一种基于币安热地址的比特币交易提现金额预测方法专利检索-比特币加密货币数字货币银行与财务事项专利检索查询-专利查询网

一种基于币安热地址的 比特币交易提现金额预测方法

阅读：295发布：2020-05-08

专利汇可以提供一种基于币安热地址的比特币交易提现金额预测方法专利检索，专利查询，专利分析的服务。并且本发明公开一种基于币安热地址的比特币交易提现金额预测方法，获取币安热地址历史的交易数据并补充其中数据缺失；从交易数据划分出转出交易数据为用户提现数据，聚合预定时段内的用户提现数据，将聚合后的用户提现数据以时间点A为界线，取过去时间段的用户提现数据为特征信息，预测时间段的用户提现数据为标签信息，构造交易信息详情的样本；将交易信息详情的样本划分出训练集和验证集，采用训练集训练深度学习模型，获取模型对未来时间用户提现数据的预测值，通过预测值与标签信息的差值调整深度学习模型的权重参数，直至得到稳定收敛；将验证集输入训练后的深度学习模型获取验证集的交易提现预测值。本发明提高了区域链交易的风险控制力。，下面是一种基于币安热地址的比特币交易提现金额预测方法专利的具体信息内容。

权利要求

1.一种基于币安热地址的比特币交易提现金额预测方法，其特征在于，包括：
S10获取币安热地址历史所有的交易数据，补充交易数据中数据缺失；
S20将补充后的交易数据按转入/转出行为划分出用于转出方储存的交易数据为用户提现数据，聚合预定时段内的用户提现数据，将聚合后的用户提现数据以时间点A为界线，取时间点A的过去时间内的用户提现数据为特征信息，时间点A预测时间段的用户提现数据为标签信息，构造交易信息详情的样本；
S30将交易信息详情的样本划分出训练集和验证集，采用训练集训练深度学习模型，获取模型对未来时间用户提现数据的预测值，通过预测值与标签信息的差值调整深度学习模型的权重参数，直至得到稳定收敛训练后的深度学习模型；
S60将验证集输入训练后的深度学习模型获取验证集的交易提现预测值。
2.如权利要求1所述的基于币安热地址的比特币交易提现金额预测方法，其特征在于，所述深度学习模型包括：
输入层，用于将输入的训练集或验证集按单行维度输入第一层长短期记忆网络层LSTM；
第一层长短期记忆网络层LSTM，用于通过对历史序列的信息学习，挖掘序列重要内容，根据输入维度对应有24个LSTM模块，每个LSTM模块接受其对应输入数据与上一个LSTM的输出，计算出一个8维度的向量，通过24次递时计算，最终获得24个计算向量输入第二层长短期记忆网络层LSTM；
第二层长短期记忆网络层LSTM，用于将长短记忆学习到的时序信息汇总到一个16维向量，以进行高维向量的挖掘，根据每个LSTM模块接收到一个8维度输入向量，但24个LSTM模块的8维输入向量汇总到最后的LSTM模块，最后的LSTM模块输出一个16维向量；
丢失层Dropout，用于忽略其他神经元学习能力，通过最后神经元以预定概率P的激活值进行工作，按照伯努利分布，产生一组由原数值和零组成的参数，放弃参数中的零，输出由原数值组成的参数至卷积层Dense；
卷积层Dense，用于将接收的由原数值组成的参数使用激活函数ReLU进行非线性激活，提取参数中原数值之间的关联特征，并将关联特征映射至输出层；
输出层，用于对输入的关联特征映射的各个维度通过线性变换后输出模型计算出的提现金额预测值。
3.如权利要求1所述的基于币安热地址的比特币交易提现金额预测方法，其特征在于，所述S10中补充交易数据中数据缺失的方法包括：
若缺失数据为字符串类型数据，则补充空字符；
若缺失数据为整数型数据，则填零补充；
若缺失数据为浮点数类型，则以0.0进行补充。
4.如权利要求1所述的基于币安热地址的比特币交易提现金额预测方法，其特征在于，所述S20中预定时段为1小时。
5.如权利要求1所述的基于币安热地址的比特币交易提现金额预测方法，其特征在于，所述S20中时间点A的过去时间段取过去的24小时。
6.如权利要求1所述的基于币安热地址的比特币交易提现金额预测方法，其特征在于，所述20中时间点A的预测时间取未来4小时。
7.如权利要求2所述的基于币安热地址的比特币交易提现金额预测方法，其特征在于，所述预定概率P取值为0.8。
8.如权利要求1所述的基于币安热地址的比特币交易提现金额预测方法，其特征在于，所述S30中将交易信息详情的样本划分出训练集和验证集的比例为4:1。
9.如权利要求2所述的基于币安热地址的比特币交易提现金额预测方法，其特征在于，所述第一层长短期记忆网络层LSTM和第二层长短期记忆网络层LSTM为堆叠式的两层长短期记忆网络层LSTM。
10.如权利要求2所述的基于币安热地址的比特币交易提现金额预测方法，其特征在于，所述激活函数ReL的计算方式如下：
其中，x表示计算出的输出值Output。最终得到的输出就是每个样本通过模型计算出的提现金额预测值。

