CN114926258A - 通过异常偏差模型筛选校园财务异常数据的工作方法 - Google Patents
通过异常偏差模型筛选校园财务异常数据的工作方法 Download PDFInfo
- Publication number
- CN114926258A CN114926258A CN202210698143.9A CN202210698143A CN114926258A CN 114926258 A CN114926258 A CN 114926258A CN 202210698143 A CN202210698143 A CN 202210698143A CN 114926258 A CN114926258 A CN 114926258A
- Authority
- CN
- China
- Prior art keywords
- data
- abnormal
- account
- reporting
- target
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
- 230000002159 abnormal effect Effects 0.000 title claims abstract description 181
- 238000000034 method Methods 0.000 title claims abstract description 19
- 238000012216 screening Methods 0.000 title claims abstract description 19
- 238000010606 normalization Methods 0.000 claims abstract description 15
- 238000004364 calculation method Methods 0.000 claims abstract description 14
- 238000012545 processing Methods 0.000 claims abstract description 11
- 238000000605 extraction Methods 0.000 claims abstract description 8
- 230000006399 behavior Effects 0.000 claims description 40
- 230000000694 effects Effects 0.000 claims description 6
- 238000004458 analytical method Methods 0.000 claims description 4
- 238000007405 data analysis Methods 0.000 claims description 4
- 230000008569 process Effects 0.000 claims description 4
- 238000006243 chemical reaction Methods 0.000 claims description 3
- 238000001514 detection method Methods 0.000 claims description 3
- 239000000463 material Substances 0.000 claims description 3
- 238000012954 risk control Methods 0.000 claims description 3
- 230000004308 accommodation Effects 0.000 claims description 2
- 241000208125 Nicotiana Species 0.000 claims 1
- 235000002637 Nicotiana tabacum Nutrition 0.000 claims 1
- 230000003993 interaction Effects 0.000 description 14
- 230000002452 interceptive effect Effects 0.000 description 13
- 238000007418 data mining Methods 0.000 description 4
- 238000005065 mining Methods 0.000 description 4
- 238000009877 rendering Methods 0.000 description 4
- 230000006870 function Effects 0.000 description 3
- 238000013499 data model Methods 0.000 description 2
- 230000035622 drinking Effects 0.000 description 2
- 238000007726 management method Methods 0.000 description 2
- 230000000391 smoking effect Effects 0.000 description 2
- 238000012549 training Methods 0.000 description 2
- 230000004075 alteration Effects 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 238000012106 screening analysis Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
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
- G06Q40/00—Finance; Insurance; Tax strategies; Processing of corporate or income taxes
- G06Q40/12—Accounting
- G06Q40/125—Finance or payroll
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
- G06F16/24—Querying
- G06F16/245—Query processing
- G06F16/2458—Special types of queries, e.g. statistical queries, fuzzy queries or distributed queries
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
- G06F16/28—Databases characterised by their database models, e.g. relational or object models
- G06F16/284—Relational databases
- G06F16/285—Clustering or classification
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- 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
- G06Q50/20—Education
- G06Q50/205—Education administration or guidance
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Databases & Information Systems (AREA)
- General Physics & Mathematics (AREA)
- Finance (AREA)
- Accounting & Taxation (AREA)
- Strategic Management (AREA)
- Economics (AREA)
- Data Mining & Analysis (AREA)
- Educational Administration (AREA)
- Educational Technology (AREA)
- General Business, Economics & Management (AREA)
- Marketing (AREA)
- General Engineering & Computer Science (AREA)
- Tourism & Hospitality (AREA)
- General Health & Medical Sciences (AREA)
- Probability & Statistics with Applications (AREA)
- Software Systems (AREA)
- Computational Linguistics (AREA)
- Mathematical Physics (AREA)
- Fuzzy Systems (AREA)
- Health & Medical Sciences (AREA)
- Human Resources & Organizations (AREA)
- Primary Health Care (AREA)
- Development Economics (AREA)
- Technology Law (AREA)
- Financial Or Insurance-Related Operations Such As Payment And Settlement (AREA)
Abstract
本发明提出了一种通过异常偏差模型筛选校园财务异常数据的工作方法,包括如下步骤:S1,通过云端服务器获取校园财务报账数据,通过对财务成本计算进行财务数据提取,提取之后进行数据归一化处理,S2,提取归一化处理的财务报账目标异常数据,计算报账目标异常数据偏离度,根据偏离度进行数据筛选;S3,经过筛选之后的校园异常数据,进行异常数据概率分布计算,根据分布指标函数,将符合判断阈值的报账目标异常数据异常数据发送至远程服务器。
Description
技术领域
本发明涉及数据挖掘领域,尤其涉及一种通过异常偏差模型筛选校园财务异常数据的工作方法。
背景技术
由于校园管理中对于财务数据的管理是重中之重,财务数据的明晰以及规范,关乎着学校的正常有序运营,由于学校中的财务数据往来账目非常庞杂,通过人工进行收集异常数据并不现实,根据现有的神经网络学习进行异常财务数据收集和整理,并不能提取出有效的异常数据,这就亟需本领域技术人员解决相应的技术问题。
发明内容
本发明旨在至少解决现有技术中存在的技术问题,特别创新地提出了一种通过异常偏差模型筛选校园财务异常数据的工作方法。
为了实现本发明的上述目的,本发明提供了一种通过异常偏差模型筛选校园财务异常数据的工作方法,包括如下步骤:
S1,通过云端服务器获取校园财务报账数据,通过对财务报账行为分析进行报账数据提取,提取之后进行数据归一化处理;
S2,提取归一化处理的财务报账目标异常数据,计算报账目标异常数据偏离度,根据偏离度进行数据筛选;
S3,经过筛选之后的校园异常数据,进行异常数据概率分布计算,根据分布指标函数,将符合判断阈值的报账目标异常数据异常数据发送至远程服务器。
优选的,所述S1包括:
S1-1,获取财务报账数据,根据报账数据检测的内容,对数据中的报账行为进行分类;
S1-2,在分类过程中根据报账中体现的描述信息,进行解析,根据报账行为形成内容集合,例如:材料={办公用品,体育用品,教学器材};人员={住宿、餐饮、烟酒}、场地={会务、场所、租金}。
优选的,所述S1还包括:
S1-3,对内容集合的报账数据进行数据归一化处理,将数据进行比例缩放转换为如下数据公式:
U为报账异常缩放转换数据,Umax为报账数据最大值,Umin为报账数据最小值,U′为获取的报账实时数据;对求解的U进行目标分析;如果通过归一计算之后,如果U=1或U=0则报账数据重新更新;当0<U<1时,对报账数据的数量和内容集合的位置进行定位。
优选的,所述S2包括:
S2-1,根据归一化的财务报账数据,确定报账活动中变化异常的报账数据,报账异常的数据为报账目标异常数据,在报账目标异常数据之外的其它报账异常活动通过标的物异常数据进行判断,对于报账目标异常数据和报账基准数据进行报账变量提取,根据报账目标异常数据进行偏离度计算,得到报账目标异常数据在整体的报账内容集合中的偏差尺度,偏离度公式为:
报账目标异常数据的偏离度
其中,F为偏离度计算公式,通过调节系数β进行调节,D为报账目标异常数据,由于M增大,如果分子的异常数据申报种类Ei之和不变的情况下所得到的值变小;通过调节异常数据准确获取值h,对全部n个异常数据申报种类累加之后进行特征阈值λ的偏离收敛。
优选的,所述S2还包括:
S2-2,M作为报账目标异常数据的风险趋势判断值,计算如下:
其中u,v,w分别为报账人员数值、v为报账时间、w为报账类型,求解报账目标异常数据的残差平方和开方之后与报账目标异常数据实际值T0(u,v,w)、报账目标异常数据判断值T(u,v,w)和报账目标异常数据平均值相除,得到人员、时间和报账类型的风险趋势,W为总报账次数。
优选的,所述S2还包括:
S2-3,设置报账目标异常数据最小偏离度阈值Aminmin,最小偏离度阈值取20%至40%;经过迭代生成报账目标异常数据集:经过第一次迭代,对报账目标异常数据集进行初级扫描,包含异常偏移数据出现的次数,生成候选数据集C;
S2-4,根据设定的最小偏移度阈值,从C中确定异常偏移数据出现次数m,这里m取值为17;在候选数据集的基础上生成满足偏移度提取条件的报账目标异常数据,从而针对强关联的报账目标异常数据完成相关性筛选。
优选的,所述S3包括:
式中:k为异常数据解析次数,Bi为达到异常数据目标位置的预期值总和,C表示报账目标异常数据出现次数,K表示最大迭代次数;需要更新异常数据特征调节值μ,当最大迭代次数K拟合在预测异常数据值区间内时,则判断报账目标异常数据越来越接近异常数据预期值。
优选的,所述S3还包括:
S3-2,根据校园对报账目标异常数据的预期安全风险控制强度,向异常数据概率分布判断阈值进行赋值;遍历全部历史报账数据,对内容集合中的报账数据进行判断,将符合概率分布阈值报账目标异常数据上传至云端服务器。
综上所述,由于采用了上述技术方案,本发明的有益效果是:
通过在云端服务器获取校园财务报账数据之后,对财务报账行为进行归一化处理,通过偏离度对数据进行筛选分析,从而根据概率分布计算得到报账目标异常数据,为校园财务报账异常情况提供辅助帮助,降低财务风险。
本发明的附加方面和优点将在下面的描述中部分给出,部分将从下面的描述中变得明显,或通过本发明的实践了解到。
附图说明
本发明的上述和/或附加的方面和优点从结合下面附图对实施例的描述中将变得明显和容易理解,其中:
图1是本发明总体示意图。
具体实施方式
下面详细描述本发明的实施例,所述实施例的示例在附图中示出,其中自始至终相同或类似的标号表示相同或类似的元件或具有相同或类似功能的元件。下面通过参考附图描述的实施例是示例性的,仅用于解释本发明,而不能理解为对本发明的限制。
如图1所示,本发明公开一种通过异常偏差模型筛选校园财务异常数据的工作方法,包括如下步骤:
S1,通过云端服务器获取校园财务报账数据,通过对财务报账行为分析进行报账数据提取,提取之后进行数据归一化处理,
S2,提取归一化处理的财务报账目标异常数据,计算报账目标异常数据偏离度,根据偏离度进行数据筛选;
S3,经过筛选之后的校园异常数据,进行异常数据概率分布计算,根据分布指标函数,将符合判断阈值的报账目标异常数据异常数据发送至远程服务器。
所述S1包括:
S1-1,获取财务报账数据,根据报账数据检测的内容,对数据中的报账行为进行分类;
S1-2,在分类过程中根据报账中体现的描述信息,进行解析,根据报账行为形成内容集合,例如:材料={办公用品,体育用品,教学器材};人员={住宿、餐饮、烟酒}、场地={会务、场所、租金};
S1-3,对内容集合的报账数据进行数据归一化处理,将数据进行比例缩放转换为如下数据公式:
U为报账异常缩放转换数据,Umax为报账数据最大值,Umin为报账数据最小值,U′为获取的报账实时数据;对求解的U进行目标分析;如果通过归一计算之后,如果U=1或U=0则报账数据重新更新;当0<U<1时,对报账数据的数量和内容集合的位置进行定位,
通过归一化计算之后,将财务报账数据进行标准化,将原始数据进行收敛变换之后,便于后续的数据分析。
所述S2包括:
S2-1,根据归一化的财务报账数据,确定报账活动中变化异常的报账数据,报账异常的数据为报账目标异常数据,在报账目标异常数据之外的其它报账异常活动通过标的物异常数据进行判断,(标的物包括:报账内容超出学校适用范围的标的物进行报账)对于报账目标异常数据和报账基准数据进行报账变量提取,根据报账目标异常数据进行偏离度计算,得到报账目标异常数据在整体的报账内容集合中的偏差尺度,偏离度公式为:
报账目标异常数据的偏离度
其中,F为偏离度计算公式,通过调节系数β进行调节,D为报账目标异常数据,由于M增大,如果分子的异常数据申报种类Ei之和不变的情况下所得到的值变小;通过调节异常数据准确获取值h,对全部n个异常数据申报种类累加之后进行特征阈值λ的偏离收敛;
S2-2,M作为报账目标异常数据的风险趋势判断值,计算如下:
其中u,v,w分别为报账人员数值、v为报账时间、w为报账类型,求解报账目标异常数据的残差平方和开方之后与报账目标异常数据实际值T0(u,v,w)、报账目标异常数据判断值T(u,v,w)和报账目标异常数据平均值相除,得到人员、时间和报账类型的风险趋势,W为总报账次数,因为报账目标异常数据中报账人员,报账时间和报账类型通过一张票据体现,所以形成的总报账次数W是一致的;
S2-3,设置报账目标异常数据最小偏离度阈值Aminmin,最小偏离度阈值取20%至40%;经过迭代生成报账目标异常数据集:经过第一次迭代,对报账目标异常数据集进行初级扫描,包含异常偏移数据出现的次数,生成候选数据集C;
S2-4,根据设定的最小偏移度阈值,从C中确定异常偏移数据出现次数m,这里m取值为17;在候选数据集的基础上生成满足偏移度提取条件的报账目标异常数据,从而针对强关联的报账目标异常数据完成相关性筛选;
所述S3包括:
式中:k为异常数据解析次数,Bi为达到异常数据目标位置的预期值总和,C表示报账目标异常数据出现次数,K表示最大迭代次数;需要更新异常数据特征调节值μ,当最大迭代次数K拟合在预测异常数据值区间内时,则判断报账目标异常数据越来越接近异常数据预期值;
S3-2,根据校园对报账目标异常数据的预期安全风险控制强度,向异常数据概率分布判断阈值进行赋值;遍历全部历史报账数据,对内容集合中的报账数据进行判断,将符合概率分布阈值报账目标异常数据上传至云端服务器。
所述S1-2还包括如下步骤,用于对报账数据进行解析以及初步的行为分析,根据行为进行分类以及验证;
S-A,获取由云端服务器上传的初始财务报账数据;根据当前报账数据定义关键词需求,对所述初始财务报账数据进行筛选,获得与所述当前报账数据定义关键词需求相关的报账目标异常数据;对所述报账目标异常数据相关的报账互动行为数据进行搜集与整理,搜集和整理的过程包括报账内容,报账数额,报账次数以及报账主体,获得报账目标异常数据特征集;
S-B,对所述报账互动行为数据进行大数据挖掘,获得所述报账互动行为大数据的相关互动关联分布,根据关联分布与所述当前报账数据实时需求进行关联关系配置;对所述报账目标异常数据进行大数据挖掘,获得所述报账目标异常数据的大数据的关联分布,
S-C,根据训练完成的报账目标异常数据模型对报账互动行为数据进行大数据挖掘,根据关联分布变量,获得报账互动行为数据的关联分布节点,在共享的报账数据关联分布变量中获得关联强度最大的报账数据;对关联分布变量中挖掘分析报账数据关联强度最大的节点向量;获取该节点向量对应的指定关联分布向量,将指定的关联分布向量确定为报账互动行为数据的共享报账目标异常数据节点;
S-D,共享报账目标异常数据节点,对提取的报账互动行为数据的关联分布进行优化,获得优化报账互动行为数据序列,当所述共享报账目标异常数据与提取的报账互动行为数据不匹配时,获得所述提取的报账互动行为数据为待优化的目标报账互动行为数据;将所述待优化的目标报账互动行为数据的关联分布优化配置为对应的共享报账目标异常数据节点,获得所述提取的报账互动行为数据序列。
S-E,获得所述提取的报账互动行为数据序列,进行报账目标异常数据模型配置,所述提取的报账互动行为数据序列包括若干提取的报账互动行为中提取的报账互动行为,所述提取报账互动行为数据中包含的有效的报账目标异常数据;对所述提取报账互动行为数据序列中的报账目标异常数据进行关键词向量挖掘,获得关键词向量;基于所述关键词向量,将所述提取报账互动行为数据确定为训练单元配置报账行为关系信息;
S-F,基于所述提取报账互动行为数据的有效的报账目标异常数据,配置提取报账互动行为数据序列对应的报账目标异常数据关联分布;设定共享挖掘路径,将所述报账目标异常数据关联分布在所述报账行为内容关系信息的训练单元进行关联分布学习,获得所述提取报账互动行为数据的共享关联分布报账目标异常数据;在所述共享关联分布中挖掘所述提取报账互动行为数据的共享关联分布变量;基于所述共享关联分布变量,获得所述提取报账互动行为数据的共享关联分布报账目标异常数据;依据所述共享关联分布报账目标异常数据,对所述提取报账互动行为数据的报账目标异常数据进行优化,获得优化共享关联分布报账目标异常数据序列。
尽管已经示出和描述了本发明的实施例,本领域的普通技术人员可以理解:在不脱离本发明的原理和宗旨的情况下可以对这些实施例进行多种变化、修改、替换和变型,本发明的范围由权利要求及其等同物限定。
Claims (8)
1.一种通过异常偏差模型筛选校园财务异常数据的工作方法,其特征在于,包括如下步骤:
S1,通过云端服务器获取校园财务报账数据,通过对财务报账行为分析进行报账数据提取,提取之后进行数据归一化处理,
S2,提取归一化处理的财务报账目标异常数据,计算报账目标异常数据偏离度,根据偏离度进行数据筛选;
S3,经过筛选之后的校园异常数据,进行异常数据概率分布计算,根据分布指标函数,将符合判断阈值的报账目标异常数据异常数据发送至远程服务器。
2.根据权利要求1所述的通过异常偏差模型筛选校园财务异常数据的工作方法,其特征在于,所述S1包括:
S1-1,获取财务报账数据,根据报账数据检测的内容,对数据中的报账行为进行分类;
S1-2,在分类过程中根据报账中体现的描述信息,进行解析,根据报账行为形成内容集合,例如:材料={办公用品,体育用品,教学器材};人员={住宿、餐饮、烟酒}、场地={会务、场所、租金}。
4.根据权利要求1所述的通过异常偏差模型筛选校园财务异常数据的工作方法,其特征在于,所述S2包括:
S2-1,根据归一化的财务报账数据,确定报账活动中变化异常的报账数据,报账异常的数据为报账目标异常数据,在报账目标异常数据之外的其它报账异常活动通过标的物异常数据进行判断,对于报账目标异常数据和报账基准数据进行报账变量提取,根据报账目标异常数据进行偏离度计算,得到报账目标异常数据在整体的报账内容集合中的偏差尺度,偏离度公式为:
报账目标异常数据的偏离度
其中,F为偏离度计算公式,通过调节系数β进行调节,D为报账目标异常数据,由于M增大,如果分子的异常数据申报种类Ei之和不变的情况下所得到的值变小;通过调节异常数据准确获取值h,对全部n个异常数据申报种类累加之后进行特征阈值λ的偏离收敛。
6.根据权利要求5所述的通过异常偏差模型筛选校园财务异常数据的工作方法,其特征在于,所述S2还包括:
S2-3,设置报账目标异常数据最小偏离度阈值Aminmin,最小偏离度阈值取20%至40%;经过迭代生成报账目标异常数据集:经过第一次迭代,对报账目标异常数据集进行初级扫描,包含异常偏移数据出现的次数,生成候选数据集C;
S2-4,根据设定的最小偏移度阈值,从C中确定异常偏移数据出现次数m,这里m取值为17;在候选数据集的基础上生成满足偏移度提取条件的报账目标异常数据,从而针对强关联的报账目标异常数据完成相关性筛选。
8.根据权利要求7所述的通过异常偏差模型筛选校园财务异常数据的工作方法,其特征在于,所述S3还包括:
S3-2,根据校园对报账目标异常数据的预期安全风险控制强度,向异常数据概率分布判断阈值进行赋值;遍历全部历史报账数据,对内容集合中的报账数据进行判断,将符合概率分布阈值报账目标异常数据上传至云端服务器。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210698143.9A CN114926258A (zh) | 2022-06-20 | 2022-06-20 | 通过异常偏差模型筛选校园财务异常数据的工作方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210698143.9A CN114926258A (zh) | 2022-06-20 | 2022-06-20 | 通过异常偏差模型筛选校园财务异常数据的工作方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN114926258A true CN114926258A (zh) | 2022-08-19 |
Family
ID=82814813
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210698143.9A Pending CN114926258A (zh) | 2022-06-20 | 2022-06-20 | 通过异常偏差模型筛选校园财务异常数据的工作方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114926258A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117216478A (zh) * | 2023-09-12 | 2023-12-12 | 杭州融易算智能科技有限公司 | 一种财务数据批量处理方法 |
-
2022
- 2022-06-20 CN CN202210698143.9A patent/CN114926258A/zh active Pending
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117216478A (zh) * | 2023-09-12 | 2023-12-12 | 杭州融易算智能科技有限公司 | 一种财务数据批量处理方法 |
CN117216478B (zh) * | 2023-09-12 | 2024-04-30 | 杭州融易算智能科技有限公司 | 一种财务数据批量处理方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN105117602B (zh) | 一种计量装置运行状态预警方法 | |
CN111369016A (zh) | 一种基于图像识别的现场运维方法及系统 | |
CN104933444B (zh) | 一种面向多维属性数据的多层聚类融合机制的设计方法 | |
CN113572625B (zh) | 故障预警方法、预警装置、设备及计算机介质 | |
CN117391641B (zh) | 一种生发剂生产流程管理方法及系统 | |
Teichert et al. | Text mining for technology monitoring | |
CN115630839A (zh) | 一种基于数据挖掘的生产智能反馈调控系统 | |
CN112445844B (zh) | 大数据平台财务数据管理控制系统 | |
CN110690701A (zh) | 一种异常线损影响因素的分析方法 | |
CN114926258A (zh) | 通过异常偏差模型筛选校园财务异常数据的工作方法 | |
CN117172509B (zh) | 基于装修施工进度分析的施工项目分配系统 | |
Kumar et al. | Performance of k-means based satellite image clustering in RGB and HSV color space | |
CN113627735A (zh) | 工程建设项目安全风险的预警方法及系统 | |
CN112330095A (zh) | 一种基于决策树算法的质量管理方法 | |
Liu et al. | Outlier detection data mining of tax based on cluster | |
CN110348480A (zh) | 一种非监督异常数据检测算法 | |
CN114037138A (zh) | 基于双层分解和深度学习的地铁短时进站客流预测系统及实施方法 | |
CN117076691A (zh) | 一种面向智慧社区的商品资源知识图谱算法模型 | |
CN115018604A (zh) | 通过大数据分析财务数据异常的工作方法 | |
CN106779245A (zh) | 基于事件的民航需求预测方法和装置 | |
CN115935285A (zh) | 基于掩码图神经网络模型的多元时间序列异常检测方法和系统 | |
CN112991093B (zh) | 一种基于边缘计算的窃电检测方法及系统 | |
CN114240318A (zh) | 面向目标对象的信息处理方法、装置、计算机设备 | |
CN111666439A (zh) | 针对云端环境快速提取和划分医学影像大数据的工作方法 | |
CN113326882A (zh) | 一种基于分类和回归算法的模型集成方法、装置 |
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 |