[发明专利]一种基于无监督学习的实体卡异常绑卡报警的方法

权利要求书

1.一种基于无监督学习的实体卡异常绑卡报警的方法，其特征在于，包括(1)业务处理，(2)数据处理以及(3)建模和报警三步；

且上述步骤由异常绑卡报警系统完成，该异常绑卡报警系统由如下三个子系统组成：

业务处理系统：通过设置服务器为用户提供绑卡功能，并将用户的绑卡结果进行存储；

数据处理系统：采集业务系统存储的用户绑卡结果，并对采集的用户绑卡结果进行处理，最终形成及其学习特征数据；

建模和报警系统：以数据处理系统形成的学习特征数据作为样本数据，对学习特征数据进行聚类，对聚类的结果进行分析并在需要报警时进行报警。

2.根据权利要求1所述的一种基于无监督学习的实体卡异常绑卡报警的方法，其特征在于：步骤(1)的具体过程为：

(11)用户通过手机端或网页端向服务器发送绑卡请求；

(12)服务器验证绑卡请求；

(13)服务器将绑卡请求的验证结果向手机端或网页端进行反馈；

(14)服务器将绑卡请求以及验证结果导入数据库中进行存储。

3.根据权利要求2所述的一种基于无监督学习的实体卡异常绑卡报警的方法，其特征在于：步骤(11)中所述的绑卡请求包括用户号，卡面号以及卡片密码；步骤(13)中验证结果是通过服务器对绑卡请求中的卡面号和卡片密码进行计算得到的结果，若计算结果正确则绑卡成功，服务器将成功信息通过手机端或网页端向用户进行反馈并进入步骤(14)，若计算结果错误则绑卡失败，服务器将失败信息通过手机端或网页端向用户进行反馈并结束业务处理过程。

4.根据权利要求3所述的一种基于无监督学习的实体卡异常绑卡报警的方法，其特征在于：步骤(2)的具体过程为：

(21)通过设置数据采集模块从数据库中采集绑卡请求以及验证结果；

(22)对采集的绑卡请求以及验证结果进行统计处理得到统计数据；

(23)对统计数据进行空值处理，均一化处理以及异常值处理得到学习特征数据。

5.根据权利要求4所述的一种基于无监督学习的实体卡异常绑卡报警的方法，其特征在于：步骤(22)中所述的统计数据包括用户号在预设周期内的绑卡次数以及绑卡金额。

6.根据权利要求5所述的一种基于无监督学习的实体卡异常绑卡报警的方法，其特征在于：步骤(3)的具体过程为：

(31)建立机器学习模型；

(32)机器学习模型加载学习特征数据；

(33)机器学习模型对加载的学习特征数据进行计算并得到计算结果；

(34)根据计算结果进行分析，当分析结果为正常时则跳过，当分析结果为异常时则进行报警反馈。

7.根据权利要求6所述的一种基于无监督学习的实体卡异常绑卡报警的方法，其特征在于：步骤(33)中计算采用K-Means聚类算法进行聚类分群，具体的算法为：

(a)从学习特征数据中随机选取K个对象作为初始的聚类中心；

(b)分别计算每个学习特征数据到聚类中心的距离，并将每个数据点分配到不同的聚类中心；

(c)当学习特征数据全部计算完成后，重新计算K个聚类的中心位置，若重新计算的K个距离类的中心位置与上一次计算的K个聚类的中心位置不同则进入步骤(d)，若重新计算的K个距离类的中心位置与上一次计算的K个聚类的中心位置相同则完成计算；

(d)将重新计算的K个聚类的中心位置作为初始的聚类中心，并返回步骤(b)。

8.根据权利要求7所述的一种基于无监督学习的实体卡异常绑卡报警的方法，其特征在于：K-Means聚类算法公式为：

C⁽ⁱ⁾：当前样本x⁽ⁱ⁾的簇的索引；

μ_k：第k个聚簇中心；

xⁱ：第i个数据；

求最小化公式：min J（c^（1）·c^(m)，μ₁..μ_k)。