[发明专利]使用卷积傅里叶网络分析多变量时间序列的系统、方法和计算机程序产品

说明书

提供一种用于分析多变量时间序列的系统，所述系统包括至少一个处理器，所述至少一个处理器被编程或配置成接收历史数据点的时间序列，确定历史时间段，确定当代时间段，从所述历史时间段确定与历史交易度量相关联的数据点的第一时间序列，从所述历史时间段确定与历史目标交易度量相关联的数据点的第二时间序列，从所述当代时间段确定与当代交易度量相关联的数据点的第三时间序列，以及生成机器学习模型，其中所述机器学习模型被配置成提供包括与当代目标交易度量相关联的数据点的预测时间序列的输出。还提供了方法和计算机程序产品。

相关申请交叉引用

本申请要求2021年5月24日申请的第63/192,259号美国临时专利申请的优先权，所述美国临时专利申请以全文引用的方式并入本文中。

技术领域

本公开大体上涉及使用机器学习模型预测度量的系统、方法和计算机程序产品，并且在一个特定实施例中涉及用于使用包括卷积傅里叶网络的机器学习模型的预测度量的系统、方法和计算机程序产品。

背景技术

机器学习可以是计算机科学的领域，其使用统计技术为计算机系统提供使用数据学习(例如，逐渐提高性能)任务的能力，而无需对计算机系统进行明确编程以执行任务。在一些情况下，可以针对数据集开发机器学习模型，使得机器学习模型可以执行关于所述数据集的任务(例如，与预测相关联的任务)。

在一些情况下，机器学习模型，例如预测性机器学习模型，可用于基于数据作出与风险或机会相关联的预测。预测性机器学习模型可用于基于与单元相关联的数据分析单元的性能与单元的一个或多个已知特征之间的关系。预测性机器学习模型的目的可以是评估类似单元将展现所述单元的性能的可能性。预测性机器学习模型可用作欺诈检测模型。例如，预测性机器学习模型可以基于与支付交易相关联的数据执行计算，以评估涉及客户的支付交易的风险或机会，以便指导是否授权支付交易的决策。

多变量时间序列可以指具有多于一个时间依赖性变量的时间序列。在一些情况下，在多变量时间序列中，每个时间依赖性变量可以不仅取决于所述时间依赖性变量的过去值，而且还对其它时间依赖性变量具有某种依赖性。所述依赖性可用于预测时间依赖性变量的未来值。

支付处理者可以是使得支付交易能够在不同方(例如，消费者和商家)之间以可靠性、便利性和安全性进行的实体(例如，企业实体，例如社团、公司等)。支付处理者可以使用支付处理网络处理(例如，清除和/或结算)支付交易。支付处理网络可以包括被配置成允许各方(例如，服务提供商、金融机构和/或账户持有人)之间的通信使得可以进行支付交易的通信设备网络。

由于支付处理者的支付处理网络的意外中断可能损害由支付处理者启用的支付交易，因此支付处理者可以使用预测性机器学习模型主动地监视与预测性系统的支付交易(例如，与支付交易相关联的交易数据)，所述预测机器学习模型可以采用多变量时间序列作为输入。在一些情况下，如果交易数据的某些方面(例如，交易量和/或交易金额)偏离不同地理区域的正常情况(例如，预定水平)，则可能够及时地检测到意外的网络中断。此外，可以基于确定正发生发行方系统的异常交易下降率来检测可疑活动，例如自动柜员机(ATM)出钞攻击。

然而，支付处理网络的延迟可能导致与预测性机器学习模型一起使用的交易数据的可用性延迟。例如，一些交易数据可以每小时提供(例如，经由聚合交易数据的过程)，而交易数据的其它方面可能在更长的时间段内不可用，例如在数天内不可用。如果可能需要预测系统等待所有交易准备就绪，则预测系统可能不会跟上实时支付交易中的动态。此外，经济、地缘政治和/或流行病等外部因素可能突然改变支付交易的行为，并随后导致突然的概念偏移，这可能会降低由预测系统作出的预测的质量。

此外，在预测性系统内可能使用各种交易度量，并且上文提及的许多应用需要系统估计交易度量内的时变模式。然而，仅多变量时间序列交易数据可能不足以进行准确的预测。预测性机器学习模型从同时接收的多个传入交易度量中学习模式可能具有挑战性。