限额账户数据的处理方法及装置与流程

本发明涉及数据处理领域，具体涉及一种限额账户数据的处理方法及装置。

背景技术：

第二代支付系统为系统参与者(例如，各类商业银行)提供了资金池等多种类的灵活的流动性管理机制，但是由于种种因素的限制，这些流动性管理机制并没有完全对参与者开放使用。参与者在支付系统开设的净借记限额账户流动性主要用于参与者在小额支付系统、网上跨行清算系统的业务清算使用。由于小额支付系统、网上跨行清算系统的业务处理逻辑是定时对批量业务进行轧差，得到轧差净额后进行清算。由于净借记限额资金不足可能会导致某一批次的业务无法正常清算，影响业务处理效率。因此需要对参与者净借记限额账户流动性进行比较准确的把控。

然而，目前尚未有对参与者净借记限额账户流动性有较准确把控的方案。

技术实现要素：

有鉴于此，本发明提供一种限额账户数据的处理方法及装置，以解决上述提及的至少一个问题。

根据本发明的第一方面，提供一种限额账户数据的处理方法，所述方法包括：

获取需要预测的限额账户数据，所述账户数据包括：所属系统信息、预定日期，所述系统包括如下之一：小额系统、网银系统；

将所述账户数据输入至已训练的预测模型，以输出该限额账户在所述预定日期的账户预测数据，所述账户预测数据包括：预定周期粒度中的账户发起金额数据和账户接收金额数据，所述预测模型基于所述预定日期所属日期标签的历史账户数据进行训练；

根据所述账户发起金额数据和账户接收金额数据对所述限额账户进行管理。

根据本发明的第二方面，提供一种限额账户数据的处理装置，所述装置包括：

预测数据获取单元，用于获取需要预测的限额账户数据，所述账户数据包括：所属系统信息、预定日期，所述系统包括如下之一：小额系统、网银系统；

预测单元，用于将所述账户数据输入至已训练的预测模型，以输出该限额账户在所述预定日期的账户预测数据，所述账户预测数据包括：预定周期粒度中的账户发起金额数据和账户接收金额数据，所述预测模型基于所述预定日期所属日期标签的历史账户数据进行训练；

管理单元，用于根据所述账户发起金额数据和账户接收金额数据对所述限额账户进行管理。

根据本发明的第三方面，提供一种电子设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述程序时实现上述方法的步骤。

根据本发明的第四方面，提供一种计算机可读存储介质，其上存储有计算机程序，该计算机程序被处理器执行时实现上述方法的步骤。

由上述技术方案可知，通过将获取的需要预测的限额账户数据输入至预测模型，预测模型可以预测该限额账户在预定日期的账户数据，如此，可以进一步预测该限额账户的金额数据流动情况，方便较准确地掌控银行净借记限额账户的流动性，从而可以有效地提高业务处理的效率。

附图说明

为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。

图1是根据本发明实施例的限额账户数据的处理方法的流程图；

图2是根据本发明实施例的限额账户数据预测的详细流程图；

图3是根据本发明实施例的数据探索和预处理的流程图；

图4是根据本发明实施例的限额账户数据处理装置的结构框图；

图5是根据本发明实施例的限额账户数据处理装置的详细结构框图；

图6为本发明实施例的电子设备600的系统构成的示意框图。

具体实施方式

为使本发明实施例的目的、技术方案和优点更加清楚，下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整的描述，显然，所描述的实施例是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。

由于净借记限额资金不足可能会导致某一批次的业务无法正常清算，从而会影响业务处理效率。因此，需要对银行净借记限额账户流动性进行比较准确的把控。然而，目前尚未有对银行净借记限额账户流动性有较准确把控的方案。基于此，本发明实施例提供一种限额账户数据的处理方案，该方案可以对银行净借记限额账户数据进行预测，从而可以较准确地掌控银行净借记限额账户的流动性。以下结合附图来详细描述本发明实施例。

图1是根据本发明实施例的限额账户数据的处理方法的流程图，如图1所示，该方法包括：

步骤101，获取需要预测的限额账户数据，所述账户数据包括：所属系统信息、预定日期，所述系统包括如下之一：小额系统、网银系统。

步骤102，将所述账户数据输入至已训练的预测模型，以输出该限额账户在所述预定日期的账户预测数据，所述账户预测数据包括：预定周期粒度(例如，15分钟)中的账户发起金额数据和账户接收金额数据，所述预测模型基于所述预定日期所属日期标签的历史账户数据进行训练。

