一种预付费交易场景下的异常行为监测方法及装置

技术领域

本申请涉及大数据及人工智能领域，可以用于金融领域，具体是一种预付费交易场景下的异常行为监测方法及装置。

背景技术

目前，国家对预付费交易场景的经营及资金流向实施全链路全方位的监管，从而尽量规避或降低经营风险及资金风险，对项目开办、申请资金划拨、资金划拨执行以及消费者付费等一系列预定流程进行人工管控。

现有传统的监管方式由于规则及流程相对固化，容易让流程中的参与者看破监管方式，从而利用系统漏洞进行信息数据造假，躲避正常监管流程，达到资金套取，提前划拨，随意划拨等一系列监管中不允许的目的。

诸如此类的问题皆因受现有监管流程及监管系统功能的限制而无法被提前发现，业务上不合规操作所带来的风险也无法及时被识别出来。虽然，这些问题也可以通过事后审计追责进行处理，但是时效性太差，很多已成既定事实，因此需要有更先进的手段在事中就对业务风险及资金风险进行管控，避免异常业务行为的发生。

发明内容

针对现有技术中的问题，本申请提供一种预付费交易场景下的异常行为监测方法及装置，能够通过构建异常行为监测模型，根据被监管账户的真实交易数据对被监管账户进行异常行为监测。

