CN106897743A - 基于贝叶斯模型的移动考勤防作弊大数据检测方法 - Google Patents
基于贝叶斯模型的移动考勤防作弊大数据检测方法 Download PDFInfo
- Publication number
- CN106897743A CN106897743A CN201710096671.6A CN201710096671A CN106897743A CN 106897743 A CN106897743 A CN 106897743A CN 201710096671 A CN201710096671 A CN 201710096671A CN 106897743 A CN106897743 A CN 106897743A
- Authority
- CN
- China
- Prior art keywords
- model
- cheating
- card
- data
- checking
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
- G06F18/2415—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on parametric or probabilistic models, e.g. based on likelihood ratio or false acceptance rate versus a false rejection rate
- G06F18/24155—Bayesian classification
Landscapes
- Engineering & Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Artificial Intelligence (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Bioinformatics & Cheminformatics (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Probability & Statistics with Applications (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开一种基于贝叶斯模型的移动考勤防作弊大数据检测方法,其用于解决现有技术中考勤作弊的缺陷。其包括如下步骤:构建代打卡作弊模型;对代打卡作弊模型进行应用;其中,构建代打卡作弊模型包括建立样本库、模型训练、模型应用和模型优化四个步骤。本发明基于hadoop+spark搭建大数据平台,利用贝叶斯模型进行数据建模和训练,构建考勤防作弊样本及模型,从而对用户的考勤打卡数据进行实时的检测;本发明可以较精准识别作弊人员及代打卡数据,作日常考勤考勤与管理提供有效依据,更好的防范与杜绝作弊行为。
Description
技术领域
本发明涉及一种考勤防作弊的检测方法,尤其涉及一种基于贝叶斯模型的移动考勤防作弊大数据检测方法。
背景技术
传统的指纹考勤设备在企业使用过程中存在种种弊端。尤其是在外勤人员多、人员渠道种类多、岗位变动频繁、人员流动性强、组织结构复杂的保险类企业,外勤签到、排队打卡、出席率管控等等成为了考勤的痛点。
现有移动考勤打卡系统,其采用最新的互联网技术,可以通过GPS精准定位,实现手机上打卡考勤、请假申请和审批、查询功能,满足在外会议、出差、临时调动等考勤需求,但是由于手机系统作弊成本较低,业务员到达指定考勤地点后通过登录不同账号,或者购买多台手机分别登录不同人员的账号,即可实现代他人打卡,这样未到该地点的用户通过其它人代打卡也可成功进行考勤,失去考勤的真实性,导致考勤数据失真,无法解决保险虚拟人力的问题。而移动考勤系统可以通过手机硬件码识别,防止用户通过同个手机登陆不同账号进行作弊,但当用户直接购买多台手机,通过不同手机登录不同账号代替他人打卡这类作弊行为就无从防范与判别。
综上,有必要设计一种基于贝叶斯模型的移动考勤防作弊大数据检测方法来弥补上述缺陷。
发明内容
本发明提出一种基于贝叶斯模型的移动考勤防作弊大数据检测方法,用于解决现有技术中考勤作弊的缺陷。本发明基于hadoop+spark搭建大数据平台,利用贝叶斯模型进行数据建模和训练,构建考勤防作弊样本及模型,从而对用户的考勤打卡数据进行实时的检测;本发明可以较精准识别作弊人员及代打卡数据,作日常考勤考勤与管理提供有效依据,更好的防范与杜绝作弊行为。
本发明的技术方案是这样实现的:
