【技术实现步骤摘要】
本公开涉及人工智能，更具体地，涉及一种基于神经网络模型的运营异常预警方法、装置、电子设备、计算机可读存储介质和计算机程序产品。
技术介绍
1、在银行日常生产运行过程中，交易量和上传下送数据量等可能因为系统故障、社会事件或者特殊节日等原因产生突增或骤减，如果能预先对异常数据进行预警，便可以预先为技术支持提供更多时间。因此，如何对运营异常数据进行预警是本领域技术人员亟需解决的问题。
技术实现思路
1、有鉴于此，本公开提供了一种简单易行，可以实现对运营异常数据进行预警的基于神经网络模型的运营异常预警方法、装置、电子设备、计算机可读存储介质和计算机程序产品。
2、本公开的一个方面提供了一种基于神经网络模型的运营异常预警方法，包括：将获取的当前时间窗口内的运营数据转化为时频图，作为第一样本；将获取的与所述当前时间窗口间隔时长t的前一时间窗口内的历史运营数据转化为时频图，作为第二样本，其中，所述运营数据和所述历史运营数据均为时序信号，t大于等于1秒；利用预先训练的神经网络模型，根据所述第一样本和所述第二样本，得到所述第一样本与所述第二样本之间的差异值；以及当所述差异值大于等于设定差异阈值时，将所述当前时间窗口内的运营数据确定为运营异常数据。
3、根据本公开实施例的基于神经网络模型的运营异常预警方法，通过将获取的当前时间窗口内的运营数据转化为时频图，作为第一样本；将获取的与当前时间窗口间隔时长t的前一时间窗口内的历史运营数据转化为时频图，作为第二样本；利用预先训练的神经网
4、在一些实施例中，所述神经网络模型的结构包括特征提取单元、特征合并单元、差异特征提取单元和差异值转化单元，利用预先训练的神经网络模型，根据所述第一样本和所述第二样本，得到所述第一样本与所述第二样本之间的差异值的步骤，包括：所述特征提取单元将所述第一样本转换为第一特征矩阵，所述特征提取单元将所述第二样本转换为第二特征矩阵；所述特征合并单元将所述第一特征矩阵与所述第二特征矩阵合并为合并特征矩阵；将所述合并特征矩阵输入所述差异特征提取单元，输出差异特征矩阵；以及所述差异值转化单元将所述差异特征矩阵转换为差异值。
5、在一些实施例中，所述特征提取单元包括m个标准卷积层，所述第一样本经过所述m个标准卷积层转换为第一特征矩阵，所述第二样本经过所述m个标准卷积层转换为第二特征矩阵，m为大于等于1的整数；所述差异特征提取单元包括1×1的卷积层、n个标准卷积层、n个池化层和扁平化层，所述n个标准卷积层和所述n个池化层交替设置于所述1×1的卷积层与所述扁平化层之间，将所述合并特征矩阵输入所述1×1的卷积层，所述扁平化层输出差异特征矩阵，n为大于等于1的整数；所述差异值转化单元包括k个全连接层，所述差异特征矩阵经过所述k个全连接层转换为差异值，k为大于等于1的整数。
6、在一些实施例中，所述特征提取单元为基于注意力机制的特征提取单元。
7、在一些实施例中，预先训练神经网络模型的步骤，包括：获取训练样本集，其中，所述训练样本集包括g个训练样本对，每个所述训练样本对包括间隔时长t的两个相邻历史时间窗口内的运营数据转化的时频图，所述g个训练样本对中至少包括两类样本对，一类为一个历史时间窗口内的运营数据为平稳运行数据，另一个历史时间窗口内的运营数据为平稳运行数据；另一类为一个历史时间窗口内的运营数据为平稳运行数据，另一个历史时间窗口内的运营数据为异常运行数据；g为大于等于2的整数；根据所述训练样本集训练神经网络模型中的模型参数，得到训练模型参数，所述训练模型参数包括两个相邻时间窗口内的运营数据转化的时频图与差异值之间的映射关系；以及将所述训练模型参数作为所述神经网络模型的模型参数进行应用。
8、在一些实施例中，在将所述训练模型参数作为所述神经网络模型的模型参数进行应用的步骤之前，预先训练神经网络模型的步骤，还包括：获取验证样本集，其中，所述验证样本集包括包括r个验证样本对，每个所述验证样本对包括间隔时长t的两个相邻历史时间窗口内的运营数据转化的时频图，所述r个验证样本对中至少包括两类样本对，一类为一个历史时间窗口内的运营数据为平稳运行数据，另一个历史时间窗口内的运营数据为平稳运行数据；另一类为一个历史时间窗口内的运营数据为平稳运行数据，另一个历史时间窗口内的运营数据为异常运行数据；r为大于等于2的整数；根据所述验证样本集，验证所述训练模型参数；若验证通过，则将所述训练模型参数作为所述神经网络模型的模型参数进行应用；以及若验证未通过，重复执行获取训练样本集，直至验证通过。
