CN116090916A - 一种企业内部采购资金核算预警系统 - Google Patents

一种企业内部采购资金核算预警系统 Download PDF

Info

Publication number
CN116090916A
CN116090916A CN202310368690.5A CN202310368690A CN116090916A CN 116090916 A CN116090916 A CN 116090916A CN 202310368690 A CN202310368690 A CN 202310368690A CN 116090916 A CN116090916 A CN 116090916A
Authority
CN
China
Prior art keywords
subsequence
target
data
trend
sequence
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
Application number
CN202310368690.5A
Other languages
English (en)
Other versions
CN116090916B (zh
Inventor
韩道峰
姜凯
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Zibo Seagrass Software Service Co ltd
Original Assignee
Zibo Seagrass Software Service Co ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Zibo Seagrass Software Service Co ltd filed Critical Zibo Seagrass Software Service Co ltd
Priority to CN202310368690.5A priority Critical patent/CN116090916B/zh
Publication of CN116090916A publication Critical patent/CN116090916A/zh
Application granted granted Critical
Publication of CN116090916B publication Critical patent/CN116090916B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

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
    • G06Q10/067—Enterprise or organisation modelling
    • 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
    • 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

  • Business, Economics & Management (AREA)
  • Human Resources & Organizations (AREA)
  • Engineering & Computer Science (AREA)
  • Strategic Management (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Economics (AREA)
  • Game Theory and Decision Science (AREA)
  • Educational Administration (AREA)
  • Development Economics (AREA)
  • Marketing (AREA)
  • Operations Research (AREA)
  • Quality & Reliability (AREA)
  • Tourism & Hospitality (AREA)
  • Physics & Mathematics (AREA)
  • General Business, Economics & Management (AREA)
  • General Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本发明涉及数据处理技术领域，具体涉及一种企业内部采购资金核算预警系统，该系统包括：数据采集模块、数据处理模块、参数计算模块、风险评估模块及风险预警模块，通过对时序数据序列进行分段，然后计算分段后的两个子序列之间的特征距离，然后基于特征距离获取离群特征，并得到趋势异常程度，对趋势异常程度进行优化，从而准确的获取到子序列中每个数据点的风险程度，基于数据点的趋势分量和准确得到的数据点的风险程度得到更为精确的预警模型，从而提高对采购资金核算数据的风险预警更为准确。

