CN112883062A - 一种不基于规则的自定义规则稽查方法 - Google Patents
一种不基于规则的自定义规则稽查方法 Download PDFInfo
- Publication number
- CN112883062A CN112883062A CN202110152128.XA CN202110152128A CN112883062A CN 112883062 A CN112883062 A CN 112883062A CN 202110152128 A CN202110152128 A CN 202110152128A CN 112883062 A CN112883062 A CN 112883062A
- Authority
- CN
- China
- Prior art keywords
- inspection
- marketing
- rules
- rule
- intelligent
- 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
- 238000000034 method Methods 0.000 title claims abstract description 21
- 238000007689 inspection Methods 0.000 claims abstract description 142
- 238000013135 deep learning Methods 0.000 claims abstract description 14
- 238000010276 construction Methods 0.000 claims abstract description 9
- 238000012544 monitoring process Methods 0.000 claims abstract description 8
- 230000007246 mechanism Effects 0.000 claims abstract description 5
- 230000002159 abnormal effect Effects 0.000 claims description 49
- 230000006870 function Effects 0.000 claims description 12
- 238000007726 management method Methods 0.000 claims description 10
- 238000012550 audit Methods 0.000 claims description 9
- 238000005516 engineering process Methods 0.000 claims description 5
- 230000004807 localization Effects 0.000 claims description 4
- 230000002547 anomalous effect Effects 0.000 claims description 3
- 238000013528 artificial neural network Methods 0.000 claims description 3
- 238000004140 cleaning Methods 0.000 claims description 3
- 238000013461 design Methods 0.000 claims description 3
- 238000010992 reflux Methods 0.000 claims description 3
- 238000005070 sampling Methods 0.000 claims description 3
- 230000003044 adaptive effect Effects 0.000 claims description 2
- 238000013474 audit trail Methods 0.000 claims description 2
- 238000009960 carding Methods 0.000 claims description 2
- 238000002372 labelling Methods 0.000 claims description 2
- 238000004458 analytical method Methods 0.000 abstract description 3
- 230000008569 process Effects 0.000 abstract description 3
- 230000001737 promoting effect Effects 0.000 abstract description 2
- 238000010586 diagram Methods 0.000 description 3
- 238000011161 development Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 238000005259 measurement Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000013473 artificial intelligence Methods 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000012937 correction Methods 0.000 description 1
