Tps交易事件阈值的预测方法及预测系统的制作方法
【技术领域】
[0001] 本发明涉及计算机应用技术领域，特别涉及一种银行后台TPS交易事件阈值的预 测方法及预测系统。
【背景技术】
[0002] 数据挖掘是一种新的商业信息处理技术，首先应用于金融、电信等领域，主要特点 是对大量数据进行抽取、转换、分析和模型化处理，从中提取出有助于商业决策的关键性数 据。
[0003] 例如银行信息化的迅速发展，从而产生了大量的业务数据，所以从海量数据中提 取出有价值的信息，从而为银行的商业决策服务，是数据挖掘的重要应用领域。现阶段，数 据挖掘在银行业中的应用，主要可分为以下几个方面。1)风险。数据挖掘在银行业的重要 应用之一是风险管理，如信用风险评估。可通过构建信用评级模型，评估贷款人或信用卡申 请人的风险。一个进行信用风险评估的解决方案，能对银行数据库中所有的账户制定信用 评级标准，用若干数据库查询就可以得出信用风险的列表。这种对于高低风险的评级或分 类，是基于每个客户的账户特征，如尚未偿还的贷款、信用调降报告记录、账户类型、收入水 平及其他信息等。通过数据挖掘，还可以获取异常的信用卡使用情况，确定极端客户的消费 行为。根据历史数据，评定造成信贷风险客户的特征和背景，可能造成风险损失的客户，在 对客户的资信和经营预测的基础上，运用系统的方法对信贷风险的类型和原因进行识别、 评测，发现引起贷款风险的诱导因素，有效地控制和降低信贷风险的发生。2)故障预警。作 为大型金融机构，其安全性和高效性就显得尤为重要，其中安全性更是银行系统的命脉，但 是即使如此，银行方面大规模的故障仍时有发生。并且大规模的故障往往不是由前台的工 作失误造成的，因为银行前台周全的交易步骤几乎可以杜绝人为失误的发生，而即使失误 发生也是一两笔交易的小规模的错误。大规模的故障往往都是由后台的系统的故障造成 的。因此，想要更加有效的避免银行故障的发生，应该着重从后台系统下手。但是银行后台 系统往往十分复杂，造成故障的原因更是多种多样，可能由于：银行之间的链接网络，后端 记录数据的数据库，用于运行交易程序的服务器等等产生故障。而其中的一个故障往往会 造成一系列的连锁反应，比如，当数据库发生瘫痪时，所有的交易请求就会开始堆积，从而 导致服务器的资源不足；相反，如果服务器的内存产生泄漏，那么渐渐的系统资源会越来越 少，从而导致数据库的运行所需资源不足，最终瘫痪。
[0004] 由此可见，银行后台的系统相关性相当复杂，想要通过规则方法直接分析出故障 产生的原因几乎不可能。然而，故障产生的次数虽然稀少，但是并不是无规律可循，根据银 行方面的经验，在故障发生之前往往系统会产生一些异常的状态，而系统的状态往往比故 障更加容易监测，所以可以通过实时的监测分析系统的参数，从而预测故障将会何时发生， 其中TPS(TransactionPerSecond，每秒事务处理量）不但有助于银行故障预测而且对于 发生故障后的银行后台恢复有重要作用。因此，如何预测TPS交易事件阈值显得尤为重要。
【发明内容】
[0005] 本发明旨在至少在一定程度上解决上述相关技术中的技术问题之一。
[0006] 为此，本发明的一个目的在于提出一种可以预测TPS交易事件阈值的TPS交易事 件阈值的预测方法。
[0007] 本发明的另一个目的在于提出一种TPS交易事件阈值的预测系统。
[0008] 为达到上述目的，本发明一方面实施例提出了一种TPS交易事件阈值的预测方 法，包括以下步骤：获取交易数据，并从所述交易数据中提取每秒事务处理量TPS数据与 TPS数据特征；按照时间窗口对所述TPS数据进行时间序列分割，以统计各个时间窗口对应 的历史交易最大值和最小值；根据所述TPS数据特征训练数据挖掘模型以得到TPS交易事 件预测回归模型；以及根据所述TPS交易事件预测回归模型和所述各个时间窗口对应的历 史交易最大值和最小值预测TPS交易事件阈值。
[0009] 根据本发明实施例提出的TPS交易事件阈值的预测方法，通过从交易数据中提取 TPS数据与TPS数据特征，以统计各个时间窗口对应的历史交易最大值和最小值和得到TPS 交易事件预测回归模型，从而预测TPS交易事件阈值，提高了数据提取的可靠性，实现预测 TPS交易事件阈值的目的，不但为后台服务改进提供参考，而且对故障排除的决策给出建 议，提高用户的使用体验，简单方便。