在实际操作中，可以根据预定规则对特定周期内(例如，一周，一月等)的具有相似数据特性的日期设置为同一日期标签。这里的预定规则可以是设置日期标签的规则，可以根据实际情况而定。

例如，以银行业务为例，特定周期为一周，则每个周六与上一个周六业务特征类似，每周一与前一个周一类似，同理周日；而周二到周五的业务特征都比较相似。因此，可以将周六、周日、周一的数据拼接成一组，属于同一日期标签，例如，日期标签设置为data_weekend，周二到周五的数据拼接成一组数据，日期标签设置为data_weekday。

步骤103，根据所述账户发起金额数据和账户接收金额数据对所述限额账户进行管理。

在实际操作中，根据所述账户发起金额数据和账户接收金额数据确定账户净额数据；根据所述账户发起金额数据、账户接收金额数据和账户净额数据对所述限额账户进行管理。

通过将获取的需要预测的限额账户数据输入至预测模型，预测模型可以预测该限额账户在预定日期的账户数据，如此，可以进一步预测该限额账户的金额数据流动情况，方便较准确地掌控银行净借记限额账户的流动性，从而可以有效地提高业务处理的效率。

优选地，预测模型可以是sarima(seasonalautoregressiveintegratedmovingaverage，季节性差分自回归滑动平均)模型，也可以简称为seasonalarima模型。

在实际操作中，预测模型的训练过程包括如下步骤(1)-(3)：

(1)获取与步骤102中的与预定日期所属同一日期标签的历史账户数据，所述历史账户数据包括：日期、日期标签、所述预定周期粒度(例如，15分钟)中的历史账户发起金额数据和历史账户接收金额数据。

(2)对所述历史账户数据进行预处理，并将预处理后的历史账户数据分类为训练集数据和预测集数据。

这里的预处理包括：对历史账户数据进行缺失数据填充处理，例如，对缺失数据用0值进行填充；之后对缺失数据填充处理之后的历史账户数据进行归一化处理。

(3)根据所述训练集数据对所述预测模型进行训练，并根据所述预测集数据对训练的预测模型进行验证，以得到训练完成的预测模型。

在实际操作中，在根据训练集数据对预测模型进行训练时，可以使用acf(自相关)函数和pacf(偏自相关)函数对预测模型进行参数初始值设定；之后利用网格搜索方法和aic(akaikeinformationcriterion，赤池信息准则)准则对参数初始值进行更新，以得到最优参数，以此对所述预测模型进行训练。

为了更好地理解本发明实施例，以下以银行业务为例来详细描述本发明实施例。在该实例中，限额账户数据可以是支付系统中的支付交易业务数据，对目标参与者(例如，银行)的限额账户流动情况使用sarima(seasonalarima)模型进行预测，预测数据包括：按照参与者对其限额账户的发起额(即，账户发起金额数据)、接收额(即，账户接收金额数据)、净额(即，账户净额数据)按照15分钟粒度进行预测。以下结合图2所示的限额账户数据预测流程、和图3所示的数据探索和预处理流程来描述该实例。

参见图2和图3，限额账户数据预测流程主要包括：数据预处理、参数搜索和建模预测。

在数据预处理阶段，首先获取原始数据(对应于图2中的csv数据)，即，获取生产环境中的小额系统、网银系统业务按照15分钟粒度汇总的发起金额数据、接收金额数据。

在一个实例中，原始数据可以包括：日期(date)、银行号(bank_id)、行名(name)、汇总时间区间(time，例如，00:00-00:15，表示15分钟时间区间段)、汇总时间区间内发起总笔数(send_count)、汇总时间区间内发起总金额(send_amount)、汇总时间区间内接收总笔数(rcv_count)、汇总时间区间内接收总金额(rcv_amount)等。

对于获取到的原始数据，将两个系统按15分钟粒度汇总的发起金额、接收金额数据按照时间轴对齐。对原始数据进行探索，如图3所示，查看数据的整体分布情况、数据是否缺失、是否存在异常点、查看数据的整体趋势规律。

之后，对数据进行预处理，如图3所示，预处理步骤主要包括：首先对缺失数据用0值进行填充，对部分离群点数据用同一时刻的均值进行替换，随后对数据进行归一化处理。

在实际的数据探索过程中，会发现不同日期的数据具有一定的周期性规律。因此可以基于业务周期性特点，根据支付系统运行时序对原始数据增加日期标签。日期标签有：节假日、特殊节假日、节假日第二日以及普通日。将具有相同日期标签的数据拼接在一起用于后期的建模。

