描述的实施例是示例性的，旨在用于解释本发明，而不能理解为对本发明的限制。
[0032] 此外，术语"第一"、"第二"仅用于描述目的，而不能理解为指示或暗示相对重要性 或者隐含指明所指示的技术特征的数量。由此，限定有"第一"、"第二"的特征可以明示或 者隐含地包括一个或者更多个该特征。在本发明的描述中，"多个"的含义是两个或两个以 上，除非另有明确具体的限定。
[0033] 在本发明中，除非另有明确的规定和限定，术语"安装"、"相连"、"连接"、"固定"等 术语应做广义理解，例如，可以是固定连接，也可以是可拆卸连接，或一体地连接；可以是机 械连接，也可以是电连接；可以是直接相连，也可以通过中间媒介间接相连，可以是两个元 件内部的连通。对于本领域的普通技术人员而言，可以根据具体情况理解上述术语在本发 明中的具体含义。
[0034] 在本发明中，除非另有明确的规定和限定，第一特征在第二特征之"上"或之"下" 可以包括第一和第二特征直接接触，也可以包括第一和第二特征不是直接接触而是通过它 们之间的另外的特征接触。而且，第一特征在第二特征"之上"、"上方"和"上面"包括第一 特征在第二特征正上方和斜上方，或仅仅表示第一特征水平高度高于第二特征。第一特征 在第二特征"之下"、"下方"和"下面"包括第一特征在第二特征正上方和斜上方，或仅仅表 示第一特征水平高度小于第二特征。
[0035] 下面参照附图描述根据本发明实施例提出的TPS交易事件阈值的预测方法及预 测系统，首先将参照附图描述根据本发明实施例提出的TPS交易事件阈值的预测方法。参 照图1所示，该预测方法包括以下步骤：
[0036] S101，获取交易数据，并从交易数据中提取每秒事务处理量TPS数据与TPS数据特 征。
[0037] 其中，在本发明的一个实施例中，TPS数据特征为从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，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。
[0038] 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交易数 据中提取TPS数据特征。
[0039] S102,按照时间窗口对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。
[0040] S103,根据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。 [0041 ] 其中，在本发明的一个实施例中，根据交易类型选数据挖掘模型，其中，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。
[0042] S104,根据TPS交易事件预测回归模型和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。
[0043] 进一步地，在本发明的一个实施例中，本发明实施例的预测方法还包括：通过图像 化方式显示TPS交易事件阈值预测结果。
[0044] 为了对本发明实施例提出的TPS交易事件阈值的预测方法进行更好地赘述，下面 以银行后台的TPS交易事件阈值预测为例进行说明，需要注意的是，本发明实施例的预测 方法并不仅限于银行一种应用平台。
[0045] 在本发明的一个具体实施例中，如图2所示，本发明实施例的预测方法包括以下 步骤：
[0046] S1，获取银行后台交易数据，并从银行后台交易数据提取TPS数据及其特征，其 中，TPS数据特征指从银行后台交易数据中抽取的多种相关信息链接而形成的每个时刻的 特征。其中，多种相关信息包括但不限于：当前交易情况、当前日期星期、往日同期情况和当 日交易增幅情况。
[0047] 具体地，如图3所示，本发明实施例可利用特征提取方法通过运行数据读入模块 从大型商业银行后台交易数据中获取如以5分钟为间隔的TPS数据，以便进行回归模型训 练。TPS数据主要是大型商业银行后台所有交易及其发生时间，通过抽取有用的信息，诸如： 当前交易情况、当前日期星期、往日同期情况和当日交易增幅情况来表示间隔特征。通过该 步骤可以形成TPS交易事件阈值预测模型的数据集。
[0048] 在本发明的实施例中，如图4所示，本发明实施例可以通过特征提取方法从交易 数据中提取每个时刻的TPS数据特征。
[0049] 其中，特征提取方法可以包括以下几种：
[0050] PCA(PrincipalComponentAnalysis，主成分分析法），主要思想是将数据点重新 在新的坐标系（主成分）上进行投影，通过最大化投影后的数据点之间方差，优化目标如以 下公式所示：
[0051]
【主权项】
1. 一种TPS交易事件阈值的预测方法，其特征在于，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。
2. 根据权利要求1所述的TPS交易事件阈值的预测方法，其特征在于，还包括：通过图 像化方式显示TPS交易事件阈值预测结果。
3. 根据权利要求1所述的TPS交易事件阈值的预测方法，其特征在于，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。
4. 根据权利要求1所述的TPS交易事件阈值的预测方法，其特征在于，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。
5. 根据权利要求1-4任一项所述的TPS交易事件阈值的预测方法，其特征在于，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。
6. -种TPS交易事件阈值的预测系统，其特征在于，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。
7. 根据权利要求6所述的TPS交易事件阈值的预测系统，其特征在于，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。
8. 根据权利要求6所述的TPS交易事件阈值的预测系统，其特征在于，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。
9. 根据权利要求6所述的TPS交易时间阈值的预测系统，其特征在于，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。
10. 根据权利要求6-9任一项所述的TPS交易时间阈值的预测系统，其特征在于，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。
【专利摘要】本发明公开了一种TPS交易事件阈值的预测方法及预测系统，其中，方法包括以下步骤：获取交易数据，并提取TPS数据与TPS数据特征；按照时间窗口进行时间序列分割，以统计各个时间窗口对应的历史交易最大值和最小值；训练数据挖掘模型以得到TPS交易事件预测回归模型；根据TPS交易事件预测回归模型和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。根据本发明实施例的预测方法可以预测TPS交易事件阈值，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。
【IPC分类】G06F17-30, G06Q40-02
【公开号】CN104778622
【申请号】CN201510213263
【发明人】徐华, 詹立雄, 石炎军, 楼浩, 李佳
【申请人】清华大学, 北京银信长远科技股份有限公司, 清华大学无锡应用技术研究院
【公开日】2015年7月15日
【申请日】2015年4月29日