1.一种交易风险检测方法，其特征在于，所述方法包括：S1、构建异常快速检测模型，所述异常快速检测模型包括聚类算法；

S2、构建异常精准检测模型，所述异常精准检测模型包括长短期记忆网络LSTM；

S3、获取预设时间长度内的多个交易数据，所述多个交易数据中的每个交易数据均包括交易金额、交易时间和交易地点；

S4、将每个交易数据的交易金额、交易时间和交易地点输入到所述异常快速检测模型，得到异常交易数据点；

S5、如果得到的异常交易数据点的数量不为零且小于预设数量，则根据所述多个交易数据组成交易金额序列、交易时间差序列和交易地点序列，将所述交易金额序列、交易时间差序列和交易地点序列输入到所述异常精准检测模型中，确定交易检测结果；

其中，所述S5的根据所述多个交易数据组成交易金额序列、交易时间差序列和交易地点序列，将所述交易金额序列、交易时间差序列和交易地点序列输入到所述异常精准检测模型中，确定交易检测结果，包括：S51、根据多个交易数据组成交易金额序列X、交易时间差序列Y和交易地点序列Z，其中，交易金额序列X＝{xS52、根据交易金额序列X、交易时间差序列Y和交易地点序列Z，计算前向隐状态向量和后向隐状态向量：其中，

S53、对所述前向隐状态向量和所述后向隐状态向量进行整合，得到隐状态：其中，h

S54、将交易金额序列X在各个时刻的隐状态组合为交易金额特征向量HS55、根据所述交易金额特征向量、交易时间差特征向量和交易地点特征向量，计算融合特征向量H；

S56、根据所述融合特征向量，确定交易发生异常的概率：其中，P表示交易发生异常的概率，softmax()表示softmax函数，S57、当交易发生异常的概率大于预设概率时，确定交易发生异常。

2.根据权利要求1所述的方法，其特征在于，所述S4的将每个交易数据的交易金额、交易时间和交易地点输入到所述异常快速检测模型，得到异常交易数据点，包括：S41、设定参数m表示交易数据的次序，参数M表示交易数据的总数量，m＝0；

S42、获取第m个交易数据A

S43、根据第m个交易数据的交易金额、交易时间和交易地点，确定初始分类中心：其中，(x

S44、计算第m个交易数据到各个分类中心的中心点的距离：其中，d

S45、确定d

S46、计算分类的质心，将质心作为新的分类中心，以更新分类中心：其中，

S47、判断m是否等于或大于M，如果是，则执行S48；如果不是，则m＝m+1，转去执行S42；

S48、计算各个分类中，各个交易数据到分类中心的距离，并确定出各个交易数据到分类中心的中位数距离；

S49、将满足以下公式的交易数据，确定为异常交易数据点：d≥λ·d

其中，d表示交易数据到分类中心的距离，d

3.根据权利要求1所述的方法，其特征在于，所述S55的根据所述交易金额特征向量、交易时间差特征向量和交易地点特征向量，计算融合特征向量H，包括：S551、计算交易金额序列X＝{x其中，ρ

S552、计算交易时间差序列Y＝{y其中，ρ

S553、计算交易地点序列Z＝{z其中，ρ

S554、根据以下公式，计算所述交易金额特征向量的权重系数μ其中，exp()表示以e为底的指数函数；

S555、根据以下公式，计算融合特征向量H：H＝μ

其中，H表示融合特征向量，H

4.根据权利要求1所述的方法，其特征在于，所述S57的当交易发生异常的概率大于预设概率时，确定交易发生异常之后，所述方法还包括：S581、将所述交易数据转为人工审核；

