CN109471871A - 公车管理方法及装置 - Google Patents
公车管理方法及装置 Download PDFInfo
- Publication number
- CN109471871A CN109471871A CN201811413337.XA CN201811413337A CN109471871A CN 109471871 A CN109471871 A CN 109471871A CN 201811413337 A CN201811413337 A CN 201811413337A CN 109471871 A CN109471871 A CN 109471871A
- Authority
- CN
- China
- Prior art keywords
- bus
- analysis
- usage record
- feature
- abnormal
- 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.)
- Pending
Links
Landscapes
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本申请实施例提供了一种公车管理方法及装置,涉及数据分析技术领域。方法包括:获得公车使用记录包含的M种公车使用特征,M为大于1的整数;根据M种公车使用特征和公车使用分析模型,获得M个分析结果,M个分析结果为M种公车使用特征由公车使用分析模型中一一对应的M个公车使用分析子模型分析而获得的结果;在确定M个分析结果中存在异常结果时,根据异常结果确定公车使用记录中存在公车私用或私车公养的情况。由于通过M种公车使用特征由一一对应的M个公车使用分析子模型分析,从而可以得到准确度高的M个分析结果,因此可以通过M个分析结果实现有效的对公车私用或私车公养进行监管。
Description
技术领域
本申请涉及数据分析技术领域,具体而言,涉及一种公车管理方法及装置。
背景技术
公务用车存在的意义,本是为执行公务、提高工作效率。可由于一些人员存在特权思想和侥幸心理,加之管理、监督方面存在漏洞,从而这些人员便利用公车进行公车私用或私车公养。而由于公车的公车使用记录包含的数据众多,导致从这些众多数据中,难以分析出能够表示存在公车私用或私车公养情况的异常数据,进而导致难以对公车私用或私车公养进行有效地监管。
发明内容
本申请在于提供一种公车管理方法及装置,以实现有效的对公车私用或私车公养进行监管。
第一方面,本申请实施例提供了一种公车管理方法,所述方法包括:
获得公车使用记录包含的M种公车使用特征,M为大于1的整数;
根据所述M种公车使用特征和公车使用分析模型,获得M个分析结果,所述M个分析结果为所述M种公车使用特征由所述公车使用分析模型中一一对应的M个公车使用分析子模型分析而获得的结果;
在确定M个分析结果中存在异常结果时,根据所述异常结果确定所述公车使用记录中存在公车私用或私车公养的情况。
结合第一方面,在一些可能的实现方式中,根据所述异常结果确定所述公车使用记录中存在公车私用或私车公养的情况,包括:
根据所述异常结果为非公车报销加油、非公车报销维修、非公车挂靠加油、非公车保养和非公车公用中的至少一种,确定所述公车使用记录中存在私用公养的情况;或
根据所述异常结果为节假日加油、非定点加油站加油、节假日维修、加油量异常、加油次数异常、预设时间段内维修费异常、非指定结构租用公车、公车租用费用异常和公车租用次数异常中的至少一种,确定所述公车使用记录中存在公车私用的情况。
结合第一方面,在一些可能的实现方式中,获得公车使用记录包含的M种公车使用特征,包括:
获得公车使用记录;
根据与公车使用相关的预设关键词,从所述公车使用记录中提取出与所述预设关键词匹配的特征关键词;
对所述特征关键词进行向量化处理,获得向量形式的M种公车使用特征。
结合第一方面,在一些可能的实现方式中,在根据与公车使用相关的预设关键词,从所述公车使用记录中提取出与所述预设关键词匹配的特征关键词之后,以及在根据所述M种公车使用特征和公车使用分析模型,获得M个分析结果之前,所述方法还包括:
根据所述公车使用记录表示出的所述公车使用记录所属的单位,从所述公车使用分析模型包括的N个公车使用分析子模型中确定出用于分析所述单位的所述公车使用记录的所述M个公车使用分析子模型,其中,N为大于M的整数。
结合第一方面,在一些可能的实现方式中,在获得公车使用记录包含的M种公车使用特征之前,所述方法还包括:
