CN113269359A - 用户财务状况预测方法、设备、介质及计算机程序产品 - Google Patents
用户财务状况预测方法、设备、介质及计算机程序产品 Download PDFInfo
- Publication number
- CN113269359A CN113269359A CN202110553289.XA CN202110553289A CN113269359A CN 113269359 A CN113269359 A CN 113269359A CN 202110553289 A CN202110553289 A CN 202110553289A CN 113269359 A CN113269359 A CN 113269359A
- Authority
- CN
- China
- Prior art keywords
- financial
- prediction
- model
- user
- training
- 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
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
- 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)
- Strategic Management (AREA)
- Accounting & Taxation (AREA)
- Finance (AREA)
- Economics (AREA)
- General Business, Economics & Management (AREA)
- Marketing (AREA)
- Human Resources & Organizations (AREA)
- Physics & Mathematics (AREA)
- Development Economics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Game Theory and Decision Science (AREA)
- Technology Law (AREA)
- Entrepreneurship & Innovation (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Tourism & Hospitality (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本申请公开了一种用户财务状况预测方法,所述用户财务状况预测方法包括:获取目标用户对应的各预设数据类型的财务数据,并生成各所述财务数据对应的目标财务特征;基于联邦财务预测模型和各目标财务特征,通过联合第二设备中目标用户对应的本地财务数据,对目标用户进行财务状况预测,获得初始财务状况预测结果;对初始财务状况预测结果进行针对于联邦财务预测模型的模型解释,以评估各财务数据的篡改程度,获得篡改程度评估结果;基于篡改程度评估结果、联邦财务预测模型和各目标财务特征,通过联合所述第二设备中本地财务数据,对目标用户进行二次财务状况预测,获得目标财务状况预测结果。本申请解决了财务状况分析准确度低的技术问题。
Description
技术领域
本申请涉及的人工智能技术领域,尤其涉及一种用户财务状况预测方法、设备、介质及计算机程序产品。
背景技术
随着计算机软件和人工智能、大数据云服务应用的不断发展,人工智能技术的应用也越来越广泛。财务运营情况是一个企业发展的命脉,主宰着企业的发展趋向。目前,通常由财务工作人员对企业用户的财务状况进行统计计算,但是由于财务状况分析常常会与财务人员的主观性相关联,导致财务分析结果具有较大的误差,且财务人员也可在进行财务状况分析时,对财务数据进行篡改,进而将进一步降低企业用户的财务分析的准确性。
发明内容
本申请的主要目的在于提供一种用户财务状况预测方法、设备、介质及计算机程序产品,旨在解决现有技术中财务状况分析准确度低的技术问题。
为实现上述目的,本申请提供一种用户财务状况预测方法,所述用户财务状况预测方法应用于第一设备,所述用户财务状况预测方法包括:
获取目标用户对应的各预设数据类型的财务数据,并基于各所述预设数据类型对应的特征提取模型,分别对各所述财务数据进行特征提取,获得各目标财务特征;
基于联邦财务预测模型和各所述目标财务特征,通过联合第二设备中所述目标用户对应的本地财务数据,对所述目标用户进行财务状况预测,获得初始财务状况预测结果;
对所述初始财务状况预测结果进行针对于所述联邦财务预测模型的模型解释,以评估各所述财务数据的篡改程度,获得篡改程度评估结果;
基于所述篡改程度评估结果、所述联邦财务预测模型和各所述目标财务特征,通过联合所述第二设备中所述目标用户对应的本地财务数据,对所述目标用户进行二次财务状况预测,获得目标财务状况预测结果。
本申请还提供一种用户财务状况预测装置,所述用户财务状况预测装置为虚拟装置,且所述用户财务状况预测装置应用于第一设备,所述用户财务状况预测装置包括:
特征提取模块,用于获取目标用户对应的各预设数据类型的财务数据,并基于各所述预设数据类型对应的特征提取模型,分别对各所述财务数据进行特征提取,获得各目标财务特征;
第一联邦预测模块,用于基于联邦财务预测模型和各所述目标财务特征,通过联合第二设备中所述目标用户对应的本地财务数据,对所述目标用户进行财务状况预测,获得初始财务状况预测结果;
模型解释模块,用于对所述初始财务状况预测结果进行针对于所述联邦财务预测模型的模型解释,以评估各所述财务数据的篡改程度,获得篡改程度评估结果;
第二联邦预测模块,用于基于所述篡改程度评估结果、所述联邦财务预测模型和各所述目标财务特征,通过联合所述第二设备中所述目标用户对应的本地财务数据,对所述目标用户进行二次财务状况预测,获得目标财务状况预测结果。
本申请还提供一种用户财务状况预测设备,所述用户财务状况预测设备为实体设备,所述用户财务状况预测设备包括:存储器、处理器以及存储在所述存储器上并可在所述处理器上运行的所述用户财务状况预测方法的程序,所述用户财务状况预测方法的程序被处理器执行时可实现如上述的用户财务状况预测方法的步骤。
本申请还提供一种可读存储介质,所述可读存储介质上存储有实现用户财务状况预测方法的程序,所述用户财务状况预测方法的程序被处理器执行时实现如上述的用户财务状况预测方法的步骤。