说明书全文

一种基于币安热地址的比特币交易提现金额预测方法

技术领域

[0001] 本发明涉及区块链技术领域，尤其涉及一种基于币安热地址的比特币交易提现金额预测方法。

背景技术

[0002] 2008年，区块链伴随着比特币的首次提出而出现，是分布式数据存储、点对点传输、共识机制、加密算法等计算机技术的新型应用模式。其本质就是一个去中心化的数据
库，使用密码学方法相关联产生数据块，每一个数据块中包含了一批次数字货币网络交易
的信息，这些信息将被验证其有效性(防伪)，同时生成下一个区块。而比特币即使用区块链
作为其底层技术的一种加密数字货币。

[0003] 近年来，由于区块链去中心化、匿名性、安全性等特点，而受到越来越多的关注，其中比特币作为区块链最重要的产物之一，各式各样的用户已经在其基础上构建了一个非常
丰富的生态，包括挖矿者(采用高性能芯片作为算力，通过哈希值的不断计算，从而成功抢
夺并记录区块上的交易账本，获得该区块的奖励，比如比特币等)、交易者(使用比特币进行
交易获取一些服务的用户)、投资者(相信比特币的价值从而持有或者希望利用比特币的价
格变化而从中获益的用户)等。其中，数字货币交易所就是为客户提供的一种交易业务平
台。在这个交易平台，客户可以实现传统资产与数字资产的交易转换，同时也可以实现不同
的数字资产之间的交易，而交易所本身则通过收取交易佣金的方式来维系平台的运营或营
收。在交易中，是通过比特币地址来进行交易的，比特币地址是一串由字母和数字组成的26
位到34位字符串，看起来有些像乱码。通过区块链可以查到每个比特币地址的所有转账记
录，而比特币地址就是个人的比特币账户，相当于银行卡卡号，任何人都可以通过你的比特
币地址给你转账比特币。

[0004] 数字货币交易所吸引了大量的投资者进行交易，然而，如此大额的资金聚集区，必然会吸引大量的黑客进行攻击，试图通过一些攻击漏洞，例如用户身份的泄露、交易所技术
上的安全隐患等来获取大量的财富。因此，对于每一个交易所来说，做好风险控制都是非常
重要的。目前交易所所做的一些风控手段主要是从交易所本身以及用户角度的安全出发
的，例如用户多重身份认证识别，是对用户的唯一性进行验证，还有交易所的冷热库系统设
计，是通过断网手段，对黑客的攻击进行阻断。冷热库系统设计，即在交易所内部存在冷地
址与热地址集合，冷地址是不联网，需要通过多重身份验证、签字确认等对地址上的比特币
进行操作，类似于生活中的“保险柜”，十分安全，基本不会产生盗币事件；而热地址是需要
联网的地址，用户频繁的充值行为与取现行为等，都与热地址进行交易，因此盗币事件的高
发区就是热地址。

