基于數(shù)據(jù)挖掘技術(shù)的電子商務(wù)移動支付風險預測

秦瑩

摘? 要： 針對當前電子商務(wù)移動支付風險預測方法存在效率低、偏差大等弊端，為了提高電子商務(wù)移動支付風險預測精度，提出數(shù)據(jù)挖掘技術(shù)的電子商務(wù)移動支付風險預測模型。首先，收集電子商務(wù)移動支付風險一維時間序列數(shù)據(jù)，并將其重構(gòu)成一個多維的電子商務(wù)移動支付風險時間序列;然后，采用數(shù)據(jù)挖掘技術(shù)對多維的電子商務(wù)移動支付風險時間序列進行分析，構(gòu)建電子商務(wù)移動支付風險預測模型;最后，采用Matlab 2019平臺上，與其他電子商務(wù)移動支付風險預測模型進行對比實驗，結(jié)果表明文中方法的電子商務(wù)移動支付風險預測偏差很小，可以高精度跟蹤電子商務(wù)移動支付風險變化特點，而且電子商務(wù)移動支付風險預測的效率很高，預測效果顯著優(yōu)于其他電子商務(wù)移動支付風險預測模型，驗證了該電子商務(wù)移動支付風險預測模型的可行性。

關(guān)鍵詞： 電子商務(wù)時代; 電子交易; 支付風險管理; 數(shù)據(jù)挖掘技術(shù); 多維時間序列; 風險預測

中圖分類號： TN99?34; TP391? ? ? ? ? ? ? ? ? ? 文獻標識碼： A? ? ? ? ? ? ? ? ? ? ? 文章編號： 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

隨著電子商務(wù)技術(shù)的不斷發(fā)展，越來越多的人開始在網(wǎng)上進行交易[1?3]。網(wǎng)上交易過程中，存在許多風險，其中移動支付風險是最常見的一種，經(jīng)常出現(xiàn)網(wǎng)絡(luò)詐騙等，因此如何對電子商務(wù)移動支付風險進行預測，降低電子商務(wù)移動支付風險出現(xiàn)的概率，成為當前電子商務(wù)領(lǐng)域研究中的一個熱點[4?6]。

針對電子商務(wù)移動支付風險預測問題，當前許多研究機構(gòu)進行了深入分析，出現(xiàn)了許多電子商務(wù)移動支付風險預測方法[7?9]。當前有基于時間序列法的電子商務(wù)移動支付風險預測模型，其將電子商務(wù)移動支付風險歷史數(shù)據(jù)組合在一起，產(chǎn)生一個時間序列數(shù)據(jù)，這些數(shù)據(jù)之間存在較強的時間序列相關(guān)性，然后根據(jù)相關(guān)性特點建立電子商務(wù)移動支付風險預測模型，其只能對電子商務(wù)移動支付風險線性變化特點進行建模，因此電子商務(wù)移動支付風險預測誤差比較大[10?12];隨后出現(xiàn)了基于人工神經(jīng)網(wǎng)絡(luò)的電子商務(wù)移動支付風險預測模型，它們可以對電子商務(wù)移動支付風險非線性變化特點進行建模，但是由于電子商務(wù)移動支付風險具有混沌性，它們忽略了混沌性，存在效率低、偏差大等弊端[13?15]。

為了提高電子商務(wù)移動支付風險預測精度，本文提出數(shù)據(jù)挖掘技術(shù)的電子商務(wù)移動支付風險預測模型，與其他電子商務(wù)移動支付風險預測模型進行對比實驗，驗證了本文電子商務(wù)移動支付風險預測模型的可行性。

1? 相關(guān)理論

1.1? 時間序列數(shù)據(jù)的混沌處理技術(shù)

電子商務(wù)移動支付風險與網(wǎng)絡(luò)安全性、網(wǎng)民素質(zhì)、相關(guān)法律的完善等有關(guān)，這些影響之間也互相干擾和影響，使得電子商務(wù)移動支付風險變化很復雜，包括了一定的周期性變化規(guī)律，同時具有隨機性、非平穩(wěn)性，而且還具有一定的混沌性，這導致電子商務(wù)移動支付風險表面上看沒有什么變化規(guī)律可循，實際上從深層次分析，具有一定的規(guī)律性。對電子商務(wù)移動支付風險數(shù)據(jù)通過混沌分析，使其變化規(guī)律體現(xiàn)出來，為后續(xù)的電子商務(wù)移動支付風險預測建模提供幫助。對于一個電子商務(wù)移動支付風險歷史數(shù)據(jù)集合，可以描述為[x（t）]，[t=]1，2，…，[N]，其中，[N]表示電子商務(wù)移動支付風險歷史數(shù)據(jù)的數(shù)量，采用互信息法和關(guān)聯(lián)維算法確定其嵌入維[m]和延遲時間[τ]，根據(jù)嵌入維[m]和延遲時間[τ]可以產(chǎn)生一個多維的電子商務(wù)移動支付風險歷史數(shù)據(jù)集，可以描述為：

