System.ArgumentOutOfRangeException: 索引和长度必须引用该字符串内的位置。 参数名: length 在 System.String.Substring(Int32 startIndex, Int32 length) 在 zhuanliShow.Bind()
【技术实现步骤摘要】
本专利技术涉及一种基于异常指标时序关系的银行业务根因指标分析方法、系统、设备及可读存储介质,属于智能运维领域。
技术介绍
1、银行业务的复杂性使得银行面临着各种各样的风险,包括信用风险、市场风险等。信用风险是银行业务中的一个重要风险。银行通过向客户提供贷款、信用卡等业务获取收益,但同时也面临着客户无法按时还款的风险。异常检测可以通过监控客户的还款历史、收入水平、负债比例等信息,及时发现高风险客户,从而采取相应的风险控制措施。市场风险是指银行在市场中进行交易时,由于市场波动产生的潜在损失。例如,在外汇交易中,银行可能会因为汇率波动产生损失。异常检测可以通过监控市场变化、交易价格和交易量等信息,及时发现市场风险,从而采取适当的风险管理措施。
2、由此可见,异常检测在银行业务中扮演着至关重要的角色。银行有必要构建有效的异常检测系统,及时发现和处理各种风险的,提高银行的竞争力和盈利能力。
3、异常检测旨在发现业务中的异常情况,但是异常检测有时可能并不是根本目的。比如监测到某用户的还款历史出现异常,单纯从还款历史角度看,仅仅是这一个指标而已,而常见的一种情况是,还款历史异常由收入水平异常导致,即收入水平和还款历史的异常构成了一对因果关系。因此,分析某一项指标的异常,进而分析出其根因指标,是一个完整的过程。
4、目前,银行业务中使用的异常检测和根因分析系统通常基于机器学习和数据挖掘技术构建。这些系统通常会收集银行业务中的大量数据,包括客户信息、交易记录、账户余额、信用评分等,使用机器学习算法对这些数据进行
5、专家知识库是领域专家知识、经验的总结,能够给出相对准确的根因,但知识库建立的过程却比较艰难,尤其是对于一些中小规模的银行而言,建立专家知识库困难重重。
技术实现思路
1、为解决现有技术中存在的问题,本专利技术提出一种基于异常指标时序关系的银行业务根因指标分析方法,该方法具体步骤如下:
2、(1)使用数据库存储银行业务中的各指标历史数据和最新数据;
3、(2)利用异常检测模块发现异常指标;
4、(3)对异常指标进行分析,计算其关联指标;
5、(4)根据检测到的异常指标及其关联指标,按照时序关系,发现根因指标。
6、进一步地,步骤(3)中,计算关联指标的具体步骤为:
7、3.1对于每个指标ti,1≤i≤n,有vi=[ti1,ti2,…,tim],m为过去一个时间窗口内的采集次数,所有vi组成矩阵
8、3.2令其中表示向上取整;从n个指标向量中随机选择num个向量作为簇质心向量;
9、3.3计算每个指标ti对应的向量vi与上述num个簇质心向量之间的pearson相似度,该相似度用pearson相关系数的绝对值p(i,j)=|pear(vi,vj)|表示;
10、3.4向量vi与某一个簇c的质心向量c相似度最高,将向量vi划分到簇c中;在将向量vi划分到簇c中前,若pear(vi,c)<0,将向量vi中各元素全部取相反数,即vi=[-ti1,-ti2,…,-tim],然后再将向量vi划分到簇c中;将向量vi划分到簇c中后,更新质心向量c,其值为簇c中各向量的均值;
11、3.5若迭代次数超出最大次数,跳转到步骤3.6;如果未超出,跳转到步骤3.3;
12、3.6对于出现异常的指标t1,找出与指标t1在同一个簇中的其他指标,认为这些指标与指标t1密切相关;假设与指标t1同簇的其他指标有k个,分别记为s1,s2,…,sk,对应的关联指标向量分别记为s1,s2,…,sk。
13、进一步地,步骤(4)中,分别计算关联指标向量s1,s2,…,sk与v1的动态时间规整路径path(sk,v1)=(wk1,wk2,…,wkl),其中1≤k≤k,l为自然数,wkz=(xkz,y1z),xkz为向量sk的第x个元素,y1z为向量v1的第y个元素,1≤z≤l,1≤x≤m,1≤y≤m,且wk1=(1,1),wkl=(m,m);若seq(sk,v1)<0,表示按照时序关系向量sk可能发生在向量v1之前,且该值越小,表示发生越早;若seq(sk,v1)>0,表示按照时序关系向量sk可能发生在向量v1之后,且该值越大,表示发生越晚;再计算seq(s1,v1),seq(s2,v1),…,seq(sk,v1);最后按照从小到大的顺序对函数值排序,排在前面的指标可以作为排在后面指标的根因指标。
14、本专利技术又提出一种基于异常指标时序关系的银行业务根因指标分析系统,该系统包括数据库、异常检测模块、关联指标分析模块和指标时序关系建立模块,其中:
15、(1)数据库,用于存储银行业务中的各指标的历史数据和最新数据;
16、(2)异常检测模块,用于发现异常指标;
17、(3)关联指标分析模块,对异常指标进行分析,计算其关联指标;
18、(4)指标时序关系建立模块,该模块根据检测到的异常指标及其关联指标,按照时序关系,发现根因指标。
19、进一步地,关联指标分析模块中,计算关联指标的具体步骤为:
20、3.1对于每个指标ti,1≤i≤n,有vi=[ti1,ti2,…,tim],m为过去一个时间窗口内的采集次数,所有vi组成矩阵
21、3.2令其中表示向上取整;从n个指标向量中随机选择num个向量作为簇质心向量;
22、3.3计算每个指标ti对应的向量vi与上述num个簇质心向量之间的pearson相似度,该相似度用pearson相关系数的绝对值p(i,j)=|pear(vi,vj)|表示;
23、3.4向量vi与某一个簇c的质心向量c相似度最高,将向量vi划分到簇c中;在将向量vi划分到簇c中前,若pear(vi,c)<0,将向量vi中各元素全部取相反数,即vi=[-ti1,-ti2,…,-tim],然后再将向量vi划分到簇c中;将向量vi划分到簇c中后,更新质心向量c,其值为簇c中各向量的均值;
24、3.5若迭代次数超出最大次数,跳转到步骤3.6;如果未超出,跳转到步骤3.3;
25、3.6对于出现异常的指标t1,找出与指标t1在同一个簇中的其他指标,认为这些指标与指标t1密切相关;假设与指标t1同簇的其他指标有k个,分别记为s1,s2,…,sk,对应的关联指标向量分别记为s1,s2,…,sk。
26、进一步地,指标时序关系建立模块中,分别计算关联指标向量s1,s2,…,sk与v1本文档来自技高网...