Description

一种企业内部采购资金核算预警系统
技术领域
本发明涉及数据处理技术领域，具体涉及一种企业内部采购资金核算预警系统。
背景技术
在企业的采购管理中，为保证企业的资金健康，需要对采购资金核算过程建立风险预警机制从而对有风险的采购行为进行预警，当出现新的采购数据时，需要对该数据所包含的风险因素进行预警。
现有的隐马尔可夫模型是一种常用的统计模型，可用于预测时间序列数据，在采购资金预警中，可以使用隐马尔可夫模型来预测采购资金的未来趋势，以便及时发现并控制可能的采购风险情况。
由于，隐马尔可夫模型的假设是未来状态仅由当前状态决定，而现有技术中利用隐马尔可夫模型进行预警时，忽略了企业采购数据中的多元数据的趋势信息的影响，因此，在使用隐马尔可夫模型进行采购资金预警时，会导致隐马尔可夫模型的预测结果并不准确，从而导致不能对采购资金核算数据中的风险进行预警。
发明内容
本发明提供一种企业内部采购资金核算预警系统，以解决现有的隐马尔可夫模型不能对采购资金核算数据中的风险进行预警的问题。
本发明的一种企业内部采购资金核算预警系统采用如下技术方案：
包括：
数据采集模块，用于获取采购资金核算数据，采购资金核算数据包括：根据每次采购每种物品的采购金额及采购时间，获取的每种物品的采购金额的时序数据序列；
数据处理模块，用于获取时序数据序列中每个数据点对应的残差分量和趋势分量，并根据趋势分量拟合得到趋势曲线；
参数计算模块，用于将时序数据序列划分为多个子序列，以每个子序列为目标子序列，根据目标子序列在趋势曲线中对应的线段的斜率、每个其他子序列与目标子序列的时间差值，以及每个子序列中每个数据点的趋势分量，获取目标子序列与每个其他子序列的特征距离；
风险评估模块，用于根据特征距离获取每个目标子序列基于连通性的离群特征，根据每个物品的时序数据序列中所有目标子序列的离群特征，获取每个目标子序列的趋势异常程度；获取每个时序数据序列中每个目标子序列与其他时序数据序列中最相似的相似子序列，根据每个目标子序列与对应的相似子序列的趋势异常程度，以及目标子序列中的数据点在相似子序列中的相位差，获取每个目标子序列中每个数据点的风险程度；
风险预警模块，根据每个数据点的风险程度、趋势分量及隐马尔可夫模型获取预警模型，利用预警模型对待处理采购资金核算数据进行预警。
优选的，获取目标子序列与每个其他子序列的特征距离，包括：
根据目标子序列在趋势曲线中对应的线段的斜率、每个子序列与目标子序列的时间差值，获取每个子序列与目标子序列的趋势分量变化量；
根据每个子序列与目标子序列的趋势分量变化量，目标子序列中每个数据点的趋势分量，获取目标子序列中每个数据点的目标趋势分量，根据目标趋势分量得到目标子序列更新后的最终目标子序列；
将最终目标子序列与每个其他子序列的DTW距离，作为目标子序列与每个其他子序列的特征距离。
优选的，参数计算模块还包括：
参数修正单元，用于根据每个子序列中所有数据点的趋势分量和所有数据点的残差分量，获取每个子序列的趋势强度；
获取目标子序列与每个其他子序列的趋势强度差值绝对值；
将目标子序列与每个其他子序列的趋势强度差值绝对值，与目标子序列与每个其他子序列的特征距离的乘积，作为目标子序列与每个其他子序列的修正后的特征距离。
优选的，获取每个子序列的趋势强度，包括：
根据每个子序列中所有数据点的趋势分量，获取每个目标子序列对应的趋势分量方差；
对每个子序列中每个数据点对应的趋势分量和残差分量的求和得到目标分量；
获取每个子序列的目标分量方差；
根据每个子序列的趋势分量方差与目标分量方差的比值，获取每个子序列的趋势强度。
优选的，获取每个目标子序列的趋势异常程度，包括：
根据每个物品的时序数据序列中所有目标子序列的离群特征，对每个目标子序列的离群特征进行归一化；
将每个目标子序列的离群特征归一化后得到的值，作为每个目标子序列的趋势异常程度。
优选的，获取每个目标子序列中每个数据点的风险程度，包括：
获取每个目标子序列与对应的相似子序列的趋势异常程度差值，并对趋势异常程度差值进行归一化得到每个目标子序列对应的初始风险程度；
对目标子序列中的数据点在相似子序列中的相位差进行正比例计算得到目标值；
将每个数据点的目标值，与目标子序列中所有数据点的目标值和值的比值，作为每个数据点的归一化权重；
根据每个数据点的归一化权重，与数据点所对应的目标子序列的初始风险程度，获取每个数据点的风险程度。
优选的，获取预警模型，包括：
将每个数据点的趋势分量作为隐马尔可夫模型的输入，将每个数据点的风险程度作为隐马尔可夫模型的输出，对隐马尔可夫模型进行训练，得到训练好的隐马尔可夫模型；
将训练好的隐马尔可夫模型作为预警模型。
优选的，获取每个其他子序列与目标子序列的时间差值，包括：
获取每个其他子序列中首个数据点对应的第一时间值；
