CN115660794A - 数据检查方法、装置,及电子设备 - Google Patents
数据检查方法、装置,及电子设备 Download PDFInfo
- Publication number
- CN115660794A CN115660794A CN202211174235.3A CN202211174235A CN115660794A CN 115660794 A CN115660794 A CN 115660794A CN 202211174235 A CN202211174235 A CN 202211174235A CN 115660794 A CN115660794 A CN 115660794A
- Authority
- CN
- China
- Prior art keywords
- data
- target data
- inspection
- value
- monitoring index
- 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
Images
Landscapes
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本申请公开了一种数据检查方法及装置,属于数据处理技术领域。本方法包括:响应于中央服务器发送的目标数据检查指令,通过中央服务器获取数据检查模型;获取当前地方对象的与目标数据检查指令关联的目标数据;对目标数据进行聚合处理,得到目标数据对应的预设监测指标的特征值;根据数据检查模型和预设监测指标的特征值,得到目标数据是否异常的检查结果;将检查结果发送至中央服务器。本方法由中央服务器根据历史数据训练数据检查模型,由地方服务器从中央服务器获取数据检查模型,并基于所述数据检查模型对所属地方对象的目标数据进行检查,并将检查结果上传至中央服务器,充分提升了数据检查效率,并且保护了地方对象的数据隐私。
Description
技术领域
本申请涉及数据处理技术领域,特别是涉及数据检查方法、装置,及电子设备及计算机可读存储介质。
背景技术
对于集团企业,通常需要对地方或下属部门等下级组织的项目数据进行检查,以及时发现数据异常情况。以财务数据为例,财务支出是经一定程序核定的经费年度收支记录,财务支出每年底都会进行对账查账,因此财务管理是收好,管好,记录好经费的重要手段对财务数据的监测和加强异常支出财务数据的检查管理,有利于优化支出结构,加强支出管理。现有技术中,财务管理系统很多环节管理依靠人工进行财务数据分析,不仅效率低,且容易出现失误。
发明内容
本申请实施例提供一种数据检查方法及装置,可以解决人工检查数据异常时效率低下的问题。
第一方面,本申请实施例公开了一种数据检查方法,包括:
响应于中央服务器发送的目标数据检查指令,通过所述中央服务器获取数据检查模型;
获取当前地方对象的与所述目标数据检查指令关联的目标数据;
对所述目标数据进行聚合处理,得到所述目标数据对应的预设监测指标的特征值;
根据所述数据检查模型和所述预设监测指标的特征值,得到指示所述目标数据是否异常的检查结果;
将所述检查结果发送至所述中央服务器。
可选的,所述根据所述数据检查模型和所述预设监测指标的特征值,得到指示所述目标数据是否异常的检查结果之后,还包括:
以对应每个所述预设监测指标的各组模拟数据分别作为预设缺失数据模拟模型的输入,得到相应所述预设监测指标对应的模拟拟合值;
以对应每个所述预设监测指标的各组真实数据分别作为所述预设缺失数据模拟模型的输入,得到相应所述预设监测指标对应的真实拟合值;
根据所述模拟拟合值与所述真实拟合值之间的差值大小,得到所述检查结果的准确度预测结果。
可选的,所述根据所述模拟拟合值与所述真实拟合值之间的差值大小,得到所述检查结果的准确度预测结果,包括:
在所述模拟拟合值与所述真实拟合值之间的差值大于或等于预设差值阈值的情况下,得到所述检查结果的第一准确度预测结果;
在每个所述预设监测指标相应的所述模拟拟合值与所述真实拟合值之间的差值均小于所述预设差值阈值的情况下,得到所述检查结果的第二准确度预测结果。
可选的,所述预设缺失数据模拟模型基于岭回归方法构建。
可选的,所述数据检查模型为根据历史数据训练的朴素贝叶斯模型,所述根据所述数据检查模型和所述预设监测指标的特征值,得到指示所述目标数据是否异常的检查结果,包括:
基于所述数据检查模型中的已知异常概率、已知正常概率、所述预设监测指标的目标特征值在异常子集中的概率,以及,所述预设监测指标的所述目标特征值在正常子集中的概率,预测在满足所述预设监测指标的所述特征值条件下,所述目标数据疑似异常被判断为异常的第一概率,以及,所述目标数据疑似正常被判断为正常的第二概率;
根据所述第一概率和所述第二概率,得到指示所述目标数据是否异常的检查结果。
可选的,所述根据所述第一概率和所述第二概率,得到指示所述目标数据是否异常的检查结果,包括:
在所述第一概率大于所述第二概率的情况下,得到指示所述目标数据异常的检查结果;
在所述第一概率小于等于所述第二概率的情况下,得到指示所述目标数据正常的检查结果。
可选的,所述获取当前地方对象的与所述目标数据检查指令关联的目标数据,包括:
获取当前地方对象本地存储的与所述目标数据检查指令关联的本地目标数据;
对所述本地目标数据按照类型进行汇总;
基于所述类型访问所述中央服务器存储的关联关系数据库,获取与所述当前地方对象基于所述目标数据存在关联关系的目标地方对象;
通过所述目标地方对象,获取所述目标地方对象本地存储的与所述本地目标数据关联的关联目标数据;
对所述本地目标数据和所述关联目标数据按照所述类型进行合并,得到当前地方对象的与所述目标数据检查指令关联的目标数据。
第二方面,本申请实施例公开了一种数据检查装置,包括:
数据检查模型获取模块,用于响应于中央服务器发送的目标数据检查指令,通过所述中央服务器获取数据检查模型;
目标数据获取模块,用于获取当前地方对象的与所述目标数据检查指令关联的目标数据;
特征值获取模块,用于对所述目标数据进行聚合处理,得到所述目标数据对应的预设监测指标的特征值;
数据检查模块,用于根据所述数据检查模型和所述预设监测指标的特征值,得到指示所述目标数据是否异常的检查结果;
检查结果上传模块,用于将所述检查结果发送至所述中央服务器。
可选的,所述装置还包括:
模拟拟合值获取模块,用于以对应每个所述预设监测指标的各组模拟数据分别作为预设缺失数据模拟模型的输入,得到相应所述预设监测指标对应的模拟拟合值;