[X（t）=x（t），x（t+τ），…，x[t+（m-1）τ]]

1.2? BP神經(jīng)網(wǎng)絡(luò)

BP神經(jīng)網(wǎng)絡(luò)是一種流程的數(shù)據(jù)挖掘技術(shù)，相對于其他數(shù)據(jù)挖掘技術(shù)，其建模過程更加簡單，容易實現(xiàn)，而且建模性能很好，因此本文將其引入到電子商務(wù)移動支付風險預測的建模過程中。BP神經(jīng)網(wǎng)絡(luò)的結(jié)構(gòu)圖如圖1所示。

BP神經(jīng)網(wǎng)絡(luò)的工作原理為：首先通過電子商務(wù)移動支付風險數(shù)據(jù)分別確定輸入層和輸出層的節(jié)點數(shù)量，并根據(jù)輸入層的節(jié)點數(shù)確定隱含層的節(jié)點數(shù)量，然后初始化相關(guān)參數(shù)，進行正向?qū)W習，并計算電子商務(wù)移動支付風險預測誤差，最后根據(jù)預測誤差進行反向?qū)W習，直至電子商務(wù)移動支付風險預測誤差達到實際應(yīng)用的要求。

2? 電子商務(wù)移動支付風險預測模型工作步驟

1） 收集電子商務(wù)移動支付風險數(shù)據(jù)，考慮到電子商務(wù)移動支付風險的影響因素作用已體現(xiàn)在數(shù)據(jù)值的變化中，本文只采集電子商務(wù)移動支付風險值，風險值的大小由專家確定，這樣得到一個一維的電子商務(wù)移動支付風險時間序列數(shù)據(jù)樣本集合。

2） 采用互信息法和關(guān)聯(lián)維算法確定一維的電子商務(wù)移動支付風險時間序列數(shù)據(jù)樣本的嵌入維和延遲時間。

3） 根據(jù)嵌入維和延遲時間，得到一個多維的電子商務(wù)移動支付風險時間序列數(shù)據(jù)樣本。

4） 采用BP神經(jīng)網(wǎng)絡(luò)對多維的電子商務(wù)移動支付風險時間序列數(shù)據(jù)樣本進行學習，建立電子商務(wù)移動支付風險預測模型。

綜上可知，基于數(shù)據(jù)挖掘技術(shù)的電子商務(wù)移動支付風險預測流程如圖2所示。

3? 電子商務(wù)移動支付風險預測結(jié)果與分析

3.1? 測試環(huán)境及對比模型

電子商務(wù)移動支付風險預測測試的硬件環(huán)境為：AMD Ryzen 3 3300X CPU，金士頓Fury DDR3 1866 8 GB，影馳HOF PRO 1TB M.2 SSD;軟件環(huán)境為：編程工具為Matlab 2019，平臺為Linux。在相同測試環(huán)境中，選擇時間序列分析法和BP神經(jīng)網(wǎng)絡(luò)進行電子商務(wù)移動支付風險預測對比測試。

3.2? 電子商務(wù)移動支付風險的時間序列數(shù)據(jù)

采用一個電子商務(wù)系統(tǒng)、一段時間的移動支付風險作為研究對象，共得到100個電子商務(wù)移動支付風險歷史數(shù)據(jù)，它們組成一個一維的時間序列，具體如圖3所示。

3.3? 嵌入維和延遲時間的確定

對圖2的電子商務(wù)移動支付風險的時間序列數(shù)據(jù)，確定其嵌入維和延遲時間，它們變化曲線如圖4所示。從圖4可以看出，電子商務(wù)移動支付風險的時間序列數(shù)據(jù)的嵌入維和延遲時間分別為5和5 ms，然后根據(jù)它們重構(gòu)多維的電子商務(wù)移動支付風險的時間序列數(shù)據(jù)，并作為數(shù)據(jù)挖掘技術(shù)的學習樣本數(shù)據(jù)。