获取目标子序列中首个数据点对应的第二时间值；
将第一时间值与第二时间值做差得到每个其他子序列与目标子序列的时间差值。
优选的，将时序数据序列划分为多个子序列，包括：
将时序数据序列中每一个季度对应的数据作为一个区间段数据；
对每个区间段数据进行全对相似性连接，得到每个区间段数据对应的最邻近区间段数据；
根据每个区间段数据与最邻近区间段数据的对应关系，获取时序数据序列的AC曲线；
根据时序数据序列的AC曲线中的极小值点，对时序数据序列划分为多个子序列。
本发明的一种企业内部采购资金核算预警系统的有益效果是：
对于企业采购资金核算数据的每个物品的时序数据序列，对于时序数据序列中数据的趋势性异常，现有的突变点检测只能检测到趋势突变的噪声点，无法识别时序数据趋势的平缓变化异常，本发明通过对时序数据序列进行子序列的划分，从而对子序列的整体的趋势异常进行检测，即根据子序列在趋势曲线中对应的线段的斜率，每个其他子序列与目标子序列的时间差值，以及每个子序列中每个数据点的趋势分量，来准确获取目标子序列与每个其他子序列的特征距离，然后基于特征距离获取每个目标子序列基于连通性的离群特征，并获取每个目标子序列的趋势异常程度，由于，对每个子序列与其他子序列进行异常检测时，因为，在不同采购物品中存在着资金核算数据的相似性，即不同采购物品对应的时序数据序列中的子序列的数据相似，所以对于一个子序列的异常检测还需要通过相似子序列的差异性进一步对子序列的趋势异常程度进行优化，从而准确的获取到子序列中每个数据点的风险程度，基于数据点的趋势分量和准确得到的数据点的风险程度得到更为精确的预警模型，从而提高对采购资金核算数据的风险预警更为准确。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
图1为本发明的一种企业内部采购资金核算预警系统的实施例的流程图。
具体实施方式
下面将结合本发明实施例中的附图，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。
本发明的一种企业内部采购资金核算预警系统的实施例，如图1所示，包括：数据采集模块、数据处理模块、参数计算模块、风险评估模块及风险预警模块。
具体的，数据采集模块用于获取采购资金核算数据，采购资金核算数据包括：根据每次采购每种物品的采购金额及采购时间，获取的每种物品的采购金额的时序数据序列。
其中，对于不同的采购物品，每个物品的采购金额对应的时序数据序列记为，对于时序数据序列中的缺失值通过相邻数据点的采购金额均值进行补充，保证数据的完整性。
具体的，数据处理模块用于获取时序数据序列中每个数据点对应的残差分量和趋势分量，并根据趋势分量拟合得到趋势曲线。
其中，由于，在传统的基于连通性的局部离群因子的计算过程中，需要基于局部离群因子对每个数据点进行局部平均链接距离的计算，即本实施例通过局部离群因子对子序列的整体趋势分量进行离群因子的计算时，则需要通过子序列之间的特征距离来计算子序列的局部平均链接距离，具体的，本实施例采用STL时间序列拆分法获取时序数据序列中每个数据点对应的残差分量和趋势分量，然后，根据趋势分量拟合得到趋势曲线。
具体的，参数计算模块用于将时序数据序列划分为多个子序列，以每个子序列为目标子序列，根据目标子序列在趋势曲线中对应的线段的斜率、每个子序列与目标子序列的时间差值，以及每个子序列中每个数据点的趋势分量，获取目标子序列与每个其他子序列的特征距离。
其中，将时序数据序列划分为多个子序列，包括：本实施例中，将时序数据序列中每一个季度对应的数据作为一个区间段数据，也可以将一个月的数据作为一个区间段数据；对每个区间段数据进行全对相似性连接，得到每个区间段数据对应的最邻近区间段数据；根据每个区间段数据与最邻近区间段数据的对应关系，获取时序数据序列的AC曲线；根据时序数据序列的AC曲线中的极小值点，对时序数据序列划分为多个子序列。
其中，全对相似性连接为现有技术，即通过与区间数据段长度相同的窗口在时序数据序列上滑动，滑动步长为窗口长度每次滑动都对窗口内的子区间在整个时序数据中寻找最邻近区间段数据，此处通过欧式距离进行计算，这样对于每一个区间段数据都有一个对应的最邻近区间段数据，其次，全对相似性连接为现有技术，本实施例不再赘述。
其中，获取目标子序列与每个其他子序列的特征距离，包括：根据目标子序列在趋势曲线中对应的线段的斜率、每个子序列与目标子序列的时间差值，获取每个子序列与目标子序列的趋势分量变化量；根据每个子序列与目标子序列的趋势分量变化量，目标子序列中每个数据点的趋势分量，获取目标子序列中每个数据点的目标趋势分量，根据目标趋势分量得到目标子序列更新后的最终目标子序列；将最终目标子序列与每个其他子序列的DTW距离，作为目标子序列与每个其他子序列的特征距离，其中，目标子序列与每个其他子序列的特征距离的计算公式为：
