买专利卖专利找龙图腾，真高效！ 查专利查商标用IPTOP,全免费！专利年费监控用IP管家,真方便！

龙图腾网获悉中国移动通信集团江苏有限公司;中国移动通信集团有限公司申请的专利业务数据决策方法、装置、电子设备及存储介质获国家发明授权专利权，本发明授权专利权由国家知识产权局授予，授权公告号为：CN115249077B 。

龙图腾网通过国家知识产权局官网在2025-09-23发布的发明授权授权公告中获悉：该发明授权的专利申请号/专利号为：202110454446.1，技术领域涉及：G06Q10/04；该发明授权业务数据决策方法、装置、电子设备及存储介质是由孙谦晨;庆祖良;蒋强;耿东山;陈劼设计研发完成，并于2021-04-26向国家知识产权局提交的专利申请。

本业务数据决策方法、装置、电子设备及存储介质在说明书摘要公布了：本发明提供业务数据决策方法、装置、电子设备及存储介质，包括：获取业务费用数据；将业务费用数据输入至预先训练好的多阶段级联异常指标检测模型中，得到异常数据检测结果。本发明通过将传统机器学习和深度学习模型级联检测，由粗粒度到细粒度判断当期费用是否存在异常，层层递进，既保证了明显异常能够被快速定位，又保证了轻微异常能够被捕捉。

本发明授权业务数据决策方法、装置、电子设备及存储介质在权利要求书中公布了：1.业务数据决策方法，其特征在于，包括： 获取业务费用数据； 将所述业务费用数据输入至预先训练好的多阶段级联异常指标检测模型中，得到异常数据检测结果；其中，所述多阶段级联异常指标检测模型是基于业务费用历史数据，由动态异常检测模型、基于自身时序信息构建的第一XGBOOST异常检测模型、非时序特征筛选函数模型、第二XGBOOST异常预测模型，基于外部自身时序信息和外部非时序特征构建的LSTM指标预测模型以及基于业务性质构建的占比异常判别模型依次级联构建得到的； 其中，所述动态异常检测模型，通过以下步骤获得： 确定预设时间窗口，基于所述预设时间窗口截取所述业务费用历史数据，得到具有预设时间窗口长度的历史业务费用向量； 分别计算所述历史业务费用向量的第一均值、第一中位数值、最大值和最小值； 基于所述第一均值、所述第一中位数值、所述最大值和所述最小值计算得到动态阈值； 依次计算得到所述历史业务费用向量中所有相邻数据的绝对差值； 由所述绝对差值和所述动态阈值构建获得所述动态异常检测模型； 所述第一XGBOOST异常检测模型，通过以下步骤获得： 获取所述历史业务费用向量的自身时序信息； 基于自身时序信息将所述历史业务费用向量转化为监督模型格式，获得特征数据，并将当期费用数据赋值为标签； 由所述特征数据和所述标签，基于XGBOOST算法构建所述第一XGBOOST异常检测模型； 所述非时序特征筛选函数模型，通过以下步骤获得： 确定所述业务费用历史数据的外部特征，将所述外部特征转化为外部特征向量； 分别计算所述外部特征向量的第二均值、第二中位数值和标准差； 基于所述第二均值、所述第二中位数值和所述标准差，构建变量离散度指标； 确定第一变量离散阈值，基于所述变量离散度指标和所述第一变量离散阈值构建得到所述非时序特征筛选函数模型； 所述第二XGBOOST异常预测模型，通过以下步骤获得： 基于业务特点筛选所述外部特征，分别得到用户层面特征、产品层面特征和流量层面特征； 将所述用户层面特征、所述产品层面特征和所述流量层面特征合并为衍生特征向量； 将所述外部特征向量、所述衍生特征向量和所述特征数据拼接形成拼接向量； 由所述拼接向量和所述标签，基于所述XGBOOST算法构建所述第二XGBOOST异常检测模型； 所述基于外部自身时序信息和外部非时序特征构建的LSTM指标预测模型，通过以下步骤获得： 基于外部信息时间的一致性将所述外部特征构造为类别型外部特征，基于外部信息时间的增长率将所述外部特征构造为数值型外部特征； 将所述类别型外部特征和所述数值型外部特征合并至所述衍生特征向量，并基于LSTM算法，构建得到所述LSTM指标预测模型； 所述占比异常判别模型，通过以下步骤获得： 获取当期业务费用的实际值和预测值，基于所述实际值和所述预测值得到实际值和误差值的误差占比； 确定第二变量离散阈值，基于所述误差占比和所述第二变量离散阈值，构建得到所述占比异常判别模型。

如需购买、转让、实施、许可或投资类似专利技术，可联系本专利的申请人或专利权人中国移动通信集团江苏有限公司;中国移动通信集团有限公司，其通讯地址为：210029 江苏省南京市虎踞路59号；或者联系龙图腾网官方客服，联系龙图腾网可拨打电话0551-65771310或微信搜索“龙图腾网”。