲线，得到曲线图；

将所述曲线图进行预处理，确定所述待识别图像。

4.如权利要求1所述的方法，其特征在于，将所述曲线图进行预处理，确定所述待识别图像，包括：

将所述曲线图生成图片；

将所述图片的分辨率缩放为预设分辨率，根据下述公式(1)确定所述待识别图像中任一像素点的像素值，得到所述待识别图像；

其中，f(P)为所述待识别图像内任一像素点P的像素值，(x，y)为像素点P的坐标值，(x1，y1)为所述图片中位于像素点P左下角的相邻像素点Q11的坐标值；(x1，y2)为所述图片中位于像素点P左上角的相邻像素点Q12的坐标值；(x2，y1)为所述图片中位于像素点P右下角Q21的相邻像素点的坐标值；(x2，y2)为所述图片中位于像素点P右上角的相邻像素点Q22的坐标值；f(Q11)为像素点Q11的像素值，f(Q12)为像素点Q12的像素值，f(Q21)为像素点Q21的像素值，f(Q22)为像素点Q22的像素值。

5.如权利要求1所述的方法，其特征在于，其特征在于，所述将所述待识别图像输入至卷积神经网络模型中，确定所述预设时段内的业务数据在所述业务指标下的监测结果之后，还包括：

根据各业务指标的预设权重和所述预设时段内的业务数据在各业务指标下的监测结果，确定所述预设时段内的业务数据的综合监测结果。

6.如权利要求1所述的方法，其特征在于，所述卷积神经网络模型用于进行N分类；

将所述待识别图像输入至卷积神经网络模型中，确定所述预设时段内业务数据的监测结果，包括：

将所述待识别图像输入至卷积神经网络模型得到分类结果；

根据N分类与M类监测结果的对照关系，确定所述分类结果对应的监测结果，其中，N大于M。

7.如权利要求1至6任一项所述的方法，其特征在于，还包括：

在确定误异常的监测结果的数量大于数量阈值时，根据各误异常对应的待识别图像及矫正标签对所述卷积神经网络模型进行训练，得到更新后的卷积神经网络模型。

8.一种业务数据的监测装置，其特征在于，包括：

获取模块，用于获取预设时段内的第一业务数据以及与所述预设时段关联的历史时段的第二业务数据；所述第一业务数据和所述第二业务数据针对同一业务指标；

处理模块，用于生成表征所述第一业务数据和所述第二业务数据的待识别图像；

将所述待识别图像输入至卷积神经网络模型中，确定所述预设时段内的业务数据在所述业务指标下的监测结果；所述卷积神经网络模型是根据具有历史监测结果标签的历史识别图像训练得到的；所述历史监测结果是根据历史识别图像中第一业务数据与第二业务数据的关系确定的。