式中，表示第个采购物品对应的时序数据序列中第个目标子序列与第个其他子序列的特征距离，需要说明的是其他子序列与目标子序列为不同子序列；
表示第个采购物品对应的时序数据序列中的第个子序列；
表示第个采购物品对应的时序数据序列中的第个目标子序列；
表示第个采购物品对应的时序数据序列中的第个子序列中首个数据点对应的第一时间值；
表示第个采购物品对应的时序数据序列中的第个目标子序列中的首个数据点对应的第二时间值；
表示第个采购物品对应的时序数据序列中第个目标子序列在趋势曲线中对应的线段的斜率，其中，斜率的计算方式为：先获取第个目标子序列中的最后一个数据点的趋势分量与第个目标子序列中的第一数据点的趋势分量差值，再获取第个目标子序列中的最后一个数据点与第个目标子序列中的第一数据点在趋势曲线中对应的横坐标差值（时间值的差值），然后趋势分量差值和横坐标差值的比值作为第个目标子序列在趋势曲线中对应的线段的斜率；
DTW表示求动态时间规整距离；
需要说明的是，表示第个目标子序列更新后的最终目标子序列，其中，表示时间差值，即第一时间值与第二时间值做差得到第个子序列与第个目标子序列的时间差值，其中，获取时间差值为：获取每个其他子序列中首个数据点对应的第一时间值；获取目标子序列中首个数据点对应的第二时间值；将第一时间值与第二时间值做差得到每个其他子序列与目标子序列的时间差值，其中，通过目标子序列自身的近似斜率进行增量计算，并以更新后的最终目标序列进行特征距离计算，相较于直接通过目标子序列的数值与其他子序列进行特征距离计算，可以避免数值差异带来的目标子序列与其他子序列之间的路径距离差异随着时间跨度的大小而变化，从而为更精确的获取离群因子计算过程中的子序列之间的路径距离。
至此，精确获取了目标子序列与每个其他子序列的特征距离。
进一步的，参数计算模块还包括参数修正单元，参数修正单元用于根据每个子序列中所有数据点的趋势分量和所有数据点的残差分量，获取每个子序列的趋势强度；根据每个子序列的趋势强度，以及目标子序列与每个其他子序列的特征距离（动态时间规整距离），获取目标子序列与每个其他子序列的修正后的特征距离。其中，获取到目标子序列与其他子序列之间的特征距离之后，对于企业内部采购资金核算数据的风险判断所使用的时序数据序列中，实际的采购物品的价格波动与实际采购量的不同，会导致在子序列的每个数据点的趋势分量的获取中不同子序列所对应的趋势强度不同，故在对趋势信息的趋势异常程度判断过程中，需要通过趋势强度对子序列进行校正，从而使得对于子序列的趋势信息的趋势异常程度的判断准确，在通过STL时间序列拆分法对时序数据序列进行分解时，本实施例根据每个子序列的趋势强度，经过周期信息的消除后的数据与残差项的变化幅度大小来进行衡量，因为STL时间序列拆分法是基于残差项来将数据分解为趋势分量、周期分量和残差项，所以残差项与趋势项的变化幅度是相反的，故对于每一个子序列对应的趋势项与残差项，通过其方差的差异作为趋势强度的衡量，即获取每个子序列的趋势强度，包括：根据每个子序列中所有数据点的趋势分量，获取每个目标子序列对应的趋势分量方差（趋势分量的方差）；对每个子序列中每个数据点对应的趋势分量和残差分量的求和得到目标分量；获取每个子序列的目标分量方差（目标分量的方差）；根据每个子序列的趋势分量方差与目标分量方差的比值，获取每个子序列的趋势强度，具体的，获取每个子序列的趋势强度，其中，每个子序列的趋势强度的计算公式为：
式中，表示第个采购物品对应的时序数据序列中第个子序列的趋势强度；
表示第个采购物品对应的时序数据序列中第个子序列中所有数据点的趋势分量方差；
表示第个采购物品对应的时序数据序列中第个子序列中所有数据点的趋势分量与第个子序列中对应数据点的残差分量求和后得到的目标分量方差；
表示归一化函数；
需要说明的是，表示第个采购物品对应的时序数据序列中第个子序列中所有数据点的趋势分量；表示第个采购物品对应的时序数据序列中第个子序列中所有数据点的残差分量，对于子序列对应的趋势分量与残差分量，趋势分量方差相对于目标分量方差如果越大，则说明该子序列的趋势性越强，反之趋势性越弱。
其中，获取目标子序列与每个其他子序列的修正后的特征距离，包括：根据每个子序列中所有数据点的趋势分量和所有数据点的残差分量，获取每个子序列的趋势强度；获取目标子序列与每个其他子序列的趋势强度差值绝对值；将目标子序列与每个其他子序列的趋势强度差值绝对值，与目标子序列与每个其他子序列的特征距离的乘积，作为目标子序列与每个其他子序列的修正后的特征距离。