以某银行数据为例，在得到预处理的数据后，通过查看数据趋势发现，发起金额数据在每周一上午9点左右会出现一个峰值。周二至周五四天的数据变化规律基本相同。对于接收金额数据进行数据探索，发现接收金额数据的变化规律与发起金额数据相似。

考虑到数据的周期性特征，参与者(即，银行)每个周六与上一个周六业务特征类似，每周一与前一个周一类似，同理周日。而周二到周五的业务特征都比较相似。因此可以将周六、周日、周一的数据拼接成一组，周二到周五的数据拼接成一组数据，对两组数据单独进行建模。例如，将数据拆分成data_weekend组(包括周六、周日、周一数据)和data_weekday(包括周二至周五的数据)。

基于上述的数据分组，在一个实例中，预测方法可以为：每周一、周六、周日的预测基于上周一、上周六、上周日的数据进行预测，每周二的预测基于上周五，每周三、周四、周五的预测分别基于前一天数据，以此类推。按照此方法，根据参与者收发数据对比实验结果可知，该预测方法可以有效地提高模型的预测效率和准确度。

在实际操作中，可以将上述预处理后的数据按照比例划分为训练集和预测集。sarima算法的参数有(p,d,q)和季节性参数(p,d,q,s)。其中，p为自回归阶数，d为差分阶数，q为移动平均阶数，p为季节性自回归阶数，d为季节性差分阶数，q为季节性移动平均阶数，s为季节周期。

对于sarima模型，需要分别对非季节性的p、q和季节性的p、q进行定阶。对于非季节性成分，可用趋势作为输入；对于季节性成分，使用季节性作为输入。当以天为周期、以15分钟粒度预测data_weekday的数据时，每天有96个预测点，因此s＝96。若预测data_weekend，需要利用参考三天前的数据，则s＝288。对于其他参数，主要使用了网格搜索和acf/pacf图相结合的方法。

具体地，首先，使用acf函数(图)和pacf函数(图)对模型参数进行定阶。然后利用网格搜索的方法，结合aic准则，寻找aic最小的参数组合，选取模型的最优参数。

在具体实施过程中，在网格搜索获取到aic值较小的组合后，还需要在这些参数组合中进行手动选择，选取模型性能最优的参数。

最后采用交叉验证的方法，验证模型参数在长期数据集上的准确率。通过对经预处理后的数据序列的季节性成分的acf和pacf图进行分析，即自相关函数图中acf的值第一次穿过上置信区间的横轴值即为p，偏自相关函数图中pacf的值第一次穿过上置信区间的横轴值即为q，可确定p和q的值。同理，可通过对原始数据的非季节性成分(即趋势)进行上述分析确定p和q的值。

在一个实例中，对于需要预测的某一日期，可以取前一个月长度内(或者其他时间长度)相同模式(即，同一日期标签)的数据集作为训练集进行训练。最后，得到预测日期的15分钟粒度的发起、接收金额预测结果，利用发起金额减去接收金额计算得到净额的预测结果。此模型在预测集上进行验证，模型的误差基本在10％以内，具体而言，预测的净额均方根误差(rmse)小于原始数据波动范围的10％，且对于变化趋势的预测效果较好。

由以上描述可知，本发明实施例的预测模型对限额账户数据的预测准确度较高，对于参与者净借记限额账户的预测具有较强的指导意义。

基于相似的发明构思，本发明实施例还提供一种限额账户数据的处理装置，优选地，该装置用于实现上述方法实施例中的流程。

图4是根据本发明实施例的限额账户数据处理装置的结构框图，如图4所示，该装置包括：预测数据获取单元41、预测单元42和管理单元43，其中：

预测数据获取单元41，用于获取需要预测的限额账户数据，所述账户数据包括：所属系统信息、预定日期，所述系统包括如下之一：小额系统、网银系统；

预测单元42，用于将所述账户数据输入至已训练的预测模型，以输出该限额账户在所述预定日期的账户预测数据，所述账户预测数据包括：预定周期粒度中的账户发起金额数据和账户接收金额数据，所述预测模型基于所述预定日期所属日期标签的历史账户数据进行训练；

