[发明专利]一种基于深度学习的交易数据趋势预测方法和系统

权利要求书

1.一种基于深度学习的交易数据趋势预测方法，其特征在于，包括：

采集银行业务的交易监控数据；

对所述交易监控数据进行数据清洗及数据修复；

将数据清洗及数据修复后的数据，输入至趋势预测模型，分别进行单变量预测和多变量预测，得到预测结果；其中，所述趋势预测模型为卷积神经网络CNN-长短期记忆网络LSTM混合模型，CNN-LSTM混合模型依次设置一维卷积层、池化层、一维卷积层、LSTM层、数据规范化层、LSTM层、数据规范化层，最后接入全连接层。

2.根据权利要求1所述的基于深度学习的交易数据趋势预测方法，其特征在于，所述采集银行业务的交易监控数据，包括：

从所述银行业务中生产环境的结构化交易流水日志中，按照所需指定字段，自动采集到分布式开源搜索分析引擎的数据源进行存储；其中，所述数据源包括交易监控数据。

3.根据权利要求1所述的基于深度学习的交易数据趋势预测方法，其特征在于，所述交易监控数据，包括：交易量、业务成功率、系统成功率、平均响应时间、平均处理时间、业务成功交易量和系统成功交易量中的至少一种。

4.根据权利要求1所述的基于深度学习的交易数据趋势预测方法，其特征在于，对所述交易监控数据进行数据清洗及数据修复，包括：

将获取的数据向适用于模型训练的格式转换，而后经过去重、时间序列重排、重置索引；

采用填补法进行缺失值替换；

其后对缺失值替换后的数据进行时间段筛选。

5.根据权利要求1所述的基于深度学习的交易数据趋势预测方法，其特征在于，单变量预测针对以所述交易监控数据中的交易量为核心的单因素时间序列数据进行预测；

多变量预测在单变量预测的基础上将所述交易监控数据中的CPU使用率、平均响应时间、平均处理时间中的至少一个多变量数据加入到所述CNN-LSTM混合模型中共同训练，研究多因素间的相互影响，最终预测交易量在未来一段时间内的趋势变化。

6.根据权利要求1所述的基于深度学习的交易数据趋势预测方法，其特征在于，所述趋势预测模型的构建过程，包括：

采集并显示银行业务的历史数据；所述历史数据包括：历史交易监控数据；

对所述历史数据进行预处理，所述预处理包括：数据清洗及数据修复；

对预处理后的历史数据划分为三个集合，分别为训练集、验证集、测试集；

所述训练集作为所述CNN-LSTM混合模型拟合的数据样本进行训练，每一次迭代后都会通过所述验证集对所述CNN-LSTM混合模型进损失值进行验证；通过逐渐调整模型参数，不断验证所述CNN-LSTM混合模型的泛化能力，通过平均绝对误差及均方误差判断模型的训练结果是否达到标准；最后，借助所述测试集进行所述CNN-LSTM混合模型的预测结果对比验证；

在所述预测结果对比验证结果满足预设条件时，将所述CNN-LSTM混合模型作为所述趋势预测模型。

7.根据权利要求6所述的基于深度学习的交易数据趋势预测方法，其特征在于，将所述CNN-LSTM混合模型作为所述趋势预测模型之前，还包括：

将所述训练完毕后的所述CNN-LSTM混合模型进行封装。

8.根据权利要求1-7任一项所述的基于深度学习的交易数据趋势预测方法，其特征在于，还包括：

对所述预测结果和/或所述交易监控数据进行可视化显示。