为解决上述技术问题，本申请提供以下技术方案：

第一方面，本申请提供一种预付费交易场景下的异常行为监测方法，包括：

获取被监管账户设定时段的真实交易数据；

根据设定周期的历史交易数据，利用预先构建的异常行为监测模型预测所述设定时段的预测交易数据；

根据预先设定的异常行为阈值、所述预测交易数据及所述真实交易数据对所述被监管账户进行异常行为监测。

进一步地，预先构建异常行为监测模型的步骤，包括：

根据所述被监管账户的账户基本信息及用于模型训练的历史交易数据构建异常行为监测模型。

进一步地，所述用于模型训练的历史交易数据包括历史交易维度特征，所述根据所述被监管账户的账户基本信息及用于模型训练的历史交易数据构建异常行为监测模型，包括：

获取所述账户基本信息及所述历史交易维度特征；其中，所述历史交易维度特征至少包括时间维度特征及金额维度特征；

将所述账户基本信息及所述历史交易维度特征输入梯度提升决策树模型，得到所述异常行为监测模型。

进一步地，所述用于模型训练的历史交易数据包括历史交易统计特征，所述根据所述被监管账户的账户基本信息及用于模型训练的历史交易数据构建异常行为监测模型，包括：

获取所述账户基本信息及所述历史交易统计特征；其中，所述历史交易统计特征至少包括历史交易维度特征的平均值、最大值、最小值及中位数；

将所述账户基本信息及所述历史交易统计特征输入梯度提升决策树模型，得到所述异常行为监测模型。

进一步地，所述预测交易数据包括拟合维度特征，所述根据设定周期的历史交易数据，利用预先构建的异常行为监测模型预测所述设定时段的预测交易数据，包括：

根据设定周期的历史交易维度特征，利用所述异常行为监测模型确定所述设定周期的拟合维度特征。

进一步地，所述预测交易数据包括拟合统计特征，所述根据设定周期的历史交易数据，利用预先构建的异常行为监测模型预测所述设定时段的预测交易数据，包括：

根据设定周期的历史交易统计特征，利用所述异常行为监测模型确定所述设定周期的拟合统计特征。

进一步地，所述根据预先设定的异常行为阈值、所述预测交易数据及所述真实交易数据对所述被监管账户进行异常行为监测，包括：

根据预先设定的异常行为阈值、所述设定时段的拟合维度特征及所述真实交易数据确定交易行为是否异常；

当交易行为异常时，进行行为异常预警。

进一步地，所述根据预先设定的异常行为阈值、所述预测交易数据及所述真实交易数据对所述被监管账户进行异常行为监测，包括：

根据预先设定的异常行为阈值、所述设定时段的拟合统计特征及所述真实交易数据确定交易行为是否异常；

当交易行为异常时，进行行为异常预警。

第二方面，本申请提供一种预付费交易场景下的异常行为监测装置，包括：

真实数据获取单元，用于获取被监管账户设定时段的真实交易数据；

预测数据生成单元，用于根据设定周期的历史交易数据，利用预先构建的异常行为监测模型预测所述设定时段的预测交易数据；

异常行为监测单元，用于根据预先设定的异常行为阈值、所述预测交易数据及所述真实交易数据对所述被监管账户进行异常行为监测。

进一步地，所述的预付费交易场景下的异常行为监测装置，还具体用于：

根据所述被监管账户的账户基本信息及用于模型训练的历史交易数据构建异常行为监测模型。

进一步地，所述的预付费交易场景下的异常行为监测装置，所述用于模型训练的历史交易数据包括历史交易维度特征，还包括：

维度特征获取单元，用于获取所述账户基本信息及所述历史交易维度特征；其中，所述历史交易维度特征至少包括时间维度特征及金额维度特征；

监测模型构建单元，用于将所述账户基本信息及所述历史交易维度特征输入梯度提升决策树模型，得到所述异常行为监测模型。

进一步地，所述的预付费交易场景下的异常行为监测装置，所述用于模型训练的历史交易数据包括历史交易统计特征，还包括：

统计特征获取单元，用于获取所述账户基本信息及所述历史交易统计特征；其中，所述历史交易统计特征至少包括历史交易维度特征的平均值、最大值、最小值及中位数；

监测模型构建单元，用于将所述账户基本信息及所述历史交易统计特征输入梯度提升决策树模型，得到所述异常行为监测模型。

进一步地，所述的预付费交易场景下的异常行为监测装置，所述预测交易数据包括拟合维度特征，所述预测数据生成单元，还具体用于：

根据设定周期的历史交易维度特征，利用所述异常行为监测模型确定所述设定周期的拟合维度特征。

进一步地，所述的预付费交易场景下的异常行为监测装置，所述预测交易数据包括拟合统计特征，所述预测数据生成单元，还具体用于：

根据设定周期的历史交易统计特征，利用所述异常行为监测模型确定所述设定周期的拟合统计特征。

进一步地，所述异常行为监测单元，包括：

异常行为判断模块，用于根据预先设定的异常行为阈值、所述设定时段的拟合维度特征及所述真实交易数据确定交易行为是否异常；

异常行为预警模块，用于当交易行为异常时，进行行为异常预警。

进一步地，所述异常行为监测单元，包括：

异常行为判断模块，用于根据预先设定的异常行为阈值、所述设定时段的拟合统计特征及所述真实交易数据确定交易行为是否异常；

异常行为预警模块，用于当交易行为异常时，进行行为异常预警。

第三方面，本申请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所述预付费交易场景下的异常行为监测方法的步骤。

第四方面，本申请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所述预付费交易场景下的异常行为监测方法的步骤。

针对现有技术中的问题，本申请提供的预付费交易场景下的异常行为监测方法及装置，能够通过构建异常行为监测模型，根据被监管账户的真实交易数据对被监管账户进行异常行为监测；通过引入改进后的优化监督学习算法及相关配套解决方案，能够实现预付费交易场景下的业务及资金智能监控，在风险发生前预测出异常交易行为，进一步加强预付费资金的安全，为监管机构提供更优更放心的资金监管方案。

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，下面描述中的附图仅仅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为本申请实施例中预付费交易场景下的异常行为监测方法的流程图；

