本發(fā)明涉及消費數(shù)據(jù)處理，尤其涉及一種信用卡動態(tài)賬單生成方法及系統(tǒng)。
背景技術：
1、目前對于用戶消費賬單的生成，一般是使用標簽來表示，標簽是某一種用戶特征的符號表示，每個標簽都規(guī)定了我們觀察、認識和描述用戶的一個角度。而各個維度的標簽之間存在不同程度的關聯(lián)度聯(lián)系。如何在多維度的場景下對消費賬單進行周期性評估以及預警仍是難題。
2、而傳統(tǒng)信用卡賬單生成方法存在以下問題：
3、1.周期性固定：賬單按月生成，無法實時反映用戶消費動態(tài)；
4、2.內(nèi)容單一：僅展示消費金額、時間等基礎信息，缺乏對用戶行為的深度分析；
5、3.異常交易滯后：異常交易依賴人工審核或事后風控，響應效率低。
技術實現(xiàn)思路
1、本發(fā)明要解決的技術問題是克服現(xiàn)有技術存在的缺陷，本發(fā)明提出了一種信用卡動態(tài)賬單生成方法及系統(tǒng)，方案通過數(shù)據(jù)挖掘分析，優(yōu)化賬單生成周期，結(jié)合動態(tài)閾值實時預警功能，進一步用戶體驗及安全性。
2、為解決上述技術問題，本發(fā)明采用的技術方案是：一種信用卡動態(tài)賬單生成方法，包括如下步驟：
3、s1、通過api接口實時獲取用戶歷史消費數(shù)據(jù)，統(tǒng)一格式后存入分布式數(shù)據(jù)庫，同步通過分類模型對歷史消費數(shù)據(jù)進行剔除后分類，確定每條消費記錄的類別標簽；
4、s2、結(jié)合歷史消費數(shù)據(jù)的類別標簽，利用k-means聚類算法對應每一類別標簽進行聚類，具體包括，依據(jù)不同類別標簽生成對應每一用戶的增量數(shù)據(jù)集；將增量數(shù)據(jù)集輸入聚類模型中進行聚類，確定增量聚類結(jié)果；依據(jù)增量聚類結(jié)果對所述分類模型進行增量學習訓練，以生成當前用戶賬單；
5、s3、設定動態(tài)閾值，定期式結(jié)合每一期段內(nèi)賬單均值比較，以評價當期消費數(shù)據(jù)的合理性；
6、s4、同步下發(fā)預警信息至用戶終端。
7、進一步地，所述步驟s1中的類別標簽包括消費時間段、消費區(qū)域、商戶類別以及消費金額。
8、進一步地，所述步驟s1中歷史消費數(shù)據(jù)剔除步驟具體包括，
9、獲取預定時間段內(nèi)的用戶歷史消費數(shù)據(jù)，預處理后得到對應的數(shù)據(jù)組；
10、對每一數(shù)據(jù)組內(nèi)的數(shù)據(jù)依據(jù)類別標簽進行過濾，以得到每一期段內(nèi)的消費金額數(shù)據(jù)組；
11、用戶依據(jù)云邊端傳輸協(xié)議設定消費金額上下限制，對超出上下限制的消費金額進行標記，并剔除該特征數(shù)據(jù)所在的整條歷史消費數(shù)據(jù)信息組。
12、進一步地，所述分類模型包括輸入層、隱藏層和輸出層，所述輸入層輔助接收輸入的用戶歷史消費數(shù)據(jù)，并將歷史消費數(shù)據(jù)處理成統(tǒng)一格式以輸入模型，所述隱藏層用以提出每一歷史消費數(shù)據(jù)的數(shù)據(jù)特征，所述輸出層負責將隱藏層提出的數(shù)據(jù)特征轉(zhuǎn)化為最終分類結(jié)果或預測值。
13、進一步地，所述步驟s2中的聚類步驟具體包括，
14、確定出模型參數(shù)eps和minpts的初始值，依據(jù)初始參數(shù)執(zhí)行dbacan聚類生成初始聚類結(jié)果，初始聚類結(jié)果中，每一樣本點對應每一歷史消費數(shù)據(jù)，同步分配到一個聚類簇中，并對每一聚類簇進行編號標記；
15、提取每一聚類簇的中心點以采用輪廓期數(shù)衡量每一樣本點在聚類中的緊密度，判斷得出每一樣本點的聚類效果；
16、設置人工校驗以驗證聚類結(jié)果準確度。
17、進一步地，每一聚類簇中心點信息與分類模型中輸出層的輸出分類結(jié)果相匹配。
