CN114596011B - 基于人工智能的企业数据处理方法及相关装置 - Google Patents
基于人工智能的企业数据处理方法及相关装置 Download PDFInfo
- Publication number
- CN114596011B CN114596011B CN202210499485.8A CN202210499485A CN114596011B CN 114596011 B CN114596011 B CN 114596011B CN 202210499485 A CN202210499485 A CN 202210499485A CN 114596011 B CN114596011 B CN 114596011B
- Authority
- CN
- China
- Prior art keywords
- data
- index
- abnormal
- target
- 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.)
- Active
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
- G06Q10/06—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
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/243—Classification techniques relating to the number of classes
- G06F18/2433—Single-class perspective, e.g. one-against-all classification; Novelty detection; Outlier detection
-
- 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
- G06Q10/0639—Performance analysis of employees; Performance analysis of enterprise or organisation operations
- G06Q10/06393—Score-carding, benchmarking or key performance indicator [KPI] analysis
Landscapes
- Business, Economics & Management (AREA)
- Engineering & Computer Science (AREA)
- Human Resources & Organizations (AREA)
- Entrepreneurship & Innovation (AREA)
- Strategic Management (AREA)
- Economics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Educational Administration (AREA)
- Development Economics (AREA)
- Physics & Mathematics (AREA)
- Game Theory and Decision Science (AREA)
- Marketing (AREA)
- General Business, Economics & Management (AREA)
- Tourism & Hospitality (AREA)
- Quality & Reliability (AREA)
- Operations Research (AREA)
- Data Mining & Analysis (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- General Engineering & Computer Science (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明涉及人工智能领域,公开了一种基于人工智能的企业数据处理方法及相关装置,用于提高企业数据处理的准确率。所述方法包括:获取待处理的业务数据,并对业务数据进行指标数据提取,得到业务指标数据;对业务指标数据进行数据标准化处理,得到标准指标数据,并对标准指标数据进行特征筛选处理,得到特征指标数据:对特征指标数据进行异常数据提取,得到多个异常指标;根据异常指标映射函数分别对多个异常指标进行数值映射,得到目标数值,并对目标数值进行向量转换,得到目标输入向量;将目标输入向量输入风险预警模型进行风险预警,得到风险预警结果。
Description
技术领域
本发明涉及人工智能领域,尤其涉及一种基于人工智能的企业数据处理方法及相关装置。
背景技术
随着计算机技术的高速发展,企业在运营过程中的数据逐渐采用智能化的方式进行数据处理。目前业务数据处理的异常监控都已实现系统化管理,各模块也建立了异常监控标准。
但是现有方案大多通过人工操作,人工经验进行数据分析较为主观,分析方式不够智能化,导致现有方案的准确率不高。
发明内容
本发明提供了一种基于人工智能的企业数据处理方法及相关装置,用于提高企业数据处理的准确率。
本发明第一方面提供了一种基于人工智能的企业数据处理方法,所述基于人工智能的企业数据处理方法包括:基于预置的云监控平台获取待处理的目标企业对应的业务数据,并按照预置的指标特征对所述业务数据进行指标数据提取,得到所述业务数据对应的业务指标数据;获取所述业务指标数据的时间序列,并按照所述时间序列对所述业务指标数据进行数据标准化处理,得到标准指标数据,并对所述标准指标数据进行特征筛选处理,得到特征指标数据:根据预置的变量分布特征对所述特征指标数据进行异常数据提取,得到所述业务数据对应的多个异常指标;根据预置的异常指标映射函数分别对所述多个异常指标进行数值映射,得到每个异常指标对应的目标数值,并对每个异常指标对应的目标数值进行向量转换,得到目标输入向量;将所述目标输入向量输入预置的风险预警模型进行风险预警,得到所述目标企业对应的风险预警结果,其中,所述风险预警结果包括风险类型和风险等级。
可选的,在本发明第一方面的第一种实现方式中,所述基于预置的云监控平台获取待处理的目标企业对应的业务数据,并按照预置的指标特征对所述业务数据进行指标数据提取,得到所述业务数据对应的业务指标数据,包括:按照预设的时间周期并调用预置的网络爬虫爬取预置的云监控平台中与目标企业相关联的业务数据,其中,所述业务数据用于指示所述目标企业的数据量化表;基于预置的多个指标特征对应的特征关键词对所述数据量化表进行指标查询,并将所述数据量化表中与所述多个指标特征关键词相关联的数据项作为所述业务数据对应的业务指标数据。
