CN112801431B - 基于人工智能分析的企业经营风险评估方法及系统 - Google Patents
基于人工智能分析的企业经营风险评估方法及系统 Download PDFInfo
- Publication number
- CN112801431B CN112801431B CN202110395829.6A CN202110395829A CN112801431B CN 112801431 B CN112801431 B CN 112801431B CN 202110395829 A CN202110395829 A CN 202110395829A CN 112801431 B CN112801431 B CN 112801431B
- Authority
- CN
- China
- Prior art keywords
- enterprise
- information
- monitoring video
- station
- office area
- 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.)
- Active
Links
- 238000012502 risk assessment Methods 0.000 title claims abstract description 97
- 238000004458 analytical method Methods 0.000 title claims abstract description 42
- 238000000034 method Methods 0.000 title claims abstract description 34
- 238000013473 artificial intelligence Methods 0.000 title claims abstract description 31
- 238000012544 monitoring process Methods 0.000 claims abstract description 72
- 230000005611 electricity Effects 0.000 claims abstract description 62
- 238000004080 punching Methods 0.000 claims abstract description 46
- 238000004422 calculation algorithm Methods 0.000 claims description 24
- 238000013528 artificial neural network Methods 0.000 claims description 22
- 238000012549 training Methods 0.000 claims description 22
- 238000004519 manufacturing process Methods 0.000 claims description 17
- 230000002787 reinforcement Effects 0.000 claims description 15
- 238000012545 processing Methods 0.000 claims description 13
- 239000000284 extract Substances 0.000 claims description 11
- 230000002159 abnormal effect Effects 0.000 claims description 9
- 238000001514 detection method Methods 0.000 claims description 5
- 238000009826 distribution Methods 0.000 claims description 3
- 230000011218 segmentation Effects 0.000 claims description 3
- 238000011156 evaluation Methods 0.000 description 11
- 210000002569 neuron Anatomy 0.000 description 7
- 238000007726 management method Methods 0.000 description 6
- 230000006870 function Effects 0.000 description 4
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 4
- 238000007405 data analysis Methods 0.000 description 3
- 239000000126 substance Substances 0.000 description 3
- 208000037170 Delayed Emergence from Anesthesia Diseases 0.000 description 2
- 238000009825 accumulation Methods 0.000 description 2
- 230000001174 ascending effect Effects 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 2
- 230000002354 daily effect Effects 0.000 description 2
- 238000013480 data collection Methods 0.000 description 2
- 238000013135 deep learning Methods 0.000 description 2
- 230000003203 everyday effect Effects 0.000 description 2
- 239000011159 matrix material Substances 0.000 description 2
- ORILYTVJVMAKLC-UHFFFAOYSA-N Adamantane Natural products C1C(C2)CC3CC1CC2C3 ORILYTVJVMAKLC-UHFFFAOYSA-N 0.000 description 1
- 230000004913 activation Effects 0.000 description 1