本发明公开一种基于贝叶斯模型的移动考勤防作弊大数据检测方法,其包括如下步骤:(S1)构建代打卡作弊模型;(S2)对步骤(S1)构建的代打卡作弊模型进行应用;其中,步骤(S1)包括如下步骤:(S11)建立样本库:梳理多个代打卡规则,根据代打卡规则筛选出疑似代打卡人员的记录数据,并建立样本库;(S12)模型训练:将步骤(S01)步骤中样本库的数据使用十倍交叉的方式进行贝叶斯模型的训练;(S13)模型应用:针对步骤(S02)中的其中一条人员记录进行分析,首先将其按照样本处理规则建立各特征维度,得到样本,将样本作为模型的输入,计算后得到结果,如果结果为1,则判定样本是正常人员,如果结果为-1则为代签人员;(S14)模型优化:从样本特征的组合优化、特征的处理、样本的真实标签的获取对模型处理结构进行优化。
其中,步骤(S2)中,代打卡模型的应用流程包括用户打卡侦测流程和大数据模型训练流程。
其中,用户打卡侦测流程包括如下步骤:(S31)用户来到指点办公地点,打开手机系统点击考勤;(S32)系统实时获取用户账号信息、手机设备信息、GPS定位经纬度信息、用户排班班次信息等内容;(S33)用户打卡数据作为输入进入大数据侦测平台;(S34)大数据侦测平台通过代打卡作弊模型进行计算,实时检测数据作弊的可疑度;(S35)超过大数据侦测平台预设值认为是可能作弊的数据,输出结果,反馈到管理人员。
其中,大数据模型训练流程包括如下步骤:(S41)根据代打卡规则提取打卡可疑人员数据;(S42)根据步骤(S41)选定的代打卡规则数据建立样本库,样本库包含正例和反例;(S43)根据预设的代打卡作弊模型进行训练,提取精确度;(S44)用户每次打卡数据作为模型输入数据,进行检测;(S45)模型检测结果输出到系统,管理员检查出勤真实度,并通过系统反馈;(S46)管理人员将反馈的可疑人员结果情况输入到模型中,完善样本库;(S47)根据反馈的样例进一步优化代打卡作弊模型;(S48)循环步骤(S44)至步骤(S47),反复优化整个代打卡作弊模型。
其中,代打卡规则包括第一规则、第二规则、第三规则和第四规则;第一规则为只用系统打卡功能,系统活跃度低,但考勤出席率高的信息;第二规则为出席情况同时同出的人员;第三规则为长时间未请过假的人员;第四规则为连续一段时间,每天都在同一较短时间段打卡的小组。
其中,步骤(S12)中,模型训练包括如下步骤:(S121)模型选择:选择贝叶斯模型进行分类,通过某对象的先验概率,利用贝叶斯公式计算出其后验概率,即该对象属于某一类的概率,选择具有最大后验概率的类作为该对象所属的类;(S122)训练步骤:将样本库中的数据均匀的分成10等分,随机取9份用来做训练数据,剩下一份做测试数据,循环训练和测试10次,取其平均精度作为模型的分类精度值。
与现有技术相比,本发明具有如下优点:
本发明基于hadoop+spark搭建大数据平台,利用贝叶斯模型进行数据建模和训练,构建考勤防作弊样本及模型,从而对用户的考勤打卡数据进行实时的检测,可以较精准识别作弊人员及代打卡数据,作日常考勤考勤与管理提供有效依据,更好的防范与杜绝作弊行为。
本发明基于移动考勤系统,通过大数据技术,对海量的考勤打卡数据进行检测,识别出打卡可疑人员和考勤数据,为出勤检查提供依据,进一步解决考勤代打卡等作弊行为。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案,下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本发明的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他的附图。
图1为本发明基于贝叶斯模型的移动考勤防作弊大数据检测方法的应用流程框图。
具体实施方式
下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
为了有助于和澄清随后的实施例的描述,在对本发明的具体实施方式进行详细说明之前,对部分术语进行解释,下列的解释应用于本说明书以及权利要求书。
本发明中出现的Hadoop是一个由Apache基金会所开发的分布式系统基础架构,用户可以在不了解分布式底层细节的情况下,开发分布式程序。充分利用集群的威力进行高速运算和存储。其它英文词语均为代码,不代表其它任何意义。
参照图1,本发明公开一种基于贝叶斯模型的移动考勤防作弊大数据检测方法,其包括如下步骤:(S1)构建代打卡作弊模型;(S2)对步骤(S1)构建的代打卡作弊模型进行应用;其中,步骤(S1)包括如下步骤:(S11)建立样本库:梳理多个代打卡规则,根据代打卡规则筛选出疑似代打卡人员的记录数据,并建立样本库;(S12)模型训练:将步骤(S01)步骤中样本库的数据使用十倍交叉的方式进行贝叶斯模型的训练;(S13)模型应用:针对步骤(S02)中的其中一条人员记录进行分析,首先将其按照样本处理规则建立各特征维度,得到样本,将样本作为模型的输入,计算后得到结果,如果结果为1,则判定样本是正常人员,如果结果为-1则为代签人员;(S14)模型优化:从样本特征的组合优化、特征的处理、样本的真实标签的获取对模型处理结构进行优化。