基于所述单位的不存在异常结果的公车使用记录集和存在异常结果的公车使用记录集对M个神经网络进行训练,获得所述M个公车使用分析子模型。
第二方面,本申请实施例提供了一种公车管理装置,所述装置包括:
特征获得模块,用于获得公车使用记录包含的M种公车使用特征,M为大于1的整数。
特征分析模块,用于根据所述M种公车使用特征和公车使用分析模型,获得M个分析结果,所述M个分析结果为所述M种公车使用特征由所述公车使用分析模型中一一对应的M个公车使用分析子模型分析而获得的结果。
异常确定模块,用于在确定M个分析结果中存在异常结果时,根据所述异常结果确定所述公车使用记录中存在公车私用或私车公养的情况。
结合第二方面,在一些可能的实现方式中,
所述异常确定模块,还用于根据所述异常结果为非公车报销加油、非公车报销维修、非公车挂靠加油、非公车保养和非公车公用中的至少一种,确定所述公车使用记录中存在私用公养的情况;或
所述异常确定模块,还用于根据所述异常结果为节假日加油、非定点加油站加油、节假日维修、加油量异常、加油次数异常、预设时间段内维修费异常、非指定结构租用公车、公车租用费用异常和公车租用次数异常中的至少一种,确定所述公车使用记录中存在公车私用的情况。
结合第二方面,在一些可能的实现方式中,
所述特征获得模块,还用于获得公车使用记录;根据与公车使用相关的预设关键词,从所述公车使用记录中提取出与所述预设关键词匹配的特征关键词;对所述特征关键词进行向量化处理,获得向量形式的M种公车使用特征。
结合第二方面,在一些可能的实现方式中,所述装置还包括:
模型确定模块,用于根据所述公车使用记录表示出的所述公车使用记录所属的单位,从所述公车使用分析模型包括的N个公车使用分析子模型中确定出用于分析所述单位的所述公车使用记录的所述M个公车使用分析子模型,其中,N为大于M的整数。
结合第二方面,在一些可能的实现方式中,所述装置还包括:
模型训练模块,用于基于所述单位的不存在异常结果的公车使用记录集和存在异常结果的公车使用记录集对M个神经网络进行训练,获得所述M个公车使用分析子模型。
第三方面,本申请实施例提供了一种电子设备,所述电子设备包括:处理器,存储器,总线和通信接口;所述处理器、所述通信接口和存储器通过所述总线连接。
所述存储器,用于存储程序。
所述处理器,用于通过调用存储在所述存储器中的程序,以执行如第一方面,以及第一方面任一实现方式所述的公车管理方法。
第四方面,本申请实施例提供了一种具有计算机可执行的非易失程序代码的计算机可读储存介质,所述程序代码使所述计算机执行如第一方面,以及第一方面任一实现方式所述的公车管理方法。
本申请实施例的有益效果包括:
通过利用公车使用分析模型中与每种公车使用特征相关的每种公车使用分析子模型对每种公车使用特征进行分析,那么通过M种公车使用特征由一一对应的M个公车使用分析子模型分析,从而可以得到准确度高的M个分析结果。进而利于M个分析结果中存在的异常结果,便可以确定的确定出公车使用记录中存在公车私用或私车公养的情况,因此可以实现有效的对公车私用或私车公养进行监管。
为使本申请的上述目的、特征和优点能更明显易懂,下文特举较佳实施例,并配合所附附图,作详细说明如下。
附图说明
为了更清楚地说明本申请实施例的技术方案,下面将对实施例中所需要使用的附图作简单地介绍,应当理解,以下附图仅示出了本申请的某些实施例,因此不应被看作是对范围的限定,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相关的附图。
图1示出了本申请实施例提供的一种电子设备的结构框图;
图2示出了本申请实施例提供的一种公车管理方法的流程图;
图3示出了本申请实施例提供的一种公车管理方法装置的结构框图。
具体实施方式
为使本申请实施例的目的、技术方案和优点更加清楚,下面将结合本申请实施例中的附图,对本申请实施例中的技术方案进行清楚、完整地描述,应当理解,本申请中附图仅起到说明和描述的目的,并不用于限定本申请的保护范围。另外,应当理解,示意性的附图并未按实物比例绘制。本申请中使用的流程图示出了根据本申请的一些实施例实现的操作。应该理解,流程图的操作可以不按顺序实现,没有逻辑的上下文关系的步骤可以反转顺序或者同时实施。此外,本领域技术人员在本申请内容的指引下,可以向流程图添加一个或多个其他操作,也可以从流程图中移除一个或多个操作。
另外,所描述的实施例仅仅是本申请一部分实施例,而不是全部的实施例。通常在此处附图中描述和示出的本申请实施例的组件可以以各种不同的配置来布置和设计。因此,以下对在附图中提供的本申请的实施例的详细描述并非旨在限制要求保护的本申请的范围,而是仅仅表示本申请的选定实施例。基于本申请的实施例,本领域技术人员在没有做出创造性劳动的前提下所获得的所有其他实施例,都属于本申请保护的范围。
