[发明专利]量子隐马尔可夫模型求解欺诈检测的方法、系统、存储介质和终端

权利要求书

1.量子隐马尔可夫模型求解欺诈检测的方法，其特征在于：包括以下步骤：

根据交易时序序列数据类型和欺诈检测类型建立对应的量子隐马尔可夫模型，量子隐马尔可夫模型输出的可能性与先前交易时序序列的交易相关联；所述交易时序序列数据类型作为量子隐马尔可夫模型的观测状态，所述欺诈检测类型作为量子隐马尔可夫模型的隐藏状态；

将所有量子隐马尔可夫模型输出的可能性输出至随机森林分类器中，作为欺诈检测的附加特征；

所述量子隐马尔可夫模型包括八个，其中：所述交易时序序列数据类型包括金额和两项交易的时间差两种，每种类型分别作为其中四个量子隐马尔可夫模型的观测状态；所述隐藏状态包括全部真实的持卡人数据集、有欺诈的持卡人数据集、全部真实的终端数据集、有欺诈的终端数据集，分别作为其中两个量子隐马尔可夫模型的隐藏状态，其中所述其中两个量子隐马尔可夫模型的观测状态不相同；

所述量子隐马尔可夫模型输出的可能性，包括：

将传统隐马尔可夫模型来推导量子隐马尔可夫模型，得到：

式中，t表示t时刻，y_t表示t时刻的观测状态，ρ_t-1表示t-1时刻的隐藏状态，p(y_t|ρ_t-1)表示t-1时刻的状态已知时、t时刻观测状态的条件概率，tr()表示求迹，表示t-1时刻的观测状态所对应的Karus算符；

将交易时序序列y₁，y₂，y₃，…，y_T，构造出一个似然函数然后用似然函数对所有可能的Kraus算符求导数进行梯度下降极大化似然函数的值，从而得到Karus算符的一个矩阵解；这里y₁，y₂，y₃，…，y_T是观测值，是第y_i个2*2的Kraus运算矩阵，每个观测值都会对应一个运算矩阵，初始时都一样；并且ρ₀表示初始的密度矩阵；将推导出来的量子隐马尔可夫模型的求解转化为有约束的优化问题：

m表示第m个Karus算符；

重新构建出一个新的矩阵κ，把所有2*2的Kraus算符矩阵根据输出数S按列堆积成一个2S*2的矩阵κ，新构建出来的矩阵κ需要满足条件所述有约束的优化问题写为：

由于κ是处于Stiefel流形上的，其有约束的优化问题可以转为如下的无约束问题，可以用梯度下降算法求解：

式中，G表示似然函数对于κ的梯度，U＝[G|κ]，τ表示一个处于区间[0,1]的实数，V＝[κ|-G]；

通过κ反推出Kraus算符，并通过Kraus算符求解得到量子隐马尔可夫模型输出序列的可能性p(y_t|ρ_t-1)。

2.根据权利要求1所述的量子隐马尔可夫模型求解欺诈检测的方法，其特征在于：所述方法还包括以下步骤：

利用DA来判定生成模型的好坏：

式中，l是序列的长度，s是隐藏状态的数量，Y是观测数据，D是量子隐马尔可夫模型，f(.)是一个参数从(-∞,1]到(-1,1]的非线性函数：

当DA＝1时，说明模型完美的预测了序列；通过每次运行的情况，绘制DA根据梯度下降算法的迭代次数的增加而变化的图形，从而修改迭代次数和梯度下降算法中的其他参数，使得最后的DA值能够收敛到靠近1的数值。