可选的,在本发明第一方面的第二种实现方式中,所述获取所述业务指标数据的时间序列,并按照所述时间序列对所述业务指标数据进行数据标准化处理,得到标准指标数据,并对所述标准指标数据进行特征筛选处理,得到特征指标数据,包括:从所述云监控平台中提取所述业务指标数据对应的时间序列,其中,所述时间序列用于指示所述时间周期对应的时间节点;按照所述时间序列对所述业务指标数据进行数据整合,得到时序指标数据;对所述时序指标数据进行缺失值插值和数据衍生,得到标准指标数据;对所述标准指标数据进行变量清单筛选,得到特征指标数据。
可选的,在本发明第一方面的第三种实现方式中,所述根据预置的变量分布特征对所述特征指标数据进行异常数据提取,得到所述业务数据对应的多个异常指标,包括:提取所述特征指标数据对应的多个指标因子;分别计算所述多个指标因子和预设目标值的比值,得到每个指标因子对应的比值;根据每个指标因子对应的比值对所述多个指标因子进行异常数据划分;若每个指标因子对应的比值大于预设阈值,则将所述比值对应的指标因子作为所述业务数据对应的异常指标;若每个指标因子对应的比值小于或等于预设阈值,则将所述比值对应的指标因子确定为正常指标。
可选的,在本发明第一方面的第四种实现方式中,所述根据预置的异常指标映射函数分别对所述多个异常指标进行数值映射,得到每个异常指标对应的目标数值,并对每个异常指标对应的目标数值进行向量转换,得到目标输入向量,包括:根据预置的异常指标映射函数分别对所述多个异常指标进行数值映射,得到每个异常指标对应的目标数值;分别对每个异常指标对应的目标数值进行异常评价权重计算,得到加权目标数值;按照所述时间序列对所述加权目标数值进行排列,得到目标序列,并将所述目标序列转换为向量格式,得到目标输入向量。
可选的,在本发明第一方面的第五种实现方式中,所述将所述目标输入向量输入预置的风险预警模型进行风险预警,得到所述目标企业对应的风险预警结果,其中,所述风险预警结果包括风险类型和风险等级,包括:将所述目标输入向量输入预置的风险预警模型,其中,所述风险预警模型包括编码器和解码器,所述编码器包括卷积层和池化层,所述解码器包括反卷积层和卷积层;将所述目标输入向量输入所述编码器中的卷积层进行卷积运算,得到特征向量;将所述特征向量输入所述编码器中的池化层进行特征编码,得到编码向量;将所述编码向量输入所述解码器中的反卷积层进行向量转换,得到转换向量;将所述转换向量输入所述解码器中的卷积层进行向量重构,得到输出向量;对所述输出向量和所述目标输入向量进行向量元素比对,并生成风险类型;计算所述输出向量和所述目标输入向量之间的损失值,并根据所述损失值确定风险等级;将所述风险类型和所述风险等级作为风险预警结果并输出。
可选的,在本发明第一方面的第六种实现方式中,在所述将所述目标输入向量输入预置的风险预警模型进行风险预警,得到所述目标企业对应的风险预警结果,其中,所述风险预警结果包括风险类型和风险等级之后,所述基于人工智能的企业数据处理方法还包括:将所述风险预警结果存储至预设的数据库中,并根据所述风险预警结果生成所述目标企业对应的异常处理方案。
本发明第二方面提供了一种基于人工智能的企业数据处理装置,所述基于人工智能的企业数据处理装置包括:获取模块,用于基于预置的云监控平台获取待处理的目标企业对应的业务数据,并按照预置的指标特征对所述业务数据进行指标数据提取,得到所述业务数据对应的业务指标数据;处理模块,用于获取所述业务指标数据的时间序列,并按照所述时间序列对所述业务指标数据进行数据标准化处理,得到标准指标数据,并对所述标准指标数据进行特征筛选处理,得到特征指标数据:提取模块,用于根据预置的变量分布特征对所述特征指标数据进行异常数据提取,得到所述业务数据对应的多个异常指标;转换模块,用于根据预置的异常指标映射函数分别对所述多个异常指标进行数值映射,得到每个异常指标对应的目标数值,并对每个异常指标对应的目标数值进行向量转换,得到目标输入向量;检测模块,用于将所述目标输入向量输入预置的风险预警模型进行风险预警,得到所述目标企业对应的风险预警结果,其中,所述风险预警结果包括风险类型和风险等级。
可选的,在本发明第二方面的第一种实现方式中,所述获取模块具体用于:按照预设的时间周期并调用预置的网络爬虫爬取预置的云监控平台中与目标企业相关联的业务数据,其中,所述业务数据用于指示所述目标企业的数据量化表;基于预置的多个指标特征对应的特征关键词对所述数据量化表进行指标查询,并将所述数据量化表中与所述多个指标特征关键词相关联的数据项作为所述业务数据对应的业务指标数据。
可选的,在本发明第二方面的第二种实现方式中,所述处理模块具体用于:从所述云监控平台中提取所述业务指标数据对应的时间序列,其中,所述时间序列用于指示所述时间周期对应的时间节点;按照所述时间序列对所述业务指标数据进行数据整合,得到时序指标数据;对所述时序指标数据进行缺失值插值和数据衍生,得到标准指标数据;对所述标准指标数据进行变量清单筛选,得到特征指标数据。
可选的,在本发明第二方面的第三种实现方式中,所述提取模块具体用于:提取所述特征指标数据对应的多个指标因子;分别计算所述多个指标因子和预设目标值的比值,得到每个指标因子对应的比值;根据每个指标因子对应的比值对所述多个指标因子进行异常数据划分;若每个指标因子对应的比值大于预设阈值,则将所述比值对应的指标因子作为所述业务数据对应的异常指标;若每个指标因子对应的比值小于或等于预设阈值,则将所述比值对应的指标因子确定为正常指标。
可选的,在本发明第二方面的第四种实现方式中,所述转换模块具体用于:根据预置的异常指标映射函数分别对所述多个异常指标进行数值映射,得到每个异常指标对应的目标数值;分别对每个异常指标对应的目标数值进行异常评价权重计算,得到加权目标数值;按照所述时间序列对所述加权目标数值进行排列,得到目标序列,并将所述目标序列转换为向量格式,得到目标输入向量。
可选的,在本发明第二方面的第五种实现方式中,所述检测模块具体用于:将所述目标输入向量输入预置的风险预警模型,其中,所述风险预警模型包括编码器和解码器,所述编码器包括卷积层和池化层,所述解码器包括反卷积层和卷积层;将所述目标输入向量输入所述编码器中的卷积层进行卷积运算,得到特征向量;将所述特征向量输入所述编码器中的池化层进行特征编码,得到编码向量;将所述编码向量输入所述解码器中的反卷积层进行向量转换,得到转换向量;将所述转换向量输入所述解码器中的卷积层进行向量重构,得到输出向量;对所述输出向量和所述目标输入向量进行向量元素比对,并生成风险类型;计算所述输出向量和所述目标输入向量之间的损失值,并根据所述损失值确定风险等级;将所述风险类型和所述风险等级作为风险预警结果并输出。