- 230000006399 behavior Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 238000013499 data model Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 230000007123 defense Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 230000008034 disappearance Effects 0.000 description 1
- 238000005315 distribution function Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000004880 explosion Methods 0.000 description 1
- 230000004927 fusion Effects 0.000 description 1
- 238000005286 illumination Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000010606 normalization Methods 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 238000007781 pre-processing Methods 0.000 description 1
- 230000008569 process Effects 0.000 description 1
- 238000003672 processing method Methods 0.000 description 1
- 238000012216 screening Methods 0.000 description 1
- 238000007619 statistical method 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
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/22—Matching criteria, e.g. proximity measures
-
- 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
- G06Q10/00—Administration; Management
- G06Q10/10—Office automation; Time management
- G06Q10/109—Time management, e.g. calendars, reminders, meetings or time accounting
- G06Q10/1091—Recording time for administrative or management purposes
-
- 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
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/06—Energy or water supply
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/40—Extraction of image or video features
- G06V10/46—Descriptors for shape, contour or point-related descriptors, e.g. scale invariant feature transform [SIFT] or bags of words [BoW]; Salient regional features
- G06V10/462—Salient features, e.g. scale invariant feature transforms [SIFT]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/50—Context or environment of the image
- G06V20/52—Surveillance or monitoring of activities, e.g. for recognising suspicious objects
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Human Resources & Organizations (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Economics (AREA)
- Strategic Management (AREA)
- Entrepreneurship & Innovation (AREA)
- Tourism & Hospitality (AREA)
- Marketing (AREA)
- General Business, Economics & Management (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Data Mining & Analysis (AREA)
- Development Economics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Health & Medical Sciences (AREA)
- Educational Administration (AREA)
- Multimedia (AREA)
- Game Theory and Decision Science (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- General Engineering & Computer Science (AREA)
- Public Health (AREA)
- Water Supply & Treatment (AREA)
- General Health & Medical Sciences (AREA)
- Primary Health Care (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明提供了一种基于人工智能分析的企业经营风险评估方法及系统,通过获取企业的用电特征数据、办公区域的监控视频信息和人员打卡信息;把所述用电特征数据、办公区域的监控视频信息和人员打卡信息输入预先训练好的企业经营风险分析模型,得到风险预测值;根据所述风险预测值发出对应的报告信号;从而有利于金融机构对企业的经营状况进行实时、准确、真实的监测。