需要说明的是,本申请实施例中将会用到术语“包括”,用于指出其后所声明的特征的存在,但并不排除增加其它的特征。
请参阅图1,本申请一些实施例提供了一种电子设备10,电子设备10可以是服务器或者终端。
其中,服务器可以为单个服务器,也可以是服务器组。服务器组可以是集中式的,也可以是分布式的(例如,服务器可以是分布式系统)。而在一些实施例中,服务器可以在云平台上实现;仅作为示例,云平台可以包括私有云、公有云、混合云、社区云(communitycloud)、分布式云、跨云(inter-cloud)、多云(multi-cloud)等,或者它们的任意组合。
而终端则可以是个人电脑(personal computer,PC)、平板电脑、智能手机、个人数字助理(personal digital assistant,PDA)等。
本实施例中,电子设备10可以用于实现本申请的公车管理方法。本申请尽管仅示出了一个设备,但是为了方便起见,也可以在多个类似设备上以分布式方式实现本申请描述的功能,以均衡处理负载。
例如,电子设备10可以包括连接到网络的网络端口11、用于执行程序指令的一个或多个处理器12、通信总线13、和不同形式的存储介质14,例如,磁盘、ROM、或RAM,或其任意组合。示例性地,计算机平台还可以包括存储在ROM、RAM、或其他类型的非暂时性存储介质、或其任意组合中的程序指令。根据这些程序指令可以实现本申请的方法。电子设备10还包括计算机与其他输入输出设备(例如键盘、显示屏)之间的输入/输出(Input/Output,I/O)接口15。
为了便于说明,在电子设备10中仅描述了一个处理器。然而,应当注意,本申请中的电子设备10还可以包括多个处理器,因此本申请中描述的一个处理器执行的步骤也可以由多个处理器联合执行或单独执行。例如,若电子设备10的处理器执行步骤A和步骤B,则应该理解,步骤A和步骤B也可以由两个不同的处理器共同执行或者在一个处理器中单独执行。例如,第一处理器执行步骤A,第二处理器执行步骤B,或者第一处理器和第二处理器共同执行步骤A和B。
请参阅图2所示,本申请一些实施例提供了一种公车管理方法,该公车管理方法可以由电子设备执行,该公车管理方法可以包括:步骤S100、步骤S200和步骤S300。
步骤S100:获得公车使用记录包含的M种公车使用特征,M为大于1的整数。
步骤S200:根据所述M种公车使用特征和公车使用分析模型,获得M个分析结果,所述M个分析结果为所述M种公车使用特征由所述公车使用分析模型中一一对应的M个公车使用分析子模型分析而获得的结果。
步骤S300:在确定M个分析结果中存在异常结果时,根据所述异常结果确定所述公车使用记录中存在公车私用或私车公养的情况。
下面将对本申请的公车管理方法的流程进行详细地说明。
本申请实施例中,由于每个单位的公车数量和公车的使用情况都大相径庭,故通过一个模型的多个子模型对所以单位的公车使用记录进行分析往往达不到比较高的准确度,故可以基于一个单位的公车数量和公车的使用情况,专门通过一些子模型来单独对一个单位的公车使用记录进行分析,这样分析每个单位的多个子模型和分析其它单位的多个其它子模型便可以不完全一样,以保证对每个单位的公车使用记录分析的准确性。
那么,在通过每个单位的多个子模型对每个单位的公车使用记录进行分析前,可以先对神经网络进行训练,从而获得每个单位的多个子模型。由于对每个单位的多个子模型的训练过程大致是相同的,故为便于理解,本实施例以对多个单位中某一个单位的多个子模型进行训练为例来说明。
详细地,用户可以把与单位的公车数量和公车的使用情况相关的不存在异常结果的公车使用记录集和存在异常结果的公车使用记录集输入到电子设备中。
电子设备便可以利用该单位的不存在异常结果的公车使用记录集和存在异常结果的公车使用记录集对M个神经网络进行训练,M为大于1的整数。
可选地,作为对M个神经网络进行训练的一种方式,电子设备中预设有关键数据,其中,关键数据可以包括:单位的名称、单位的编号、公车的车牌、加油站名称、各数值等。电子设备在获得不存在异常结果的公车使用记录集和存在异常结果的公车使用记录集后,电子设备便可以基于字符匹配算法,通过将预设的关键数据与不存在异常结果的公车使用记录集和存在异常结果的公车使用记录集中的数据匹配,从而提取出匹配的关键数据,以及电子设备还可以将基于预设的关键数据中未与不存在异常结果的公车使用记录集和存在异常结果的公车使用记录集中匹配到数据确定为缺失的关键数据。那么,电子设备可以将该缺失的关键数据显示出来,使得用户可以获得缺失的关键数据从而将缺失的关键数据再补充到电子设备中。其中,若缺失的关键数据为名称类数据,例如加油站名称,那么用户可以直接通过填写而将名称类数据补充到电子设备中;但若缺失的关键数据为数值,例如加油金额值,那么用户需要再次去收集到这些数据后,再将这些数据补充到电子设备中。