本申请还提供一种计算机程序产品,包括计算机程序,所述计算机程序被处理器执行时实现如上述的用户财务状况预测方法的步骤。
本申请提供了一种用户财务状况预测方法、设备、介质及计算机程序产品,相比于现有技术采用的由财务工作人员对企业用户的财务状况进行统计计算的技术手段,本申请首先获取目标用户对应的各预设数据类型的财务数据,并基于各所述预设数据类型对应的特征提取模型,分别对各所述财务数据进行特征提取,获得各目标财务特征,进而基于联邦财务预测模型和各所述目标财务特征,通过联合第二设备中所述目标用户对应的本地财务数据,对所述目标用户进行财务状况预测,获得初始财务状况预测结果,进而实现了基于各种预设数据类型的财务数据,客观评估目标用户的财务状况的目的,提升了财务状况评估的准确性,进一步地,对所述初始财务状况预测结果进行针对于所述联邦财务预测模型的模型解释,以评估各所述财务数据的篡改程度,获得篡改程度评估结果,实现了基于模型解释的方式判别财务数据是否被篡改以及篡改的程度的目的,进而基于所述篡改程度评估结果、所述联邦财务预测模型和各所述目标财务特征,通过联合所述第二设备中所述目标用户对应的本地财务数据,对所述目标用户进行二次财务状况预测,获得目标财务状况预测结果,进而实现了结合篡改程度评估结果,重新预测目标用户的财务状况的目的,避免了由于财务数据被篡改而导致财务状况预测准确度变低的情况发生,进而进一步提升了财务状况预测的准确度,所以,克服了由于财务状况分析常常会与财务人员的主观性相关联,导致财务分析结果具有较大的误差,且财务人员也可在进行财务状况分析时,对财务数据进行篡改,进而将进一步降低企业用户的财务分析的准确性的技术缺陷,所以,提升了财务状况分析的准确度。
附图说明
此处的附图被并入说明书中并构成本说明书的一部分,示出了符合本申请的实施例,并与说明书一起用于解释本申请的原理。
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,对于本领域普通技术人员而言,在不付出创造性劳动性的前提下,还可以根据这些附图获得其他的附图。
图1为本申请用户财务状况预测方法第一实施例的流程示意图;
图2为本申请用户财务状况预测方法第二实施例的流程示意图;
图3为本申请实施例中用户财务状况预测方法涉及的硬件运行环境的设备结构示意图。
本申请目的实现、功能特点及优点将结合实施例,参照附图做进一步说明。
具体实施方式
应当理解,此处所描述的具体实施例仅用以解释本申请,并不用于限定本申请。
本申请实施例提供一种用户财务状况预测方法,在本申请用户财务状况预测方法的第一实施例中,参照图1,所述用户财务状况预测方法应用于第一设备,所述用户财务状况预测方法包括:
步骤S10,获取目标用户对应的各预设数据类型的财务数据,并基于各所述预设数据类型对应的特征提取模型,分别对各所述财务数据进行特征提取,获得各目标财务特征;
在本实施例中,需要说明的是,所述目标用户可以为企业用户,也可以为个人用户,所述预设数据类型可以设置为根据数据本身的类型确定数据类型,例如,银行流水类型数据、发票类型数据和支付工具流水类型数据等,也即可以根据数据对应的数据源确定的数据,例如,预设数据类型A为来自数据源A(银行)的数据的所属类型,预设数据类型B为来自数据源B(支付工具)的数据的所属类型等,且不同的预设数据类型对应不同的特征提取模型。
获取目标用户对应的各预设数据类型的财务数据,并基于各所述预设数据类型对应的特征提取模型,分别对各所述财务数据进行特征提取,获得各目标财务特征,具体地,获取目标用户对应的各预设数据类型的财务数据,进而基于各所述预设数据类型对应的特征提取模型,分别对各所述财务数据进行特征提取,以分别将每一所述财务数据映射为预设维度的向量,获得各所述财务数据对应的目标财务特征。
步骤S20,基于联邦财务预测模型和各所述目标财务特征,通过联合第二设备中所述目标用户对应的本地财务数据,对所述目标用户进行财务状况预测,获得初始财务状况预测结果;
在本实施例中,需要说明的是,所述联邦财务预测模型为第一设备与第二设备进行纵向联邦学习建模构建的纵向联邦模型,用于基于第一设备中的财务数据,预测用户的财务状况,相同地,第二设备持有所述联邦财务预测模型对应的本地联邦财务预测模型,所述本地联邦财务预测模型为第二设备与第一设备进行纵向联邦学习建模构建的纵向联邦模型,用于基于第二设备中的财务数据,预测用户的财务状况,其中,所述第一设备在纵向联邦学习的过程中得到所述联邦财务预测模型。
基于联邦财务预测模型和各所述目标财务特征,通过联合第二设备中所述目标用户对应的本地财务数据,对所述目标用户进行财务状况预测,获得初始财务状况预测结果,具体地,基于预设初始组合权重,将各所述目标财务特征拼接为初始组合财务特征,进而通过将所述初始组合财务特征输入所述联邦财务预测模型执行模型预测,对所述目标用户进行财务状况预测,获得第一方初始财务状况预测结果,相同地,所述第二设备通过将本地财务数据转换为本地财务特征输入本地联邦财务预测模型执行模型预测,对所述目标用户进行财务状况预测,获得第二方初始财务状况预测结果,进而第一设备接收第二设备发送的第二方初始财务状况预测结果,基于预设聚合规则,聚合所述第一方初始财务状况预测结果和所述第二方初始财务状况预测结果,获得初始财务状况预测结果,其中,所述预设聚合规则包括求和以及加权求平均等。
步骤S30,对所述初始财务状况预测结果进行针对于所述联邦财务预测模型的模型解释,以评估各所述财务数据的篡改程度,获得篡改程度评估结果;
在本实施例中,对所述初始财务状况预测结果进行针对于所述联邦财务预测模型的模型解释,以评估各所述财务数据的篡改程度,获得篡改程度评估结果,具体地,对所述初始财务状况预测结果进行针对于所述联邦财务预测模型的模型解释,以分别计算各目标财务特征对所述联邦财务预测模型生成所述初始财务状况预测结果的特征贡献度,进而基于各所述特征贡献度,评估各所述目标财务特征对应的财务数据的篡改程度,获得篡改程度评估结果。
其中,所述对所述初始财务状况预测结果进行针对于所述联邦财务预测模型的模型解释,以评估各所述财务数据的篡改程度,获得篡改程度评估结果的步骤包括:
步骤S31,基于所述联邦财务预测模型,分别计算各所述目标财务特征对所述初始财务状况预测结果的特征贡献度;