18、進一步地，所述步驟s3中動態(tài)閾值的設置步驟包括，
19、對當前周期內(nèi)的歷史消費數(shù)據(jù)進行均值計算，計算公式如下，
20、
21、其中，smat是當前周期的移動平均值，n為窗口大小，xt為時間點t處的歷史消費數(shù)據(jù)；
22、周期交替后，提出歷史周期內(nèi)的歷史消費數(shù)據(jù)；
23、當樣本區(qū)間序列的最大值或最小值超出當前樣本的范圍，判定數(shù)據(jù)不合理，同步觸發(fā)規(guī)則引擎，下發(fā)通知至用戶。
24、依據(jù)上述所述的一種信用卡動態(tài)賬單生成方法構建的系統(tǒng)，包括：
25、數(shù)據(jù)接收模塊，用以通過api接口實時獲取用戶歷史消費數(shù)據(jù)，統(tǒng)一格式后分布式存儲；
26、分類模塊，對歷史消費數(shù)據(jù)進行剔除后分類，確定每條消費記錄的類別標簽；
27、聚類模塊，合歷史消費數(shù)據(jù)的類別標簽，利用k-means聚類算法對應每一類別標簽進行聚類，依據(jù)增量聚類結(jié)果對所述分類模型進行增量學習訓練，以生成當前用戶賬單；
28、預警模塊，通過動態(tài)閾值的方式，定期式分析當前周期的用戶消費數(shù)據(jù)的合理性，同步進行預警下發(fā)。
29、一種計算機設備，包括存儲器和處理器，所述存儲器上存儲有計算機程序，所述處理器執(zhí)行所述計算器程序時實現(xiàn)所述的信用卡動態(tài)賬單生成方法的步驟。
30、一種計算機可讀存儲介質(zhì)，其上存儲有計算機呈程序，所述計算機程序被處理器執(zhí)行時實現(xiàn)所述的信用卡動態(tài)賬單生成方法的步驟。
31、與現(xiàn)有技術相比，本發(fā)明的有益效果包括：通過實時數(shù)據(jù)采集、多維度用戶畫像分析和異常交易預警邏輯，實現(xiàn)動態(tài)化、個性化的賬單生成與管理。該方法解決了傳統(tǒng)賬單周期長、內(nèi)容單一及風控滯后的問題，顯著提升用戶體驗與交易安全性。
1.一種信用卡動態(tài)賬單生成方法，其特征在于，包括如下步驟：
2.根據(jù)權利要求1所述的一種信用卡動態(tài)賬單生成方法，其特征在于：所述步驟s1中的類別標簽包括消費時間段、消費區(qū)域、商戶類別以及消費金額。
3.根據(jù)權利要求2所述的一種信用卡動態(tài)賬單生成方法，其特征在于：所述步驟s1中歷史消費數(shù)據(jù)剔除步驟具體包括，
4.根據(jù)權利要求1所述的一種信用卡動態(tài)賬單生成方法，其特征在于：所述分類模型包括輸入層、隱藏層和輸出層，所述輸入層輔助接收輸入的用戶歷史消費數(shù)據(jù)，并將歷史消費數(shù)據(jù)處理成統(tǒng)一格式以輸入模型，所述隱藏層用以提出每一歷史消費數(shù)據(jù)的數(shù)據(jù)特征，所述輸出層負責將隱藏層提出的數(shù)據(jù)特征轉(zhuǎn)化為最終分類結(jié)果或預測值。
5.根據(jù)權利要求4所述的一種信用卡動態(tài)賬單生成方法，其特征在于：所述步驟s2中的聚類步驟具體包括，
6.根據(jù)權利要求5所述的一種信用卡動態(tài)賬單生成方法，其特征在于：每一聚類簇中心點信息與分類模型中輸出層的輸出分類結(jié)果相匹配。
7.根據(jù)權利要求1所述的一種信用卡動態(tài)賬單生成方法，其特征在于：所述步驟s3中動態(tài)閾值的設置步驟包括，
8.依據(jù)上述權利要求1-7任一所述的一種信用卡動態(tài)賬單生成方法構建的系統(tǒng)，其特征在于，包括：
9.一種計算機設備，包括存儲器和處理器，所述存儲器上存儲有計算機程序，其特征在于，所述處理器執(zhí)行所述計算器程序時實現(xiàn)權利要求1所述的信用卡動態(tài)賬單生成方法的步驟。
10.一種計算機可讀存儲介質(zhì)，其上存儲有計算機呈程序，其特征在于：所述計算機程序被處理器執(zhí)行時實現(xiàn)權利要求1所述的信用卡動態(tài)賬單生成方法的步驟。