[发明专利]一种基于币安热地址的比特币交易提现金额预测方法

权利要求书

1.一种基于币安热地址的比特币交易提现金额预测方法，其特征在于，包括：

S10获取币安热地址历史所有的交易数据，补充交易数据中数据缺失；

S20将补充后的交易数据按转入/转出行为划分出用于转出方储存的交易数据为用户提现数据，聚合预定时段内的用户提现数据，将聚合后的用户提现数据以时间点A为界线，取时间点A的过去时间内的用户提现数据为特征信息，时间点A预测时间段的用户提现数据为标签信息，构造交易信息详情的样本；

S30将交易信息详情的样本划分出训练集和验证集，采用训练集训练深度学习模型，获取模型对未来时间用户提现数据的预测值，通过预测值与标签信息的差值调整深度学习模型的权重参数，直至得到稳定收敛训练后的深度学习模型；

S60将验证集输入训练后的深度学习模型获取验证集的交易提现预测值。

2.如权利要求1所述的基于币安热地址的比特币交易提现金额预测方法，其特征在于，所述深度学习模型包括：

输入层，用于将输入的训练集或验证集按单行维度输入第一层长短期记忆网络层LSTM；

第一层长短期记忆网络层LSTM，用于通过对历史序列的信息学习，挖掘序列重要内容，根据输入维度对应有24个LSTM模块，每个LSTM模块接受其对应输入数据与上一个LSTM的输出，计算出一个8维度的向量，通过24次递时计算，最终获得24个计算向量输入第二层长短期记忆网络层LSTM；

第二层长短期记忆网络层LSTM，用于将长短记忆学习到的时序信息汇总到一个16维向量，以进行高维向量的挖掘，根据每个LSTM模块接收到一个8维度输入向量，但24个LSTM模块的8维输入向量汇总到最后的LSTM模块，最后的LSTM模块输出一个16维向量；

丢失层Dropout，用于忽略其他神经元学习能力，通过最后神经元以预定概率P的激活值进行工作，按照伯努利分布，产生一组由原数值和零组成的参数，放弃参数中的零，输出由原数值组成的参数至卷积层Dense；

卷积层Dense，用于将接收的由原数值组成的参数使用激活函数ReLU进行非线性激活，提取参数中原数值之间的关联特征，并将关联特征映射至输出层；

输出层，用于对输入的关联特征映射的各个维度通过线性变换后输出模型计算出的提现金额预测值。

3.如权利要求1所述的基于币安热地址的比特币交易提现金额预测方法，其特征在于，所述S10中补充交易数据中数据缺失的方法包括：

若缺失数据为字符串类型数据，则补充空字符；

若缺失数据为整数型数据，则填零补充；

若缺失数据为浮点数类型，则以0.0进行补充。

4.如权利要求1所述的基于币安热地址的比特币交易提现金额预测方法，其特征在于，所述S20中预定时段为1小时。

5.如权利要求1所述的基于币安热地址的比特币交易提现金额预测方法，其特征在于，所述S20中时间点A的过去时间段取过去的24小时。

6.如权利要求1所述的基于币安热地址的比特币交易提现金额预测方法，其特征在于，所述20中时间点A的预测时间取未来4小时。

7.如权利要求2所述的基于币安热地址的比特币交易提现金额预测方法，其特征在于，所述预定概率P取值为0.8。

8.如权利要求1所述的基于币安热地址的比特币交易提现金额预测方法，其特征在于，所述S30中将交易信息详情的样本划分出训练集和验证集的比例为4:1。

9.如权利要求2所述的基于币安热地址的比特币交易提现金额预测方法，其特征在于，所述第一层长短期记忆网络层LSTM和第二层长短期记忆网络层LSTM为堆叠式的两层长短期记忆网络层LSTM。

10.如权利要求2所述的基于币安热地址的比特币交易提现金额预测方法，其特征在于，所述激活函数ReL的计算方式如下：

其中，x表示计算出的输出值Output。最终得到的输出就是每个样本通过模型计算出的提现金额预测值。