真实拟合值获取模块,用于以对应每个所述预设监测指标的各组真实数据分别作为所述预设缺失数据模拟模型的输入,得到相应所述预设监测指标对应的真实拟合值;
预测结果获取模块,用于根据所述模拟拟合值与所述真实拟合值之间的差值大小,得到所述检查结果的准确度预测结果。
可选的,所述预测结果获取模块,进一步用于:
在所述模拟拟合值与所述真实拟合值之间的差值大于或等于预设差值阈值的情况下,得到所述检查结果的第一准确度预测结果;
在每个所述预设监测指标相应的所述模拟拟合值与所述真实拟合值之间的差值均小于所述预设差值阈值的情况下,得到所述检查结果的第二准确度预测结果。
可选的,所述预设缺失数据模拟模型基于岭回归方法构建。
可选的,所述数据检查模型为根据历史数据训练的朴素贝叶斯模型,所述数据检查模块,进一步用于:
基于所述数据检查模型中的已知异常概率、已知正常概率、所述预设监测指标的目标特征值在异常子集中的概率,以及,所述预设监测指标的所述目标特征值在正常子集中的概率,预测在满足所述预设监测指标的所述特征值条件下,所述目标数据疑似异常被判断为异常的第一概率,以及,所述目标数据疑似正常被判断为正常的第二概率;
根据所述第一概率和所述第二概率,得到指示所述目标数据是否异常的检查结果。
可选的,所述根据所述第一概率和所述第二概率,得到指示所述目标数据是否异常的检查结果,包括:
在所述第一概率大于所述第二概率的情况下,得到指示所述目标数据异常的检查结果;
在所述第一概率小于等于所述第二概率的情况下,得到指示所述目标数据正常的检查结果。
可选的,所述目标数据获取模块,进一步用于:
获取当前地方对象本地存储的与所述目标数据检查指令关联的本地目标数据;
对所述本地目标数据按照类型进行汇总;
基于所述类型访问所述中央服务器存储的关联关系数据库,获取与所述当前地方对象基于所述目标数据存在关联关系的目标地方对象;
通过所述目标地方对象,获取所述目标地方对象本地存储的与所述本地目标数据关联的关联目标数据;
对所述本地目标数据和所述关联目标数据按照所述类型进行合并,得到当前地方对象的与所述目标数据检查指令关联的目标数据。
第三方面,本申请实施例还公开了一种电子设备,包括存储器、处理器及存储在所述存储器上并可在处理器上运行的计算机程序,所述处理器执行所述计算机程序时实现本申请实施例所述的数据检查方法。
第四方面,本申请实施例公开了一种计算机可读存储介质,其上存储有计算机程序,该程序被处理器执行时本申请实施例公开的数据检查方法的步骤。
本申请实施例公开的数据检查方法,通过响应于中央服务器发送的目标数据检查指令,通过所述中央服务器获取数据检查模型;获取当前地方对象的与所述目标数据检查指令关联的目标数据;对所述目标数据进行聚合处理,得到所述目标数据对应的预设监测指标的特征值;根据所述数据检查模型和所述预设监测指标的特征值,得到指示所述目标数据是否异常的检查结果;将所述检查结果发送至所述中央服务器,充分提升了数据检查效率。
上述说明仅是本申请技术方案的概述,为了能够更清楚了解本申请的技术手段,而可依照说明书的内容予以实施,并且为了让本申请的上述和其它目的、特征和优点能够更明显易懂,以下特举本申请的具体实施方式。
附图说明
为使本申请实施例的目的、技术方案和优点更加清楚,下面将结合本申请实施例中的附图,对本申请实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例是本申请一部分实施例,而不是全部的实施例。基于本申请中的实施例,本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例,都属于本申请保护的范围。
图1是本申请实施例公开的数据检查方法的流程图之一;
图2是本申请实施例公开的数据检查方法的一个应用场景示意图;
图3是本申请实施例公开的数据检查方法的流程图之二;
图4是本申请实施例公开的数据检查装置结构示意图之一;
图5是本申请实施例公开的数据检查装置结构示意图之二;
图6示意性地示出了用于执行根据本申请的方法的电子设备的框图;以及
图7示意性地示出了用于保持或者携带实现根据本申请的方法的程序代码的存储单元。
具体实施方式
下面将结合本申请实施例中的附图,对本申请实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例是本申请一部分实施例,而不是全部的实施例。基于本申请中的实施例,本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例,都属于本申请保护的范围。
本申请实施例中所述的数据检查方法,在原有数据业务体系结构的基础之上增加人工智能环节,在不影响原先的体系结构的同时,保持了原有成熟业务的稳定性,且结构简单;并可以灵活的应用于各种中央系统对地方系统的管理业务上,解决了目前数据业务管理系统很多环节管理依靠人工完成,效率低下,以及,由于人工经验不足,导致的数据分析错误问题。
本申请实施例中所述的数据检查方法,尤其适用于隐私数据的检查,例如,财务数据。具体举例而言,本申请实施例中所述的目标数据可以为支出数据、收入数据等。采用本申请实施例中所述的数据检查方法进行异常数据检查,地方对象的目标数据可存储在本地服务器中,通过执行中央服务器下发的数据检查模型,在本地执行数据检查,充分保证数据隐私。并且,通过有中央服务器提供数据检查模型,并下发数据检查指令到地方对象,由地方对象针对自身数据,基于中央服务器提供数据检查模型进行检查,之后,将检查结果上传到中央服务器,即实现了中央系统对地方对象数据的及时检查,通过将检查任务下发到各地方对象,又减少了中央服务器的计算压力,并且,保障了地方对象的数据隐私性。
为便于理解本申请,下面对本申请实施例公开的一种数据检查方法的具体方案进行举例说明。
如图1所示,本申请实施例公开的一种数据检查方法,包括:步骤110至步骤150。
步骤110,响应于中央服务器发送的目标数据检查指令,通过所述中央服务器获取数据检查模型。
本申请实施例中所述的中央服务器的指监测或管理地方对象的数据异常状况的中央对象的服务器。例如,对于包括多个子公司的集团企业,中央对象为集团总部,地方对象为各子公司,相应的,中央服务器为集团总部服务器,而地方对象本地部署的服务器则可以称为地方服务器。