具体的，风险评估模块用于根据特征距离（参数修正单元得到的特征距离）获取每个目标子序列基于连通性的离群特征，具体的，实施例采用cof算法获取离群因子，将离群因子作为离群特征，根据每个物品的时序数据序列中所有目标子序列的离群特征，获取每个目标子序列的趋势异常程度；获取每个时序数据序列中每个目标子序列与其他时序数据序列中最相似的相似子序列，根据每个目标子序列与对应的相似子序列的趋势异常程度，以及目标子序列中的数据点在相似子序列中的相位差，获取每个目标子序列中每个数据点的风险程度。
其中，根据目标特征距离获取每个目标子序列基于连通性的离群特征包括：将目标特征距离作为局部平均链接距离的衡量基础，对此进行基于连通性的离群特征的计算，对于离群特征计算的参数值，本实施例指定为，获取到序列中的每个子序列的基于连通性的离群特征，其次，离群特征的计算方法为现有技术，本实施例不再赘述。
其中，获取每个目标子序列的趋势异常程度，包括：根据每个物品的时序数据序列中所有目标子序列的离群特征，对每个目标子序列的离群特征进行归一化；将每个目标子序列的离群特征归一化后得到的值，作为每个目标子序列的趋势异常程度。
其中，在获取到每个子序列在其所在的时序数据序列中的趋势异常程度之后，因为，对于数据点的风险程度的判断需要通过对应的同时间的其他物品的采购资金核算数据序列的趋势异常程度进行多物品之间的比较，故需要根据不同采购物品的时序数据序列中的子序列之间的相似性，来获取每个目标子序列在其他物品对应的序列中最相似的相似子序列，然后通过相似子序列的趋势异常程度对目标子序列的趋势异常程度进行优化，从而确定精确的异常程度，即获取每个目标子序列与对应的相似子序列的趋势异常程度差值，并对趋势异常程度差值进行归一化得到每个目标子序列对应的初始风险程度；对目标子序列中的数据点在相似子序列中的相位差进行正比例计算得到目标值；将每个数据点的目标值，与目标子序列中所有数据点的目标值和值的比值，作为每个数据点的归一化权重；根据每个数据点的归一化权重，与数据点所对应的目标子序列的初始风险程度，获取每个数据点的风险程度。
其中，需要说明的是，将目标子序列与对应的相似子序列的趋势异常程度差值作为目标子序列的初始风险程度，是由于最近邻的物品趋势，说明两个物品在同一采购时期具有着相似的采购趋势，那么对于子序列在各自的时序数据序列中的异常程度，采购趋势越接近，则说明这个时期的采购资金是没有市场上的异常，采购趋势差异越大，则说明是存在异常的，风险程度越高，即以趋势异常程度差值来表征目标子序列的初始风险程度，然后再将归一化权重与初始风险程度相乘得到每个数据点的风险程度。
其中，归一化权重的计算公式：
式中，表示第个采购物品对应的时序数据序列中，第个目标子序列中的第个数据点的归一化权重；
表示第个采购物品对应的时序数据序列中，第个目标子序列中的第个数据点的相位差，第个数据点的相位差即目标子序列中第个数据点的与目标子序列对应的相似子序列中匹配的数据点的总个数；
表示第个采购物品对应的时序数据序列中，第个目标子序列中的数据点的总个数；
e表示自然常数。
具体的，风险预警模块根据每个数据点的风险程度、趋势分量及隐马尔可夫模型获取预警模型，利用预警模型对待处理采购资金核算数据进行预警。
其中，获取预警模型包括：将每个数据点的趋势分量作为隐马尔可夫模型的输入，将每个数据点的风险程度作为隐马尔可夫模型的输出，对隐马尔可夫模型进行训练，得到训练好的隐马尔可夫模型；将训练好的隐马尔可夫模型作为预警模型，具体的，利用预警模型对待处理采购资金核算数据进行预警时，当风险程度大于预设的风险程度阈值，则进行预警，其中，本实施例中风险程度阈值取0.7。
本发明的一种企业内部采购资金核算预警系统，对于企业采购资金核算数据的每个物品的时序数据序列，对于时序数据序列中数据的趋势性异常，现有的突变点检测只能检测到趋势突变的噪声点，无法识别时序数据趋势的平缓变化异常，本发明通过对时序数据序列进行子序列的划分，从而对子序列的整体的趋势异常进行检测，即根据子序列在趋势曲线中对应的线段的斜率，每个其他子序列与目标子序列的时间差值，以及每个子序列中每个数据点的趋势分量，来准确获取目标子序列与每个其他子序列的特征距离，然后基于特征距离获取每个目标子序列基于连通性的离群特征，并获取每个目标子序列的趋势异常程度，由于，对每个子序列与其他子序列进行异常检测时，因为，在不同采购物品中存在着资金核算数据的相似性，即不同采购物品对应的时序数据序列中的子序列的数据相似，所以对于一个子序列的异常检测还需要通过相似子序列的差异性进一步对子序列的趋势异常程度进行优化，从而准确的获取到子序列中每个数据点的风险程度，基于数据点的趋势分量和准确得到的数据点的风险程度得到更为精确的预警模型，从而提高对采购资金核算数据的风险预警更为准确。
以上所述仅为本发明的较佳实施例而已，并不用以限制本发明，凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。