Description
技术领域
本发明涉及数据分析技术领域,尤其涉及一种基于人工智能分析的企业经营风险评估方法及系统。
背景技术
近年来各大金融机构向中小企业的贷款倾斜度逐渐加大,但中小企业的经营抵御风险能力较弱,企业经营发展存在许多不确定性,其生产、经营信息不公开、不透明,给金融机构掌握企业的经营信息带来较大的困难。
金融机构要保证贷款的安全,必须及时准确掌握企业的经营信息,以便及时规避企业经营风险,保证贷款安全。目前,金融机构获取企业的生产经营信息主要以下几个渠道:1、靠企业提供的生产经营月度财务报告;2、税务部门的企业税务账单;3、企业银行账号的资金流水信息;4、企业电费的缴费账单;5、通过专业网站查询的企业公开信息;6、客户经理到贷后企业实地走访等。
金融机构通过这些渠道获取的企业信息存在以下问题:1、提供的生产经营月度财务报告存在着信息滞后、生产经营信息过于稀疏、且生产经营信息容易出现做假账难以核实查证等问题;2、企业税务账单存在着信息滞后、报税时间和生成经营时间不匹配、税务信息与生产经营状况信息关联性较弱等问题;3、银行流水信息难以直接判断企业日常的生产经营状态,而且容易通过走账方式虚构银行流水;4、企业的电费账单获取周期通常是一个月甚至更长时间的,因此电费账单不能反映企业当前的经营状态;5、通过专业网站查询的企业公开信息更加难以判断信息的真实性;6、客户经理到贷后企业实地走访,只能看到企业日常经营的表象,无法深入准确了解企业的真实经营状态。
因此,以上掌握企业经营信息的渠道及其获取的信息存在信息不客观、不准确、不及时,工作效率低等问题,使得金融机构每个客户经理管理贷后企业客户的能力受到较大的限制,加大了金融机构放贷管理的人力成本,同时一旦企业经营出现风险时,由于金融机构获得企业经营风险信息不及时,贷款损失很大。
实际上,企业经营过程中,用电信息是能够反映企业的经营状态的,因此,企业用电情况也能作为企业经营风险分析的依据之一。
例如,申请号为CN201610945927.1的发明通过将用电大数据引入到电力经济学中,通过对用电大数据使用统计计量学的处理方法,可以更精确可靠地提取大数据中的有用信息。但是此发明主要是针对企业、行业甚至产业的总体耗电量的统计及分析,并以此来判断宏观经济运行状况的一种数据统计算法。而金融机构对贷后企业经营状况的分析更为微观,其数据分析要求的维度和深度更高,因此这个宏观用电数据分析算法不能直接适用于贷后企业经营状况监测。
申请号为CN202010874130.3的发明公开了一种基于多源信息融合的中小微企业综合质量画像方法,包括如下步骤:(1)将企业质量画像维度分解,构建质量画像体系;(2)企业数据收集和预处理;(3)将收集到的企业数据按照类别分别设定标签。此发明面向中小微企业的综合质量画像建立了较为全面的指标体系,将企业的质量属性进行归类,形成多元化的企业综合质量标签,能够对企业综合质量进行画像,并对企业质量行为进行预测。此发明专利整个数据模型较为复杂,信息搜集难度较大,且数据真实性难以保证,实用性不高。
发明内容
鉴于上述现有技术的不足之处,本申请实施例的目的在于提供一种基于人工智能分析的企业经营风险评估方法及系统,有利于金融机构对企业的经营状况进行实时、准确、真实的监测。
第一方面,本申请实施例提供一种基于人工智能分析的企业经营风险评估方法,包括步骤:
A1.获取企业的用电特征数据、办公区域的监控视频信息和人员打卡信息;
A2.把所述用电特征数据、办公区域的监控视频信息和人员打卡信息输入预先训练好的企业经营风险分析模型,得到风险预测值;
A3.根据所述风险预测值发出对应的报告信号。
优选地,步骤A2中,所述企业经营风险分析模型根据所述用电特征数据、办公区域的监控视频信息和人员打卡信息提取所述企业的经营信息,并根据所述经营信息计算风险预测值;所述经营信息包括上班时间、下班时间、工作时长、企业经营规模、设备开工率、人员到岗率、上班打卡人数中的至少一项。
优选地,所述用电特征数据包括用电波形和接入用电设备个数;所述经营信息包括设备开工率;步骤A2中,所述企业经营风险分析模型根据所述用电波形分析得到设备开工率。
优选地,所述经营信息包括人员到岗率;步骤A2中,所述企业经营风险分析模型根据所述办公区域的监控视频信息提取所述人员到岗率。
优选地,所述企业经营风险分析模型根据所述办公区域的监控视频信息提取所述人员到岗率的步骤包括:
S1.周期性地从所述办公区域的监控视频信息截取办公区域的图像进行二值化处理;
S2.根据预先录入的办公工位分布信息对二值化处理后的图像进行区域分割,得到多个工位区域;
S3.采用基于局部对比度显著性特征匹配算法进行工位人物初检测,得到各工位区域上的人物匹配值;
S4.把人物匹配值小于预设匹配阈值的工位区域标记为无人工位,把人物匹配值不小于预设匹配阈值的工位区域标记为待定工位;若有至少一个待定工位,则执行步骤S5;
S5.利用原始图像和基于SIFT特征的人物特征匹配算法判断所述待定工位是否有人,若有人则把所述待定工位标记为有人工位,若没有人则把所述待定工位标记为无人工位;
S6.根据各工位区域的标记结果计算人员到岗率。
优选地,步骤S1包括:
在当前截取周期的所有办公区域的监控视频信息帧图像中,随机选取一帧图像进行二值化处理。
优选地,步骤A2包括:
获取所述企业经营风险分析模型输出的经营信息;所述经营信息包括人员到岗率和上班打卡人数;
步骤A2之后,还包括:
若所述人员到岗率低于预设的到岗率阈值,或者所述人员到岗率与所述上班打卡人数不匹配,则发出经营异常警告信号。
优选地,所述企业经营风险分析模型通过前馈神经网络强化学习算法训练得到。
优选地,通过前馈神经网络强化学习算法对所述企业经营风险分析模型进行训练的方法包括:
B1. 通过相关性检验方法初步检验各经营信息以及企业提交的财务、生产经营月度报告相关性程度,根据相关性程度设置各经营信息的初始权重值;
B2.以对应的初始权重值作为各经营信息的权重值的初始值,采用前馈神经网络强化学习算法对所述企业经营风险评估模型进行训练,得到各项经营信息的训练后权重值;
B3.剔除训练后权重值过小的经营信息,并重新采用前馈神经网络强化学习算法对所述企业经营风险评估模型进行训练,得到优化的企业经营风险评估模型。
第二方面,本申请实施例提供一种基于人工智能分析的企业经营风险评估系统,包括企业用电特征采集装置、企业办公区域监控视频采集装置、企业打卡信息采集装置、云端数据采集存储中心、企业经营风险人工智能分析系统和企业经营风险分析显示及告警系统;
所述企业用电特征采集装置用于采集企业的用电特征数据,并上传至所述云端数据采集存储中心;
所述企业办公区域监控视频采集装置用于采集企业的办公区域的监控视频信息,并上传至所述云端数据采集存储中心;
所述企业打卡信息采集装置用于采集企业的人员打卡信息,并上传至所述云端数据采集存储中心;