其中,所述数据检查模型为中央服务器根据各地方对象在指定数据周内发生的历史数据训练得到的模型。例如,所述数据检查模型可以为:中央服务器根据各地方历史支出数据进行分析,通过支出类型(如日常支出、计划内支出、计划外支出、其他支出等)、支出发生周期、支出金额、支出内容、支出关联表等维度,进行数据统计得出的用于预设地方对象的支出数据异常或正常的支出评分指标和评分规则。
本申请的一些实施例中,所述数据检查模型可以为神经网络模型,也可以为数据分布模型,例如贝叶斯模型。
其中,所述目标数据检查指令由中央服务器下发到地方服务器,以触发地方服务器对所属地方对象的目标数据进行检查。本申请实施例中所述的目标数据检查指令中可以携带数据类型、数据周期等信息,使得接收到该目标数据检查指令的地方对象可以根据所述目标数据检查指令,确定待检查的数据类型,以及数据生成周期。
本申请的实施例中,将接收到该目标数据检查指令的地方服务器称为“当前地方服务器”,相应的,将当前地方服务器所属地方对象记为“为当前地方对象”。例如,当前地方对象根据接收到的目标数据检查指令可以确定检查最近一个月的支出数据,还是,检查最近半年的收入数据等。
本申请的实施例中,为了降低中央服务器的计算压力,以及,保护各地方对象隐私输入(如收入数据、支出数据)的隐私性,所述数据检查方法应用于如图2所示的数据管理系统中。
如图2所述,所述数据管理系统包括:中央服务器210和多个地方服务器220,所述中央服务器210和所述地方服务器220通过网络连接。
其中,所述中央服务器210用于训练并存储数据检查模型2101。所述中央服务器210中还存储有总部数据分析结果数据库2102和关联关系数据库2103。其中,所述总部数据分析结果数据库2102用于存储各地方服务器220上传的数据检查结果;所述关联关系数据库2103用于存储地方对象之间存在目标关联数据的关联关系。所述中央服务器210负责维护所述数据检查模型2101、总部数据分析结果数据库2102,以及,关联关系数据库2103。
每台所述地方服务器220分别属于不同地方对象。所述地方服务器220用于接收目标数据检查指令,执行所述目标数据检查指令对应的数据检查任务,以及,上传数据检查结果。所述地方服务器220还用于下载所述数据检查模型。本申请的一些实施例中,所述地方服务器220还用于对所述数据检查模型进行存储。
在数据管理系统运行过程中,中央服务器210根据检查人员的触发或按照预设周期生成目标数据检查指令,并将所述目标数据检查指令发送至指定的地方服务器220,以触发地方服务器220执行相应地方对象的数据检查任务。
地方对象的地方服务器220在接收到中央服务器发送的目标数据检查指令之后,获取需要检查的数据的信息(如数据类型、数据生成周期),并获取所述中央服务器训练的数据检查模型2101。
步骤120,获取当前地方对象的与所述目标数据检查指令关联的目标数据。
其中,所述目标数据可以为:支出数据、收入数据或者其他类目的数据。
以所述目标数据为支出数据为例,地方服务器接收到中央服务器发送的目标数据检查指令之后,首先获取所述地方服务器所属地方对象(本申请实施例中称为“当前地方对象”)的支出数据,作为待检查的目标数据。
本申请的一些实施例中,由于各地方对象之间可能存在业务往来,因此,可能存在关联数据。相应的,所述地方服务器进一步获取与该当前地方对象存在关联数据(如关联支出)的其他地方对象的支出数据,作为关联目标数据,并将当前地方对象的支出数据和获取的关联目标数据,共同作为待检查的目标数据。
步骤130,对所述目标数据进行聚合处理,得到所述目标数据对应的预设监测指标的特征值。
在获取到当前地方对象的与所述目标数据检查指令关联的目标数据之后,当前地方服务器进一步对获取的目标数据按照预设类型进行聚合处理,以得到所述目标数据对应的预设监测指标的特征值。其中,以目标数据为支出数据为例,所述预设类型可以包括:日常支出、计划内支出、计划外支出,以及,其他支出。
本申请的实施例中,对所述目标数据进行聚合处理的维度根据具体业务内容和数据检查需求确定。
其中,所述预设监测指标根据具体业务内容和数据检查需求确定,例如,在目标数据为支出数据时,所述预设监测指标可以包括各项支出类型的支出金额、支出次数等。相应的,目标数据对应的预设监测指标的特征值可以通过例如一个四维特征表达,其中,各个维度分别对应:日常支出总金额、计划内支出总金额、计划外支出总金额,以及,其他支出总金额;或者,目标数据对应的预设监测指标的特征值可以通过例如一个四个特征表达,其中,每个维度的特征值通过长度为2的向量表达,分别对应:日常支出总金额和支出总次数、计划内支出总金额和支出总次数、计划外支出总金额和支出总次数,以及,其他支出总金额和支出总次数。
本领域技术人员应当理解,对应上述类目的目标数据,或者其他目标数据,还可以采用其他监测指标和特征值提取方式,对目标数据进行特征表达,本申请实施例中所列举的目标数据和监测指标,仅仅是为了便于读者理解本申请而列举的一种或几种实施方式,不应理解为对本申请实施方案的限制。
步骤140,根据所述数据检查模型和所述预设监测指标的特征值,得到指示所述目标数据是否异常的检查结果。
在获取到目标数据的预设监测指标的特征值之后,接下来,当前地方服务器通过所述数据检查模型,基于预设监测指标的特征值进行预测,以判断所述目标数据异常或正常。
步骤150,将所述检查结果发送至所述中央服务器。
在得到对目标数据的检查结果之后,当前地方服务器将得到的检查结果(即检查结果)发送到中央服务器,由中央服务器进行存储和进一步分析。例如,当中央服务器发现某个地方对象的支出数据的检查结果为异常之后,可以进一步核查数据异常原因,及时发现地方对象的业务数据处理是否存在问题,经营状况是否存在问题。再例如,当中央服务器发现过多地方对象的支出数据的检查结果为异常之后,可以进一步核查数据异常原因,以确定是否多个地方对象的数据都出现问题,或者是数据检查模型准确度降低了。
本申请实施例公开的数据检查方法,通过响应于中央服务器发送的目标数据检查指令,通过所述中央服务器获取数据检查模型;获取当前地方对象的与所述目标数据检查指令关联的目标数据;对所述目标数据进行聚合处理,得到所述目标数据对应的预设监测指标的特征值;根据所述数据检查模型和所述预设监测指标的特征值,得到指示所述目标数据是否异常的检查结果;将所述检查结果发送至所述中央服务器,充分提升了数据检查效率。