數(shù)據(jù)的嵌入維和延遲時間

3.4? 電子商務(wù)移動支付風險的單步預測結(jié)果

采用3種電子商務(wù)移動支付風險預測模型進行建模與分析，統(tǒng)計它們的單步電子商務(wù)移動支付風險預測精度，結(jié)果如圖5所示。

從圖5的單步電子商務(wù)移動支付風險預測精度可以得到如下結(jié)論：

1） 傳統(tǒng)時間序列分析法的單步電子商務(wù)移動支付風險預測結(jié)果最差，得到的電子商務(wù)移動支付風險預測誤差最大，這是因為其沒有考慮電子商務(wù)移動支付風險的非線性，只是描述了電子商務(wù)移動支付風險簡單的變化規(guī)律，這樣無法獲得理想的電子商務(wù)移動支付風險預測結(jié)果。

2） BP神經(jīng)網(wǎng)絡(luò)的單步電子商務(wù)移動支付風險預測結(jié)果要高于傳統(tǒng)時間序列分析法，這是由于其非線性建模能力要好于傳統(tǒng)時間序列分析法，但是由于沒有考慮電子商務(wù)移動支付風險的混沌特性，使得預測值與實際值有較大的偏差，使電子商務(wù)移動支付風險預測效果無法達到最優(yōu)。

3） 本文模型的電子商務(wù)移動支付風險預測值與真實值偏差很小，電子商務(wù)移動支付風險預測效果要優(yōu)于傳統(tǒng)時間序列分析法和BP神經(jīng)網(wǎng)絡(luò)，這是因為本文方法具有BP神經(jīng)網(wǎng)絡(luò)良好的預測能力，同時考慮了電子商務(wù)移動支付風險的混沌性，將原始的電子商務(wù)移動支付風險數(shù)據(jù)重構(gòu)成一個多維電子商務(wù)移動支付風險數(shù)據(jù)，可以更好地從電子商務(wù)移動支付風險數(shù)據(jù)中發(fā)現(xiàn)變化規(guī)律，得到最優(yōu)的預測效果，對比結(jié)果證明了本文模型的優(yōu)越性。

3.5? 電子商務(wù)移動支付風險的多步預測結(jié)果

由于電子商務(wù)移動支付風險防范的目標是降低支付風險的概率，因此單步的電子商務(wù)移動支付風險預測結(jié)果對保障電子商務(wù)移動支付安全實際應(yīng)用價值不大，因此要進行電子商務(wù)移動支付風險多步預測實驗，它們的預測結(jié)果如圖6所示。

從圖6可以看出，多步的電子商務(wù)移動支付風險預測結(jié)果要差于單步的電子商務(wù)移動支付風險預測結(jié)果，這是因為多步預測有一定的誤差累計結(jié)果，但是電子商務(wù)移動支付風險預測結(jié)果仍然可以滿足實際要求，同時本文模型的電子商務(wù)移動支付風險預測結(jié)果要優(yōu)于傳統(tǒng)時間序列分析法和BP神經(jīng)網(wǎng)絡(luò)，再一次驗證了本文模型的優(yōu)越性。

3.6? 預測結(jié)果分析

為了更好地體現(xiàn)本文電子商務(wù)移動支付風險預測模型的可行性，采用該模型對10種電子商務(wù)移動支付風險時間序列樣本數(shù)據(jù)進行建模預測，首先確定10種電子商務(wù)移動支付風險時間序列樣本數(shù)據(jù)重構(gòu)的嵌入維和延遲時間，具體如表1所示。

并統(tǒng)計10種電子商務(wù)移動支付風險時間序列樣本數(shù)據(jù)預測精度，具體如表2所示。

對表2的10種電子商務(wù)移動支付風險時間序列樣本數(shù)據(jù)預測精度進行分析可以發(fā)現(xiàn)，本文模型的單步預測精度均超過了97%，電子商務(wù)移動支付風險預測誤差很小，而且預測精度十分穩(wěn)定，沒有出現(xiàn)較大的波動性，說明本文電子商務(wù)移動支付風險預測結(jié)果十分可靠，可以應(yīng)用于實際的電子商務(wù)移動支付風險管理中。而對比模型的電子商務(wù)移動支付風險預測精度要低于94%，預測效果明顯差于本文模型，而且預測精度波動比較大，不穩(wěn)定。從多步預測精度可以看出，本文模型的電子商務(wù)移動支付風險預測同樣更好，說明本文模型具有較好的通用性。