管理单元43，用于根据所述账户发起金额数据和账户接收金额数据对所述限额账户进行管理。

在一个实施例中，管理单元具体包括：净额数据确定模块和管理模块，其中：净额数据确定模块，用于根据所述账户发起金额数据和账户接收金额数据确定账户净额数据；管理模块，用于根据所述账户发起金额数据、账户接收金额数据和账户净额数据对所述限额账户进行管理。

通过预测单元42将预测数据获取单元41获取的需要预测的限额账户数据输入至预测模型，预测模型可以预测该限额账户在预定日期的账户数据，如此，可以进一步预测该限额账户的金额数据流动情况，方便较准确地掌控银行净借记限额账户的流动性，从而可以有效地提高业务处理的效率。

在实际操作中，上述预测模型可以是sarima模型。

具体地，如图5所示，上述限额账户数据处理装置还包括：模型训练单元44，用于训练所述预测模型。

该模型训练单元44具体包括：历史数据获取模块、预处理模块、数据分类模块和训练模块，其中：

历史数据获取模块，用于获取所述历史账户数据，所述历史账户数据包括：日期、日期标签、所述预定周期粒度中的历史账户发起金额数据和历史账户接收金额数据。

预处理模块，用于对所述历史账户数据进行预处理。具体地，该预处理模块包括：缺失数据填充处理子模块和归一化处理子模块，其中，缺失数据填充处理子模块，用于对所述历史账户数据进行缺失数据填充处理；归一化处理子模块，用于对缺失数据填充处理之后的历史账户数据进行归一化处理。

数据分类模块，用于将预处理后的历史账户数据分类为训练集数据和预测集数据。

训练模块，用于根据所述训练集数据对所述预测模型进行训练，并根据所述预测集数据对训练的预测模型进行验证，以得到训练完成的预测模型。

在一个实施例中，上述训练模块包括：参数初始值设定子模块和参数更新子模块，其中：

参数初始值设定子模块，用于使用自相关函数和偏自相关函数对所述预测模型进行参数初始值设定；

参数更新子模块，用于利用网格搜索装置和赤池信息准则对所述参数初始值进行更新，以得到最优参数，以此对所述预测模型进行训练。

继续参见图5，上述限额账户数据处理装置还包括：日期标签设置单元45，用于设置上述日期标签。具体而言，日期标签设置单元根据预定规则对特定周期内的具有相似数据特性的日期设置为同一日期标签。

上述各单元、各模块、各子模块的具体执行过程，可以参见上述方法实施例中的描述，此处不再赘述。

在实际操作中，上述各单元、各模块、各子模块可以组合设置、也可以单一设置，本发明不限于此。

本实施例还提供一种电子设备，该电子设备可以是台式计算机、平板电脑及移动终端等，本实施例不限于此。在本实施例中，该电子设备可以参照上述方法实施例进行实施及限额账户数据处理装置的实施例进行实施，其内容被合并于此，重复之处不再赘述。

图6为本发明实施例的电子设备600的系统构成的示意框图。如图6所示，该电子设备600可以包括中央处理器100和存储器140；存储器140耦合到中央处理器100。值得注意的是，该图是示例性的；还可以使用其他类型的结构，来补充或代替该结构，以实现电信功能或其他功能。

一实施例中，限额账户数据处理功能可以被集成到中央处理器100中。其中，中央处理器100可以被配置为进行如下控制：

获取需要预测的限额账户数据，所述账户数据包括：所属系统信息、预定日期，所述系统包括如下之一：小额系统、网银系统；

将所述账户数据输入至已训练的预测模型，以输出该限额账户在所述预定日期的账户预测数据，所述账户预测数据包括：预定周期粒度中的账户发起金额数据和账户接收金额数据，所述预测模型基于所述预定日期所属日期标签的历史账户数据进行训练；

根据所述账户发起金额数据和账户接收金额数据对所述限额账户进行管理。

从上述描述可知，本申请实施例提供的电子设备，通过将获取的需要预测的限额账户数据输入至预测模型，预测模型可以预测该限额账户在预定日期的账户数据，如此，可以进一步预测该限额账户的金额数据流动情况，方便较准确地掌控银行净借记限额账户的流动性，从而可以有效地提高业务处理的效率。

在另一个实施方式中，限额账户数据处理装置可以与中央处理器100分开配置，例如可以将限额账户数据处理装置配置为与中央处理器100连接的芯片，通过中央处理器的控制来实现限额账户数据处理功能。

如图6所示，该电子设备600还可以包括：通信模块110、输入单元120、音频处理单元130、显示器160、电源170。值得注意的是，电子设备600也并不是必须要包括图6中所示的所有部件；此外，电子设备600还可以包括图6中没有示出的部件，可以参考现有技术。