其中,步骤(S2)中,代打卡模型的应用流程包括用户打卡侦测流程和大数据模型训练流程。本领域技术人员根据实际需求,还可选择其他的应用流程,只需达到对代打卡作弊进行侦测、结果反馈和模型优化即可。
其中,用户打卡侦测流程包括如下步骤:(S31)用户来到指点办公地点,打开手机系统点击考勤;(S32)系统实时获取用户账号信息、手机设备信息、GPS定位经纬度信息、用户排班班次信息等内容;(S33)用户打卡数据作为输入进入大数据侦测平台;(S34)大数据侦测平台通过代打卡作弊模型进行计算,实时检测数据作弊的可疑度;(S35)超过大数据侦测平台预设值认为是可能作弊的数据,输出结果,反馈到管理人员。
其中,大数据模型训练流程包括如下步骤:(S41)根据代打卡规则提取打卡可疑人员数据;(S42)根据步骤(S41)选定的代打卡规则数据建立样本库,样本库包含正例和反例;(S43)根据预设的代打卡作弊模型进行训练,提取精确度;(S44)用户每次打卡数据作为模型输入数据,进行检测;(S45)模型检测结果输出到系统,管理员检查出勤真实度,并通过系统反馈;(S46)管理人员将反馈的可疑人员结果情况输入到模型中,完善样本库;(S47)根据反馈的样例进一步优化代打卡作弊模型;(S48)循环步骤(S44)至步骤(S47),反复优化整个代打卡作弊模型。
其中,代打卡规则包括第一规则、第二规则、第三规则和第四规则;第一规则为只用系统打卡功能,系统活跃度低,但考勤出席率高的信息;第二规则为出席情况同时同出的人员;第三规则为长时间未请过假的人员;第四规则为连续一段时间,每天都在同一较短时间段打卡的小组。
其中,步骤(S12)中,模型训练包括如下步骤:(S121)模型选择:选择贝叶斯模型进行分类,通过某对象的先验概率,利用贝叶斯公式计算出其后验概率,即该对象属于某一类的概率,选择具有最大后验概率的类作为该对象所属的类;(S122)训练步骤:将样本库中的数据均匀的分成10等分,随机取9份用来做训练数据,剩下一份做测试数据,循环训练和测试10次,取其平均精度作为模型的分类精度值。
如下以一具体实施例进行说明建立代打卡作弊模型的步骤,建立样本库时,根据规则筛选出疑似作弊人员的记录数据,假设存在8种可用于筛选作弊人员的规则(即W1,W2,……,W8),则分别利用8条规则选出相应的人员记录(R1,R2,……,Rn),供n个记录,其中,n大于0。建立的样本库则如下表1所示。
表1
X | W1 | W2 | W3 | W4 | W5 | W6 | W7 | W8 | Y |
R1 | 0 | 1 | 1 | 0 | 0 | 0 | 0 | 0 | -1 |
R2 | -1 | ||||||||
…… | -1 | ||||||||
Rn | -1 | ||||||||
R(n+1) | 1 | ||||||||
R(n+2) | 1 | ||||||||
…… | 1 | ||||||||
Rm | 1 |
表1的样本库中,样本X=特征W+标签Y,且上表中样本包括正例和反例,其中正例为R(n+1),R(n+2),……Rm,其对应的标签为1;反例为R1,R2,……,Rn,其对应的标签为-1。代打卡规则为W1,W2,W3,W4,W5,W6,W7,W8,根据对应的规则将W设置为0或者1,符合规则为1,不符合则为0。且样本库中n和m-n的数量大体上要接近。
在对表1的样本库进行模型应用时,对其中任意一条人员记录进行分析,首先将其按照样本处理规则建立各特征维度,即W1-W8,得到样本X,将样本X作为模型的输入,计算后得到结果Y,如果Y为1,则判定样本是正常人员,如果Y为-1则为代签人员。
对表1的样本库进行模型优化,其目的是提高模型处理结果的准确度,从以下两个方面来优化模型:
(1)考虑到特征的选取和处理会对模型精确度造成较大影响,可以从特征的组合优化和特征的处理(如离散化、转化等)来进行。
(2)样本的真实标签获取,通过实地检查的方式或者拍摄照片比对的方式确认每个人员记录的真实行为,更新对应样本的标签Y,可提高模型的准确度。
通过构建的代打卡作弊模型,对其进行应用,业务员打卡时,将打卡数据作为大数据模型输入,经过代打卡作弊模型的实时检测,判别打卡数据的真实度,输出打卡数据的作弊可能性,系统通过可能性百分比判断是否为作弊信息,从而推送给内勤及考勤管理员,进行线下的考勤点名及检查,从而防范考勤作弊。