- 238000007405 data analysis Methods 0.000 description 1
- 238000007418 data mining Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000009434 installation Methods 0.000 description 1
- 230000002265 prevention Effects 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 238000007670 refining Methods 0.000 description 1
- 238000005096 rolling process Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
- G06F16/24—Querying
- G06F16/245—Query processing
- G06F16/2455—Query execution
- G06F16/24564—Applying rules; Deductive queries
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
- G06F16/24—Querying
- G06F16/245—Query processing
- G06F16/2458—Special types of queries, e.g. statistical queries, fuzzy queries or distributed queries
- G06F16/2462—Approximate or statistical queries
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
- G06F16/28—Databases characterised by their database models, e.g. relational or object models
- G06F16/284—Relational databases
- G06F16/285—Clustering or classification
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/30—Information retrieval; Database structures therefor; File system structures therefor of unstructured textual data
- G06F16/36—Creation of semantic tools, e.g. ontology or thesauri
- G06F16/367—Ontology
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Databases & Information Systems (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Computational Linguistics (AREA)
- Software Systems (AREA)
- Life Sciences & Earth Sciences (AREA)
- Mathematical Physics (AREA)
- Probability & Statistics with Applications (AREA)
- Artificial Intelligence (AREA)
- Animal Behavior & Ethology (AREA)
- Health & Medical Sciences (AREA)
- Fuzzy Systems (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种不基于规则的自定义规则稽查方法，涉及电网信息管理，解决了目前的稽查方式智能化程度低，且稽查结果不准确的技术问题。包括知识图谱构建步骤和营销业务稽查步骤；所述知识图谱构建步骤用于通过全面梳理营销稽查规则，构建基于深度学习的智能稽查规则，然后对所述智能稽查规则进行分类组合，形成知识图谱；所述营销业务稽查步骤用于根据所述知识图谱组成稽查的稽查方案，实现对营销业务进行稽查。本发明的稽查体系引入了深度学习、稽查知识图谱等先进的管理理论和科学的分析方法融入到稽查精益化管理，从而实现健全在线监控工作机制，为电力企业的稽查决策提供科学的依据，推动稽查工作的智能化、精益化进程。
Description
技术领域
本发明涉及电网信息管理，更具体地说，它涉及一种不基于规则的自定义规则稽查方法。
背景技术