在本实施例中,需要说明的是,所述特征贡献度为所述目标财务特征对所述初始财务状况预测结果的影响程度,其中,所述特征贡献度包括正特征贡献度和负特征贡献度,其中,正特征贡献度表示对所述初始财务状况预测结果具有正向的影响,负特征贡献度表示对所述初始财务状况预测结果具有负向的影响,例如,例如所述初始财务状况预测结果为财务运营状况风险高,则正特征贡献度表示对财务运营状况的风险的提升具备正向激励作用,负特征贡献度表示对财务运营状况的风险的提升具备负向激励作用。
基于所述联邦财务预测模型,分别计算各所述目标财务特征对所述初始财务状况预测结果的特征贡献度,具体地,基于所述联邦财务预测模型,通过预设特征贡献度计算方式,分别计算各所述目标财务特征对所述初始财务状况预测结果的特征贡献度,其中,所述预设特征贡献度计算方式包括SHAP(SHapley Additive exPlanations,沙普利可加性模型解释)和LIME(Local Interpretable Model-Agnostic Explanations,模型无关局部解释)等。
步骤S32,基于各所述特征贡献度,评估各所述财务数据的篡改程度,获得篡改程度评估结果。
在本实施例中,基于各所述特征贡献度,评估各所述财务数据的篡改程度,获得篡改程度评估结果,具体地,基于各所述特征贡献度的取值分布,判别各所述特征贡献度中是否存在异常特征贡献度,若存在,则确定所述异常特征贡献度对应的财务数据被篡改,除所述异常特征贡献度之外的特征贡献度对应的财务数据未被篡改,也即篡改程度为0,进而基于所述异常特征贡献度的取值大小,评估对应的财务数据的篡改程度,进而获得各所述财务数据共同对应的篡改程度评估结果,其中,所述篡改程度评估结果可以用篡改程度评估向量进行表示,所述篡改程度评估向量中每个比特位上的值均为一财务数据对应的表示篡改程度的数值,例如,假设所述篡改程度评估向量为(0,0.9),则0表示A类财务数据的篡改程度为0,0.9表示B类财务数据的篡改程度为90%。
其中,所述基于各所述特征贡献度,评估各所述财务数据的篡改程度,获得篡改程度评估结果的步骤包括:
步骤S321,基于预设异常判别模型,对各所述特征贡献度进行异常特征贡献度判别,获得异常判别结果;
在本实施例中,需要说明的是,所述预设异常判别模型为预先设置好的用于判别各所述特征贡献度是否存在取值分布异常的机器学习模型。
基于预设异常判别模型,对各所述特征贡献度进行异常特征贡献度判别,获得异常判别结果,具体地,将各所述特征贡献度拼接为由各所述特征贡献度组成的特征贡献度向量,并通过将所述特征贡献度向量输入预设异常判别模型执行模型判别,对各所述特征贡献度进行异常特征贡献度判别,获得异常判别结果,在一种可实施的方式中,可设置所述异常判别结果为由0和其他不为0的数值组成的向量,0表示该比特位对应的特征贡献度不为异常特征贡献度,其他不为0的数值表示该比特位对应的特征贡献度为异常特征贡献度,且其他不为0的数值的大小表示对应的财务数据的篡改程度。
步骤S322,基于所述异常判别结果,评估各所述财务数据的篡改程度,获得篡改程度评估结果。
在本实施例中,基于所述异常判别结果,评估各所述财务数据的篡改程度,获得篡改程度评估结果,具体地,基于所述异常判别结果中各数值取值大小,确定各所述财务数据的篡改程度,获得篡改程度评估结果,其中,所述篡改程度评估结果包括各所述财务数据的篡改程度。
步骤S40,基于所述篡改程度评估结果、所述联邦财务预测模型和各所述目标财务特征,通过联合所述第二设备中所述目标用户对应的本地财务数据,对所述目标用户进行二次财务状况预测,获得目标财务状况预测结果。
在本实施例中,基于所述篡改程度评估结果、所述联邦财务预测模型和各所述目标财务特征,通过联合所述第二设备中所述目标用户对应的本地财务数据,对所述目标用户进行二次财务状况预测,获得目标财务状况预测结果,具体地,基于所述篡改程度评估结果,更新各所述预设初始组合权重,获得各组合权重,并基于各所述组合权重,对各所述目标财务特征进行加权拼接,获得组合财务特征,进而通过将所述组合财务特征输入所述联邦财务预测模型执行模型预测,对所述目标用户进行财务状况预测,获得财务状况预测结果,相同地,所述第二设备通过将本地财务数据转换为本地财务特征输入本地联邦财务预测模型执行模型预测,对所述目标用户进行财务状况预测,获得本地财务状况预测结果,进而第一设备接收第二设备发送的本地财务状况预测结果,基于预设聚合规则,聚合所述财务状况预测结果和所述本地财务状况预测结果,获得目标财务状况预测结果,其中,所述预设聚合规则包括求和以及加权求平均等。
其中,所述基于所述篡改程度评估结果、所述联邦财务预测模型和各所述目标财务特征,通过联合所述第二设备中所述目标用户对应的本地财务数据,对所述目标用户进行二次财务状况预测,获得目标财务状况预测结果的步骤包括:
步骤S41,基于所述篡改程度评估结果,生成各所述目标财务特征对应的组合权重;
在本实施例中,需要说明的是,所述篡改程度评估结果至少包括一篡改程度表示值。
基于所述篡改程度评估结果,生成各所述目标财务特征对应的组合权重,具体地,基于各所述目标财务特征在所述篡改程度评估结果中对应的篡改程度表示值的大小,优化各所述目标财务特征对应的预设初始组合权重,获得各组合权重,例如,假设所述篡改程度表示值为0.5,所述预设初始组合权重为0.6,则所述组合权重为0.6*(1-0.5)=0.3。
步骤S42,基于各所述组合权重,对各所述目标财务特征进行加权组合,获得组合财务特征;
在本实施例中,基于各所述组合权重,对各所述目标财务特征进行加权组合,获得组合财务特征,具体地,基于各所述组合权重,对各所述组合权重对应的目标财务特征进行加权拼接,获得组合财务特征,例如,假设各所述组合权重分别为0.1、0.5和0.4,对应的各所述目标财务特征分别为A、B和C,进而所述组合财务特征为0.1A拼接上0.5B,再拼接上0.4C。
步骤S43,基于所述组合财务特征和所述联邦财务预测模型,通过联合所述第二设备中所述目标用户对应的本地财务数据,对所述目标用户进行二次财务状况预测,获得目标财务状况预测结果。
其中,所述基于所述组合财务特征和所述联邦财务预测模型,通过联合所述第二设备中所述目标用户对应的本地财务数据,对所述目标用户进行二次财务状况预测,获得目标财务状况预测结果的步骤包括:
步骤S431,基于所述联邦财务预测模型和所述组合财务特征,预测所述目标用户的财务状况,获得财务状况预测结果;
在本实施例中,基于所述联邦财务预测模型和所述组合财务特征,预测所述目标用户的财务状况,获得财务状况预测结果,具体地,通过将所述组合财务特征输入所述联邦财务预测模型执行模型预测,预测目标用户的财务状况,获得财务状况预测结果。
