[发明专利]一种基于机器学习的支付自动降级的方法

权利要求书

1.一种基于机器学习的支付自动降级的方法，其特征在于：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。

2.根据权利要求1所述的一种基于机器学习的支付自动降级的方法，其特征在于：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。

3.根据权利要求2所述的一种基于机器学习的支付自动降级的方法，其特征在于：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。

4.根据权利要求3所述的一种基于机器学习的支付自动降级的方法，其特征在于：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。

5.根据权利要求4所述的一种基于机器学习的支付自动降级的方法，其特征在于：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。

6.根据权利要求5所述的一种基于机器学习的支付自动降级的方法，其特征在于：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。

7.根据权利要求6所述的一种基于机器学习的支付自动降级的方法，其特征在于：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。