CN113158124A - 基于人工智能的数据处理方法、装置及存储介质 - Google Patents

基于人工智能的数据处理方法、装置及存储介质 Download PDF

Info

Publication number
CN113158124A
CN113158124A CN202110188996.3A CN202110188996A CN113158124A CN 113158124 A CN113158124 A CN 113158124A CN 202110188996 A CN202110188996 A CN 202110188996A CN 113158124 A CN113158124 A CN 113158124A
Authority
CN
China
Prior art keywords
resource allocation
model
target
allocation model
preset
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
Application number
CN202110188996.3A
Other languages
English (en)
Inventor
汪曼
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Ping An International Smart City Technology Co Ltd
Original Assignee
Ping An International Smart City Technology Co Ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Ping An International Smart City Technology Co Ltd filed Critical Ping An International Smart City Technology Co Ltd
Priority to CN202110188996.3A priority Critical patent/CN113158124A/zh
Publication of CN113158124A publication Critical patent/CN113158124A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
    • G06F17/10—Complex mathematical operations
    • G06F17/11—Complex mathematical operations for solving equations, e.g. nonlinear equations, general mathematical optimization problems
    • 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
    • G06Q40/00—Finance; Insurance; Tax strategies; Processing of corporate or income taxes
    • G06Q40/06—Asset management; Financial planning or analysis
    • 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
    • G06Q50/10—Services
    • G06Q50/26—Government or public services

Landscapes

  • Engineering & Computer Science (AREA)
  • Business, Economics & Management (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Strategic Management (AREA)
  • Human Resources & Organizations (AREA)
  • Economics (AREA)
  • Development Economics (AREA)
  • Mathematical Physics (AREA)
  • Marketing (AREA)
  • Operations Research (AREA)
  • Tourism & Hospitality (AREA)
  • General Business, Economics & Management (AREA)
  • Mathematical Analysis (AREA)
  • Pure & Applied Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • Game Theory and Decision Science (AREA)
  • Mathematical Optimization (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Accounting & Taxation (AREA)
  • Finance (AREA)
  • Computational Mathematics (AREA)
  • Technology Law (AREA)
  • Primary Health Care (AREA)
  • General Health & Medical Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • Quality & Reliability (AREA)
  • Algebra (AREA)
  • Educational Administration (AREA)
  • Databases & Information Systems (AREA)
  • Software Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本申请涉及数据处理技术，尤其涉及一种基于人工智能的数据处理方法、装置及存储介质，该方法包括：获取针对目标业务的第一资源配置参数；获取与所述目标业务对应的预设资源分配模型；对所述预设资源分配模型进行正向运算，得到第一资源分配模型；对所述第一资源分配模型进行反向运算以优化模型参数，得到第二资源分配模型；将所述第一资源配置参数输入到所述第二资源分配模型，得到运算结果。采用本申请实施例能够对模型正向和反向运算以优化模型的模型参数，进而，提升了模型精度，有助于提升资源分配效率，即提升规划的数据处理效率。