可选的,在本发明第二方面的第六种实现方式中,所述基于人工智能的企业数据处理装置还包括:生成模块,用于将所述风险预警结果存储至预设的数据库中,并根据所述风险预警结果生成所述目标企业对应的异常处理方案。
本发明第三方面提供了一种基于人工智能的企业数据处理设备,包括:存储器和至少一个处理器,所述存储器中存储有指令;所述至少一个处理器调用所述存储器中的所述指令,以使得所述基于人工智能的企业数据处理设备执行上述的基于人工智能的企业数据处理方法。
本发明的第四方面提供了一种计算机可读存储介质,所述计算机可读存储介质中存储有指令,当其在计算机上运行时,使得计算机执行上述的基于人工智能的企业数据处理方法。
本发明提供的技术方案中,基于预置的云监控平台获取待处理的目标企业对应的业务数据,并按照预置的指标特征对所述业务数据进行指标数据提取,得到所述业务数据对应的业务指标数据;获取所述业务指标数据的时间序列,并按照所述时间序列对所述业务指标数据进行数据标准化处理,得到标准指标数据,并对所述标准指标数据进行特征筛选处理,得到特征指标数据:根据预置的变量分布特征对所述特征指标数据进行异常数据提取,得到所述业务数据对应的多个异常指标;根据预置的异常指标映射函数分别对所述多个异常指标进行数值映射,得到每个异常指标对应的目标数值,并对每个异常指标对应的目标数值进行向量转换,得到目标输入向量;将所述目标输入向量输入预置的风险预警模型进行风险预警,得到所述目标企业对应的风险预警结果,其中,所述风险预警结果包括风险类型和风险等级。本发明通过对业务数据进行异常指标特征筛选,有效的减少了非异常指标对检测结果的干扰,通过深度学习的风险预警模型对业务数据进行风险预警,提高了风险预警的准确率。
附图说明
图1为本发明实施例中基于人工智能的企业数据处理方法的一个实施例示意图;
图2为本发明实施例中基于人工智能的企业数据处理方法的另一个实施例示意图;
图3为本发明实施例中基于人工智能的企业数据处理装置的一个实施例示意图;
图4为本发明实施例中基于人工智能的企业数据处理装置的另一个实施例示意图;
图5为本发明实施例中基于人工智能的企业数据处理设备的一个实施例示意图。
具体实施方式
本发明实施例提供了一种基于人工智能的企业数据处理方法及相关装置,用于提高企业数据处理的准确率。本发明的说明书和权利要求书及上述附图中的术语“第一”、“第二”、“第三”、“第四”等(如果存在)是用于区别类似的对象,而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换,以便这里描述的实施例能够以除了在这里图示或描述的内容以外的顺序实施。此外,术语“包括”或“具有”及其任何变形,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、产品或设备不必限于清楚地列出的那些步骤或单元,而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。
为便于理解,下面对本发明实施例的具体流程进行描述,请参阅图1,本发明实施例中基于人工智能的企业数据处理方法的一个实施例包括:
101、基于预置的云监控平台获取待处理的目标企业对应的业务数据,并按照预置的指标特征对业务数据进行指标数据提取,得到业务数据对应的业务指标数据;
可以理解的是,本发明的执行主体可以为基于人工智能的企业数据处理装置,还可以是终端或者服务器,具体此处不做限定。本发明实施例以服务器为执行主体为例进行说明。
需要说明的是,该云监控平台是基于大数据构建,可以监控目标企业5-10年时间内的所有经营相关数据,通过该云监控平台监控多个与目标企业相关联的业务数据管理系统,每隔预设时间间隔通过网络爬虫从云监控平台中直接抓取目标企业的业务数据。其中,该业务数据包括财务指标数据、5年以上连续三表数据以及市场相关指标数据等。服务器按照预置的指标特征对业务数据进行指标数据提取,该指标特征包括数据来源、检查频率、项目大类、项目明细、差异类型、分数标准、风险等级等,服务器将爬取得到的业务数据按照上述指标特征进行数据查找,以进一步提高风险评估的有效性,最终生成业务数据对应的业务指标数据。
102、获取业务指标数据的时间序列,并按照时间序列对业务指标数据进行数据标准化处理,得到标准指标数据,并对标准指标数据进行特征筛选处理,得到特征指标数据:
具体的,该业务指标数据是按照时间序列形式呈现的,比如过去一段时间内,该目标企业在一些地区的运营资金占比、营运额等。当服务器获取该指标数据的时间序列后,根据该时间序列按时间轴顺序进行数据整合,数据整合时服务器对该指标数据进行数据清洗及数据类型转换,得到时序指标数据,由于数据整合后普遍存在数据缺失的情况,当完成对指标数据的整合后,服务器对进行缺失值补充得到标准指标数据后,对该标准数据进行筛选,得到特征指标数据,需要说明的是,本发明实施例中采用相关性过滤的方式对该标准指标数据进行特征筛选。
103、根据预置的变量分布特征对特征指标数据进行异常数据提取,得到业务数据对应的多个异常指标;
需要说明的是,服务器在根据预设的数据采集工具采集在指定网站中与所述业务数据关联的信息后,根据该信息可以确定异常指标阈值,后续服务器可以根据该异常指标阈值进行异常数据分析,该变量分布特征指的是数据的集中趋势特征、离散程度及分布形态,具体的,服务器根据上述变量分布特征及异常指标阈值进行异常数据提取,得到业务数据对应的多个异常指标。
104、根据预置的异常指标映射函数分别对多个异常指标进行数值映射,得到每个异常指标对应的目标数值,并对每个异常指标对应的目标数值进行向量转换,得到目标输入向量;
具体的,服务器根据该异常指标映射函数将该多个异常指标映射到更低维的特征空间,而解码工具可以从压缩空间中将数据恢复到原始空间,此时正常数据占了绝大部分的比例,而异常数据占比例很小,至此得到每个异常指标对应的目标数值,需要说明的是,此处得到的目标数值为数值字符串,无法进行数值运算,故而服务器对该每个异常指标对应的目标数值相应的字符串进行向量转换,得到目标输入向量。
105、将目标输入向量输入预置的风险预警模型进行风险预警,得到目标企业对应的风险预警结果,其中,风险预警结果包括风险类型和风险等级。
需要说明的是,该风险预警模型为预先训练得到的,包括编码器及解码器,同时该编码器包括卷积层与池化层,该解码器包括反卷积层及卷积层,具体的,服务器将该目标输入向量输入风险预警模型进行卷积运算,特征编码等多步处理,确定目标企业对应的风险预警结果,后续服务器将风险预警结果存储至预设的数据库中,并根据风险预警结果生成目标企业对应的异常处理方案。
