本发明涉及人工智能，具体而言，涉及一种交易信息的处理方法、装置、存储介质及电子设备。
背景技术：
1、随着移动支付产业的兴起，银行或者第三方支付机构的交易量也在极速增长。在账务系统中，当收到一笔记账请求时，系统就会操作不同账户之间的转账，修改账户余额，若一个账户在一定时间内频繁地更新余额，则这个账号可以称为热点账户。当业务量逐渐增大，热点账户的交易量也会逐渐增多，与此同时热点账户会频繁更新账户余额，但是频繁更新账户余额会给系统造成很大的压力，从而达到系统的瓶颈。在实际的生产中，大商户的代发工资，代缴水电煤等都是比较典型的场景，这类场景短时间内交易量巨大，频发更新账户余额导致系统压力激增，影响系统稳定性和客户体验。
2、相关技术中，常用的识别热点账户的手段主要有用户提前报备，大数据事后分析，人工发现等手段，但是这些手段都无法预判热点账户的出现，导致系统会短时间内出现系统压力增大的情况。
3、针对上述的问题，目前尚未提出有效的解决方案。
技术实现思路
1、本发明实施例提供了一种交易信息的处理方法、装置、存储介质及电子设备，以至少解决相关技术中在处理金融类交易的系统中，存在短时间内交易量升高的情况，造成系统压力增加，导致系统稳定性差的技术问题。
2、根据本发明实施例的一个方面，提供了一种交易信息的处理方法，包括：获取待识别账户的目标行为信息，其中，所述目标行为信息表示在第一历史时间段内所述待识别账户进行资产交易的交易信息；将所述目标行为信息输入第一预测模型，输出目标预测信息，其中，所述第一预测模型为基于历史行为信息对神经网络模型进行模型训练得到的模型，所述历史行为信息表示在第二历史时间段内目标账户进行资产交易的交易信息，所述目标账户在所述第二历史时间段进行资产交易的交易量大于预设交易量，所述目标预测信息包括：所述待识别账户进行资产交易的交易量大于所述预设交易量的目标时间段，所述目标时间段在所述第一历史时间段之后；将所述目标预测信息输入第二预测模型，输出处理策略信息，其中，所述第二预测模型为基于所述第二历史时间段和所述目标账户的指定支付渠道对神经网络模型进行模型训练得到的模型，所述处理策略信息用于在所述目标时间段控制所述待识别账户进行资产交易的支付渠道。
3、进一步地，所述第一预测模型通过以下方式得到：获取n个所述目标账户的所述历史行为信息，得到n个所述历史行为信息，其中，n为正整数；基于n个所述历史行为信息，生成第一训练样本，其中，所述第一训练样本包括；n个所述历史行为信息以及每个所述历史行为信息关联的所述第二历史时间段；以每个所述第二历史时间段为训练标签，基于所述第一训练样本对第一初始预测模型进行模型训练，得到所述第一预测模型，其中，所述第一初始预测模型的模型类型包括：语言模型。
4、进一步地，基于n个所述历史行为信息，生成第一训练样本，包括：基于n个所述历史行为信息，确定每个所述目标账户进行资产交易的交易量大于所述预设交易量的时间段，得到每个所述历史行为信息关联的所述第二历史时间段；基于n个所述历史行为信息以及每个所述历史行为信息关联的所述第二历史时间段，生成所述第一训练样本。
5、进一步地，所述第二预测模型通过以下方式得到：基于每个所述目标账户的历史行为信息，获取每个所述目标账户在所述第二历史时间段内进行资产交易的指定支付渠道；基于n个所述第二历史时间段和每个所述目标账户在所述第二历史时间段内进行资产交易的指定支付渠道，生成第二训练样本；以每个所述目标账户在所述第二历史时间段内进行资产交易的指定支付渠道为训练标签，基于所述第二训练样本对第二初始预测模型进行模型训练，得到所述第二预测模型，其中，所述第二初始预测模型的模型类型包括：语言模型。
6、进一步地，在将所述目标预测信息输入第二预测模型，输出处理策略信息之后，还包括：基于所述目标行为信息、所述目标预测信息和所述处理策略信息，确定第三训练样本和第四训练样本，其中，所述第三训练样本用于对所述第一预测模型的模型参数进行更新，所述第四训练样本用于对所述第二预测模型的模型参数进行更新；基于所述第三训练样本对所述第一预测模型进行模型训练，得到更新后的所述第一预测模型；基于所述第四训练样本对所述第二预测模型进行模型训练，得到更新后的所述第二预测模型。
