一种基于机器学习的支付自动降级的方法

技术领域

本发明属于支付优化领域，具体是指一种基于机器学习的支付自动降级的方法。

背景技术

降级方案是保护接口稳定性的重要手段之一，而重要的接口更需要保证其高可用性。如今的支付平台包含多种支付方式，而当某一个支付渠道的流量过多时则需要采用降级策略，以保证支付接口整体的可用性。

常见的降级方案包含自动降级和手动降级，手动降级每次需要人工操作，其操作繁杂且使用成本相对较高，所以系统需要根据更智能的方案以完成自动降级。如何提高系统的智能性，使得系统能够自动完成降级则是如今各个企业研发的重点方向。

发明内容

本发明的目的在于克服上述问题，提供一种基于机器学习的支付自动降级的方法，通过机器学习的方式来完成渠道支付流量的预测，从而有效的判断未来一段时间的渠道支付流量是否达到阈值，进而提前采取降级方案，以保证服务的高可用，同时有效的提高了系统的智能性，促及了企业与行业的发展。

本发明的目的通过下述技术方案实现：

一种基于机器学习的支付自动降级的方法，由支付降级系统完成，该支付降级系统由数据采集系统、数据处理系统、模型训练系统以及支付系统组成；其中，数据采集系统负责采集用户实时数据行为，数据处理系统负责定期将单位时间的业务数据组装成特征数据，模型训练系统将样本数据输入到机器学习模型并进行模型训练，支付系统则是将最近单位时间内的样本数据输入到机器学习模型中从而预测渠道的支付数据并根据预测的支付流量判断是否采用降级策略。

包括以下步骤：

(1)通过数据采集系统完成用户数据的采集和存储，并得到用户行为历史数据和用户行为实时数据；

(2)通过数据处理系统对存储的用户行为历史数据进行统计与计算，形成训练样本数据；

(3)通过模型训练系统中的机器学习模型对训练样本数据进行训练；

(4)将用户行为实时数据导入模型训练系统并由机器学习模型对用户行为实时数据进行预测得到预测结果；

(5)支付系统判断预测结果是否超过阀值，若未超过阀值则不进行降级处理，若超过阀值则自动对相应的支付渠道进行降级处理。

步骤(1)中所述数据采集系统采集的用户数据包括浏览数据、搜索数据、加购物车数据、收藏数据、下单数据、商品访问数量数据、商品访问类型数据以及支付数据。

步骤(2)中数据处理系统的具体工作步骤为：

(21)设置定时任务，并通过定时任务将单位时间内所有的用户数据进行处理，并累计求和；

(22)通过特征工程将数据进行空值处理、均一化处理、离散化处理、异常值处理；

(23)将特征工程处理后的数据存入到样本数据库中。

步骤(3)中机器学习模型通过神经网络进行模型训练，具体的模型训练过程为：

(31)将样本数据库中的数据导入机器学习模型中；

(32)机器学习模型将数据放入神经网络的输入层；

(33)神经网络对输入层的数据进行模拟学习获得隐藏层1；

(34)神经网络对隐藏层1的数据进行模拟学习获得隐藏层2；

(35)神经网络对隐藏层2的数据进行模拟学习得出结果，即渠道支付数量。

步骤(4)中预测结果的获得方法为：

(41)将用户行为实时数据导入机器学习模型中；

(42)机器学习模型将用户行为实时数据放入神经网络的输入层；

(43)机器学习模型根据步骤(3)获得的结果模拟出预测结果，即预测各个渠道的支付数量。

步骤(5)将对步骤(4)预测的各个渠道的支付数量分别进行阀值判定，并对所有超过阀值的支付渠道进行降级处理。

本发明与现有技术相比，具有以下优点及有益效果：

本发明通过机器学习的方式来完成渠道支付流量的预测，从而有效的判断未来一段时间的渠道支付流量是否达到阈值，进而提前采取降级方案，以保证服务的高可用，同时有效的提高了系统的智能性，促及了企业与行业的发展。

附图说明

图1为本发明的流程图。

图2为本发明的机器学习模型中神经网络的流程图。

具体实施方式

下面结合实施例对本发明作进一步的详细说明，但本发明的实施方式不限于此。

实施例1

如图1所示，一种基于机器学习的支付自动降级的方法，由支付降级系统完成，该支付降级系统又由数据采集系统、数据处理系统、模型训练系统以及支付系统组成；其中，数据采集系统负责采集用户实时数据行为，数据处理系统负责定期将单位时间的业务数据组装成特征数据，模型训练系统将样本数据输入到机器学习模型并进行模型训练，支付系统则是将最近单位时间内的样本数据输入到机器学习模型中从而预测渠道的支付数据并根据预测的支付流量判断是否采用降级策略。

包括以下步骤：

(1)通过数据采集系统完成用户数据的采集和存储，并得到用户行为历史数据和用户行为实时数据；

所述数据采集系统采集的用户数据包括浏览数据、搜索数据、加购物车数据、收藏数据、下单数据、商品访问数量数据、商品访问类型数据以及支付数据。

(2)通过数据处理系统对存储的用户行为历史数据进行统计与计算，形成训练样本数据；

数据处理系统的具体工作步骤为：

(21)设置定时任务，并通过定时任务将单位时间内所有的用户数据进行处理，并累计求和；

(22)通过特征工程将数据进行空值处理、均一化处理、离散化处理、异常值处理；

(23)将特征工程处理后的数据存入到样本数据库中。

(3)通过模型训练系统中的机器学习模型对训练样本数据进行训练；

机器学习模型通过神经网络进行模型训练，具体的模型训练过程为：

(31)将样本数据库中的数据导入机器学习模型中；

(32)机器学习模型将数据放入神经网络的输入层；

(33)神经网络对输入层的数据进行模拟学习获得隐藏层1；

(34)神经网络对隐藏层1的数据进行模拟学习获得隐藏层2；

(35)神经网络对隐藏层2的数据进行模拟学习得出结果，即渠道支付数量。

(4)将用户行为实时数据导入模型训练系统并由机器学习模型对用户行为实时数据进行预测得到预测结果；

预测结果的获得方法为：

(41)将用户行为实时数据导入机器学习模型中；

(42)机器学习模型将用户行为实时数据放入神经网络的输入层；

(43)机器学习模型根据步骤(3)获得的结果模拟出预测结果，即预测各个渠道的支付数量。

(5)支付系统判断预测结果是否超过阀值，若未超过阀值则不进行降级处理，若超过阀值则自动对相应的支付渠道进行降级处理。

该步骤将对步骤(4)预测的各个渠道的支付数量分别进行阀值判定，并对所有超过阀值的支付渠道进行降级处理。

如上所述，便可很好的实现本发明。