Description

基于人工智能的数据处理方法、装置及存储介质
技术领域
本申请涉及数据处理技术领域，具体涉及一种基于人工智能的数据处理方法、装置及存储介质。
背景技术
政府年度投资计划编制是为确定固定资产建设的规模和方向，平衡计划年度内的财力、物力和人力，进一步落实中期投资计划的分年任务。政府投资对区域产业短板补齐、经济增长支撑保障等起着决定性作用，是提高基础设施和公共服务供给能力和质量重要调控手段。
目前政府投资计划编制完全由业务部门人工制定完成的。根据投资预算总盘，估算行业投资额，通过线下收集数据，从三年滚动计划项目库中抽取项目，人工根据行业经验拟定每个项目年度计划投资额，但不能超过总盘，故需要进行大量手工计算，并不断频繁调整，导致规划时候的数据处理效率较低，因此，如何提升规划的数据处理效率的问题亟待解决。
发明内容
本申请实施例提供了一种基于人工智能的数据处理方法、装置及存储介质，能够提升规划的数据处理效率。
第一方面，本申请实施例提供一种基于人工智能的数据处理方法，所述方法包括：
获取针对目标业务的第一资源配置参数；
获取与所述目标业务对应的预设资源分配模型；
对所述预设资源分配模型进行正向运算，得到第一资源分配模型；
对所述第一资源分配模型进行反向运算以优化模型参数，得到第二资源分配模型；
将所述第一资源配置参数输入到所述第二资源分配模型，得到运算结果。
第二方面，本申请实施例提供一种基于人工智能的数据处理装置，所述装置包括：第一获取单元、第二获取单元、正向运算单元、反向运算单元和输入单元，其中，
所述第一获取单元，用于获取针对目标业务的第一资源配置参数；
所述第二获取单元，用于获取与所述目标业务对应的预设资源分配模型；
所述正向运算单元，用于对所述预设资源分配模型进行正向运算，得到第一资源分配模型；
所述反向运算单元，用于对所述第一资源分配模型进行反向运算以优化模型参数，得到第二资源分配模型；
所述输入单元，用于将所述第一资源配置参数输入到所述第二资源分配模型，得到运算结果。
第三方面，本申请实施例提供一种电子设备，包括处理器、存储器、通信接口以及一个或多个程序，其中，上述一个或多个程序被存储在上述存储器中，并且被配置由上述处理器执行，上述程序包括用于执行本申请实施例第一方面中的步骤的指令。
第四方面，本申请实施例提供了一种计算机可读存储介质，其中，上述计算机可读存储介质存储用于电子数据交换的计算机程序，其中，上述计算机程序使得计算机执行如本申请实施例第一方面中所描述的部分或全部步骤。
第五方面，本申请实施例提供了一种计算机程序产品，其中，上述计算机程序产品包括存储了计算机程序的非瞬时性计算机可读存储介质，上述计算机程序可操作来使计算机执行如本申请实施例第一方面中所描述的部分或全部步骤。该计算机程序产品可以为一个软件安装包。
实施本申请实施例，具备如下有益效果：
可以看出，本申请实施例中所描述的基于人工智能的数据处理方法、装置及存储介质，获取针对目标业务的第一资源配置参数，获取与目标业务对应的预设资源分配模型，对预设资源分配模型进行正向运算，得到第一资源分配模型，对第一资源分配模型进行反向运算以优化模型参数，得到第二资源分配模型，将第一资源配置参数输入到第二资源分配模型，得到运算结果，一方面，能够选取与业务对应的模型，另一方面，能够对模型正向和反向运算以优化模型的模型参数，进而，提升了模型精度，有助于提升资源分配效率，即提升规划的数据处理效率。
附图说明
为了更清楚地说明本申请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申请的一些实施例，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1A是本申请实施例提供的一种基于人工智能的数据处理方法的流程示意图；
图1B是本申请实施例提供的argmax函数实现的演示示意图；
图2是本申请实施例提供的另一种基于人工智能的数据处理方法的流程示意图；
图3是本申请实施例提供的一种电子设备的结构示意图；
图4是本申请实施例提供的一种基于人工智能的数据处理装置的功能单元组成框图。
具体实施方式
为了使本技术领域的人员更好地理解本申请方案，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，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。基于本申请中的实施例，本领域普通技术人员在没有作出创造性劳动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。
本申请的说明书和权利要求书及上述附图中的术语“第一”、“第二”等是用于区别不同对象，而不是用于描述特定顺序。此外，术语“包括”和“具有”以及它们任何变形，意图在于覆盖不排他的包含。例如包含了一系列步骤或单元的过程、方法、系统、产品或设备没有限定于已列出的步骤或单元，而是在一个可能地示例中还包括没有列出的步骤或单元，或在一个可能地示例中还包括对于这些过程、方法、产品或设备固有的其他步骤或单元。
在本文中提及“实施例”意味着，结合实施例描述的特定特征、结构或特性可以包含在本申请的至少一个实施例中。在说明书中的各个位置出现该短语并不一定均是指相同的实施例，也不是与其它实施例互斥的独立的或备选的实施例。本领域技术人员显式地和隐式地理解的是，本文所描述的实施例可以与其它实施例相结合。
本申请实施例所涉及到的电子设备可以包括各种具有无线通信功能的手持设备(如手机、平板电脑、POS机等等)、台式机、车载设备、可穿戴设备(智能手表、智能手环、无线耳机、增强现实/虚拟现实设备、智能眼镜)、AI机器人、计算设备或连接到无线调制解调器的其他处理设备，以及各种形式的用户设备(user equipment，UE)，移动台(mobilestation，MS)，终端设备(terminal device)等等。为方便描述，上面提到的设备统称为电子设备。
下面对本申请实施例进行详细介绍。
请参阅图1A，图1A是本申请实施例提供的一种基于人工智能的数据处理方法的流程示意图，如图所示，应用于电子设备，本基于人工智能的数据处理方法包括：
101、获取针对目标业务的第一资源配置参数。
其中，本申请实施例中，目标业务可以包括一个或者多个业务，目标业务可以为以下至少一种：投资业务、保险业务、贷款业务、收款业务等等，在此不作限定，目标业务可以为至少一个项目的业务，项目可以为企业项目或者政府项目。
本申请实施例中，第一资源配置参数可以为以下至少一种：计划总投资额、投资行业、行业投资项目、行业投资计划参考值等等，在此不作限定。例如，第一资源配置参数为政府投资项目的资源配置参数。
举例说明下，可以设定业务目标，在复杂目标、多个约束条件的计划编制情况下，合理地分配项目投资资金。可以设定：
