基于MA预测偏离度的ATM交易状态异常检测

何梅方　田广映

摘 要：本文针对ATM交易状态特征分析与异常检测问题，采用合理特征参数提取原则，以单位时间交易量差额、交易成功率、响应系数三项指标作为ATM 交易状态的特征参数，并分析出故障类型对应影响的特征参数，以及交易状态正常情况下各项特征参数的正常取值范围。

构建MA预测-偏离度检测，运用灵敏度分析方法，通过matlab软件求解，建立合理可靠的交易状态异常检测方案。

关键词：MA预测-偏离度检测、故障分类

1.故障造成的相应指标变化分析

对于生活中四种故障造成的相应指标变化可以归纳如下表1-1所示：

2.特征参数的分析

（1）不同故障对特征参数造成的影响

结合题目的四种故障对上述分析的特征参数造成的影响，以及各指标之间的关系。我们可以得出各特征参数出现异常时所反映的故障类型如下表1-2所示。

通过以上分析发现，我们选择的特征参数可以很好地提取出四个发生的故障，并能成功区分单一故障发生时是何种故障发生。同时也可以区分出故障一和故障四同时发生的情况。但是提取出的特征参数只能区分出故障二，三，四中的单一故障，而不能分出任两者或者三者的混合故障。

（2）特征参数正常取值区间

运用 matlab 软件编程，绘制出三项特征参数的分布，并设置置信度为 95%，获得三个特征参数正常数据的置信区间[1]，结果如下表1-3所示：

3. MA預测——偏离度检测模型建立

首先，我们建立MA预测数据偏离度检测模型及BP神经网络两个模型来较全面的反映ATM交易的状态。其中模型一通过历史交易数据预测即将发生的交易数据，用预测交易数据与该时刻实际发生的数据进行对比，计算二者间偏离度，如若偏离度过大，则说明该时刻ATM交易状态可能存在异常。

（1）特征参数的稳态性测试

由于银行ATM网络是一个高度庞大复杂、非线性、多变量、非定常、强耦合的一个异构系统，具有很强的突发性和不稳定性，在建立时间序列分解模型前，我们必须先对三个特征参数的稳态性进行测试，若稳定性好，则可利用移动平均窗口（MA）模型进行预测。

其中交易量Q（t） 滞后值从1增加到10，相关系数从1急剧降低至-0.02，表明交易量Q（t） 是平稳时间序列，适合利用移动平均窗口（MA）模型进行预测。而其余两个特征参数不满足平稳性，因此，我们在此利用MA预测模型[2]对交易量进行预测。

（2）时间序列复合流分解

首先我们将交易量分为以下4个部分：长期趋势成分Tt 、日季节周期性成分St 、 正常随机扰动成分Wt 、异常部分It ，分为四个复合流组成交量。

（4）偏离度检测

利用MA预测模型对每一时刻的交易量差额做出预测，用当前实际完成的交易量差额与预测交易量差额之间的偏离度来判断交易数据是否存在异常，实际值偏离预测值越大，则交易数据异常可能性则越大，因此我们根据真实交易值和预测交易值之间的偏离度来对交易状态是否异常进行判断。

偏离度的检测过程如下：

当偏离度大于给定的数值时，即交易量指标显示异常，给予报警。

参考文献：

[1]樊新海，2015 《机械系统状态监测特征参数评价与选取》 ，装甲兵工程学院论文。

[2]张冬泉， 《ATM 业务及故障监控系统的研究与开发》 ，北京交通大学