本申请实施例公开的数据检查方法,通过由中央服务器根据历史数据训练数据检查模型,由地方服务器从中央服务器获取数据检查模型,并执行数据检查任务,基于所述数据检查模型对各地方服务器所属地方对象的目标数据进行检查,得到各地方对象的数据检查结果,之后,上传至中央服务器,不仅实现了地方对象目标数据的自动检查,同时,通过在地方服务器执行数据检查任务,还可以减轻中央服务器的计算压力,并维护地方对象的数据隐私。
本申请的另一些实施例中,在根据所述数据检查模型和所述预设监测指标的特征值,得到指示所述目标数据是否异常的检查结果之后,还可以包括对目标数据和/或数据检查模型进行校验的步骤。
例如,参考图3所示,在将所述检查结果发送至所述中央服务器之后所述方法还包括:步骤160至步骤180。
步骤160,以对应每个所述预设监测指标的各组模拟数据分别作为预设缺失数据模拟模型的输入,得到相应所述预设监测指标对应的模拟拟合值。
首先,获取对应每个所述预设监测指标的各组模拟数据。
本申请实施例中所述的模拟数据为带有标签的标准数据。所述标准数据可以根据历史数据生成,也可以根据具体业务场景模拟生成。例如,所述模拟数据可以包括对应各预设监测指标的数据集合,并且,每个数据设置有标记该条数据为正常或异常的标签,用于表示该条数据的预测结果。以前述目标数据为支出数据为例,如果支出数据分为四种类型,即:日常支出、计划内支出、计划外支出,以及,其他支出,那么,可以获取四组数据,每组数据对应一种支出类型,每组数据由带有标签的若干条支出数据构成,标签用于指示该数据为正常值或异常值。
然后,以每组所述模拟数据分别作为预设缺失数据模拟模型的输入,得到相应所述预设监测指标对应的模拟拟合值。
本申请的实施例中,为了校验数据检查模型的准确性,以及,目标数据分类的正确度,首先构建了缺失数据模拟模型,用于拟合数据的预测结果。其中,所述预设缺失数据模拟模型基于岭回归方法构建。例如,所述缺失数据模拟模型可以通过如下公式表示:
||Xθ-y||2+||Γθ||2;
其中,X表示输入,y表示输出的预测结果(即数据的标签),||表示正则运算,Γ是权重常量,取值通过训练得到,θ为拟合超参数。
上述公式中,为了防止过拟合运算,θ通过以下方式计算:
θ(a)=(XTX+aI)-1XTy;
其中,θ(a)表示在a确定的情况下求θ的值,I表示单位矩阵,a表示单位矩阵的权重。
通过以每组模拟数据分别作为上述预设缺失数据模拟模型的输入,可以得到每组标准数据对应的模拟拟合值。例如可以得到分别对应日常支出标准数据、计划内支出标准数据、计划外支出标准数据,以及,其他支出标准数据的拟合值,所述拟合值可以用与表达相应类别支出数据和正常异常分类情况的拟合结果。
步骤170,以对应每个所述预设监测指标的各组真实数据分别作为所述预设缺失数据模拟模型的输入,得到相应所述预设监测指标对应的真实拟合值。
首先,根据所述目标数据,获取与每个所述预设监测指标对应的各组真实数据。
本申请的实施例中,可以根据前述步骤140中得到的所述目标数据是否异常的检查结果,确定每条所述目标数据的预测结果。例如,如果所述检查结果指示目标数据为异常数据,则根据所述目标数据生成的真实数据的预测结果为异常;如果所述检查结果指示所述目标数据为正常数据,则根据所述目标数据生成的真实数据的预测结果为正常。之后,对获取的目标数据按照支出类型和预测结果,生成多组数据,以支出类型包括:日常支出、计划内支出、计划外支出,以及,其他支出为例,可以得到四组数据,每组数据对应一种支出类型。
然后,以每组所述真实数据分别作为预设缺失数据模拟模型的输入,得到相应所述预设监测指标对应的真实拟合值。
接下来,以每组真实数据分别作为预设缺失数据模拟模型的输入,得到每组真实数据对应的真实拟合值。根据每组真实数据对应的类型和所述预设监测指标的对应关系,即可得到每个所述预设监测指标对应的真实拟合值。
步骤180,根据所述模拟拟合值与所述真实拟合值之间的差值大小,得到所述检查结果的准确度预测结果。
在得到标准数据的模拟拟合值和真实数据对应的真实拟合值之后,可以进一步根据模拟拟合值与真实拟合值之间的差值大小,确定检查结果是否异常。
本申请的一些实施例中,所述根据所述模拟拟合值与所述真实拟合值之间的差值大小,得到所述检查结果的准确度预测结果,包括:在所述模拟拟合值与所述真实拟合值之间的差值大于或等于预设差值阈值的情况下,得到所述检查结果的第一准确度预测结果;在每个所述预设监测指标相应的所述模拟拟合值与所述真实拟合值之间的差值均小于所述预设差值阈值的情况下,得到所述检查结果的第二准确度预测结果。其中,所述预设差值阈值可以根据测试结果确定。
其中,所述第一准确度预测结果用于指示所述检查结果的准确度低,所述第二准确度预测结果用于指示所述检查结果的准确度高。
例如,对于一组数据,当真实拟合值和模拟拟合值的差值,大于模拟拟合值的10%,则说明真实数据的预测结果与数据匹配度偏差较大;反之,则可以认为真实数据的预测结果与数据匹配度偏差较小。
由前述步骤可知,真实数据的预测结果是根据目标数据的检查结果得到的,因此,真实数据的预测结果与数据匹配度偏差大小,也反映的检查结果与目标数据的匹配程度。如果真实数据的预测结果与数据匹配度偏差较大,则可以说明检查结果与目标数据匹配度低,即检查结果对于所述目标数据而言准确度低;反之,如果真实数据的预测结果与数据匹配度偏差较小,则可以说明检查结果与目标数据匹配度高,即检查结果对于所述目标数据而言准确度高。
在经过校验,发现检查结果与目标数据匹配度低,即检查结果的准确度低时,可以进一步分析原因,及时对数据检查过程进行调整。
检查结果的准确度低可能包括两个方面的原因:第一,目标数据分类错误;第二,数据检查模型准确度降低。通过对目标数据进行核查,可以发现数据分类错误。如果没有发生数据分类错误,则可以认为数据检查模型准确度降低,需要通过对数据检查模型的训练数据进行调整或增加数据检查模型的参数来解决该问题。
本申请的另一些实施例中,在根据所述模拟拟合值与所述真实拟合值之间的差值大小,得到所述检查结果的准确度预测结果之后,还可以包括:将所述预测结果发送至所述中央服务器。所述中央服务器可以将所述检查结果和所述预测结果进行关联存储,用于分析检查结果异常的原因。
本申请实施例公开的数据检查方法,通过采用岭回归法构建缺失数据模拟模型,并将标准数据放入缺失数据模拟模型生成模拟拟合值,以及,将真实数据放入缺失数据模拟模型生成真实拟合值,之后,比较模拟拟合值和真实拟合值之间的偏差,以根据所述偏差校验数据检查模型的准确性,以及,目标数据分类的正确度,有助于进一步提升目标数据检查的准确度。
