[发明专利]异常产品识别方法及系统

权利要求书

1.一种异常产品识别方法，其特征在于，包括：

获取当前交易数据；

将所述当前交易数据输入预先创建的第一最优神经网络模型中，得到当前交易概率；

根据所述当前交易概率确定当前客户点差关联数据；

将所述当前客户点差关联数据输入预先创建的第二最优神经网络模型中，得到当前点差数据；

根据所述当前点差数据与实际点差数据识别异常产品；

预先创建的第二最优神经网络模型的步骤包括：

执行如下迭代处理：

将历史客户点差关联数据输入第二神经网络模型中，得到历史预测点差数据；

根据所述历史预测点差数据和历史实际点差数据确定第二损失函数；

判断所述第二损失函数是否小于第二预设阈值；

当所述第二损失函数小于第二预设阈值时，将当前迭代中的第二神经网络模型作为所述第二最优神经网络模型，否则根据所述第二损失函数更新所述第二神经网络模型，继续执行所述迭代处理；

所述异常产品识别方法还包括：

获取初始客户点差关联数据；

将所述初始客户点差关联数据输入预先创建的第二神经网络模型中，得到初始预测点差数据；

根据所述初始预测点差数据、初始实际点差数据和交易调整数据表确定交易调整数据；

根据交易调整数据的交易变动率加权结果确定有效调整数据和无效调整数据；

根据所述有效调整数据和所述无效调整数据更新所述初始客户点差关联数据，得到所述历史客户点差关联数据。

2.根据权利要求1所述的异常产品识别方法，其特征在于，预先创建第一最优神经网络模型的步骤包括：

执行如下迭代处理：

将历史交易数据输入第一神经网络模型中，得到历史预测交易概率；

根据所述历史预测交易概率和历史实际交易概率确定第一损失函数；

判断所述第一损失函数是否小于第一预设阈值；

当所述第一损失函数小于第一预设阈值时，将当前迭代中的第一神经网络模型作为所述第一最优神经网络模型，否则根据所述第一损失函数更新所述第一神经网络模型，继续执行所述迭代处理。

3.根据权利要求1所述的异常产品识别方法，其特征在于，根据所述初始预测点差数据、初始实际点差数据和交易调整数据表确定交易调整数据包括：

确定所述初始预测点差数据与同一客户不同产品的初始实际点差数据的差值的绝对值；

确定所述交易调整数据表中所述绝对值中的最大值对应的产品的交易调整数据。

4.根据权利要求1所述的异常产品识别方法，其特征在于，根据交易调整数据的交易变动率加权结果确定有效调整数据和无效调整数据包括：

将所述交易变动率加权结果按照从大到小的顺序进行排序；

确定排序在第三预设阈值之前的交易调整数据作为所述有效调整数据；

确定排序在第四预设阈值之后的交易调整数据作为所述无效调整数据。

5.根据权利要求1所述的异常产品识别方法，其特征在于，根据所述当前交易概率确定当前客户点差关联数据包括；

将所述当前交易概率按照从大到小的顺序进行排序；

根据排序在第五预设阈值之前的当前交易概率的交易数据确定当前客户点差关联数据。

6.根据权利要求1所述的异常产品识别方法，其特征在于，根据所述当前点差数据与实际点差数据识别异常产品包括：

将所述当前点差数据与实际点差数据的差值的绝对值按从大到小的顺序进行排序；

将排序在预设数量之前的差值的绝对值对应的产品识别为异常产品。

7.根据权利要求1所述的异常产品识别方法，其特征在于，根据所述当前点差数据与实际点差数据识别异常产品包括：

确定所述当前点差数据与实际点差数据的差值的绝对值；

当所述差值的绝对值大于预设差值时，将该差值的绝对值对应的产品识别为异常产品。