电子设备基于匹配的关键数据和补充的关键数据便获得了不再缺失的关键数据后,为便于后续模型的运算,电子设备可以将这些关键数据转换为向量。可选地,电子设备还预设了与该单位的公车使用相关的预设关键词,那么基于关键词可以包含在关键数据中,从而基于字符匹配算法,将不再缺失的关键数据与预设关键词匹配,从而电子设备便可以获得提取出的特征关键词。这样,电子设备基于预设的向量转换规则,对特征关键词进行向量化处理,从而获得向量形式的公车使用特征集合。
可以理解到,该公车使用特征集合中便可以包含不存在异常结果的公车使用记录集和存在异常结果的公车使用记录集的全部特征。
本实施例中,为便于训练,电子设备可以给公车使用特征集合中的每个公车使用特征打上标签,以表示每个公车使用特征是那种数据的特征,例如,标签可以为表示公车使用特征为加油金额值的特征,或者,标签也可以为表示公车使用特征为加油站名称的特征。
基于此,电子设备基于公车使用特征集合分门别类对M个神经网络进行训练,从而获得训练出的M个公车使用分析子模型。其中,训练的规则可以是,通过公车使用特征集合中的一类特征对一个神经网络进行训练,从而获得一个可以专门分析该类特征的公车使用分析子模型。例如,利用加油金额这一类特征对一个神经网络进行训练,从而得到公车使用分析子模型便可以专门对加油金额进行分析,使得分析结果的准性更强。因此,在公车使用特征集中包含M类特征的情况下,便可以获得M个公车使用分析子模型。
再者,还可以利用测试集对M个公车使用分析子模型进行测试,测试集为不确定是否存在异常结果的公车使用记录集。在M个公车使用分析子模型分析测试集而得到异常的数据占测试集中总数据的比值达到预设值,便可以认为M个公车使用分析子模型已经非常准确,可以投入实际使用。可选地,预设值可以为30%。
另外,为便于后续的处理,电子设备还可以建立每个单位与每个单位的M个公车使用分析子模型的关联关系。
通过上述的流程,电子设备可以训练得到包含至少两个单位的N公车使用分析子模型的公车使用分析模型,N为大于M的整数。从而电子设备便可以执行后续的步骤S100。
步骤S100:获得公车使用记录包含的M种公车使用特征,M为大于1的整数。
可以理解到,由于实际应用中对每个单位的公车使用记录进行分析的过程也大致相同,故也为便于理解,本实施例以下也以对所有单位中的某一个单位为例进行说明。
用户可以将该单位需要分析的公车使用记录输入到该电子设备中,那么电子设备也可以基于字符匹配算法,通过将预设的关键数据与公车使用记录中的数据匹配,从而提取出公车使用记录中匹配的关键数据,以及电子设备还可以将基于预设的关键数据中未与公车使用记录中匹配到数据确定为缺失的关键数据。那么,电子设备则也可以将该缺失的关键数据显示出来,使得用户可以获得缺失的关键数据从而将缺失的关键数据再补充到电子设备中。
电子设备基于匹配的关键数据和补充的关键数据便获得了不再缺失的关键数据后,电子设备也基于字符匹配算法,将不再缺失的关键数据与预设关键词匹配,从而电子设备便可以获得提取出的特征关键词。这样,电子设备基于预设的向量转换规则,对特征关键词进行向量化处理,从而获得向量形式的M种公车使用特征。
本实施例中,在分析的获得关键数据的过程中,那么电子设备便可以从关键数据中确定出用于表示公车使用记录所属哪一个单位的单位名称或单位编号。这样,电子设备便可以根据预先建立的该单位与M个公车使用分析子模型的关联关系,从而从公车使用分析模型包括的N个公车使用分析子模型中确定出用于分析该单位的公车使用记录的M个公车使用分析子模型。
因此,电子设备在确定出M个公车使用分析子模型后,电子设备便可以继续执行步骤S200。
步骤S200:根据所述M种公车使用特征和公车使用分析模型,获得M个分析结果,所述M个分析结果为所述M种公车使用特征由所述公车使用分析模型中一一对应的M个公车使用分析子模型分析而获得的结果
电子设备在确定出公车使用分析模型中的M个公车使用分析子模型后,电子设备便可以将M种公车使用特征一一对的输入到M个公车使用分析子模型中进行分析。