本发明则基于移动考勤系统,通过大数据技术,基于海量的考勤打卡数据进行检测,识别出打卡可疑人员和考勤数据,为出勤检查提供依据,进一步解决考勤代打卡等作弊行为。
以上所述仅为本发明的较佳实施例而已,并不用以限制本发明,凡在本发明的精神和原则之内,所作的任何修改、等同替换、改进等,均应包含在本发明的保护范围之内。
Claims (6)
1.一种基于贝叶斯模型的移动考勤防作弊大数据检测方法,其特征在于,其包括如下步骤:
(S1)构建代打卡作弊模型;
(S2)对步骤(S1)构建的代打卡作弊模型进行应用;
其中,步骤(S1)包括如下步骤:
(S11)建立样本库:梳理多个代打卡规则,根据代打卡规则筛选出疑似代打卡人员的记录数据,并建立样本库;
(S12)模型训练:将步骤(S01)步骤中样本库的数据使用十倍交叉的方式进行贝叶斯模型的训练;
(S13)模型应用:针对步骤(S02)中的其中一条人员记录进行分析,首先将其按照样本处理规则建立各特征维度,得到样本,将样本作为模型的输入,计算后得到结果,如果结果为1,则判定样本是正常人员,如果结果为-1则为代签人员;
(S14)模型优化:从样本特征的组合优化、特征的处理、样本的真实标签的获取对模型处理结构进行优化。
2.如权利要求1所述的基于贝叶斯模型的移动考勤防作弊大数据检测方法,其特征在于,步骤(S2)中,代打卡模型的应用流程包括用户打卡侦测流程和大数据模型训练流程。
3.如权利要求2所述的基于贝叶斯模型的移动考勤防作弊大数据检测方法,其特征在于,用户打卡侦测流程包括如下步骤:
(S31)用户来到指点办公地点,打开手机系统点击考勤;
(S32)系统实时获取用户账号信息、手机设备信息、GPS定位经纬度信息、用户排班班次信息等内容;
(S33)用户打卡数据作为输入进入大数据侦测平台;
(S34)大数据侦测平台通过代打卡作弊模型进行计算,实时检测数据作弊的可疑度;
(S35)超过大数据侦测平台预设值认为是可能作弊的数据,输出结果,反馈到管理人员。
4.如权利要求2所述的基于贝叶斯模型的移动考勤防作弊大数据检测方法,其特征在于,大数据模型训练流程包括如下步骤:
(S41)根据代打卡规则提取打卡可疑人员数据;
(S42)根据步骤(S41)选定的代打卡规则数据建立样本库,样本库包含正例和反例;
(S43)根据预设的代打卡作弊模型进行训练,提取精确度;
(S44)用户每次打卡数据作为模型输入数据,进行检测;
(S45)模型检测结果输出到系统,管理员检查出勤真实度,并通过系统反馈;
(S46)管理人员将反馈的可疑人员结果情况输入到模型中,完善样本库;
(S47)根据反馈的样例进一步优化代打卡作弊模型;
(S48)循环步骤(S44)至步骤(S47),反复优化整个代打卡作弊模型。
5.如权利要求1-4中任一项所述的基于贝叶斯模型的移动考勤防作弊大数据检测方法,其特征在于,代打卡规则包括第一规则、第二规则、第三规则和第四规则;第一规则为只用系统打卡功能,系统活跃度低,但考勤出席率高的信息;第二规则为出席情况同时同出的人员;第三规则为长时间未请过假的人员;第四规则为连续一段时间,每天都在同一较短时间段打卡的小组。
6.如权利要求5所述的基于贝叶斯模型的移动考勤防作弊大数据检测方法,其特征在于,步骤(S12)中,模型训练包括如下步骤:
(S121)模型选择:选择贝叶斯模型进行分类,通过某对象的先验概率,利用贝叶斯公式计算出其后验概率,即该对象属于某一类的概率,选择具有最大后验概率的类作为该对象所属的类;
(S122)训练步骤:将样本库中的数据均匀的分成10等分,随机取9份用来做训练数据,剩下一份做测试数据,循环训练和测试10次,取其平均精度作为模型的分类精度值。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710096671.6A CN106897743B (zh) | 2017-02-22 | 2017-02-22 | 基于贝叶斯模型的移动考勤防作弊大数据检测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710096671.6A CN106897743B (zh) | 2017-02-22 | 2017-02-22 | 基于贝叶斯模型的移动考勤防作弊大数据检测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN106897743A true CN106897743A (zh) | 2017-06-27 |
CN106897743B CN106897743B (zh) | 2020-05-05 |
Family
ID=59184517