[0005] 币安(Binance)是目前全球三大场内交易所之一，注册用户已达300万，是在国内非常热门的交易所。这个交易所同样使用冷热库系统来进行风险控制，而其有一个特点是，
热地址只有一个，过去所有的币安盗币事件都发生在相同的地址上。因此，对于这样一个地
址，虽然背后还有若干的冷地址帮其保管巨大的比特币金额，但如果能够监控其交易情况，
对于异常的交易事件及时发现，就可以更大程度来降低盗币可能产生的损失。

发明内容

[0006] 本发明为克服上述现有技术所述的至少一种缺陷(不足)，提供一种基于币安热地址的比特币交易提现金额预测方法。

[0007] 本发明旨在至少在一定程度上解决上述技术问题。

[0008] 为了达到上述技术效果，本发明的技术方案如下：

[0009] 一种基于币安热地址的比特币交易提现金额预测方法，包括：

[0010] S10获取币安热地址历史所有的交易数据，补充交易数据中数据缺失；

[0011] S20将补充后的交易数据按转入/转出行为划分出用于转出方储存的交易数据为用户提现数据，聚合预定时段内的用户提现数据，将聚合后的用户提现数据以时间点A为界
线，取时间点A的过去时间内的用户提现数据为特征信息，时间点A预测时间段的用户提现
数据为标签信息，构造交易信息详情的样本；

[0012] S30将交易信息详情的样本划分出训练集和验证集，采用训练集训练深度学习模型，获取模型对未来时间用户提现数据的预测值，通过预测值与标签信息的差值调整深度
学习模型的权重参数，直至得到稳定收敛训练后的深度学习模型；

[0013] S40将验证集输入训练后的深度学习模型获取验证集的交易提现预测值。

[0014] 优选地，所述深度学习模型包括：

[0015] 输入层，用于将输入的训练集或验证集按单行维度输入第一层长短期记忆网络层LSTM；

[0016] 第一层长短期记忆网络层LSTM，用于通过对历史序列的信息学习，挖掘序列重要内容，根据输入维度对应有24个LSTM模块，每个LSTM模块接受其对应输入数据与上一个
LSTM的输出，计算出一个8维度的向量，通过24次递时计算，最终获得24个计算向量输入第
二层长短期记忆网络层LSTM；

[0017] 第二层长短期记忆网络层LSTM，用于将长短记忆学习到的时序信息汇总到一个16维向量，以进行高维向量的挖掘，根据每个LSTM模块接收到一个8维度输入向量，但24个
LSTM模块的8维输入向量汇总到最后的LSTM模块，最后的LSTM模块输出一个16维向量；

[0018] 丢失层Dropout，用于忽略其他神经元学习能力，通过最后神经元以预定概率P的激活值进行工作，按照伯努利分布，产生一组由原数值和零组成的参数，放弃参数中的零，
输出由原数值组成的参数至卷积层Dense；

[0019] 卷积层Dense，用于将接收的由原数值组成的参数使用激活函数ReLU进行非线性激活，提取参数中原数值之间的关联特征，并将关联特征映射至输出层；

[0020] 输出层，用于对输入的关联特征映射的各个维度通过线性变换后输出模型计算出的提现金额预测值。

[0021] 优选地，所述S10中补充交易数据中数据缺失的方法包括：

[0022] 若缺失数据为字符串类型数据，则补充空字符；

[0023] 若缺失数据为整数型数据，则填零补充；

[0024] 若缺失数据为浮点数类型，则以0.0进行补充。

[0025] 优选地，所述S20中预定时段为1小时。

[0026] 优选地，所述S20中时间点A的过去时间取过去的24小时。

[0027] 优选地，所述20中时间点A的预测时间取未来4小时。

[0028] 优选地，所述预定概率P取值为0.8。

[0029] 优选地，所述S30中将交易信息详情的样本划分出训练集和验证集的比例为4:1。

[0030] 优选地，所述第一层长短期记忆网络层LSTM和第二层长短期记忆网络层LSTM为堆叠式的两层长短期记忆网络层LSTM。

[0031] 优选地，所述激活函数ReL的计算方式如下：

[0032]

