CN111798014A - 一种应收账款债权流转业务量预测方法及系统 - Google Patents
一种应收账款债权流转业务量预测方法及系统 Download PDFInfo
- Publication number
- CN111798014A CN111798014A CN201910217656.1A CN201910217656A CN111798014A CN 111798014 A CN111798014 A CN 111798014A CN 201910217656 A CN201910217656 A CN 201910217656A CN 111798014 A CN111798014 A CN 111798014A
- Authority
- CN
- China
- Prior art keywords
- data
- variables
- value
- accounts receivable
- credit
- 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
- 238000012546 transfer Methods 0.000 title claims abstract description 75
- 238000000034 method Methods 0.000 title claims abstract description 31
- 238000012545 processing Methods 0.000 claims abstract description 12
- 239000011159 matrix material Substances 0.000 claims description 16
- 238000012216 screening Methods 0.000 claims description 14
- 238000000611 regression analysis Methods 0.000 claims description 9
- 238000004364 calculation method Methods 0.000 claims description 6
- 230000008030 elimination Effects 0.000 claims description 5
- 238000003379 elimination reaction Methods 0.000 claims description 5
- 238000004140 cleaning Methods 0.000 claims description 3
- 230000009466 transformation Effects 0.000 claims description 3
- 230000008569 process Effects 0.000 abstract description 7
- 238000012544 monitoring process Methods 0.000 abstract description 6
- 230000002265 prevention Effects 0.000 abstract description 3
- 238000012954 risk control Methods 0.000 abstract description 2
- 230000009286 beneficial effect Effects 0.000 abstract 1
- 238000010586 diagram Methods 0.000 description 3
- 238000011161 development Methods 0.000 description 2
- 230000008676 import Effects 0.000 description 2
- 238000007726 management method Methods 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 1
- 238000013523 data management Methods 0.000 description 1
- 238000013499 data model Methods 0.000 description 1
- 238000012217 deletion Methods 0.000 description 1
- 230000037430 deletion Effects 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
- 238000005728 strengthening Methods 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/063—Operations research, analysis or management