M个公车使用分析子模型中每个公车使用分析子模型则可以对每种公车使用特征进行相应的分析和计算,从而输出每种公车使用特征的分析结果,从而电子设备就可以获得M个分析结果。
可以理解到的是,分析结果可以为概率值,概率值可以为例如0.8、0.6或0.4等。概率值越高可以表示该分析结果越有可能是异常结果,但并不作为限定,其也可以采用概率值越低则表示该分析结果越有可能是异常结果。
那么,电子设备在获得M个分析结果后,电子设备就可以继续执行步骤S300。
步骤S300:在确定M个分析结果中存在异常结果时,根据所述异常结果确定所述公车使用记录中存在公车私用或私车公养的情况。
电子设备中预设了概率阈值,则电子设备通过将每个分析结果与该概率阈值匹配,便可以确定M个分析结果中是否有高于概率阈值的异常结果。
那么,在确定为是时,电子设备便可以根据异常结果的类型为非公车报销加油、非公车报销维修、非公车挂靠加油、非公车保养和非公车公用中的至少一种,确定所述公车使用记录中存在私用公养的情况,从而公车使用记录中存在私用公养的情况。或者,电子设备还可以根据异常结果为节假日加油、非定点加油站加油、节假日维修、加油量异常、加油次数异常、预设时间段内维修费异常、非指定结构租用公车、公车租用费用异常和公车租用次数异常中的至少一种,从而确定公车使用记录中存在公车私用的情况。这样,就实现了准确的对公车私用或私车公养的情况进行确定。
当然,在确定为否时,可以认为本次分析公车使用记录不存在公车私用或私车公养的情况,从而继续对下次获得的公车使用记录进行分析。
请参阅图3,本申请一些实施例提供了一种公车管理装置100,该公车管理装置运行在电子设备上,该公车管理装置100可以包括:
特征获得模块110,用于获得公车使用记录包含的M种公车使用特征,M为大于1的整数。
特征分析模块120,用于根据所述M种公车使用特征和公车使用分析模型,获得M个分析结果,所述M个分析结果为所述M种公车使用特征由所述公车使用分析模型中一一对应的M个公车使用分析子模型分析而获得的结果。
异常确定模块130,用于在确定M个分析结果中存在异常结果时,根据所述异常结果确定所述公车使用记录中存在公车私用或私车公养的情况。
可选地,所述异常确定模块130,还用于根据所述异常结果为非公车报销加油、非公车报销维修、非公车挂靠加油、非公车保养和非公车公用中的至少一种,确定所述公车使用记录中存在私用公养的情况;或
所述异常确定模块130,还用于根据所述异常结果为节假日加油、非定点加油站加油、节假日维修、加油量异常、加油次数异常、预设时间段内维修费异常、非指定结构租用公车、公车租用费用异常和公车租用次数异常中的至少一种,确定所述公车使用记录中存在公车私用的情况。
可选地,所述特征获得模块110,还用于获得公车使用记录;根据与公车使用相关的预设关键词,从所述公车使用记录中提取出与所述预设关键词匹配的特征关键词;对所述特征关键词进行向量化处理,获得向量形式的M种公车使用特征。
可选地,公车管理装置100还包括:
模型确定模块140,用于根据所述公车使用记录表示出的所述公车使用记录所属的单位,从所述公车使用分析模型包括的N个公车使用分析子模型中确定出用于分析所述单位的所述公车使用记录的所述M个公车使用分析子模型,其中,N为大于M的整数。
模型训练模块150,用于基于所述单位的不存在异常结果的公车使用记录集和存在异常结果的公车使用记录集对M个神经网络进行训练,获得所述M个公车使用分析子模型。
需要说明的是,由于所属领域的技术人员可以清楚地了解到,为描述的方便和简洁,上述描述的系统、装置和单元的具体工作过程,可以参考前述方法实施例中的对应过程,在此不再赘述。
本申请一些实施例还提供了一种计算机可执行的非易失的程序代码的计算机可读储存介质,该计算机可读存储介质上存储有程序代码,该程序代码被计算机运行时执行上述任一实施例的程序检测方法的步骤。
具体地,该存储介质能够为通用的存储介质,如移动磁盘、硬盘等,该存储介质上的程序代码被运行时,能够执行上述施例的公车管理方法的步骤,以实现有效的对公车私用或私车公养进行监管。
本申请实施例所提供的公车管理方法的程序代码产品,包括存储了程序代码的计算机可读存储介质,程序代码包括的指令可用于执行前面方法实施例中的方法,具体实现可参见方法实施例,在此不再赘述。
所属领域的技术人员可以清楚地了解到,为描述的方便和简洁,上述描述的系统和装置的具体工作过程,可以参考前述方法实施例中的对应过程,在此不再赘述。