本发明实施例中,基于预置的云监控平台获取待处理的目标企业对应的业务数据,并按照预置的指标特征对业务数据进行指标数据提取,得到业务数据对应的业务指标数据;获取业务指标数据的时间序列,并按照时间序列对业务指标数据进行数据标准化处理,得到标准指标数据,并对标准指标数据进行特征筛选处理,得到特征指标数据:根据预置的变量分布特征对特征指标数据进行异常数据提取,得到业务数据对应的多个异常指标;根据预置的异常指标映射函数分别对多个异常指标进行数值映射,得到每个异常指标对应的目标数值,并对每个异常指标对应的目标数值进行向量转换,得到目标输入向量;将目标输入向量输入预置的风险预警模型进行风险预警,得到目标企业对应的风险预警结果,其中,风险预警结果包括风险类型和风险等级。本发明通过对业务数据进行异常指标特征筛选,有效的减少了非异常指标对检测结果的干扰,通过深度学习的风险预警模型对业务数据进行风险预警,提高了风险预警的准确率。
请参阅图2,本发明实施例中基于人工智能的企业数据处理方法的另一个实施例包括:
201、基于预置的云监控平台获取待处理的目标企业对应的业务数据,并按照预置的指标特征对业务数据进行指标数据提取,得到业务数据对应的业务指标数据;
具体的,按照预设的时间周期并调用预置的网络爬虫爬取预置的云监控平台中与目标企业相关联的业务数据,其中,业务数据用于指示目标企业的数据量化表;基于预置的多个指标特征对应的特征关键词对数据量化表进行指标查询,并将数据量化表中与多个指标特征关键词相关联的数据项作为业务数据对应的业务指标数据。
其中,与目标企业相关联的业务数据是指存在相同关键词的信息,将所述业务数据进行分词处理,进而服务器从预设数据量化表中查找所述业务数据对应的多个关键词信息,可选的,当确定业务数据指标时,服务器根据预置的关键词匹配函数对该业务数据对应的多个关键词信息及数据量化表中对应的预设关键词信息进行匹配,得到与该多个指标特征关键词相关联的数据标识,进而根据该数据标识确定对应的业务指标数据。
202、获取业务指标数据的时间序列,并按照时间序列对业务指标数据进行数据标准化处理,得到标准指标数据,并对标准指标数据进行特征筛选处理,得到特征指标数据:
具体的,服务器从云监控平台中提取业务指标数据对应的时间序列,其中,时间序列用于指示时间周期对应的时间节点;按照时间序列对业务指标数据进行数据整合,得到时序指标数据;对时序指标数据进行缺失值插值和数据衍生,得到标准指标数据;对标准指标数据进行变量清单筛选,得到特征指标数据。
其中,当服务器获取用于指示时间周期对应的时间节点后,通过该时间节点信息对业务指标进行数据整合,在服务器进行数据整合时,服务器从业务指标数据中选择出需要进行数据整合处理的各待处理数据元。对所选择出的各待处理数据元进行配对处理,以确定各待处理数据元之间的匹配关系,将所选择出的各待处理数据元作为数据关系图中的各顶点,同时根据各待处理数据元之间的匹配关系生成用于连接各顶点的边,以得到数据关系图,最终服务器根据数据关系图和全局决策,从所述各顶点中确定出待修改数据元,并根据该待修改数据元进行数据整合,当数据整合后,服务器对进行缺失值补充得到标准指标数据后,对该标准数据进行筛选,得到特征指标数据,需要说明的是,本发明实施例中采用相关性过滤的方式对该标准指标数据进行特征筛选,得到特征指标数据。
203、提取特征指标数据对应的多个指标因子;
204、分别计算多个指标因子和预设目标值的比值,得到每个指标因子对应的比值;
205、根据每个指标因子对应的比值对多个指标因子进行异常数据划分;
206、若每个指标因子对应的比值大于预设阈值,则将比值对应的指标因子作为业务数据对应的异常指标;
207、若每个指标因子对应的比值小于或等于预设阈值,则将比值对应的指标因子确定为正常指标;
需要说明的是,指标因子包括内部指标因子和外部指标因子,内部指标因子是企业内部的风险,如系统故障等,内部指标因子可通过查询内部系统的数据库,外部指标因子包括市场环境因子、供应商关系等。该外部指标因子可从互联网直接抓取,或者接入相关联的交易网站、工商局网站直接获取,计算多个指标因子和预设目标值的比值,若每个指标因子对应的比值大于预设阈值,则将比值对应的指标因子作为业务数据对应的异常指标,若每个指标因子对应的比值小于或等于预设阈值,则将比值对应的指标因子确定为正常指标,本发明实施例中,通过对业务数据对应的指标因子与预设目标值的比值进行异常数据划分,可以提升异常数据划分的准确度。
208、根据预置的异常指标映射函数分别对多个异常指标进行数值映射,得到每个异常指标对应的目标数值,并对每个异常指标对应的目标数值进行向量转换,得到目标输入向量;
具体的,根据预置的异常指标映射函数分别对多个异常指标进行数值映射,得到每个异常指标对应的目标数值;分别对每个异常指标对应的目标数值进行异常评价权重计算,得到加权目标数值;按照时间序列对加权目标数值进行排列,得到目标序列,并将目标序列转换为向量格式,得到目标输入向量。
其中,服务器根据该异常指标映射函数将该多个异常指标映射到更低维的特征空间,而解码工具可以从压缩空间中将数据恢复到原始空间,此时正常数据占了绝大部分的比例,而异常数据占比例很小,至此得到每个异常指标对应的目标数值,需要说明的是,本发明采用小数数值的映射关系进行最优化求解,再初步求解基础上,通过多次信道实现采用不同映射关系的方法,使用整数映射关系来逼近小数数值映射关系,得到每个异常指标对应的目标数值,此处得到的目标数值为数值字符串,无法进行数值运算,故而服务器对该每个异常指标对应的目标数值相应的字符串进行向量转换,得到目标输入向量;
209、将目标输入向量输入预置的风险预警模型进行风险预警,得到目标企业对应的风险预警结果,其中,风险预警结果包括风险类型和风险等级。
具体的,将目标输入向量输入预置的风险预警模型,其中,风险预警模型包括编码器和解码器,编码器包括卷积层和池化层,解码器包括反卷积层和卷积层;将目标输入向量输入编码器中的卷积层进行卷积运算,得到特征向量;将特征向量输入编码器中的池化层进行特征编码,得到编码向量;将编码向量输入解码器中的反卷积层进行向量转换,得到转换向量;将转换向量输入解码器中的卷积层进行向量重构,得到输出向量;对输出向量和目标输入向量进行向量元素比对,并生成风险类型;计算输出向量和目标输入向量之间的损失值,并根据损失值确定风险等级;将风险类型和风险等级作为风险预警结果并输出。
需要说明的是,编码器由多层一维卷积层和池化层构成,解码器由多层一维反卷积层和卷积层构成。一维卷积层是将输入的数据进行压缩,池化层主要的作用进行下采样然后降维、简化网络复杂度、减小计算量、减小内存消耗。一维反卷积层的作用是将压缩后的矩阵进行还原,具体的,服务器将目标输入向量输入预置的风险预警模型,其中,风险预警模型包括编码器和解码器,编码器包括卷积层和池化层,解码器包括反卷积层和卷积层;将目标输入向量输入编码器中的卷积层进行卷积运算,得到特征向量;将特征向量输入编码器中的池化层进行特征编码,得到编码向量;将编码向量输入解码器中的反卷积层进行向量转换,得到转换向量,进而通过上述步骤进行向量重构,得到输出向量;对输出向量和目标输入向量进行向量元素比对,并生成风险类型,本实施例中,损失函数采用的是均方误差损失函数,通过最小化平方损失数值的计算来确定风险等级,最终服务器将风险类型和风险等级作为风险预警结果并输出。
