[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

说明书

本发明公开了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，方法包括以下步骤：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。本发明将量子版本的隐马尔可夫模型加入欺诈检测系统中，不仅可以验证量子算法和经典算法结合的可信性，而且可以在使用更少参数的情况下，达到和传统隐马尔可夫模型类似的效果。

技术领域

本发明涉及量子计算领域，尤其涉及一种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。

背景技术

信用卡欺诈检测存在着概念漂移(即面对欺诈问题所建立的模型会随着时间的变化而变化)、偏态类分布(即在实际生活中，欺诈仅仅属于个例，在用户众多交易中只占据很小一部分；但是对用户会造成很大的损失)、以及数据特征太多的问题。但是不论模型怎么变化，任何交易信息都会包含时间和交易金额，这在一定程度上也反映了持卡人的交易习惯。即如果一个人过去经常购买小额产品，而突然在某一天以极大的金额去购买其他物品，此时就能够去怀疑他是否面临信用卡盗刷的情况。因此，将过去交易的详细顺序信息加以考虑是非常有必要的。所以，为了寻找到每个持卡人的“习惯”，就可以使用隐马尔可夫模型(HMM)来寻找这样的隐藏习惯。隐马尔可夫模型(Hidden Markov Model，HMM)是统计模型，它用来描述一个含有隐含未知参数的马尔可夫过程；其难点是从可观察的参数中确定该过程的隐含参数；然后利用这些参数来作进一步的分析。YvanLucas等人就使用了这样的方法。

而随着网络购物的兴起，各种数额的交易在每天都会发生很多次。这也导致了目前经典计算机的计算能力在面对如此巨大的交易量以及需要在短时间内对这些交易进行处理就会显得力不从心。随着社会的发展，量子力学也逐渐进入人们的视野中。因此将目光转向了计算能力大大超过经典计算机的量子计算机。各种量子算法在处理问题时的速度要快于传统通用计算机。

量子力学的态叠加原理可以让量子信息单元即量子比特的状态在一个时间处于多种可能性的叠加状态，这就使得量子信息在处理上的效率就比经典的信息处理不仅快得多，而且还更有潜力。量子计算的量子相干性使得量子态之间能够相互干涉。因此如果对其中一个量子比特进行操作，就可以影响到串列的其他比特。

基于这两种最本质的特征量子计算机的概念应运而生，不过最早由于早期硬件的限制，人们将注意力集中在能够在量子计算机上运行的量子算法上面。自1994年彼得-秀尔提出的量子质因数分解算法，并证明这个量子算法运行效率和时间复杂度远低于传统算法，而且能够对现在通用于银行和网络等方面的RSA加密算法产生威胁之后，量子计算机变得更为炙手可热了。许多经典的算法也被研究出相应的量子版本，并被证明，量子版本能够产生更加优越的性能。目前，量子版本的算法很少用于解决实际问题，几乎都是在理论上来证明其运算效率以及时间复杂度是优于经典算法的。

因此，就可以考虑先使用量子版本的隐马尔可夫模型加入欺诈检测系统中，以验证量子算法和经典算法结合的可信性以及为之后将随机森林更换成一种更加高效的量子算法做准备。

发明内容

本发明的目的在于克服现有技术的不足，提供一种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。

本发明的目的是通过以下技术方案来实现的：

本发明的第一方面，提供量子隐马尔可夫模型求解欺诈检测的方法，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；