CN114742477A - 企业订单数据处理方法、装置、设备及存储介质 - Google Patents
企业订单数据处理方法、装置、设备及存储介质 Download PDFInfo
- Publication number
- CN114742477A CN114742477A CN202210648324.0A CN202210648324A CN114742477A CN 114742477 A CN114742477 A CN 114742477A CN 202210648324 A CN202210648324 A CN 202210648324A CN 114742477 A CN114742477 A CN 114742477A
- Authority
- CN
- China
- Prior art keywords
- abnormal
- order data
- enterprise
- data
- matrix
- 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
- G06Q10/06—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
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
- G06F18/2415—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on parametric or probabilistic models, e.g. based on likelihood ratio or false acceptance rate versus a false rejection rate
-
- 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
- G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Human Resources & Organizations (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Strategic Management (AREA)
- Data Mining & Analysis (AREA)
- Economics (AREA)
- General Physics & Mathematics (AREA)
- Entrepreneurship & Innovation (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Cheminformatics (AREA)
- General Engineering & Computer Science (AREA)
- Game Theory and Decision Science (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Development Economics (AREA)
- Evolutionary Biology (AREA)
- General Business, Economics & Management (AREA)
- Evolutionary Computation (AREA)
- Tourism & Hospitality (AREA)
- Bioinformatics & Computational Biology (AREA)
- Marketing (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Probability & Statistics with Applications (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
- Educational Administration (AREA)
Abstract
本发明涉及数据处理领域,公开了一种企业订单数据处理方法、装置、设备及存储介质,用于实现企业订单数据的特征分析并提高分析的准确率。所述方法包括:分别提取标准订单数据中的第一特征数据和第二特征数据并生成第一概率密度分布图和第二概率密度分布图;分别对第一概率密度分布图和第二概率密度分布图进行异常检测,得到第一特征数据异常值和第二特征数据异常值,并根据第一特征数据异常值和第二特征数据异常值生成初始异常矩阵;对初始异常矩阵进行矩阵转换,得到目标异常矩阵,并将目标异常矩阵输入企业订单数据处理模型进行异常类型检测,得到订单异常类型;根据订单异常类型生成异常处理方案。
Description
技术领域
本发明涉及数据处理领域,尤其涉及一种企业订单数据处理方法、装置、设备及存储介质。
背景技术
随着网络技术的发展,企业大数据平台也日趋成熟并迅速发展,企业大数据平台可以记录企业在一段时间内的历史订单数据。企业风控人员可以查阅这些历史订单数据,并对这些历史订单数据进行分析,对企业进行风险预警。
企业的历史订单数据中存在一些特征数据,通过对这些特征数据进行分析,可以有效的对历史订单数据进行异常分析,但是现有方案是通过大量的人工进行订单数据的分析,需要耗费大量的人力成本和时间成本,人工经验不能很好的对订单数据中所包含的特征数据进行提取和分析,进而导致分析得到的结果出错。
发明内容
本发明提供了一种企业订单数据处理方法、装置、设备及存储介质,用于实现企业订单数据的特征分析并提高分析的准确率。
本发明第一方面提供了一种企业订单数据处理方法,所述企业订单数据处理方法包括:接收企业订单数据处理请求,并根据所述企业订单数据处理请求从预置的订单管理数据库中获取目标企业的历史订单数据,以及对所述历史订单数据进行数据预处理,得到标准订单数据;分别提取所述标准订单数据中的第一特征数据和第二特征数据,并根据所述第一特征数据生成第一概率密度分布图,以及根据所述第二特征数据生成第二概率密度分布图;分别对所述第一概率密度分布图和所述第二概率密度分布图进行异常检测,得到第一特征数据异常值和第二特征数据异常值,并根据所述第一特征数据异常值和第二特征数据异常值生成初始异常矩阵;基于预设的矩阵转换规则对所述初始异常矩阵进行矩阵转换,得到目标异常矩阵,并将所述目标异常矩阵输入预置的企业订单数据处理模型进行异常类型检测,得到订单异常类型;根据所述订单异常类型生成所述标准订单数据对应的异常分析结果,并根据所述异常分析结果生成异常处理方案。
可选的,在本发明第一方面的第一种实现方式中,所述接收企业订单数据处理请求,并根据所述企业订单数据处理请求从预置的订单管理数据库中获取目标企业的历史订单数据,以及对所述历史订单数据进行数据预处理,得到标准订单数据,包括:接收终端发送的企业订单数据处理请求,并对所述企业订单数据处理请求进行请求解析,得到所述企业订单数据处理请求对应的目标企业;调用预置的订单管理数据库并查询所述目标企业对应的历史订单数据;对所述历史订单数据中的重复值进行识别,得到重复值,并在所述历史订单数据中对所述重复值进行删除,得到标准订单数据。
可选的,在本发明第一方面的第二种实现方式中,所述分别提取所述标准订单数据中的第一特征数据和第二特征数据,并根据所述第一特征数据生成第一概率密度分布图,以及根据所述第二特征数据生成第二概率密度分布图,包括:基于预先构建的关系词表获取所述标准订单数据对应的第一属性词和第二属性词;根据所述第一属性词爬取所述标准订单数据中的第一特征数据,并根据所述第二属性词查询所述标准订单数据中的第二特征数据;根据预置的第一概率密度函数绘制所述第一特征数据对应的第一概率密度分布图;根据预置的第二概率密度函数计算所述第二特征数据对应的第二概率密度分布图。
可选的,在本发明第一方面的第三种实现方式中,所述分别对所述第一概率密度分布图和所述第二概率密度分布图进行异常检测,得到第一特征数据异常值和第二特征数据异常值,并根据所述第一特征数据异常值和第二特征数据异常值生成初始异常矩阵,包括:计算所述第一概率密度分布图中的多个第一特征值,以及计算所述第二概率密度分布图中的多个第二特征值;基于预设的箱线图法则生成第一目标值和第二目标值;对所述多个第一特征值和所述第一目标值进行比较,得到第一比较结果,并根据所述第一比较结果生成第一特征数据异常值;对所述多个第二特征值和所述第二目标值进行比较,得到第二比较结果,并根据所述第二比较结果生成第二特征数据异常值;将所述第一特征数据异常值和所述第二特征数据异常值作为矩阵元素,并根据所述矩阵元素生成初始异常矩阵。
可选的,在本发明第一方面的第四种实现方式中,所述基于预设的矩阵转换规则对所述初始异常矩阵进行矩阵转换,得到目标异常矩阵,并将所述目标异常矩阵输入预置的企业订单数据处理模型进行异常类型检测,得到订单异常类型,包括:根据预设的矩阵转换规则获取所述初始异常矩阵对应的权值;根据所述权值对所述初始异常矩阵进行矩阵转换,得到目标异常矩阵;将所述目标异常矩阵输入预置的企业订单数据处理模型,通过所述企业订单数据处理模型计算所述目标异常矩阵对应的异常概率值;根据所述异常概率值生成订单异常类型。
可选的,在本发明第一方面的第五种实现方式中,所述根据所述订单异常类型生成所述标准订单数据对应的异常分析结果,并根据所述异常分析结果生成异常处理方案,包括:根据所述订单异常类型对所述标准订单数据进行风险预测,生成所述目标企业对于的风险预测结果,并将所述风险预测结果作为异常分析结果;调用预置的企业大数据平台对所述异常分析结果进行处理方案匹配,得到异常处理方案,并对所述异常处理方案进行展示。
可选的,在本发明第一方面的第六种实现方式中,所述企业订单数据处理方法还包括:根据所述历史订单数据确定所述目标企业对应的历史运营策略;根据所述异常处理方案对所述历史运营策略进行策略优化,得到优化后的运营策略。
本发明第二方面提供了一种企业订单数据处理装置,所述企业订单数据处理装置包括:获取模块,用于接收企业订单数据处理请求,并根据所述企业订单数据处理请求从预置的订单管理数据库中获取目标企业的历史订单数据,以及对所述历史订单数据进行数据预处理,得到标准订单数据;处理模块,用于分别提取所述标准订单数据中的第一特征数据和第二特征数据,并根据所述第一特征数据生成第一概率密度分布图,以及根据所述第二特征数据生成第二概率密度分布图;生成模块,用于分别对所述第一概率密度分布图和所述第二概率密度分布图进行异常检测,得到第一特征数据异常值和第二特征数据异常值,并根据所述第一特征数据异常值和第二特征数据异常值生成初始异常矩阵;检测模块,用于基于预设的矩阵转换规则对所述初始异常矩阵进行矩阵转换,得到目标异常矩阵,并将所述目标异常矩阵输入预置的企业订单数据处理模型进行异常类型检测,得到订单异常类型;输出模块,用于根据所述订单异常类型生成所述标准订单数据对应的异常分析结果,并根据所述异常分析结果生成异常处理方案。
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:接收终端发送的企业订单数据处理请求,并对所述企业订单数据处理请求进行请求解析,得到所述企业订单数据处理请求对应的目标企业;调用预置的订单管理数据库并查询所述目标企业对应的历史订单数据;对所述历史订单数据中的重复值进行识别,得到重复值,并在所述历史订单数据中对所述重复值进行删除,得到标准订单数据。
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:基于预先构建的关系词表获取所述标准订单数据对应的第一属性词和第二属性词;根据所述第一属性词爬取所述标准订单数据中的第一特征数据,并根据所述第二属性词查询所述标准订单数据中的第二特征数据;根据预置的第一概率密度函数绘制所述第一特征数据对应的第一概率密度分布图;根据预置的第二概率密度函数计算所述第二特征数据对应的第二概率密度分布图。
可选的,在本发明第二方面的第三种实现方式中,所述生成模块具体用于:计算所述第一概率密度分布图中的多个第一特征值,以及计算所述第二概率密度分布图中的多个第二特征值;基于预设的箱线图法则生成第一目标值和第二目标值;对所述多个第一特征值和所述第一目标值进行比较,得到第一比较结果,并根据所述第一比较结果生成第一特征数据异常值;对所述多个第二特征值和所述第二目标值进行比较,得到第二比较结果,并根据所述第二比较结果生成第二特征数据异常值;将所述第一特征数据异常值和所述第二特征数据异常值作为矩阵元素,并根据所述矩阵元素生成初始异常矩阵。
可选的,在本发明第二方面的第四种实现方式中,所述检测模块具体用于:根据预设的矩阵转换规则获取所述初始异常矩阵对应的权值;根据所述权值对所述初始异常矩阵进行矩阵转换,得到目标异常矩阵;将所述目标异常矩阵输入预置的企业订单数据处理模型,通过所述企业订单数据处理模型计算所述目标异常矩阵对应的异常概率值;根据所述异常概率值生成订单异常类型。
可选的,在本发明第二方面的第五种实现方式中,所述输出模块具体用于:根据所述订单异常类型对所述标准订单数据进行风险预测,生成所述目标企业对于的风险预测结果,并将所述风险预测结果作为异常分析结果;调用预置的企业大数据平台对所述异常分析结果进行处理方案匹配,得到异常处理方案,并对所述异常处理方案进行展示。
可选的,在本发明第二方面的第六种实现方式中,所述企业订单数据处理装置还包括:优化模块,用于根据所述历史订单数据确定所述目标企业对应的历史运营策略;根据所述异常处理方案对所述历史运营策略进行策略优化,得到优化后的运营策略。
本发明第三方面提供了一种企业订单数据处理设备,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,以使得所述企业订单数据处理设备执行上述的企业订单数据处理方法。
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企业订单数据处理方法。
本发明提供的技术方案中,接收企业订单数据处理请求,并根据所述企业订单数据处理请求从预置的订单管理数据库中获取目标企业的历史订单数据,以及对所述历史订单数据进行数据预处理,得到标准订单数据;分别提取所述标准订单数据中的第一特征数据和第二特征数据,并根据所述第一特征数据生成第一概率密度分布图,以及根据所述第二特征数据生成第二概率密度分布图;分别对所述第一概率密度分布图和所述第二概率密度分布图进行异常检测,得到第一特征数据异常值和第二特征数据异常值,并根据所述第一特征数据异常值和第二特征数据异常值生成初始异常矩阵;基于预设的矩阵转换规则对所述初始异常矩阵进行矩阵转换,得到目标异常矩阵,并将所述目标异常矩阵输入预置的企业订单数据处理模型进行异常类型检测,得到订单异常类型;根据所述订单异常类型生成所述标准订单数据对应的异常分析结果,并根据所述异常分析结果生成异常处理方案。本发明通过对标准订单数据中的第一特征数据和第二特征数据构建概率密度分布图,提高了异常值的检测准确率,进而通过检测出的第一特征数据异常值和第二特征数据异常值构建初始异常矩阵,通过人工智能模型对初始异常矩阵进行异常类型识别,提高了异常类型识别的准确率,进而提高了企业订单数据处理的准确率。
附图说明
图1为本发明实施例中企业订单数据处理方法的一个实施例示意图;
图2为本发明实施例中企业订单数据处理方法的另一个实施例示意图;
图3为本发明实施例中企业订单数据处理装置的一个实施例示意图;
图4为本发明实施例中企业订单数据处理装置的另一个实施例示意图;
图5为本发明实施例中企业订单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企业订单数据处理方法、装置、设备及存储介质,用于实现企业订单数据的特征分析并提高分析的准确率。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,本发明实施例中企业订单数据处理方法的一个实施例包括:
101、接收企业订单数据处理请求,并根据企业订单数据处理请求从预置的订单管理数据库中获取目标企业的历史订单数据,以及对历史订单数据进行数据预处理,得到标准订单数据;
可以理解的是,本发明的执行主体可以为企业订单数据处理装置,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,当服务器接收企业订单数据处理请求后,对该企业订单数据处理请求进行扫描,确定对应的数据标识,进而服务器根据该数据标识从预置的订单管理数据库中获取目标企业的历史订单数据,其中,该历史订单数据指的是 企业在一段时间内的历史订单数据,进而服务器对该历史订单数据进行数据清洗处理,去除该历史订单数据中的异常数据及重复数据,得到标准订单数据。
102、分别提取标准订单数据中的第一特征数据和第二特征数据,并根据第一特征数据生成第一概率密度分布图,以及根据第二特征数据生成第二概率密度分布图;
需要说明的是,服务器提取标准订单数据中的第一特征数据及第二特征数据,其中,该第一特征数据可以为历史订单数据中的多个成交额数据或者订单自身数据,该第二特征数据可以为历史订单数据中的多个货物量数据或者订单管理事件数据,为了便于对该标准订单数据进行数理统计及分析,在本发明实施例中,服务器首先对第一特征数据进行变量分析,对除金额数值之外的其他变量剔除,并通过预置的plot函数根据该第一特征数据生成第一概率密度分布图,同时,服务器对该第二特征数据进行相同操作处理,生成第二概率密度分布图。
103、分别对第一概率密度分布图和第二概率密度分布图进行异常检测,得到第一特征数据异常值和第二特征数据异常值,并根据第一特征数据异常值和第二特征数据异常值生成初始异常矩阵;
需要说明的是,本发明实施例中,服务器预先获取经过数据处理的至少三个特征向量,确定每一个特征向量对应的密度估计,根据每一个密度估计,确定至少三个特征向量的概率密度函数,根据概率密度函数,获取每一个特征向量出现的概率,确定每一个概率对应的偏移量,对每一个偏移量进行标准化处理,获取对应的标准值,根据每一个标准值和预设的阈值,确定每一个特征向量是否异常,进而服务器分别对第一概率密度分布图和第二概率密度分布图进行异常检测,得到第一特征数据异常值和第二特征数据异常值,并根据第一特征数据异常值和第二特征数据异常值生成初始异常矩阵。
104、基于预设的矩阵转换规则对初始异常矩阵进行矩阵转换,得到目标异常矩阵,并将目标异常矩阵输入预置的企业订单数据处理模型进行异常类型检测,得到订单异常类型;
需要说明的是,本发明实施例中,服务器预先设定矩阵转换参数,即最小阈值矩阵转换为单元格阈值矩阵的相关参数,并根据参数将最小阈值矩阵转换为单元格阈值矩阵,同时服务器记录单元格阈值矩阵的分布规则,并根据该分布规则对初始异常矩阵进行矩阵转换,得到目标异常矩阵,同时服务器获取异常矩阵属性数据,并基于各属性的数据异常范围确定异常属性数据,进而服务器通过该异常属性数据进行异常类型检测,得到订单异常类型。
105、根据订单异常类型生成标准订单数据对应的异常分析结果,并根据异常分析结果生成异常处理方案。
需要说明的是,其中,在预置的数据库中对该订单异常类型存储有详细的标签分类,例如:获取到的异常数据属于预设类别中的页面异常中的具体哪一种;如页面无法打开、页面卡顿等。并且,在通过标签分类的同时,还会对其计数,实时显示当前发生这样的异常的移动端有多少。同时,服务器能够但不限于每隔10秒对异常数据和异常数据对应的分析结果进行统计,并按照异常数据所属的预设类别存入至数据库中,具体的,服务器根据订单异常类型生成标准订单数据对应的异常分析结果,并根据异常分析结果生成异常处理方案。
本发明实施例中,接收企业订单数据处理请求,并根据企业订单数据处理请求从预置的订单管理数据库中获取目标企业的历史订单数据,以及对历史订单数据进行数据预处理,得到标准订单数据;分别提取标准订单数据中的第一特征数据和第二特征数据,并根据第一特征数据生成第一概率密度分布图,以及根据第二特征数据生成第二概率密度分布图;分别对第一概率密度分布图和第二概率密度分布图进行异常检测,得到第一特征数据异常值和第二特征数据异常值,并根据第一特征数据异常值和第二特征数据异常值生成初始异常矩阵;基于预设的矩阵转换规则对初始异常矩阵进行矩阵转换,得到目标异常矩阵,并将目标异常矩阵输入预置的企业订单数据处理模型进行异常类型检测,得到订单异常类型;根据订单异常类型生成标准订单数据对应的异常分析结果,并根据异常分析结果生成异常处理方案。本发明通过对标准订单数据中的第一特征数据和第二特征数据构建概率密度分布图,提高了异常值的检测准确率,进而通过检测出的第一特征数据异常值和第二特征数据异常值构建初始异常矩阵,通过人工智能模型对初始异常矩阵进行异常类型识别,提高了异常类型识别的准确率,进而提高了企业订单数据处理的准确率。
请参阅图2,本发明实施例中企业订单数据处理方法的另一个实施例包括:
201、接收企业订单数据处理请求,并根据企业订单数据处理请求从预置的订单管理数据库中获取目标企业的历史订单数据,以及对历史订单数据进行数据预处理,得到标准订单数据;
具体的,服务器接收终端发送的企业订单数据处理请求,并对企业订单数据处理请求进行请求解析,得到企业订单数据处理请求对应的目标企业;调用预置的订单管理数据库并查询目标企业对应的历史订单数据;对历史订单数据中的重复值进行识别,得到重复值,并在历史订单数据中对重复值进行删除,得到标准订单数据。
其中,服务器获取企业订单数据处理请求,对请求解析信息进行过滤处理以获得对应的目标请求解析信息,进而服务器根据目标请求解析信息构造对应的目标应用请求,进而服务器根据该目标应用请求确定上述企业订单数据处理请求对应的目标企业,同时服务器根据该目标企业确定目标数据接口,进而服务器通过该目标数据接口调用预置的订单管理数据库并查询目标企业对应的历史订单数据,最终服务器对该历史订单数据进行数据清洗处理,具体包括对该历史订单数据进行缺失值补充,重复值删除等,具体的,服务器对历史订单数据中的重复值进行识别,得到重复值,并在历史订单数据中对重复值进行删除,得到标准订单数据。
202、分别提取标准订单数据中的第一特征数据和第二特征数据,并根据第一特征数据生成第一概率密度分布图,以及根据第二特征数据生成第二概率密度分布图;
具体的,服务器基于预先构建的关系词表获取标准订单数据对应的第一属性词和第二属性词;根据第一属性词爬取标准订单数据中的第一特征数据,并根据第二属性词查询标准订单数据中的第二特征数据;根据预置的第一概率密度函数绘制第一特征数据对应的第一概率密度分布图;根据预置的第二概率密度函数计算第二特征数据对应的第二概率密度分布图。
其中,接收查询词串,即上述预先构建的关系词表中的第一属性词和第二属性词,其中,该第一属性词可以为反映金额的属性词,该第二属性词可以为反映数量的属性词,然后解析查询词串中各词所属的词性;词性包括实体词、属性词、属性词对应的属性值、关系词、关系词对应的关系值,进而服务器根据查询词串中各词所属的词性,确认查询词串对应匹配的查询结构及该查询结构中的查询对象,针对查询结构在结构化知识库中进行匹配分析,得到查询结构中的查询对象对应的对象值,即为上述标准订单数据中的第一特征数据和标准订单数据中的第二特征数据,最后服务器通过预置的Plot函数绘制第一特征数据对应的第一概率密度分布图及第二概率密度分布图。
203、分别对第一概率密度分布图和第二概率密度分布图进行异常检测,得到第一特征数据异常值和第二特征数据异常值,并根据第一特征数据异常值和第二特征数据异常值生成初始异常矩阵;
具体的,服务器计算第一概率密度分布图中的多个第一特征值,以及计算第二概率密度分布图中的多个第二特征值;基于预设的箱线图法则生成第一目标值和第二目标值;对多个第一特征值和第一目标值进行比较,得到第一比较结果,并根据第一比较结果生成第一特征数据异常值;对多个第二特征值和第二目标值进行比较,得到第二比较结果,并根据第二比较结果生成第二特征数据异常值;将第一特征数据异常值和第二特征数据异常值作为矩阵元素,并根据矩阵元素生成初始异常矩阵。
需要说明的是,在本发明实施例中,通过确定每一个经过数据处理得到的特征值所对应的密度估计,可以确定总体特征值的概率密度函数,根据该概率密度函数可以获取每一个特征值出现的概率,再通过确定概率对应的偏移量,并对其进行标准化处理,即可获取偏移量对应的标准值,最后将每一个标准值与预设的阈值进行比对,即可确定特征值是否异常,而无需根据特定数据集场景来寻找分布稀疏的点,因此具有广泛的适应性,具体的,服务器对多个第一特征值和第一目标值进行比较,得到第一比较结果,并根据第一比较结果生成第一特征数据异常值;对多个第二特征值和第二目标值进行比较,得到第二比较结果,并根据第二比较结果生成第二特征数据异常值;将第一特征数据异常值和第二特征数据异常值作为矩阵元素,并根据矩阵元素生成初始异常矩阵。
204、根据预设的矩阵转换规则获取初始异常矩阵对应的权值;
205、根据权值对初始异常矩阵进行矩阵转换,得到目标异常矩阵;
206、将目标异常矩阵输入预置的企业订单数据处理模型,通过企业订单数据处理模型计算目标异常矩阵对应的异常概率值;
207、根据异常概率值生成订单异常类型;
具体的,服务器通过数据正常范围和数据异常范围可以确定采集的各属性信息属于正常属性数据或异常属性数据,具体的,可以是将采集的各属性信息于对应正常属性数据进行匹配,若匹配成功,则确定该属性数据为正常属性数据,若匹配失败,则确定该属性数据为异常属性数据,通过筛选异常属性数据,剔除正常属性数据在异常检测过程中的干扰,同时减少计算量,提高计算精度和效率,服务器预先设定矩阵转换参数,即最小阈值矩阵转换为单元格阈值矩阵的相关参数,并根据参数将最小阈值矩阵转换为单元格阈值矩阵,同时服务器记录单元格阈值矩阵的分布规则,并根据该分布规则对初始异常矩阵进行矩阵转换,得到目标异常矩阵,将目标异常矩阵输入预置的企业订单数据处理模型,通过企业订单数据处理模型计算目标异常矩阵对应的异常概率值,根据异常概率值生成订单异常类型;
208、根据订单异常类型生成标准订单数据对应的异常分析结果,并根据异常分析结果生成异常处理方案。
具体的,服务器根据订单异常类型对标准订单数据进行风险预测,生成目标企业对于的风险预测结果,并将风险预测结果作为异常分析结果;调用预置的企业大数据平台对异常分析结果进行处理方案匹配,得到异常处理方案,并对异常处理方案进行展示。
其中,服务器根据订单异常类型对标准订单数据进行风险预测,生成目标企业对于的风险预测结果,并将风险预测结果作为异常分析结果,同时服务器将数据库中所有预设类别的异常数据的数量和异常数据对应的分析结果,通过展示页面进行实时展示,具体的,可以通过WEB页面的形式或者短信的方式,对数据库中所有预设类别的异常数据的数量和异常数据对应的分析结果进行实时展示。
具体的,服务器根据历史订单数据确定目标企业对应的历史运营策略;根据异常处理方案对历史运营策略进行策略优化,得到优化后的运营策略。
其中,服务器根据历史订单数据进行历史策略匹配,可选的,在进行策略匹配时,本发明实施例采用相似度估计的方式进行策略匹配,当获取上述历史运营策略后,服务器根据异常处理进行策略优化,具体的,服务器对历史运营策略进行适应性数据修改,确定相应的控制变量元素,进而服务器根据该控制变量元素对历史运营策略进行优化,得到优化后的运营策略。
本发明实施例中,接收企业订单数据处理请求,并根据企业订单数据处理请求从预置的订单管理数据库中获取目标企业的历史订单数据,以及对历史订单数据进行数据预处理,得到标准订单数据;分别提取标准订单数据中的第一特征数据和第二特征数据,并根据第一特征数据生成第一概率密度分布图,以及根据第二特征数据生成第二概率密度分布图;分别对第一概率密度分布图和第二概率密度分布图进行异常检测,得到第一特征数据异常值和第二特征数据异常值,并根据第一特征数据异常值和第二特征数据异常值生成初始异常矩阵;基于预设的矩阵转换规则对初始异常矩阵进行矩阵转换,得到目标异常矩阵,并将目标异常矩阵输入预置的企业订单数据处理模型进行异常类型检测,得到订单异常类型;根据订单异常类型生成标准订单数据对应的异常分析结果,并根据异常分析结果生成异常处理方案。本发明通过对标准订单数据中的第一特征数据和第二特征数据构建概率密度分布图,提高了异常值的检测准确率,进而通过检测出的第一特征数据异常值和第二特征数据异常值构建初始异常矩阵,通过人工智能模型对初始异常矩阵进行异常类型识别,提高了异常类型识别的准确率,进而提高了企业订单数据处理的准确率。
上面对本发明实施例中企业订单数据处理方法进行了描述,下面对本发明实施例中企业订单数据处理装置进行描述,请参阅图3,本发明实施例中企业订单数据处理装置一个实施例包括:
获取模块301,用于接收企业订单数据处理请求,并根据所述企业订单数据处理请求从预置的订单管理数据库中获取目标企业的历史订单数据,以及对所述历史订单数据进行数据预处理,得到标准订单数据;
处理模块302,用于分别提取所述标准订单数据中的第一特征数据和第二特征数据,并根据所述第一特征数据生成第一概率密度分布图,以及根据所述第二特征数据生成第二概率密度分布图;
生成模块303,用于分别对所述第一概率密度分布图和所述第二概率密度分布图进行异常检测,得到第一特征数据异常值和第二特征数据异常值,并根据所述第一特征数据异常值和第二特征数据异常值生成初始异常矩阵;
检测模块304,用于基于预设的矩阵转换规则对所述初始异常矩阵进行矩阵转换,得到目标异常矩阵,并将所述目标异常矩阵输入预置的企业订单数据处理模型进行异常类型检测,得到订单异常类型;
输出模块305,用于根据所述订单异常类型生成所述标准订单数据对应的异常分析结果,并根据所述异常分析结果生成异常处理方案。
本发明实施例中,接收企业订单数据处理请求,并根据所述企业订单数据处理请求从预置的订单管理数据库中获取目标企业的历史订单数据,以及对所述历史订单数据进行数据预处理,得到标准订单数据;分别提取所述标准订单数据中的第一特征数据和第二特征数据,并根据所述第一特征数据生成第一概率密度分布图,以及根据所述第二特征数据生成第二概率密度分布图;分别对所述第一概率密度分布图和所述第二概率密度分布图进行异常检测,得到第一特征数据异常值和第二特征数据异常值,并根据所述第一特征数据异常值和第二特征数据异常值生成初始异常矩阵;基于预设的矩阵转换规则对所述初始异常矩阵进行矩阵转换,得到目标异常矩阵,并将所述目标异常矩阵输入预置的企业订单数据处理模型进行异常类型检测,得到订单异常类型;根据所述订单异常类型生成所述标准订单数据对应的异常分析结果,并根据所述异常分析结果生成异常处理方案。本发明通过对标准订单数据中的第一特征数据和第二特征数据构建概率密度分布图,提高了异常值的检测准确率,进而通过检测出的第一特征数据异常值和第二特征数据异常值构建初始异常矩阵,通过人工智能模型对初始异常矩阵进行异常类型识别,提高了异常类型识别的准确率,进而提高了企业订单数据处理的准确率。
请参阅图4,本发明实施例中企业订单数据处理装置另一个实施例包括:
获取模块301,用于接收企业订单数据处理请求,并根据所述企业订单数据处理请求从预置的订单管理数据库中获取目标企业的历史订单数据,以及对所述历史订单数据进行数据预处理,得到标准订单数据;
处理模块302,用于分别提取所述标准订单数据中的第一特征数据和第二特征数据,并根据所述第一特征数据生成第一概率密度分布图,以及根据所述第二特征数据生成第二概率密度分布图;
生成模块303,用于分别对所述第一概率密度分布图和所述第二概率密度分布图进行异常检测,得到第一特征数据异常值和第二特征数据异常值,并根据所述第一特征数据异常值和第二特征数据异常值生成初始异常矩阵;
检测模块304,用于基于预设的矩阵转换规则对所述初始异常矩阵进行矩阵转换,得到目标异常矩阵,并将所述目标异常矩阵输入预置的企业订单数据处理模型进行异常类型检测,得到订单异常类型;
输出模块305,用于根据所述订单异常类型生成所述标准订单数据对应的异常分析结果,并根据所述异常分析结果生成异常处理方案。
可选的,所述获取模块301具体用于:接收终端发送的企业订单数据处理请求,并对所述企业订单数据处理请求进行请求解析,得到所述企业订单数据处理请求对应的目标企业;调用预置的订单管理数据库并查询所述目标企业对应的历史订单数据;对所述历史订单数据中的重复值进行识别,得到重复值,并在所述历史订单数据中对所述重复值进行删除,得到标准订单数据。
可选的,所述处理模块302具体用于:基于预先构建的关系词表获取所述标准订单数据对应的第一属性词和第二属性词;根据所述第一属性词爬取所述标准订单数据中的第一特征数据,并根据所述第二属性词查询所述标准订单数据中的第二特征数据;根据预置的第一概率密度函数绘制所述第一特征数据对应的第一概率密度分布图;根据预置的第二概率密度函数计算所述第二特征数据对应的第二概率密度分布图。
可选的,所述生成模块303具体用于:计算所述第一概率密度分布图中的多个第一特征值,以及计算所述第二概率密度分布图中的多个第二特征值;基于预设的箱线图法则生成第一目标值和第二目标值;对所述多个第一特征值和所述第一目标值进行比较,得到第一比较结果,并根据所述第一比较结果生成第一特征数据异常值;对所述多个第二特征值和所述第二目标值进行比较,得到第二比较结果,并根据所述第二比较结果生成第二特征数据异常值;将所述第一特征数据异常值和所述第二特征数据异常值作为矩阵元素,并根据所述矩阵元素生成初始异常矩阵。
可选的,所述检测模块304具体用于:根据预设的矩阵转换规则获取所述初始异常矩阵对应的权值;根据所述权值对所述初始异常矩阵进行矩阵转换,得到目标异常矩阵;将所述目标异常矩阵输入预置的企业订单数据处理模型,通过所述企业订单数据处理模型计算所述目标异常矩阵对应的异常概率值;根据所述异常概率值生成订单异常类型。
可选的,所述输出模块305具体用于:根据所述订单异常类型对所述标准订单数据进行风险预测,生成所述目标企业对于的风险预测结果,并将所述风险预测结果作为异常分析结果;调用预置的企业大数据平台对所述异常分析结果进行处理方案匹配,得到异常处理方案,并对所述异常处理方案进行展示。
可选的,所述企业订单数据处理装置还包括:优化模块306,用于根据所述历史订单数据确定所述目标企业对应的历史运营策略;根据所述异常处理方案对所述历史运营策略进行策略优化,得到优化后的运营策略。
本发明实施例中,接收企业订单数据处理请求,并根据所述企业订单数据处理请求从预置的订单管理数据库中获取目标企业的历史订单数据,以及对所述历史订单数据进行数据预处理,得到标准订单数据;分别提取所述标准订单数据中的第一特征数据和第二特征数据,并根据所述第一特征数据生成第一概率密度分布图,以及根据所述第二特征数据生成第二概率密度分布图;分别对所述第一概率密度分布图和所述第二概率密度分布图进行异常检测,得到第一特征数据异常值和第二特征数据异常值,并根据所述第一特征数据异常值和第二特征数据异常值生成初始异常矩阵;基于预设的矩阵转换规则对所述初始异常矩阵进行矩阵转换,得到目标异常矩阵,并将所述目标异常矩阵输入预置的企业订单数据处理模型进行异常类型检测,得到订单异常类型;根据所述订单异常类型生成所述标准订单数据对应的异常分析结果,并根据所述异常分析结果生成异常处理方案。本发明通过对标准订单数据中的第一特征数据和第二特征数据构建概率密度分布图,提高了异常值的检测准确率,进而通过检测出的第一特征数据异常值和第二特征数据异常值构建初始异常矩阵,通过人工智能模型对初始异常矩阵进行异常类型识别,提高了异常类型识别的准确率,进而提高了企业订单数据处理的准确率。
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企业订单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企业订单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企业订单数据处理设备的结构示意图,该企业订单数据处理设备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企业订单数据处理设备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,在企业订单数据处理设备500上执行存储介质530中的一系列指令操作。
企业订单数据处理设备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示出的企业订单数据处理设备结构并不构成对企业订单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。
本发明还提供一种企业订单数据处理设备,所述企业订单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企业订单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企业订单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 (10)
1.一种企业订单数据处理方法,其特征在于,所述企业订单数据处理方法包括:
接收企业订单数据处理请求,并根据所述企业订单数据处理请求从预置的订单管理数据库中获取目标企业的历史订单数据,以及对所述历史订单数据进行数据预处理,得到标准订单数据;
分别提取所述标准订单数据中的第一特征数据和第二特征数据,并根据所述第一特征数据生成第一概率密度分布图,以及根据所述第二特征数据生成第二概率密度分布图;
分别对所述第一概率密度分布图和所述第二概率密度分布图进行异常检测,得到第一特征数据异常值和第二特征数据异常值,并根据所述第一特征数据异常值和第二特征数据异常值生成初始异常矩阵;
基于预设的矩阵转换规则对所述初始异常矩阵进行矩阵转换,得到目标异常矩阵,并将所述目标异常矩阵输入预置的企业订单数据处理模型进行异常类型检测,得到订单异常类型;
根据所述订单异常类型生成所述标准订单数据对应的异常分析结果,并根据所述异常分析结果生成异常处理方案。
2.根据权利要求1所述的企业订单数据处理方法,其特征在于,所述接收企业订单数据处理请求,并根据所述企业订单数据处理请求从预置的订单管理数据库中获取目标企业的历史订单数据,以及对所述历史订单数据进行数据预处理,得到标准订单数据,包括:
接收终端发送的企业订单数据处理请求,并对所述企业订单数据处理请求进行请求解析,得到所述企业订单数据处理请求对应的目标企业;
调用预置的订单管理数据库并查询所述目标企业对应的历史订单数据;
对所述历史订单数据中的重复值进行识别,得到重复值,并在所述历史订单数据中对所述重复值进行删除,得到标准订单数据。
3.根据权利要求1所述的企业订单数据处理方法,其特征在于,所述分别提取所述标准订单数据中的第一特征数据和第二特征数据,并根据所述第一特征数据生成第一概率密度分布图,以及根据所述第二特征数据生成第二概率密度分布图,包括:
基于预先构建的关系词表获取所述标准订单数据对应的第一属性词和第二属性词;
根据所述第一属性词爬取所述标准订单数据中的第一特征数据,并根据所述第二属性词查询所述标准订单数据中的第二特征数据;
根据预置的第一概率密度函数绘制所述第一特征数据对应的第一概率密度分布图;
根据预置的第二概率密度函数计算所述第二特征数据对应的第二概率密度分布图。
4.根据权利要求1所述的企业订单数据处理方法,其特征在于,所述分别对所述第一概率密度分布图和所述第二概率密度分布图进行异常检测,得到第一特征数据异常值和第二特征数据异常值,并根据所述第一特征数据异常值和第二特征数据异常值生成初始异常矩阵,包括:
计算所述第一概率密度分布图中的多个第一特征值,以及计算所述第二概率密度分布图中的多个第二特征值;
基于预设的箱线图法则生成第一目标值和第二目标值;
对所述多个第一特征值和所述第一目标值进行比较,得到第一比较结果,并根据所述第一比较结果生成第一特征数据异常值;
对所述多个第二特征值和所述第二目标值进行比较,得到第二比较结果,并根据所述第二比较结果生成第二特征数据异常值;
将所述第一特征数据异常值和所述第二特征数据异常值作为矩阵元素,并根据所述矩阵元素生成初始异常矩阵。
5.根据权利要求1所述的企业订单数据处理方法,其特征在于,所述基于预设的矩阵转换规则对所述初始异常矩阵进行矩阵转换,得到目标异常矩阵,并将所述目标异常矩阵输入预置的企业订单数据处理模型进行异常类型检测,得到订单异常类型,包括:
根据预设的矩阵转换规则获取所述初始异常矩阵对应的权值;
根据所述权值对所述初始异常矩阵进行矩阵转换,得到目标异常矩阵;
将所述目标异常矩阵输入预置的企业订单数据处理模型,通过所述企业订单数据处理模型计算所述目标异常矩阵对应的异常概率值;
根据所述异常概率值生成订单异常类型。
6.根据权利要求1所述的企业订单数据处理方法,其特征在于,所述根据所述订单异常类型生成所述标准订单数据对应的异常分析结果,并根据所述异常分析结果生成异常处理方案,包括:
根据所述订单异常类型对所述标准订单数据进行风险预测,生成所述目标企业对于的风险预测结果,并将所述风险预测结果作为异常分析结果;
调用预置的企业大数据平台对所述异常分析结果进行处理方案匹配,得到异常处理方案,并对所述异常处理方案进行展示。
7.根据权利要求1-6中任一项所述的企业订单数据处理方法,其特征在于,所述企业订单数据处理方法还包括:
根据所述历史订单数据确定所述目标企业对应的历史运营策略;
根据所述异常处理方案对所述历史运营策略进行策略优化,得到优化后的运营策略。
8.一种企业订单数据处理装置,其特征在于,所述企业订单数据处理装置包括:
获取模块,用于接收企业订单数据处理请求,并根据所述企业订单数据处理请求从预置的订单管理数据库中获取目标企业的历史订单数据,以及对所述历史订单数据进行数据预处理,得到标准订单数据;
处理模块,用于分别提取所述标准订单数据中的第一特征数据和第二特征数据,并根据所述第一特征数据生成第一概率密度分布图,以及根据所述第二特征数据生成第二概率密度分布图;
生成模块,用于分别对所述第一概率密度分布图和所述第二概率密度分布图进行异常检测,得到第一特征数据异常值和第二特征数据异常值,并根据所述第一特征数据异常值和第二特征数据异常值生成初始异常矩阵;
检测模块,用于基于预设的矩阵转换规则对所述初始异常矩阵进行矩阵转换,得到目标异常矩阵,并将所述目标异常矩阵输入预置的企业订单数据处理模型进行异常类型检测,得到订单异常类型;
输出模块,用于根据所述订单异常类型生成所述标准订单数据对应的异常分析结果,并根据所述异常分析结果生成异常处理方案。
9.一种企业订单数据处理设备,其特征在于,所述企业订单数据处理设备包括: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,以使得所述企业订单数据处理设备执行如权利要求1-7中任一项所述的企业订单数据处理方法。
10.一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1-7中任一项所述的企业订单数据处理方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210648324.0A CN114742477B (zh) | 2022-06-09 | 2022-06-09 | 企业订单数据处理方法、装置、设备及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210648324.0A CN114742477B (zh) | 2022-06-09 | 2022-06-09 | 企业订单数据处理方法、装置、设备及存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN114742477A true CN114742477A (zh) | 2022-07-12 |
CN114742477B CN114742477B (zh) | 2022-08-12 |
Family
ID=82288017
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210648324.0A Active CN114742477B (zh) | 2022-06-09 | 2022-06-09 | 企业订单数据处理方法、装置、设备及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114742477B (zh) |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116522386A (zh) * | 2023-04-25 | 2023-08-01 | 北京智慧大王科技有限公司 | 一种应用人工智能的电商数据防护方法及服务器 |
CN116562746A (zh) * | 2023-07-10 | 2023-08-08 | 深圳市辉熙智能科技有限公司 | 一种被服物流站点的被服数据监控方法及相关装置 |
CN116934418A (zh) * | 2023-06-15 | 2023-10-24 | 广州淘通科技股份有限公司 | 一种异常订单的检测预警方法、系统、设备及存储介质 |
CN117273861A (zh) * | 2023-10-12 | 2023-12-22 | 绅阅(上海)科技有限公司 | 一种销售订单管理方法及系统 |
CN117455622A (zh) * | 2023-11-08 | 2024-01-26 | 深圳市土地公网络科技有限公司 | 订单数据的处理方法、装置、设备及存储介质 |
Citations (14)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US6516301B1 (en) * | 1999-05-03 | 2003-02-04 | Lucent Technologies Inc. | Order-based material management system |
JP2005258599A (ja) * | 2004-03-09 | 2005-09-22 | Nippon Telegr & Teleph Corp <Ntt> | データの可視化方法、データの可視化装置、データの可視化プログラム、及び記憶媒体 |
US20110208560A1 (en) * | 2003-05-12 | 2011-08-25 | Adeel Najmi | Determining Order Lead Time for a Supply Chain Using a Probability Distribution of Order Lead Time |
US20130027561A1 (en) * | 2011-07-29 | 2013-01-31 | Panasonic Corporation | System and method for improving site operations by detecting abnormalities |
US20140149273A1 (en) * | 2012-11-29 | 2014-05-29 | Rick Angell | Market Microstructure Data Method and Appliance |
US20160224998A1 (en) * | 2013-09-20 | 2016-08-04 | Nec Corporation | Order-volume determination device, order-volume determination method, recording medium, and order-volume determination system |
CN109784848A (zh) * | 2018-12-29 | 2019-05-21 | 深圳慧通商务有限公司 | 酒店订单处理方法和相关产品 |
CN109934368A (zh) * | 2017-12-15 | 2019-06-25 | 菜鸟智能物流控股有限公司 | 订单数量和订单状态的预测方法、装置及系统 |
US20190213605A1 (en) * | 2016-09-26 | 2019-07-11 | Harman International Industries, Incorporated | Systems and methods for prediction of automotive warranty fraud |
CN111221953A (zh) * | 2020-01-08 | 2020-06-02 | 南京新贝金服科技有限公司 | 一种在线售前客服效果评价方法 |
CN112785377A (zh) * | 2021-01-22 | 2021-05-11 | 华南理工大学 | 基于数据分布的订单完工期预测模型构建方法及预测方法 |
CN113469789A (zh) * | 2021-07-01 | 2021-10-01 | 易纳购科技(北京)有限公司 | 异常订单的检测方法、装置及计算机设备 |
CN113688923A (zh) * | 2021-08-31 | 2021-11-23 | 中国平安财产保险股份有限公司 | 订单异常智能检测方法、装置、电子设备及存储介质 |
CN113744033A (zh) * | 2021-09-17 | 2021-12-03 | 大汉电子商务有限公司 | 订单预估方法及装置 |
-
2022
- 2022-06-09 CN CN202210648324.0A patent/CN114742477B/zh active Active
Patent Citations (14)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US6516301B1 (en) * | 1999-05-03 | 2003-02-04 | Lucent Technologies Inc. | Order-based material management system |
US20110208560A1 (en) * | 2003-05-12 | 2011-08-25 | Adeel Najmi | Determining Order Lead Time for a Supply Chain Using a Probability Distribution of Order Lead Time |
JP2005258599A (ja) * | 2004-03-09 | 2005-09-22 | Nippon Telegr & Teleph Corp <Ntt> | データの可視化方法、データの可視化装置、データの可視化プログラム、及び記憶媒体 |
US20130027561A1 (en) * | 2011-07-29 | 2013-01-31 | Panasonic Corporation | System and method for improving site operations by detecting abnormalities |
US20140149273A1 (en) * | 2012-11-29 | 2014-05-29 | Rick Angell | Market Microstructure Data Method and Appliance |
US20160224998A1 (en) * | 2013-09-20 | 2016-08-04 | Nec Corporation | Order-volume determination device, order-volume determination method, recording medium, and order-volume determination system |
US20190213605A1 (en) * | 2016-09-26 | 2019-07-11 | Harman International Industries, Incorporated | Systems and methods for prediction of automotive warranty fraud |
CN109934368A (zh) * | 2017-12-15 | 2019-06-25 | 菜鸟智能物流控股有限公司 | 订单数量和订单状态的预测方法、装置及系统 |
CN109784848A (zh) * | 2018-12-29 | 2019-05-21 | 深圳慧通商务有限公司 | 酒店订单处理方法和相关产品 |
CN111221953A (zh) * | 2020-01-08 | 2020-06-02 | 南京新贝金服科技有限公司 | 一种在线售前客服效果评价方法 |
CN112785377A (zh) * | 2021-01-22 | 2021-05-11 | 华南理工大学 | 基于数据分布的订单完工期预测模型构建方法及预测方法 |
CN113469789A (zh) * | 2021-07-01 | 2021-10-01 | 易纳购科技(北京)有限公司 | 异常订单的检测方法、装置及计算机设备 |
CN113688923A (zh) * | 2021-08-31 | 2021-11-23 | 中国平安财产保险股份有限公司 | 订单异常智能检测方法、装置、电子设备及存储介质 |
CN113744033A (zh) * | 2021-09-17 | 2021-12-03 | 大汉电子商务有限公司 | 订单预估方法及装置 |
Non-Patent Citations (1)
Title |
---|
邢强等: "基于数据驱动方式和行为决策的电动汽车快充需求预测模型", 《电网技术》 * |
Cited By (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116522386A (zh) * | 2023-04-25 | 2023-08-01 | 北京智慧大王科技有限公司 | 一种应用人工智能的电商数据防护方法及服务器 |
CN116522386B (zh) * | 2023-04-25 | 2023-12-29 | 速易购电子商务有限公司 | 一种应用人工智能的电商数据防护方法及服务器 |
CN116934418A (zh) * | 2023-06-15 | 2023-10-24 | 广州淘通科技股份有限公司 | 一种异常订单的检测预警方法、系统、设备及存储介质 |
CN116934418B (zh) * | 2023-06-15 | 2024-03-19 | 广州淘通科技股份有限公司 | 一种异常订单的检测预警方法、系统、设备及存储介质 |
CN116562746A (zh) * | 2023-07-10 | 2023-08-08 | 深圳市辉熙智能科技有限公司 | 一种被服物流站点的被服数据监控方法及相关装置 |
CN116562746B (zh) * | 2023-07-10 | 2024-01-16 | 深圳市辉熙智能科技有限公司 | 一种被服物流站点的被服数据监控方法及相关装置 |
CN117273861A (zh) * | 2023-10-12 | 2023-12-22 | 绅阅(上海)科技有限公司 | 一种销售订单管理方法及系统 |
CN117273861B (zh) * | 2023-10-12 | 2024-06-11 | 深圳小美网络科技有限公司 | 一种销售订单管理方法及系统 |
CN117455622A (zh) * | 2023-11-08 | 2024-01-26 | 深圳市土地公网络科技有限公司 | 订单数据的处理方法、装置、设备及存储介质 |
CN117455622B (zh) * | 2023-11-08 | 2024-07-02 | 深圳市土地公网络科技有限公司 | 订单数据的处理方法、装置、设备及存储介质 |
Also Published As
Publication number | Publication date |
---|---|
CN114742477B (zh) | 2022-08-12 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN114742477B (zh) | 企业订单数据处理方法、装置、设备及存储介质 | |
WO2021184630A1 (zh) | 基于知识图谱定位排污对象的方法及相关设备 | |
CN111614690B (zh) | 一种异常行为检测方法及装置 | |
CN113254510B (zh) | 业务风险客群的识别方法、装置、设备及存储介质 | |
CN112769796A (zh) | 一种基于端侧边缘计算的云网端协同防御方法及系统 | |
CN111475804A (zh) | 一种告警预测方法及系统 | |
CN108509424B (zh) | 制度信息处理方法、装置、计算机设备和存储介质 | |
CN105677791A (zh) | 用于分析风力发电机组的运行数据的方法和系统 | |
CN112100219A (zh) | 基于数据库查询处理的报表生成方法、装置、设备和介质 | |
CN115641162A (zh) | 一种基于建筑工程造价的预测数据分析系统和方法 | |
CN111383130A (zh) | 一种全生命周期管控平台、移动运维客户端及终端 | |
CN114266342A (zh) | 一种基于孪生网络的内部威胁的检测方法及系统 | |
CN113177660A (zh) | 驾驶意图预测与处理方法、装置、设备及存储介质 | |
CN112463859A (zh) | 基于大数据和业务分析的用户数据处理方法及大数据平台 | |
CN116865994A (zh) | 一种基于大数据的网络数据安全预测方法 | |
CN115269438A (zh) | 针对图像处理算法的自动化测试方法及装置 | |
CN108830302B (zh) | 一种图像分类方法、训练方法、分类预测方法及相关装置 | |
CN114138601A (zh) | 一种业务告警方法、装置、设备及存储介质 | |
CN114003600A (zh) | 数据处理方法、系统、电子设备和存储介质 | |
CN113610225A (zh) | 质量评估模型训练方法、装置、电子设备及存储介质 | |
CN115115369A (zh) | 数据处理方法、装置、设备及存储介质 | |
CN116030955B (zh) | 基于物联网的医疗设备状态监测方法及相关装置 | |
CN111260155A (zh) | 粮食加工的工序优化方法、装置、电子设备及存储介质 | |
CN112581027A (zh) | 一种风险信息管理方法、装置、电子设备及存储介质 | |
CN116610821A (zh) | 一种基于知识图谱的企业风险分析方法、系统和存储介质 |
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 |