申请/专利权人：广东冠汇网络科技有限公司

申请日：2023-11-12

公开（公告）日：2024-06-14

公开（公告）号：CN117455497B

主分类号：G06Q20/40

分类号：G06Q20/40

优先权：

专利状态码：有效-授权

法律状态：2024.06.14#授权;2024.06.07#专利申请权的转移;2024.02.13#实质审查的生效;2024.01.26#公开

摘要：本发明涉及数据处理技术领域，特别是指一种交易风险检测方法及装置，方法包括：构建异常快速检测模型；构建异常精准检测模型，异常精准检测模型包括长短期记忆网络LSTM；获取预设时间长度内的多个交易数据，多个交易数据的每个交易数据均包括交易金额、交易时间和交易地点；将每个交易数据的交易金额、交易时间和交易地点输入到异常快速检测模型，得到异常交易数据点；如果得到的异常交易数据点的数量不为零且小于预设数量，则根据多个交易数据组成交易金额序列、交易时间差序列和交易地点序列，将交易金额序列、交易时间差序列和交易地点序列输入到异常精准检测模型中，确定交易检测结果。采用本发明，可以及时、准确地检测各种类型的交易行为。

主权项：1.一种交易风险检测方法，其特征在于，所述方法包括：S1、构建异常快速检测模型，所述异常快速检测模型包括聚类算法；S2、构建异常精准检测模型，所述异常精准检测模型包括长短期记忆网络LSTM；S3、获取预设时间长度内的多个交易数据，所述多个交易数据中的每个交易数据均包括交易金额、交易时间和交易地点；S4、将每个交易数据的交易金额、交易时间和交易地点输入到所述异常快速检测模型，得到异常交易数据点；S5、如果得到的异常交易数据点的数量不为零且小于预设数量，则根据所述多个交易数据组成交易金额序列、交易时间差序列和交易地点序列，将所述交易金额序列、交易时间差序列和交易地点序列输入到所述异常精准检测模型中，确定交易检测结果；其中，所述S5的根据所述多个交易数据组成交易金额序列、交易时间差序列和交易地点序列，将所述交易金额序列、交易时间差序列和交易地点序列输入到所述异常精准检测模型中，确定交易检测结果，包括：S51、根据多个交易数据组成交易金额序列X、交易时间差序列Y和交易地点序列Z，其中，交易金额序列X＝{x1,x2,…,xn}，交易时间差序列Y＝{y1,y2,…,yn}，交易地点序列Z＝{z1,z2,…,zn}；S52、根据交易金额序列X、交易时间差序列Y和交易地点序列Z，计算前向隐状态向量和后向隐状态向量： 其中，表示n时刻的前向隐状态向量，GRU表示长短期记忆网络的非线性运算，表示前向权重矩阵，t表示目标序列，目标序列t为交易金额序列X、交易时间差序列Y和交易地点序列Z中任意一者，ti表示目标序列中的第i个数据，表示n-1时刻的前向权重矩阵，表示n-1时刻的前向隐状态向量，表示后向隐状态向量，表示后向权重矩阵，表示n-1时刻的后向权重矩阵，表示n-1时刻的前向隐状态向量；S53、对所述前向隐状态向量和所述后向隐状态向量进行整合，得到隐状态： 其中，hn表示n时刻的隐状态，sigmoid表示sigmoid函数，表示n时刻的前向权重矩阵，表示n时刻的后向权重矩阵；S54、将交易金额序列X在各个时刻的隐状态组合为交易金额特征向量Hx，将交易时间差序列Y在各个时刻的隐状态组合为交易时间差特征向量Hy，将交易地点序列Z在各个时刻的隐状态组合为交易地点特征向量Hz；S55、根据所述交易金额特征向量、交易时间差特征向量和交易地点特征向量，计算融合特征向量H；S56、根据所述融合特征向量，确定交易发生异常的概率： 其中，P表示交易发生异常的概率，softmax表示softmax函数，表示n时刻的前向权重矩阵，H表示融合特征向量，b表示偏置项；S57、当交易发生异常的概率大于预设概率时，确定交易发生异常。

全文数据：

权利要求：

百度查询： 广东冠汇网络科技有限公司 一种交易风险检测方法及装置

免责声明
1、本报告根据公开、合法渠道获得相关数据和信息，力求客观、公正，但并不保证数据的最终完整性和准确性。
2、报告中的分析和结论仅反映本公司于发布本报告当日的职业理解，仅供参考使用，不能作为本公司承担任何法律责任的依据或者凭证。

阅读全文 双屏查看 官方信息 专利公告 收藏专利 下载PDF 下载WORD