[发明专利]异常订单检测方法、装置、设备及介质

权利要求书

1.一种异常订单检测方法，其特征在于，所述方法包括：

获取历史订单集合，根据所述历史订单集合中各订单的状态对所述历史订单集合进行分类，得到分类订单集合；

根据预构建的特征数据库提取所述分类订单集合中的订单特征；

根据所述订单特征训练预构建的深度神经网络，得到异常检测模型；

利用实时流技术获取实时订单，根据所述特征数据库确定所述实时订单的实时特征；

利用所述异常检测模型对所述实时订单的实时特征进行预测，得到所述实时订单的异常检测结果。

2.如权利要求1所述的异常订单检测方法，其特征在于，所述根据所述历史订单集合中各订单的状态对所述历史订单集合进行分类，得到分类订单集合，包括：

将所述历史订单集合中的异常订单作为负类样本，并添加异常标签；

将所述历史订单集合中的非异常订单作为正类样本，并添加正常标签；

汇总添加标签的正类样本及负类样本，得到所述分类订单集合。

3.如权利要求2中所述的异常订单检测方法，其特征在于，所述根据所述订单特征训练预构建的深度神经网络，得到异常检测模型，包括：

随机从所述正类样本中选取第一数量的订单特征，以及从所述负类样本中选取第二数量的订单特征，汇总选取的订单特征组成预设个数的训练样本集；

利用所述深度神经网络输出所述训练样本集中训练样本的预测率；

利用预设的损失函数计算所述预测率的损失值，在所述损失值大于预设的损失阈值时，返回随机随机从所述正类样本中选取第一数量的订单特征，以及从所述负类样本中选取第二数量订单特征的步骤，直至所述损失值小于等于所述损失阈值时，确定训练结束，得到所述异常检测模型。

4.如权利要求3所述的异常订单检测方法，其特征在于，所述利用预设的损失函数计算所述预测率的损失值：

利用下述交叉熵损失函数计算所述预测率的损失值：

其中，Loss为所述损失值，N为所述训练样本集的样本个数，pred_i为所述第i个样本的预测值，l_i为第i个样本的标签。

5.如权利要求1所述的异常订单检测方法，其特征在于，所述利用实时流技术获取实时订单，包括：

从预构建的消息中间件中获取实时订单数据流；

利用预设的批处理间隔对所述实时订单数据流进行切分，得到包含多个切分数据集合的离散数据流；

利用预设的滑动窗口滑动提取所述离散数据流中的切分数据集合，得到批量数据集合；

将所述批量数据集合中的订单作为所述实时订单。

6.如权利要求1所述的异常订单检测方法，其特征在于，所述根据所述订单特征训练预构建的深度神经网络之前，所述方法还包括：

根据所述订单特征的特征维度设置特征输入层；

在所述特征输入层后构建全连接层、拟合层及输出层，得到所述深度神经网络。

7.如权利要求1所述的异常订单检测方法，其特征在于，所述根据预构建的特征数据库提取所述分类订单集合中的订单特征，包括：

根据所述分类订单集合中各订单的标题查找所述特征数据库中的订单类型；

确定查找到的订单类型对应的特征标签，并从所述分类订单集合中抽取所述特征标签对应的目标文本作为所述订单特征。

8.一种异常订单检测装置，其特征在于，所述装置包括：

订单分类模块，用于获取历史订单集合，根据所述历史订单集合中各订单的状态对所述历史订单集合进行分类，得到分类订单集合；

特征提取模块，用于根据预构建的特征数据库提取所述分类订单集合中的订单特征；

模型训练模块，用于根据所述订单特征训练预构建的深度神经网络，得到异常检测模型；

实时特征获取模块，用于利用实时流技术获取实时订单，根据所述特征数据库确定所述实时订单的实时特征；

订单检测模块，用于利用所述异常检测模型对所述实时订单的实时特征进行预测，得到所述实时订单的异常检测结果。