下面对前述各步骤的可选实施方式进行进一步举例说明。
前述步骤110中,可以在每次收到中央服务器发送的目标数据检查指令之后,通过所述中央服务器获取数据检查模型。
本申请的另一些实施例中,也可以仅在首次收到中央服务器发送的目标数据检查指令之后,通过所述中央服务器获取数据检查模型,之后,将所述数据检查模型存储在本地。例如,所述响应于中央服务器发送的目标数据检查指令,通过所述中央服务器获取数据检查模型,包括:响应于中央服务器发送的目标数据检查指令,确定是否首次收到所述目标数据检查指令;响应于非首次收到所述目标数据检查指令,通过所述中央服务器获取数据检查模型。
本申请的一些实施例中,可以设置一个标记用于记录是否首次收到所述目标数据检查指令。这样,在每次接收到中央服务器发送的目标数据检查指令之后,通过判断该标记,确定是否需要从所述中央服务器获取数据检查模型。
前述步骤120中,获取当前地方对象的与所述目标数据检查指令关联的目标数据,包括:获取当前地方对象本地存储的与所述目标数据检查指令关联的本地目标数据;对所述本地目标数据按照类型进行汇总;基于所述类型访问所述中央服务器存储的关联关系数据库,获取与所述当前地方对象基于所述目标数据存在关联关系的目标地方对象;通过所述目标地方对象,获取所述目标地方对象本地存储的与所述本地目标数据关联的关联目标数据;对所述本地目标数据和所述关联目标数据按照所述类型进行合并,得到当前地方对象的与所述目标数据检查指令关联的目标数据。
其中,如前所述,当目标数据为支出数据时,类型可以包括:日常支出、计划内支出、计划外支出、其他支出;当目标数据为收入数据时,类型可以包括:日常收入、运营收入、集团分配等。
例如,通过地方对象的地方服务器中部署的程序执行数据采集,从当前地方对象的支出数据库中获取所有支出数据,并按照支出类型分类汇总,之后,再以支出类型为查询条件访问中央服务器的关联关系数据库,获取当前地方对象与哪些地方对象在支出方面有关联支出,然后,访问有关联支出的异地支出数据库(即有关联支出的其他地方对象的支出数据库)获取关联支出数据,并按照支出类型进行数据合并,得到当前地方对象的所有关联的支出数据。
在每个地方对象获取数据的过程中,进获取自身本地存储的支出数据,以及,与自身关联的其他地方对象的支出数据,地方对象之间私有的数据互不可见,可以很好地保护例如财务数据等隐私数据。
本申请的实施例中,所述数据检查模型为根据历史数据训练的朴素贝叶斯模型。在前述步骤140中,所述根据所述数据检查模型和所述预设监测指标的特征值,得到指示所述目标数据是否异常的检查结果,包括:基于所述数据检查模型中的已知异常概率、已知正常概率、所述预设监测指标的目标特征值在异常子集中的概率,以及,所述预设监测指标的所述目标特征值在正常子集中的概率,预测在满足所述预设监测指标的所述特征值条件下,所述目标数据疑似异常被判断为异常的第一概率,以及,所述目标数据疑似正常被判断为正常的第二概率;根据所述第一概率和所述第二概率,得到指示所述目标数据是否异常的检查结果。
本申请的一些实施例中,所述根据所述第一概率和所述第二概率,得到指示所述目标数据是否异常的检查结果,包括:在所述第一概率大于所述第二概率的情况下,得到指示所述目标数据异常的检查结果;在所述第一概率小于等于所述第二概率的情况下,得到指示所述目标数据正常的检查结果。
以基于朴素贝叶斯模型建模一定周期(如一个月)内支出数据在的数据检查模型为例,中央服务器可以根据各地方对象在相应时间周期(如一个月)内的历史支出数据进行统计分析,得出在一定周期内支出数据的异常概率、正常概率、各预设监测指标的特征值(如日常支出特征值、计划内支出特征值、计划外支出特征值、其他支出特征值),以及,各预设监测指标的特征值在异常子集和正常子集中各自的概率。并将得到的各先验概率作为数据检查模型。
本方法中,检查的数据状态包括:正常和异常两种状态,下文中,通过符号R1表示异常,通过符号R2表示正常。
以获取的对当前地方对象的目标数据的特征值为T举例,特征值可以表示为:T={t1,t2,t3,…,tN}。在对支出数据进行检查时,如果支出数据分为四种类型,如日常支出、计划内支出、计划外支出、其他支出,则N的取值为4,所述预设监测指标T中每个特征值对应一种支出类型。
相应的,在根据所述数据检查模型和所述预设监测指标的特征值,得到指示所述目标数据是否异常的检查结果的过程中,可以通过以下条件概率公式(1)和(2),预测在满足所述预设监测指标的所述特征值条件下,所述目标数据疑似异常被判断为异常的第一概率,以及,所述目标数据疑似正常被判断为正常的第二概率:
其中,P(R1|T)表示第一概率,P(T|R1)表示在样本集中的异常子集中出现特征值T的概率,P(R1)表示整个样本集中的异常子集的概率(即已知异常概率)。其中,P(T|R1)可以通过查找所述预设监测指标的目标特征值在异常子集中的概率确定。
其中,P(R2|T)表示第二概率,P(T|R2)表示在样本集中的正常子集中出现特征值T的概率,P(R2)表示整个样本集中的正常子集的概率(即已知正常概率)。其中,P(T|R2)可以通过查找所述预设监测指标的目标特征值在正常子集中的概率确定。
由于贝叶斯的思想,每一个特征值ti之间是相互独立的,可以根据相对独立事件概率,计算出疑似异常被判为异常(即R1)与正常(即R2)的概率,即P(T|R1)和P(T|R2)。
由于本申请实施例中不需要得出准确的概率值,只需要比较第一概率和第二概率的大小,因此,P(T)的取值不需要计算。即如果P(R1|T)>P(R2|T),则说明所检查的目标数据的上述预设监测指标异常,如果P(R1|T)≤P(R2|T),则说明所检查的目标数据的上述预设监测指标正常。
至此,上文中对本申请实施例公开的数据检查方法的具体实施方式,进行了详细的描述。
相应的,本申请实施例还公开了一种数据检查装置,如图4所示,所述装置包括:
数据检查模型获取模块410,用于响应于中央服务器发送的目标数据检查指令,通过所述中央服务器获取数据检查模型;
目标数据获取模块420,用于获取当前地方对象的与所述目标数据检查指令关联的目标数据;
特征值获取模块430,用于对所述目标数据进行聚合处理,得到所述目标数据对应的预设监测指标的特征值;
数据检查模块440,用于根据所述数据检查模型和所述预设监测指标的特征值,得到指示所述目标数据是否异常的检查结果;
检查结果上传模块450,用于将所述检查结果发送至所述中央服务器。