- G06Q10/0635—Risk analysis of enterprise or organisation activities
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q40/00—Finance; Insurance; Tax strategies; Processing of corporate or income taxes
- G06Q40/12—Accounting
- G06Q40/125—Finance or payroll
Landscapes
- Business, Economics & Management (AREA)
- Engineering & Computer Science (AREA)
- Human Resources & Organizations (AREA)
- Economics (AREA)
- Strategic Management (AREA)
- Theoretical Computer Science (AREA)
- Development Economics (AREA)
- Entrepreneurship & Innovation (AREA)
- Marketing (AREA)
- Finance (AREA)
- Accounting & Taxation (AREA)
- General Physics & Mathematics (AREA)
- Physics & Mathematics (AREA)
- General Business, Economics & Management (AREA)
- Tourism & Hospitality (AREA)
- Game Theory and Decision Science (AREA)
- Quality & Reliability (AREA)
- Operations Research (AREA)
- Educational Administration (AREA)
- Technology Law (AREA)
- Financial Or Insurance-Related Operations Such As Payment And Settlement (AREA)
Abstract
本发明公开了一种应收账款债权流转业务量预测方法及系统,属于风险控制技术领域,包括获取应收账款债权流转业务的历史申请数据;根据历史申请数据,建立债权流转业务量预测模型;根据债权流转业务量预测模型,对待预测数据进行处理,得到债权流转业务量预测值。本发明利用预测模型对待预测的样本数据进行处理,预测出未来一段时间内将要申请应收账款债权流转的业务量,有助于动态监测高风险地区及相关经济主体的债务风险状况并采取有效措施逐步化解风险,加强对地方政府及各类经济主体的债务风险监测和防范,助力打好防范化解重大风险的攻坚战。
Description
技术领域
本发明涉及债务管理与风险控制技术领域,特别涉及一种应收账款债权流转业务量预测方法。
背景技术
当前,我国各类经济主体间的应收应付账款规模居高不下,每年形成的应收应付账款达数十万亿元,应收账款拖欠和“三角债”等问题普遍存在,其中根据财政部公开数据显示,截至2018年末,我国地方政府债务余额18.39万亿元,另据社科院发布的《中国国家资产负债表2018》显示,地方政府隐性债务规模约在30万亿-50万亿之间(按不同口径估算)。近年来,正在各地转化应用的国家科技支撑计划项目应收账款债权流转(合同)流转业务,成为化解地方政府性债务、盘活企业应收账款、解决“三角债”以及民营和中小微企业融资难等问题的突破口,业务开展过程中动态监测高风险地区及相关经济主体的债务风险状况并采取有效措施逐步化解风险,对于加强对地方政府及各类经济主体的债务风险监测和防范,助力打好防范化解重大风险的攻坚战均能起到积极作用。
发明内容
本发明的目的在于提供一种应收账款债权流转业务量预测方法及系统,以对债权流转申请业务量进行预测。
为实现以上目的,本发明采用一种应收账款债权流转业务量预测方法,包括:
获取应收账款债权流转的历史申请数据;
根据历史申请数据,建立债权流转业务量预测模型;
根据债权流转业务量预测模型,对待预测数据进行处理,得到债权流转业务量预测值。
进一步地,所述应收账款债权流转的历史申请数据包括申请时间、申请金额、申请期限、年度申请笔数、年度申请金额、往来客户评级以及年度应付总额。
进一步地,所述根据历史申请数据,建立债权流转业务量预测模型,包括:
对所述历史申请数据进行回归分析,建立回归模型作为所述债权流转业务量预测模型。
进一步地,在所述根据历史申请数据,建立债权流转业务量预测模型之前,还包括:
对所述历史申请数据进行数据清洗处理,得到规范化的历史申请数据;