步骤S432,接收第二设备发送的本地财务状况预测结果,其中,所述本地财务状况预测结果由所述第二设备基于获取的本地财务数据和所述联邦财务预测模型对应的本地联邦财务预测模型,预测所述目标用户的财务状况生成;
在本实施例中,需要说明的是,所述第二设备获取所述目标用户的本地财务数据,并对所述本地财务数据进行特征提取,获得本地财务特征,并通过将所述本地财务特征输入本地联邦财务预测模型执行模型预测,预测所述目标用户的财务状况,获得本地财务状况预测结果。
步骤S433,对所述财务状况预测结果和所述本地财务状况预测结果进行聚合,获得所述目标财务状况预测结果。
在本实施例中,需要说明的是,所述聚合的方式包括求和以及加权平均等。
本申请实施例提供了一种用户财务状况预测方法,相比于现有技术采用的由财务工作人员对企业用户的财务状况进行统计计算的技术手段,本申请实施例首先获取目标用户对应的各预设数据类型的财务数据,并基于各所述预设数据类型对应的特征提取模型,分别对各所述财务数据进行特征提取,获得各目标财务特征,进而基于联邦财务预测模型和各所述目标财务特征,通过联合第二设备中所述目标用户对应的本地财务数据,对所述目标用户进行财务状况预测,获得初始财务状况预测结果,进而实现了基于各种预设数据类型的财务数据,客观评估目标用户的财务状况的目的,提升了财务状况评估的准确性,进一步地,对所述初始财务状况预测结果进行针对于所述联邦财务预测模型的模型解释,以评估各所述财务数据的篡改程度,获得篡改程度评估结果,实现了基于模型解释的方式判别财务数据是否被篡改以及篡改的程度的目的,进而基于所述篡改程度评估结果、所述联邦财务预测模型和各所述目标财务特征,通过联合所述第二设备中所述目标用户对应的本地财务数据,对所述目标用户进行二次财务状况预测,获得目标财务状况预测结果,进而实现了结合篡改程度评估结果,重新预测目标用户的财务状况的目的,避免了由于财务数据被篡改而导致财务状况预测准确度变低的情况发生,进而进一步提升了财务状况预测的准确度,所以,克服了由于财务状况分析常常会与财务人员的主观性相关联,导致财务分析结果具有较大的误差,且财务人员也可在进行财务状况分析时,对财务数据进行篡改,进而将进一步降低企业用户的财务分析的准确性的技术缺陷,所以,提升了财务状况分析的准确度。
进一步地,参照图2,基于本申请中第一实施例,在本申请另一实施例中,在所述基于联邦财务预测模型和各所述目标财务特征,通过联合第二设备中所述目标用户对应的本地财务数据,对所述目标用户进行财务状况预测,获得初始财务状况预测结果的步骤之前,所述用户财务状况预测方法还包括:
步骤A10,获取训练用户对应的各预设数据类型的训练财务数据以及对应的真实标签,并生成各所述训练财务数据对应的训练财务特征;
在本实施例中,需要说明的是,所述真实标签为所述训练用户的财务状况的标签,用于标识所述训练用户的财务运营是风险高还是风险低。
获取训练用户对应的各预设数据类型的训练财务数据以及对应的真实标签,并生成各所述训练财务数据对应的训练财务特征,具体地,获取训练用户对应的各预设数据类型的训练财务数据以及对应的真实标签,并基于各所述预设数据类型对应的特征提取模型,分别对各自对应的训练财务数据进行特征提取,获得各所述训练财务数据对应的训练财务特征。
步骤A20,基于待训练联邦财务预测模型和各所述训练财务特征,通过联合第二设备中所述训练用户对应的本地训练财务数据,对所述训练用户进行财务状况预测,获得初始训练预测结果;
在本实施例中,基于待训练联邦财务预测模型和各所述训练财务特征,通过联合第二设备中所述训练用户对应的本地训练财务数据,对所述训练用户进行财务状况预测,获得初始训练预测结果,具体地,基于预设初始组合权重,将各所述训练财务特征拼接为初始训练组合财务特征,进而通过将所述初始训练组合财务特征输入所述待训练联邦财务预测模型执行模型预测,对所述训练用户进行财务状况预测,获得第一方初始训练预测结果,相同地,所述第二设备通过将本地训练财务数据转换为本地训练财务特征输入待训练本地联邦财务预测模型执行模型预测,对所述训练用户进行财务状况预测,获得第二方初始训练预测结果,进而第一设备接收第二设备发送的第二方初始训练预测结果,基于预设聚合规则,聚合所述第一方初始训练预测结果和所述第二方初始训练预测结果,获得初始训练预测结果,其中,所述预设聚合规则包括求和以及加权求平均等。
步骤A30,对所述初始训练预测结果进行针对于所述待训练联邦财务预测模型的模型解释,以评估各所述训练财务数据的篡改程度,获得训练篡改程度评估结果;
在本实施例中,对所述初始训练预测结果进行针对于所述待训练联邦财务预测模型的模型解释,以评估各所述训练财务数据的篡改程度,获得训练篡改程度评估结果,具体地,对所述初始训练预测结果进行针对于所述待训练联邦财务预测模型的模型解释,以分别计算各训练财务特征对所述待训练联邦财务预测模型生成所述初始训练预测结果的特征贡献度,进而基于各所述训练财务特征对应的特征贡献度,评估各所述训练财务特征对应的训练财务数据的篡改程度,获得训练篡改程度评估结果,其中,执行模型解释的过程具体可参照步骤S30及其细化步骤中的内容,在此不再赘述。
步骤A40,基于所述训练篡改程度评估结果、所述待训练联邦财务预测模型和各所述训练财务特征,通过联合所述第二设备中所述训练用户对应的本地训练财务数据,对所述训练用户进行二次财务状况预测,获得目标训练预测结果;
在本实施例中,基于所述训练篡改程度评估结果、所述待训练联邦财务预测模型和各所述训练财务特征,通过联合所述第二设备中所述训练用户对应的本地训练财务数据,对所述训练用户进行二次财务状况预测,获得目标训练预测结果,具体地,基于所述训练篡改程度评估结果,更新各所述预设初始组合权重,获得各训练组合权重,并基于各所述训练组合权重,对各所述训练财务特征进行加权拼接,获得训练组合财务特征,进而通过将所述训练组合财务特征输入所述待训练联邦财务预测模型执行模型预测,对所述训练用户进行财务状况预测,获得训练财务状况预测结果,相同地,所述第二设备重新获取训练本地财务数据,进而通过将训练本地财务数据转换为训练本地财务特征输入待训练本地联邦财务预测模型执行模型预测,对所述目标用户进行财务状况预测,获得训练本地财务状况预测结果,进而第一设备接收第二设备发送的训练本地财务状况预测结果,基于预设聚合规则,聚合所述训练财务状况预测结果和所述训练本地财务状况预测结果,获得目标训练预测结果,其中,所述预设聚合规则包括求和以及加权求平均等。
步骤A50,基于所述真实标签、所述初始训练预测结果和所述目标训练预测结果,计算模型总损失;