所述企业经营风险人工智能分析系统用于从所述云端数据采集存储中心获取企业的用电特征数据、办公区域的监控视频信息和人员打卡信息,把所述用电特征数据、办公区域的监控视频信息和人员打卡信息输入预先训练好的企业经营风险分析模型,得到风险预测值,根据所述风险预测值发送对应的报告信号至所述企业经营风险分析显示及告警系统;
所述企业经营风险分析显示及告警系统用于显示所述报告信号的内容。
有益效果:
本申请实施例提供的一种基于人工智能分析的企业经营风险评估方法及系统,通过获取企业的用电特征数据、办公区域的监控视频信息和人员打卡信息;把所述用电特征数据、办公区域的监控视频信息和人员打卡信息输入预先训练好的企业经营风险分析模型,得到风险预测值;根据所述风险预测值发出对应的报告信号;从而有利于金融机构对企业的经营状况进行实时、准确、真实的监测。
附图说明
图1为本申请实施例提供的基于人工智能分析的企业经营风险评估方法的基本流程图。
图2为本申请实施例提供的基于人工智能分析的企业经营风险评估系统的示意图。
图3为本申请实施例提供的基于人工智能分析的企业经营风险评估方法中,提取人员到岗率的方法流程图。
具体实施方式
下面将结合本申请实施例中附图,对本申请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展示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。
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。同时,在本申请的描述中,术语“第一”、“第二”等仅用于区分描述,而不能理解为指示或暗示相对重要性。
请参阅图1,本申请实施例提供的一种基于人工智能分析的企业经营风险评估方法,包括步骤:
A1.获取企业的用电特征数据、办公区域的监控视频信息和人员打卡信息;
A2.把所述用电特征数据、办公区域的监控视频信息和人员打卡信息输入预先训练好的企业经营风险分析模型,得到风险预测值;
A3.根据所述风险预测值发出对应的报告信号。
步骤A2中,所述企业经营风险分析模型根据所述用电特征数据、办公区域的监控视频信息和人员打卡信息提取所述企业的经营信息,并根据所述经营信息计算风险预测值;所述经营信息包括上班时间、下班时间、工作时长、企业经营规模、设备开工率、人员到岗率、上班打卡人数中的至少一项。
在实际应用中,可通过设置在企业供电系统中的企业用电数据采集装置采集用企业的电特征数据,可通过设置在企业办公区域的企业办公区域监控视频采集装置采集办公区域的监控视频信息,可通过与企业管理系统连接的企业打卡信息采集装置采集人员打卡信息;采集时可根据预设的采集周期进行数据采集,其中的采集周期可根据实际需要进行设置(从而可实现高频高速采集)。采集的数据可通过加密传输方式通过公共网络上传,以避免企业信息泄露。优选地,所述用电特征数据包括电压、电流、有功功率、无功功率、功率因数、用电量、用电波形、用电时长、接入用电设备个数中的至少一项。由于用电特征数据真实可靠、且可高频高速采集、并与企业的经营状况息息相关,通过企业的用电特征数据进行经营风险评估分析,有利于金融机构更加实时、准确、真实地了解企业的经营状况。此外,办公区域的监控视频信息和人员打卡信息与企业人员到岗情况相关,可从另一个角度反映企业的经营状况,有利于金融机构及时发现企业突然倒闭、逃债搬迁等突发异常风险,可进一步提高金融机构了解企业的经营状况的实时性和真实性。
其中,上班时间、下班时间、工作时长可根据用电特征数据(如括电压、电流、有功功率、无功功率、功率因数、用电量、用电波形、用电时长)直接识别得到,例如,可把用电特征数据从小于对应的预设阈值变为大于该预设阈值的时刻判定为上班时间,把用电特征数据从大于对应的预设阈值变为小于该预设阈值的时刻判定为下班时间,用下班时间减去上班时间即为工作时长;实际上,也可通过人员打卡信息来识别上班时间、下班时间、工作时长,但容易造假(例如,人员只是打卡但没有进行生产),而通过用电特征数据来识别,企业一般不会为了造假而开启设备空转,因此得到的上班时间、下班时间、工作时长更加真实。
其中,上班打卡人数可从人员打卡信息中提取。
其中,企业经营规模可根据接入用电设备个数、用电量等用电特征数据确定。
实际应用中,可根据用电波形和接入用电设备个数来获取设备开工率;从而,在一些优选实施方式中,所述用电特征数据包括用电波形和接入用电设备个数;所述经营信息包括设备开工率;步骤A2中,所述企业经营风险分析模型根据所述用电波形分析得到设备开工率。例如,可事先记录企业不同开机数量(指开机设备的数量)下的典型用电波形,然后用采集到的用电波形与各典型用电波形进行匹配,找出相似度最高的典型用电波形,得到该相似度最高的典型用电波形相对应的开机数量,最后用该开机数量除以接入用电设备个数得到设备开工率;但根据用电波形分析得到设备开工率的具体方式不限于此。
实际应用中,可根据人员打卡信息来获取人员到岗率,但容易造假(例如,人员只是打卡但没有到岗进行生产工作),因此,可通过办公区域的监控视频信息来提取人员到岗率,可更加真实地反映人员是否到岗,得到的人员到岗率更加真实;从而,在一些优选实施方式中,所述经营信息包括人员到岗率;步骤A2中,所述企业经营风险分析模型根据所述办公区域的监控视频信息提取所述人员到岗率。
例如,所述企业经营风险分析模型根据所述办公区域的监控视频信息提取所述人员到岗率的步骤包括:
S1.周期性地从所述办公区域的监控视频信息截取办公区域的图像进行二值化处理;
S2.根据预先录入的办公工位分布信息对二值化处理后的图像进行区域分割,得到多个工位区域;
S3.采用基于局部对比度显著性特征匹配算法进行工位人物初检测,得到各工位区域上的人物匹配值;
S4.把人物匹配值小于预设匹配阈值的工位区域标记为无人工位,把人物匹配值不小于预设匹配阈值的工位区域标记为待定工位;若有至少一个待定工位,则执行步骤S5;
S5.利用原始图像和基于SIFT特征的人物特征匹配算法判断所述待定工位是否有人,若有人则把所述待定工位标记为有人工位,若没有人则把所述待定工位标记为无人工位;
S6.根据各工位区域的标记结果计算人员到岗率。
其中,步骤S1中,截取办公区域的图像的周期可根据实际需要进行设置,由于周期性地截取办公区域的图像进行分析,避免只在某一个或几个时刻截取图像进行分析时因为人员正常活动(如因为上厕所等原因暂时离开岗位)而导致识别结果与实时不相符;从而提高识别结果的真实性、准确性。
步骤S1中,在截取图像时,可用截取周期节点对应的办公区域的监控视频信息帧图像作为截取对象,例如,截取图像的周期为1min,则在第一分钟时截取1min时刻的帧图像,在第二分钟时截取2min时刻的帧图像,在第三分钟时截取3min时刻的帧图像,以此类推。
步骤S1中,在截取图像时,也可从截取周期(即截取图像的周期)内的所有办公区域的监控视频信息帧图像中随机选取一帧图像作为截取对象,被截取图像对应的时间具有一定的随机性,有利于进一步提高识别结果的真实性、准确性。从而,在一些实施方式中,步骤S1包括:
在当前截取周期的所有办公区域的监控视频信息帧图像中,随机选取一帧图像进行二值化处理。例如,截取周期为1min,办公区域的监控视频信息的视频帧率为30fps,则在一个截取周期内有1800帧图像,从而在第一分钟时从第一个截取周期的1800帧图像中选取一帧作为截取对象,在第二分钟时从第二个截取周期的1800帧图像中选取一帧作为截取对象,在第三分钟时从第三个截取周期的1800帧图像中选取一帧作为截取对象,以此类推。
其中,步骤S1中,图像进行二值化处理后,可将背景复杂、光照信息多样的图片信息进行简化和特征加强,从而可提高后续的检测结果的准确性。
其中,先通过步骤S3中的基于局部对比度显著性特征匹配算法进行工位人物初检测,从而可快速地找出无人工位,剩余的工位(待定工位)才需要进一步采用步骤S5进行进一步判断,以最终确定剩余的工位中有多少个无人工位和有人工位;由于通过了步骤S3的筛选,有利于减少进入步骤S5进行进一步判断的工位数,提高处理效率。其中,在步骤S5中,基于SIFT特征的人物特征匹配算法是现有技术,主要是利用人物的典型特征,例如嘴巴到眼睛的欧式距离来表示两物体的相似度,相似度高于指定阈值则判定工位上有员工正常工作,否则认为该工位当前时段无人工作(有时候,即使工位上有人,但可判断其与该工位的负责人员的相似度不够,从而认定该工位的负责人员不在该工位,进而判定该工位当前时段无人工作)。
其中,步骤S6中,可根据工位区域在指定时间段(该时间段可根据需要进行指定,例如所述上班时间和所述下班时间之间的时间段、早上8点到中午12点之间的时间段、下午1点到下午6点之间的时间段等,但不限于此)内被标记为有人工位的次数来最终判定所述工位区域在当天是否有人到岗;从而,在一些实施方式中,步骤S6包括:
判断各工位区域在指定时间段内被标记为有人工位的次数是否不小于预设的次数阈值;
若是,则判定对应的工位区域无人到岗;若否,则判定对应的工位区域有人到岗;
用有人到岗的工位区域数量除以工位区域的总数量得到人员到岗率(该人员到岗率为指定时间段的人员到岗率)。
其中,步骤S6中,也可根据工位区域在指定时间段内被标记为有人工位的次数占总标记次数的百分比来最终判定所述工位区域在当天是否有人到岗;从而,在一些实施方式中,步骤S6包括:
计算各工位区域在指定时间段内被标记为有人工位的次数占总标记次数的百分比;
判断所述百分比是否不小于预设的百分比阈值;
若是,则判定对应的工位区域无人到岗;若否,则判定对应的工位区域有人到岗;
用有人到岗的工位区域数量除以工位区域的总数量得到人员到岗率(该人员到岗率为指定时间段的人员到岗率)。
通过上述方式来得到人员到岗率,只有人员在工位区域停留的时间足够长才会被判定为到岗,提高了企业造假的难度,从而有利于进一步提高最终的风险预测结果的准确性。
此外,还可通过饮水机的用电特征数据判断每天的总饮水量,进而根据总饮水量来判断人员到岗率。从而,获取的用电特征数据包括饮水机的用电特征数据。
在实际应用中,若人员到岗率过低,则表示企业很可能出现停产、突然倒闭等异常状况,若上班打卡人数与人员到岗率明显不匹配,则表示企业可能想利用虚假的人员打卡信息来掩盖企业经营异常情况,此时需要及时发出告警,以便金融机构能够及时发现企业突然倒闭、逃债搬迁等突发异常风险情况。从而,在一些优选实施方式中,步骤A2包括:
A201.获取所述企业经营风险分析模型输出的经营信息;所述经营信息包括人员到岗率和上班打卡人数;
并且,步骤A2之后,还包括:
A4.若所述人员到岗率低于预设的到岗率阈值,或者所述人员到岗率与所述上班打卡人数不匹配,则发出经营异常警告信号。
在实际应用中,经营信息是企业经营风险分析模型运行时在内部产生的中间数据,因此,企业经营风险分析模型在产生该经营信息后会把经营信息作为输出信息之一进行输出,从而步骤A201中可获取其输出的经营信息进行后续分析。
在一些优选实施方式中,所述企业经营风险分析模型通过前馈神经网络强化学习算法训练得到。
进一步的,通过前馈神经网络强化学习算法对所述企业经营风险分析模型进行训练的方法包括:
B1. 通过相关性检验方法初步检验各经营信息以及企业提交的财务、生产经营月度报告相关性程度,根据相关性程度设置各经营信息的初始权重值;
B2.以对应的初始权重值作为各经营信息的权重值的初始值,采用前馈神经网络强化学习算法对所述企业经营风险评估模型进行训练,得到各项经营信息的训练后权重值;
B3.剔除训练后权重值过小的经营信息,并重新采用前馈神经网络强化学习算法对所述企业经营风险评估模型进行训练,得到优化的企业经营风险评估模型。
其中,前馈神经网络(FNN)由多个受限玻尔兹曼机(Restricted BoltzmannMachines,RBMs)堆栈而成,通过无监督的贪婪方式逐层地进行学习。前馈神经网络定义能量函数如下:
其中,为能量函数,v为可见层,为第i可见神经元的值,h为隐藏层,为第j隐藏神经元的值,m为可见神经元总数,n是隐藏神经元总数,为可见层、隐藏层神经元的可变权重系数,为第i可见神经元的偏差参数,为第j隐藏神经元的偏差参数,为连接权值;
其中,e是自然对数的底数;
本申请中所用的前馈神经网络包括输入层、隐含层和输出层,可以对各类影响因素(即各类经营信息)的输入权重和偏置随机初始化,然后得到对应的各类经营风险评估的输出权重,对于一个由L个隐含层节点的神经网络可以用下式表示:
其中,是隐含层的激活函数,、分别是第i个隐含层的输入权值、输出权值,是第i个隐含层的偏置稀疏,是第j个影响因素(即第j个经营信息)的输入值,是影响因素的种类数(即经营信息的种类数),为L个隐含层节点下第j个影响因素的经营风险输入初始评估值。单隐含层的神经网络最终的目的是最小化经营风险模型评估输出误差,即:
当使用基于多因素混合驱动的前馈神经网络算法对单含隐层神经网络进行训练时,企业经营风险评估模型的权重参数、可以是随机的,一旦这两个参数经过该经营风险评估系统强化学习优化权重参数以后,输出矩阵T就被唯一确定了,整个神经网络的训练从而可以转化为求解线性系统,从而得出最优解的经营风险评估模型输出权重值,且最优解拟合的企业经营风险评估值为t。
进一步的,在一些实施方式中,步骤B2、步骤B3中,采用前馈神经网络强化学习算法对企业经营风险评估模型进行训练的方法包括:
采集企业在预设周期(例如一个月)内的用电特征数据、办公区域的监控视频信息和人员打卡信息,并对各项进行用电特征数据进行无因数归一化处理,得到样本集;把样本集中的80%作为训练集,另外20%作为测试集;
用训练集对企业经营风险评估模型进行训练,直到企业经营风险评估模型的性能对比评估指标收敛;
其中,前馈神经网络学习算法模型的每个残差块中包含4层卷积层,对应的尺度因子L设置为[1,2,4,8],共堆叠了8层残差块,批次大小为128;每层卷积层中过滤器的数量为32,过滤器大小为8;训练用TensorFlow后端的Keras框架,使用学习率衰减和Adam优化,企业经营风险评估模型的性能对比评估指标包括:平均绝对百分比误差(MAPE)、平均绝对误差(MAE)和判定系数(R2)。该强化学习模型可以在较短训练步数内迅速收敛,权重标准化解耦了参数矩阵的范数和方向,加速了收敛,保证了梯度的稳定,不会爆炸或者消失;同时又解决了批标准化的数据依赖性,计算开销也降低了许多。该企业经营风险评估模型可精确判断用电大数据走势及当前企业经营生产的风险评估值;还可以实时计算出未来一个时间周期企业经营生产的风险预测值。