图2为本申请实施例中预先构建异常行为监测模型的步骤的流程图之一；

图3为本申请实施例中预先构建异常行为监测模型的步骤的流程图之二；

图4为本申请实施例中对被监管账户进行异常行为监测的流程图之一；

图5为本申请实施例中对被监管账户进行异常行为监测的流程图之二；

图6为本申请实施例中预付费交易场景下的异常行为监测装置的结构图之一；

图7为本申请实施例中预付费交易场景下的异常行为监测装置的结构图之二；

图8为本申请实施例中预付费交易场景下的异常行为监测装置的结构图之三；

图9为本申请实施例中异常行为监测单元的结构图之一；

图10为本申请实施例中异常行为监测单元的结构图之二；

图11为本申请实施例中的电子设备的结构示意图；

图12为现有技术中传统监管方式的流程图；

图13为本申请实施例中预付费交易场景下的异常行为监测方法施行的构架图。

具体实施方式

下面将结合本申请实施例中的附图，对本申请实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅是本申请一部分实施例，而不是全部的实施例。基于本申请中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本申请保护的范围。

需要说明的是，本申请提供的预付费交易场景下的异常行为监测方法及装置，可用于金融领域，也可用于除金融领域之外的任意领域，本申请提供的预付费交易场景下的异常行为监测方法及装置的应用领域不做限定。

参见图1，为了能够通过构建异常行为监测模型，根据被监管账户的真实交易数据对被监管账户进行异常行为监测，本申请提供一种预付费交易场景下的异常行为监测方法，包括：

S101：获取被监管账户设定时段的真实交易数据；

S102：根据设定周期的历史交易数据，利用预先构建的异常行为监测模型预测所述设定时段的预测交易数据；

S103：根据预先设定的异常行为阈值、所述预测交易数据及所述真实交易数据对所述被监管账户进行异常行为监测。

可以理解的是，随着我国经济发展，人们日常生活中的经济交易日趋频繁。一些行业为了吸引顾客往往建议或者要求顾客预先向商户开立的会员卡等账户中预存一定费用，然后再利用该账户在商家中进行消费。本申请实施例将上述应用场景称为预付费交易场景。

在预付费交易场景中，如果缺乏监管，不法商家可能为了牟利实施异常交易行为，使消费者遭受不必要的经济损失。现有技术中虽有针对预付费交易场景中商家的监管规则及流程，然而，因该规则及流程制定已有时日，其中的参与者往往已经寻到规律，容易利用系统漏洞进行信息数据造假，从而躲避正常监管，实现资金套取，提前划拨，随意划拨等一系列监管中不允许出现的行为。传统的监管规则及流程可以参见图12所示。

为进一步说明本申请所提供方法的应用场景，现以教育培训预付费行业举例。假设培训机构原有100万元资金处于每3个月一次的正常划拨周期中。但培训机构为了提前获取资金，通过新增一门小金额(1000元)小周期(1周完成)的课程，来影响原有100万元的资金划拨周期，企图提前一周完成资金划拨。如果以如图12所示的现有监管规则及流程对该培训机构进行监管，则必须由监管机构人工审核，判断出提前划拨这一异常行为发生的风险，不仅工作量大，也容易因人为疏忽导致审批通过。此外，现有应用场景中，被监管的商户也可能会专款不专用，而监管机构根本不知情。

诸如此类还有更多的场景及问题因现有监管规则及流程所限，无法在异常交易行为发生之前预先识别相应的风险。虽然可以通过事后审计进行追责处理，但时效性差，很多异常行为已成既定事实，损失难以挽回。因此，需要有更先进的手段在事前及事中对业务风险及资金风险进行预警，避免异常行为的发生。

为此，参见图13，本申请提供一种预付费交易场景下的异常行为监测方法。当需要对商家(被监管账户)进行监管时，可以先获取被监管账户设定时段的真实交易数据；然后根据设定周期的历史交易数据，利用预先构建的异常行为监测模型预测设定时段的预测交易数据；最后根据预先设定的异常行为阈值、预测交易数据及真实交易数据对被监管账户进行异常行为监测。

