吳越 張林翔 陳玉蘭 蔣偉

摘要：針對ATM交易系統(tǒng)產(chǎn)生的交易數(shù)據(jù)，對交易時(shí)刻、交易量、交易成功率和響應(yīng)時(shí)間進(jìn)行person相關(guān)性分析，提取ATM應(yīng)用系統(tǒng)的交易狀態(tài)特征參數(shù)。對時(shí)刻-交易量進(jìn)行方差分析并利用3σ準(zhǔn)則提取異常點(diǎn)，對成功率-響應(yīng)時(shí)間引入K-means聚類對異常點(diǎn)進(jìn)行分級。由此找出交易量、交易成功率和響應(yīng)時(shí)間的異常值，進(jìn)而建立ATM 異常檢測系統(tǒng)。

關(guān)鍵詞：相關(guān)性分析;方差分析;K-means聚類

引言

ATM提供提款、存款、轉(zhuǎn)賬等銀行柜臺服務(wù)，提升了銀行的工作效率，給群眾帶來了很大的便利。但隨著商業(yè)銀行 ATM 業(yè)務(wù)的快速發(fā)展，銀行承擔(dān)的確保 ATM 交易系統(tǒng)穩(wěn)定運(yùn)行的壓力越來越大，ATM的維護(hù)管理和數(shù)據(jù)安全顯得十分重要，交易系統(tǒng)的性能管理成為一大關(guān)鍵問題。

因此，ATM交易狀態(tài)的故障發(fā)現(xiàn)與異常數(shù)據(jù)檢測成為我們的研究問題。本文的主要研究內(nèi)容是根據(jù)匯總信息包含的四個(gè)指標(biāo)（交易時(shí)刻，交易量，交易成功率，交易響應(yīng)時(shí)間），選擇、提取、分析ATM 交易狀態(tài)的特征參數(shù)，并設(shè)計(jì)一套交易狀態(tài)異常檢測方案，以實(shí)現(xiàn)故障場景的正確判斷與及時(shí)報(bào)警。

1 數(shù)據(jù)來源與處理

1.1 數(shù)據(jù)來源

本文數(shù)據(jù)采用 2017 年“深圳杯”數(shù)學(xué)建模挑戰(zhàn)賽提供的從1月23日至4月23日某商業(yè)銀行 ATM 應(yīng)用系統(tǒng)某分行的交易統(tǒng)計(jì)數(shù)據(jù)。

1.2 數(shù)據(jù)預(yù)處理

首先對每分鐘對各分行的交易信息進(jìn)行匯總統(tǒng)計(jì)，包括交易時(shí)刻，交易量、交易成功率、交易響應(yīng)時(shí)間 4個(gè)指標(biāo)。其次對所給數(shù)據(jù)進(jìn)行了缺失填補(bǔ)，并去除不符合實(shí)際的數(shù)據(jù)。

（1）數(shù)據(jù)分段處理

首先根據(jù)數(shù)據(jù)做出累計(jì)交易量與日期之間的關(guān)系，發(fā)現(xiàn)1月23日至1月27日，由于春節(jié)前夕導(dǎo)致ATM交易量明顯增長。1月28至2月5日，由于處在春節(jié)期間，銀行的日均累計(jì)交易量明顯低于平時(shí)。而其余時(shí)間段的累計(jì)日交易量波動(dòng)范圍較小、較平穩(wěn)，具有研究價(jià)值。因此本文主要對2月5日后的數(shù)據(jù)進(jìn)行交易狀態(tài)特征分析。

（2）工作日與非工作日比較

根據(jù)數(shù)據(jù)分別繪制非工作日與工作日的時(shí)刻-交易量的關(guān)系，觀察發(fā)現(xiàn)交易量與時(shí)刻的圖像呈“雙峰型”分布。交易量在0-420 min處于較低水平，420-1260處于較高水平。根據(jù)實(shí)際情況分析，即在0：00-7：00時(shí)刻，由于夜間人流量少，故導(dǎo)致交易量較低。而在7：00-21：00時(shí)，該時(shí)間段為工作階段，人們活動(dòng)量大，故交易量持續(xù)穩(wěn)定的處于較高水平。

分析比較工作日與非工作日，發(fā)現(xiàn)工作日與非工作日的每一時(shí)刻交易量相差小，僅在某個(gè)高峰段的存在微小差異。從整體上看，工作日和非工作日的單日交易量不存在明顯差別，因此本文不對工作日與非工作日的數(shù)據(jù)進(jìn)行區(qū)分。