【技术保护点】
1.一种基于异常指标时序关系的银行业务根因指标分析方法,其特征在于:该方法具体步骤如下:
2.如权利要求1所述的一种基于异常指标时序关系的银行业务根因指标分析方法,其特征在于:步骤(3)中,计算关联指标的具体步骤为:
3.如权利要求1所述的一种基于异常指标时序关系的银行业务根因指标分析方法,其特征在于:步骤(4)中,分别计算关联指标向量s1,s2,…,sK与v1的动态时间规整路径path(sk,v1)=(wk1,wk2,…,wkL),其中1≤k≤K,L为自然数,wkz=(xkz,y1z),xkz为向量sk的第x个元素,y1z为向量v1的第y个元素,1≤z≤L,1≤x≤M,1≤y≤M,且wk1=(1,1),wkL=(M,M);若seq(sk,v1)<0,表示按照时序关系向量sk可能发生在向量v1之前,且该值越小,表示发生越早;若seq(sk,v1)>0,表示按照时序关系向量sk可能发生在向量v1之后,且该值越大,表示发生越晚;再计算seq(s1,v1),seq(s2,v1),…,seq(sK,v1);最后按照从小到大的顺序对函数值排序,排在前面的
4.一种基于异常指标时序关系的银行业务根因指标分析系统,该系统包括数据库、异常检测模块、关联指标分析模块和指标时序关系建立模块,其特征在于:
5.如权利要求4所述的一种基于异常指标时序关系的银行业务根因指标分析系统,其特征在于:关联指标分析模块中,计算关联指标的具体步骤为:
6.如权利要求4所述的一种基于异常指标时序关系的银行业务根因指标分析系统,其特征在于:指标时序关系建立模块中,分别计算关联指标向量s1,s2,…,sK与v1的动态时间规整路径path(sk,v1)=(wk1,wk2,…,wkL),其中1≤k≤K,L为自然数,wkz=(xkz,y1z),xkz为向量sk的第x个元素,y1z为向量v1的第y个元素,1≤z≤L,1≤x≤M,1≤y≤M,且wk1=(1,1),wkL=(M,M);若seq(sk,v1)<0,表示按照时序关系向量sk可能发生在向量v1之前,且该值越小,表示发生越早;若seq(sk,v1)>0,表示按照时序关系向量sk可能发生在向量v1之后,且该值越大,表示发生越晚;再计算seq(s1,v1),seq(s2,v1),…,seq(sK,v1);最后按照从小到大的顺序对函数值排序,排在前面的指标可以作为排在后面指标的根因指标。
7.一种设备,所述设备包括:数据采集装置、处理器和存储器;所述数据采集装置用于采集数据;所述存储器用于存储一个或多个程序指令;所述处理器,用于执行一个或多个程序指令,用以执行上述1-2任一项方法。
8.一种计算机可读存储介质,所述计算机存储介质中包含一个或多个程序指令,所述一个或多个程序指令用于执行上述1-2任一项方法。
...【技术特征摘要】
1.一种基于异常指标时序关系的银行业务根因指标分析方法,其特征在于:该方法具体步骤如下:
2.如权利要求1所述的一种基于异常指标时序关系的银行业务根因指标分析方法,其特征在于:步骤(3)中,计算关联指标的具体步骤为:
3.如权利要求1所述的一种基于异常指标时序关系的银行业务根因指标分析方法,其特征在于:步骤(4)中,分别计算关联指标向量s1,s2,…,sk与v1的动态时间规整路径path(sk,v1)=(wk1,wk2,…,wkl),其中1≤k≤k,l为自然数,wkz=(xkz,y1z),xkz为向量sk的第x个元素,y1z为向量v1的第y个元素,1≤z≤l,1≤x≤m,1≤y≤m,且wk1=(1,1),wkl=(m,m);若seq(sk,v1)<0,表示按照时序关系向量sk可能发生在向量v1之前,且该值越小,表示发生越早;若seq(sk,v1)>0,表示按照时序关系向量sk可能发生在向量v1之后,且该值越大,表示发生越晚;再计算seq(s1,v1),seq(s2,v1),…,seq(sk,v1);最后按照从小到大的顺序对函数值排序,排在前面的指标可以作为排在后面指标的根因指标。
4.一种基于异常指标时序关系的银行业务根因指标分析系统,该系统包括数据库、异常检测模块、关联指标分析模块和指标时序关系建立模块,其特征在于:
5.如权利要求4所述的一种基于异常指标时序关系的...
【专利技术属性】
技术研发人员:李超德,王伟斌,陈传凯,
申请(专利权)人:北京新数科技有限公司,
类型:发明
国别省市:
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。