3.7? 電子商務(wù)移動支付風險預測效率對比

統(tǒng)計電子商務(wù)移動支付風險預測單步預測時間，結(jié)果如表3所示。從表3可以看出，本文模型的預測時間要少于傳統(tǒng)時間序列分析法和BP神經(jīng)網(wǎng)絡(luò)，提高了電子商務(wù)移動支付風險預測效率。

4? 結(jié)? 語

電子商務(wù)移動支付風險與其他因素相關(guān)，其波動性較大，采用傳統(tǒng)方法無法對電子商務(wù)移動支付風險變化趨勢進行預測，使得電子商務(wù)移動支付風險預測的準確性不高。在分析了電子商務(wù)移動支付風險變化特點的基礎(chǔ)上，引入數(shù)據(jù)挖掘技術(shù)對電子商務(wù)移動支付風險進行建模與預測，并與其他電子商務(wù)移動支付風險預測模型進行對比實驗。從仿真對比實驗結(jié)果可知，本文方法的電子商務(wù)移動支付風險預測值與真實值偏差很小，電子商務(wù)移動支付風險預測精度很高，有效減少了電子商務(wù)移動支付風險預測誤差，且對比模型的電子商務(wù)移動支付風險預測精度均低于本文模型，同時本文方法的電子商務(wù)移動支付風險預測建模的時間少，對比結(jié)果表明，本文模型可以對電子商務(wù)移動支付風險進行更精確、更快、更可靠的預測，是一種有效的電子商務(wù)移動支付風險預測模型。

參考文獻

[1] 張鶴冰，襲希，白世貞.基于貝葉斯網(wǎng)絡(luò)的中國電子商務(wù)信用風險因素研究[J].運籌與管理，2019，28（5）：99?107.

[2] 李波，王汝鋒，陳蔚淳.電子商務(wù)下風險規(guī)避制造商對供應(yīng)鏈決策策略的影響研究[J].管理工程學報，2019，33（2）：173?179.

[3] 梁其鈺.我國跨境電子商務(wù)支付面臨的風險與防范機制[J].對外經(jīng)貿(mào)實務(wù)，2018（11）：57?60.

[4] 李道全，吳興成，郭瑞敏.一種基于二層節(jié)點和客觀風險的電子商務(wù)交易信任模型[J].計算機科學，2016，43（5）：117?121.

[5] 邵建利，宋寧，張滟.電子商務(wù)中第三方支付平臺欺詐風險識別研究[J].商業(yè)研究，2014（11）：34?40.

[6] 紀乃華，姚惠萍，王穎潔.電子商務(wù)交易評估算法[J].計算機仿真，2013，30（6）：428?431.

[7] 徐瑤之，吳吉義，胡玉平，等.電子商務(wù)企業(yè)的金融支持體系研究?基于資金供給與需求的分析[J].數(shù)學的實踐與認識，2013，43（5）：116?123.

[8] 陽震青，彭潤華.旅游移動支付風險評價指標體系構(gòu)建[J].企業(yè)經(jīng)濟，2012，31（11）：91?94.

[9] 盧志剛，張曉旭.基于云重心Shapley值法的電子商務(wù)聲譽聯(lián)盟利益分配策略[J].計算機應(yīng)用，2012，32（10）：2931?2934.

[10] 薛偉蓮，王蕾.電子商務(wù)環(huán)境下供應(yīng)鏈信息風險的模糊評價[J].大連海事大學學報，2011，37（1）：99?102.

[11] 衛(wèi)志誠，邵堃，劉磊.一種結(jié)合客觀風險的電子商務(wù)交易評估模型[J].計算機工程，2012，38（11）：277?280.

[12] 余樂安.基于最小二乘近似支持向量回歸模型的電子商務(wù)信用風險預警[J].系統(tǒng)工程理論與實踐，2012，32（3）：508?514.

[13] 劉永磊，金志剛，郝琨，等.基于STRIDE和模糊綜合評價法的移動支付系統(tǒng)風險評估[J].信息網(wǎng)絡(luò)安全，2020，20（2）：49?56.

[14] 張璇，林逸風，白川，等.基于貝葉斯網(wǎng)絡(luò)的移動支付風險評估模型[J].計算機工程與應(yīng)用，2014，50（5）：60?64.

[15] 王忠群，汝志愿，皇蘇斌，等.基于證據(jù)網(wǎng)絡(luò)的C2C商品購買風險動態(tài)評估模型[J].控制與決策，2018，33（3）：521?528.

作者簡介：秦? 瑩（1986—），女，山東臨沂人，碩士，講師，研究方向為電子商務(wù)、商務(wù)英語。