[0033] 其中，x表示计算出的输出值Output。最终得到的输出就是每个样本通过模型计算出的提现金额预测值。

[0034] 与现有技术相比，本发明技术方案的有益效果是：本发明通过对币安热地址的比特币交易数据中用户提现数据进行定时的监控，以便当实际提现值与模型计算出的提现预
测值产生较大偏差时，给出重要关注或警示，提高了区域链交易的风险控制力。
附图说明

[0035] 图1为本发明一实施例的方法流程图；

[0036] 图2为本发明的深度学习模型一实施例的结构示意图。

具体实施方式

[0037] 在本发明的描述中，需要理解的是，术语“中心”、“纵向”、“横向”、“长度”、“宽度”、“厚度”、“上”、“下”、“前”、“后”、“左”、“右”、“竖直”、“水平”、“顶”、“底”“内”、“外”、“顺时针”、“逆时针”、“轴向”、“径向”、“周向”等指示的方位或位置关系为基于附图所示的方位或位置关系，仅是为了便于描述本发明和简化描述，而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作，因此不能理解为对本发明的限制。

[0038] 此外，术语“第一”、“第二”仅用于描述目的，而不能理解为指示或暗示相对重要性或者隐含指明所指示的技术特征的数量。由此，限定有“第一”、“第二”的特征可以明示或者
隐含地包括至少一个该特征。在本发明的描述中，“多个”的含义是至少两个，例如两个，三
个等，除非另有明确具体的限定。在本发明中，除非另有明确的规定和限定，术语“安装”、
“相连”、“连接”、“固定”等术语应做广义理解，例如，可以是固定连接，也可以是可拆卸连
接，或成一体；可以是机械连接，也可以是电连接；可以是直接相连，也可以通过中间媒介间
接相连，可以是两个元件内部的连通或两个元件的相互作用关系，除非另有明确的限定。对
于本领域的普通技术人员而言，可以根据具体情况理解上述术语在本发明中的具体含义。

[0039] 在本发明中，除非另有明确的规定和限定，第一特征在第二特征“上”或“下”可以是第一和第二特征直接接触，或第一和第二特征通过中间媒介间接接触。而且，第一特征在
第二特征“之上”、“上方”和“上面”可是第一特征在第二特征正上方或斜上方，或仅仅表示
第一特征水平高度高于第二特征。第一特征在第二特征“之下”、“下方”和“下面”可以是第
一特征在第二特征正下方或斜下方，或仅仅表示第一特征水平高度小于第二特征。

[0040] 在本说明书的描述中，参考术语“一个实施例”、“一些实施例”、“示例”、“具体示例”、或“一些示例”等的描述意指结合该实施例或示例描述的具体特征、结构、材料或者特
点包含于本发明的至少一个实施例或示例中。在本说明书中，对上述术语的示意性表述不
必须针对的是相同的实施例或示例。而且，描述的具体特征、结构、材料或者特点可以在任
一个或多个实施例或示例中以合适的方式结合。此外，在不相互矛盾的情况下，本领域的技
术人员可以将本说明书中描述的不同实施例或示例以及不同实施例或示例的特征进行结
合和组合。

[0041] 尽管上面已经示出和描述了本发明的实施例，可以理解的是，上述实施例是示例性的，不能理解为对本发明的限制，本领域的普通技术人员在本发明的范围内可以对上述
实施例进行变化、修改、替换和变型。

[0042] 为了更好说明本实施例，附图某些部件会有省略、放大或缩小，并不代表实际产品的尺寸；

[0043] 对于本领域技术人员来说，附图中某些公知结构及其说明可能省略是可以理解的。

[0044] 下面结合附图和实施例对本发明的技术方案做进一步的说明。

[0045] 一种基于币安热地址的比特币交易提现金额预测方法，包括：

[0046] S10获取币安热地址历史所有的交易数据，补充交易数据中数据缺失；

[0047] S20将补充后的交易数据按转入/转出行为划分出用于转出方储存的交易数据为用户提现数据，聚合预定时段内的用户提现数据，将聚合后的用户提现数据以时间点A为界
线，取时间点A的过去时间内的用户提现数据为特征信息，时间点A预测时间段的用户提现
数据为标签信息，构造交易信息详情的样本；