1、2022年计划总盘金额Pm。
2、投资行业A、B、C。
3、行业投资项目：A行业计划投资项目Ai，B行业计划投资项目Bi，C行业计划投资项目Ci，总项目数M。
4、行业投资计划参考值：A行业计划投资x，B行业计划投资y，C行业计划投资z。
另外，主要业务目标：
1、所有项目分配金额总和满足如下条件：
Figure BDA0002944529430000051
但越接近总盘金额Pm越好，其中，0<[(P-Pm)/Pm]*100％<0.5％，其中，P表示所有项目分配金额总和，Pm表示总盘金额。
2、以A类项目为例，各项目分配金额A'i与申报金额Pn偏差Ti，Ti的约束条件具体如下：-20％<[(A'i-Pn)/Pn]*100％<20％。
3、调整金额的项目的数量N不超过总项目M比例，即[(N-M)/M]*100％<1％。
4、每个行业的分配投资额不能偏离行业计划参考值太远，具体约束条件可以为：
Figure BDA0002944529430000052
在一个可能地示例中，上述步骤101，获取针对目标业务的第一资源配置参数，可以包括如下步骤：
11、获取所述目标业务的历史数据；
12、依据所述历史数据确定所述目标业务的目标潜力值；
13、按照预设的潜力值与资源配置参数之间的映射关系，确定所述目标潜力值对应的所述第一资源配置参数。
其中，具体实现中，目标业务的历史数据可以包括：投资项目、每一投资项目的投资额、投资总行，投资计划、计划参考值等等，在此不作限定。电子设备中可以预先存储预设的潜力值与资源配置参数之间的映射关系。
具体地，电子设备可以通过历史数据确定目标业务的目标潜力值，进而，可以按照预设的潜力值与资源配置参数之间的映射关系，确定目标潜力值对应的第一资源配置参数，如此，可以依据业务潜力分配相应的配置参数，有助于提升投资规划的数据处理效率。
进一步地，在一个可能地示例中，上述步骤12，依据所述历史数据确定所述目标业务的目标潜力值，可以包括如下步骤：
121、根据所述历史数据生成业务增长曲线，所述业务增长曲线的横轴为时间，纵轴为业务量；
122、将所述业务增长曲线进行拟合，得到拟合直线；
123、获取所述拟合直线的目标斜率；
124、按照预设的斜率与调节参数之间的映射关系，确定所述目标斜率对应的目标调节参数；
125、获取与所述目标业务对应的参考潜力值；
126、依据所述目标调节参数对所述参考潜力值进行调节，得到所述目标潜力值。
其中，具体实现中，电子设备可以根据历史数据生成业务增长曲线，业务增长曲线的横轴为时间，纵轴为业务量，还可以将业务增长曲线进行拟合，得到拟合直线，进而，获取拟合直线的目标斜率，斜率在一定程度上反映了业务潜力趋势。
进一步地，电子设备中可以预先存储预设的斜率与调节参数之间的映射关系，进而，可以按照预设的斜率与调节参数之间的映射关系，确定目标斜率对应的目标调节参数，不同的业务可以对应不同的参考潜力值，进而，还可以获取与目标业务对应的参考潜力值，参考潜力值可以为上一年度的潜力值，或者，也可以由其他机构分析的潜力值，最后，依据目标调节参数对参考潜力值进行调节，得到目标潜力值，具体计算公式如下：
目标潜力值＝参考潜力值*(1+目标调节参数)
如此，可以通过业务的历史趋势预估其对应的潜力值，进而，可以精准配置资源配置参数。
102、获取与所述目标业务对应的预设资源分配模型。
其中，本申请实施例中，预设资源分配模型可以为神经网络模型，该神经网络模型可以为以下至少一种：卷积神经网络模型、循环神经网络模型、脉冲神经网络模型、全连接神经网络模型等等，在此不作限定。不同的业务可以对应不同的资源分配模型，电子设备可以获取与目标业务对应的预设资源分配模型，该预设资源分配模型可以预先保存在电子设备中或者由用户自行设置。预设资源分配模型可以包括一层或者多层网络。预设资源分配模型的输入可以为资源配置参数，输出则可以预测资源配置参数。
举例说明下，设定影响项目投资资金分配影响条件因子:1、当前完成总投资进度γ；2、完成年度计划投资比例α；3、实际拨付金额占计划投资比例β；4、具备开工条件t；5、项目类别A类、B类、C类l；6、后续资金需求对影响因子建立得分评估模型，如γ(0％～100％)→(0～100)，α(0％～100％)→(0～100)，β(0％～100％)→(0～100)，t(是/否)→(0～1)，l(A，B，C)→(3,2,1)，进而，可以得到项目得分集合S{γ,α,β,t,l}。即预设资源分配模型可以基于S实现，即其可以考虑投资资金的各个影响条件因子，进而，模型更加符合实际预期。
在一个可能地示例中，上述步骤102，获取与所述目标业务对应的预设资源分配模型，可以包括如下步骤：
21、获取所述目标业务对应目标业务类型；
22、按照预设的业务类型与资源分配模型之间的映射关系，确定所述目标业务类型对应的初始资源分配模型；
23、获取所述初始资源分配模型的初始模型参数；
24、依据所述第一资源配置参数确定所述初始模型参数进行调节，得到目标模型参数；
25、将所述目标模型参数和所述初始资源分配模型作为所述预设资源分配模型。
其中，电子设备中可以预先存储预设的业务类型与资源分配模型之间的映射关系，不同的业务可以对应不同的模型，不同的模型可以对应不同的模型参数，模型参数可以为模型中至少一个模块的模型参数，模型参数可以为以下至少一种：卷积核大小、层数、收敛阈值、标签数量等等，在此不作限定。
进而，电子设备可以获取目标业务对应目标业务类型，且按照预设的业务类型与资源分配模型之间的映射关系，确定目标业务类型对应的初始资源分配模型，获取初始资源分配模型的初始模型参数，依据第一资源配置参数确定初始模型参数进行调节，得到目标模型参数，再将目标模型参数和初始资源分配模型作为预设资源分配模型，如此，可以得到与业务类型相宜的模型。
在一个可能地示例中，上述步骤24，依据所述第一资源配置参数确定所述初始模型参数进行调节，得到目标模型参数，可以包括如下步骤：
241、确定所述第一资源配置参数对应的第一分配比例；
242、获取所述初始模型参数对应的参考资源配置参数；
243、依据所述第一分配比例、所述参考资源配置参数确定所述第一资源配置参数中的每一参数的偏差值，得到多个偏差值；
244、依据所述多个偏差值确定目标均方差；
245、按照预设的均方差与调节系数之间的映射关系，确定所述目标均方差对应的目标调节系数；
246、依据所述目标调节系数对所述初始模型参数进行调节，得到目标模型参数。
其中，电子设备可以确定第一资源配置参数对应的第一分配比例，还可以获取初始模型参数对应的参考资源配置参数，该参考资源配置参数可以预先设置。
进而，电子设备可以依据第一分配比例、参考资源配置参数确定第一资源配置参数中的每一参数的偏差值，得到多个偏差值，即检测每一参数与参考参数之间的偏离程度，可以依据多个偏差值确定目标均方差。