本申请的一些实施例中,如图5所示,所述装置还包括:
模拟拟合值获取模块460,用于以对应每个所述预设监测指标的各组模拟数据分别作为预设缺失数据模拟模型的输入,得到相应所述预设监测指标对应的模拟拟合值;
真实拟合值获取模块470,用于以对应每个所述预设监测指标的各组真实数据分别作为所述预设缺失数据模拟模型的输入,得到相应所述预设监测指标对应的真实拟合值;
预测结果获取模块480,用于根据所述模拟拟合值与所述真实拟合值之间的差值大小,得到所述检查结果的准确度预测结果。
可选的,所述预测结果获取模块480,进一步用于:
在所述模拟拟合值与所述真实拟合值之间的差值大于或等于预设差值阈值的情况下,得到所述检查结果的第一准确度预测结果;
在每个所述预设监测指标相应的所述模拟拟合值与所述真实拟合值之间的差值均小于所述预设差值阈值的情况下,得到所述检查结果的第二准确度预测结果。
其中,所述第一准确度预测结果用于指示所述检查结果的准确度低,所述第二准确度预测结果用于指示所述检查结果的准确度高。
可选的,所述预设缺失数据模拟模型基于岭回归方法构建。
可选的,所述数据检查模型为根据历史数据训练的朴素贝叶斯模型,所述数据检查模块440,进一步用于:
基于所述数据检查模型中的已知异常概率、已知正常概率、所述预设监测指标的目标特征值在异常子集中的概率,以及,所述预设监测指标的所述目标特征值在正常子集中的概率,预测在满足所述预设监测指标的所述特征值条件下,所述目标数据疑似异常被判断为异常的第一概率,以及,所述目标数据疑似正常被判断为正常的第二概率;
根据所述第一概率和所述第二概率,得到指示所述目标数据是否异常的检查结果。
可选的,所述根据所述第一概率和所述第二概率,得到指示所述目标数据是否异常的检查结果,包括:
在所述第一概率大于所述第二概率的情况下,得到指示所述目标数据异常的检查结果;
在所述第一概率小于等于所述第二概率的情况下,得到指示所述目标数据正常的检查结果。
可选的,所述目标数据获取模块420,进一步用于:
获取当前地方对象本地存储的与所述目标数据检查指令关联的本地目标数据;
对所述本地目标数据按照类型进行汇总;
基于所述类型访问所述中央服务器存储的关联关系数据库,获取与所述当前地方对象基于所述目标数据存在关联关系的目标地方对象;
通过所述目标地方对象,获取所述目标地方对象本地存储的与所述本地目标数据关联的关联目标数据;
对所述本地目标数据和所述关联目标数据按照所述类型进行合并,得到当前地方对象的与所述目标数据检查指令关联的目标数据。
本申请的另一些实施例中,在根据所述模拟拟合值与所述真实拟合值之间的差值大小,得到所述检查结果的准确度预测结果之后,所述检查结果上传模块450,还用于将所述预测结果发送至所述中央服务器。所述中央服务器可以将所述检查结果和所述预测结果进行关联存储,用于分析检查结果异常的原因。
本申请实施例公开的数据检查装置,用于实现本申请实施例中所述的数据检查方法,装置的各模块的具体实施方式不再赘述,可参见方法实施例相应步骤的具体实施方式。
本申请实施例公开的一种数据检查装置,通过响应于中央服务器发送的目标数据检查指令,通过所述中央服务器获取数据检查模型;获取当前地方对象的与所述目标数据检查指令关联的目标数据;对所述目标数据进行聚合处理,得到所述目标数据对应的预设监测指标的特征值;根据所述数据检查模型和所述预设监测指标的特征值,得到指示所述目标数据是否异常的检查结果;将所述检查结果发送至所述中央服务器,充分提升了数据检查效率。
本申请实施例公开的数据检查装置,通过由中央服务器根据历史数据训练数据检查模型,由地方服务器从中央服务器获取数据检查模型,并执行数据检查任务,基于所述数据检查模型对各地方服务器所属地方对象的目标数据进行检查,得到各地方对象的数据检查结果,之后,上传至中央服务器,不仅实现了地方对象目标数据的自动检查,同时,通过在地方服务器执行数据检查任务,还可以减轻中央服务器的计算压力,并维护地方对象的数据隐私。
进一步的,本申请实施例公开的数据检查装置,通过采用岭回归法构建缺失数据模拟模型,并将标准数据放入缺失数据模拟模型生成模拟拟合值,以及,将真实数据放入缺失数据模拟模型生成真实拟合值,之后,比较模拟拟合值和真实拟合值之间的偏差,以根据所述偏差校验数据检查模型的准确性,以及,目标数据分类的正确度,有助于进一步提升目标数据检查的准确度。
本说明书中的各个实施例均采用递进的方式描述,每个实施例重点说明的都是与其他实施例的不同之处,各个实施例之间相同相似的部分互相参见即可。对于装置实施例而言,由于其与方法实施例基本相似,所以描述的比较简单,相关之处参见方法实施例的部分说明即可。
以上对本申请提供的一种数据检查方法及装置进行了详细介绍,本文中应用了具体个例对本申请的原理及实施方式进行了阐述,以上实施例的说明只是用于帮助理解本申请的方法及其一种核心思想;同时,对于本领域的一般技术人员,依据本申请的思想,在具体实施方式及应用范围上均会有改变之处,综上所述,本说明书内容不应理解为对本申请的限制。
以上所描述的装置实施例仅仅是示意性的,其中所述作为分离部件说明的单元可以是或者也可以不是物理上分开的,作为单元显示的部件可以是或者也可以不是物理单元,即可以位于一个地方,或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。本领域普通技术人员在不付出创造性的劳动的情况下,即可以理解并实施。
本申请的各个部件实施例可以以硬件实现,或者以在一个或者多个处理器上运行的软件模块实现,或者以它们的组合实现。本领域的技术人员应当理解,可以在实践中使用微处理器或者数字信号处理器(DSP)来实现根据本申请实施例的电子设备中的一些或者全部部件的一些或者全部功能。本申请还可以实现为用于执行这里所描述的方法的一部分或者全部的设备或者装置程序(例如,计算机程序和计算机程序产品)。这样的实现本申请的程序可以存储在计算机可读介质上,或者可以具有一个或者多个信号的形式。这样的信号可以从因特网网站上下载得到,或者在载体信号上提供,或者以任何其他形式提供。