随着营销稽查中心稽查工作纵深开展以及逐年的创新，营销稽查中心的稽查工作由原来的传统稽查开始向智能稽查转变，从事后稽查转向事前预防及事中管控，对营销稽查中心提出了更高的工作要求。但目前的稽查方式在对业务数据进行稽查时，只能逐条的根据稽查规则对业务数据进行稽查；且只能通过定时更新稽查系统的方式对稽查规则进行升级。从而导致稽查的智能化程度低，稽查会因系统得不到及时更新致使稽查结果不准确的问题，客户满意度低。
发明内容
本发明要解决的技术问题是针对现有技术的不足，提供一种不基于规则的自定义规则稽查方法，解决了目前的稽查方式智能化程度低，且稽查结果不准确的问题。
本发明的技术方案是在于：一种不基于规则的自定义规则稽查方法，包括知识图谱构建步骤和营销业务稽查步骤；
所述知识图谱构建步骤用于通过全面梳理营销稽查规则，构建基于深度学习的智能稽查规则，然后对所述智能稽查规则进行分类组合，形成知识图谱；
所述营销业务稽查步骤用于根据所述知识图谱组成稽查的稽查方案，实现对营销业务进行稽查。
作进一步的改进，所述知识图谱构建步骤具体包括以下步骤，
S11、总结历年的稽查结果，同时对所有的营销稽查规则进行全面的梳理，形成适应营销稽查中心本地化的智能稽查规则体系；将梳理后的营销稽查规则固化在所述营销稽查中心的稽查辅助工具上；
S12、通过信息化技术对所述营销稽查中心的在线异常数据进行分析，并在所述稽查辅助工具的基础上，构建基于深度学习的智能稽查规则，以完善所述智能稽查规则；
S13、通过将所述智能稽查规则进行分类组合，形成知识图谱。
进一步地，S12具体包括以下步骤，
S121、通过深度学习算法提取所述在线异常数据的异常特征，对所述异常特征进行分析总结，定位所述异常数据的问题类别；
S122、对比所述营销稽查规则的定义与标准或规范之间的差异，根据差异结果分析对所述在线异常数据的影响界定；
S123、统计设定时间段内所述在线异常数据的数据量及出现频率；
S124、基于统计结果和问题类别，结合全面梳理后的营销稽查规则，在所述稽查辅助工具上建立能够自我学习的智能稽查规则。
更进一步地，S122具体包括，根据所述营销稽查规则的应用构建第一步的稽查线索，采用BP神经网络和半监督方式形成营销稽查规则的自适应管理；在所述自适应管理的自适应更新的基础上，根据营销监控、异常规则以及审计风险，采用SAE算法模型提炼稽查特征，分析差异结果；根据所述差异结果对在线异常数据的影响界定，形成稽查线索的自动更新机制，实现不基于规则的规则稽查。
更进一步地，所述营销业务稽查步骤具体包括以下步骤，
S21、根据稽查业务的需求，选取至少一个所述的知识图谱，组成稽查方案，并根据所述稽查方案对营销业务进行稽查；
S22、通过智能稽查工作模式自动对营销业务进行稽查。
更进一步地，S22具体包括，通过抽取营销回流库数据获取营销业务数据，利用已配置的所述稽查方案，对营销业务数据进行全量或抽样清洗，寻找出疑似异常数据，并对疑似问题进行标注，同时通过一问题储存数据库对异常数据、疑似问题、异常特征进行储存。
更进一步地，所述营销业务稽查步骤还包括以下步骤，
S23、将所述疑似问题累积在问题储存数据库中，同时确定所述疑似问题出现的概率；所述疑似问题的概率根据以下公式确定：
其中，F0为疑似问题的概率；F1(X)为下限滤波函数；F2(X)为上限滤波函数；S0为目前抽取的营销业务数据中存在的疑似问题的数量；S1为问题储存数据库中疑似问题的总数量。
更进一步地，，所述下限滤波函数为：
所述上限滤波函数为：
其中，J0为目前抽取的营销业务数据中异常数据的量；J1为问题储存数据库中异常数据的总量。
有益效果
本发明的优点在于：通过全面梳理营销稽查规则、构建基于深度学习的稽查规则、形成稽查知识图谱、组成稽查方案、开启智能稽查工作模式的方式实现营销业务的稽查。本发明的稽查体系引入了深度学习、稽查知识图谱等先进的管理理论和科学的分析方法融入到稽查精益化管理，从而实现健全在线监控工作机制，为电力企业的稽查决策提供科学的依据，推动稽查工作的智能化、精益化进程。
附图说明
图1为本发明所述的稽查方法流程图；
图2为本发明所述的构建基于深度学习的智能稽查规则流程图；
图3为其中一个数据源应用所述的知识图谱后的展开图；
图4为本发明其中一种实施例的所述的稽查方案结构示意图。
具体实施方式
下面结合实施例，对本发明作进一步的描述，但不构成对本发明的任何限制，任何人在本发明权利要求范围所做的有限次的修改，仍在本发明的权利要求范围内。
参阅图1，本发明的一种不基于规则的自定义规则稽查方法，包括知识图谱构建步骤和营销业务稽查步骤。
知识图谱构建步骤用于通过全面梳理营销稽查规则，构建基于深度学习的智能稽查规则，然后对智能稽查规则进行分类组合，形成知识图谱。
具体的，知识图谱构建步骤具体包括以下步骤，
S11、总结历年的稽查结果，同时对所有的营销稽查规则进行全面的梳理，形成适应营销稽查中心本地化的智能稽查规则体系。将梳理后的营销稽查规则固化在营销稽查中心的稽查辅助工具上。如某省电网公司有142条营销稽查规则，在这些营销稽查规则的基础上，对其进行细分和优化，梳理形成一套适应营销稽查中心本地化的智能稽查规则体系。一般来说，梳理出来的稽查规则体系划分为三类：第一、基于营销监控的智能稽查规则。其中可以细分为营销风险监控规则和指标监控规则。如业扩超时异常规则、10kV公用台区线损异常规则等。第二、基于异常规则的智能稽查规则。规则异常的原因可分为违反政策法规、业务逻辑错误、数据勾稽关系不一致、业务经验不足。第三、基于审计风险的智能稽查规则。
S12、通过大数据挖掘信息化技术对营销稽查中心的在线异常数据进行分析，并在营销稽查中心的稽查辅助工具的基础上，构建基于深度学习的智能稽查规则，以完善智能稽查规则。