相应地,所述对所述历史申请数据进行回归分析,建立回归模型作为所述债权流转业务量预测模型,包括:
对所述规范化的历史申请数据进行回归分析,建立回归模型作为所述债权流转业务量预测模型。
进一步地,所述根据债权流转业务量预测模型,对待预测数据进行处理,得到债权流转业务量预测值,包括:
设定入选临界值和临界值;
根据设定的入选临界值和临界值,从所述预测数据中筛选出入选变量;
将入选变量作为所述债权流转业务量预测模型的变量,计算待测回归系数;
将待测回归系数代入所述债权流转业务量预测模型,得到所述待测数据对应的债权流转业务量预测值。
进一步地,所述根据设定的入选临界值和临界值,从所述预测数据中筛选出入选变量,包括:
计算相关矩阵S,并根据相关矩阵S计算所述待预测数据中所有未入选变量的F值;
若所有未入选变量的F值的最大值大于所述入选临界值,则将所述F值的最大值所对应的变量作为入选变量;
根据入选变量,对所述相关矩阵S做消去变换,直至所述未入选变量的F值中的最大值小于未入选变量的F值中的最小值;
根据所述未入选变量的F值中的最大值小于未入选变量的F值中的最小值时,得到所有入选变量k。
进一步地,在所述根据所述未入选变量的F值中的最大值小于未入选变量的F值中的最小值时,得到所有入选变量k之后,还包括:
根据所述所有入选变量k,构建相应的相关矩阵Sk;
根据相关矩阵Sk,计算入选变量的F值;
取所有入选变量的F值中最小值,在最小值小于所述临界值时,将其对应的入选变量剔除,直至所有入选变量的F值中的最小值大于所述临界值;
将剔除后余下的入选变量作为最终的入选变量。
另一方面,提供一种应收账款债权流转业务量预测系统,其包括获取模块、模型建立模块以及预测模块;
获取模块用于获取应收账款债权流转的历史申请数据;
模型建立模块用于根据历史申请数据,建立债权流转业务量预测模型;
预测模块用于根据债权流转业务量预测模型,对待预测数据进行处理,得到债权流转业务量预测值。
进一步地,所述应收账款债权流转的历史申请数据包括申请时间、申请金额、申请期限、年度申请笔数、年度申请金额、往来客户评级以及年度应付总额。
进一步地,所述预测模块包括设定单元、筛选单元、回归系数计算单元以及业务量预测单元;
设定单元用于设定入选临界值和临界值;
筛选单元用于根据设定的入选临界值和临界值,从所述预测数据中筛选出入选变量;
回归系数计算单元用于将入选变量作为所述债权流转业务量预测模型的变量,计算待测回归系数;
业务量预测单元用于将待测回归系数代入所述债权流转业务量预测模型,得到所述待测数据对应的债权流转业务量预测值。
与现有技术相比,本发明存在以下技术效果:本发明通过针对企业往年申请的应收账款债权流转的时间、笔数、金额、债务人信用等级等相关数据,进行建模,得到债权流转业务量预测模型,并利用预测模型对待预测的样本数据进行处理,预测出未来一段时间内将要申请应收账款债权流转的业务量,以了解企业的债权债务情况,对于预防债务危机,解决中小企业融资问题起着积极作用,通过预判企业应收账款流转流转业务量,对企业的应收账款债权进行盘活,可有效降低企业的应收应付。
附图说明
下面结合附图,对本发明的具体实施方式进行详细描述:
图1是一种应收账款债权流转业务量预测方法的流程示意图;
图2是应收账款债权流转业务量预测基本框架图;
图3是对应收账款债流转证业务量越策的原理框图;
图4是一种应收账款债权流转业务量预测系统的结构示意图。
具体实施方式
为了更进一步说明本发明的特征,请参阅以下有关本发明的详细说明与附图。所附图仅供参考与说明之用,并非用来对本发明的保护范围加以限制。
如图1所示,本实施例公开了一种应收账款债权流转业务量预测方法,包括如下步骤S1至S3:
S1、获取应收账款债权流转的历史申请数据;
其中,应收账款债权流转的历史申请数据包括申请时间、申请金额、申请期限、年度申请笔数、年度申请金额、往来客户评级以及年度应付总额等,并将获取的历史申请数据存储至数据库。
S2、根据历史申请数据,建立债权流转业务量预测模型;
其中,对所述历史申请数据进行回归分析,建立回归模型作为所述债权流转业务量预测模型。
S3、根据债权流转业务量预测模型,对待预测数据进行处理,得到债权流转业务量预测值。
其中,待预测数据包括申请时间、申请金额、申请笔数、到期时间以及债务人信息等信息。
需要说明的是,如图2所示,本方案以数据库为纽带,由四个主要部分组成,数据的输入和结果的输出构成数据的管理部分,建模部分主要完成模型的建立和管理,应用部分完成了模型和业务数据的结合,实现基于模型的债权流转业务量分析,预测出未来一段时间内将要申请应收账款债权流转的业务量,以了解企业的债权债务情况,对于预防债务危机,解决中小企业融资问题有着积极意义。
进一步地,如图3所示,债权流转业务量预测模型的建立过程包括:采集历史申请数据作为样本数据,根据样本数据建立预测模型,利用预测模型对用户输入的数据进行预测,得到债权流转合同业务量的预测结果。
具体建模过程为:
(1)模型参数设置及模型管理。
1-1)初始化
建立模型相关数据表
1-2)删除模型