Claims (9)

1.一种企业内部采购资金核算预警系统，其特征在于，包括：
数据采集模块，用于获取采购资金核算数据，采购资金核算数据包括：根据每次采购每种物品的采购金额及采购时间，获取的每种物品的采购金额的时序数据序列；
数据处理模块，用于获取时序数据序列中每个数据点对应的残差分量和趋势分量，并根据趋势分量拟合得到趋势曲线；
参数计算模块，用于将时序数据序列划分为多个子序列，以每个子序列为目标子序列，根据目标子序列在趋势曲线中对应的线段的斜率、每个其他子序列与目标子序列的时间差值，以及每个子序列中每个数据点的趋势分量，获取目标子序列与每个其他子序列的特征距离；
风险评估模块，用于根据特征距离获取每个目标子序列基于连通性的离群特征，根据每个物品的时序数据序列中所有目标子序列的离群特征，获取每个目标子序列的趋势异常程度；获取每个时序数据序列中每个目标子序列与其他时序数据序列中最相似的相似子序列，根据每个目标子序列与对应的相似子序列的趋势异常程度，以及目标子序列中的数据点在相似子序列中的相位差，获取每个目标子序列中每个数据点的风险程度；
风险预警模块，根据每个数据点的风险程度、趋势分量及隐马尔可夫模型获取预警模型，利用预警模型对待处理采购资金核算数据进行预警。
2.根据权利要求1所述的一种企业内部采购资金核算预警系统，其特征在于，获取目标子序列与每个其他子序列的特征距离，包括：
根据目标子序列在趋势曲线中对应的线段的斜率、每个子序列与目标子序列的时间差值，获取每个子序列与目标子序列的趋势分量变化量；
根据每个子序列与目标子序列的趋势分量变化量，目标子序列中每个数据点的趋势分量，获取目标子序列中每个数据点的目标趋势分量，根据目标趋势分量得到目标子序列更新后的最终目标子序列；
将最终目标子序列与每个其他子序列的DTW距离，作为目标子序列与每个其他子序列的特征距离。
3.根据权利要求1所述的一种企业内部采购资金核算预警系统，其特征在于，参数计算模块还包括：
参数修正单元，用于根据每个子序列中所有数据点的趋势分量和所有数据点的残差分量，获取每个子序列的趋势强度；
获取目标子序列与每个其他子序列的趋势强度差值绝对值；
将目标子序列与每个其他子序列的趋势强度差值绝对值，与目标子序列与每个其他子序列的特征距离的乘积，作为目标子序列与每个其他子序列的修正后的特征距离。
4.根据权利要求3所述的一种企业内部采购资金核算预警系统，其特征在于，获取每个子序列的趋势强度，包括：
根据每个子序列中所有数据点的趋势分量，获取每个目标子序列对应的趋势分量方差；
对每个子序列中每个数据点对应的趋势分量和残差分量的求和得到目标分量；
获取每个子序列的目标分量方差；
根据每个子序列的趋势分量方差与目标分量方差的比值，获取每个子序列的趋势强度。
5.根据权利要求1所述的一种企业内部采购资金核算预警系统，其特征在于，获取每个目标子序列的趋势异常程度，包括：
根据每个物品的时序数据序列中所有目标子序列的离群特征，对每个目标子序列的离群特征进行归一化；
将每个目标子序列的离群特征归一化后得到的值，作为每个目标子序列的趋势异常程度。
6.根据权利要求1所述的一种企业内部采购资金核算预警系统，其特征在于，获取每个目标子序列中每个数据点的风险程度，包括：
获取每个目标子序列与对应的相似子序列的趋势异常程度差值，并对趋势异常程度差值进行归一化得到每个目标子序列对应的初始风险程度；
对目标子序列中的数据点在相似子序列中的相位差进行正比例计算得到目标值；
将每个数据点的目标值，与目标子序列中所有数据点的目标值和值的比值，作为每个数据点的归一化权重；
根据每个数据点的归一化权重，与数据点所对应的目标子序列的初始风险程度，获取每个数据点的风险程度。
7.根据权利要求1所述的一种企业内部采购资金核算预警系统，其特征在于，获取预警模型，包括：
将每个数据点的趋势分量作为隐马尔可夫模型的输入，将每个数据点的风险程度作为隐马尔可夫模型的输出，对隐马尔可夫模型进行训练，得到训练好的隐马尔可夫模型；
将训练好的隐马尔可夫模型作为预警模型。
8.根据权利要求1所述的一种企业内部采购资金核算预警系统，其特征在于，获取每个其他子序列与目标子序列的时间差值，包括：
获取每个其他子序列中首个数据点对应的第一时间值；
获取目标子序列中首个数据点对应的第二时间值；
将第一时间值与第二时间值做差得到每个其他子序列与目标子序列的时间差值。
9.根据权利要求1所述的一种企业内部采购资金核算预警系统，其特征在于，将时序数据序列划分为多个子序列，包括：
将时序数据序列中每一个季度对应的数据作为一个区间段数据；
对每个区间段数据进行全对相似性连接，得到每个区间段数据对应的最邻近区间段数据；
根据每个区间段数据与最邻近区间段数据的对应关系，获取时序数据序列的AC曲线；
根据时序数据序列的AC曲线中的极小值点，对时序数据序列划分为多个子序列。
CN202310368690.5A 2023-04-10 2023-04-10 一种企业内部采购资金核算预警系统 Active CN116090916B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202310368690.5A CN116090916B (zh) 2023-04-10 2023-04-10 一种企业内部采购资金核算预警系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202310368690.5A CN116090916B (zh) 2023-04-10 2023-04-10 一种企业内部采购资金核算预警系统

