[发明专利]基于深度学习的高斯混合模型银行交易数据模拟生成算法

权利要求书

1.一种基于深度学习的高斯混合模型银行交易数据模拟生成方法，包括，

获取银行真实交易数据；

对银行真实交易数据类型过滤，仅读取所需的数据并进行多路分解为不同属性的银行交易流之间的样本记录，其中，所述不同属性包括但不限于交易金额、交易类型和交易主体；

对不同属性的单个交易流进行分别进行模拟，其中，在单个交易流进行分别进行模拟时，进行预配置参数和分布参数评估，生成交易维度的概率分布的数据特征；

将经过预配置参数和分布参数评估的数据，通过随机数生成器生成数字序列，所述数字序列以用作数字属性值采样集索引或用于随机生成分类值的输入；所述采样集是根据实际银行交易数据分布进行排序和组织的，这种分布可近似为样本集中的样本重复；

所述数字序列的数字将落入采样设置范围内，获得选取的样本，将所述样本作为进行模拟完成的单个交易流；

将分别进行模拟完成的单个交易流输出合并。

2.根据权利要求1所述的基于深度学习的高斯混合模型银行交易数据模拟生成方法，其特征在于，所述分布参数评估，使用高斯混合模型进行分布参数评估的问题推理；

给出一组数据

X＝{x₁，x₂...x_n}

根据未知的分布，估计参数θ拟合数据的改成高斯混合模型

其中μ为数据均值，σ为数据标准差，k是混合模型中子高斯模型的数量，N观测数据样本的数量,W_i是观测数据属于第i个子模型的概率；

给定的约束

0＜w_i＜1；

分布参数的估计采用似然最大化法P(X/θ)；这表示与模型参数有关的数据集的概率

最大期望算法，从实际训练数据中自动估计数值属性的分布；高斯混合分布参数通过期望最大化算法计算：

分完成分布参数评估。

3.根据权利要求1所述的基于深度学习的高斯混合模型银行交易数据模拟生成方法，其特征在于，所述分布估计过程包括

算法会根据实际训练数据自动估算数值属性的分布。高斯混合分布参数通过期望最大化算法计算。

即使用户可以决定手动设置混合物数量作为配置参数，每次EM算法迭代后，分布与原始数据之间的MDL损失也会被计算。算法会迭代地增加混合物的数量，直到改进低于阈值T，其中MDL为最小描述长度。

重复直到MDLn-1-MDLnT,

MDL＝-log(L(X,Z,θ))+{(K-1)+K[D+0.5D(D+1)]}log(N)。

4.根据权利要求1所述的基于深度学习的高斯混合模型银行交易数据模拟生成方法，其特征在于，所述随机数生成

基于高斯混合模型的数值生成程序；

生成0…1之间的随机数；

根据重量配比选择合适的混合数；

使用逆混合CDF F^-1(X)生成随机数，生成介于0…size(样本集)之间的随机数；抽取的样本的索引等于随机数，其中，CDF为累积密度函数。

5.一种基于深度学习的高斯混合模型银行交易数据模拟生成系统，包括：

构建银行交易模拟器，其中，

所述银行交易模拟器包括源数据存储模块、银行交易类型过滤器、银行交易流模块、预配置参数模块、分布参数评估模块、随机数生成器模块、采样和采样集模块、维度合并模块和接收器；

所述源数据存储模块，包括带有示例模拟器的真实交易存储区，用于推断目标交易的分配属性；

所述银行交易类型过滤器，确保所述模拟器仅读取所需数据并进行多路分解不同银行交易流之间的样本记录，其中，所述银行交易流负责模拟单个交易记录的一组组件属性；

所述预配置参数模块，包括主题专家定义的参数集、最小参数定义交易属性的格式、所述参数关形状和属性的概率分布以及样本集的设置

所述分布参数评估模块，用于组件使模拟器能够从源数据进行评估，用于生成交易维度的概率分布的数据特征；

随机数生成器模块，组件生成数字序列以用作数字属性值，采样集索引或用于随机生成分类值的输入；

所述采样和采样集模块，用户定义的数据集，用于绘制分类属性。使用此选项使用户可以控制分类输出的格式；

维度合并模块将多个交易流的输出合并为单个交易；

接收器通过REST接口或队列之类的接口处理生成的事务的传输。