综上所述,本申请实施例提供了一种公车管理方法及装置。方法包括:获得公车使用记录包含的M种公车使用特征,M为大于1的整数;根据M种公车使用特征和公车使用分析模型,获得M个分析结果,M个分析结果为M种公车使用特征由公车使用分析模型中一一对应的M个公车使用分析子模型分析而获得的结果;在确定M个分析结果中存在异常结果时,根据异常结果确定公车使用记录中存在公车私用或私车公养的情况。
通过利用公车使用分析模型中与每种公车使用特征相关的每种公车使用分析子模型对每种公车使用特征进行分析,那么通过M种公车使用特征由一一对应的M个公车使用分析子模型分析,从而可以得到准确度高的M个分析结果。进而利于M个分析结果中存在的异常结果,便可以确定的确定出公车使用记录中存在公车私用或私车公养的情况,因此可以实现有效的对公车私用或私车公养进行监管。
以上仅为本申请的优选实施例而已,并不用于限制本申请,对于本领域的技术人员来说,本申请可以有各种更改和变化。凡在本申请的精神和原则之内,所作的任何修改、等同替换、改进等,均应包含在本申请的保护范围之内。应注意到:相似的标号和字母在下面的附图中表示类似项,因此,一旦某一项在一个附图中被定义,则在随后的附图中不需要对其进行进一步定义和解释。
以上,仅为本申请的具体实施方式,但本申请的保护范围并不局限于此,任何熟悉本技术领域的技术人员在本申请揭露的技术范围内,可轻易想到变化或替换,都应涵盖在本申请的保护范围之内。因此,本申请的保护范围应以权利要求的保护范围为准。
Claims (10)
1.一种公车管理方法,其特征在于,所述方法包括:
获得公车使用记录包含的M种公车使用特征,M为大于1的整数;
根据所述M种公车使用特征和公车使用分析模型,获得M个分析结果,所述M个分析结果为所述M种公车使用特征由所述公车使用分析模型中一一对应的M个公车使用分析子模型分析而获得的结果;
在确定M个分析结果中存在异常结果时,根据所述异常结果确定所述公车使用记录中存在公车私用或私车公养的情况。
2.根据权利要求1所述的公车管理方法,其特征在于,根据所述异常结果确定所述公车使用记录中存在公车私用或私车公养的情况,包括:
根据所述异常结果为非公车报销加油、非公车报销维修、非公车挂靠加油、非公车保养和非公车公用中的至少一种,确定所述公车使用记录中存在私用公养的情况;或
根据所述异常结果为节假日加油、非定点加油站加油、节假日维修、加油量异常、加油次数异常、预设时间段内维修费异常、非指定结构租用公车、公车租用费用异常和公车租用次数异常中的至少一种,确定所述公车使用记录中存在公车私用的情况。
3.根据权利要求1或2所述的公车管理方法,其特征在于,获得公车使用记录包含的M种公车使用特征,包括:
获得公车使用记录;
根据与公车使用相关的预设关键词,从所述公车使用记录中提取出与所述预设关键词匹配的特征关键词;
对所述特征关键词进行向量化处理,获得向量形式的M种公车使用特征。
4.根据权利要求3所述的公车管理方法,其特征在于,在根据与公车使用相关的预设关键词,从所述公车使用记录中提取出与所述预设关键词匹配的特征关键词之后,以及在根据所述M种公车使用特征和公车使用分析模型,获得M个分析结果之前,所述方法还包括:
根据所述公车使用记录表示出的所述公车使用记录所属的单位,从所述公车使用分析模型包括的N个公车使用分析子模型中确定出用于分析所述单位的所述公车使用记录的所述M个公车使用分析子模型,其中,N为大于M的整数。
5.根据权利要求4所述的公车管理方法,其特征在于,在获得公车使用记录包含的M种公车使用特征之前,所述方法还包括:
基于所述单位的不存在异常结果的公车使用记录集和存在异常结果的公车使用记录集对M个神经网络进行训练,获得所述M个公车使用分析子模型。
6.一种公车管理装置,其特征在于,所述装置包括:
特征获得模块,用于获得公车使用记录包含的M种公车使用特征,M为大于1的整数;
特征分析模块,用于根据所述M种公车使用特征和公车使用分析模型,获得M个分析结果,所述M个分析结果为所述M种公车使用特征由所述公车使用分析模型中一一对应的M个公车使用分析子模型分析而获得的结果;
异常确定模块,用于在确定M个分析结果中存在异常结果时,根据所述异常结果确定所述公车使用记录中存在公车私用或私车公养的情况。
7.根据权利要求6所述的公车管理装置,其特征在于,
所述异常确定模块,还用于根据所述异常结果为非公车报销加油、非公车报销维修、非公车挂靠加油、非公车保养和非公车公用中的至少一种,确定所述公车使用记录中存在私用公养的情况;或
所述异常确定模块,还用于根据所述异常结果为节假日加油、非定点加油站加油、节假日维修、加油量异常、加油次数异常、预设时间段内维修费异常、非指定结构租用公车、公车租用费用异常和公车租用次数异常中的至少一种,确定所述公车使用记录中存在公车私用的情况。