在本实施例中,基于所述真实标签、所述初始训练预测结果和所述目标训练预测结果,计算模型总损失,具体地,基于所述真实标签和所述初始训练预测结果之间的差异度,计算第一模型损失,并基于所述真实标签和所述目标训练预测结果之间的差异度,计算第二模型损失,进而对所述第一模型损失和所述第二模型损失进行加权求和,获得所述模型总损失。
步骤A60,基于所述模型总损失,优化所述待训练联邦财务预测模型,获得所述联邦财务预测模型。
在本实施例中,基于所述模型总损失,优化所述待训练联邦财务预测模型,获得所述联邦财务预测模型,具体地,基于所述模型总损失计算的模型梯度,通过预设模型优化方法,优化所述待训练联邦财务预测模型,获得所述联邦财务预测模型,其中,所述预设模型优化方法包括梯度下降法以及梯度上升法等。
另外地,所述第一设备将所述模型总损失发送至第二设备,以供所述第二设备基于所述模型总损失,优化待训练本地联邦财务预测模型,获得本地联邦财务预测模型。
其中,所述基于所述模型总损失,优化所述待训练联邦财务预测模型,获得所述联邦财务预测模型的步骤包括:
步骤A61,判断所述模型总损失是否收敛;
在本实施例中,判断所述模型总损失是否收敛,具体地,判定所述模型总损失与预设收敛目标值之间差值是否小于预设差值大小阈值,若所述模型总损失与预设收敛目标值之间差值小于预设差值大小阈值,则判定所述模型总损失收敛,若所述模型总损失与预设收敛目标值之间差值不小于预设差值大小阈值,则判定所述模型总损失未收敛。
步骤A62,若是,则将所述待训练联邦财务预测模型作为所述联邦财务预测模型;
步骤A63,若否,则基于所述模型总损失,更新所述待训练联邦财务预测模型,并返回执行所述获取训练用户对应的各预设数据类型的训练财务数据以及对应的真实标签的步骤。
在本实施例中,若所述模型总损失收敛,则判定所述待训练联邦财务预测模型收敛,并将所述待训练联邦财务预测模型作为所述联邦财务预测模型,若所述模型总损失未收敛,则基于所述模型总损失对应的模型梯度,更新所述待训练联邦财务预测模型,并返回执行所述获取训练用户对应的各预设数据类型的训练财务数据以及对应的真实标签的步骤。
本申请实施例提供了一种基于联邦学习和模型解释构建联邦财务预测模型的方法,也即,获取训练用户对应的各预设数据类型的训练财务数据以及对应的真实标签,并生成各所述训练财务数据对应的训练财务特征,进而基于待训练联邦财务预测模型和各所述训练财务特征,通过联合第二设备中所述训练用户对应的本地训练财务数据,对所述训练用户进行财务状况预测,获得初始训练预测结果,进而对所述初始训练预测结果进行针对于所述待训练联邦财务预测模型的模型解释,以评估各所述训练财务数据的篡改程度,获得训练篡改程度评估结果,进而基于所述训练篡改程度评估结果、所述待训练联邦财务预测模型和各所述训练财务特征,通过联合所述第二设备中所述训练用户对应的本地训练财务数据,对所述训练用户进行二次财务状况预测,获得目标训练预测结果,进而基于所述真实标签、所述初始训练预测结果和所述目标训练预测结果,计算模型总损失,进而基于所述模型总损失,优化所述待训练联邦财务预测模型,获得所述联邦财务预测模型。实现了在基于联邦学习扩展训练样本的基础上,进一步通过模型解释扩展训练样本,进而提高了联邦财务预测模型的构建效率与构建效果,进而基于联邦财务预测模型,即可结合模型解释预测目标对应的财务状况,进而可实现结合篡改程度评估结果,重新预测目标用户的财务状况的目的,避免了由于财务数据被篡改而导致财务状况预测准确度变低的情况发生,进一步提升了财务状况预测的准确度,为克服由于财务状况分析常常会与财务人员的主观性相关联,导致财务分析结果具有较大的误差,且财务人员也可在进行财务状况分析时,对财务数据进行篡改,进而将进一步降低企业用户的财务分析的准确性的技术缺陷奠定了基础。
参照图3,图3是本申请实施例方案涉及的硬件运行环境的设备结构示意图。
如图3所示,该用户财务状况预测设备可以包括:处理器1001,例如CPU,存储器1005,通信总线1002。其中,通信总线1002用于实现处理器1001和存储器1005之间的连接通信。存储器1005可以是高速RAM存储器,也可以是稳定的存储器(non-volatile memory),例如磁盘存储器。存储器1005可选的还可以是独立于前述处理器1001的存储设备。
可选地,该用户财务状况预测设备还可以包括矩形用户接口、网络接口、摄像头、RF(Radio Frequency,射频)电路,传感器、音频电路、WiFi模块等等。矩形用户接口可以包括显示屏(Display)、输入子模块比如键盘(Keyboard),可选矩形用户接口还可以包括标准的有线接口、无线接口。网络接口可选的可以包括标准的有线接口、无线接口(如WI-FI接口)。
本领域技术人员可以理解,图3中示出的用户财务状况预测设备结构并不构成对用户财务状况预测设备的限定,可以包括比图示更多或更少的部件,或者组合某些部件,或者不同的部件布置。
如图3所示,作为一种计算机存储介质的存储器1005中可以包括操作系统、网络通信模块以及用户财务状况预测程序。操作系统是管理和控制用户财务状况预测设备硬件和软件资源的程序,支持用户财务状况预测程序以及其它软件和/或,程序的运行。网络通信模块用于实现存储器1005内部各组件之间的通信,以及与用户财务状况预测系统中其它硬件和软件之间通信。
在图3所示的用户财务状况预测设备中,处理器1001用于执行存储器1005中存储的用户财务状况预测程序,实现上述任一项所述的用户财务状况预测方法的步骤。
本申请用户财务状况预测设备具体实施方式与上述用户财务状况预测方法各实施例基本相同,在此不再赘述。
本申请实施例还提供一种用户财务状况预测装置,所述用户财务状况预测装置应用于第一设备,所述用户财务状况预测装置包括:
特征提取模块,用于获取目标用户对应的各预设数据类型的财务数据,并基于各所述预设数据类型对应的特征提取模型,分别对各所述财务数据进行特征提取,获得各目标财务特征;
第一联邦预测模块,用于基于联邦财务预测模型和各所述目标财务特征,通过联合第二设备中所述目标用户对应的本地财务数据,对所述目标用户进行财务状况预测,获得初始财务状况预测结果;
模型解释模块,用于对所述初始财务状况预测结果进行针对于所述联邦财务预测模型的模型解释,以评估各所述财务数据的篡改程度,获得篡改程度评估结果;
第二联邦预测模块,用于基于所述篡改程度评估结果、所述联邦财务预测模型和各所述目标财务特征,通过联合所述第二设备中所述目标用户对应的本地财务数据,对所述目标用户进行二次财务状况预测,获得目标财务状况预测结果。