9、本公开的另一个方面提供了一种基于神经网络模型的运营异常预警装置，包括：第一转化模块，所述第一转化模块用于执行将获取的当前时间窗口内的运营数据转化为时频图，作为第一样本；第二转化模块，所述第二转化模块用于执行将获取的与所述当前时间窗口间隔时长t的前一时间窗口内的历史运营数据转化为时频图，作为第二样本，其中，所述运营数据和所述历史运营数据均为时序信号，t大于等于1秒；第一确定模块，所述第一确定模块用于执行利用预先训练的神经网络模型，根据所述第一样本和所述第二样本，得到所述第一样本与所述第二样本之间的差异值；以及第二确定模块，所述第二确定模块用于执行当所述差异值大于等于设定差异阈值时，将所述当前时间窗口内的运营数据确定为运营异常数据。
10、本公开的另一方面提供了一种电子设备，包括一个或多个处理器以及一个或多个存储器，其中，所述存储器用于存储可执行指令，所述可执行指令在被所述处理器执行时，实现如上所述方法。
11、本公开的另一方面提供了一种计算机可读存储介质，存储有计算机可执行指令，所述指令在被执行时用于实现如上所述的方法。
12、本公开的另一方面提供了一种计算机程序产品，包括计算机程序，所述计算机程序包括计算机可执行指令，所述指令在被执行时用于实现如上所述的方法。
本文档来自技高网...【技术保护点】
1.一种基于神经网络模型的运营异常预警方法，其特征在于，包括：
2.根据权利要求1所述的基于神经网络模型的运营异常预警方法，其特征在于，所述神经网络模型的结构包括特征提取单元、特征合并单元、差异特征提取单元和差异值转化单元，利用预先训练的神经网络模型，根据所述第一样本和所述第二样本，得到所述第一样本与所述第二样本之间的差异值的步骤，包括：
3.根据权利要求2所述的基于神经网络模型的运营异常预警方法，其特征在于，
4.根据权利要求3所述的基于神经网络模型的运营异常预警方法，其特征在于，所述特征提取单元为基于注意力机制的特征提取单元。
5.根据权利要求4所述基于神经网络模型的运营异常预警方法，其特征在于，预先训练神经网络模型的步骤，包括：
6.根据权利要求5所述的基于神经网络模型的运营异常预警方法，其特征在于，在将所述训练模型参数作为所述神经网络模型的模型参数进行应用的步骤之前，预先训练神经网络模型的步骤，还包括：
7.一种基于神经网络模型的运营异常预警装置，其特征在于，包括：
8.一种电子设备，其特
9.一种计算机可读存储介质，其特征在于，所述存储介质上存储有可执行指令，该指令被处理器执行时实现根据权利要求1～6中任一项所述的方法。
10.一种计算机程序产品，其特征在于，包括计算机程序，所述计算机程序包括一个或者多个可执行指令，所述可执行指令被处理器执行时实现根据权利要求1～6中任一项所述的方法。
...【技术特征摘要】
1.一种基于神经网络模型的运营异常预警方法，其特征在于，包括：
2.根据权利要求1所述的基于神经网络模型的运营异常预警方法，其特征在于，所述神经网络模型的结构包括特征提取单元、特征合并单元、差异特征提取单元和差异值转化单元，利用预先训练的神经网络模型，根据所述第一样本和所述第二样本，得到所述第一样本与所述第二样本之间的差异值的步骤，包括：
3.根据权利要求2所述的基于神经网络模型的运营异常预警方法，其特征在于，
4.根据权利要求3所述的基于神经网络模型的运营异常预警方法，其特征在于，所述特征提取单元为基于注意力机制的特征提取单元。
5.根据权利要求4所述基于神经网络模型的运营异常预警方法，其特征在于，预先训练神经...
【专利技术属性】
技术研发人员：董洁超，
申请(专利权)人：中国工商银行股份有限公司，
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。