S582、根据人工审核的结果计算异常快速检测模型的检测正确率以及异常精准检测模型的检测正确率；

S583、当所述异常快速检测模型的检测正确率低于预设第一正确率时，调整所述异常快速检测模型中的异常判定系数；

S584、当所述异常精准检测模型的检测正确率低于预设第二正确率时，调整所述异常精准检测模型中的预设概率。

5.根据权利要求1所述的方法，其特征在于，所述异常精准检测模型的训练过程，包括：获取样本数据集，所述样本数据集包括正常数据和异常数据；

计算所述样本数据集的不平衡度；

当所述样本数据集的不平衡度大于预设数值时，对所述样本数据集进行平衡化处理；

构建所述异常精准检测模型的损失函数L(θ)：其中，θ表示异常精准检测模型的模型参数，y以所述损失函数的函数值最小为目标，对所述异常精准检测模型进行训练。

6.根据权利要求5所述的方法，其特征在于，所述计算所述样本数据集的不平衡度，包括：通过以下公式计算，计算所述样本数据集的不平衡度：其中，τ表示样本数据集的不平衡度，c

7.根据权利要求5所述的交易风险检测方法，其特征在于，所述对所述样本数据集进行平衡化处理，包括：将正常数据作为多数类样本，异常数据作为少数类样本；

获取互为最近邻的多数类样本和少数类样本；

删除互为最近邻的多数类样本和少数类样本；

获取两个少数类样本；

根据下述公式，在两个少数类样本的连线上，随机选取一个点合成新的少数类样本：B

其中，B

8.一种交易风险检测装置，其特征在于，所述装置包括：第一构建模块，用于构建异常快速检测模型，所述异常快速检测模型包括聚类算法；

第二构建模块，用于构建异常精准检测模型，所述异常精准检测模型包括长短期记忆网络LSTM；

获取模块，用于获取预设时间长度内的多个交易数据，所述多个交易数据中的每个交易数据均包括交易金额、交易时间和交易地点；

快速检测模块，用于将每个交易数据的交易金额、交易时间和交易地点输入到所述异常快速检测模型，得到异常交易数据点；

精准检测模块，用于如果得到的异常交易数据点的数量不为零且小于预设数量，则根据所述多个交易数据组成交易金额序列、交易时间差序列和交易地点序列，将所述交易金额序列、交易时间差序列和交易地点序列输入到所述异常精准检测模型中，确定交易检测结果；

所述根据所述多个交易数据组成交易金额序列、交易时间差序列和交易地点序列，将所述交易金额序列、交易时间差序列和交易地点序列输入到所述异常精准检测模型中，确定交易检测结果，包括：根据多个交易数据组成交易金额序列X、交易时间差序列Y和交易地点序列Z，其中，交易金额序列X＝{x根据交易金额序列X、交易时间差序列Y和交易地点序列Z，计算前向隐状态向量和后向隐状态向量：其中，

对所述前向隐状态向量和所述后向隐状态向量进行整合，得到隐状态：其中，h

将交易金额序列X在各个时刻的隐状态组合为交易金额特征向量H根据所述交易金额特征向量、交易时间差特征向量和交易地点特征向量，计算融合特征向量H；

根据所述融合特征向量，确定交易发生异常的概率：其中，P表示交易发生异常的概率，softmax()表示softmax函数，当交易发生异常的概率大于预设概率时，确定交易发生异常。

9.根据权利要求8所述的装置，其特征在于，所述快速检测模块，用于：S41、设定参数m表示交易数据的次序，参数M表示交易数据的总数量，m＝0；

S42、获取第m个交易数据A

S43、根据第m个交易数据的交易金额、交易时间和交易地点，确定初始分类中心：其中，(x

S44、计算第m个交易数据到各个分类中心的中心点的距离：其中，d

S45、确定d

S46、计算分类的质心，将质心作为新的分类中心，以更新分类中心：其中，

S47、判断m是否等于或大于M，如果是，则执行S48；如果不是，则m＝m+1，转去执行S42；

S48、计算各个分类中，各个交易数据到分类中心的距离，并确定出各个交易数据到分类中心的中位数距离；

S49、将满足以下公式的交易数据，确定为异常交易数据点：d≥λ·d

其中，d表示交易数据到分类中心的距离，d