本发明实施例中,基于预置的云监控平台获取待处理的目标企业对应的业务数据,并按照预置的指标特征对业务数据进行指标数据提取,得到业务数据对应的业务指标数据;获取业务指标数据的时间序列,并按照时间序列对业务指标数据进行数据标准化处理,得到标准指标数据,并对标准指标数据进行特征筛选处理,得到特征指标数据:根据预置的变量分布特征对特征指标数据进行异常数据提取,得到业务数据对应的多个异常指标;根据预置的异常指标映射函数分别对多个异常指标进行数值映射,得到每个异常指标对应的目标数值,并对每个异常指标对应的目标数值进行向量转换,得到目标输入向量;将目标输入向量输入预置的风险预警模型进行风险预警,得到目标企业对应的风险预警结果,其中,风险预警结果包括风险类型和风险等级。本发明通过对业务数据进行异常指标特征筛选,有效的减少了非异常指标对检测结果的干扰,通过深度学习的风险预警模型对业务数据进行风险预警,提高了风险预警的准确率。
上面对本发明实施例中基于人工智能的企业数据处理方法进行了描述,下面对本发明实施例中基于人工智能的企业数据处理装置进行描述,请参阅图3,本发明实施例中基于人工智能的企业数据处理装置一个实施例包括:
获取模块301,用于基于预置的云监控平台获取待处理的目标企业对应的业务数据,并按照预置的指标特征对所述业务数据进行指标数据提取,得到所述业务数据对应的业务指标数据;
处理模块302,用于获取所述业务指标数据的时间序列,并按照所述时间序列对所述业务指标数据进行数据标准化处理,得到标准指标数据,并对所述标准指标数据进行特征筛选处理,得到特征指标数据:
提取模块303,用于根据预置的变量分布特征对所述特征指标数据进行异常数据提取,得到所述业务数据对应的多个异常指标;
转换模块304,用于根据预置的异常指标映射函数分别对所述多个异常指标进行数值映射,得到每个异常指标对应的目标数值,并对每个异常指标对应的目标数值进行向量转换,得到目标输入向量;
检测模块305,用于将所述目标输入向量输入预置的风险预警模型进行风险预警,得到所述目标企业对应的风险预警结果,其中,所述风险预警结果包括风险类型和风险等级。
本发明实施例中,基于预置的云监控平台获取待处理的目标企业对应的业务数据,并按照预置的指标特征对所述业务数据进行指标数据提取,得到所述业务数据对应的业务指标数据;获取所述业务指标数据的时间序列,并按照所述时间序列对所述业务指标数据进行数据标准化处理,得到标准指标数据,并对所述标准指标数据进行特征筛选处理,得到特征指标数据:根据预置的变量分布特征对所述特征指标数据进行异常数据提取,得到所述业务数据对应的多个异常指标;根据预置的异常指标映射函数分别对所述多个异常指标进行数值映射,得到每个异常指标对应的目标数值,并对每个异常指标对应的目标数值进行向量转换,得到目标输入向量;将所述目标输入向量输入预置的风险预警模型进行风险预警,得到所述目标企业对应的风险预警结果,其中,所述风险预警结果包括风险类型和风险等级。本发明通过对业务数据进行异常指标特征筛选,有效的减少了非异常指标对检测结果的干扰,通过深度学习的风险预警模型对业务数据进行风险预警,提高了风险预警的准确率。
请参阅图4,本发明实施例中基于人工智能的企业数据处理装置另一个实施例包括:
获取模块301,用于基于预置的云监控平台获取待处理的目标企业对应的业务数据,并按照预置的指标特征对所述业务数据进行指标数据提取,得到所述业务数据对应的业务指标数据;
处理模块302,用于获取所述业务指标数据的时间序列,并按照所述时间序列对所述业务指标数据进行数据标准化处理,得到标准指标数据,并对所述标准指标数据进行特征筛选处理,得到特征指标数据:
提取模块303,用于根据预置的变量分布特征对所述特征指标数据进行异常数据提取,得到所述业务数据对应的多个异常指标;
转换模块304,用于根据预置的异常指标映射函数分别对所述多个异常指标进行数值映射,得到每个异常指标对应的目标数值,并对每个异常指标对应的目标数值进行向量转换,得到目标输入向量;
检测模块305,用于将所述目标输入向量输入预置的风险预警模型进行风险预警,得到所述目标企业对应的风险预警结果,其中,所述风险预警结果包括风险类型和风险等级。
可选的,所述获取模块301具体用于:按照预设的时间周期并调用预置的网络爬虫爬取预置的云监控平台中与目标企业相关联的业务数据,其中,所述业务数据用于指示所述目标企业的数据量化表;基于预置的多个指标特征对应的特征关键词对所述数据量化表进行指标查询,并将所述数据量化表中与所述多个指标特征关键词相关联的数据项作为所述业务数据对应的业务指标数据。
可选的,所述处理模块302具体用于:从所述云监控平台中提取所述业务指标数据对应的时间序列,其中,所述时间序列用于指示所述时间周期对应的时间节点;按照所述时间序列对所述业务指标数据进行数据整合,得到时序指标数据;对所述时序指标数据进行缺失值插值和数据衍生,得到标准指标数据;对所述标准指标数据进行变量清单筛选,得到特征指标数据。
可选的,所述提取模块303具体用于:提取所述特征指标数据对应的多个指标因子;分别计算所述多个指标因子和预设目标值的比值,得到每个指标因子对应的比值;根据每个指标因子对应的比值对所述多个指标因子进行异常数据划分;若每个指标因子对应的比值大于预设阈值,则将所述比值对应的指标因子作为所述业务数据对应的异常指标;若每个指标因子对应的比值小于或等于预设阈值,则将所述比值对应的指标因子确定为正常指标。
可选的,所述转换模块304具体用于:根据预置的异常指标映射函数分别对所述多个异常指标进行数值映射,得到每个异常指标对应的目标数值;分别对每个异常指标对应的目标数值进行异常评价权重计算,得到加权目标数值;按照所述时间序列对所述加权目标数值进行排列,得到目标序列,并将所述目标序列转换为向量格式,得到目标输入向量。
可选的,所述检测模块305具体用于:将所述目标输入向量输入预置的风险预警模型,其中,所述风险预警模型包括编码器和解码器,所述编码器包括卷积层和池化层,所述解码器包括反卷积层和卷积层;将所述目标输入向量输入所述编码器中的卷积层进行卷积运算,得到特征向量;将所述特征向量输入所述编码器中的池化层进行特征编码,得到编码向量;将所述编码向量输入所述解码器中的反卷积层进行向量转换,得到转换向量;将所述转换向量输入所述解码器中的卷积层进行向量重构,得到输出向量;对所述输出向量和所述目标输入向量进行向量元素比对,并生成风险类型;计算所述输出向量和所述目标输入向量之间的损失值,并根据所述损失值确定风险等级;将所述风险类型和所述风险等级作为风险预警结果并输出。