可选地,所述第二联邦预测模块还用于:
基于所述篡改程度评估结果,生成各所述目标财务特征对应的组合权重;
基于各所述组合权重,对各所述目标财务特征进行加权组合,获得组合财务特征;
基于所述组合财务特征和所述联邦财务预测模型,通过联合所述第二设备中所述目标用户对应的本地财务数据,对所述目标用户进行二次财务状况预测,获得目标财务状况预测结果。
可选地,所述第二联邦预测模块还用于:
基于所述联邦财务预测模型和所述组合财务特征,预测所述目标用户的财务状况,获得财务状况预测结果;
接收第二设备发送的本地财务状况预测结果,其中,所述本地财务状况预测结果由所述第二设备基于获取的本地财务数据和所述联邦财务预测模型对应的本地联邦财务预测模型,预测所述目标用户的财务状况生成;
对所述财务状况预测结果和所述本地财务状况预测结果进行聚合,获得所述目标财务状况预测结果。
可选地,所述模型解释模块还用于:
基于所述联邦财务预测模型,分别计算各所述目标财务特征对所述初始财务状况预测结果的特征贡献度;
基于各所述特征贡献度,评估各所述财务数据的篡改程度,获得篡改程度评估结果。
可选地,所述模型解释模块还用于:
基于预设异常判别模型,对各所述特征贡献度进行异常特征贡献度判别,获得异常判别结果;
基于所述异常判别结果,评估各所述财务数据的篡改程度,获得篡改程度评估结果。
可选地,所述用户财务状况预测装置还用于:
获取训练用户对应的各预设数据类型的训练财务数据以及对应的真实标签,并生成各所述训练财务数据对应的训练财务特征;
基于待训练联邦财务预测模型和各所述训练财务特征,通过联合第二设备中所述训练用户对应的本地训练财务数据,对所述训练用户进行财务状况预测,获得初始训练预测结果;
对所述初始训练预测结果进行针对于所述待训练联邦财务预测模型的模型解释,以评估各所述训练财务数据的篡改程度,获得训练篡改程度评估结果;
基于所述训练篡改程度评估结果、所述待训练联邦财务预测模型和各所述训练财务特征,通过联合所述第二设备中所述训练用户对应的本地训练财务数据,对所述训练用户进行二次财务状况预测,获得目标训练预测结果;
基于所述真实标签、所述初始训练预测结果和所述目标训练预测结果,计算模型总损失;
基于所述模型总损失,优化所述待训练联邦财务预测模型,获得所述联邦财务预测模型。
可选地,所述用户财务状况预测装置还用于:
判断所述模型总损失是否收敛;
若是,则将所述待训练联邦财务预测模型作为所述联邦财务预测模型;
若否,则基于所述模型总损失,更新所述待训练联邦财务预测模型,并返回执行所述获取训练用户对应的各预设数据类型的训练财务数据以及对应的真实标签的步骤。
本申请用户财务状况预测装置的具体实施方式与上述用户财务状况预测方法各实施例基本相同,在此不再赘述。
本申请实施例提供了一种可读存储介质,且所述可读存储介质存储有一个或者一个以上程序,所述一个或者一个以上程序还可被一个或者一个以上的处理器执行以用于实现上述任一项所述的用户财务状况预测方法的步骤。
本申请可读存储介质具体实施方式与上述用户财务状况预测方法各实施例基本相同,在此不再赘述。
本申请实施例提供了一种计算机程序产品,且所述计算机程序产品包括有一个或者一个以上计算机程序,所述一个或者一个以上计算机程序还可被一个或者一个以上的处理器执行以用于实现上述任一项所述的用户财务状况预测方法的步骤。
本申请计算机程序产品具体实施方式与上述用户财务状况预测方法各实施例基本相同,在此不再赘述。
以上仅为本申请的优选实施例,并非因此限制本申请的专利范围,凡是利用本申请说明书及附图内容所作的等效结构或等效流程变换,或直接或间接运用在其他相关的技术领域,均同理包括在本申请的专利处理范围内。
Claims (10)
1.一种用户财务状况预测方法,其特征在于,所述用户财务状况预测方法应用于第一设备,所述用户财务状况预测方法包括:
获取目标用户对应的各预设数据类型的财务数据,并基于各所述预设数据类型对应的特征提取模型,分别对各所述财务数据进行特征提取,获得各目标财务特征;
基于联邦财务预测模型和各所述目标财务特征,通过联合第二设备中所述目标用户对应的本地财务数据,对所述目标用户进行财务状况预测,获得初始财务状况预测结果;
对所述初始财务状况预测结果进行针对于所述联邦财务预测模型的模型解释,以评估各所述财务数据的篡改程度,获得篡改程度评估结果;
基于所述篡改程度评估结果、所述联邦财务预测模型和各所述目标财务特征,通过联合所述第二设备中所述目标用户对应的本地财务数据,对所述目标用户进行二次财务状况预测,获得目标财务状况预测结果。
2.如权利要求1所述用户财务状况预测方法,其特征在于,所述基于所述篡改程度评估结果、所述联邦财务预测模型和各所述目标财务特征,通过联合所述第二设备中所述目标用户对应的本地财务数据,对所述目标用户进行二次财务状况预测,获得目标财务状况预测结果的步骤包括:
基于所述篡改程度评估结果,生成各所述目标财务特征对应的组合权重;
基于各所述组合权重,对各所述目标财务特征进行加权组合,获得组合财务特征;
基于所述组合财务特征和所述联邦财务预测模型,通过联合所述第二设备中所述目标用户对应的本地财务数据,对所述目标用户进行二次财务状况预测,获得目标财务状况预测结果。
3.如权利要求2所述用户财务状况预测方法,其特征在于,所述基于所述组合财务特征和所述联邦财务预测模型,通过联合所述第二设备中所述目标用户对应的本地财务数据,对所述目标用户进行二次财务状况预测,获得目标财务状况预测结果的步骤包括:
基于所述联邦财务预测模型和所述组合财务特征,预测所述目标用户的财务状况,获得财务状况预测结果;
接收第二设备发送的本地财务状况预测结果,其中,所述本地财务状况预测结果由所述第二设备基于获取的本地财务数据和所述联邦财务预测模型对应的本地联邦财务预测模型,预测所述目标用户的财务状况生成;
对所述财务状况预测结果和所述本地财务状况预测结果进行聚合,获得所述目标财务状况预测结果。
4.如权利要求1所述用户财务状况预测方法,其特征在于,所述对所述初始财务状况预测结果进行针对于所述联邦财务预测模型的模型解释,以评估各所述财务数据的篡改程度,获得篡改程度评估结果的步骤包括:
基于所述联邦财务预测模型,分别计算各所述目标财务特征对所述初始财务状况预测结果的特征贡献度;
基于各所述特征贡献度,评估各所述财务数据的篡改程度,获得篡改程度评估结果。
5.如权利要求4所述用户财务状况预测方法,其特征在于,所述基于各所述特征贡献度,评估各所述财务数据的篡改程度,获得篡改程度评估结果的步骤包括:
基于预设异常判别模型,对各所述特征贡献度进行异常特征贡献度判别,获得异常判别结果;
基于所述异常判别结果,评估各所述财务数据的篡改程度,获得篡改程度评估结果。
6.如权利要求1所述用户财务状况预测方法,其特征在于,在所述基于联邦财务预测模型和各所述目标财务特征,通过联合第二设备中所述目标用户对应的本地财务数据,对所述目标用户进行财务状况预测,获得初始财务状况预测结果的步骤之前,所述用户财务状况预测方法还包括:
获取训练用户对应的各预设数据类型的训练财务数据以及对应的真实标签,并生成各所述训练财务数据对应的训练财务特征;
基于待训练联邦财务预测模型和各所述训练财务特征,通过联合第二设备中所述训练用户对应的本地训练财务数据,对所述训练用户进行财务状况预测,获得初始训练预测结果;
对所述初始训练预测结果进行针对于所述待训练联邦财务预测模型的模型解释,以评估各所述训练财务数据的篡改程度,获得训练篡改程度评估结果;
基于所述训练篡改程度评估结果、所述待训练联邦财务预测模型和各所述训练财务特征,通过联合所述第二设备中所述训练用户对应的本地训练财务数据,对所述训练用户进行二次财务状况预测,获得目标训练预测结果;
基于所述真实标签、所述初始训练预测结果和所述目标训练预测结果,计算模型总损失;
基于所述模型总损失,优化所述待训练联邦财务预测模型,获得所述联邦财务预测模型。
7.如权利要求6所述用户财务状况预测方法,其特征在于,所述基于所述模型总损失,优化所述待训练联邦财务预测模型,获得所述联邦财务预测模型的步骤包括:
判断所述模型总损失是否收敛;
若是,则将所述待训练联邦财务预测模型作为所述联邦财务预测模型;
若否,则基于所述模型总损失,更新所述待训练联邦财务预测模型,并返回执行所述获取训练用户对应的各预设数据类型的训练财务数据以及对应的真实标签的步骤。
8.一种用户财务状况预测设备,其特征在于,所述用户财务状况预测设备包括:存储器、处理器以及存储在存储器上的用于实现所述用户财务状况预测方法的程序,
所述存储器用于存储实现用户财务状况预测方法的程序;
所述处理器用于执行实现所述用户财务状况预测方法的程序,以实现如权利要求1至7中任一项所述用户财务状况预测方法的步骤。
9.一种介质,所述介质为可读存储介质,其特征在于,所述可读存储介质上存储有实现用户财务状况预测方法的程序,所述实现用户财务状况预测方法的程序被处理器执行以实现如权利要求1至7中任一项所述用户财务状况预测方法的步骤。
10.一种计算程序产品,包括计算机程序,其特征在于,所述计算机程序被处理器执行时实现如权利要求1至7中任一项所述目标检测网络构建优化方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110553289.XA CN113269359B (zh) | 2021-05-20 | 2021-05-20 | 用户财务状况预测方法、设备、介质及计算机程序产品 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110553289.XA CN113269359B (zh) | 2021-05-20 | 2021-05-20 | 用户财务状况预测方法、设备、介质及计算机程序产品 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113269359A true CN113269359A (zh) | 2021-08-17 |
CN113269359B CN113269359B (zh) | 2022-11-15 |
Family
ID=77232090
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110553289.XA Active CN113269359B (zh) | 2021-05-20 | 2021-05-20 | 用户财务状况预测方法、设备、介质及计算机程序产品 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113269359B (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113657996A (zh) * | 2021-08-26 | 2021-11-16 | 深圳市洞见智慧科技有限公司 | 一种联邦学习中特征贡献度的确定方法、装置及电子设备 |
CN113902122A (zh) * | 2021-08-26 | 2022-01-07 | 杭州城市大脑有限公司 | 联邦模型协同训练方法、装置、计算机设备及存储介质 |
CN117541411A (zh) * | 2023-11-08 | 2024-02-09 | 厦门工学院 | 一种基于大数据处理的财务预测模型的构建方法及系统 |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20190156231A1 (en) * | 2017-11-17 | 2019-05-23 | Adobe Systems Incorporated | User segmentation using predictive model interpretation |
CN111539810A (zh) * | 2020-04-30 | 2020-08-14 | 深圳前海微众银行股份有限公司 | 防诈骗方法、装置、系统、设备及存储介质 |
CN111539774A (zh) * | 2020-04-30 | 2020-08-14 | 深圳前海微众银行股份有限公司 | 无形资产的价值评估方法、系统、终端设备及存储介质 |
CN111816312A (zh) * | 2020-09-14 | 2020-10-23 | 杭州憶盛医疗科技有限公司 | 基于模型解释的健康状态检测方法、设备及可读存储介质 |
CN112132277A (zh) * | 2020-09-21 | 2020-12-25 | 平安科技(深圳)有限公司 | 联邦学习模型训练方法、装置、终端设备及存储介质 |
CN112785144A (zh) * | 2021-01-18 | 2021-05-11 | 深圳前海微众银行股份有限公司 | 基于联邦学习的模型构建方法、设备及存储介质 |