进一步地，电子设备中还可以预先存储预设的均方差与调节系数之间的映射关系，进而，可以按照预设的均方差与调节系数之间的映射关系，确定目标均方差对应的目标调节系数，还可以依据目标调节系数对初始模型参数进行调节，得到目标模型参数，例如，具体公式如下：
目标模型参数＝(1+目标调节系数)*初始模型参数
进而，可以依据第一资源配置参数对应的分配比例对模型参数加以调节，以优化模型参数，提升模型性能。
103、对所述预设资源分配模型进行正向运算，得到第一资源分配模型。
具体实现中，电子设备可以将预先准备的样本数据输入到预设资源分配模型进行正向运算，得到第一资源分配模型，样本数据可以为预先设置的资源配置参数。也可以对模型的一些模型参数进行调整。
举例说明下，正向预测算法建模：预测分配行业A类项目：A1、A2...An各项目投资额，可以根据项目申报投资额，得分模型计算上下偏差范围内Ti(±20％)最优调整金额Li。对项目Ai评分W可能范围集合S{γ,α,β,t,l}，可以引入argmax函数对非线性数据集计算得到最优值Wargmax，如图1B所示，x为A行业投资金额，y为B行业投资金额，具体如下：
Figure BDA0002944529430000081
根据最优值对行业项目进行排序，设定项目计划投资调整偏差比例权重￡。项目分配投资A'i＝(1+￡*Ti)*Pn→代入评分最优值即排序权重得到项目Ai最优资金分配计算：
Figure BDA0002944529430000082
Figure BDA0002944529430000083
最终，可以对投资计划编制项目投资总额P，行业投资总额x，调整项目数比例进行条件验证，提供投资计划编制模拟方案。
在一个可能地示例中，上述步骤103，对所述预设资源分配模型进行正向运算，得到第一资源分配模型，可以包括如下步骤：
31、获取输入样本参数；
32、将所述输入样本参数输入到预设资源分配模型进行正向运算，得到第一资源分配模型。
其中，输入样本参数可以为以下至少一种：各项目投资额、投资比例、各项目投资权重值。进而，可以将输入样本参数输入到预设资源分配模型进行正向运算，得到第一资源分配模型，有助于提升模型性能。
104、对所述第一资源分配模型进行反向运算以优化模型参数，得到第二资源分配模型。
具体实现中，本申请实施例中，电子设备可以基于第一资源分配模型进行反向运算以优化该第一资源分配模型的模型参数，模型参数可以为以下至少一种：卷积核、层数、收敛阈值等等，在此不作限定。进而，可以实现反向模拟，具体即根据要资金分配预测模型提供历史目标和输入约束条件。调整优化预测模型。进而，通过调整项目投资资金分配影响条件因子γ，α，β，t，l...结合历史投资项目数据，分析最终应调整因子集反向模拟，调整最优因子得分评估模型，获得投资计划编制模拟方案与历史实际下达进行对比，训练投资计划编制算法模型，达到优化模型参数的目的，使得模型具备更好地模型精度。
进而，可以根据模拟结果优化科学决策单链条预测测算，更清晰的了解各个指标单方面传导的影响。综合科学决策单链条测算和计划编制多链条测算维度，更清晰、高效的推进计划编制相关工作。
在一个可能地示例中，上述步骤104，对所述第一资源分配模型进行反向运算，得到第二资源分配模型以优化模型参数，可以包括如下步骤：
41、获取实际测试数据、预测测试数据以及预设约束条件；
42、确定所述实际测试数据和所述预测测试数据之间的目标偏离度；
43、依据所述目标偏离度调节所述第一资源分配模型的模型参数，得到调节后的所述第一资源分配模型；
44、基于所述预设约束条件对所述第一资源分配模型进行运算，得到所述第二资源分配模型。
具体实现中，预设约束条件可以预先设置或者系统默认，预设约束条件可以为以下至少一种：所有项目分配金额总和满足的约束条件、各项目分配金额A'i与申报金额Pn偏差Ti的约束条件、调整金额的项目的数量N的约束条件、每个行业的分配投资额不能偏离行业计划参考值的约束条件等等，在此不作限定。
进而，电子设备可以获取实际测试数据、预测测试数据以及预设约束条件，以及确定实际测试数据和预测测试数据之间的目标偏离度，如：
目标偏离度＝|实际测试数据-预测测试数据|/实际测试数据
进一步地，电子设备可以依据目标偏离度调节第一资源分配模型的模型参数，得到调节后的第一资源分配模型，以及基于预设约束条件对第一资源分配模型进行运算，得到第二资源分配模型。
105、将所述第一资源配置参数输入到所述第二资源分配模型，得到运算结果。
具体实现中，本申请实施例中，由于对初始资源分配模型进行正向运算以及反向运算，可以提升模型预测精度，进而，电子设备可以将第一资源配置参数输入到第二资源分配模型，得到运算结果，如此，可以实现精准投资，提升投资效率。
上述本申请实施例所描述的方法可以应用于区块链，基于区块链可以用于存储上述资源分配模型、以及各种业务的历史数据或者当前数据，还可以基于区块链实现模型优化以提升模型能力。
可以看出，本申请实施例中所描述的基于人工智能的数据处理方法，获取针对目标业务的第一资源配置参数，获取预设资源分配模型，对预设资源分配模型进行正向运算，得到第一资源分配模型，对第一资源分配模型进行反向运算，得到第二资源分配模型，将第一资源配置参数输入到第二资源分配模型，得到运算结果，一方面，能够选取与业务对应的模型，另一方面，能够对模型正向和反向运算以优化模型的模型参数，进而，提升了模型精度，有助于提升资源分配效率，即提升规划的数据处理效率。
请参阅图2，图2是本申请实施例提供的一种基于人工智能的数据处理方法的流程示意图，应用于电子设备，如图所示，本基于人工智能的数据处理方法包括：
201、获取所述目标业务的历史数据。
202、依据所述历史数据确定所述目标业务的目标潜力值。
203、按照预设的潜力值与资源配置参数之间的映射关系，确定所述目标潜力值对应的第一资源配置参数。
204、获取与所述目标业务对应的预设资源分配模型。
205、对所述预设资源分配模型进行正向运算，得到第一资源分配模型。
206、对所述第一资源分配模型进行反向运算以优化模型参数，得到第二资源分配模型。
207、将所述第一资源配置参数输入到所述第二资源分配模型，得到运算结果。
其中，上述步骤201-步骤207的具体描述可以参照上述图1A所描述的相应步骤，在此不再赘述。
可以看出，本申请实施例中所描述的基于人工智能的数据处理方法，获取目标业务的历史数据，依据历史数据确定目标业务的目标潜力值，按照预设的潜力值与资源配置参数之间的映射关系，确定目标潜力值对应的第一资源配置参数，获取与目标业务对应的预设资源分配模型，对预设资源分配模型进行正向运算，得到第一资源分配模型，对第一资源分配模型进行反向运算以优化模型参数，得到第二资源分配模型，将第一资源配置参数输入到第二资源分配模型，得到运算结果，一方面，能够选取与业务对应的模型，另一方面，能够对模型正向和反向运算以优化模型的模型参数，进而，提升了模型精度，有助于提升资源分配效率，即提升规划的数据处理效率。