例如,图6示出了可以实现根据本申请的方法的电子设备。所述电子设备可以为PC机、移动终端、个人数字助理、平板电脑等。该电子设备传统上包括处理器610和存储器620及存储在所述存储器620上并可在处理器610上运行的程序代码630,所述处理器610执行所述程序代码630时实现上述实施例中所述的方法。所述存储器620可以为计算机程序产品或者计算机可读介质。存储器620可以是诸如闪存、EEPROM(电可擦除可编程只读存储器)、EPROM、硬盘或者ROM之类的电子存储器。存储器620具有用于执行上述方法中的任何方法步骤的计算机程序的程序代码630的存储空间6201。例如,用于程序代码630的存储空间6201可以包括分别用于实现上面的方法中的各种步骤的各个计算机程序。所述程序代码630为计算机可读代码。这些计算机程序可以从一个或者多个计算机程序产品中读出或者写入到这一个或者多个计算机程序产品中。这些计算机程序产品包括诸如硬盘,紧致盘(CD)、存储卡或者软盘之类的程序代码载体。所述计算机程序包括计算机可读代码,当所述计算机可读代码在电子设备上运行时,导致所述电子设备执行根据上述实施例的方法。
本申请实施例还公开了一种计算机可读存储介质,其上存储有计算机程序,该程序被处理器执行时实现如本申请实施例一所述的数据检查方法的步骤。
这样的计算机程序产品可以为计算机可读存储介质,该计算机可读存储介质可以具有与图6所示的电子设备中的存储器620类似布置的存储段、存储空间等。程序代码可以例如以适当形式进行压缩存储在所述计算机可读存储介质中。所述计算机可读存储介质通常为如参考图7所述的便携式或者固定存储单元。通常,存储单元包括计算机可读代码630’,所述计算机可读代码630’为由处理器读取的代码,这些代码被处理器执行时,实现上面所描述的方法中的各个步骤。
本文中所称的“一个实施例”、“实施例”或者“一个或者多个实施例”意味着,结合实施例描述的特定特征、结构或者特性包括在本申请的至少一个实施例中。此外,请注意,这里“在一个实施例中”的词语例子不一定全指同一个实施例。
在此处所提供的说明书中,说明了大量具体细节。然而,能够理解,本申请的实施例可以在没有这些具体细节的情况下被实践。在一些实例中,并未详细示出公知的方法、结构和技术,以便不模糊对本说明书的理解。
在权利要求中,不应将位于括号之间的任何参考符号构造成对权利要求的限制。单词“包含”不排除存在未列在权利要求中的元件或步骤。位于元件之前的单词“一”或“一个”不排除存在多个这样的元件。本申请可以借助于包括有若干不同元件的硬件以及借助于适当编程的计算机来实现。在列举了若干装置的单元权利要求中,这些装置中的若干个可以是通过同一个硬件项来具体体现。单词第一、第二、以及第三等的使用不表示任何顺序。可将这些单词解释为名称。
最后应说明的是:以上实施例仅用以说明本申请的技术方案,而非对其限制;尽管参照前述实施例对本申请进行了详细的说明,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申请各实施例技术方案的精神和范围。
Claims (10)
1.一种数据检查方法,其特征在于,包括:
响应于中央服务器发送的目标数据检查指令,通过所述中央服务器获取数据检查模型;
获取当前地方对象的与所述目标数据检查指令关联的目标数据;
对所述目标数据进行聚合处理,得到所述目标数据对应的预设监测指标的特征值;
根据所述数据检查模型和所述预设监测指标的特征值,得到指示所述目标数据是否异常的检查结果;
将所述检查结果发送至所述中央服务器。
2.根据权利要求1所述的方法,其特征在于,所述根据所述数据检查模型和所述预设监测指标的特征值,得到指示所述目标数据是否异常的检查结果之后,还包括:
以对应每个所述预设监测指标的各组模拟数据分别作为预设缺失数据模拟模型的输入,得到相应所述预设监测指标对应的模拟拟合值;
以对应每个所述预设监测指标的各组真实数据分别作为所述预设缺失数据模拟模型的输入,得到相应所述预设监测指标对应的真实拟合值;
根据所述模拟拟合值与所述真实拟合值之间的差值大小,得到所述检查结果的准确度预测结果。
3.根据权利要求2所述的方法,其特征在于,所述根据所述模拟拟合值与所述真实拟合值之间的差值大小,得到所述检查结果的准确度预测结果,包括:
在所述模拟拟合值与所述真实拟合值之间的差值大于或等于预设差值阈值的情况下,得到所述检查结果的第一准确度预测结果;
在每个所述预设监测指标相应的所述模拟拟合值与所述真实拟合值之间的差值均小于所述预设差值阈值的情况下,得到所述检查结果的第二准确度预测结果。
4.根据权利要求1至3任一项所述的方法,其特征在于,所述数据检查模型为根据历史数据训练的朴素贝叶斯模型,所述根据所述数据检查模型和所述预设监测指标的特征值,得到指示所述目标数据是否异常的检查结果,包括:
基于所述数据检查模型中的已知异常概率、已知正常概率、所述预设监测指标的目标特征值在异常子集中的概率,以及,所述预设监测指标的所述目标特征值在正常子集中的概率,预测在满足所述预设监测指标的所述特征值条件下,所述目标数据疑似异常被判断为异常的第一概率,以及,所述目标数据疑似正常被判断为正常的第二概率;
根据所述第一概率和所述第二概率,得到指示所述目标数据是否异常的检查结果。
5.根据权利要求4所述的方法,其特征在于,根据所述第一概率和所述第二概率,得到指示所述目标数据是否异常的检查结果,包括:
在所述第一概率大于所述第二概率的情况下,得到指示所述目标数据异常的检查结果;
在所述第一概率小于等于所述第二概率的情况下,得到指示所述目标数据正常的检查结果。
6.根据权利要求1至3任一项所述的方法,其特征在于,所述获取当前地方对象的与所述目标数据检查指令关联的目标数据,包括:
获取当前地方对象本地存储的与所述目标数据检查指令关联的本地目标数据;
对所述本地目标数据按照类型进行汇总;
基于所述类型访问所述中央服务器存储的关联关系数据库,获取与所述当前地方对象基于所述目标数据存在关联关系的目标地方对象;
通过所述目标地方对象,获取所述目标地方对象本地存储的与所述本地目标数据关联的关联目标数据;
对所述本地目标数据和所述关联目标数据按照所述类型进行合并,得到当前地方对象的与所述目标数据检查指令关联的目标数据。
7.一种数据检查装置,其特征在于,包括:
数据检查模型获取模块,用于响应于中央服务器发送的目标数据检查指令,通过所述中央服务器获取数据检查模型;
目标数据获取模块,用于获取当前地方对象的与所述目标数据检查指令关联的目标数据;
特征值获取模块,用于对所述目标数据进行聚合处理,得到所述目标数据对应的预设监测指标的特征值;
数据检查模块,用于根据所述数据检查模型和所述预设监测指标的特征值,得到指示所述目标数据是否异常的检查结果;
检查结果上传模块,用于将所述检查结果发送至所述中央服务器。