8.根据权利要求6或7所述的公车管理装置,其特征在于,
所述特征获得模块,还用于获得公车使用记录;根据与公车使用相关的预设关键词,从所述公车使用记录中提取出与所述预设关键词匹配的特征关键词;对所述特征关键词进行向量化处理,获得向量形式的M种公车使用特征。
9.根据权利要求8所述的公车管理装置,其特征在于,所述装置还包括:
模型确定模块,用于根据所述公车使用记录表示出的所述公车使用记录所属的单位,从所述公车使用分析模型包括的N个公车使用分析子模型中确定出用于分析所述单位的所述公车使用记录的所述M个公车使用分析子模型,其中,N为大于M的整数。
10.根据权利要求9所述的公车管理装置,其特征在于,所述装置还包括:
模型训练模块,用于基于所述单位的不存在异常结果的公车使用记录集和存在异常结果的公车使用记录集对M个神经网络进行训练,获得所述M个公车使用分析子模型。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811413337.XA CN109471871A (zh) | 2018-11-23 | 2018-11-23 | 公车管理方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811413337.XA CN109471871A (zh) | 2018-11-23 | 2018-11-23 | 公车管理方法及装置 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN109471871A true CN109471871A (zh) | 2019-03-15 |
Family
ID=65673128
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201811413337.XA Pending CN109471871A (zh) | 2018-11-23 | 2018-11-23 | 公车管理方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109471871A (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110210048A (zh) * | 2019-03-25 | 2019-09-06 | 中共四川天府新区成都纪律检查工作委员会 | 建立巡察分析模型的方法和装置 |
CN111260820A (zh) * | 2020-01-14 | 2020-06-09 | 深圳供电局有限公司 | 一种公车廉情预警方法及系统 |
CN111738890A (zh) * | 2020-06-02 | 2020-10-02 | 重庆曼非科技发展有限公司 | 作风监管系统 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106447225A (zh) * | 2016-10-20 | 2017-02-22 | 国网山东省电力公司菏泽供电公司 | 公务车智能管理方法、装置及系统 |
CN107491023A (zh) * | 2017-08-30 | 2017-12-19 | 广东科学技术职业学院 | 一种车辆远程自动监控方法 |
CN107679253A (zh) * | 2017-11-07 | 2018-02-09 | 合肥雅智信息科技有限公司 | 基于运输车辆运用的数据采集系统及数据采集方法 |
CN207182660U (zh) * | 2017-08-11 | 2018-04-03 | 上海联圣电子科技有限公司 | 一种车辆远程监控系统 |
CN108509569A (zh) * | 2018-03-26 | 2018-09-07 | 河北省科学院应用数学研究所 | 企业画像的生成方法、装置、电子设备以及存储介质 |
-
2018
- 2018-11-23 CN CN201811413337.XA patent/CN109471871A/zh active Pending
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106447225A (zh) * | 2016-10-20 | 2017-02-22 | 国网山东省电力公司菏泽供电公司 | 公务车智能管理方法、装置及系统 |