7、进一步地，获取待识别账户的目标行为信息，包括：从目标存储空间中读取所述待识别账户进行资产交易的交易信息，得到目标交易信息；对所述目标交易信息进行预处理，得到所述目标行为信息，其中，所述预处理的处理方式包括下述至少之一：数据清洗、数据分类。
8、进一步地，所述目标行为信息包括下述至少之一：所述待识别账户在所述第一历史时间段进行资产交易所涉及的金融产品、所述待识别账户在所述第一历史时间段进行资产交易的交易时刻，所述待识别账户在所述第一历史时间段进行资产交易的交易次数。
9、根据本发明实施例的另一方面，还提供了一种交易信息的处理装置，包括：获取单元，用于获取待识别账户的目标行为信息，其中，所述目标行为信息表示在第一历史时间段内所述待识别账户进行资产交易的交易信息；第一处理单元，用于将所述目标行为信息输入第一预测模型，输出目标预测信息，其中，所述第一预测模型为基于历史行为信息对神经网络模型进行模型训练得到的模型，所述历史行为信息表示在第二历史时间段内目标账户进行资产交易的交易信息，所述目标账户在所述第二历史时间段进行资产交易的交易量大于预设交易量，所述目标预测信息包括：所述待识别账户进行资产交易的交易量大于所述预设交易量的目标时间段，所述目标时间段在所述第一历史时间段之后；第二处理单元，用于将所述目标预测信息输入第二预测模型，输出处理策略信息，其中，所述第二预测模型为基于所述第二历史时间段和所述目标账户的指定支付渠道对神经网络模型进行模型训练得到的模型，所述处理策略信息用于在所述目标时间段控制所述待识别账户进行资产交易的支付渠道。
10、进一步地，所述第一预测模型通过以下子单元得到：第一获取子单元，用于获取n个所述目标账户的所述历史行为信息，得到n个所述历史行为信息，其中，n为正整数；第一生成子单元，用于基于n个所述历史行为信息，生成第一训练样本，其中，所述第一训练样本包括；n个所述历史行为信息以及每个所述历史行为信息关联的所述第二历史时间段；第一训练子单元，用于以每个所述第二历史时间段为训练标签，基于所述第一训练样本对第一初始预测模型进行模型训练，得到所述第一预测模型，其中，所述第一初始预测模型的模型类型包括：语言模型。
11、进一步地，第一生成子单元包括：确定模块，用于基于n个所述历史行为信息，确定每个所述目标账户进行资产交易的交易量大于所述预设交易量的时间段，得到每个所述历史行为信息关联的所述第二历史时间段；生成模块，用于基于n个所述历史行为信息以及每个所述历史行为信息关联的所述第二历史时间段，生成所述第一训练样本。
12、进一步地，所述第二预测模型通过以下子单元得到：第二获取子单元，用于基于每个所述目标账户的历史行为信息，获取每个所述目标账户在所述第二历史时间段内进行资产交易的指定支付渠道；第二生成子单元，用于基于n个所述第二历史时间段和每个所述目标账户在所述第二历史时间段内进行资产交易的指定支付渠道，生成第二训练样本；第二训练子单元，用于以每个所述目标账户在所述第二历史时间段内进行资产交易的指定支付渠道为训练标签，基于所述第二训练样本对第二初始预测模型进行模型训练，得到所述第二预测模型，其中，所述第二初始预测模型的模型类型包括：语言模型。
13、进一步地，交易信息的处理装置还包括：确定单元，用于在将所述目标预测信息输入第二预测模型，输出处理策略信息之后，基于所述目标行为信息、所述目标预测信息和所述处理策略信息，确定第三训练样本和第四训练样本，其中，所述第三训练样本用于对所述第一预测模型的模型参数进行更新，所述第四训练样本用于对所述第二预测模型的模型参数进行更新；第一训练单元，用于基于所述第三训练样本对所述第一预测模型进行模型训练，得到更新后的所述第一预测模型；第二训练单元，用于基于所述第四训练样本对所述第二预测模型进行模型训练，得到更新后的所述第二预测模型。