给出模型列表,对指定模型进行删除操作。
1-3)设置模型
给出模型列表,对指定模型参数进行调整。
(2)模型生成
2-1)给出数据表列表,如果数据表空,转到数据导入页面,执行导入。
2-2)指定的数据表,选定准备进入建模的变量。两种方式指定抽样数量:固定抽样比例和固定抽样数量。
2-3)角色和类型从对应数据表中读入。
其中,数据模型项如表1所示:
表1
Id | 字段名 |
1 | 申请时间 |
2 | 申请金额 |
3 | 申请期限 |
4 | 年度申请笔数 |
5 | 年度申请金额 |
6 | 往来客户评级 |
7 | 年度应付总额 |
进一步地,在上述步骤S2:根据历史申请数据,建立债权流转业务量预测模型之前,还包括:
对所述历史申请数据进行数据清洗处理,得到规范化的历史申请数据;
相应地,所述对所述历史申请数据进行回归分析,建立回归模型作为所述债权流转业务量预测模型,包括:
对所述规范化的历史申请数据进行回归分析,建立回归模型作为所述债权流转业务量预测模型。
需要说明的是,本实施例通过在建立预测模型前,对样本数据进行清洗处理,使历史申请数据更加规范化,符合模型建立的需要。
进一步地,上述步骤S3:根据债权流转业务量预测模型,对待预测数据进行处理,得到债权流转业务量预测值,包括如下细分步骤S31至S34:
S31、设定入选临界值和临界值;
具体地,设定入选临界值Fi(1.5-4)和临界值Ft(3-10)。其中,临界值是在原假设下,检验统计量在分布图上的点,这些点定义一组要求否定原假设的值。临界值Ft表示符合预测范围的一个临界点。
S32、根据设定的入选临界值和临界值,从所述预测数据中筛选出入选变量。具体为:
(1)计算相关矩阵:
其中,j=1,2,…m,i=1,2,…m,n=1,2,…m。
(2)计算所有未入选变量xi的F值:
其中,Fi中取最大值Fmax,若FmaxFi,则最大值Fmax对应的变量作为入选变量。
利用最大值Fmax对应的变量作为入选变量t,对相关矩阵S做消去变换,直至Fmax<Fi,消去变换为:
S33、将入选变量作为所述债权流转业务量预测模型的变量,计算待测回归系数;
S34、将待测回归系数代入所述债权流转业务量预测模型,得到所述待测数据对应的债权流转业务量预测值。
具体地,在上述步骤S32:根据设定的入选临界值和临界值,从所述预测数据中筛选出入选变量之后,还包括:
假设有k个变量入选,则根据k个入选变量,得到对应的相关矩阵Sk,根据相关矩阵Sk计算入选变量xk的F值:
取Fk中的最小值Fmin,若Fmin<Ft,则将Ft对应的入选变量剔除,直至所有的Fk都大于Fout,Fout表示变量剔除的临界值。
假设剔除操作后最终入选的变量为p个,则这个p个变量即为预测模型的变量,这p个入选变量对应的相关矩阵的最后一行即为回归系数;
如图4所示,本实施例公开了一种应收账款债权流转业务量预测系统,包括获取模块10、模型建立模块20以及预测模块30;
获取模块10用于获取应收账款债权流转的历史申请数据;
模型建立模块20用于根据历史申请数据,建立债权流转业务量预测模型;
预测模块30用于根据债权流转业务量预测模型,对待预测数据进行处理,得到债权流转业务量预测值。
进一步地,所述应收账款债权流转的历史申请数据包括申请时间、申请金额、申请期限、年度申请笔数、年度申请金额、往来客户评级以及年度应付总额。
进一步地,所述预测模块30包括设定单元31、筛选单元32、回归系数计算单元33以及业务量预测单元34;
设定单元31用于设定入选临界值和临界值;
筛选单元32用于根据设定的入选临界值和临界值,从所述预测数据中筛选出入选变量;
回归系数计算单元33用于将入选变量作为所述债权流转业务量预测模型的变量,计算待测回归系数;
业务量预测单元34用于将待测回归系数代入所述债权流转业务量预测模型,得到所述待测数据对应的债权流转业务量预测值。
本发明通过针对企业往年申请的应收账款债权流转的时间、笔数、金额、债务人信用等级等相关数据,进行建模,得到债权流转业务量预测模型,并利用预测模型对待预测的样本数据进行处理,预测出未来一段时间内应收账款债权流转业务量,有助于动态监测高风险地区及相关经济主体的债务风险状况并采取有效措施逐步化解风险,加强对地方政府及各类经济主体的债务风险监测和防范,助力打好防范化解重大风险的攻坚战。
以上所述仅为本发明的较佳实施例,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 (10)
1.一种应收账款债权流转业务量预测方法,其特征在于,包括:
获取应收账款债权流转的历史申请数据;
根据历史申请数据,建立债权流转业务量预测模型;
根据债权流转业务量预测模型,对待预测数据进行处理,得到债权流转业务量预测值。
2.如权利要求1所述的应收账款债权流转业务量预测方法,其特征在于,所述应收账款债权流转的历史申请数据包括申请时间、申请金额、申请期限、年度申请笔数、年度申请金额、往来客户评级以及年度应付总额。