CN207182660U (zh) * | 2017-08-11 | 2018-04-03 | 上海联圣电子科技有限公司 | 一种车辆远程监控系统 |
CN107491023A (zh) * | 2017-08-30 | 2017-12-19 | 广东科学技术职业学院 | 一种车辆远程自动监控方法 |
CN107679253A (zh) * | 2017-11-07 | 2018-02-09 | 合肥雅智信息科技有限公司 | 基于运输车辆运用的数据采集系统及数据采集方法 |
CN108509569A (zh) * | 2018-03-26 | 2018-09-07 | 河北省科学院应用数学研究所 | 企业画像的生成方法、装置、电子设备以及存储介质 |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110210048A (zh) * | 2019-03-25 | 2019-09-06 | 中共四川天府新区成都纪律检查工作委员会 | 建立巡察分析模型的方法和装置 |
CN111260820A (zh) * | 2020-01-14 | 2020-06-09 | 深圳供电局有限公司 | 一种公车廉情预警方法及系统 |
CN111738890A (zh) * | 2020-06-02 | 2020-10-02 | 重庆曼非科技发展有限公司 | 作风监管系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110764993A (zh) | 自动化测试方法及终端设备 | |
CN106570778A (zh) | 一种基于大数据的数据集成与线损分析计算的方法 | |
CN109471871A (zh) | 公车管理方法及装置 | |
CN108573358A (zh) | 一种逾期预测模型生成方法及终端设备 | |
CN111796957B (zh) | 基于应用日志的交易异常根因分析方法及系统 | |
CN109242710A (zh) | 社交网络节点影响力排序方法及系统 | |
CN115081025A (zh) | 基于数字中台的敏感数据管理方法、装置及电子设备 | |
CN113516417A (zh) | 基于智能建模的业务评估方法、装置、电子设备及介质 | |
CN113159421A (zh) | 一种基于企业特征预测中标概率的方法及装置 | |
CN108280608B (zh) | 产品寿命分析方法及终端设备 | |
CN110544052A (zh) | 关系网络图的展示方法及装置 | |
CN109493958A (zh) | 一种随访计划制定方法、装置、服务器及介质 | |
CN111460293B (zh) | 信息推送方法、装置及计算机可读存储介质 | |
CN106294115A (zh) | 一种应用系统迁移性的测试方法及装置 | |
CN115564423B (zh) | 基于大数据的留学缴费的分析处理方法 | |
CN109766333A (zh) | 数据空值处理方法、装置及终端设备 | |
CN110223132A (zh) | 基于多权限角色的订单处理方法、装置、终端及存储介质 | |
CN113628043A (zh) | 基于数据分类的投诉有效性判断方法、装置、设备及介质 | |
CN110334353A (zh) | 词序识别性能的分析方法、装置、设备及存储介质 | |
CN112785465B (zh) | 知识点推送方法、系统、介质及装置 | |
CN117435870B (zh) | 一种负荷数据实时填充方法、系统、设备和介质 | |
CN117892703B (zh) | 一种理化表单自动联想录入功能的实现方法及系统 | |
CN113744081B (zh) | 窃电行为分析方法 | |
CN113449258B (zh) | 智能电表的质量评估方法、装置、终端设备及存储介质 | |
Bazilaha et al. | FRACTIONAL RESIDUAL PLOT FOR MODEL VALIDATION |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
RJ01 | Rejection of invention patent application after publication | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20190315 |