(19)国家知识产权局 (12)发明 专利申请 (10)申请公布号 (43)申请公布日 (21)申请 号 202210846339.8 (22)申请日 2022.07.19 (71)申请人 中国银行股份有限公司 地址 100818 北京市西城区复兴门内大街1 号 (72)发明人 滕建德　王欣　王增峰　 (74)专利代理 机构 北京三友知识产权代理有限 公司 11127 专利代理师 薛平　陶海萍 (51)Int.Cl. G06F 9/451(2018.01) G06K 9/62(2022.01) G06Q 40/04(2012.01) (54)发明名称 交易进度条的处 理方法及装置 (57)摘要 本发明公开了一种交易进度条的处理方法 及装置， 涉及人工智能领域， 其中该方法包括： 获 取当前交易的特征属性值和交易类型； 将当前交 易的特征属性值和交易类型输入预先训练生成 的交易时长误差类别预测模型， 得到当前交易的 交易时长误差类别； 所述交易时长误差类别预测 模型根据多笔历史交易样本预先训练生成； 根据 当前交易的交易时长误差类别， 以及交易时长误 差类别与误差时长的关系， 确定当前交易的误差 时长； 根据当前交易类型的平均交易时长和当前 交易的误差时长， 确定当前交易的总预计时长； 根据当前交易的总预计时长及单位时间维度， 匀 速展示交易进度条。 本发明可以基于交易所需时 长匀速地展示进度条， 提高了用户体验。 权利要求书3页 说明书8页 附图3页 CN 115167965 A 2022.10.11 CN 115167965 A 1.一种交易进度条的处 理方法， 其特 征在于， 包括： 获取当前交易的特 征属性值和交易类型； 将当前交易的特征属性值和 交易类型输入预先训练生成的交易时长误差类别预测模 型， 得到当前交易的交易时长误差类别； 所述交易时长误差类别预测模型根据多笔历史交 易样本预 先训练生成； 根据当前交易的交易时长误差类别， 以及交易时长误差类别与误差时长的关系， 确定 当前交易的误差时长； 根据当前交易类型的平均交易 时长和当前交易的误差时长， 确定当前交易的总预计时 长； 根据当前交易的总预计时长及单位时间维度， 匀速展示交易进度条。 2.如权利要求1所述的交易进度 条的处理方法， 其特征在于， 还包括按照如下方法预先 训练生成所述交易时长误差类别预测模型： 根据多笔历史交易的交易时长和 交易类型， 对多笔历史交易进行交易时长误差分类， 得到每一交易类型对应的多个交易时长误差类别； 将交易时长误差分类后的历史 交易数据中的特 征属性映射成交易特 征属性值； 根据每一交易类型对应的多个交易时长误差类别及每一交易特征属性值， 训练模型， 得到预先训练生成的交易时长误差类别预测模型。 3.如权利要求2所述的交易进度 条的处理方法， 其特征在于， 根据多笔历史交易的交易 时长和交易类型， 对多笔历史交易进行交易时长误差分类， 得到每一交易类型对应的多个 交易时长误差类别， 包括： 获取多笔历史 交易信息； 所述历史 交易信息包括交易码和历史 交易时长； 根据交易码识别出每一历史 交易的交易类型； 根据每一交易类型的所有历史交易 时长， 确定每一交易类型的历史交易的平均交易 时 长； 确定每一历史 交易的时长与对应交易类型的平均交易时长的差值； 根据所述差值的大小， 对每一交易类型对应的所有历史交易进行交易时长误差分类， 得到每一交易类型对应的多个交易时长误差类别。 4.如权利要求2所述的交易进度 条的处理方法， 其特征在于， 将交易 时长误差分类后的 历史交易数据中的特征属性映射成交易特征属性值还包括： 对映射后的历史交易数据进 行 特征属性提取， 得到历史 交易数据中重要程度大于预设值的特性属性； 根据每一交易类型对应的多个交易时长误差类别及每一交易特征属性值， 训练模型， 得到预先训练生成的交易时长误差类别预测模型， 包括： 根据每一交易类型对应的多个交 易时长误差类别及重要程度大于预设值的每一交易特征属 性值， 训练模型， 得到预先训练 生成的交易时长误差类别预测模型。 