3.如权利要求1所述的应收账款债权流转业务量预测方法,其特征在于,所述根据历史申请数据,建立债权流转业务量预测模型,包括:
对所述历史申请数据进行回归分析,建立回归模型作为所述债权流转业务量预测模型。
4.如权利要求3所述的应收账款债权流转业务量预测方法,其特征在于,在所述根据历史申请数据,建立债权流转业务量预测模型之前,还包括:
对所述历史申请数据进行数据清洗处理,得到规范化的历史申请数据;
相应地,所述对所述历史申请数据进行回归分析,建立回归模型作为所述债权流转业务量预测模型,包括:
对所述规范化的历史申请数据进行回归分析,建立回归模型作为所述债权流转业务量预测模型。
5.如权利要求1所述的应收账款债权流转业务量预测方法,其特征在于,所述根据债权流转业务量预测模型,对待预测数据进行处理,得到债权流转业务量预测值,包括:
设定入选临界值和临界值;
根据设定的入选临界值和临界值,从所述预测数据中筛选出入选变量;
将入选变量作为所述债权流转业务量预测模型的变量,计算待测回归系数;
将待测回归系数代入所述债权流转业务量预测模型,得到所述待测数据对应的债权流转业务量预测值。
6.如权利要求5所述的应收账款债权流转业务量预测方法,其特征在于,所述根据设定的入选临界值和临界值,从所述预测数据中筛选出入选变量,包括:
计算相关矩阵S,并根据相关矩阵S计算所述待预测数据中所有未入选变量的F值;
若所有未入选变量的F值的最大值大于所述入选临界值,则将所述F值的最大值所对应的变量作为入选变量;
根据入选变量,对所述相关矩阵S做消去变换,直至所述未入选变量的F值中的最大值小于未入选变量的F值中的最小值;
根据所述未入选变量的F值中的最大值小于未入选变量的F值中的最小值时,得到所有入选变量k。
7.如权利要求6所述的应收账款债权流转业务量预测方法,其特征在于,在所述根据所述未入选变量的F值中的最大值小于未入选变量的F值中的最小值时,得到所有入选变量k之后,还包括:
根据所述所有入选变量k,构建相应的相关矩阵Sk;
根据相关矩阵Sk,计算入选变量的F值;
取所有入选变量的F值中最小值,在最小值小于所述临界值时,将其对应的入选变量剔除,直至所有入选变量的F值中的最小值大于所述临界值;
将剔除后余下的入选变量作为最终的入选变量。
8.一种应收账款债权流转业务量预测系统,其特征在于,包括获取模块、模型建立模块以及预测模块;
获取模块用于获取应收账款债权流转的历史申请数据;
模型建立模块用于根据历史申请数据,建立债权流转业务量预测模型;
预测模块用于根据债权流转业务量预测模型,对待预测数据进行处理,得到债权流转业务量预测值。
9.如权利要求8所述的应收账款债权流转业务量预测系统,其特征在于,所述应收账款债权流转的历史申请数据包括申请时间、申请金额、申请期限、年度申请笔数、年度申请金额、往来客户评级以及年度应付总额。
10.如权利要求8所述的应收账款债权流转业务量预测系统,其特征在于,所述预测模块包括设定单元、筛选单元、回归系数计算单元以及业务量预测单元;
设定单元用于设定入选临界值和临界值;
筛选单元用于根据设定的入选临界值和临界值,从所述预测数据中筛选出入选变量;
回归系数计算单元用于将入选变量作为所述债权流转业务量预测模型的变量,计算待测回归系数;
业务量预测单元用于将待测回归系数代入所述债权流转业务量预测模型,得到所述待测数据对应的债权流转业务量预测值。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910217656.1A CN111798014B (zh) | 2019-03-21 | 2019-03-21 | 一种应收账款债权流转业务量预测方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910217656.1A CN111798014B (zh) | 2019-03-21 | 2019-03-21 | 一种应收账款债权流转业务量预测方法及系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111798014A true CN111798014A (zh) | 2020-10-20 |
CN111798014B CN111798014B (zh) | 2024-04-09 |
Family
ID=72804813
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910217656.1A Active CN111798014B (zh) | 2019-03-21 | 2019-03-21 | 一种应收账款债权流转业务量预测方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111798014B (zh) |
Citations (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101853446A (zh) * | 2010-05-24 | 2010-10-06 | 李建锋 | 电子往来账款及相关业务管理系统、平台、模块与方法 |