Publications (2)

Publication Number Publication Date
CN116090916A true CN116090916A (zh) 2023-05-09
CN116090916B CN116090916B (zh) 2023-06-16

Family

ID=86202937

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202310368690.5A Active CN116090916B (zh) 2023-04-10 2023-04-10 一种企业内部采购资金核算预警系统

Country Status (1)

Country Link
CN (1) CN116090916B (zh)

Cited By (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116340396A (zh) * 2023-05-30 2023-06-27 浙江出海数字技术有限公司 一种多源大数据融合处理系统
CN116738151A (zh) * 2023-08-09 2023-09-12 广东电网有限责任公司广州供电局 基于大数据的企业能耗碳排放监测核算方法及系统
CN116864020A (zh) * 2023-09-05 2023-10-10 山东鲁扬新材料科技有限公司 应用于egda生成过程的数据管理系统
CN117235462A (zh) * 2023-11-09 2023-12-15 海门市知行包装制品有限公司 基于时序数据分析的袋式包装机故障智能预测方法
CN117421610A (zh) * 2023-12-19 2024-01-19 山东德源电力科技股份有限公司 一种用于电能表运行状态预警的数据异常分析方法

Citations (14)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103020472A (zh) * 2012-12-27 2013-04-03 中国科学院深圳先进技术研究院 基于约束估计的生理信号质量评估方法和系统
CN108446568A (zh) * 2018-03-19 2018-08-24 西北大学 一种去趋势分析差分隐私保护的直方图数据发布方法
CN110825579A (zh) * 2019-09-18 2020-02-21 平安科技（深圳）有限公司 服务器性能监控方法、装置、计算机设备及存储介质
CN111709779A (zh) * 2020-06-01 2020-09-25 广东电网有限责任公司 一种用于电力现货市场的交易品种优化系统
CN112232447A (zh) * 2020-12-14 2021-01-15 国网江西省电力有限公司电力科学研究院 一种电力设备状态监测数据的完整样本集的构建方法
CN112734977A (zh) * 2020-12-25 2021-04-30 安徽省安泰科技股份有限公司 一种基于物联网的设备风险预警系统及算法
CN112966016A (zh) * 2021-03-01 2021-06-15 北京青萌数海科技有限公司 一种异常检测方法
CN113168171A (zh) * 2018-12-05 2021-07-23 三菱电机株式会社 异常探测装置以及异常探测方法
CN114357037A (zh) * 2022-03-22 2022-04-15 苏州浪潮智能科技有限公司 一种时序数据分析方法、装置及电子设备和存储介质
CN114429308A (zh) * 2022-02-08 2022-05-03 河南鑫安利安全科技股份有限公司 一种基于大数据的企业安全风险评估方法及系统
WO2022142494A1 (zh) * 2020-12-30 2022-07-07 京东城市(北京)数字科技有限公司 时序数据的异常监测方法、装置、电子设备和存储介质
CN115328973A (zh) * 2022-09-15 2022-11-11 杭州市质量技术监督检测院 一种时间序列趋势相似度搜索方法、故障诊断方法及系统
CN115659070A (zh) * 2022-12-28 2023-01-31 鸿基骏业环保科技有限公司 一种基于nb-iot智能水表的水流量数据传输方法
CN115935296A (zh) * 2023-03-09 2023-04-07 国网山东省电力公司营销服务中心(计量中心) 一种电能数据计量方法及系统