需要说明的是，所谓设定时段的真实交易数据是指待监管时段的真实交易数据；后续计算出的预测交易数据也对应这一时段；设定周期的历史交易数据是指为了计算得到设定时段的预测交易数据而选取的在设定时段之前的某一设定周期内的历史交易数据。举例而言，如果需对四月(这一设定时段)的交易情况进行监管，可以利用一月至三月(这一设定周期)的历史交易数据来完成。

从上述描述可知，本申请提供的预付费交易场景下的异常行为监测方法，能够通过构建异常行为监测模型，根据被监管账户的真实交易数据对被监管账户进行异常行为监测；通过引入改进后的优化监督学习算法及相关配套解决方案，能够实现预付费交易场景下的业务及资金智能监控，在风险发生前预测出异常交易行为，进一步加强预付费资金的安全，为监管机构提供更优更放心的资金监管方案。

一实施例中，预先构建异常行为监测模型的步骤，包括：根据被监管账户的账户基本信息及用于模型训练的历史交易数据构建异常行为监测模型。

可以理解的是，在进行模型训练时，本申请实施例采用的总体思路是利用在前的历史交易数据来构建初始的异常行为监测模型，然后利用在后的历史交易数据来验证初始的异常行为监测模型的可用性，如果可用性高，则将初始的异常行为监测模型确定为异常行为监测模型。

举例而言，假设现在是本年度的四月，则所谓在前的历史交易数据可以为上一年度的全年交易数据，在后的历史交易数据可以为本年度一月至三月的交易数据。此外，被监管账户的账户基本信息可以为机构编号、机构名称等，其作用主要是作为交易的载体及标识物来区分不同机构及不同交易。

从上述描述可知，本申请提供的预付费交易场景下的异常行为监测方法，能够预先构建异常行为监测模型。

参见图2，用于模型训练的历史交易数据包括历史交易维度特征，根据被监管账户的账户基本信息及用于模型训练的历史交易数据构建异常行为监测模型，包括：

S201：获取账户基本信息及历史交易维度特征；其中，历史交易维度特征至少包括时间维度特征及金额维度特征；

S202：将账户基本信息及历史交易维度特征输入梯度提升决策树模型，得到异常行为监测模型。

可以理解的是，为了构建异常行为监测模型，需要获取账户基本信息及历史交易维度特征，并在获取后对其进行补全缺失值及数据均衡的数据预处理。

所谓缺失值是指由于网络故障及业务系统故障等导致的交易数据记录发生缺失的情况。缺失值的出现会导致数据不完整，对后续进行特征提取以及建模都会产生影响，因此需要先补全缺失值后再进行模型训练，以尽量减小后续的数据处理误差。本申请实施例可以利用取均值法、取中位数法、取随机值法等对缺失值进行补全。

举例如下：

表1

表2

其中，表1为利用取随机值法进行缺失值补全的示例，表2为利用取平均值法进行缺失值补全的示例。

所谓数据均衡处理是指在模型训练前对用于模型训练的正样本数据及负样本数据进行均衡。

在监测中发现，不做数据均衡处理就直接进行模型训练所得到的模型，虽然也可以得到预测结果，但预测结果的召回率极低。原因是用于模型训练的数据样本中的负样本仅占极小比例，正样本远远多于负样本，导致模型没有在机器学习中充分学习负样本。在这种情况下训练出的模型是无效的。因为本领域技术人员知道，众多机器学习算法都有一个基本假设，即数据样本的分布应尽量均匀。

解决这一问题的方法有两种：

第一种为正常样本欠采样，使得最终的训练样本中正负样本比例为1:1。但这种方法的过拟合效应较为严重，导致模型的泛化能力不足。

第二种为异常样本过采样，同样，通过负样本的过采样，使得最终的训练样本中正负样本比例为1:1。

本申请实施例选择异常样本过采样来解决样本不均衡产生的问题。举例如表3所示：

表3

在完成两步数据预处理后，可以将账户基本信息及历史交易维度特征输入梯度提升决策树模型，利用机器学习算法得到异常行为监测模型。其中，历史交易维度特征至少包括时间维度特征及金额维度特征。时间维度特征可指某一设定时段；金额维度特征可指每笔交易的划拨金额。此外，历史交易维度特征还可包括划拨期次等等。

