【技术实现步骤摘要】
本申请涉及数据处理，具体涉及金融科技领域，尤其涉及一种数据异常识别方法、装置、计算机设备及存储介质。
技术介绍
1、在金融行业中，产品交易作为推动市场繁荣与机构盈利的核心引擎，其重要性不言而喻。随着金融科技的飞速发展，金融市场上涌现出的金融产品种类日益繁多，交易规模持续扩大，交易数据的复杂性和多样性也随之激增。这些交易数据不仅涵盖了股票、债券、基金、外汇、衍生品等传统金融产品，还涵盖了数字货币、区块链资产等新兴金融形态，使得数据的处理与分析面临前所未有的挑战。
2、在追求产品交易可持续增长的目标下，深入剖析交易数据，挖掘影响交易的关键因素成为关键任务。然而，实际操作中，产品交易数据具有很高的复杂性，既包含海量的结构化数据(如价格、成交量、时间戳等)，也掺杂着大量的非结构化或半结构化数据(如市场新闻、社交媒体情绪、政策变动等)。这些数据之间的关联性错综复杂，加之不同产品间特有的交易规则、市场特性及投资者行为差异，使得准确、高效地识别关键影响因素变得尤为困难。
技术实现思路
1、本申请实施例的目的在于提出一种数据异常识别方法、装置、计算机设备及存储介质，以解决无法准确、有效地对产品交易数据的影响因素进行识别的问题。
2、为了解决上述技术问题，本申请实施例提供一种数据异常识别方法，采用了如下所述的技术方案：
3、获取产品时间序列数据；
4、对所述产品时间序列数据进行动态图构建，得到产品时间维度图序列；
5、将所述产品时间维度图序
6、计算不同时间序列的产品演化特征的相似度，得到产品演化相似度；
7、判断所述产品演化相似度是否大于等于预设的相似度阈值；
8、若所述产品演化相似度大于等于所述相似度阈值，则提取所述产品时间序列的关键时间点，并根据所述关键时间点识别数据异常因素。
9、进一步的，所述获取产品时间序列数据的步骤，具体包括：
10、获取产品数据提取标识；
11、根据所述产品数据提取标识从数据库中提取产品交易数据；
12、对所述产品交易数据进行数据清洗，得到标准产品交易数据；
13、对所述标准产品交易数据进行时序分析，得到所述产品时间序列数据。
14、进一步的，所述对所述产品时间序列数据进行动态图构建，得到产品时间维度图序列的步骤，具体包括：
15、获取图表参数信息，其中，所述图表参数信息包括图表类型信息、图表时间轴信息、图表度量值信息；
16、根据所述图表类型信息、所述图表时间轴信息、所述图表度量值信息、所述产品时间序列数据进行图表构建，得到产品动态图表；
17、选取所述产品动态图表中的每个时间点对应的时间点数据，并在相邻的时间点数据之间建立边连接，得到所述产品时间维度图序列。
18、进一步的，在所述将所述产品时间维度图序列输入至预训练的特征提取模型中，得到产品演化特征的步骤之前，还包括以下步骤：
19、获取样本产品时间序列数据；
20、将所述样本产品时间序列数据转化为样本产品时间维度图序列；
21、在图卷积神经网络模型中设计多层图卷积层、池化层、时间编码器；
22、将所述样本产品时间维度图序列输入至设计完成后的图卷积神经网络模型进行训练，得到所述特征提取模型。
23、进一步的，所述计算不同时间序列的产品演化特征的相似度，得到产品演化相似度的步骤，具体包括：
24、对所述产品演化特征进行预处理，得到标准产品演化特征；
25、对标准产品演化特征进行余弦相似度计算，得到所述产品演化相似度。
26、进一步的，所述提取所述产品时间序列的关键时间点，并根据所述关键时间点识别数据异常因素的步骤，具体包括：
27、计算产品时间序列的一阶差分，得到产品时间差分值；
28、获取预设的时间差分阈值，判断所述产品时间差分值是否大于等于所述时间差分阈值；
29、若所述产品时间差分值大于等于所述时间差分阈值，则将所述产品时间差分值对应的时间点作为关键时间点，并获取所述关键时间点前的第一产品交易数据和所述关键时间点后的第二产品交易数据进行对比，根据对比结果分析所述数据异常因素。
30、进一步的，所述获取所述关键时间点前的第一产品交易数据和所述关键时间点后的第二产品交易数据进行对比，根据对比结果分析所述数据异常因素的步骤，具体包括：
31、基于所述关键时间点对所述产品时间序列数据进行数据提取，得到所述第一产品交易数据和所述第二产品交易数据；
32、对所述第一产品交易数据和所述第二产品交易数据进行多维度对比，得到数据异常维度；
33、获取异常因素分析表，将所述数据异常维度映射至所述异常因素分析表中，得到所述数据异常因素。
34、为了解决上述技术问题，本申请实施例还提供一种数据异常识别装置，采用了如下所述的技术方案：
