[发明专利]一种校园卡异常使用行为在线预警方法及系统

权利要求书

1.一种校园卡异常使用行为在线预警方法，其特征在于：包括以下过程：

获取待检测校园卡使用数据；

根据可变时间间隔的聚合模型，将获取的待检测校园卡使用数据转换为使用行为样本数据；包括：

对校园卡使用数据，进行多维特征抽取和结果类别集合设定；

采用可变时间间隔的聚合模型完成多维特征的赋值，基于待检测使用数据形成待检测使用行为样本集；

对待检测使用行为样本集中的特征进行量化和标准化处理；

可变时间间隔的聚合模型，包括：导入校园卡消费流水集TR，设定可变时间间隔t_I，从校园卡消费流水集中聚合同一账户发生在t₀开始到t₀-t_I的流水为一个行为样本，聚合方式如下：

其中，x_i.id和x_i.time为流水的身份识别号码和发生时间，S为行为样本，aggregate为聚合函数，t₀为初始时间，ID为校园卡账号；

根据使用行为样本数据和自适应权重的预设分类模型，得到校园卡使用行为分类结果；预设分类模型中：

采用预设训练集和随机森林的并行化方式周期性重建K棵CART树，利用K棵CART树对使用行为样本数据进行预分类得到局部分类结果；

计算每棵CART树对使用行为样本数据的相关性偏置值，根据使用行为样本数据在每棵CART树上的分类精度权重和相关性偏置权重得到自适应的双重权重；

根据得到的局部分类结果和自适应的双重权重，进行使用行为分类；

根据校园卡使用行为分类结果，进行异常使用行为在线预警。

2.如权利要求1所述的校园卡异常使用行为在线预警方法，其特征在于：

以分类精度权重和相关性偏置权重的乘积为自适应的双重权重，根据类别分离函数和自适应的双重权重构建分类选举函数，以获得累加权重最大的类别作为最终校园卡使用行为分类结果；

类别分离函数为：

其中，c为获得累加权重最大的类别，C[i]为每棵CART树Ti的局部分类结果；

分类选举结果为：

其中C_m为分类选举结果，argmax为取最大值函数，C_m[i]为第i棵树的分类结果元组，w_mi为前式求得的双重权重，K为CART树的数量，i:CART树的编号。

3.如权利要求1所述的校园卡异常使用行为在线预警方法，其特征在于：

构建考虑样本结构相关度的自适应权重偏置模型，通过结构相关样本簇计算方法获取使用行为样本数据在样本结构相关评估集上的结构相关样本簇，进而得到所有CART树的相关性偏置值；

从分类精度元组取出Pre[i]作为分类精度权重，从相关性偏置元组取出Bias_m[i]作为相关性偏置权重，形成双重权重：

w_mi＝Pre[i]*Bias_m[i]。

4.如权利要求3所述的校园卡异常使用行为在线预警方法，其特征在于：

样本结构相关度为两个样本中结构相似特征的数量和非结构相似特征的数量的比值；

结构相似特征的数量为类别型结构相似特征的数量与数值型结构相似特征的数量的加和；

对于类别型特征是否结构相似，采用特征是否同值进行判定；

对于数值型特征是否相似，采用特征是否同箱进行判定。