由上可知,该基于人工智能分析的企业经营风险评估方法,通过获取企业的用电特征数据、办公区域的监控视频信息和人员打卡信息;把所述用电特征数据、办公区域的监控视频信息和人员打卡信息输入预先训练好的企业经营风险分析模型,得到风险预测值;根据所述风险预测值发出对应的报告信号;从而有利于金融机构对企业的经营状况进行实时、准确、真实的监测。具体来说,具有以下优点:
1、获取的企业用电信息真实可靠、高频高速、维度多,且企业用电数据与企业经营状况息息相关,从而使金融机构可以精确、实时、真实的获取企业经营状态的一手资料;
2、通过采集办公区域的监控视频信息和人员打卡信息,可多角度提取当前企业生产经营状态信息,实时监控企业经营上升或下滑状态,发现企业突然倒闭、逃债搬迁等突发异常风险;并可防止企业通过虚假用电来欺骗金融机构的监测系统;通过一定时间周期的数据积累,就可以显示企业经营趋势,为金融机构实时掌握企业的经营状况提供数据支撑;
3、使用深度学习等人工智能方法,生成企企业经营风险分析模型,并用来对每天采集的用电特征数据、办公区域的监控视频信息和人员打卡信息进行企业经营风险分析评估,实现了评估结果与企业实际经营状态的良好匹配;根据判断风险的情形发出报告信号,供金融机构相关人员进行人工核查等处理。
请参阅图2,本申请实施例还提供一种可实现上述基于人工智能分析的企业经营风险评估方法的基于人工智能分析的企业经营风险评估系统;
该基于人工智能分析的企业经营风险评估系统,包括企业用电特征采集装置1、企业办公区域监控视频采集装置2、企业打卡信息采集装置3、云端数据采集存储中心4、企业经营风险人工智能分析系统5和企业经营风险分析显示及告警系统6;
所述企业用电特征采集装置1用于采集企业的用电特征数据,并上传至所述云端数据采集存储中心4;
所述企业办公区域监控视频采集装置2用于采集企业的办公区域的监控视频信息,并上传至所述云端数据采集存储中心4;
所述企业打卡信息采集装置3用于采集企业的人员打卡信息,并上传至所述云端数据采集存储中心4;
所述企业经营风险人工智能分析系统5用于从所述云端数据采集存储中心4获取企业的用电特征数据、办公区域的监控视频信息和人员打卡信息,把所述用电特征数据、办公区域的监控视频信息和人员打卡信息输入预先训练好的企业经营风险分析模型,得到风险预测值(具体可参考上述基于人工智能分析的企业经营风险评估方法的步骤A2),根据所述风险预测值发送对应的报告信号至所述企业经营风险分析显示及告警系统6;
所述企业经营风险分析显示及告警系统6用于显示所述报告信号的内容。
其中,所述企业经营风险分析模型根据所述用电特征数据、办公区域的监控视频信息和人员打卡信息提取所述企业的经营信息,并根据所述经营信息计算风险预测值;所述经营信息包括上班时间、下班时间、工作时长、企业经营规模、设备开工率、人员到岗率、上班打卡人数中的至少一项。
由上可知,该基于人工智能分析的企业经营风险评估系统,通过获取企业的用电特征数据、办公区域的监控视频信息和人员打卡信息;把所述用电特征数据、办公区域的监控视频信息和人员打卡信息输入预先训练好的企业经营风险分析模型,得到风险预测值;根据所述风险预测值发出对应的报告信号;所述企业经营风险分析模型根据所述用电特征数据、办公区域的监控视频信息和人员打卡信息提取所述企业的经营信息,并根据所述经营信息计算风险预测值;所述经营信息包括上班时间、下班时间、工作时长、企业经营规模、设备开工率、人员到岗率、上班打卡人数中的至少一项;从而有利于金融机构对企业的经营状况进行实时、准确、真实的监测。具体来说,具有以下优点:
1、获取的企业用电信息真实可靠、高频高速、维度多,且企业用电数据与企业经营状况息息相关,从而使金融机构可以精确、实时、真实的获取企业经营状态的一手资料;
2、通过采集办公区域的监控视频信息和人员打卡信息,可多角度提取当前企业生产经营状态信息,实时监控企业经营上升或下滑状态,发现企业突然倒闭、逃债搬迁等突发异常风险;并可防止企业通过虚假用电来欺骗金融机构的监测系统;通过一定时间周期的数据积累,就可以显示企业经营趋势,为金融机构实时掌握企业的经营状况提供数据支撑;
3、使用深度学习等人工智能方法,生成企企业经营风险分析模型,并用来对每天采集的用电特征数据、办公区域的监控视频信息和人员打卡信息进行企业经营风险分析评估,实现了评估结果与企业实际经营状态的良好匹配;根据判断风险的情形发出报告信号,供金融机构相关人员进行人工核查等处理。
综上所述,虽然本发明已以优选实施例揭露如上,但上述优选实施例并非用以限制本发明,本领域的普通技术人员,在不脱离本发明的精神和范围内,均可作各种更动与润饰,其方案与本发明实质上相同。
Claims (7)
1.一种基于人工智能分析的企业经营风险评估方法,其特征在于,包括步骤:
A1.获取企业的用电特征数据、办公区域的监控视频信息和人员打卡信息;
A2.把所述用电特征数据、办公区域的监控视频信息和人员打卡信息输入预先训练好的企业经营风险分析模型,得到风险预测值;
A3.根据所述风险预测值发出对应的报告信号;
步骤A2中,所述企业经营风险分析模型根据所述用电特征数据、办公区域的监控视频信息和人员打卡信息提取所述企业的经营信息,并根据所述经营信息计算风险预测值;所述经营信息包括上班时间、下班时间、工作时长、企业经营规模、设备开工率、人员到岗率、上班打卡人数中的至少一项;
所述用电特征数据包括用电波形和接入用电设备个数;所述经营信息包括设备开工率;步骤A2中,所述企业经营风险分析模型根据所述用电波形分析得到设备开工率;
其中,根据所述用电波形分析得到设备开工率的步骤包括:用所述用电波形与各典型用电波形进行匹配,得到相似度最高的典型用电波形相对应的开机数量,并用开机数量除以接入用电设备个数得到设备开工率;
所述经营信息包括人员到岗率;步骤A2中,所述企业经营风险分析模型根据所述办公区域的监控视频信息提取所述人员到岗率;
其中,根据所述办公区域的监控视频信息提取所述人员到岗率的时候,周期性地从所述办公区域的监控视频信息截取办公区域的图像进行人员到岗率的提取,且在截取办公区域的图像的时候在当前截取周期的所有办公区域的监控视频信息帧图像中随机截取一帧。
2.根据权利要求1所述的基于人工智能分析的企业经营风险评估方法,其特征在于,所述企业经营风险分析模型根据所述办公区域的监控视频信息提取所述人员到岗率的步骤包括:
S1.周期性地从所述办公区域的监控视频信息截取办公区域的图像进行二值化处理;
S2.根据预先录入的办公工位分布信息对二值化处理后的图像进行区域分割,得到多个工位区域;
S3.采用基于局部对比度显著性特征匹配算法进行工位人物初检测,得到各工位区域上的人物匹配值;