5.如权利要求4所述的交易进度 条的处理方法， 其特征在于， 对映射后的历史交易数据 进行特征属性提取， 得到历史交易数据中重要程度大于预设值的特性属性， 包括： 利用主成 分分析PCA函数对对映射后的历史交易数据进行特征属 性提取， 得到历史交易数据中重要 程度大于预设值的特性属性。 6.如权利要求2所述的交易进度 条的处理方法， 其特征在于， 根据每一交易类型对应的权　利　要　求　书 1/3 页 2 CN 115167965 A 2多个交易时长误差类别及每一交易特征属 性值， 训练模型， 得到预先训练生成的交易时长 误差类别预测模型， 包括： 根据每一交易类型对应的多个交易时长误差类别及每一交易特 征属性值， 利用SVM分类算法训练模型， 得到预 先训练生成的交易时长误差类别预测模型。 7.如权利要求1所述的交易进度 条的处理方法， 其特征在于， 根据当前交易的总预计时 长及单位时间维度， 匀速展示交易进度条， 包括： 在根据当前交易的总预计时长及单位时间维度进度条匀速展示到预设百分比范围内 时， 判断当前交易是否 完成； 在判断当前交易未完成时， 进度条保持在所述预设百分比范围内， 等待交易完成后继 续匀速展示进度条。 8.如权利要求7所述的交易进度条的处理方法， 其特征在于， 还包括： 在判断当前交易 完成时， 继续匀速展示进度条。 9.一种交易进度条的处 理装置， 其特 征在于， 包括： 获取单元， 用于获取当前交易的特 征属性值和交易类型； 预测单元， 用于将当前交易的特征属性值和交易类型输入预先训练生成的交易时长误 差类别预测模型， 得到当前交易的交易时长误差类别； 所述交易时长误差类别预测模型根 据多笔历史 交易样本预 先训练生成； 误差时长确定单元， 用于根据当前交易的交易时长误差类别， 以及交易时长误差类别 与误差时长的关系， 确定当前交易的误差时长； 总预计时长确定单元， 用于根据当前交易类型的平均交易时长和当前交易的误差时 长， 确定当前交易的总预计时长； 处理单元， 用于根据当前交易的总预计时长及单位时间维度， 匀速展示交易进度条。 10.如权利要求9所述的交易进度 条的处理装置， 其特征在于， 还包括训练单元， 用于按 照如下方法预先训练生成所述交易时长误差类别预测模型： 根据多笔历史交易的交易时长和 交易类型， 对多笔历史交易进行交易时长误差分类， 得到每一交易类型对应的多个交易时长误差类别； 将交易时长误差分类后的历史 交易数据中的特 征属性映射成交易特 征属性值； 根据每一交易类型对应的多个交易时长误差类别及每一交易特征属性值， 训练模型， 得到预先训练生成的交易时长误差类别预测模型。 11.如权利要求10所述的交易进度条的处理装置， 其特征在于， 根据多笔历史交易的交 易时长和交易类型， 对多笔历史交易进行交易时长误差分类， 得到每一交易类型对应的多 个交易时长误差类别， 包括： 获取多笔历史 交易信息； 所述历史 交易信息包括交易码和历史 交易时长； 根据交易码识别出每一历史 交易的交易类型； 根据每一交易类型的所有历史交易 时长， 确定每一交易类型的历史交易的平均交易 时 长； 确定每一历史 交易的时长与对应交易类型的平均交易时长的差值； 根据所述差值的大小， 对每一交易类型对应的所有历史交易进行交易时长误差分类， 得到每一交易类型对应的多个交易时长误差类别。 12.如权利要求10所述的交易进度条的处理装置， 其特征在于， 将交易 时长误差分类后权　利　要　求　书 2/3 页 3 CN 115167965 A 3