在基于LSTM神经网络的支付数据管理系统中检测可疑交易的智能算法

科学领域:

• 信息技术 信息技术 信息技术
• 人工智能的人工智能
• 数据科学数据科学数据科学

背景情况:

• 全球努力的重点是推进数据处理和AI应用在各个部门.
• 优化社会经济系统和确保数字支付系统的数据库可靠性至关重要.
• 在支付系统中提高信息可靠性是一个重大挑战.

研究的目的:

• 研究提高支付信息系统信息可靠性的方法.
• 开发智能系统来检测模两可的可疑交易.
• 为了比较传统和神经网络模型的欺诈检测性能.

主要方法:

• 分析支付系统中模两可的可疑交易特征.
• 为智能检测可疑交易准备初步数据.
• 机器学习模型的开发和比较分析,包括传统和神经网络方法.
• 整合人工蜂群 (ABC) 优化算法与超参数调整的LSTM模型.

主要成果:

• 模两可的可疑交易的确立特征.
• 开发了用于智能检测的初步数据准备阶段.
• 创建并比较传统和神经网络机器学习模型来检测可疑交易.
• 使用ABC算法优化LSTM模型性能,从而提高了识别复杂欺诈模式的准确性和效率.

结论:

• 集成的ABC算法显著提高了LSTM模型的性能可疑交易检测.
• 通过先进算法优化的智能检测系统对于提高支付信息可靠性至关重要.
• 这项研究有助于在数字支付系统中更强大,更有效地检测欺诈行为.