与上述实施例一致地，请参阅图3，图3是本申请实施例提供的一种电子设备的结构示意图，如图所示，该电子设备包括处理器、存储器、通信接口以及一个或多个程序，上述一个或多个程序被存储在上述存储器中，并且被配置由上述处理器执行，本申请实施例中，上述程序包括用于执行以下步骤的指令：
获取针对目标业务的第一资源配置参数；
获取与所述目标业务对应的预设资源分配模型；
对所述预设资源分配模型进行正向运算，得到第一资源分配模型；
对所述第一资源分配模型进行反向运算以优化模型参数，得到第二资源分配模型；
将所述第一资源配置参数输入到所述第二资源分配模型，得到运算结果。
可以看出，本申请实施例中所描述的电子设备，获取针对目标业务的第一资源配置参数，获取与目标业务对应的预设资源分配模型，对预设资源分配模型进行正向运算，得到第一资源分配模型，对第一资源分配模型进行反向运算以优化模型参数，得到第二资源分配模型，将第一资源配置参数输入到第二资源分配模型，得到运算结果，一方面，能够选取与业务对应的模型，另一方面，能够对模型正向和反向运算以优化模型的模型参数，进而，提升了模型精度，有助于提升资源分配效率，即提升规划的数据处理效率。
在一个可能地示例中，在所述获取针对目标业务的第一资源配置参数方面，上述程序包括用于执行以下步骤的指令：
获取所述目标业务的历史数据；
依据所述历史数据确定所述目标业务的目标潜力值；
按照预设的潜力值与资源配置参数之间的映射关系，确定所述目标潜力值对应的所述第一资源配置参数。
在一个可能地示例中，在所述依据所述历史数据确定所述目标业务的目标潜力值方面，上述程序包括用于执行以下步骤的指令：
根据所述历史数据生成业务增长曲线，所述业务增长曲线的横轴为时间，纵轴为业务量；
将所述业务增长曲线进行拟合，得到拟合直线；
获取所述拟合直线的目标斜率；
按照预设的斜率与调节参数之间的映射关系，确定所述目标斜率对应的目标调节参数；
获取与所述目标业务对应的参考潜力值；
依据所述目标调节参数对所述参考潜力值进行调节，得到所述目标潜力值。
在一个可能地示例中，在所述获取与所述目标业务对应的预设资源分配模型方面，上述程序包括用于执行以下步骤的指令：
获取所述目标业务对应目标业务类型；
按照预设的业务类型与资源分配模型之间的映射关系，确定所述目标业务类型对应的初始资源分配模型；
获取所述初始资源分配模型的初始模型参数；
依据所述第一资源配置参数确定所述初始模型参数进行调节，得到目标模型参数；
将所述目标模型参数和所述初始资源分配模型作为所述预设资源分配模型。
在一个可能地示例中，在所述依据所述第一资源配置参数确定所述初始模型参数进行调节，得到目标模型参数方面，上述程序包括用于执行以下步骤的指令：
确定所述第一资源配置参数对应的第一分配比例；
获取所述初始模型参数对应的参考资源配置参数；
依据所述第一分配比例、所述参考资源配置参数确定所述第一资源配置参数中的每一参数的偏差值，得到多个偏差值；
依据所述多个偏差值确定目标均方差；
按照预设的均方差与调节系数之间的映射关系，确定所述目标均方差对应的目标调节系数；
依据所述目标调节系数对所述初始模型参数进行调节，得到目标模型参数。
在一个可能地示例中，在所述对所述预设资源分配模型进行正向运算，得到第一资源分配模型方面，上述程序包括用于执行以下步骤的指令：
获取输入样本参数；
将所述输入样本参数输入到预设资源分配模型进行正向运算，得到第一资源分配模型。
在一个可能地示例中，在所述对所述第一资源分配模型进行反向运算以优化模型参数，得到第二资源分配模型方面，上述程序包括用于执行以下步骤的指令：
获取实际测试数据、预测测试数据以及预设约束条件；
确定所述实际测试数据和所述预测测试数据之间的目标偏离度；
依据所述目标偏离度调节所述第一资源分配模型的模型参数，得到调节后的所述第一资源分配模型；
基于所述预设约束条件对所述第一资源分配模型进行运算，得到所述第二资源分配模型。
上述主要从方法侧执行过程的角度对本申请实施例的方案进行了介绍。可以理解的是，电子设备为了实现上述功能，其包含了执行各个功能相应的硬件结构和/或软件模块。本领域技术人员应该很容易意识到，结合本文中所提供的实施例描述的各示例的单元及算法步骤，本申请能够以硬件或硬件和计算机软件的结合形式来实现。某个功能究竟以硬件还是计算机软件驱动硬件的方式来执行，取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用使用不同方法来实现所描述的功能，但是这种实现不应认为超出本申请的范围。
本申请实施例可以根据上述方法示例对电子设备进行功能单元的划分，例如，可以对应各个功能划分各个功能单元，也可以将两个或两个以上的功能集成在一个处理单元中。上述集成的单元既可以采用硬件的形式实现，也可以采用软件功能单元的形式实现。需要说明的是，本申请实施例中对单元的划分是示意性的，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式。
图4是本申请实施例中所涉及的基于人工智能的数据处理装置400的功能单元组成框图。该基于人工智能的数据处理装置400，应用于电子设备，所述装置400包括：第一获取单元401、第二获取单元402、正向运算单元403、反向运算单元404和输入单元405，其中，
所述第一获取单元401，用于获取针对目标业务的第一资源配置参数；
所述第二获取单元402，用于获取与所述目标业务对应的预设资源分配模型；
所述正向运算单元403，用于对所述预设资源分配模型进行正向运算，得到第一资源分配模型；
所述反向运算单元404，用于对所述第一资源分配模型进行反向运算以优化模型参数，得到第二资源分配模型；
所述输入单元405，用于将所述第一资源配置参数输入到所述第二资源分配模型，得到运算结果。
可以看出，本申请实施例中所描述的基于人工智能的数据处理装置，获取针对目标业务的第一资源配置参数，获取与目标业务对应的预设资源分配模型，对预设资源分配模型进行正向运算，得到第一资源分配模型，对第一资源分配模型进行反向运算以优化模型参数，得到第二资源分配模型，将第一资源配置参数输入到第二资源分配模型，得到运算结果，一方面，能够选取与业务对应的模型，另一方面，能够对模型正向和反向运算以优化模型的模型参数，进而，提升了模型精度，有助于提升资源分配效率，即提升规划的数据处理效率。
在一个可能地示例中，在所述获取针对目标业务的第一资源配置参数方面，所述第一获取单元401具体用于：
获取所述目标业务的历史数据；
依据所述历史数据确定所述目标业务的目标潜力值；