从上述描述可知，本申请提供的预付费交易场景下的异常行为监测方法，能够根据被监管账户的账户基本信息及用于模型训练的历史交易数据构建异常行为监测模型。

参见图3，用于模型训练的历史交易数据包括历史交易统计特征，根据被监管账户的账户基本信息及用于模型训练的历史交易数据构建异常行为监测模型，包括：

S301：获取账户基本信息及历史交易统计特征；其中，历史交易统计特征至少包括历史交易维度特征的平均值、最大值、最小值及中位数；

S302：将账户基本信息及历史交易统计特征输入梯度提升决策树模型，得到异常行为监测模型。

可以理解的是，与上述实施例中所述的数据预处理流程相同，在完成账户基本信息及历史交易统计特征的数据预处理后，可以将账户基本信息及历史交易统计特征输入梯度提升决策树模型，利用机器学习算法得到异常行为监测模型。其中，历史交易统计特征至少包括历史交易维度特征的平均值、最大值、最小值及中位数，也就是对某一时段内用于模型训练的历史交易维度特征取平均值、最大值、最小值及中位数等。

从上述描述可知，本申请提供的预付费交易场景下的异常行为监测方法，能够根据被监管账户的账户基本信息及用于模型训练的历史交易数据构建异常行为监测模型。

一实施例中，预测交易数据包括拟合维度特征，根据设定周期的历史交易数据，利用预先构建的异常行为监测模型预测设定时段的预测交易数据，包括：

根据设定周期的历史交易维度特征，利用异常行为监测模型确定设定周期的拟合维度特征。

需要说明的是，此实施例中的“设定周期”与步骤S101中所记载的“设定周期”意义相同。

以培训机构预付费交易场景为例，通过对预付费交易场景全链路监控业务的研究，目前主要监控的数据有用户缴费信息、机构开课信息、资金划拨信息及账户基本信息等。这些信息之间存在一定的关联关系。通过采集上述数据，同时在最终的划拨数据上进行异常数据标签打样，然后输入监督学习模型训练，可以得到异常行为监测模型。

本申请实施例不对机器学习算法做出限制，可以采用随机森林(Random Forest)算法、XGBost算法及LightGBM算法进行机器学习。这些机器学习算法可以进行数据预测，如有出现预测范围外的数据可以启动报警。举例而言，针对某门课程的资金划拨，前几期每期划拨资金均在10万元左右，但突然有一期划拨金额突变为100万元，则这100万元可作为预测范围外的数据启动报警。

通过验证，随机森林算法分类效果较差，XGBost算法与LightGBM算法的评估效果相近，但XGBost算法分类效果稍好，LightGBM算法训练速度更快。

需要说明的是，特征提取是学习数据采样中最关键的环节。本申请实施例采用滑动窗口法(参见表4)在统计特征(可以对应上述历史交易统计特征)、分解特征(可以对应上述历史交易维度特征)及拟合特征(可以对应上述拟合维度特征及拟合统计特征)三方面进行特征提取。其中，统计特征描述了模型训练过程中需关注的一些统计值(具体见上述举例数据：缴费笔数，缴费金额，课程数，划拨笔数及划拨金额等)。如果这些统计值出现了极大值或极小值等不规律变化，则表明在相应的数据上可能出现了异常。分解特征从组成监控序列的各个维度进行检测(举例数据包括：课程时间、划拨周期(期次)及划拨时间等)。如果某个维度存在极大值或极小值等不规律变化，则表面在相应时间点可能出现了异常。拟合特征对原始的监控序列进行拟合，如果拟合值与真实值(可以对应真实交易数据)差距很大，则有可能是出现了异常行为。

