[发明专利]一种基于时间序列数据的异常用户识别方法和装置

权利要求书

1.一种基于时间序列数据的异常用户识别方法，其特征在于，包括：

获取用户在连续的多个设定时段内的多组多维交易数据，其中每一设定时段均对应一组多维交易数据；

将所述多组多维交易数据转换为矩阵形式，得到时间滑窗矩阵；所述时间滑窗矩阵中的每个元素分别代表一组多维交易数据；

将所述时间滑窗矩阵分解得到趋势矩阵；所述趋势矩阵中包含多组多维交易数据中符合趋势的数据；

根据所述趋势矩阵，得到用户在连续的多个设定时段内分别对应的连续的多个分值；

将所述连续的多个分值分别与设定阈值比较，根据比较结果，识别所述用户为正常用户或异常用户。

2.根据权利要求1所述的基于时间序列数据的异常用户识别方法，其特征在于，所述将所述时间滑窗矩阵分解得到趋势矩阵之前还包括：

利用二维卷积神经网络对所述时间滑窗矩阵进行非线性变换。

3.根据权利要求1所述的基于时间序列数据的异常用户识别方法，其特征在于，所述根据所述趋势矩阵，得到用户在连续的多个设定时段内分别对应的连续的多个分值进一步包括：

将所述趋势矩阵转换为趋势序列，所述趋势序列中的每个元素分别代表一组多维交易数据中符合趋势的数据；

利用一维卷积神经网络对所述趋势序列进行非线性变换；

对非线性变换后的所述趋势序列进行计算，得到用户在多个设定时段内分别对应的多个分值。

4.根据权利要求3所述的基于时间序列数据的异常用户识别方法，其特征在于，所述对非线性变换后的所述趋势序列进行计算，得到用户在多个设定时段内分别对应的多个分值进一步包括：

利用如下公式计算得到用户在多个设定时段内分别对应的多个分值：

其中，score_i为用户在第i个设定时段内对应的分值，为非线性变换后的趋势序列中第i个设定时段对应的多维交易数据中符合趋势的数据，为的L2范数。

5.根据权利要求1所述的基于时间序列数据的异常用户识别方法，其特征在于，所述将所述时间滑窗矩阵分解得到趋势矩阵进一步包括：

利用自动编码器将所述时间滑窗矩阵分解得到趋势矩阵。

6.根据权利要求5所述的基于时间序列数据的异常用户识别方法，其特征在于，所述利用自动编码器将所述时间滑窗矩阵分解得到趋势矩阵进一步包括：

将所述时间滑窗矩阵分解为初始趋势矩阵和初始偏差矩阵，其中所述初始偏差矩阵中包含多组多维交易数据中偏离趋势的数据；

利用自动编码器的编码函数对所述初始趋势矩阵进行编码，得到编码后的初始趋势矩阵；

利用自动编码器的解码函数对所述编码后的初始趋势矩阵进行解码，得到重构矩阵；

利用自动编码器的目标函数对所述初始趋势矩阵、重构矩阵，以及初始偏差矩阵进行训练，得到趋势矩阵。

7.根据权利要求1所述的基于时间序列数据的异常用户识别方法，其特征在于，所述将所述多组多维交易数据转换为矩阵形式，得到时间滑窗矩阵进一步包括：

构建多组多维交易数据的时间序列，其中所述时间序列中的每个元素分别代表一组多维交易数据；

按照设定时间窗口，通过设定时间窗口迭代构造时间滑窗矩阵。

8.一种基于时间序列数据的异常用户识别装置，其特征在于，所述装置包括：

获取模块，用于获取用户在连续的多个设定时段内的多组多维交易数据，其中每一设定时段均对应一组多维交易数据；

转换模块，用于将所述多组多维交易数据转换为矩阵形式，得到时间滑窗矩阵；所述时间滑窗矩阵中的每个元素分别代表一组多维交易数据；

分解模块，用于将所述时间滑窗矩阵分解得到趋势矩阵；所述趋势矩阵中包含多组多维交易数据中符合趋势的数据；

确定模块，用于根据所述趋势矩阵，得到用户在连续的多个设定时段内分别对应的连续的多个分值；

识别模块，用于将所述连续的多个分值分别与设定阈值比较，根据比较结果，识别所述用户为正常用户或异常用户。