按照预设的潜力值与资源配置参数之间的映射关系，确定所述目标潜力值对应的所述第一资源配置参数。
在一个可能地示例中，在所述依据所述历史数据确定所述目标业务的目标潜力值方面，所述第一获取单元401具体用于：
根据所述历史数据生成业务增长曲线，所述业务增长曲线的横轴为时间，纵轴为业务量；
将所述业务增长曲线进行拟合，得到拟合直线；
获取所述拟合直线的目标斜率；
按照预设的斜率与调节参数之间的映射关系，确定所述目标斜率对应的目标调节参数；
获取与所述目标业务对应的参考潜力值；
依据所述目标调节参数对所述参考潜力值进行调节，得到所述目标潜力值。
在一个可能地示例中，在所述获取与所述目标业务对应的预设资源分配模型方面，所述第二获取单元402具体用于：
获取所述目标业务对应目标业务类型；
按照预设的业务类型与资源分配模型之间的映射关系，确定所述目标业务类型对应的初始资源分配模型；
获取所述初始资源分配模型的初始模型参数；
依据所述第一资源配置参数确定所述初始模型参数进行调节，得到目标模型参数；
将所述目标模型参数和所述初始资源分配模型作为所述预设资源分配模型。
在一个可能地示例中，在所述依据所述第一资源配置参数确定所述初始模型参数进行调节，得到目标模型参数方面，所述第二获取单元402具体用于：
确定所述第一资源配置参数对应的第一分配比例；
获取所述初始模型参数对应的参考资源配置参数；
依据所述第一分配比例、所述参考资源配置参数确定所述第一资源配置参数中的每一参数的偏差值，得到多个偏差值；
依据所述多个偏差值确定目标均方差；
按照预设的均方差与调节系数之间的映射关系，确定所述目标均方差对应的目标调节系数；
依据所述目标调节系数对所述初始模型参数进行调节，得到目标模型参数。
在一个可能地示例中，在所述对所述预设资源分配模型进行正向运算，得到第一资源分配模型方面，所述正向运算单元403具体用于：
获取输入样本参数；
将所述输入样本参数输入到预设资源分配模型进行正向运算，得到第一资源分配模型。
在一个可能地示例中，在所述对所述第一资源分配模型进行反向运算以优化模型参数，得到第二资源分配模型方面，所述反向运算单元404具体用于：
获取实际测试数据、预测测试数据以及预设约束条件；
确定所述实际测试数据和所述预测测试数据之间的目标偏离度；
依据所述目标偏离度调节所述第一资源分配模型的模型参数，得到调节后的所述第一资源分配模型；
基于所述预设约束条件对所述第一资源分配模型进行运算，得到所述第二资源分配模型。
可以理解的是，本实施例的基于人工智能的数据处理装置的各程序模块的功能可根据上述方法实施例中的方法具体实现，其具体实现过程可以参照上述方法实施例的相关描述，此处不再赘述。
本申请实施例还提供一种计算机存储介质，其中，该计算机存储介质存储用于电子数据交换的计算机程序，该计算机程序使得计算机执行如上述方法实施例中记载的任一方法的部分或全部步骤，上述计算机包括电子设备。
本申请实施例还提供一种计算机程序产品，上述计算机程序产品包括存储了计算机程序的非瞬时性计算机可读存储介质，上述计算机程序可操作来使计算机执行如上述方法实施例中记载的任一方法的部分或全部步骤。该计算机程序产品可以为一个软件安装包，上述计算机包括电子设备。
所述的计算机可读存储介质可主要包括存储程序区和存储数据区，其中，存储程序区可存储操作系统、至少一个功能所需的应用程序等；存储数据区可存储根据区块链节点的使用所创建的数据等。其中，本申请所指区块链是分布式数据存储、点对点传输、共识机制、加密算法等计算机技术的新型应用模式。区块链(Blockchain)，本质上是一个去中心化的数据库，是一串使用密码学方法相关联产生的数据块，每一个数据块中包含了一批次网络交易的信息，用于验证其信息的有效性(防伪)和生成下一个区块。区块链可以包括区块链底层平台、平台产品服务层以及应用服务层等。
需要说明的是，对于前述的各方法实施例，为了简单描述，故将其都表述为一系列的动作组合，但是本领域技术人员应该知悉，本申请并不受所描述的动作顺序的限制，因为依据本申请，某些步骤可以采用其他顺序或者同时进行。其次，本领域技术人员也应该知悉，说明书中所描述的实施例均属于优选实施例，所涉及的动作和模块并不一定是本申请所必须的。
在上述实施例中，对各个实施例的描述都各有侧重，某个实施例中没有详述的部分，可以参见其他实施例的相关描述。
在本申请所提供的几个实施例中，应该理解到，所揭露的装置，可通过其它的方式实现。例如，以上所描述的装置实施例仅仅是示意性的，例如上述单元的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，例如多个单元或组件可以结合或者可以集成到另一个系统，或一些特征可以忽略，或不执行。另一点，所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口，装置或单元的间接耦合或通信连接，可以是电性或其它的形式。
上述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。
另外，在本申请各个实施例中的各功能单元可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现，也可以采用软件功能单元的形式实现。
上述集成的单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储器中。基于这样的理解，本申请的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的全部或部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储器中，包括若干指令用以使得一台计算机设备(可为个人计算机、电子设备或者网络设备等)执行本申请各个实施例上述方法的全部或部分步骤。而前述的存储器包括：U盘、只读存储器(ROM，Read-Only Memory)、随机存取存储器(RAM，Random Access Memory)、移动硬盘、磁碟或者光盘等各种可以存储程序代码的介质。
本领域普通技术人员可以理解上述实施例的各种方法中的全部或部分步骤是可以通过程序来指令相关的硬件来完成，该程序可以存储于一计算机可读存储器中，存储器可以包括：闪存盘、只读存储器(英文：Read-Only Memory，简称：ROM)、随机存取器(英文：Random Access Memory，简称：RAM)、磁盘或光盘等。
以上对本申请实施例进行了详细介绍，本文中应用了具体个例对本申请的原理及实施方式进行了阐述，以上实施例的说明只是用于帮助理解本申请的方法及其核心思想；同时，对于本领域的一般技术人员，依据本申请的思想，在具体实施方式及应用范围上均会有改变之处，综上所述，本说明书内容不应理解为对本申请的限制。

