ATM 交易状态特征分析与异常检测总结

最近看了某大神的文章，受益匪浅，总结～  ATM机的自动化处理，无工作人员监管，商业银行需要通过对每家分行的汇总统计信息做数据分析,来捕捉整个前端和后端整体应用系统运行情况并及时发现异常或故障。

一、选择、提取和分析 ATM 交易状态的特征参数；

首先作相关性分析图像判断发现三个指标之间并不存在明显相关性，只有交易量与时间、日期存在明显的相关性。因此我们将三个指标分别进行处理，提取特征参数。

1、通过日总交易量图的分析，发现交易量在1-2月之间相较其他时间有显著的波动，我们推测是春节因素的影响。因此分析时将其分段处理。结合每日交易量图，工作日和非工作日的日总交易量和每日交易量散点图并没有明显区别。排除春节影响的日总交易量平稳时间段，我们将每分钟交易量作为个体，发现其符合正态分布特征，取其平均值和方差作为特征参数。

2、对于成功率指标，我们通过散点图发现其在交易量少的时间段波动范围较大，因此使用一个模型将交易量累加到一定值的平均成功率来替代，处理后提取其标准差和平均值作为特征参数。

3、对于响应时间，通过对其图像的观察,得到数据点分布的特征，同样提取其标准差和平均值作为其特征参数。

二、设计一套交易状态异常检测方案，在对该交易系统的应用可用性异常情况下能做到及时报警，同时尽量减少虚警误报；

三个指标不存在明显相关性，且每个指标都至少对应一个故障源,因此对三个参数异常数据进行独立检测。首先使用三个指标提取的特征参数，通过大量数据的分析, 发现成功率和响应时间数据十分集中,我们采用方差分析法判断异常数据。交易量与时间及日期存在相关性,所以数据处理较为复杂,因此我们建立了多个模型来判断异常数据. 经过图像分析发现,不同日期对应的相同时间(每分钟)交易量基本符合正态分布,因此我们对每一分钟根据其正态分布特性分别求出置信区间,由于这个模型在交易量极小时无法区分异常数据,因此我们使用编程建立了对交易量进行连续极小值进行检测的模型来处理.在对1-2月异常数据处理时，采用平稳时间段的平均数据与计算出的权值相乘的方式来近似处理,取得了较高的准确度。在建立异常和故障报警模型时,结合现实中故障有一定的持续时间,因此只有当一个指标出现异常持续一定时间,才会发出异常或故障报警.

------------------------------分割线----------------------------

数据来源：2017深圳杯

数据压缩包：https://pan.baidu.com/s/1dFtLSml