35、数据获取模块，用于获取产品时间序列数据；
36、序列生成模块，用于对所述产品时间序列数据进行动态图构建，得到产品时间维度图序列；
37、特征提取模块，用于将所述产品时间维度图序列输入至预训练的特征提取模型中，得到产品演化特征；
38、相似度计算模块，用于计算不同时间序列的产品演化特征的相似度，得到产品演化相似度；
39、阈值判断模块，用于判断所述产品演化相似度是否大于等于预设的相似度阈值；
40、因素识别模块，用于若所述产品演化相似度大于等于所述相似度阈值，则提取所述产品时间序列的关键时间点，并根据所述关键时间点识别数据异常因素。
41、为了解决上述技术问题，本申请实施例还提供一种计算机设备，采用了如下所述的技术方案：
42、一种计算机设备，包括存储器和处理器，所述存储器中存储有计算机可读指令，所述处理器执行所述计算机可读指令时实现如以上任一项所述的数据异常识别方法的步骤。
43、为了解决上述技术问题，本申请实施例还提供一种计算机可读存储介质，采用了如下所述的技术方案：
44、一种计算机可读存储介质，所述计算机可读存储介质上存储有计算机可读指令，所述计算机可读指令被处理器执行时实现如以上任一项所述的数据异常识别方法的步骤。
45、与现有技术相比，本申请实施例主要有以下有益效果：本实施例通过获取产品时间序列数据；对所述产品时间序列数据进行动态图构建，得到产品时间维度图序列；将所述产品时间维度图序列输入至预训练的特征提取模型中，得到产品演化特征；计算不同时间序列的产品演化特征的相似度，得到产品演化相似度；判断所述产品演化相似度是否大于等于预设的相似度阈值；若所述产品演化相似度大于等于所述相似度阈值，则提取所述产品时间序列的关键时间点，并根据所述关键时本文档来自技高网...
【技术保护点】
1.一种数据异常识别方法，其特征在于，包括下述步骤：
2.根据权利要求1所述的数据异常识别方法，其特征在于，所述获取产品时间序列数据的步骤，具体包括：
3.根据权利要求1所述的数据异常识别方法，其特征在于，所述对所述产品时间序列数据进行动态图构建，得到产品时间维度图序列的步骤，具体包括：
4.根据权利要求1所述的数据异常识别方法，其特征在于，在所述将所述产品时间维度图序列输入至预训练的特征提取模型中，得到产品演化特征的步骤之前，还包括以下步骤：
5.根据权利要求1所述的数据异常识别方法，其特征在于，所述计算不同时间序列的产品演化特征的相似度，得到产品演化相似度的步骤，具体包括：
6.根据权利要求1所述的数据异常识别方法，其特征在于，所述提取所述产品时间序列的关键时间点，并根据所述关键时间点识别数据异常因素的步骤，具体包括：
7.根据权利要求6所述的数据异常识别方法，其特征在于，所述获取所述关键时间点前的第一产品交易数据和所述关键时间点后的第二产品交易数据进行对比，根据对比结果分析所述数据异常因素的步骤，具体包
8.一种数据异常识别装置，其特征在于，包括：
9.一种计算机设备，其特征在于，包括存储器和处理器，所述存储器中存储有计算机可读指令，所述处理器执行所述计算机可读指令时实现如权利要求1至7中任一项所述的数据异常识别方法的步骤。
10.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质上存储有计算机可读指令，所述计算机可读指令被处理器执行时实现如权利要求1至7中任一项所述的数据异常识别方法的步骤。
...【技术特征摘要】
1.一种数据异常识别方法，其特征在于，包括下述步骤：
2.根据权利要求1所述的数据异常识别方法，其特征在于，所述获取产品时间序列数据的步骤，具体包括：
3.根据权利要求1所述的数据异常识别方法，其特征在于，所述对所述产品时间序列数据进行动态图构建，得到产品时间维度图序列的步骤，具体包括：
4.根据权利要求1所述的数据异常识别方法，其特征在于，在所述将所述产品时间维度图序列输入至预训练的特征提取模型中，得到产品演化特征的步骤之前，还包括以下步骤：
5.根据权利要求1所述的数据异常识别方法，其特征在于，所述计算不同时间序列的产品演化特征的相似度，得到产品演化相似度的步骤，具体包括：
6.根据权利要求1所述的数据异常识别方法，其特征在于，所述提取所述产品时间...
【专利技术属性】
技术研发人员：朱文娟，曹建，
申请(专利权)人：平安银行股份有限公司，
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。