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201710096671.6A Active CN106897743B (zh) | 2017-02-22 | 2017-02-22 | 基于贝叶斯模型的移动考勤防作弊大数据检测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN106897743B (zh) |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2019062087A1 (zh) * | 2017-09-28 | 2019-04-04 | 平安科技(深圳)有限公司 | 考勤数据测试方法、终端、设备以及计算机可读存储介质 |
CN111681044A (zh) * | 2020-05-28 | 2020-09-18 | 中国工商银行股份有限公司 | 积分兑换作弊行为处理方法及装置 |
CN112651433A (zh) * | 2020-12-17 | 2021-04-13 | 广州锦行网络科技有限公司 | 一种特权账号异常行为分析方法 |
CN116894653A (zh) * | 2023-08-16 | 2023-10-17 | 广州红海云计算股份有限公司 | 一种基于多预测模型联动的人事管理数据处理方法及系统 |
Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102137084A (zh) * | 2010-01-26 | 2011-07-27 | 株式会社日立制作所 | 生物体认证系统 |
CN102254357A (zh) * | 2011-08-11 | 2011-11-23 | 福州开睿动力通信科技有限公司 | 考勤系统以及考勤方法 |
CN104281130A (zh) * | 2014-09-22 | 2015-01-14 | 国家电网公司 | 一种基于大数据技术的水电设备监测和故障诊断系统 |
CN104504525A (zh) * | 2014-12-26 | 2015-04-08 | 国家电网公司 | 通过大数据挖掘技术实现电网设备故障预警的方法 |
CN105069429A (zh) * | 2015-07-29 | 2015-11-18 | 中国科学技术大学先进技术研究院 | 一种基于大数据平台的人流量分析统计方法和系统 |
CN105590409A (zh) * | 2016-02-26 | 2016-05-18 | 江苏大学 | 一种基于大数据的人体跌倒检测方法及系统 |
CN106021524A (zh) * | 2016-05-24 | 2016-10-12 | 成都希盟泰克科技发展有限公司 | 用于大数据挖掘的二阶依赖树增广贝叶斯分类器工作方法 |
CN106296855A (zh) * | 2016-10-19 | 2017-01-04 | 张小平蓉 | 一种基于手机平台的移动考勤方法及其系统 |
-
2017
- 2017-02-22 CN CN201710096671.6A patent/CN106897743B/zh active Active
Patent Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102137084A (zh) * | 2010-01-26 | 2011-07-27 | 株式会社日立制作所 | 生物体认证系统 |
CN102254357A (zh) * | 2011-08-11 | 2011-11-23 | 福州开睿动力通信科技有限公司 | 考勤系统以及考勤方法 |
CN104281130A (zh) * | 2014-09-22 | 2015-01-14 | 国家电网公司 | 一种基于大数据技术的水电设备监测和故障诊断系统 |
CN104504525A (zh) * | 2014-12-26 | 2015-04-08 | 国家电网公司 | 通过大数据挖掘技术实现电网设备故障预警的方法 |
CN105069429A (zh) * | 2015-07-29 | 2015-11-18 | 中国科学技术大学先进技术研究院 | 一种基于大数据平台的人流量分析统计方法和系统 |
CN105590409A (zh) * | 2016-02-26 | 2016-05-18 | 江苏大学 | 一种基于大数据的人体跌倒检测方法及系统 |
CN106021524A (zh) * | 2016-05-24 | 2016-10-12 | 成都希盟泰克科技发展有限公司 | 用于大数据挖掘的二阶依赖树增广贝叶斯分类器工作方法 |