表4

从上述描述可知，本申请提供的预付费交易场景下的异常行为监测方法，根据设定周期的历史交易数据，利用预先构建的异常行为监测模型预测设定时段的预测交易数据。

一实施例中，预测交易数据包括拟合统计特征，根据设定周期的历史交易数据，利用预先构建的异常行为监测模型预测设定时段的预测交易数据，包括：

根据设定周期的历史交易统计特征，利用异常行为监测模型确定设定周期的拟合统计特征。

从上述描述可知，本申请提供的预付费交易场景下的异常行为监测方法，能够根据设定周期的历史交易数据，利用预先构建的异常行为监测模型预测设定时段的预测交易数据。

参见图4，预付费交易场景下的异常行为监测方法，根据预先设定的异常行为阈值、预测交易数据及真实交易数据对被监管账户进行异常行为监测，包括：

S401：根据预先设定的异常行为阈值、设定时段的拟合维度特征及真实交易数据确定交易行为是否异常；

S402：当交易行为异常时，进行行为异常预警。

可以理解的是，在大数据平台中获取交易数据，通过模型构建可以将异常数据检出，然后通过报警设备进行准实时预警。其中，异常行为阈值可依实际应用场景设定。

从上述描述可知，本申请提供的预付费交易场景下的异常行为监测方法，能够根据预先设定的异常行为阈值、预测交易数据及真实交易数据对被监管账户进行异常行为监测。

参见图5，根据预先设定的异常行为阈值、预测交易数据及真实交易数据对被监管账户进行异常行为监测，包括：

S501：根据预先设定的异常行为阈值、设定时段的拟合统计特征及真实交易数据确定交易行为是否异常；

S502：当交易行为异常时，进行行为异常预警。

从上述描述可知，本申请提供的预付费交易场景下的异常行为监测方法，能够根据预先设定的异常行为阈值、预测交易数据及真实交易数据对被监管账户进行异常行为监测。

基于同一发明构思，本申请实施例还提供了一种预付费交易场景下的异常行为监测装置，可以用于实现上述实施例所描述的方法，如下面的实施例所述。由于预付费交易场景下的异常行为监测装置解决问题的原理与预付费交易场景下的异常行为监测方法相似，因此预付费交易场景下的异常行为监测装置的实施可以参见基于软件性能基准确定方法的实施，重复之处不再赘述。以下所使用的，术语“单元”或者“模块”可以实现预定功能的软件和/或硬件的组合。尽管以下实施例所描述的系统较佳地以软件来实现，但是硬件，或者软件和硬件的组合的实现也是可能并被构想的。

