基于数据挖掘技术的电子商务移动支付风险预测

来源:用户上传      作者:

　　摘  要： 针对当前电子商务移动支付风险预测方法存在效率低、偏差大等弊端，为了提高电子商务移动支付风险预测精度，提出数据挖掘技术的电子商务移动支付风险预测模型。首先，收集电子商务移动支付风险一维时间序列数据，并将其重构成一个多维的电子商务移动支付风险时间序列;然后，采用数据挖掘技术对多维的电子商务移动支付风险时间序列进行分析，构建电子商务移动支付风险预测模型;最后，采用Matlab 2019平台上，与其他电子商务移动支付风险预测模型进行对比实验，结果表明文中方法的电子商务移动支付风险预测偏差很小，可以高精度跟踪电子商务移动支付风险变化特点，而且电子商务移动支付风险预测的效率很高，预测效果显著优于其他电子商务移动支付风险预测模型，验证了该电子商务移动支付风险预测模型的可行性。
　　关键词： 电子商务时代; 电子交易; 支付风险管理; 数据挖掘技术; 多维时间序列; 风险预测
　　中图分类号： TN99?34; TP391                    文献标识码： A                      文章编号： 1004?373X（2020）21?0106?04
　　E?commerce mobile payment risk prediction based on data mining technology
　　QIN Ying
　　（Wuzhou University， Wuzhou 543000， China）
　　Abstract： The current e?commerce mobile payment risk prediction method has some disadvantages like low efficiency and large deviation. Therefore， an e?commerce mobile payment risk prediction model based on data mining technology is proposed to improve its risk prediction accuracy. The one?dimensional time series data of e?commerce mobile payment risk is collected and reconstructed into a multi?dimensional time series of e?commerce mobile payment risk， which is then analyzed by data mining technology to build the e?commerce mobile payment risk prediction model. Experiments were performed on platform Matlab 2019 to make comparison between the proposed model and other models. The results show that the prediction deviation of the proposed model is very small. The proposed model can track the change characteristics of e?commerce mobile payment risk accurately and predict risk efficiently with significantly better risk prediction effect than other models， which verifies its feasibility.
　　Keywords： e?commerce era; e?transaction; payment risk management; data mining technology; multidimensional time series; risk prediction
　　0  引  言
　　隨着电子商务技术的不断发展，越来越多的人开始在网上进行交易[1?3]。网上交易过程中，存在许多风险，其中移动支付风险是最常见的一种，经常出现网络诈骗等，因此如何对电子商务移动支付风险进行预测，降低电子商务移动支付风险出现的概率，成为当前电子商务领域研究中的一个热点[4?6]。
　　针对电子商务移动支付风险预测问题，当前许多研究机构进行了深入分析，出现了许多电子商务移动支付风险预测方法[7?9]。当前有基于时间序列法的电子商务移动支付风险预测模型，其将电子商务移动支付风险历史数据组合在一起，产生一个时间序列数据，这些数据之间存在较强的时间序列相关性，然后根据相关性特点建立电子商务移动支付风险预测模型，其只能对电子商务移动支付风险线性变化特点进行建模，因此电子商务移动支付风险预测误差比较大[10?12];随后出现了基于人工神经网络的电子商务移动支付风险预测模型，它们可以对电子商务移动支付风险非线性变化特点进行建模，但是由于电子商务移动支付风险具有混沌性，它们忽略了混沌性，存在效率低、偏差大等弊端[13?15]。