8.根据权利要求7所述的装置,其特征在于,还包括:
模拟拟合值获取模块,用于以对应每个所述预设监测指标的各组模拟数据分别作为预设缺失数据模拟模型的输入,得到相应所述预设监测指标对应的模拟拟合值;
真实拟合值获取模块,用于以对应每个所述预设监测指标的各组真实数据分别作为所述预设缺失数据模拟模型的输入,得到相应所述预设监测指标对应的真实拟合值;
预测结果获取模块,用于根据所述模拟拟合值与所述真实拟合值之间的差值大小,得到所述检查结果的准确度预测结果。
9.一种电子设备,包括存储器、处理器及存储在所述存储器上并可在处理器上运行的程序代码,其特征在于,所述处理器执行所述程序代码时实现权利要求1至6任意一项所述的数据检查方法。
10.一种计算机可读存储介质,其上存储有程序代码,其特征在于,该程序代码被处理器执行时实现权利要求1至6任意一项所述的数据检查方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211174235.3A CN115660794A (zh) | 2022-09-26 | 2022-09-26 | 数据检查方法、装置,及电子设备 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211174235.3A CN115660794A (zh) | 2022-09-26 | 2022-09-26 | 数据检查方法、装置,及电子设备 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN115660794A true CN115660794A (zh) | 2023-01-31 |
Family
ID=84986244
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202211174235.3A Pending CN115660794A (zh) | 2022-09-26 | 2022-09-26 | 数据检查方法、装置,及电子设备 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115660794A (zh) |
-
2022
- 2022-09-26 CN CN202211174235.3A patent/CN115660794A/zh active Pending
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US20240086944A1 (en) | Auto-encoder enhanced self-diagnostic components for model monitoring | |
US10031829B2 (en) | Method and system for it resources performance analysis | |
CN106951984B (zh) | 一种系统健康度动态分析预测方法及装置 | |
US6799154B1 (en) | System and method for predicting the timing of future service events of a product | |
US20200327020A1 (en) | Predicting and handling of slow disk | |
CN112241805A (zh) | 使用历史检验数据进行缺陷预测 | |
CN115660262B (zh) | 一种基于数据库应用的工程智慧质检方法、系统及介质 | |
CN112990281A (zh) | 异常投标识别模型训练方法、异常投标识别方法及装置 | |
CN115082225A (zh) | 一种企业融资风险的评估方法和装置 | |
Xu et al. | Structural damage detection by integrating robust PCA and classical PCA for handling environmental variations and imperfect measurement data | |
CN111798246A (zh) | 一种金融风险等级评估方法和装置 | |
CN114625406A (zh) | 应用开发管控方法、计算机设备、存储介质 | |
CN110910061A (zh) | 一种物料管理方法、系统、存储介质以及电子设备 | |
CN115660794A (zh) | 数据检查方法、装置,及电子设备 | |
CN114429283A (zh) | 风险标签处理方法、装置、风控方法、设备及存储介质 | |
US11854087B1 (en) | Systems and methods for water loss mitigation messaging | |
CN117993912B (zh) | 一种保险在线交易存证方法及系统 | |
US20240242293A1 (en) | Open digital, data driven underwriting (uw) system and loss event simulation platform and method thereof | |
CN114444804A (zh) | 岗位匹配度预测方法、装置、服务器及存储介质 | |
CN113128594A (zh) | 基于跨域数据的评估模型的优化方法及设备 | |
CN116166638A (zh) | 数据迁移方法、装置、电子设备及可读存储介质 | |
CN117217903A (zh) | 一种贷款逾期的预测方法、装置、电子设备及存储介质 | |
CN117811896A (zh) | 一种多级内网资产测绘方法 | |
CN117911166A (zh) | 团险理赔风险识别方法、装置、计算机设备和存储介质 | |
WO2024110494A1 (en) | Open digital, data driven underwriting (uw) system and loss event simulation platform and method thereof |
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 |