参阅图2，S12具体包括以下步骤，
S121、通过深度学习算法提取在线异常数据异常点的异常特征，对异常特征进行分析总结，定位异常数据的问题类别。例如，异常数据所有的环节是否超时；是否存在体内循环；该异常数据某个环节超时，环节的处理人是谁；跟这个人相关的所有数据是否存在问题。从而定位是否个人的工作质量存在问题。
S122、对比营销稽查规则的定义与标准或规范之间的差异，根据差异结果分析对在线异常数据的影响界定。具体的，根据营销稽查规则的应用构建第一步的稽查线索，采用BP神经网络和半监督方式形成营销稽查规则的自适应管理。在自适应管理的自适应更新的基础上，根据营销监控、异常规则以及审计风险，采用SAE算法模型提炼稽查特征，分析差异结果。根据差异结果对在线异常数据的影响界定，形成稽查线索的自动更新机制，确保稽查点的正确性，实现不基于规则的规则稽查。
S123、统计设定时间段内在线异常数据的数据量及出现频率。设定时间段一般为最近的几个月，如3-6个月。
S124、基于统计结果和问题类别，结合全面梳理后的营销稽查规则，在稽查辅助工具上建立能够自我学习的智能稽查规则。
此外，随着电力政策的变化和营销业务的发展，可以滚动修编智能稽查规则，实现人工手动更新智能稽查规则。
S13、通过将智能稽查规则体系中的智能稽查规则进行分类组合，形成知识图谱。通过不同营销稽查规则之间的组合形成知识图谱，使知识图谱更偏重于描述稽查规则之间的关联。如将业扩超时相关的稽查规则和电费差错相关的稽查规则进行组合，形成客户满意度知识图谱；将业扩报装相关的稽查规则与客户档案相关的稽查规则进行组合和细化，形成客户档案知识图谱。
本实施例利用营销全业务域的数据源，将营销稽查规则采用人工智能技术构建智能稽查规则，并对多发问题进行全息展现，深度扩线分组，进行对多发问题的根源分析，从而建立起稽查规则的一个专业的知识图谱。
知识图谱在应用时，借助大数据分析技术，分析营销稽查规则、稽查规则对应的问题类型、问题产生的根源数据三者之间的关联关系，并通过不同级别的节点展示出来，可以清晰分析出数据源与不同规则之间的关联，进而推导出规则与规则之间的关联性。如图3所示，图中，计量点计量容量异常、供电容量异常这两条稽查规则都是由相同的问题数据源导致产生异常数据，对同一数据源而引起多条稽查规则发现异常数据的，可以针对此数据源进行精准稽查。
营销业务稽查步骤用于根据知识图谱组成稽查的稽查方案，实现对营销业务进行稽查。
具体的，营销业务稽查步骤具体包括以下步骤，
S21、根据稽查业务的需求，选取至少一个的知识图谱，组成稽查方案，并根据稽查方案对营销业务进行稽查。在稽查过程中，根据定义好的稽查方案对营销业务进行稽查，找出疑似异常清单。如图4所示为其中一种实施例的稽查方案的结构示意图。
S22、通过智能稽查工作模式自动对营销业务进行稽查。
S22具体包括，通过抽取营销回流库数据获取营销业务数据，利用已配置的稽查方案对营销业务数据进行全量或抽样清洗，结合稽查地图，精准定位出疑似异常数据，并对疑似问题进行标注，同时通过一问题储存数据库对异常数据、疑似问题、异常特征进行储存。其中，稽查地图包括问题库、案例库、知识库。此外，可通过手机、Pad、PC端、AR设备等多终端接入稽查辅助工具，实现稽查信息化、无纸化现场作业和智能整改处理。
S23、将疑似问题累积在问题储存数据库中，同时确定疑似问题出现的概率。
其中，疑似问题的概率根据以下公式确定：
其中，F0为疑似问题的概率；F1(X)为下限滤波函数；F2(X)为上限滤波函数；S0为目前抽取的营销业务数据中存在的疑似问题的数量；S1为问题储存数据库中疑似问题的总数量。
本实施例将疑似问题与异常数据相关联，通过关系函数标定疑似问题出现的概率，能更好的为客户提供参考，从而起到提醒客户对问题注意防范的作用。
以上所述的仅是本发明的优选实施方式，应当指出对于本领域的技术人员来说，在不脱离本发明结构的前提下，还可以作出若干变形和改进，这些都不会影响本发明实施的效果和专利的实用性。
Claims (8)
1.一种不基于规则的自定义规则稽查方法，其特征在于，包括知识图谱构建步骤和营销业务稽查步骤；
所述知识图谱构建步骤用于通过全面梳理营销稽查规则，构建基于深度学习的智能稽查规则，然后对所述智能稽查规则进行分类组合，形成知识图谱；
所述营销业务稽查步骤用于根据所述知识图谱组成稽查的稽查方案，实现对营销业务进行稽查。
2.根据权利要求1所述的一种不基于规则的自定义规则稽查方法，其特征在于，所述知识图谱构建步骤具体包括以下步骤，
S11、总结历年的稽查结果，同时对所有的营销稽查规则进行全面的梳理，形成适应营销稽查中心本地化的智能稽查规则体系；将梳理后的营销稽查规则固化在所述营销稽查中心的稽查辅助工具上；
S12、通过信息化技术对所述营销稽查中心的在线异常数据进行分析，并在所述稽查辅助工具的基础上，构建基于深度学习的智能稽查规则，以完善所述智能稽查规则；
S13、通过将所述智能稽查规则进行分类组合，形成知识图谱。
3.根据权利要求2所述的一种不基于规则的自定义规则稽查方法，其特征在于，S12具体包括以下步骤，
S121、通过深度学习算法提取所述在线异常数据的异常特征，对所述异常特征进行分析总结，定位所述异常数据的问题类别；
S122、对比所述营销稽查规则的定义与标准或规范之间的差异，根据差异结果分析对所述在线异常数据的影响界定；
S123、统计设定时间段内所述在线异常数据的数据量及出现频率；
S124、基于统计结果和问题类别，结合全面梳理后的营销稽查规则，在所述稽查辅助工具上建立能够自我学习的智能稽查规则。