参见图6，为了能够通过构建异常行为监测模型，根据被监管账户的真实交易数据对被监管账户进行异常行为监测，本申请提供一种预付费交易场景下的异常行为监测装置，包括：

真实数据获取单元601，用于获取被监管账户设定时段的真实交易数据；

预测数据生成单元602，用于根据设定周期的历史交易数据，利用预先构建的异常行为监测模型预测所述设定时段的预测交易数据；

异常行为监测单元603，用于根据预先设定的异常行为阈值、所述预测交易数据及所述真实交易数据对所述被监管账户进行异常行为监测。

一实施例中，所述的预付费交易场景下的异常行为监测装置，还具体用于：

根据所述被监管账户的账户基本信息及用于模型训练的历史交易数据构建异常行为监测模型。

参见图7，所述的预付费交易场景下的异常行为监测装置，所述用于模型训练的历史交易数据包括历史交易维度特征，还包括：

维度特征获取单元701，用于获取所述账户基本信息及所述历史交易维度特征；其中，所述历史交易维度特征至少包括时间维度特征及金额维度特征；

监测模型构建单元702，用于将所述账户基本信息及所述历史交易维度特征输入梯度提升决策树模型，得到所述异常行为监测模型。

参见图8，所述的预付费交易场景下的异常行为监测装置，所述用于模型训练的历史交易数据包括历史交易统计特征，还包括：

统计特征获取单元801，用于获取所述账户基本信息及所述历史交易统计特征；其中，所述历史交易统计特征至少包括历史交易维度特征的平均值、最大值、最小值及中位数；

监测模型构建单元802，用于将所述账户基本信息及所述历史交易统计特征输入梯度提升决策树模型，得到所述异常行为监测模型。

一实施例中，所述预测交易数据包括拟合维度特征，所述预测数据生成单元，还具体用于：

根据设定周期的历史交易维度特征，利用所述异常行为监测模型确定所述设定周期的拟合维度特征。

一实施例中，所述预测交易数据包括拟合统计特征，所述预测数据生成单元，还具体用于：

根据设定周期的历史交易统计特征，利用所述异常行为监测模型确定所述设定周期的拟合统计特征。

参见图9，所述异常行为监测单元603，包括：

异常行为判断模块901，用于根据预先设定的异常行为阈值、所述设定时段的拟合维度特征及所述真实交易数据确定交易行为是否异常；

异常行为预警模块902，用于当交易行为异常时，进行行为异常预警。

参见图10，所述异常行为监测单元603，包括：

异常行为判断模块1001，用于根据预先设定的异常行为阈值、所述设定时段的拟合统计特征及所述真实交易数据确定交易行为是否异常；

异常行为预警模块1002，用于当交易行为异常时，进行行为异常预警。

从硬件层面来说，为了能够通过构建异常行为监测模型，根据被监管账户的真实交易数据对被监管账户进行异常行为监测，本申请提供一种用于实现所述预付费交易场景下的异常行为监测方法中的全部或部分内容的电子设备的实施例，所述电子设备具体包含有如下内容：

处理器(Processor)、存储器(Memory)、通讯接口(Communications Interface)和总线；其中，所述处理器、存储器、通讯接口通过所述总线完成相互间的通讯；所述通讯接口用于实现所述预付费交易场景下的异常行为监测装置与核心业务系统、用户终端以及相关数据库等相关设备之间的信息传输；该逻辑控制器可以是台式计算机、平板电脑及移动终端等，本实施例不限于此。在本实施例中，该逻辑控制器可以参照实施例中的预付费交易场景下的异常行为监测方法的实施例，以及预付费交易场景下的异常行为监测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。

可以理解的是，所述用户终端可以包括智能手机、平板电子设备、网络机顶盒、便携式计算机、台式电脑、个人数字助理(PDA)、车载设备、智能穿戴设备等。其中，所述智能穿戴设备可以包括智能眼镜、智能手表、智能手环等。

在实际应用中，预付费交易场景下的异常行为监测方法的部分可以在如上述内容所述的电子设备侧执行，也可以所有的操作都在所述客户端设备中完成。具体可以根据所述客户端设备的处理能力，以及用户使用场景的限制等进行选择。本申请对此不作限定。若所有的操作都在所述客户端设备中完成，所述客户端设备还可以包括处理器。

上述的客户端设备可以具有通讯模块(即通讯单元)，可以与远程的服务器进行通讯连接，实现与所述服务器的数据传输。所述服务器可以包括任务调度中心一侧的服务器，其他的实施场景中也可以包括中间平台的服务器，例如与任务调度中心服务器有通讯链接的第三方服务器平台的服务器。所述的服务器可以包括单台计算机设备，也可以包括多个服务器组成的服务器集群，或者分布式装置的服务器结构。

图11为本申请实施例的电子设备9600的系统构成的示意框图。如图11所示，该电子设备9600可以包括中央处理器9100和存储器9140；存储器9140耦合到中央处理器9100。值得注意的是，该图11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，预付费交易场景下的异常行为监测方法功能可以被集成到中央处理器9100中。其中，中央处理器9100可以被配置为进行如下控制：

