基于MA預測偏離度的ATM交易狀態異常檢測

何梅方　田廣映

摘 要：本文針對ATM交易狀態特征分析與異常檢測問題，采用合理特征參數提取原則，以單位時間交易量差額、交易成功率、響應系數三項指標作為ATM 交易狀態的特征參數，并分析出故障類型對應影響的特征參數，以及交易狀態正常情況下各項特征參數的正常取值范圍。

構建MA預測-偏離度檢測，運用靈敏度分析方法，通過matlab軟件求解，建立合理可靠的交易狀態異常檢測方案。

關鍵詞：MA預測-偏離度檢測、故障分類

1.故障造成的相應指標變化分析

對于生活中四種故障造成的相應指標變化可以歸納如下表1-1所示：

2.特征參數的分析

（1）不同故障對特征參數造成的影響

結合題目的四種故障對上述分析的特征參數造成的影響，以及各指標之間的關系。我們可以得出各特征參數出現異常時所反映的故障類型如下表1-2所示。

通過以上分析發現，我們選擇的特征參數可以很好地提取出四個發生的故障，并能成功區分單一故障發生時是何種故障發生。同時也可以區分出故障一和故障四同時發生的情況。但是提取出的特征參數只能區分出故障二，三，四中的單一故障，而不能分出任兩者或者三者的混合故障。

（2）特征參數正常取值區間

運用 matlab 軟件編程，繪制出三項特征參數的分布，并設置置信度為 95%，獲得三個特征參數正常數據的置信區間[1]，結果如下表1-3所示：

3. MA預測——偏離度檢測模型建立

首先，我們建立MA預測數據偏離度檢測模型及BP神經網絡兩個模型來較全面的反映ATM交易的狀態。其中模型一通過歷史交易數據預測即將發生的交易數據，用預測交易數據與該時刻實際發生的數據進行對比，計算二者間偏離度，如若偏離度過大，則說明該時刻ATM交易狀態可能存在異常。

（1）特征參數的穩態性測試

由于銀行ATM網絡是一個高度龐大復雜、非線性、多變量、非定常、強耦合的一個異構系統，具有很強的突發性和不穩定性，在建立時間序列分解模型前，我們必須先對三個特征參數的穩態性進行測試，若穩定性好，則可利用移動平均窗口（MA）模型進行預測。

其中交易量Q（t） 滯后值從1增加到10，相關系數從1急劇降低至-0.02，表明交易量Q（t） 是平穩時間序列，適合利用移動平均窗口（MA）模型進行預測。而其余兩個特征參數不滿足平穩性，因此，我們在此利用MA預測模型[2]對交易量進行預測。

（2）時間序列復合流分解

首先我們將交易量分為以下4個部分：長期趨勢成分Tt 、日季節周期性成分St 、 正常隨機擾動成分Wt 、異常部分It ，分為四個復合流組成交量。

（4）偏離度檢測

利用MA預測模型對每一時刻的交易量差額做出預測，用當前實際完成的交易量差額與預測交易量差額之間的偏離度來判斷交易數據是否存在異常，實際值偏離預測值越大，則交易數據異常可能性則越大，因此我們根據真實交易值和預測交易值之間的偏離度來對交易狀態是否異常進行判斷。

偏離度的檢測過程如下：

當偏離度大于給定的數值時，即交易量指標顯示異常，給予報警。

參考文獻：

[1]樊新海，2015 《機械系統狀態監測特征參數評價與選取》 ，裝甲兵工程學院論文。

[2]張冬泉， 《ATM 業務及故障監控系統的研究與開發》 ，北京交通大學