[发明专利]交易用户的提前感知方法和装置

权利要求书

1.一种交易用户的提前感知方法，所述方法包括：

获取第一时间周期内的环境因素数据的第一环境因素值，和目标物联网I OT设备在所述第一时间周期内发生的各历史支付行为对应的历史支付数据的第一历史支付值；所述第一时间周期在当前时间之前；所述环境因素数据包括天气特征、节假日特征、周末和工作日特征中的至少一项；所述历史支付数据包括用户画像数据，以及以下至少一项：商户特征数据、对应于用户位置和商户位置的地理位置信息、对应于时间上的先后顺序的时间序列信息、对应于地理位置的远近顺序的空间序列信息；

获取第二时间周期内的所述环境因素数据的第二环境因素值；所述第二时间周期在当前时间之后；

将所述第一环境因素值、所述第一历史支付值和所述第二环境因素值作为预先训练的神经网络模型的输入，通过所述神经网络模型的输出，得到在所述第二时间周期内，通过所述目标I OT设备发生交易的用户，在所述用户画像数据所体现的目标特征上的预估统计分布；

所述预先训练的神经网络模型通过以下方式得到：

获取第三时间周期内的所述环境因素数据的第三环境因素值，和所述目标I OT设备在所述第三时间周期内发生的各历史支付行为对应的所述历史支付数据的第二历史支付值；所述第三时间周期在当前时间之前；

获取第四时间周期内的所述环境因素数据的第四环境因素值；所述第四时间周期在当前时间之前，且所述第四时间周期在所述第三时间周期之后；

获取在所述第四时间周期内，通过所述目标I OT设备发生交易的用户，在所述用户画像数据所体现的目标特征上的实际统计分布；

将所述第三环境因素值、所述第二历史支付值和所述第四环境因素值作为待训练的神经网络模型的样本输入，将所述实际统计分布作为样本标签，对所述神经网络模型进行训练，以得到所述预先训练的神经网络模型。

2.如权利要求1所述的方法，其中，所述目标特征包括以下至少一项：

性别、年龄、支付频率。

3.如权利要求1所述的方法，其中，所述神经网络模型包括：

长短期记忆网络LSTM模型。

4.如权利要求1所述的方法，其中，所述用户画像数据通过如下方式确定：

获取各用户的原始画像数据，所述原始画像数据包括年龄、偏好标签或历史支付次数中的至少一项特征；

针对各用户的所述至少一项特征中的目标特征，分别确定所述目标特征对应的各特征值的一阶矩、二阶矩、三阶矩、求和计算，各项特征对应的一阶矩、二阶矩、三阶矩、求和结果构成各用户的用户画像数据；

其中，所述目标特征的一阶矩表示所述各特征值的均值；所述目标特征的二阶矩表示所述各特征值的方差；所述目标特征的三阶矩表示所述各特征值的偏斜度；所述目标特征的求和计算表示对所述各特征值进行求和。

5.如权利要求1所述的方法，其中，所述历史支付数据包括商户特征数据；

所述商户特征数据包括以下至少一项：

商户的行业类型、商户的特色标签、商户的商圈信息和商户的周边信息；

其中，商户的行业类型根据国家规定的商户类别MCC标准来确定；

商户的特色标签根据用户在商户消费记录的打标标签类设定；

商户的商圈信息基于兴趣点POI信息确定；

商户的周边信息根据预设地理区域之内的商户个数来确定。

6.如权利要求1所述的方法，其中，所述历史支付数据包括地理位置信息；

所述地理位置信息通过如下方式确定：

获取各用户的历史报活位置和商户的地理位置计算各用户到商户的距离；

将各用户到商户的距离的综合值作为所述地理位置信息。

7.如权利要求1所述的方法，其中，所述历史支付数据包括对应多个时间周期的多组数据；

所述历史支付数据包括时间序列信息，所述时间序列信息用于标识所述多组数据在时间上的先后顺序。