S101：获取被监管账户设定时段的真实交易数据；

S102：根据设定周期的历史交易数据，利用预先构建的异常行为监测模型预测所述设定时段的预测交易数据；

S103：根据预先设定的异常行为阈值、所述预测交易数据及所述真实交易数据对所述被监管账户进行异常行为监测。

从上述描述可知，本申请提供的预付费交易场景下的异常行为监测方法及装置，能够通过构建异常行为监测模型，根据被监管账户的真实交易数据对被监管账户进行异常行为监测；通过引入改进后的优化监督学习算法及相关配套解决方案，能够实现预付费交易场景下的业务及资金智能监控，在风险发生前预测出异常交易行为，进一步加强预付费资金的安全，为监管机构提供更优更放心的资金监管方案。

在另一个实施方式中，预付费交易场景下的异常行为监测装置可以与中央处理器9100分开配置，例如可以将数据复合传输装置预付费交易场景下的异常行为监测装置配置为与中央处理器9100连接的芯片，通过中央处理器的控制来实现预付费交易场景下的异常行为监测方法的功能。

如图11所示，该电子设备9600还可以包括：通讯模块9110、输入单元9120、音频处理器9130、显示器9160、电源9170。值得注意的是，电子设备9600也并不是必须要包括图11中所示的所有部件；此外，电子设备9600还可以包括图11中没有示出的部件，可以参考现有技术。

如图11所示，中央处理器9100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9100接收输入并控制电子设备9600的各个部件的操作。

其中，存储器9140，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9100可执行该存储器9140存储的该程序，以实现信息存储或处理等。

输入单元9120向中央处理器9100提供输入。该输入单元9120例如为按键或触摸输入装置。电源9170用于向电子设备9600提供电力。显示器9160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9140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9140还可以是某种其它类型的装置。存储器9140包括缓冲存储器9141(有时被称为缓冲器)。存储器9140可以包括应用/功能存储部9142，该应用/功能存储部9142用于存储应用程序和功能程序或用于通过中央处理器9100执行电子设备9600的操作的流程。

存储器9140还可以包括数据存储部9143，该数据存储部9143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9140的驱动程序存储部9144可以包括电子设备的用于通讯功能和/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。

通讯模块9110即为经由天线9111发送和接收信号的发送机/接收机9110。通讯模块(发送机/接收机)9110耦合到中央处理器9100，以提供输入信号和接收输出信号，这可以和常规移动通讯终端的情况相同。

基于不同的通讯技术，在同一电子设备中，可以设置有多个通讯模块9110，如蜂窝网络模块、蓝牙模块和/或无线局域网模块等。通讯模块(发送机/接收机)9110还经由音频处理器9130耦合到扬声器9131和麦克风9132，以经由扬声器9131提供音频输出，并接收来自麦克风9132的音频输入，从而实现通常的电信功能。音频处理器9130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9130还耦合到中央处理器9100，从而使得可以通过麦克风9132能够在本机上录音，且使得可以通过扬声器9131来播放本机上存储的声音。

本申请的实施例还提供能够实现上述实施例中的执行主体为服务器或客户端的预付费交易场景下的异常行为监测方法中全部步骤的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程序，该计算机程序被处理器执行时实现上述实施例中的执行主体为服务器或客户端的预付费交易场景下的异常行为监测方法的全部步骤，例如，所述处理器执行所述计算机程序时实现下述步骤：

S101：获取被监管账户设定时段的真实交易数据；

S102：根据设定周期的历史交易数据，利用预先构建的异常行为监测模型预测所述设定时段的预测交易数据；

S103：根据预先设定的异常行为阈值、所述预测交易数据及所述真实交易数据对所述被监管账户进行异常行为监测。

从上述描述可知，本申请提供的预付费交易场景下的异常行为监测方法及装置，能够通过构建异常行为监测模型，根据被监管账户的真实交易数据对被监管账户进行异常行为监测；通过引入改进后的优化监督学习算法及相关配套解决方案，能够实现预付费交易场景下的业务及资金智能监控，在风险发生前预测出异常交易行为，进一步加强预付费资金的安全，为监管机构提供更优更放心的资金监管方案。

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、装置、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(装置)、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。