CN112801489A (zh) * | 2021-01-21 | 2021-05-14 | 招商银行股份有限公司 | 诉讼案件风险检测方法、装置、设备和可读存储介质 |
-
2021
- 2021-05-20 CN CN202110553289.XA patent/CN113269359B/zh active Active
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20190156231A1 (en) * | 2017-11-17 | 2019-05-23 | Adobe Systems Incorporated | User segmentation using predictive model interpretation |
CN111539810A (zh) * | 2020-04-30 | 2020-08-14 | 深圳前海微众银行股份有限公司 | 防诈骗方法、装置、系统、设备及存储介质 |
CN111539774A (zh) * | 2020-04-30 | 2020-08-14 | 深圳前海微众银行股份有限公司 | 无形资产的价值评估方法、系统、终端设备及存储介质 |
CN111816312A (zh) * | 2020-09-14 | 2020-10-23 | 杭州憶盛医疗科技有限公司 | 基于模型解释的健康状态检测方法、设备及可读存储介质 |
CN112132277A (zh) * | 2020-09-21 | 2020-12-25 | 平安科技(深圳)有限公司 | 联邦学习模型训练方法、装置、终端设备及存储介质 |
CN112785144A (zh) * | 2021-01-18 | 2021-05-11 | 深圳前海微众银行股份有限公司 | 基于联邦学习的模型构建方法、设备及存储介质 |
CN112801489A (zh) * | 2021-01-21 | 2021-05-14 | 招商银行股份有限公司 | 诉讼案件风险检测方法、装置、设备和可读存储介质 |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113657996A (zh) * | 2021-08-26 | 2021-11-16 | 深圳市洞见智慧科技有限公司 | 一种联邦学习中特征贡献度的确定方法、装置及电子设备 |
CN113902122A (zh) * | 2021-08-26 | 2022-01-07 | 杭州城市大脑有限公司 | 联邦模型协同训练方法、装置、计算机设备及存储介质 |
CN117541411A (zh) * | 2023-11-08 | 2024-02-09 | 厦门工学院 | 一种基于大数据处理的财务预测模型的构建方法及系统 |
CN117541411B (zh) * | 2023-11-08 | 2024-06-11 | 厦门工学院 | 一种基于大数据处理的财务预测模型的构建方法及系统 |
Also Published As
Publication number | Publication date |
---|---|
CN113269359B (zh) | 2022-11-15 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN113269359B (zh) | 用户财务状况预测方法、设备、介质及计算机程序产品 | |
US10755196B2 (en) | Determining retraining of predictive models | |
CN113837596B (zh) | 一种故障确定方法、装置、电子设备及存储介质 | |
US8670782B2 (en) | Systems and methods for analyzing spatiotemporally ambiguous events | |
CN112905435B (zh) | 基于大数据的工作量评估方法、装置、设备及存储介质 | |
US12073297B2 (en) | System performance optimization | |
CN112801773A (zh) | 企业风险预警方法、装置、设备及存储介质 | |
CN104022899A (zh) | 一种网络管理系统的三维评估方法及系统 | |
CN117952100A (zh) | 数据处理的方法、装置、电子设备和存储介质 | |
CN113269433B (zh) | 税收风险预测方法、设备、介质及计算机程序产品 | |
KR101478935B1 (ko) | 리스크-프로파일 생성 장치 | |
CN115359322A (zh) | 一种目标检测模型训练方法、装置、设备和存储介质 | |
CN113590484A (zh) | 算法模型服务测试方法、系统、设备及存储介质 | |
CN113064812A (zh) | 一种项目开发过程质量缺陷预测方法、装置及介质 | |
CN113269431B (zh) | 库存风险预测方法、设备、介质及计算机程序产品 | |
CN111651753A (zh) | 用户行为分析系统及方法 | |
CN111352840B (zh) | 上线行为风险评估方法、装置、设备和可读存储介质 | |
CN116029578B (zh) | 服务对象业务水平检测方法、装置、电子设备及存储介质 | |
CN111274088B (zh) | 大数据平台实时监控方法、装置、介质及电子设备 | |
US20160154724A1 (en) | Non-functional evaluation assistance device, system, method, and program | |
Goyal et al. | Data-driven risk analysis for poles in the electric grid | |
CN115865409A (zh) | 一种代码风险检测方法、装置、设备及介质 | |
CN118363809A (zh) | 一种基于对比学习的多视角微服务异常诊断方法及系统 | |
CN117407761A (zh) | 资源转移方法、装置、设备、介质和程序产品 | |
CN118195546A (zh) | 基于云计算的项目预算智能管理系统及方法 |
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 |