4.根据权利要求3所述的一种不基于规则的自定义规则稽查方法，其特征在于，S122具体包括，根据所述营销稽查规则的应用构建第一步的稽查线索，采用BP神经网络和半监督方式形成营销稽查规则的自适应管理；在所述自适应管理的自适应更新的基础上，根据营销监控、异常规则以及审计风险，采用SAE算法模型提炼稽查特征，分析差异结果；根据所述差异结果对在线异常数据的影响界定，形成稽查线索的自动更新机制，实现不基于规则的规则稽查。
5.根据权利要求1所述的一种不基于规则的自定义规则稽查方法，其特征在于，所述营销业务稽查步骤具体包括以下步骤，
S21、根据稽查业务的需求，选取至少一个所述的知识图谱，组成稽查方案，并根据所述稽查方案对营销业务进行稽查；
S22、通过智能稽查工作模式自动对营销业务进行稽查。
6.根据权利要求5所述的一种不基于规则的自定义规则稽查方法，其特征在于，S22具体包括，通过抽取营销回流库数据获取营销业务数据，利用已配置的所述稽查方案，对营销业务数据进行全量或抽样清洗，寻找出疑似异常数据，并对疑似问题进行标注，同时通过一问题储存数据库对异常数据、疑似问题、异常特征进行储存。
7.根据权利要求6所述的一种不基于规则的自定义规则稽查方法，其特征在于，所述营销业务稽查步骤还包括以下步骤，
S23、将所述疑似问题累积在问题储存数据库中，同时确定所述疑似问题出现的概率；所述疑似问题的概率根据以下公式确定：
其中，F0为疑似问题的概率；F1(X)为下限滤波函数；F2(X)为上限滤波函数；S0为目前抽取的营销业务数据中存在的疑似问题的数量；S1为问题储存数据库中疑似问题的总数量。
8.根据权利要求7所述的一种不基于规则的自定义规则稽查方法，其特征在于，所述下限滤波函数为：
所述上限滤波函数为：
其中，J0为目前抽取的营销业务数据中异常数据的量；J1为问题储存数据库中异常数据的总量。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110152128.XA CN112883062A (zh) | 2021-02-03 | 2021-02-03 | 一种不基于规则的自定义规则稽查方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110152128.XA CN112883062A (zh) | 2021-02-03 | 2021-02-03 | 一种不基于规则的自定义规则稽查方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN112883062A true CN112883062A (zh) | 2021-06-01 |
Family
ID=76057150
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202110152128.XA Pending CN112883062A (zh) | 2021-02-03 | 2021-02-03 | 一种不基于规则的自定义规则稽查方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN112883062A (zh) |
Cited By (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113628024A (zh) * | 2021-08-25 | 2021-11-09 | 国网河北省电力有限公司沧州供电分公司 | 基于大数据平台系统的财务数据智能稽核系统及方法 |
| CN115081747A (zh) * | 2022-07-27 | 2022-09-20 | 国网浙江省电力有限公司 | 一种基于知识图谱技术的数据处理方法 |
| CN116913460A (zh) * | 2023-09-13 | 2023-10-20 | 福州市迈凯威信息技术有限公司 | 一种药械及检验试剂的营销业务合规性判断分析方法 |
Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109214719A (zh) * | 2018-11-02 | 2019-01-15 | 广东电网有限责任公司 | 一种基于人工智能的营销稽查分析的系统和方法 |
| CN110929036A (zh) * | 2019-11-29 | 2020-03-27 | 南方电网数字电网研究院有限公司 | 电力营销稽查管理方法、装置、计算机设备和存储介质 |
| EP3761227A1 (en) * | 2019-07-03 | 2021-01-06 | Sap Se | Anomaly and fraud detection with fake event detection using machine learning |
-
2021
- 2021-02-03 CN CN202110152128.XA patent/CN112883062A/zh active Pending
Patent Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109214719A (zh) * | 2018-11-02 | 2019-01-15 | 广东电网有限责任公司 | 一种基于人工智能的营销稽查分析的系统和方法 |
