支付网络中基于多模态学习的在线多时域交易指标估计
机器学习
2021-09-23 v2 人工智能
摘要
预测支付处理网络内实体跨境交易行为相关的指标对于系统监控至关重要。从过往交易历史中聚合得到的多元时间序列可为此类预测提供有价值的洞察。通用的多元时间序列预测问题已在制造、医疗和昆虫学等多个领域得到充分研究与应用。然而，除了大规模处理支付交易数据的实时性要求外，数据中还出现了概念漂移和多模态等新的领域相关挑战。在本工作中，我们研究用于估计支付交易数据库中实体相关交易指标的多元时间序列预测问题。我们提出一个包含五个独特组件的模型，从多模态数据估计交易指标。其中四个组件分别捕捉交互、时间、尺度和形状视角，第五个组件将这些视角融合在一起。我们还提出一种混合离线/在线训练方案，以应对数据中的概念漂移并满足实时性要求。将该估计模型与图形用户界面相结合，原型交易指标估计系统已展现出其作为提升某支付处理公司系统监控能力工具的潜在价值。
引用
@article{arxiv.2109.10020,
title = {Online Multi-horizon Transaction Metric Estimation with Multi-modal Learning in Payment Networks},
author = {Chin-Chia Michael Yeh and Zhongfang Zhuang and Junpeng Wang and Yan Zheng and Javid Ebrahimi and Ryan Mercer and Liang Wang and Wei Zhang},
journal= {arXiv preprint arXiv:2109.10020},
year = {2021}
}
备注
10 pages