可选的,所述基于人工智能的企业数据处理装置还包括:生成模块306,用于将所述风险预警结果存储至预设的数据库中,并根据所述风险预警结果生成所述目标企业对应的异常处理方案。
本发明实施例中,基于预置的云监控平台获取待处理的目标企业对应的业务数据,并按照预置的指标特征对所述业务数据进行指标数据提取,得到所述业务数据对应的业务指标数据;获取所述业务指标数据的时间序列,并按照所述时间序列对所述业务指标数据进行数据标准化处理,得到标准指标数据,并对所述标准指标数据进行特征筛选处理,得到特征指标数据:根据预置的变量分布特征对所述特征指标数据进行异常数据提取,得到所述业务数据对应的多个异常指标;根据预置的异常指标映射函数分别对所述多个异常指标进行数值映射,得到每个异常指标对应的目标数值,并对每个异常指标对应的目标数值进行向量转换,得到目标输入向量;将所述目标输入向量输入预置的风险预警模型进行风险预警,得到所述目标企业对应的风险预警结果,其中,所述风险预警结果包括风险类型和风险等级。本发明通过对业务数据进行异常指标特征筛选,有效的减少了非异常指标对检测结果的干扰,通过深度学习的风险预警模型对业务数据进行风险预警,提高了风险预警的准确率。
上面图3和图4从模块化功能实体的角度对本发明实施例中的基于人工智能的企业数据处理装置进行详细描述,下面从硬件处理的角度对本发明实施例中基于人工智能的企业数据处理设备进行详细描述。
图5是本发明实施例提供的一种基于人工智能的企业数据处理设备的结构示意图,该基于人工智能的企业数据处理设备500可因配置或性能不同而产生比较大的差异,可以包括一个或一个以上处理器(central processing units,CPU)510(例如,一个或一个以上处理器)和存储器520,一个或一个以上存储应用程序533或数据532的存储介质530(例如一个或一个以上海量存储设备)。其中,存储器520和存储介质530可以是短暂存储或持久存储。存储在存储介质530的程序可以包括一个或一个以上模块(图示没标出),每个模块可以包括对基于人工智能的企业数据处理设备500中的一系列指令操作。更进一步地,处理器510可以设置为与存储介质530通信,在基于人工智能的企业数据处理设备500上执行存储介质530中的一系列指令操作。
基于人工智能的企业数据处理设备500还可以包括一个或一个以上电源540,一个或一个以上有线或无线网络接口550,一个或一个以上输入输出接口560,和/或,一个或一个以上操作系统531,例如Windows Serve,Mac OS X,Unix,Linux,FreeBSD等等。本领域技术人员可以理解,图5示出的基于人工智能的企业数据处理设备结构并不构成对基于人工智能的企业数据处理设备的限定,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。
本发明还提供一种基于人工智能的企业数据处理设备,所述基于人工智能的企业数据处理设备包括存储器和处理器,存储器中存储有计算机可读指令,计算机可读指令被处理器执行时,使得处理器执行上述各实施例中的所述基于人工智能的企业数据处理方法的步骤。
本发明还提供一种计算机可读存储介质,该计算机可读存储介质可以为非易失性计算机可读存储介质,该计算机可读存储介质也可以为易失性计算机可读存储介质,所述计算机可读存储介质中存储有指令,当所述指令在计算机上运行时,使得计算机执行所述基于人工智能的企业数据处理方法的步骤。
进一步地,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。
本发明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。
所属领域的技术人员可以清楚地了解到,为描述的方便和简洁,上述描述的系统,装置和单元的具体工作过程,可以参考前述方法实施例中的对应过程,在此不再赘述。
所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介质中。基于这样的理解,本发明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介质中,包括若干指令用以使得一台计算机设备(可以是个人计算机,服务器,或者网络设备等)执行本发明各个实施例所述方法的全部或部分步骤。而前述的存储介质包括:U盘、移动硬盘、只读存储器(read-only memory,ROM)、随机存取存储器(random access memory,RAM)、磁碟或者光盘等各种可以存储程序代码的介质。
以上所述,以上实施例仅用以说明本发明的技术方案,而非对其限制;尽管参照前述实施例对本发明进行了详细的说明,本领域的普通技术人员应当理解:其依然可以对前述各实施例所记载的技术方案进行修改,或者对其中部分技术特征进行等同替换;而这些修改或者替换,并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。
Claims (7)
1.一种基于人工智能的企业数据处理方法,其特征在于,所述基于人工智能的企业数据处理方法包括:
基于预置的云监控平台获取待处理的目标企业对应的业务数据,并按照预置的指标特征对所述业务数据进行指标数据提取,得到所述业务数据对应的业务指标数据;
获取所述业务指标数据的时间序列,并按照所述时间序列对所述业务指标数据进行数据标准化处理,得到标准指标数据,并对所述标准指标数据进行特征筛选处理,得到特征指标数据,其中,所述获取所述业务指标数据的时间序列,并按照所述时间序列对所述业务指标数据进行数据标准化处理,得到标准指标数据,并对所述标准指标数据进行特征筛选处理,得到特征指标数据,包括:从所述云监控平台中提取所述业务指标数据对应的时间序列,其中,所述时间序列用于指示时间周期对应的时间节点;按照所述时间序列对所述业务指标数据进行数据整合,得到时序指标数据;对所述时序指标数据进行缺失值插值和数据衍生,得到标准指标数据;对所述标准指标数据进行变量清单筛选,得到特征指标数据;所述对所述标准指标数据进行变量清单筛选,得到特征指标数据,包括:采用相关性过滤的方式对所述标准指标数据进行特征筛选,得到特征指标数据;
根据预置的变量分布特征对所述特征指标数据进行异常数据提取,得到所述业务数据对应的多个异常指标;