[0048] S30将交易信息详情的样本划分出训练集和验证集，采用训练集训练深度学习模型，获取模型对未来时间用户提现数据的预测值，通过预测值与标签信息的差值调整深度
学习模型的权重参数，直至得到稳定收敛训练后的深度学习模型；

[0049] S40将验证集输入训练后的深度学习模型获取验证集的交易提现预测值。

[0050] 在本发明实施例中，本发明通过对币安热地址的比特币交易数据中用户提现数据进行定时的监控，以便当实际提现值与模型计算出的提现预测值产生较大偏差时，给出重
要关注或警示，提高了区域链交易的风险控制力。

[0051] 优选地，所述深度学习模型包括：

[0052] 输入层，用于将输入的训练集或验证集按单行维度输入第一层长短期记忆网络层LSTM；

[0053] 第一层长短期记忆网络层LSTM，用于通过对历史序列的信息学习，挖掘序列重要内容，根据输入维度对应有24个LSTM模块，每个LSTM模块接受其对应输入数据与上一个
LSTM的输出，计算出一个8维度的向量，通过24次递时计算，最终获得24个计算向量输入第
二层长短期记忆网络层LSTM；

[0054] 第二层长短期记忆网络层LSTM，用于将长短记忆学习到的时序信息汇总到一个16维向量，以进行高维向量的挖掘，根据每个LSTM模块接收到一个8维度输入向量，但24个
LSTM模块的8维输入向量汇总到最后的LSTM模块，最后的LSTM模块输出一个16维向量；

[0055] 丢失层Dropout，用于忽略其他神经元学习能力，通过最后神经元以预定概率P的激活值进行工作，按照伯努利分布，产生一组由原数值和零组成的参数，放弃参数中的零，
输出由原数值组成的参数至卷积层Dense；

[0056] 卷积层Dense，用于将接收的由原数值组成的参数使用激活函数ReLU进行非线性激活，提取参数中原数值之间的关联特征，并将关联特征映射至输出层；

[0057] 输出层，用于对输入的关联特征映射的各个维度通过线性变换后输出模型计算出的提现金额预测值。

[0058] 优选地，所述预定概率P取值为0.8。

[0059] 优选地，所述第一层长短期记忆网络层LSTM和第二层长短期记忆网络层LSTM为堆叠式的两层长短期记忆网络层LSTM。

[0060] 优选地，所述激活函数ReLU的计算方式如下：

[0061]

[0062] 其中，x表示计算出的输出值Output。最终得到的输出就是每个样本通过模型计算出的提现金额预测值。

[0063] 在本发明实施例中，本发明的深度学习模型的具体结构：模型输出维度为24*1维的输入，每一个维度分别对应24小时的提现金额。

[0064] 1、通过一层LSTM层，LSTM长短期记忆层(Long short-term memory,LSTM)是一种非常适合处理序列问题的模型结构，通过对历史序列的信息学习，挖掘序列最重要的内容，
在时序问题的预测上有非常好的表现。该层的学习过程是存在时序先后顺序的，根据输入
维度对应有24个LSTM小模块，每一个LSTM模块都接受其对应输入数据与上一个LSTM的输
出，计算出一个8维度的向量，通过24次递进计算，最终获得的24个计算向量都是输入维度
的高维向量表示，用包含更多信息的特征向量进行更全面的信息挖掘。

[0065] 2、紧接着再通过第二层LSTM层。首先这一层的每一个LSTM小模块都将接收到一个8维的输入向量，采用与B相同的方式，每一个LSTM模块都将输出一个16维的向量，即继续做
高维向量的挖掘。而此时我们忽略前23个LSTM模块的输出向量，只获取最后一个LSTM模块
的输出作为当前层的输出，目的是将长短记忆学习到的时序信息汇总到最后一个用16维表
征的高维信息，其向量意义是过去24小时提现趋势变化的汇总表征向量，维度为16。