2 交易狀態(tài)相關(guān)指標(biāo)分析

對日期、時(shí)刻、交易量、成功率和響應(yīng)時(shí)間進(jìn)行Pearson相關(guān)性分析，進(jìn)行初步的數(shù)據(jù)相關(guān)性觀察，為下一步提取特征參數(shù)做準(zhǔn)備。利用SPSS，得出4個(gè)變量間的相關(guān)性：

1）交易量與時(shí)刻存在正相關(guān);

2）成功率與響應(yīng)時(shí)間存在負(fù)相關(guān)。即數(shù)據(jù)中心后端系統(tǒng)處理異常，導(dǎo)致交易失敗則響應(yīng)時(shí)間加長。

3 交易狀態(tài)異常檢測方案

3.1交易量的聚類分析

由于春節(jié)后每天各時(shí)刻的交易量與平均值有較大的差異，求出每天的交易量平均值與各時(shí)刻的關(guān)系，觀察表明春節(jié)后每天各時(shí)刻的交易量與均值的差異近似服從正態(tài)分布，因此我們利用方差分析法，將差值較大的交易量定義為異常值。并引入 準(zhǔn)則，將 作為其置信區(qū)間，從而判斷并提取異常點(diǎn)，通過以 為置信區(qū)間，將每天交易量與均值的差值在 之外的值標(biāo)記為異常點(diǎn)，

即可對交易是否出現(xiàn)異常進(jìn)行檢測。根據(jù)某一時(shí)刻算出理交易量，此時(shí)對應(yīng)時(shí)刻的實(shí)際交易量若在置信區(qū)間內(nèi)，則交易正常。否則，交易異常。

3.2基于K-means聚類分析的成功率和響應(yīng)時(shí)間異常檢測

根據(jù)匯總成功率-響應(yīng)時(shí)間的數(shù)據(jù)，通過SPSS，對三月份的成功率-響應(yīng)時(shí)間的數(shù)據(jù)進(jìn)行K-means聚類處理，可得三類聚類中心，如圖1

根據(jù)聚類結(jié)果，三類聚類中心分別為（0.83，142.95）（0.95，12288.29）（0.41，79947.34）。我們將這三類異常程度定義為 “穩(wěn)定”“臨界異?！薄爱惓！?個(gè)程度。分析最終的聚類結(jié)果，則可判斷出第一類紅色區(qū)域的點(diǎn)為代表交易處于臨界異常，第二類綠色區(qū)域表示交易異常狀態(tài)，成功率低且響應(yīng)時(shí)間長。第三類藍(lán)色區(qū)域成功率較高且響應(yīng)時(shí)間低，為正常點(diǎn)集中區(qū)域。

4 結(jié)論

本文首先對 ATM應(yīng)用系統(tǒng)的交易狀態(tài)特征參數(shù)進(jìn)行提取，探討ATM交易各指標(biāo)之間的關(guān)聯(lián)性。進(jìn)而建立了ATM交易狀態(tài)異常檢測模型?；诜讲罘治龇ㄒ约?準(zhǔn)則，能夠有效的找出交易量異常點(diǎn)。利用k-means 聚類分析可區(qū)分出數(shù)據(jù)交易成功率和響應(yīng)時(shí)間異常點(diǎn)并對異常程度進(jìn)行分級。本文設(shè)計(jì)的一套交易狀態(tài)異常監(jiān)測方案，能盡可能實(shí)現(xiàn)對ATM交易系統(tǒng)異常的及時(shí)報(bào)警，減少虛警誤報(bào)，使ATM 交易系統(tǒng)的性能管理問題有了一定的突破。從而提高銀行自動(dòng)系統(tǒng)的工作效率，保障系統(tǒng)的暢通，便利ATM的使用者，使得ATM的服務(wù)便利性發(fā)揮到最大。

參考文獻(xiàn)

[1]孫博，康銳，張叔農(nóng).基于特征參數(shù)趨勢進(jìn)化的故障診斷和預(yù)測方法[J].航空動(dòng)力學(xué)報(bào)，2008（02）：393-398.

[2]楊志浩.聚類分析算法研究改進(jìn)及其在ATM選址中的應(yīng)用[D].鞍山：遼寧科技大學(xué)，2014.

[3]丁智國.流數(shù)據(jù)在線異常檢測方法研究[D].上海大學(xué) ，2015

[4]李一，蔡禮淵.ATM交易狀態(tài)特征分析與異常檢驗(yàn)[J].成都工業(yè)學(xué)院學(xué)報(bào)，2018.21（1）.

作者簡介：吳越（1998-），福建人，本科生;

蔣偉（1982-），重慶人，副教授，研究方向：數(shù)學(xué)建模與圖像處理。