根据预置的异常指标映射函数分别对所述多个异常指标进行数值映射,得到每个异常指标对应的目标数值,并对每个异常指标对应的目标数值进行向量转换,得到目标输入向量,其中,所述根据预置的异常指标映射函数分别对所述多个异常指标进行数值映射,得到每个异常指标对应的目标数值,并对每个异常指标对应的目标数值进行向量转换,得到目标输入向量,包括:根据预置的异常指标映射函数分别对所述多个异常指标进行数值映射,得到每个异常指标对应的目标数值;分别对每个异常指标对应的目标数值进行异常评价权重计算,得到加权目标数值;按照所述时间序列对所述加权目标数值进行排列,得到目标序列,并将所述目标序列转换为向量格式,得到目标输入向量;所述根据预置的异常指标映射函数分别对所述多个异常指标进行数值映射,得到每个异常指标对应的目标数值,包括:根据所述异常指标映射函数将所述多个异常指标映射到更低维的特征空间,并通过预置的解码工具从压缩空间中将数据恢复到原始空间,以及采用小数数值的映射关系进行最优化求解并通过整数映射关系来逼近小数数值映射关系,得到每个异常指标对应的目标数值,其中,所述目标数值为数值字符串;
将所述目标输入向量输入预置的风险预警模型进行风险预警,得到所述目标企业对应的风险预警结果,其中,所述风险预警结果包括风险类型和风险等级。
2.根据权利要求1所述的基于人工智能的企业数据处理方法,其特征在于,所述基于预置的云监控平台获取待处理的目标企业对应的业务数据,并按照预置的指标特征对所述业务数据进行指标数据提取,得到所述业务数据对应的业务指标数据,包括:
按照所述时间周期并调用预置的网络爬虫爬取预置的云监控平台中与目标企业相关联的业务数据,其中,所述业务数据用于指示所述目标企业的数据量化表;
基于预置的多个指标特征对应的特征关键词对所述数据量化表进行指标查询,并将所述数据量化表中与所述多个指标特征对应的特征关键词相关联的数据项作为所述业务数据对应的业务指标数据。
3.根据权利要求1所述的基于人工智能的企业数据处理方法,其特征在于,所述根据预置的变量分布特征对所述特征指标数据进行异常数据提取,得到所述业务数据对应的多个异常指标,包括:
提取所述特征指标数据对应的多个指标因子;
分别计算所述多个指标因子和预设目标值的比值,得到每个指标因子对应的比值;
根据每个指标因子对应的比值对所述多个指标因子进行异常数据划分;
若每个指标因子对应的比值大于预设阈值,则将所述比值对应的指标因子作为所述业务数据对应的异常指标;
若每个指标因子对应的比值小于或等于预设阈值,则将所述比值对应的指标因子确定为正常指标。
4.根据权利要求1所述的基于人工智能的企业数据处理方法,其特征在于,所述将所述目标输入向量输入预置的风险预警模型进行风险预警,得到所述目标企业对应的风险预警结果,其中,所述风险预警结果包括风险类型和风险等级,包括:
将所述目标输入向量输入预置的风险预警模型,其中,所述风险预警模型包括编码器和解码器,所述编码器包括卷积层和池化层,所述解码器包括反卷积层和卷积层;
将所述目标输入向量输入所述编码器中的卷积层进行卷积运算,得到特征向量;
将所述特征向量输入所述编码器中的池化层进行特征编码,得到编码向量;
将所述编码向量输入所述解码器中的反卷积层进行向量转换,得到转换向量;
将所述转换向量输入所述解码器中的卷积层进行向量重构,得到输出向量;
对所述输出向量和所述目标输入向量进行向量元素比对,并生成风险类型;
计算所述输出向量和所述目标输入向量之间的损失值,并根据所述损失值确定风险等级;
将所述风险类型和所述风险等级作为风险预警结果并输出。
5.根据权利要求1-4中任一项所述的基于人工智能的企业数据处理方法,其特征在于,在所述将所述目标输入向量输入预置的风险预警模型进行风险预警,得到所述目标企业对应的风险预警结果,其中,所述风险预警结果包括风险类型和风险等级之后,所述基于人工智能的企业数据处理方法还包括:
将所述风险预警结果存储至预设的数据库中,并根据所述风险预警结果生成所述目标企业对应的异常处理方案。
6.一种基于人工智能的企业数据处理装置,其特征在于,所述基于人工智能的企业数据处理装置包括:
获取模块,用于基于预置的云监控平台获取待处理的目标企业对应的业务数据,并按照预置的指标特征对所述业务数据进行指标数据提取,得到所述业务数据对应的业务指标数据;
处理模块,用于获取所述业务指标数据的时间序列,并按照所述时间序列对所述业务指标数据进行数据标准化处理,得到标准指标数据,并对所述标准指标数据进行特征筛选处理,得到特征指标数据,其中,所述获取所述业务指标数据的时间序列,并按照所述时间序列对所述业务指标数据进行数据标准化处理,得到标准指标数据,并对所述标准指标数据进行特征筛选处理,得到特征指标数据,包括:从所述云监控平台中提取所述业务指标数据对应的时间序列,其中,所述时间序列用于指示时间周期对应的时间节点;按照所述时间序列对所述业务指标数据进行数据整合,得到时序指标数据;对所述时序指标数据进行缺失值插值和数据衍生,得到标准指标数据;对所述标准指标数据进行变量清单筛选,得到特征指标数据;所述对所述标准指标数据进行变量清单筛选,得到特征指标数据,包括:采用相关性过滤的方式对所述标准指标数据进行特征筛选,得到特征指标数据;
提取模块,用于根据预置的变量分布特征对所述特征指标数据进行异常数据提取,得到所述业务数据对应的多个异常指标;
转换模块,用于根据预置的异常指标映射函数分别对所述多个异常指标进行数值映射,得到每个异常指标对应的目标数值,并对每个异常指标对应的目标数值进行向量转换,得到目标输入向量,其中,所述根据预置的异常指标映射函数分别对所述多个异常指标进行数值映射,得到每个异常指标对应的目标数值,并对每个异常指标对应的目标数值进行向量转换,得到目标输入向量,包括:根据预置的异常指标映射函数分别对所述多个异常指标进行数值映射,得到每个异常指标对应的目标数值;分别对每个异常指标对应的目标数值进行异常评价权重计算,得到加权目标数值;按照所述时间序列对所述加权目标数值进行排列,得到目标序列,并将所述目标序列转换为向量格式,得到目标输入向量;所述根据预置的异常指标映射函数分别对所述多个异常指标进行数值映射,得到每个异常指标对应的目标数值,包括:根据所述异常指标映射函数将所述多个异常指标映射到更低维的特征空间,并通过预置的解码工具从压缩空间中将数据恢复到原始空间,以及采用小数数值的映射关系进行最优化求解并通过整数映射关系来逼近小数数值映射关系,得到每个异常指标对应的目标数值,其中,所述目标数值为数值字符串;
检测模块,用于将所述目标输入向量输入预置的风险预警模型进行风险预警,得到所述目标企业对应的风险预警结果,其中,所述风险预警结果包括风险类型和风险等级。
7.一种计算机可读存储介质,所述计算机可读存储介质上存储有指令,其特征在于,所述指令被处理器执行时实现如权利要求1-5中任一项所述的基于人工智能的企业数据处理方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210499485.8A CN114596011B (zh) | 2022-05-09 | 2022-05-09 | 基于人工智能的企业数据处理方法及相关装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210499485.8A CN114596011B (zh) | 2022-05-09 | 2022-05-09 | 基于人工智能的企业数据处理方法及相关装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN114596011A CN114596011A (zh) | 2022-06-07 |
CN114596011B true CN114596011B (zh) | 2022-08-02 |
Family
ID=81821504
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210499485.8A Active CN114596011B (zh) | 2022-05-09 | 2022-05-09 | 基于人工智能的企业数据处理方法及相关装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114596011B (zh) |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111612610A (zh) * | 2020-05-27 | 2020-09-01 | 深圳壹账通智能科技有限公司 | 风险预警方法及系统、电子设备及存储介质 |
CN112434949A (zh) * | 2020-11-25 | 2021-03-02 | 平安普惠企业管理有限公司 | 基于人工智能的业务预警处理方法、装置、设备和介质 |
Family Cites Families (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20070208600A1 (en) * | 2006-03-01 | 2007-09-06 | Babus Steven A | Method and apparatus for pre-emptive operational risk management and risk discovery |
CN109523118A (zh) * | 2018-10-11 | 2019-03-26 | 平安科技(深圳)有限公司 | 风险数据筛选方法、装置、计算机设备和存储介质 |
CN111899089A (zh) * | 2020-07-01 | 2020-11-06 | 苏宁金融科技(南京)有限公司 | 基于知识图谱的企业风险预警方法及系统 |
-
2022
- 2022-05-09 CN CN202210499485.8A patent/CN114596011B/zh active Active
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111612610A (zh) * | 2020-05-27 | 2020-09-01 | 深圳壹账通智能科技有限公司 | 风险预警方法及系统、电子设备及存储介质 |
CN112434949A (zh) * | 2020-11-25 | 2021-03-02 | 平安普惠企业管理有限公司 | 基于人工智能的业务预警处理方法、装置、设备和介质 |
Also Published As
Publication number | Publication date |
---|---|
CN114596011A (zh) | 2022-06-07 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN107168995B (zh) | 一种数据处理方法及服务器 | |
WO2016101628A1 (zh) | 一种数据建模中的数据处理方法及装置 | |
CN112732785A (zh) | 时序数据异常检测方法、装置、设备及存储介质 | |
WO2023134086A1 (zh) | 卷积神经网络模型剪枝方法和装置、电子设备、存储介质 | |
CN111027615B (zh) | 基于机器学习的中间件故障预警方法和系统 | |
CN109684328B (zh) | 一种高维时序数据压缩存储方法 | |
CN114637263B (zh) | 一种异常工况实时监测方法、装置、设备及存储介质 | |
CN115641162A (zh) | 一种基于建筑工程造价的预测数据分析系统和方法 | |
CN110910991A (zh) | 一种医用自动图像处理系统 | |
US6957201B2 (en) | Controlled capacity modeling tool | |
CN112215398A (zh) | 电力用户负荷预测模型建立方法、装置、设备及存储介质 | |
CN114596011B (zh) | 基于人工智能的企业数据处理方法及相关装置 | |
CN113092083A (zh) | 一种基于分形维数和神经网络的机泵故障诊断方法和装置 | |
CN109800815B (zh) | 基于随机森林模型的训练方法、小麦识别方法和训练系统 | |
US20020156603A1 (en) | Modeling tool with controlled capacity | |
CN111027771A (zh) | 景区客流量预估方法、系统、装置及可存储介质 | |
CN114610234A (zh) | 一种存储系统参数推荐方法及相关装置 | |
CN113609445A (zh) | 多源异构监测数据处理方法、终端设备及可读存储介质 | |
CN113869780A (zh) | 基于风险因子的等级计算方法、装置、设备及存储介质 | |
Xu et al. | TSUBASA: Climate Network Construction on Historical and Real-Time Data | |
CN112749750B (zh) | 一种基于k均值聚类算法的搜索引擎聚合分析方法及系统 | |
CN110119406B (zh) | 实时任务记录的核对方法及装置 | |
CN116881087B (zh) | 数据库运维智能平台 | |
CN113723835B (zh) | 火电厂用水评估方法和终端设备 | |
US20160247077A1 (en) | System and method for processing raw data |
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 |