[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

说明书

本文涉及金融领域，特别的，涉及一种基于时间序列数据的异常用户识别方法和装置，其中方法包括：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。本文能够更为精准高效的识别异常用户。

技术领域

本发明涉及金融领域，特别地，涉及一种基于时间序列数据的异常用户识别方法和装置。

背景技术

随着互联网和电信产业的迅猛发展，违法犯罪活动日益严峻。同时，随着大数据技术的发展，客户的历史交易行为数据很容易获取，例如客户每日的交易额、交易笔数、流入额、流出额、流入笔数、流出笔数等。但是给这些客户标记标签信息，例如使用人工判断是否涉违法犯罪活动，需要消耗大量的人力和专业知识，代价非常昂贵。为了精准识别与预测违法犯罪的异常用户，利用机器学习技术构建强大的学习系统十分有价值。

但是，目前主流的机器学习技术在识别异常用户方面仍有不足，主要有两点，第一，基于传统机器学习的技术，通过特征工程技术，使用客户的属性数据构造属性特征，再聚合交易数据构造行为特征，以达到表征客户的目的，但是其在聚合(如求和、平均、方差、最值)交易数据时会丢失大量的时序信息(比如均值类特征，由大到小的序列和由小到大的序列的均值可能相同)，导致模型效果不佳；第二，基于图神经网络的技术，虽然能够有效考虑客户之间的关联关系例如客户之间的交易关系，但是其缺点是计算量非常大，尤其是金融领域，客户数量庞大，客户之间的交易往往不止一次且是有向的，因此构造客户之间的交易图往往会耗费巨大的资源，对计算性能有很强的要求，因此存在一定缺陷。

因此现在亟需一种基于时间序列数据的异常用户识别方法，能够更为精准高效的识别异常用户。

发明内容

本文实施例的目的在于提供一种基于时间序列数据的异常用户识别方法和装置，以更为精准高效的识别异常用户。

为达到上述目的，一方面，本文实施例提供了一种基于时间序列数据的异常用户识别方法，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。

优选的，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。

优选的，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。

优选的，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：