14、进一步地，获取单元包括：读取子单元，用于从目标存储空间中读取所述待识别账户进行资产交易的交易信息，得到目标交易信息；预处理单元，用于对所述目标交易信息进行预处理，得到所述目标行为信息，其中，所述预处理的处理方式包括下述至少之一：数据清洗、数据分类。
15、进一步地，所述目标行为信息包括下述至少之一：所述待识别账户在所述第一历史时间段进行资产交易所涉及的金融产品、所述待识别账户在所述第一历史时间段进行资产交易的交易时刻，所述待识别账户在所述第一历史时间段进行资产交易的交易次数。
16、根据本发明实施例的另一方面，还提供了一种电子设备，包括：处理器；以及存储器，用于存储处理器的可执行指令；其中，处理器配置为经由执行可执行指令来执行上述任意一项的交易信息的处理方法。
17、根据本发明实施例的另一方面，还提供了一种计算机可读存储介质，计算机可读存储介质存储有计算机程序，其中，在计算机程序运行时控制计算机可读存储介质所在设备执行上述任意一项的交易信息的处理方法。
18、在本发明中，获取待识别账户的目标行为信息，其中，目标行为信息表示在第一历史时间段内待识别账户进行资产交易的交易信息；将目标行为信息输入第一预测模型，输出目标预测信息，其中，第一预测模型为基于历史行为信息对神经网络模型进行模型训练得到的模型，历史行为信息表示在第二历史时间段内目标账户进行资产交易的交易信息，目标账户在第二历史时间段进行资产交易的交易量大于预设交易量，目标预测信息包括：待识别账户进行资产交易的交易量大于预设交易量的目标时间段，目标时间段在第一历史时间段之后；将目标预测信息输入第二预测模型，输出处理策略信息，其中，第二预测模型为基于第二历史时间段和目标账户的指定支付渠道对神经网络模型进行模型训练得到的模型，处理策略信息用于在目标时间段控制待识别账户进行资产交易的支付渠道。进而解决了相关技术中在处理金融类交易的系统中，存在短时间内交易量升高的情况，造成系统压力增加，导致系统稳定性差的技术问题。
19、在本发明中，通过第一预测模型预测待识别账户交易量大于预设交易量的时间段，并基于第二预测模型预测处理策略，达到了预测资产交易的系统支付压力增加的时间段，并及时确定对应的处理策略的目的，从而实现了提高预测进行资产交易的系统压力增加的时间段的预测精准度以及减轻系统压力的效率的技术效果。
1.一种交易信息的处理方法，其特征在于，包括：
2.根据权利要求1所述的方法，其特征在于，所述第一预测模型通过以下方式得到：
3.根据权利要求2所述的方法，其特征在于，基于n个所述历史行为信息，生成第一训练样本，包括：
4.根据权利要求2所述的方法，其特征在于，所述第二预测模型通过以下方式得到：
5.根据权利要求1所述的方法，其特征在于，在将所述目标预测信息输入第二预测模型，输出处理策略信息之后，还包括：
6.根据权利要求1所述的方法，其特征在于，获取待识别账户的目标行为信息，包括：
7.根据权利要求1所述的方法，其特征在于，所述目标行为信息包括下述至少之一：所述待识别账户在所述第一历史时间段进行资产交易所涉及的金融产品、所述待识别账户在所述第一历史时间段进行资产交易的交易时刻，所述待识别账户在所述第一历史时间段进行资产交易的交易次数。
8.一种交易信息的处理装置，其特征在于，包括：
9.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质中存储有计算机程序，其中，在所述计算机程序运行时控制所述计算机可读存储介质所在设备执行权利要求1至7中任意一项所述的交易信息的处理方法。
10.一种电子设备，其特征在于，包括一个或多个处理器和存储器，所述存储器用于存储一个或多个程序，其中，当所述一个或多个程序被所述一个或多个处理器执行时，使得所述一个或多个处理器实现权利要求1至7中任意一项所述的交易信息的处理方法。