如图6所示，中央处理器100有时也称为控制器或操作控件，可以包括微处理器或其他处理器装置和/或逻辑装置，该中央处理器100接收输入并控制电子设备600的各个部件的操作。

其中，存储器140，例如可以是缓存器、闪存、硬驱、可移动介质、易失性存储器、非易失性存储器或其它合适装置中的一种或更多种。可储存上述与失败有关的信息，此外还可存储执行有关信息的程序。并且中央处理器100可执行该存储器140存储的该程序，以实现信息存储或处理等。

输入单元120向中央处理器100提供输入。该输入单元120例如为按键或触摸输入装置。电源170用于向电子设备600提供电力。显示器160用于进行图像和文字等显示对象的显示。该显示器例如可为lcd显示器，但并不限于此。

该存储器140可以是固态存储器，例如，只读存储器(rom)、随机存取存储器(ram)、sim卡等。还可以是这样的存储器，其即使在断电时也保存信息，可被选择性地擦除且设有更多数据，该存储器的示例有时被称为eprom等。存储器140还可以是某种其它类型的装置。存储器140包括缓冲存储器141(有时被称为缓冲器)。存储器140可以包括应用/功能存储部142，该应用/功能存储部142用于存储应用程序和功能程序或用于通过中央处理器100执行电子设备600的操作的流程。

存储器140还可以包括数据存储部143，该数据存储部143用于存储数据，例如联系人、数字数据、图片、声音和/或任何其他由电子设备使用的数据。存储器140的驱动程序存储部144可以包括电子设备的用于通信功能和/或用于执行电子设备的其他功能(如消息传送应用、通讯录应用等)的各种驱动程序。

通信模块110即为经由天线111发送和接收信号的发送机/接收机110。通信模块(发送机/接收机)110耦合到中央处理器100，以提供输入信号和接收输出信号，这可以和常规移动通信终端的情况相同。

基于不同的通信技术，在同一电子设备中，可以设置有多个通信模块110，如蜂窝网络模块、蓝牙模块和/或无线局域网模块等。通信模块(发送机/接收机)110还经由音频处理器130耦合到扬声器131和麦克风132，以经由扬声器131提供音频输出，并接收来自麦克风132的音频输入，从而实现通常的电信功能。音频处理器130可以包括任何合适的缓冲器、解码器、放大器等。另外，音频处理器130还耦合到中央处理器100，从而使得可以通过麦克风132能够在本机上录音，且使得可以通过扬声器131来播放本机上存储的声音。

本发明实施例还提供一种计算机可读存储介质，其上存储有计算机程序，该计算机程序被处理器执行时以实现上述限额账户数据处理方法的步骤。

综上所述，本发明实施例提出了一种利用参与者(例如，银行)小额支付系统、网上跨行清算系统的交易明细业务对参与者净借记限额账户流动性进行预测的方案。在对原始交易明细数据进行一系列预处理步骤后，利用经过调参的seasonalarima模型能自动对参与者下一天每15分钟的净借记限额账户发起额、接收额和净额分别进行预测，预测误差小于真实数据波动范围的10％，平均训练时间小于1分钟，且对于数据的变化模式能够较为准确地预测，能够满足生产环境对于参与者流动性智能预测的精度和性能需求，可以实现对参与者净借记限额账户流动性比较准确的把控。

以上参照附图描述了本发明的优选实施方式。这些实施方式的许多特征和优点根据该详细的说明书是清楚的，因此权利要求旨在覆盖这些实施方式的落入其真实精神和范围内的所有这些特征和优点。此外，由于本领域的技术人员容易想到很多修改和改变，因此不是要将本发明的实施方式限于所例示和描述的精确结构和操作，而是可以涵盖落入其范围内的所有合适修改和等同物。

本领域内的技术人员应明白，本发明的实施例可提供为方法、系统、或计算机程序产品。因此，本发明可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本发明可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、cd-rom、光学存储器等)上实施的计算机程序产品的形式。

本发明是参照根据本发明实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。

这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。

这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。

本发明中应用了具体实施例对本发明的原理及实施方式进行了阐述，以上实施例的说明只是用于帮助理解本发明的方法及其核心思想；同时，对于本领域的一般技术人员，依据本发明的思想，在具体实施方式及应用范围上均会有改变之处，综上所述，本说明书内容不应理解为对本发明的限制。