Claims (10)

1.一种基于人工智能的数据处理方法，其特征在于，所述方法包括：
获取针对目标业务的第一资源配置参数；
获取与所述目标业务对应的预设资源分配模型；
对所述预设资源分配模型进行正向运算，得到第一资源分配模型；
对所述第一资源分配模型进行反向运算以优化模型参数，得到第二资源分配模型；
将所述第一资源配置参数输入到所述第二资源分配模型，得到运算结果。
2.根据权利要求1所述的方法，其特征在于，所述获取针对目标业务的第一资源配置参数，包括：
获取所述目标业务的历史数据；
依据所述历史数据确定所述目标业务的目标潜力值；
按照预设的潜力值与资源配置参数之间的映射关系，确定所述目标潜力值对应的所述第一资源配置参数。
3.根据权利要求2所述的方法，其特征在于，所述依据所述历史数据确定所述目标业务的目标潜力值，包括：
根据所述历史数据生成业务增长曲线，所述业务增长曲线的横轴为时间，纵轴为业务量；
将所述业务增长曲线进行拟合，得到拟合直线；
获取所述拟合直线的目标斜率；
按照预设的斜率与调节参数之间的映射关系，确定所述目标斜率对应的目标调节参数；
获取与所述目标业务对应的参考潜力值；
依据所述目标调节参数对所述参考潜力值进行调节，得到所述目标潜力值。
4.根据权利要求1-3任一项所述的方法，其特征在于，所述获取与所述目标业务对应的预设资源分配模型，包括：
获取所述目标业务对应目标业务类型；
按照预设的业务类型与资源分配模型之间的映射关系，确定所述目标业务类型对应的初始资源分配模型；
获取所述初始资源分配模型的初始模型参数；
依据所述第一资源配置参数确定所述初始模型参数进行调节，得到目标模型参数；
将所述目标模型参数和所述初始资源分配模型作为所述预设资源分配模型。
5.根据权利要求4所述的方法，其特征在于，所述依据所述第一资源配置参数确定所述初始模型参数进行调节，得到目标模型参数，包括：
确定所述第一资源配置参数对应的第一分配比例；
获取所述初始模型参数对应的参考资源配置参数；
依据所述第一分配比例、所述参考资源配置参数确定所述第一资源配置参数中的每一参数的偏差值，得到多个偏差值；
依据所述多个偏差值确定目标均方差；
按照预设的均方差与调节系数之间的映射关系，确定所述目标均方差对应的目标调节系数；
依据所述目标调节系数对所述初始模型参数进行调节，得到目标模型参数。
6.根据权利要求1-3任一项所述的方法，其特征在于，所述对所述预设资源分配模型进行正向运算，得到第一资源分配模型，包括：
获取输入样本参数；
将所述输入样本参数输入到预设资源分配模型进行正向运算，得到第一资源分配模型。
7.根据权利要求1-3任一项所述的方法，其特征在于，所述对所述第一资源分配模型进行反向运算以优化模型参数，得到第二资源分配模型，包括：
获取实际测试数据、预测测试数据以及预设约束条件；
确定所述实际测试数据和所述预测测试数据之间的目标偏离度；
依据所述目标偏离度调节所述第一资源分配模型的模型参数，得到调节后的所述第一资源分配模型；
基于所述预设约束条件对所述第一资源分配模型进行运算，得到所述第二资源分配模型。
8.一种基于人工智能的数据处理装置，其特征在于，所述装置包括：第一获取单元、第二获取单元、正向运算单元、反向运算单元和输入单元，其中，
所述第一获取单元，用于获取针对目标业务的第一资源配置参数；
所述第二获取单元，用于获取与所述目标业务对应的预设资源分配模型；
所述正向运算单元，用于对所述预设资源分配模型进行正向运算，得到第一资源分配模型；
所述反向运算单元，用于对所述第一资源分配模型进行反向运算以优化模型参数，得到第二资源分配模型；
所述输入单元，用于将所述第一资源配置参数输入到所述第二资源分配模型，得到运算结果。
9.一种电子设备，其特征在于，包括处理器、存储器，所述存储器用于存储一个或多个程序，并且被配置由所述处理器执行，所述程序包括用于执行如权利要求1-7任一项所述的方法中的步骤的指令。
10.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质存储有计算机程序，所述计算机程序包括程序指令，所述程序指令当被处理器执行时使所述处理器执行如权利要求1-7任一项所述的方法。
CN202110188996.3A 2021-02-19 2021-02-19 基于人工智能的数据处理方法、装置及存储介质 Pending CN113158124A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110188996.3A CN113158124A (zh) 2021-02-19 2021-02-19 基于人工智能的数据处理方法、装置及存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110188996.3A CN113158124A (zh) 2021-02-19 2021-02-19 基于人工智能的数据处理方法、装置及存储介质