S4.把人物匹配值小于预设匹配阈值的工位区域标记为无人工位,把人物匹配值不小于预设匹配阈值的工位区域标记为待定工位;若有至少一个待定工位,则执行步骤S5;
S5.利用原始图像和基于SIFT特征的人物特征匹配算法判断所述待定工位是否有人,若有人则把所述待定工位标记为有人工位,若没有人则把所述待定工位标记为无人工位;
S6.根据各工位区域的标记结果计算人员到岗率。
3.根据权利要求2所述的基于人工智能分析的企业经营风险评估方法,其特征在于,步骤S1包括:
在当前截取周期的所有办公区域的监控视频信息帧图像中,随机选取一帧图像进行二值化处理。
4.根据权利要求2所述的基于人工智能分析的企业经营风险评估方法,其特征在于,步骤A2包括:
获取所述企业经营风险分析模型输出的经营信息;所述经营信息包括人员到岗率和上班打卡人数;
步骤A2之后,还包括:
若所述人员到岗率低于预设的到岗率阈值,或者所述人员到岗率与所述上班打卡人数不匹配,则发出经营异常警告信号。
5.根据权利要求1所述的基于人工智能分析的企业经营风险评估方法,其特征在于,所述企业经营风险分析模型通过前馈神经网络强化学习算法训练得到。
6.根据权利要求5所述的基于人工智能分析的企业经营风险评估方法,其特征在于,通过前馈神经网络强化学习算法对所述企业经营风险分析模型进行训练的方法包括:
B1. 通过相关性检验方法初步检验各经营信息以及企业提交的财务、生产经营月度报告相关性程度,根据相关性程度设置各经营信息的初始权重值;
B2.以对应的初始权重值作为各经营信息的权重值的初始值,采用前馈神经网络强化学习算法对所述企业经营风险分析 模型进行训练,得到各项经营信息的训练后权重值;
B3.剔除训练后权重值过小的经营信息,并重新采用前馈神经网络强化学习算法对所述企业经营风险分析 模型进行训练,得到优化的企业经营风险分析 模型。
7.一种基于人工智能分析的企业经营风险评估系统,其特征在于,包括企业用电特征采集装置、企业办公区域监控视频采集装置、企业打卡信息采集装置、云端数据采集存储中心、企业经营风险人工智能分析系统和企业经营风险分析显示及告警系统;
所述企业用电特征采集装置用于采集企业的用电特征数据,并上传至所述云端数据采集存储中心;
所述企业办公区域监控视频采集装置用于采集企业的办公区域的监控视频信息,并上传至所述云端数据采集存储中心;
所述企业打卡信息采集装置用于采集企业的人员打卡信息,并上传至所述云端数据采集存储中心;
所述企业经营风险人工智能分析系统用于从所述云端数据采集存储中心获取企业的用电特征数据、办公区域的监控视频信息和人员打卡信息,把所述用电特征数据、办公区域的监控视频信息和人员打卡信息输入预先训练好的企业经营风险分析模型,得到风险预测值,根据所述风险预测值发送对应的报告信号至所述企业经营风险分析显示及告警系统;
所述企业经营风险分析显示及告警系统用于显示所述报告信号的内容;
所述企业经营风险分析模型根据所述用电特征数据、办公区域的监控视频信息和人员打卡信息提取所述企业的经营信息,并根据所述经营信息计算风险预测值;所述经营信息包括上班时间、下班时间、工作时长、企业经营规模、设备开工率、人员到岗率、上班打卡人数中的至少一项;
所述用电特征数据包括用电波形和接入用电设备个数;所述经营信息包括设备开工率;所述企业经营风险分析模型根据所述用电波形分析得到设备开工率;
其中,根据所述用电波形分析得到设备开工率的步骤包括:用所述用电波形与各典型用电波形进行匹配,得到相似度最高的典型用电波形相对应的开机数量,并用开机数量除以接入用电设备个数得到设备开工率;
所述经营信息包括人员到岗率;所述企业经营风险分析模型根据所述办公区域的监控视频信息提取所述人员到岗率;
其中,根据所述办公区域的监控视频信息提取所述人员到岗率的时候,周期性地从所述办公区域的监控视频信息截取办公区域的图像进行人员到岗率的提取,且在截取办公区域的图像的时候在当前截取周期的所有办公区域的监控视频信息帧图像中随机截取一帧。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110395829.6A CN112801431B (zh) | 2021-04-13 | 2021-04-13 | 基于人工智能分析的企业经营风险评估方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110395829.6A CN112801431B (zh) | 2021-04-13 | 2021-04-13 | 基于人工智能分析的企业经营风险评估方法及系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112801431A CN112801431A (zh) | 2021-05-14 |
CN112801431B true CN112801431B (zh) | 2021-07-16 |
Family
ID=75816953
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110395829.6A Active CN112801431B (zh) | 2021-04-13 | 2021-04-13 | 基于人工智能分析的企业经营风险评估方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112801431B (zh) |
Families Citing this family (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114282733A (zh) * | 2021-12-29 | 2022-04-05 | 问策师信息科技南京有限公司 | 一种基于人工智能分析的企业经营风险评估方法及系统 |
CN116596300A (zh) * | 2023-04-19 | 2023-08-15 | 浙江物芯数科信息产业有限公司 | 一种食品生产企业的智慧监管方法、系统、设备和介质 |
CN116485185A (zh) * | 2023-04-23 | 2023-07-25 | 深圳市精锐纵横网络技术有限公司 | 基于比对数据的企业风险分析系统及方法 |
CN117557106A (zh) * | 2024-01-02 | 2024-02-13 | 广东浩迪智云技术有限公司 | 企业经营健康度检测方法、装置、设备及介质 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110889556A (zh) * | 2019-11-28 | 2020-03-17 | 福建亿榕信息技术有限公司 | 一种企业经营风险预测方法和系统 |
CN111667165A (zh) * | 2020-05-30 | 2020-09-15 | 内蒙古电力(集团)有限责任公司内蒙古电力科学研究院分公司 | 一种基于电力的智能移动应用业务系统以及应用 |