[0066] 3、紧接着将LSTM的输出输送到一个丢失层Dropout。在深度学习中，如果模型参数太多，而训练样本又太少，训练出来的模型很容易产生过拟合的现象。Dropout方法是在每
个训练批次中，只有概率p的神经元具有学习能力，这样可以使模型泛化性更强，因为它不
会太依赖某些局部的特征。p值越大，学习能力越强，越容易过拟合，而p值越小，泛化能力越
强，但学习能力变弱。在本方法中，p取值为0.8。通过Droupout层，输入维度为16，输出维度
为16，这里假设输入为[i1,i2,…,i16]，Dropout层根据伯努利分布，产生一组参数[r1,
r2,…,r16]，其中这16个值中，有16*0.8≈13(有小数向上取整)个值为1，其他3个为零，因
此转化后的输出为16维，即o＝[i1*r1,i2*r2,…,i16*r16]，即其中有13个值维持原数值，3
个输入变成0。

[0067] 4、接下来输入到一个Dense层中，Dense层的目的，是将前面提取的特征，再经过一次非线性变换，提取这些特征之间的关联，最后映射到输出空间上。这里使用Dense层输入
维度为16，输出维度为一个实值，因此Dense层的参数是一个有16*1个参数的矩阵，矩阵通
过对输入向量的各个维度做线性组合得到输出，即输出值Output＝W1*I1+W2*I2+…+W16*
I16，这里的W指的是Dense层的参数，I指的是输入的16个维度的值，这样通过线性变换得到
输出。紧接着，Dense层进行非线性激活，使用的激活函数为ReLU，计算方式如下：

[0068]

[0069] 其中，x表示上述计算出的输出值Output。最终得到的输出就是每个样本通过模型计算出的提现金额预测值。

[0070] 优选地，所述S10中补充交易数据中数据缺失的方法包括：

[0071] 若缺失数据为字符串类型数据，则补充空字符；

[0072] 若缺失数据为整数型数据，则填零补充；

[0073] 若缺失数据为浮点数类型，则以0.0进行补充。

[0074] 在本发明实施例中，本发明的交易数据中会存在数据缺失，例如：转账金额为空，地址信息为空等，如果不做处理，后续的模型无法获取希望得到的数据类型，训练会报错。
因此将所有特征中的缺失值进行补充，字符串类型数据补充空字符，整数型类型数据补充
0，浮点数类型数据补充0.0。

[0075] 优选地，所述S20中预定时段为1小时。

[0076] 优选地，所述S20中时间点A的过去时间取过去的24小时。

[0077] 优选地，所述20中时间点A的预测时间取未来4小时。

[0078] 在本发明实施例中，本发明考虑到对未来的用户提现比特币数量进行预测，需要对数据进行一个时序的变换。根据数据分析，发现币安热地址的交易频率小于1小时，因此
以1小时为一个时段，对数据每小时交易提现金额进行聚合，即所有一个小时内的交易提现
金额相加，作为一个小时的总交易提现量。如表1和2所示，表1为原始用户提现行为部分数
据表，表2为按照以小时为单位聚合后的数据集表：

[0079]时间用户提现数量
2019.09.01 09:00 40
2019.09.01 09:10 22
2019.09.01 09:26 18
2019.09.01 10:01 10
2019.09.01 10:29 20
2019.09.01 10:45 30

[0080] 表1

[0081]时间用户提现数量
2019.09.01 09:00-10:00 90(40+22+18)
2019.09.01 10:00-11:00 60(10+20+30)

