[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

说明书

本申请提供一种基于深度学习的交易数据趋势预测方法和系统，该方法，包括：采集银行业务的交易监控数据；对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，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；从而进行单变量预测及多变量预测，着力研究多因素特征之间的相互作用影响，更好地预测数据变化趋势，提升模型的预测准确度及效率。

技术领域

本发明属于深度学习技术领域，更具体的说，尤其涉及一种基于深度学习的交易数据趋势预测方法和系统。

背景技术

近年来，银行业务不断发展，数据挖掘、人工智能等技术与银行运维工作紧密结合，海量交易日志的采集、存储、监控及可视化进程不断推进，使“实时监控，人工干预”向“提前预测，智能运维”模式转变。银行业务中涉及的交易监控数据具有典型的时间序列特性，对交易数据进行趋势预测可以提前预知风险，提升日常运维中异常事件预警能力。

现有技术中，时间序列预测是一种回归预测方法，承认事物发展的延续性，对数据进行适当处理，运用过去的历史时间序列数据进行统计分析，进行趋势预测，现今常用的时间序列预测主要是基于统计学习、深度学习两方向进行深入研究，优化方向主要包括优化时间序列算法及优化预测模型网络结构两个维度。

传统的统计学习预测方法为差分自回归移动平均模型，通过差分可以用于非平稳时间序列，其本质是将非平稳时间序列转化为平稳时间序列，然后将因变量仅对它的滞后值以及随机误差项的现值和滞后值进行回归所建立的模型。然而随着深度学习算法的不断精进，预测模型的准确度与效率愈加提高。

但是，该传统统计学习预测方法适用于实验数据波动范围较小情况，而且更加侧重于具有线性关系的单变量数据，很难对变量之间的非线性关系进行建模。因此对于存在突增或突减情况的海量交易监控数据的预测场景，该统计学习预测方法无法进行预测。

发明内容

有鉴于此，本申请的目的在于提供一种基于深度学习的交易数据趋势预测方法和系统，用于更好地预测数据变化趋势，提升模型的预测准确度及效率。

本申请的第一方面公开了一种基于深度学习的交易数据趋势预测方法，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。

可选的，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。

可选的，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。

可选的，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。