US20120177051A1 (en) * | 2009-09-21 | 2012-07-12 | Huawei Technologies Co., Ltd. | Data forwarding method, data processing method, system and relevant devices |
CN103020736A (zh) * | 2012-12-12 | 2013-04-03 | 西安电子科技大学 | 一种基于异构系统集成的信息挖掘与进度预测方法 |
CN104978687A (zh) * | 2014-04-08 | 2015-10-14 | 陈衡 | 债权转让处理装置及方法 |
CN105574601A (zh) * | 2014-10-25 | 2016-05-11 | 胡峻源 | 用于移动话务统计的回归模型建模方法 |
CN105636070A (zh) * | 2014-10-25 | 2016-06-01 | 史军 | 移动通信话务量预测方法 |
CN107423942A (zh) * | 2016-05-24 | 2017-12-01 | 阿里巴巴集团控股有限公司 | 一种业务流转的方法及装置 |
CN108038781A (zh) * | 2017-12-05 | 2018-05-15 | 安徽海汇金融投资集团有限公司 | 一种应收账款债权凭证(合同)流转系统 |
CN108876615A (zh) * | 2018-06-11 | 2018-11-23 | 腾讯科技(深圳)有限公司 | 债权数据存储方法、装置、设备及介质 |
CN109360625A (zh) * | 2018-11-12 | 2019-02-19 | 四川骏逸富顿科技有限公司 | 用于互联网中短期用药咨询业务量的预测系统及预测方法 |
CN110930258A (zh) * | 2019-11-15 | 2020-03-27 | 安徽海汇金融投资集团有限公司 | 一种应收账款融资变现规模预测方法及系统 |
-
2019
- 2019-03-21 CN CN201910217656.1A patent/CN111798014B/zh active Active
Patent Citations (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20120177051A1 (en) * | 2009-09-21 | 2012-07-12 | Huawei Technologies Co., Ltd. | Data forwarding method, data processing method, system and relevant devices |
CN101853446A (zh) * | 2010-05-24 | 2010-10-06 | 李建锋 | 电子往来账款及相关业务管理系统、平台、模块与方法 |
CN103020736A (zh) * | 2012-12-12 | 2013-04-03 | 西安电子科技大学 | 一种基于异构系统集成的信息挖掘与进度预测方法 |
CN104978687A (zh) * | 2014-04-08 | 2015-10-14 | 陈衡 | 债权转让处理装置及方法 |
CN105574601A (zh) * | 2014-10-25 | 2016-05-11 | 胡峻源 | 用于移动话务统计的回归模型建模方法 |
CN105636070A (zh) * | 2014-10-25 | 2016-06-01 | 史军 | 移动通信话务量预测方法 |
CN107423942A (zh) * | 2016-05-24 | 2017-12-01 | 阿里巴巴集团控股有限公司 | 一种业务流转的方法及装置 |
CN108038781A (zh) * | 2017-12-05 | 2018-05-15 | 安徽海汇金融投资集团有限公司 | 一种应收账款债权凭证(合同)流转系统 |
CN108876615A (zh) * | 2018-06-11 | 2018-11-23 | 腾讯科技(深圳)有限公司 | 债权数据存储方法、装置、设备及介质 |
CN109360625A (zh) * | 2018-11-12 | 2019-02-19 | 四川骏逸富顿科技有限公司 | 用于互联网中短期用药咨询业务量的预测系统及预测方法 |
CN110930258A (zh) * | 2019-11-15 | 2020-03-27 | 安徽海汇金融投资集团有限公司 | 一种应收账款融资变现规模预测方法及系统 |
Non-Patent Citations (5)
Title |
---|
冯毅;曹恒;田元兵;: "业务量预测建模与分析", 邮电设计技术, no. 09, pages 25 - 30 * |