　　为了提高电子商务移动支付风险预测精度，本文提出数据挖掘技术的电子商务移动支付风险预测模型，与其他电子商务移动支付风险预测模型进行对比实验，验证了本文电子商务移动支付风险预测模型的可行性。 　　1  相关理论
　　1.1  时间序列数据的混沌处理技术
　　电子商务移动支付风险与网络安全性、网民素质、相关法律的完善等有关，这些影响之间也互相干扰和影响，使得电子商务移动支付风险变化很复杂，包括了一定的周期性变化规律，同时具有随机性、非平稳性，而且还具有一定的混沌性，这导致电子商务移动支付风险表面上看没有什么变化规律可循，实际上从深层次分析，具有一定的规律性。对电子商务移动支付风险数据通过混沌分析，使其变化规律体现出来，为后续的电子商务移动支付风险预测建模提供帮助。对于一个电子商务移动支付风险历史数据集合，可以描述为[x（t）]，[t=]1，2，…，[N]，其中，[N]表示电子商务移动支付风险历史数据的数量，采用互信息法和关联维算法确定其嵌入维[m]和延迟时间[τ]，根据嵌入维[m]和延迟时间[τ]可以产生一个多维的电子商务移动支付风险历史数据集，可以描述为：
　　[X（t）=x（t），x（t+τ），…，x[t+（m-1）τ]]
　　1.2  BP神經网络
　　BP神经网络是一种流程的数据挖掘技术，相对于其他数据挖掘技术，其建模过程更加简单，容易实现，而且建模性能很好，因此本文将其引入到电子商务移动支付风险预测的建模过程中。BP神经网络的结构图如图1所示。
　　BP神经网络的工作原理为：首先通过电子商务移动支付风险数据分别确定输入层和输出层的节点数量，并根据输入层的节点数确定隐含层的节点数量，然后初始化相关参数，进行正向学习，并计算电子商务移动支付风险预测误差，最后根据预测误差进行反向学习，直至电子商务移动支付风险预测误差达到实际应用的要求。
　　2  电子商务移动支付风险预测模型工作步骤
　　1） 收集电子商务移动支付风险数据，考虑到电子商务移动支付风险的影响因素作用已体现在数据值的变化中，本文只采集电子商务移动支付风险值，风险值的大小由专家确定，这样得到一个一维的电子商务移动支付风险时间序列数据样本集合。
　　2） 采用互信息法和关联维算法确定一维的电子商务移动支付风险时间序列数据样本的嵌入维和延迟时间。
　　3） 根据嵌入维和延迟时间，得到一个多维的电子商务移动支付风险时间序列数据样本。
　　4） 采用BP神经网络对多维的电子商务移动支付风险时间序列数据样本进行学习，建立电子商务移动支付风险预测模型。
　　综上可知，基于数据挖掘技术的电子商务移动支付风险预测流程如图2所示。
　　3  电子商务移动支付风险预测结果与分析
　　3.1  测试环境及对比模型
　　电子商务移动支付风险预测测试的硬件环境为：AMD Ryzen 3 3300X CPU，金士顿Fury DDR3 1866 8 GB，影驰HOF PRO 1TB M.2 SSD;软件环境为：编程工具为Matlab 2019，平台为Linux。在相同测试环境中，选择时间序列分析法和BP神经网络进行电子商务移动支付风险预测对比测试。
　　3.2  电子商务移动支付风险的时间序列数据
　　采用一个电子商务系统、一段时间的移动支付风险作为研究对象，共得到100个电子商务移动支付风险历史数据，它们组成一个一维的时间序列，具体如图3所示。
　　3.3  嵌入维和延迟时间的确定
　　对图2的电子商务移动支付风险的时间序列数据，确定其嵌入维和延迟时间，它们变化曲线如图4所示。从图4可以看出，电子商务移动支付风险的时间序列数据的嵌入维和延迟时间分别为5和5 ms，然后根据它们重构多维的电子商务移动支付风险的时间序列数据，并作为数据挖掘技术的学习样本数据。
　　数据的嵌入维和延迟时间
　　3.4  电子商务移动支付风险的单步预测结果
　　采用3种电子商务移动支付风险预测模型进行建模与分析，统计它们的单步电子商务移动支付风险预测精度，结果如图5所示。
　　从图5的单步电子商务移动支付风险预测精度可以得到如下结论：
　　1） 传统时间序列分析法的单步电子商务移动支付风险预测结果最差，得到的电子商务移动支付风险预测误差最大，这是因为其没有考虑电子商务移动支付风险的非线性，只是描述了电子商务移动支付风险简单的变化规律，这样无法获得理想的电子商务移动支付风险预测结果。
　　2） BP神经网络的单步电子商务移动支付风险预测结果要高于传统时间序列分析法，这是由于其非线性建模能力要好于传统时间序列分析法，但是由于没有考虑电子商务移动支付风险的混沌特性，使得预测值与实际值有较大的偏差，使电子商务移动支付风险预测效果无法达到最优。
　　3） 本文模型的电子商务移动支付风险预测值与真实值偏差很小，电子商务移动支付风险预测效果要优于传统时间序列分析法和BP神经网络，这是因为本文方法具有BP神经网络良好的预测能力，同时考虑了电子商务移动支付风险的混沌性，将原始的电子商务移动支付风险数据重构成一个多维电子商务移动支付风险数据，可以更好地从电子商务移动支付风险数据中发现变化规律，得到最优的预测效果，对比结果证明了本文模型的优越性。
　　3.5  电子商务移动支付风险的多步预测结果