[0010] 另外，根据本发明上述实施例的TPS交易事件阈值的预测方法还可以具有如下附 加的技术特征：
[0011] 进一步地，在本发明的一个实施例中，上述方法还包括：通过图像化方式显示TPS 交易事件阈值预测结果。
[0012] 进一步地，在本发明的一个实施例中，根据交易类型选所述数据挖掘模型，其中， 所述数据挖掘模型包括k近邻模型、BP神经网络模型或者随机森林模型。
[0013] 进一步地，在本发明的一个实施例中，所述TPS数据特征为从所述交易数据中抽 取的多种相关信息联接而形成的每个时刻的特征，其中，所述多种相关信息包括当前交易 信息、当前日期星期、往日同期信息和当日交易增幅信息中的一种或多种。
[0014] 进一步地，在本发明的一个实施例中，通过主成分分析法或特征选择法从所述交 易数据中提取TPS数据特征。
[0015] 本发明另一方面实施例提出了一种TPS交易事件阈值的预测系统，包括：数据预 处理模块，用于获取交易数据，并从所述交易数据中提取TPS数据与TPS数据特征；统计模 块，用于按照时间窗口对所述TPS数据进行时间序列分割，以统计各个时间窗口对应的历 史交易最大值和最小值；回归模块，用于根据所述TPS数据特征训练数据挖掘模型以得到 TPS交易事件预测回归模型；以及预测模块，用于根据所述TPS交易事件预测回归模型和所 述各个时间窗口对应的历史交易最大值和最小值预测TPS交易事件阈值。
[0016] 根据本发明实施例提出的TPS交易事件阈值的预测系统，通过从交易数据中提取 TPS数据与TPS数据特征，以统计各个时间窗口对应的历史交易最大值和最小值和得到TPS 交易事件预测回归模型，从而预测TPS交易事件阈值，提高了数据提取的可靠性，实现预测 TPS交易事件阈值的目的，不但为后台服务改进提供参考，而且对故障排除的决策给出建 议，提高用户的使用体验，简单方便。
[0017] 另外，根据本发明上述实施例的TPS交易事件阈值的预测系统还可以具有如下附 加的技术特征：
[0018] 进一步地，在本发明的一个实施例中，上述系统还包括：图形用户界面，用于通过 图像化方式显示TPS交易事件阈值预测结果。
[0019] 进一步地，在本发明的一个实施例中，所述回归模块还用于根据交易类型选所述 数据挖掘模型，其中，所述数据挖掘模型包括k近邻模型、BP神经网络模型或者随机森林模 型。
[0020] 进一步地，在本发明的一个实施例中，所述TPS数据特征为从所述交易数据中抽 取的多种相关信息联接而形成的每个时刻的特征，其中，所述多种相关信息包括当前交易 信息、当前日期星期、往日同期信息和当日交易增幅信息中的一种或多种。
[0021] 进一步地，在本发明的一个实施例中，通过主成分分析法或特征选择法从所述交 易数据中提取TPS数据特征。
[0022] 本发明附加的方面和优点将在下面的描述中部分给出，部分将从下面的描述中变 得明显，或通过本发明的实践了解到。
【附图说明】
[0023] 本发明的上述和/或附加的方面和优点从结合下面附图对实施例的描述中将变 得明显和容易理解，其中：
[0024] 图1为根据本发明实施例的TPS交易事件阈值的预测方法的流程图；
[0025] 图2为根据本发明一个实施例的TPS交易事件阈值的预测方法的流程图；
[0026] 图3为根据本发明一个具体实施例的TPS交易事件阈值的预测方法的流程图；
[0027] 图4为根据本发明一个实施例的TPS数据特征提取方法的流程图；
[0028] 图5为根据本发明一个实施例的TPS交易事件阈值预测结果示意图；
[0029] 图6为根据本发明实施例的TPS交易事件阈值的预测系统的结构示意图；以及 [0030]图7为根据本发明一个具体实施例的TPS交易事件阈值的预测系统给的结构示意 图。
【具体实施方式】
[0031] 下面详细描述本发明的实施例，所述实施例的示例在附图中示出，其中自始至终 相同或类似的标号表示相同或类似的元件或具有相同或类似功能的元件。下面通过参考附 图