1.一种金融交易异常行为检测方法，其特征在于，该方法包括：基于历史交易记录构建交易结构图，且交易结构图中的节点为账户；存在交易的两个节点分别为出度节点和入度节点，且出度节点和入度节点之间的连线为交易路线；一小时内的一个交易路线的交易金额之和为单位交易金额，一小时内交易路线的交易结束后入度节点和出度节点的余额为单位余额；获得各交易路线的交易信息；

一个交易路线预设时段内相邻的交易的时间间隔的平均值为交易频率；利用本福特定律基于预设时段内一个交易路线的单位交易金额获得交易路线的数据非自然度；利用预设时段内一个交易路线入度节点和出度节点单位余额以及每次交易的金额的上限和下限获得交易路线的余额波动程度；获得与一个交易路线的出度节点和入度节点相连的其他节点构成的交易路线，作为邻域路线；

将交易图结构和各交易路线的交易信息输入TAD‑GCN神经网络，通过嵌入层输出每个交易路线的特征向量；利用各交易路线与其对应的邻域路线的特征向量的相似度以及邻域路线的余额波动程度获得TAD‑GCN神经网络图卷积层对各交易路线的邻域路线的特征向量进行卷积时的更新权重；基于各交易路线的交易频率和数据非自然度获得各交易路线的特征向量对应的卷积次数；基于各交易路线对应的更新权重和卷积次数通过TAD‑GCN神经网络图卷积层输出各交易路线的描述向量；通过各交易路线的描述向量经过TAD‑GCN神经网络分类层输出交易路线的交易异常识别结果；

所述获得与一个交易路线的出度节点和入度节点相连的其他节点构成的交易路线，作为邻域路线包括：与一个交易路线的出度节点相连接的节点之间的交易路线为该交易路线的邻域路线，与一个交易路线的入度节点相连接的节点之间的交易路线为该交易路线的邻域路线；其中，若一个交易路线的出度节点或入度节点中有一个节点表示的账户为外国账户，则与表示的账户为外国账户的出度节点或入度节点相连接的节点之间的交易路线不为该交易路线的邻域路线；其中交易路线的邻域路线包括交易路线本身；

所述TAD‑GCN神经网络包括：TAD‑GCN神经网络包括嵌入层、图卷积层、感知层和分类层；其中嵌入层用来输出各交易路线的特征向量；图卷积层用来对各交易路线的特征向量进行更新输出各交易路线的描述向量；感知层用来提取各交易路线的描述向量的深层特征；分类层用于处理各交易路线的描述向量的深层特征输出各交易路线的交易异常识别结果；

所述更新权重为：

其中， 表示交易路线ab的邻域路线ij的特征向量对应的更新权重；

表示交易路线ab的特征向量与邻域路线ij的特征向量的余弦相似度；

表示交易路线ab的邻域路线组成的集合； 表示邻域路线ij的余额波动程度；k表示调节系数，取值为2；

所述卷积次数为：

其中，C表示交易路线ab对应的卷积次数； 表示取整函数； 表示交易路线ab的数据非自然度； 表示交易路线ab的交易频率；表示权重调节系数，取值为0.5。

2.根据权利要求1所述的一种金融交易异常行为检测方法，其特征在于，所述获得各交易路线的交易信息包括：获得交易路线的外汇指数，其中若交易路线的交易为外汇交易，则交易路线的外汇指数为第一预设值，若交易路线的交易不为外汇交易，则交易路线的外汇指数为第二预设值；交易路线的交易信息包括预设时长内交易路线的单位交易金额和交易路线中出度节点和入度节点的单位余额、预设时段内交易路线的单位交易金额的均值、预设时段内交易路线中出度节点和入度节点单位余额的均值、交易路线的外汇指数。

3.根据权利要求1所述的一种金融交易异常行为检测方法，其特征在于，所述交易频率为：

其中， 表示预设时段内一个交易路线的交易频率； 表示一个交易路线在预设时段内的第r次交易的时刻； 表示一个交易路线在预设时段内的第r‑1次交易的时刻；

表示一个交易路线在预设时段内共有N个相邻的交易的时间间隔。

4.根据权利要求1所述的一种金融交易异常行为检测方法，其特征在于，所述利用本福特定律基于预设时段内一个交易路线的单位交易金额获得交易路线的数据非自然度包括：基于本福特定律获得1到9每个数字作为数据的首位数字的理论占比；统计一个交易路线在预设时段内1到9每个数字作为各单位交易金额的首位数字在所有单位交易金额的首位数字的占比，记为实际占比；利用1到9每个数字作为数据的首位数字的理论占比和作为各单位交易金额的首位数字得到实际占比获得一个交易路线的数据非自然度。

5.根据权利要求1所述的一种金融交易异常行为检测方法，其特征在于，所述交易路线的余额波动程度为：

其中， 表示交易路线的余额波动程度； 表示预设时段内交易路线中的出度节点的单位余额按照时间顺序排列形成的序列的样本熵； 表示预设时段内交易路线中的入度节点的单位余额按照时间顺序排列形成的序列的样本熵； 表示每次交易的金额的上限， 表示每次交易的金额的下限。