　　由于电子商务移动支付风险防范的目标是降低支付风险的概率，因此单步的电子商务移动支付风险预测结果对保障电子商务移动支付安全实际应用价值不大，因此要进行电子商务移动支付风险多步预测实验，它们的预测结果如图6所示。
　　从图6可以看出，多步的电子商务移动支付风险预测结果要差于单步的电子商务移动支付风险预测结果，这是因为多步预测有一定的误差累计结果，但是电子商务移动支付风险预测结果仍然可以满足实际要求，同时本文模型的电子商务移动支付风险预测结果要优于传统时间序列分析法和BP神经网络，再一次验证了本文模型的优越性。 　　3.6  预测结果分析
　　为了更好地体现本文电子商务移动支付风险预测模型的可行性，采用该模型对10种电子商务移动支付风险时间序列样本数据进行建模预测，首先确定10种电子商务移动支付风险时间序列样本数据重构的嵌入维和延迟时间，具体如表1所示。
　　并统计10种电子商务移动支付风险时间序列样本数据预测精度，具体如表2所示。
　　对表2的10种电子商务移动支付风险时间序列样本数据预测精度进行分析可以发现，本文模型的单步预测精度均超过了97%，电子商务移动支付风险预测误差很小，而且预测精度十分稳定，没有出现较大的波动性，说明本文电子商务移动支付风险预测结果十分可靠，可以应用于实际的电子商务移动支付风险管理中。而对比模型的电子商务移动支付风险预测精度要低于94%，预测效果明显差于本文模型，而且预测精度波动比较大，不稳定。从多步预测精度可以看出，本文模型的电子商务移动支付风险预测同样更好，说明本文模型具有较好的通用性。
　　3.7  电子商务移动支付风险预测效率对比
　　统计电子商务移动支付风险预测单步预测时间，结果如表3所示。从表3可以看出，本文模型的预测时间要少于传统时间序列分析法和BP神经网络，提高了电子商务移动支付风险预测效率。
　　4  结  语
　　电子商务移动支付风险与其他因素相关，其波动性较大，采用传统方法无法对电子商务移动支付风险变化趋势进行预测，使得电子商务移动支付风险预测的准确性不高。在分析了电子商务移动支付风险变化特点的基础上，引入数据挖掘技术对电子商务移动支付风险进行建模与预测，并与其他电子商务移动支付风险预测模型进行对比实验。从仿真对比实验结果可知，本文方法的电子商务移动支付风险预测值与真实值偏差很小，电子商务移动支付风险预测精度很高，有效减少了电子商务移动支付风险预测误差，且对比模型的电子商务移动支付风险预测精度均低于本文模型，同时本文方法的电子商务移动支付风险预测建模的时间少，对比结果表明，本文模型可以对电子商务移动支付风险进行更精确、更快、更可靠的预测，是一种有效的电子商务移动支付风险预测模型。
　　参考文献
　　[1] 张鹤冰，袭希，白世贞.基于贝叶斯网络的中国电子商务信用风险因素研究[J].运筹与管理，2019，28（5）：99?107.
　　[2] 李波，王汝锋，陈蔚淳.电子商务下风险规避制造商对供应链决策策略的影响研究[J].管理工程学报，2019，33（2）：173?179.
　　[3] 梁其钰.我国跨境电子商务支付面临的风险与防范机制[J].对外经贸实务，2018（11）：57?60.
　　[4] 李道全，吴兴成，郭瑞敏.一种基于二层节点和客观风险的电子商务交易信任模型[J].计算机科学，2016，43（5）：117?121.
　　[5] 邵建利，宋宁，张滟.电子商务中第三方支付平台欺诈风险识别研究[J].商业研究，2014（11）：34?40.
　　[6] 纪乃华，姚惠萍，王颖洁.电子商务交易评估算法[J].计算机仿真，2013，30（6）：428?431.
　　[7] 徐瑶之，吴吉义，胡玉平，等.电子商务企业的金融支持体系研究?基于资金供给与需求的分析[J].数学的实践与认识，2013，43（5）：116?123.
　　[8] 阳震青，彭润华.旅游移动支付风险评价指标体系构建[J].企业经济，2012，31（11）：91?94.
　　[9] 卢志刚，张晓旭.基于云重心Shapley值法的电子商务声誉联盟利益分配策略[J].计算机应用，2012，32（10）：2931?2934.
　　[10] 薛伟莲，王蕾.电子商务环境下供应链信息风险的模糊评价[J].大连海事大学学报，2011，37（1）：99?102.
　　[11] 卫志诚，邵堃，刘磊.一种结合客观风险的电子商务交易评估模型[J].计算机工程，2012，38（11）：277?280.
　　[12] 余乐安.基于最小二乘近似支持向量回归模型的电子商务信用风险预警[J].系统工程理论与实践，2012，32（3）：508?514.
　　[13] 刘永磊，金志刚，郝琨，等.基于STRIDE和模糊综合评价法的移动支付系统风险评估[J].信息网络安全，2020，20（2）：49?56.
　　[14] 张璇，林逸风，白川，等.基于贝叶斯网络的移动支付风险评估模型[J].计算机工程与应用，2014，50（5）：60?64.
　　[15] 王忠群，汝志愿，皇苏斌，等.基于证据网络的C2C商品购买风险动态评估模型[J].控制与决策，2018，33（3）：521?528.
　　作者簡介：秦  莹（1986—），女，山东临沂人，硕士，讲师，研究方向为电子商务、商务英语。
转载注明来源:https://www.xzbu.com/8/view-15363906.htm