刘蕾;高长元;: "高技术虚拟产业集群成员投融资信用评级研究", 科技与管理, no. 05, pages 14 - 17 * |
张爱辉;: "陕西省农地经营权流转服务体系建设浅析", 中国农业资源与区划, no. 03, pages 156 - 161 * |
朱玉爱;赵勇;: "论企业货币资金的风险控制", 煤炭经济研究, no. 05, pages 61 - 62 * |
陶伟宜: "基于回归方法的移动通信话务量预测", 邮电设计技术, no. 05, pages 29 - 32 * |
Also Published As
Publication number | Publication date |
---|---|
CN111798014B (zh) | 2024-04-09 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN106570631B (zh) | 一种面向p2p平台运营风险评估的方法和系统 | |
JP2006216019A (ja) | バリュー・チェーンと企業価値分析装置及び方法 | |
CN110991936A (zh) | 企业评分评级方法、装置、设备及介质 | |
CN113822488A (zh) | 融资租赁的风险预测方法、装置、计算机设备及存储介质 | |
CN113409150A (zh) | 经营风险及信用风险评估方法、装置及计算机存储介质 | |
CN112330153A (zh) | 基于非线性正交回归的行业规模预测模型建模方法及装置 | |
CN111506876A (zh) | 一种数据预测分析方法、系统、设备及可读存储介质 | |
TWI471818B (zh) | 微型企業融資風險評估方法 | |
CN107391442A (zh) | 一种增广线性模型及其应用方法 | |
CN111798014A (zh) | 一种应收账款债权流转业务量预测方法及系统 | |
Urrutia et al. | Forecasting Income Tax Revenue of the Philippines Using Autoregressive Integrated Moving Average (Arima) Modeling: a Time Series Analysis | |
CN113421154B (zh) | 基于控制图的信贷风险评估方法及系统 | |
Zandi et al. | Research on stock portfolio based on time series prediction and multi-objective optimization | |
CN111899093B (zh) | 一种违约损失率的预测方法及装置 | |
Dhingra | Measuring IT effectiveness in Banks of India for sustainable Development | |
Malhotra et al. | Benchmarking thrift and mortgage finance companies | |
CN110264341B (zh) | 一种基于模糊Logistic回归的贷款用户信用评估方法 | |
CN110738414A (zh) | 一种风险预测方法和装置及计算机可读存储介质 | |
US20230027774A1 (en) | Smart real estate evaluation system | |
CN116629620B (zh) | 一种风险等级确定方法、装置、电子设备及存储介质 | |
Berinde | Forecasting the structure of the Romanian audit market | |
Mawed | Exploring the Impact of Energy Labels on Residential Properties Prices: A Data-Driven Analysis | |
Li et al. | Applied research of genetic algorithm in personal credit risk combined assessment | |
Devkota et al. | Forecasting Remittance Inflow in Nepal Using the Box-Jenkins ARIMA Model | |
Salah | Analyzing the causal relationship between tax avoidance and earnings management: Evidence from the STOXX Europe 600 Index |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |