CN115018607B - 基于人工智能的会计数据处理方法及系统 - Google Patents
基于人工智能的会计数据处理方法及系统 Download PDFInfo
- Publication number
- CN115018607B CN115018607B CN202210769115.1A CN202210769115A CN115018607B CN 115018607 B CN115018607 B CN 115018607B CN 202210769115 A CN202210769115 A CN 202210769115A CN 115018607 B CN115018607 B CN 115018607B
- Authority
- CN
- China
- Prior art keywords
- data
- fitting model
- queue
- parameters
- 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.)
- 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
- G06Q40/00—Finance; Insurance; Tax strategies; Processing of corporate or income taxes
- G06Q40/12—Accounting
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
- Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
- Y02P90/30—Computing systems specially adapted for manufacturing
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Business, Economics & Management (AREA)
- Theoretical Computer Science (AREA)
- Finance (AREA)
- Accounting & Taxation (AREA)
- General Physics & Mathematics (AREA)
- Computational Linguistics (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Biophysics (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Biomedical Technology (AREA)
- Data Mining & Analysis (AREA)
- Life Sciences & Earth Sciences (AREA)
- Health & Medical Sciences (AREA)
- Development Economics (AREA)
- Economics (AREA)
- Marketing (AREA)
- Strategic Management (AREA)
- Technology Law (AREA)
- General Business, Economics & Management (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了基于人工智能的会计数据处理方法及系统,通过将训练集数据输入到带未知参数的队列数据拟合模型以确定“带未知参数的队列数据拟合模型”中的未知参数的具体数值,并形成确定参数的队列数据拟合模型;然后以确定参数的队列数据拟合模型遍历地计算识别集中的数据;计算识别集中的数据之后再通过校验集对计算的结果检验;在“以确定参数的队列数据拟合模型遍历地计算识别集中的数据”过程中将目标数据分批次输入到确定参数的队列数据拟合模型并首先计算第一类预警值Q1,如果目标数据的第一类预警值Q1达到阈值后则计算目标数据的第二类预警值Q2,目标数据的第二类预警值Q2也达到阈值则标记目标数据为异常数据。
Description
技术领域
本发明涉及基于人工智能的会计数据处理方法及系统。
背景技术
在现有技术中对会计数据分析中会计人员会着重寻找会计数据的异常内容,通过这种的方式来判断数据是否正常,相关的财会软件也非常多,很多的财会软件中也配置功能模块用来对异常内容的财会数据进行采集、分析和预警,不过现有财会软件均采用直接地、简单运算进行数据的分析,不能真正高效精准发现会计数据的异常,并且现有技术中的很多会计数据的异常内容多数因技术问题造成的,比如统计软件的技术漏洞或数据过滤等处理不当,对于这些类别的异常数据会计人员更加不能辨别分析。
发明内容
本发明的目的在于提供一种基于人工智能的会计数据处理方法及系统,以解决上述背景技术中提出的问题。
为了解决上述技术问题,本发明提供如下技术方案:一种基于人工智能的会计数据处理方法,包括的步骤有:
通过财务软件数据接口输出目标单位的会计数据;
对目标单位的会计数据归类、去噪并整合为按照时间前后排序的队列数据以作为待处理的会计数据;构建带未知参数的队列数据拟合模型,将待处理的会计数据划分为训练集、识别集、校验集,通过将训练集数据输入到带未知参数的队列数据拟合模型以确定“带未知参数的队列数据拟合模型”中的未知参数的具体数值,并形成确定参数的队列数据拟合模型;然后以确定参数的队列数据拟合模型遍历地计算识别集中的数据;计算识别集中的数据之后再通过校验集对计算的结果检验;在“以确定参数的队列数据拟合模型遍历地计算识别集中的数据”过程中将目标数据分批次输入到确定参数的队列数据拟合模型并首先计算第一类预警值Q1,如果目标数据的第一类预警值Q1达到阈值后则计算目标数据的第二类预警值Q2,目标数据的第二类预警值Q2也达到阈值则标记目标数据为异常数据。
进一步,所述的“将训练集数据输入到带未知参数的队列数据拟合模型以确定“带未知参数的队列数据拟合模型”中的未知参数的具体数值”具体的,通过神经网络模型学习训练特征确定未知参数的数值。进一步,带未知参数的队列数据拟合模型具体为:
m=et-a·arctan(dt)/(b·sin(ct)),其中的t为目标数据参与拟合的时间量,m为输出量,a、b、c、d 均为未知参数,e为自然常数。
进一步,计算第一类预警值Q1,具体的,Q1=w3·w11/2/w1-w2·w0/w1,其中的w3、w11/2、w1、w2、w0 均为中间参数,具体的:
w0=et-a·arctan(dt);
w1=b2·sin2(ct);
w11/2=bsin(ct);
w2=b·c·cos(ct);
w3=et-a·arctan(dt)+et-a/(1+(dt)2);
所以,Q1=(et-a·arctan(dt)+et-a/(1+(dt)2))·bsin(ct)/b2·sin2(ct)-b·c·cos(ct)·et-a·arctan(dt) /b2·sin2(ct);
其中的t为目标数据参与拟合的时间量,a、b、c、d均对应“带未知参数的队列数据拟合模型”中的未知参数,当形成确定参数的队列数据拟合模型之后,a、b、c、d即为确定的参数,e为自然常数。
进一步,计算第二类预警值Q2,具体的,Q2=∣Q3∣/(1+(Q1)2)3/2,其中的Q1为第一类预警值,Q3为 Q1的导数。
基于人工智能的会计数据处理系统,包括采集单元、预处理单元、数据拟合与运算单元,
所述的采集单元用于通过财务软件数据接口输出目标单位的会计数据;
所述的预处理单元用于对目标单位的会计数据归类、去噪并整合为按照时间前后排序的队列数据以作为待处理的会计数据;
所述的数据拟合与运算单元用于构建带未知参数的队列数据拟合模型,将待处理的会计数据划分为训练集、识别集、校验集,通过将训练集数据输入到带未知参数的队列数据拟合模型以确定“带未知参数的队列数据拟合模型”中的未知参数的具体数值,并形成确定参数的队列数据拟合模型;还用于以确定参数的队列数据拟合模型遍历地计算识别集中的数据;还用于计算识别集中的数据之后再通过校验集对计算的结果检验;还用于在“以确定参数的队列数据拟合模型遍历地计算识别集中的数据”过程中将目标数据分批次输入到确定参数的队列数据拟合模型并首先计算第一类预警值Q1,还用于目标数据的第一类预警值Q1 达到阈值后,计算目标数据的第二类预警值Q2,还用于当目标数据的第二类预警值Q2达到阈值时标记目标数据为异常数据。
与现有技术相比,本发明的有益效果:
本申请通过构建带未知参数的队列数据拟合模型,将待处理的会计数据划分为训练集、识别集、校验集,通过将训练集数据输入到带未知参数的队列数据拟合模型以确定“带未知参数的队列数据拟合模型”中的未知参数的具体数值,并形成确定参数的队列数据拟合模型;然后以确定参数的队列数据拟合模型遍历地计算识别集中的数据;计算识别集中的数据之后再通过校验集对计算的结果检验;将目标数据分批次输入到确定参数的队列数据拟合模型并首先计算第一类预警值Q1,如果目标数据的第一类预警值Q1达到阈值后则计算目标数据的第二类预警值Q2,目标数据的第二类预警值Q2也达到阈值则标记目标数据为异常数据,通过这样本申请提供了高效精准确定会计数据是否异常办法,解决了现有技术中人工查找异常会计数据效率低的问题,并且由于本申请采用了先拟合后计算预警数值的方法可以将数据量纲统一,这样可以发现因为统计软件的技术漏洞或数据过滤等处理不当造成的异常问题数据。
附图说明:
图1本申请基于人工智能的会计数据处理系统组成框图。
具体实施方式
下面将结合本发明实施例,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
本申请公开了一种基于人工智能的会计数据处理方法,包括步骤有,
通过财务软件数据接口输出目标单位的会计数据;
对目标单位的会计数据归类、去噪并整合为按照时间前后排序的队列数据以作为待处理的会计数据;构建带未知参数的队列数据拟合模型,将待处理的会计数据划分为训练集、识别集、校验集,通过将训练集数据输入到带未知参数的队列数据拟合模型以确定“带未知参数的队列数据拟合模型”中的未知参数的具体数值,并形成确定参数的队列数据拟合模型;然后以确定参数的队列数据拟合模型遍历地计算识别集中的数据;计算识别集中的数据之后再通过校验集对计算的结果检验;在“以确定参数的队列数据拟合模型遍历地计算识别集中的数据”过程中将目标数据分批次输入到确定参数的队列数据拟合模型并首先计算第一类预警值Q1,如果目标数据的第一类预警值Q1达到阈值后则计算目标数据的第二类预警值Q2,目标数据的第二类预警值Q2也达到阈值则标记目标数据为异常数据。
优选地,所述的“将训练集数据输入到带未知参数的队列数据拟合模型以确定“带未知参数的队列数据拟合模型”中的未知参数的具体数值”具体的,通过神经网络模型学习训练特征确定未知参数的数值。优选地,带未知参数的队列数据拟合模型具体为:
m=et-a·arctan(dt)/(b·sin(ct)),其中的t为目标数据参与拟合的时间量,m为输出量,a、b、c、d 均为未知参数,e为自然常数。
优选地,计算第一类预警值Q1,具体的,Q1=w3·w11/2/w1-w2·w0/w1,其中的w3、w11/2、w1、w2、w0 均为中间参数,具体的:
w0=et-a·arctan(dt);
w1=b2·sin2(ct);
w11/2=bsin(ct);
w2=b·c·cos(ct);
w3=et-a·arctan(dt)+et-a/(1+(dt)2);
所以,Q1=(et-a·arctan(dt)+et-a/(1+(dt)2))·bsin(ct)/b2·sin2(ct)-b·c·cos(ct)·et-a·arctan(dt) /b2·sin2(ct);
其中的t为目标数据参与拟合的时间量,a、b、c、d均对应“带未知参数的队列数据拟合模型”中的未知参数,当形成确定参数的队列数据拟合模型之后,a、b、c、d即为确定的参数,e为自然常数。
优选地,计算第二类预警值Q2,具体的,Q2=∣Q3∣/(1+(Q1)2)3/2,其中的Q1为第一类预警值,Q3为 Q1的导数。
本申请的一个具体实施中,一种基于人工智能的会计数据处理方法,包括步骤有,
通过财务软件数据接口输出目标单位的会计数据;
对目标单位的会计数据归类、去噪并整合为按照时间前后排序的队列数据以作为待处理的会计数据;
构建带未知参数的队列数据拟合模型;带未知参数的队列数据拟合模型具体为:
m=et-a·arctan(dt)/(b·sin(ct)),其中的t为目标数据参与拟合的时间量,m为输出量,a、b、c、d 均为未知参数,e为自然常数;
将待处理的会计数据划分为训练集、识别集、校验集,通过将训练集数据输入到带未知参数的队列数据拟合模型,并且通过神经网络模型学习训练特征以确定“带未知参数的队列数据拟合模型”中的未知参数的具体数值,并形成确定参数的队列数据拟合模型;然后以确定参数的队列数据拟合模型遍历地计算识别集中的数据;计算识别集中的数据之后再通过校验集对计算的结果检验;在“以确定参数的队列数据拟合模型遍历地计算识别集中的数据”过程中将目标数据分批次输入到确定参数的队列数据拟合模型并首先计算第一类预警值Q1;Q1=w3·w11/2/w1-w2·w0/w1,其中的w3、w11/2、w1、w2、w0均为中间参数,具体的:
w0=et-a·arctan(dt);
w1=b2·sin2(ct);
w11/2=bsin(ct);
w2=b·c·cos(ct);
w3=et-a·arctan(dt)+et-a/(1+(dt)2);
所以,Q1=(et-a·arctan(dt)+et-a/(1+(dt)2))·bsin(ct)/b2·sin2(ct)-b·c·cos(ct)·et-a·arctan(dt) /b2·sin2(ct);
其中的t为目标数据参与拟合的时间量,a、b、c、d均对应“带未知参数的队列数据拟合模型”中的未知参数,当形成确定参数的队列数据拟合模型之后,a、b、c、d即为确定的参数,e为自然常数;
如果目标数据的第一类预警值Q1达到阈值后则计算目标数据的第二类预警值Q2;
Q2=∣Q3∣/(1+(Q1)2)3/2,其中的Q1为第一类预警值,Q3为Q1的导数;
目标数据的第二类预警值Q2也达到阈值则标记目标数据为异常数据。
可以理解的,本申请通过构建带未知参数的队列数据拟合模型,将待处理的会计数据划分为训练集、识别集、校验集,通过将训练集数据输入到带未知参数的队列数据拟合模型以确定“带未知参数的队列数据拟合模型”中的未知参数的具体数值,并形成确定参数的队列数据拟合模型;然后以确定参数的队列数据拟合模型遍历地计算识别集中的数据;计算识别集中的数据之后再通过校验集对计算的结果检验;将目标数据分批次输入到确定参数的队列数据拟合模型并首先计算第一类预警值Q1,如果目标数据的第一类预警值Q1达到阈值后则计算目标数据的第二类预警值Q2,目标数据的第二类预警值Q2也达到阈值则标记目标数据为异常数据,通过这样本申请提供了高效精准确定会计数据是否异常办法,解决了现有技术中人工查找异常会计数据效率低的问题,并且由于本申请采用了先拟合后计算预警数值的方法可以将数据量纲统一,这样可以发现因为统计软件的技术漏洞或数据过滤等处理不当造成的异常问题数据。
本申请还公开了基于人工智能的会计数据处理系统,如图1,包括采集单元、预处理单元、数据拟合与运算单元,所述的采集单元用于通过财务软件数据接口输出目标单位的会计数据;
所述的预处理单元用于对目标单位的会计数据归类、去噪并整合为按照时间前后排序的队列数据以作为待处理的会计数据;
所述的数据拟合与运算单元用于构建带未知参数的队列数据拟合模型,将待处理的会计数据划分为训练集、识别集、校验集,通过将训练集数据输入到带未知参数的队列数据拟合模型以确定“带未知参数的队列数据拟合模型”中的未知参数的具体数值,并形成确定参数的队列数据拟合模型;还用于以确定参数的队列数据拟合模型遍历地计算识别集中的数据;还用于计算识别集中的数据之后再通过校验集对计算的结果检验;还用于在“以确定参数的队列数据拟合模型遍历地计算识别集中的数据”过程中将目标数据分批次输入到确定参数的队列数据拟合模型并首先计算第一类预警值Q1,还用于目标数据的第一类预警值Q1 达到阈值后,计算目标数据的第二类预警值Q2,还用于当目标数据的第二类预警值Q2达到阈值时标记目标数据为异常数据。
Claims (2)
1.基于人工智能的会计数据处理方法,其特征在于,包括的步骤有: 通过财务软件数据接口输出目标单位的会计数据; 对目标单位的会计数据归类、去噪并整合为按照时间前后排序的队列数据以作为待处理的会计数据;构建带未知参数的队列数据拟合模型,将待处理的会计数据划分为训练集、识别集、校验集,通过将训练集数据输入到带未知参数的队列数据拟合模型以确定“带未知参数的队列数据拟合模型”中的未知参数的具体数值,并形成确定参数的队列数据拟合模型;然后以确定参数的队列数据拟合模型遍历地计算识别集中的数据;计算识别集中的数据之后再通过校验集对计算的结果检验;在“以确定参数的队列数据拟合模型遍历地计算识别集中的数据”过程中将目标数据分批次输入到确定参数的队列数据拟合模型并首先计算第一类预警值Q1,如果目标数据的第一类预警值Q1达到阈值后则计算目标数据的第二类预警值Q2,目标数据的第二类预警值Q2也达到阈值则标记目标数据为异常数据;所述的“将训练集数据输入到带未知参数的队列数据拟合模型以确定“带未知参数的队列数据拟合模型”中的未知参数的具体数值”具体的,通过神经网络模型学习训练特征确定未知参数的数值;带未知参数的队列数据拟合模型具体为: m=et-a·arctan(dt)/(b·sin(ct)),其中的t为目标数据参与拟合的时间量,m为输出量,a、b、c、d均为未知参数,e为自然常数;计算第二类预警值Q2,具体的,Q2=∣Q3∣/(1+(Q1)2)3/2,其中的Q1为第一类预警值,Q3为Q1的导数;计算第一类预警值Q1,具体的,Q1=w3·w11/2/w1-w2·w0/w1,其中的w3、w11/2、w1、w2、w0均为中间参数,具体的: w0=et-a·arctan(dt); w1=b2·sin2(ct); w11/2=bsin(ct); w2=b·c·cos(ct); w3=et-a·arctan(dt)+et-a/(1+(dt)2);所以,Q1=(et-a·arctan(dt)+et-a/(1+(dt)2))·bsin(ct)/b2·sin2(ct)-b·c·cos(ct)·et-a·arctan(dt)/b2·sin2(ct); 其中的t为目标数据参与拟合的时间量,a、b、c、d均对应“带未知参数的队列数据拟合模型”中的未知参数,当形成确定参数的队列数据拟合模型之后,a、b、c、d即为确定的参数,e为自然常数。
2.应用如权利要求1所述的方法实现的基于人工智能的会计数据处理系统,其特征在于, 包括采集单元、预处理单元、数据拟合与运算单元, 所述的采集单元用于通过财务软件数据接口输出目标单位的会计数据; 所述的预处理单元用于对目标单位的会计数据归类、去噪并整合为按照时间前后排序的队列数据以作为待处理的会计数据; 所述的数据拟合与运算单元用于构建带未知参数的队列数据拟合模型,将待处理的会计数据划分为训练集、识别集、校验集,通过将训练集数据输入到带未知参数的队列数据拟合模型以确定“带未知参数的队列数据拟合模型”中的未知参数的具体数值,并形成确定参数的队列数据拟合模型;还用于以确定参数的队列数据拟合模型遍历地计算识别集中的数据;还用于计算识别集中的数据之后再通过校验集对计算的结果检验;还用于在“以确定参数的队列数据拟合模型遍历地计算识别集中的数据”过程中将目标数据分批次输入到确定参数的队列数据拟合模型并首先计算第一类预警值Q1,还用于目标数据的第一类预警值Q1达到阈值后,计算目标数据的第二类预警值Q2,还用于当目标数据的第二类预警值Q2达到阈值时标记目标数据为异常数据。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210769115.1A CN115018607B (zh) | 2022-07-01 | 2022-07-01 | 基于人工智能的会计数据处理方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210769115.1A CN115018607B (zh) | 2022-07-01 | 2022-07-01 | 基于人工智能的会计数据处理方法及系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN115018607A CN115018607A (zh) | 2022-09-06 |
CN115018607B true CN115018607B (zh) | 2023-01-24 |
Family
ID=83078710
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210769115.1A Active CN115018607B (zh) | 2022-07-01 | 2022-07-01 | 基于人工智能的会计数据处理方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115018607B (zh) |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110490720A (zh) * | 2019-07-08 | 2019-11-22 | 深圳壹账通智能科技有限公司 | 财务数据分析预警方法、装置、计算机设备和存储介质 |
CN111652703A (zh) * | 2020-06-04 | 2020-09-11 | 策拉人工智能科技(云南)有限公司 | 一种人工智能会计自动记账、报税的方法及系统 |
WO2021007812A1 (zh) * | 2019-07-17 | 2021-01-21 | 深圳大学 | 一种深度神经网络超参数优化方法、电子设备及存储介质 |
CN112288025A (zh) * | 2020-11-03 | 2021-01-29 | 中国平安财产保险股份有限公司 | 基于树结构的异常案件识别方法、装置、设备及存储介质 |
CN112767106A (zh) * | 2021-01-14 | 2021-05-07 | 中国科学院上海高等研究院 | 自动化审计方法、系统、计算机可读存储介质及审计设备 |
CN113129122A (zh) * | 2021-04-30 | 2021-07-16 | 国家电网有限公司 | 财务风险预警审计方法、装置、电子设备、及存储介质 |
Family Cites Families (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108897964A (zh) * | 2018-07-09 | 2018-11-27 | 重庆大学 | 一种污水管网超标排放工业废水的贝叶斯统计溯源方法 |
CN114245291A (zh) * | 2021-11-19 | 2022-03-25 | 中国矿业大学 | 参考节点虚拟化为未知节点的测距定位方法 |
-
2022
- 2022-07-01 CN CN202210769115.1A patent/CN115018607B/zh active Active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110490720A (zh) * | 2019-07-08 | 2019-11-22 | 深圳壹账通智能科技有限公司 | 财务数据分析预警方法、装置、计算机设备和存储介质 |
WO2021007812A1 (zh) * | 2019-07-17 | 2021-01-21 | 深圳大学 | 一种深度神经网络超参数优化方法、电子设备及存储介质 |
CN111652703A (zh) * | 2020-06-04 | 2020-09-11 | 策拉人工智能科技(云南)有限公司 | 一种人工智能会计自动记账、报税的方法及系统 |
CN112288025A (zh) * | 2020-11-03 | 2021-01-29 | 中国平安财产保险股份有限公司 | 基于树结构的异常案件识别方法、装置、设备及存储介质 |
CN112767106A (zh) * | 2021-01-14 | 2021-05-07 | 中国科学院上海高等研究院 | 自动化审计方法、系统、计算机可读存储介质及审计设备 |
CN113129122A (zh) * | 2021-04-30 | 2021-07-16 | 国家电网有限公司 | 财务风险预警审计方法、装置、电子设备、及存储介质 |
Also Published As
Publication number | Publication date |
---|---|
CN115018607A (zh) | 2022-09-06 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN106778259B (zh) | 一种基于大数据机器学习的异常行为发现方法及系统 | |
CN108345670B (zh) | 一种用于95598电力工单的服务热点发现方法 | |
CN105574544A (zh) | 一种数据处理方法和装置 | |
CN112711757B (zh) | 一种基于大数据平台的数据安全集中管控方法及系统 | |
CN112860676B (zh) | 应用于大数据挖掘和业务分析的数据清洗方法及云服务器 | |
CN109375948A (zh) | 一种智能功能点识别的软件计价方法 | |
CN114841789A (zh) | 基于区块链的审计审价故障数据在线编辑方法及系统 | |
CN111221873A (zh) | 基于关联网络的企业间同名人识别方法及系统 | |
CN110569237A (zh) | 实现实时数据清洗处理的系统及其方法 | |
CN115018607B (zh) | 基于人工智能的会计数据处理方法及系统 | |
CN111193631B (zh) | 信息处理方法、系统和计算机可读存储介质 | |
CN111899138A (zh) | 一种基于大数据的教学行为分析系统及分析方法 | |
CN115438190B (zh) | 一种配电网故障辅助决策知识抽取方法及系统 | |
CN115439265A (zh) | 一种保险行业智能赔付异常交易风险控制系统 | |
CN112712270B (zh) | 信息处理方法、装置、设备及存储介质 | |
CN113449923A (zh) | 一种多模型标的物行情预测方法和装置 | |
CN113221642A (zh) | 一种违章抓拍图像ai识别系统 | |
CN112907254A (zh) | 欺诈交易识别、模型训练方法、装置、设备及存储介质 | |
CN112667569A (zh) | 特征方法、系统、计算机设备及计算机可读存储介质 | |
CN112215494B (zh) | 一种居民用电的房屋租赁识别方法及系统 | |
CN110956471A (zh) | 装修行业征信数据的分析方法 | |
CN109740858A (zh) | 基于深度学习的自动化辅助决策系统及方法 | |
CN111858291B (zh) | 计费系统迁移测试中数据异常的根因确定方法、设备及系统 | |
CN116433018A (zh) | 基于数字孪生的配电网风险态势感知方法及装置 | |
CN116702923A (zh) | 一种基于联邦学习的特征筛选方法、装置、设备及介质 |
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 |