CN112150267A (zh) * | 2020-09-14 | 2020-12-29 | 深圳供电局有限公司 | 一种计算机设备和企业用电分析系统 |
Family Cites Families (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US8731983B2 (en) * | 2005-02-24 | 2014-05-20 | Sap Ag | System and method for designing effective business policies via business rules analysis |
KR20080029429A (ko) * | 2006-09-29 | 2008-04-03 | 김정한 | 위험 관리 방법 및 장치 |
CN105096060A (zh) * | 2015-08-26 | 2015-11-25 | 中国电力科学研究院 | 一种基于电能服务管理平台的企业开工率获取方法 |
CN109190954A (zh) * | 2018-08-22 | 2019-01-11 | 深圳合纵能源技术有限公司 | 基于实时用电数据评估企业生产经营管理风险的方法 |
CN109543067A (zh) * | 2018-11-19 | 2019-03-29 | 陕西西普数据通信股份有限公司 | 基于人工智能的企业生产状况实时监控分析系统 |
CN110766325A (zh) * | 2019-10-24 | 2020-02-07 | 北京中科捷信信息技术有限公司 | 一种金融大数据智能分析的模型开发工具 |
CN111191671B (zh) * | 2019-11-18 | 2023-11-14 | 广东浩迪智云技术有限公司 | 一种用电器波形检测方法、系统、电子设备及存储介质 |
CN111242574A (zh) * | 2020-01-08 | 2020-06-05 | 中国建筑第二工程局有限公司西南分公司 | 一种基于gps技术的智慧工地现场巡检管理系统及方法 |
-
2021
- 2021-04-13 CN CN202110395829.6A patent/CN112801431B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110889556A (zh) * | 2019-11-28 | 2020-03-17 | 福建亿榕信息技术有限公司 | 一种企业经营风险预测方法和系统 |
CN111667165A (zh) * | 2020-05-30 | 2020-09-15 | 内蒙古电力(集团)有限责任公司内蒙古电力科学研究院分公司 | 一种基于电力的智能移动应用业务系统以及应用 |
CN112150267A (zh) * | 2020-09-14 | 2020-12-29 | 深圳供电局有限公司 | 一种计算机设备和企业用电分析系统 |
Also Published As
Publication number | Publication date |
---|---|
CN112801431A (zh) | 2021-05-14 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112801431B (zh) | 基于人工智能分析的企业经营风险评估方法及系统 | |
CN110108914B (zh) | 一种反窃电智能化决策方法、系统、设备及介质 | |
CN110223168B (zh) | 一种基于企业关系图谱的标签传播反欺诈检测方法及系统 | |
CN110288001B (zh) | 基于目标数据特征训练学习的目标识别方法 | |
CN101714273A (zh) | 一种基于规则引擎的银行异常业务监控方法和系统 | |
CN105022021B (zh) | 一种基于多智能体的关口电能计量装置的状态识别方法 | |
CN113254594B (zh) | 一种面向智慧电厂的安全知识图谱构建方法及系统 | |
CN110837963A (zh) | 一种基于数据、模型及策略的风险控制平台建设方法 | |
CN102915447A (zh) | 一种基于二叉树支持向量机的分类方法 | |
CN104050361A (zh) | 一种监狱服刑人员危险性倾向的智能分析预警方法 | |
Lucas et al. | Dataset shift quantification for credit card fraud detection | |
Lin et al. | Electricity theft detection based on stacked autoencoder and the undersampling and resampling based random forest algorithm | |
CN117011006A (zh) | 基于大数据挖掘的电子招标投标监督方法 | |
Oliveira et al. | Automated monitoring of construction sites of electric power substations using deep learning | |
CN115760119A (zh) | 基于数据处理和特征识别的金融支付监管系统及方法 | |
CN110276299A (zh) | 计量箱外观故障图像识别模型及方法 | |
CN117197726B (zh) | 一种重点人员精准化管控系统及方法 | |
CN111985924A (zh) | 一种基于深度学习的信用卡异常交易行为判定方法及系统 | |
CN110309737A (zh) | 一种应用于香烟柜台的信息处理方法、装置及系统 | |
CN115062725A (zh) | 酒店收益异常分析方法及系统 | |
CN115860144A (zh) | 一种用于反窃电现场的机器学习系统 | |
CN109359745A (zh) | 一种基于智能算法金融产品管理后台智能运维的系统 | |
Tressa et al. | Credit Card Fraud Detection Using Machine Learning | |
Sebastian et al. | A comparative analysis of deep neural network models in IoT‐based smart systems for energy prediction and theft detection | |
CN110956471A (zh) | 装修行业征信数据的分析方法 |
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 |