[0082] 表2

[0083] 在本发明实施例中，本发明为了构建标签信息，将每四个小时的用户提现数量进行加和聚合，即标签信息为某个时刻未来4小时的用户的提现比特币金额，之所以使用四个
小时而非一个小时的结果作为标签，是考虑到实际情况中极短时间的交易异常在数字货币
中是还是十分常见的，过分严格的监控标准会产生许多无用的异常提醒与人力分析，因此
选择四个小时为一个范围，来预测一段时间的总体提现值。第三步，构建特征，即对第二步
中每四个小时时间节点的前24小时的用户提现数据进行拼接，相当于每一个标签历史24小
时的提现数据共24个数据值作为一个时间序列作为未来四小时提现金额的特征。前24小时
的提现数据体现出了过去一天中提现金额的不断变动，为未来的提现金额直接产生信息指
导，充分挖掘这部分时间序列信息，即可以对未来的提现数量进行更好的判定。如表3和4所
示，表3为原始用户提现行为以小时为单位的部分数据，表4为基于表3聚合形成的样本信息
详情表，

[0084]

[0085]

[0086] 表3

[0087] 根据表3，来进行训练样本的构建，首先选择到2019.09.30 20:00这个时间节点，对未来四个小时的提现金额进行聚合，即对20：00-24：00这个时间段的提现金额全部加和，
对应到上表中，得出是12+14+14+10＝40，而前24小时的提现数据与充值数据进行拼接，得
到一条[30,10，…，25]共24维的序列，即2019.09.29 20:00-2019.09.30 20:00这24小时的
提现数据，即24维的特征，而标签为未来4个小时的提现金额，通过历史时序序列来进行标
签的预测。

[0088] 整体构建表4，根据币安热地址历史所有的交易起始终止日期，从2018年3月7日到2019年9月30日每四个小时作为一个时间节点，标签信息为时间节点未来四小时的提现金
额，而特征为时间节点过去24小时的提现金额拼接(24)，表4为三个样本的具体信息。

[0089]

[0090] 表4

[0091] 优选地，所述S30中将交易信息详情的样本划分出训练集和验证集的比例为4:1。

[0092] 在本发明实施中，本发明为了使得上述过程更加的具象化，这里举一个实例来说明。具体的训练数据构造出来为约76万条样本，其中取20％为验证集，即验证模型有效性的
集合，80％的数据为训练集，即训练参数的样本集合。将训练集合输入整个训练网络结构，
将通过两层LSTM、Dropout层、Dense层输出每一条样本的提现金额预测值，通过预测值与实
际标签的差值来对模型中的权重参数进行更新，最终训练出一个稳定收敛的模型，将训练
好的模型在验证集进行预测，通过对比验证集的标签与预测值之间的差异，可以发现模型
对于历史的时序信息进行了有效挖掘，对未来的提现预测有指导意义。

[0093] 相同或相似的标号对应相同或相似的部件；

[0094] 附图中描述位置关系的用于仅用于示例性说明，不能理解为对本专利的限制；

[0095] 显然，本发明的上述实施例仅仅是为清楚地说明本发明所作的举例，而并非是对本发明的实施方式的限定。对于所属领域的普通技术人员来说，在上述说明的基础上还可
以做出其它不同形式的变化或变动。这里无需也无法对所有的实施方式予以穷举。凡在本
发明的精神和原则之内所作的任何修改、等同替换和改进等，均应包含在本发明权利要求
的保护范围之内。

标题	发布/更新时间	阅读量
区块链实施的事件锁加密的方法和系统	2020-05-11	725
一种基于区块链的数据存储索引系统及方法	2020-05-16	593
不可信任的确定性状态机	2020-05-17	25
一种基于区块链的产品流通信息溯源方法、设备及介质	2020-05-13	871
用于将高级脚本语言编译为区块链固有脚本语言的方法	2020-05-14	195
用于依赖于区块链的操作集的系统和方法	2020-05-13	334
关于区块链的快速分布式共识	2020-05-22	854
一种基于区块链的账户撤回方法及系统	2020-05-12	944
用于区块链网络中一致分布式内存池的方法和系统	2020-05-15	276
加密货币采矿农场的操作和性能参数的监测和管理系统	2020-05-18	592

一种基于币安热地址的比特币交易提现金额预测方法

一种基于币安热地址的比特币交易提现金额预测方法

技术领域

背景技术

发明内容

具体实施方式

该功能需要专业版企业版VIP权限，您可以：