Publications (1)

Publication Number Publication Date
CN113158124A true CN113158124A (zh) 2021-07-23

Family

ID=76883218

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110188996.3A Pending CN113158124A (zh) 2021-02-19 2021-02-19 基于人工智能的数据处理方法、装置及存储介质

Country Status (1)

Country Link
CN (1) CN113158124A (zh)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114339772A (zh) * 2021-11-19 2022-04-12 煤炭科学技术研究院有限公司 一种资源配置方法、装置及电子设备
CN116227961A (zh) * 2022-12-05 2023-06-06 贝壳找房(北京)科技有限公司 一种资源分配方法、装置、设备及计算机可读存储介质

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20150142696A1 (en) * 2013-07-25 2015-05-21 Anton Issinski Investment management system accuracy increasing method
CN110084496A (zh) * 2019-04-15 2019-08-02 北京三快在线科技有限公司 一种资源分配方法及装置
CN110472889A (zh) * 2019-08-22 2019-11-19 泰康保险集团股份有限公司 资源配置方法、资源配置装置、存储介质与电子设备
CN110580649A (zh) * 2018-06-08 2019-12-17 北京京东尚科信息技术有限公司 一种商品潜力值的确定方法和装置

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20150142696A1 (en) * 2013-07-25 2015-05-21 Anton Issinski Investment management system accuracy increasing method
CN110580649A (zh) * 2018-06-08 2019-12-17 北京京东尚科信息技术有限公司 一种商品潜力值的确定方法和装置
CN110084496A (zh) * 2019-04-15 2019-08-02 北京三快在线科技有限公司 一种资源分配方法及装置
CN110472889A (zh) * 2019-08-22 2019-11-19 泰康保险集团股份有限公司 资源配置方法、资源配置装置、存储介质与电子设备

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114339772A (zh) * 2021-11-19 2022-04-12 煤炭科学技术研究院有限公司 一种资源配置方法、装置及电子设备
CN114339772B (zh) * 2021-11-19 2023-04-07 煤炭科学技术研究院有限公司 一种资源配置方法、装置及电子设备
CN116227961A (zh) * 2022-12-05 2023-06-06 贝壳找房(北京)科技有限公司 一种资源分配方法、装置、设备及计算机可读存储介质
CN116227961B (zh) * 2022-12-05 2024-04-09 贝壳找房(北京)科技有限公司 一种资源分配方法、装置、设备及计算机可读存储介质

Similar Documents

Publication Publication Date Title
CN108846520B (zh) 贷款逾期预测方法、装置以及计算机可读存储介质
CN109285070A (zh) 基金的持仓调整方法及装置、存储介质、计算机设备
CN108537460A (zh) 用户风险预测方法及系统
CN111738852A (zh) 业务数据处理方法、装置和服务器
CN113158124A (zh) 基于人工智能的数据处理方法、装置及存储介质
CN111667307B (zh) 一种理财产品销量的预测方法及装置
CN112597745A (zh) 一种智能图表的生成方法、装置、计算机系统及可读存储介质
JP2016099915A (ja) 与信審査用サーバと与信審査用システム及び与信審査用プログラム
CN111209930A (zh) 一种生成授信策略的方法、装置和电子设备
CN108256667A (zh) 资产数据处理方法、装置、存储介质和计算机设备
CN116167646A (zh) 基于交易算法的评价方法、装置、设备及存储介质
CN113298120B (zh) 基于融合模型的用户风险预测方法、系统和计算机设备
CN113298510A (zh) 一种扣款指令发起方法及装置
CN113222767A (zh) 指数化证券组合的数据处理方法及装置
CN114240599A (zh) 贷款测算方法、装置、计算机设备和存储介质
CN114925275A (zh) 产品推荐方法、装置、计算机设备及存储介质
CN113379531A (zh) 银行客户存款总额预测方法及装置
CN110020738B (zh) 用于数据处理的方法、装置、电子设备及计算机可读介质
CN113935826B (zh) 一种基于用户隐私的信贷账户管理方法及系统
CN116542831B (zh) 招生数据的处理方法、装置、电子设备及存储介质
CN115879608A (zh) 资源信息预测方法、装置、计算机设备和存储介质
US20220318900A1 (en) Method and apparatus to process data
Blatter et al. Market Risks
US20210065303A1 (en) System and method for rapid genetic algorithm-based portfolio generation
Aliheidari Bioki et al. Adaptive DEA for clustering of credit clients

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