CN106296855A (zh) * | 2016-10-19 | 2017-01-04 | 张小平蓉 | 一种基于手机平台的移动考勤方法及其系统 |
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2019062087A1 (zh) * | 2017-09-28 | 2019-04-04 | 平安科技(深圳)有限公司 | 考勤数据测试方法、终端、设备以及计算机可读存储介质 |
CN111681044A (zh) * | 2020-05-28 | 2020-09-18 | 中国工商银行股份有限公司 | 积分兑换作弊行为处理方法及装置 |
CN112651433A (zh) * | 2020-12-17 | 2021-04-13 | 广州锦行网络科技有限公司 | 一种特权账号异常行为分析方法 |
CN112651433B (zh) * | 2020-12-17 | 2021-12-14 | 广州锦行网络科技有限公司 | 一种特权账号异常行为分析方法 |
CN116894653A (zh) * | 2023-08-16 | 2023-10-17 | 广州红海云计算股份有限公司 | 一种基于多预测模型联动的人事管理数据处理方法及系统 |
CN116894653B (zh) * | 2023-08-16 | 2024-02-23 | 广州红海云计算股份有限公司 | 一种基于多预测模型联动的人事管理数据处理方法及系统 |
Also Published As
Publication number | Publication date |
---|---|
CN106897743B (zh) | 2020-05-05 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109887153B (zh) | 一种财税处理方法和处理系统 | |
CN106897743A (zh) | 基于贝叶斯模型的移动考勤防作弊大数据检测方法 | |
Rhine et al. | The determinants of being unbanked for US immigrants | |
TWI584215B (zh) | 監控可疑交易的方法 | |
CN108062674B (zh) | 基于gps的订单欺诈识别方法、系统、存储介质和电子设备 | |
CN108108902A (zh) | 一种风险事件告警方法和装置 | |
CN106204780A (zh) | 一种基于深度学习和云服务的人脸识别考勤系统及方法 | |
CN108038701A (zh) | 一种集成学习反欺诈测试方法及系统 | |
CN105184315A (zh) | 一种质检处理方法及系统 | |
CN107527240B (zh) | 一种运营商行业产品口碑营销效果鉴定系统及方法 | |
CN109767225B (zh) | 一种基于自学习滑动时间窗口的网络支付欺诈检测方法 | |
CN106485528A (zh) | 检测数据的方法和装置 | |
CN115759640B (zh) | 一种智慧城市的公共服务信息处理系统及方法 | |
CN107679046A (zh) | 一种欺诈用户的检测方法及装置 | |
CN101414409B (zh) | 一种推导快速公交站点od方法 | |
CN112184304A (zh) | 一种辅助决策的方法、系统、服务器和存储介质 | |
CN114386856A (zh) | 一种空壳企业识别方法、装置、设备及计算机存储介质 | |
CN107704869A (zh) | 一种语料数据抽样方法及模型训练方法 | |
CN113065943A (zh) | 反欺诈黑产实体识别方法及系统 | |
CN114860788B (zh) | 一种技术推广信息服务系统及方法 | |
CN108984773A (zh) | 数据缺失情况下的黑名单多维信息验证方法及系统及可读存储介质及设备 | |
CN108629506A (zh) | 风控模型的建模方法、装置、计算机设备和存储介质 | |
Ashok et al. | The prominence of corporate governance in banking sector with reference to UAE | |
CN107613463A (zh) | 一种基于用户话单数据中不同基站接入频次加权的基站位置估计方法 | |
US20220012817A1 (en) | Intelligent expense report determination system |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |