本发明涉及金融监管，尤其涉及一种基于lstm模型的金融综合风险预测方法、系统及介质。
背景技术：
1、随着网络技术的高速发展和互联网技术的普及，网络已经成为人们工作、生活必不可缺的一部分。传统的网络流量预测主要凭借主观经验，根据历史数据和个人经验进行流量的预测判断，该类方法误判的几率较大，不能够对流量变化趋势做出准确判断，预测结果较实际数据存在明显偏差。如果基于大量历史数据并且实时掌握目前网络状况，进行流量预测，其结果会更加可靠。近年来，许多流量预测模型被提出，其中包括统计与回归方法，基于流量的方法和机器学习方法。目前被广泛认可的自回归积分滑动平均模型，已应用在网络安全领域，目的是预测网络系统的状况。
2、金融机构在数字化转型提升金融服务过程中，对于政务类数据的需求是迫切的，金融综合服务类平台作为政府与金融机构之间的数据桥梁，在服务好金融机构的同时，也需要加强数据的安全使用。目前常用的对于网络流量的监测只限于事后判断，并且其中对于不同金融机构的调用量超阈值规则的定义基本一致，且只预警提示单一，无法有针对性地对不同的金融机构进行网络流量划分，继而无法进行不同程度的风险等级预警。
3、例如，一种在中国专利文献上公开的“一种基于深度学习的工控网络流量异常检测方法及装置”，其公告号：cn113162811a，公开了包括获取网络流量的待检测数据和历史数据并进行预处理，得到流量特征；选取一段历史数据所对应的流量特征输入lstm预测模型，预测待检测数据对应的流量特征；基于历史数据计算用于异常检测的动态阈值，结合预测结果与待检测数据对应的真实流量特征，检测待检测数据对应的时段是否出现网络流量异常；存储流量特征数据并定期训练新的lstm预测模型，若新的lstm预测模型优于当前用于预测流量特征的lstm预测模型，则更新当前用于预测流量特征的lstm预测模型，但是该方案不能解决银行流量波动的影响。
技术实现思路
1、为了解决现有技术中波动周期影响预测结果的问题，本发明提供一种基于lstm模型的金融综合风险预测方法、系统及介质，避免波动周期的影响，生成基于不同特征参数调整量的融合数据进行动态预测。
2、为了实现上述目的，本发明提供如下技术方案：
3、一种基于lstm模型的金融综合风险预测方法，包括：根据流量数据的镜像数据生成基于特征矩阵的第一权重参数；
4、对所述的镜像数据进行拆分得到日志时间序列，通过kmeans聚类分析得到日志时间序列的镜像数据分布图；
5、确定镜像数据分布图中基于流量数据特征的偏移分量，根据所述的偏移分量修正日志时间序列后训练得到神经网络的第一反馈数；
6、建立流量数据的决策树模型得到最佳流量周期；将第一权重参数赋权给第一反馈数形成对应最佳流量周期的特征参数调整量；
7、建立特征参数调整量与最佳流量周期的映射，基于不同接口请求的指标及对应映射将流量数据进行划分重组，基于重组后的流量数据进行预测。通过各个金融机构的镜像数据模拟预测得到参数调整量，结合不同金融机构在不同时间段的流量特征对参数调整量进行反馈，生成综合平台使用的动态预测模版，从而对不同金融机构各自的流量数据分别进行重组预测，避免了节假日等波动区间对预测准确度造成的影响，并不需要重复对预测模型进行训练。
8、作为优选的，所述的获取镜像数据后，通过状态转移方程生成镜像数据的数据转移矩阵，根据数据转移矩阵的特征分布生成特征矩阵，将所述的特征矩阵分权得到第一权重参数。实现获取数据分布特征对模型训练的影响。
9、作为优选的，所述的kmeans聚类分析时，以日志时间序列中元素均方差进行聚类，将日志时间序列的长度作为聚类的范围参数；基于日志时间序列生成多个第二类聚点。实现去除流量数据中离散数据对预测的影响。
10、作为优选的，在所述的镜像数据分布图中，建立业务指标的多目标项目组，根据多目标项目组的时间分布建立第一类聚点；
11、基于第一类聚点和第二类聚点的位置生成数据识别精度，根据所述的数据识别精度对镜像数据的日志时间序列进行修正。实现对流量数据中业务层面的数据修正。
12、作为优选的，包括提取修正后的日志时间序列，填充至训练集模版中进行训练，得到神经网络的多个第一反馈数；所述的训练集模版为多目标项目组中指标对应的模版。实现基于流量数据中业务层面的参数获取。
13、作为优选的，包括获取接口请求后，将接口请求对应的流量数据划分为不同长度的周期流量，根据周期流量在回归决策树中进行拟合，得到最佳周期长度。实现确定最优的训练数据。
14、作为优选的，所述的预测时，确定待预测日对应的最佳流量周期和对应的特征参数调整量，重组生成该待预测日对应的训练集，根据所述的训练集对待预测日进行预测。实现训练集的动态重构。
15、作为优选的，所述的进行预测后，根据预测结果的r方判断拟合程度，当拟合程度符合对应阈值要求时，提取对应的特征参数调整量进行调优。实现获取最优参数。
16、一种系统，适用于如任一项实施例所述的一种基于lstm模型的金融综合风险预测方法，包括依次连接的金融综合平台和数据安全平台，所述的金融综合平台连接有多个机构终端。
17、一种介质，包括存储器，所述的存储器中存储有可被处理器运行的程序；
18、处理器，所述的处理器运行所述的存储器中的程序时，实现如任一项实施例所述的一种基于lstm模型的金融综合风险预测方法。
19、本发明具有如下优点：
20、（1）通过各个金融机构的镜像数据模拟预测得到参数调整量，结合不同金融机构在不同时间段的流量特征对参数调整量进行反馈，生成综合平台使用的动态预测模版，从而对不同金融机构各自的流量数据分别进行重组预测，避免了节假日等波动区间对预测准确度造成的影响，并不需要重复对预测模型进行训练，实现避免波动周期的影响，生成基于不同特征参数调整量的融合数据进行动态预测；（2）实现考虑业务层面和数据特征层面对训练过程参数和训练数据的反馈优化。
1.一种基于lstm模型的金融综合风险预测方法，其特征在于，包括：根据流量数据的镜像数据生成基于特征矩阵的第一权重参数；
2.根据权利要求1所述的一种基于lstm模型的金融综合风险预测方法，其特征在于，所述的获取镜像数据后，通过状态转移方程生成镜像数据的数据转移矩阵，根据数据转移矩阵的特征分布生成特征矩阵，将所述的特征矩阵分权得到第一权重参数。
3.根据权利要求1或2所述的一种基于lstm模型的金融综合风险预测方法，其特征在于，所述的kmeans聚类分析时，以日志时间序列中元素均方差进行聚类，将日志时间序列的长度作为聚类的范围参数；基于日志时间序列生成多个第二类聚点。
4.根据权利要求3所述的一种基于lstm模型的金融综合风险预测方法，其特征在于，在所述的镜像数据分布图中，建立业务指标的多目标项目组，根据多目标项目组的时间分布建立第一类聚点；
5.根据权利要求4所述的一种基于lstm模型的金融综合风险预测方法，其特征在于，包括提取修正后的日志时间序列，填充至训练集模版中进行训练，得到神经网络的多个第一反馈数；所述的训练集模版为多目标项目组中指标对应的模版。
6.根据权利要求1或2所述的一种基于lstm模型的金融综合风险预测方法，其特征在于，包括获取接口请求后，将接口请求对应的流量数据划分为不同长度的周期流量，根据周期流量在回归决策树中进行拟合，得到最佳周期长度。
7.根据权利要求1所述的一种基于lstm模型的金融综合风险预测方法，其特征在于，所述的预测时，确定待预测日对应的最佳流量周期和对应的特征参数调整量，重组生成该待预测日对应的训练集，根据所述的训练集对待预测日进行预测。
8.根据权利要求7所述的一种基于lstm模型的金融综合风险预测方法，其特征在于，所述的进行预测后，根据预测结果的r方判断拟合程度，当拟合程度符合对应阈值要求时，提取对应的特征参数调整量进行调优。
9.一种系统，适用于如1至8任一项权利要求所述的一种基于lstm模型的金融综合风险预测方法，其特征在于，包括依次连接的金融综合平台和数据安全平台，所述的金融综合平台连接有多个机构终端。
10.一种介质，包括存储器，所述的存储器中存储有可被处理器运行的程序；