| EP3761227A1 (en) * | 2019-07-03 | 2021-01-06 | Sap Se | Anomaly and fraud detection with fake event detection using machine learning |
| CN110929036A (zh) * | 2019-11-29 | 2020-03-27 | 南方电网数字电网研究院有限公司 | 电力营销稽查管理方法、装置、计算机设备和存储介质 |
Non-Patent Citations (1)
| Title |
|---|
| 邵志芳译: "《行为科学统计》", 中国轻工业出版社, pages: 108 - 109 * |
Cited By (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113628024A (zh) * | 2021-08-25 | 2021-11-09 | 国网河北省电力有限公司沧州供电分公司 | 基于大数据平台系统的财务数据智能稽核系统及方法 |
| CN115081747A (zh) * | 2022-07-27 | 2022-09-20 | 国网浙江省电力有限公司 | 一种基于知识图谱技术的数据处理方法 |
| CN115081747B (zh) * | 2022-07-27 | 2022-11-11 | 国网浙江省电力有限公司 | 一种基于知识图谱技术的数据处理方法 |
| CN116913460A (zh) * | 2023-09-13 | 2023-10-20 | 福州市迈凯威信息技术有限公司 | 一种药械及检验试剂的营销业务合规性判断分析方法 |
| CN116913460B (zh) * | 2023-09-13 | 2023-12-29 | 福州市迈凯威信息技术有限公司 | 一种药械及检验试剂的营销业务合规性判断分析方法 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| EP3043447B1 (en) | Distribution transformer heavy loading and overloading mid-term and short-term pre-warning analytics model | |
| CN112883062A (zh) | 一种不基于规则的自定义规则稽查方法 | |
| CN112766550A (zh) | 基于随机森林的停电敏感用户预测方法、系统、存储介质及计算机设备 | |
| CN104331502B (zh) | 针对快递员周边人群营销中快递员数据的识别方法 | |
| CN113516192A (zh) | 一种用户用电异动识别方法、系统、装置及存储介质 | |
| CN111797145A (zh) | 一种电力客户容忍度评价分类方法 | |
| Herraiz et al. | Impact of installation counts on perceived quality: A case study on debian | |
| CN115186964A (zh) | 计及主观评估数据的配电网线路风险预测系统及方法 | |
| CN114092230A (zh) | 一种数据处理方法、装置、电子设备及计算机可读介质 | |
| KR102336462B1 (ko) | 신용평가정보 제공 장치 및 방법 | |
| CN116401601B (zh) | 基于逻辑回归模型的停电敏感用户处置方法 | |
| JPH09233700A (ja) | 日最大需要電力予測の信頼性評価方法 | |
| CN115796585A (zh) | 一种企业经营风险评估方法及系统 | |
| CN115617670A (zh) | 软件测试管理方法、存储介质及系统 | |
| CN111144429A (zh) | 对象分类方法及其系统、计算机系统及计算机可读介质 | |
| CN115204501A (zh) | 企业评估方法、装置、计算机设备和存储介质 | |
| CN111582692A (zh) | It与战略业务匹配度评估方法及装置 | |
| CN117436718B (zh) | 一种基于多维引擎的智能数据管理平台 | |
| CN116308158B (zh) | 一种国有资产监督管理系统 | |
| CN117236532B (zh) | 一种基于负荷数据的用电高峰负荷预测的方法及系统 | |
| CN117911194B (zh) | 一种基于大数据的智慧水务管理方法及系统 | |
| Guo | Intelligent Assessment Method of Enterprise Tax Risk Based on Deep Learning | |
| CN118586670A (zh) | 一种环境监测实验室信息管理方法及系统 | |
| CN117236487A (zh) | 一种代理购电电量的预测方法 | |
| Sun et al. | Employment Prediction and Trend Analysis of Higher Vocational College Students Based on Data Mining Algorithm |
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: 20210601 |