Patent Citations (15)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103020472A (zh) * 2012-12-27 2013-04-03 中国科学院深圳先进技术研究院 基于约束估计的生理信号质量评估方法和系统
CN108446568A (zh) * 2018-03-19 2018-08-24 西北大学 一种去趋势分析差分隐私保护的直方图数据发布方法
CN113168171A (zh) * 2018-12-05 2021-07-23 三菱电机株式会社 异常探测装置以及异常探测方法
CN110825579A (zh) * 2019-09-18 2020-02-21 平安科技（深圳）有限公司 服务器性能监控方法、装置、计算机设备及存储介质
WO2021051945A1 (zh) * 2019-09-18 2021-03-25 平安科技（深圳）有限公司 服务器性能监控方法、装置、计算机设备及存储介质
CN111709779A (zh) * 2020-06-01 2020-09-25 广东电网有限责任公司 一种用于电力现货市场的交易品种优化系统
CN112232447A (zh) * 2020-12-14 2021-01-15 国网江西省电力有限公司电力科学研究院 一种电力设备状态监测数据的完整样本集的构建方法
CN112734977A (zh) * 2020-12-25 2021-04-30 安徽省安泰科技股份有限公司 一种基于物联网的设备风险预警系统及算法
WO2022142494A1 (zh) * 2020-12-30 2022-07-07 京东城市(北京)数字科技有限公司 时序数据的异常监测方法、装置、电子设备和存储介质
CN112966016A (zh) * 2021-03-01 2021-06-15 北京青萌数海科技有限公司 一种异常检测方法
CN114429308A (zh) * 2022-02-08 2022-05-03 河南鑫安利安全科技股份有限公司 一种基于大数据的企业安全风险评估方法及系统
CN114357037A (zh) * 2022-03-22 2022-04-15 苏州浪潮智能科技有限公司 一种时序数据分析方法、装置及电子设备和存储介质
CN115328973A (zh) * 2022-09-15 2022-11-11 杭州市质量技术监督检测院 一种时间序列趋势相似度搜索方法、故障诊断方法及系统
CN115659070A (zh) * 2022-12-28 2023-01-31 鸿基骏业环保科技有限公司 一种基于nb-iot智能水表的水流量数据传输方法
CN115935296A (zh) * 2023-03-09 2023-04-07 国网山东省电力公司营销服务中心(计量中心) 一种电能数据计量方法及系统

Non-Patent Citations (4)

* Cited by examiner, † Cited by third party
Title
JINHUI ZHAO: "Multivariate Time Series Similarity Measure Based on Weighted Dynamic Time Warping", IPMV \'20: PROCEEDINGS OF THE 2020 2ND INTERNATIONAL CONFERENCE ON IMAGE PROCESSING AND MACHINE VISION *
任守纲;刘国阳;顾兴健;熊迎军;王浩云;徐焕良;: "混合范数趋势滤波时间序列分类算法研究", 小型微型计算机系统, no. 05 *
尚福华;孙达辰;: "基于时间序列趋势转折点的分段线性表示", 计算机应用研究, no. 06 *
王永坤;王海洋;潘平峻;李龙元;金耀辉;: "面向公共安全的时空数据挖掘综述", 重庆邮电大学学报(自然科学版), no. 01 *

Cited By (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116340396A (zh) * 2023-05-30 2023-06-27 浙江出海数字技术有限公司 一种多源大数据融合处理系统
CN116340396B (zh) * 2023-05-30 2023-08-04 浙江出海数字技术有限公司 一种多源大数据融合处理系统
CN116738151A (zh) * 2023-08-09 2023-09-12 广东电网有限责任公司广州供电局 基于大数据的企业能耗碳排放监测核算方法及系统
CN116738151B (zh) * 2023-08-09 2023-11-17 广东电网有限责任公司广州供电局 基于大数据的企业能耗碳排放监测核算方法及系统
CN116864020A (zh) * 2023-09-05 2023-10-10 山东鲁扬新材料科技有限公司 应用于egda生成过程的数据管理系统
CN116864020B (zh) * 2023-09-05 2023-11-03 山东鲁扬新材料科技有限公司 应用于egda生成过程的数据管理系统
CN117235462A (zh) * 2023-11-09 2023-12-15 海门市知行包装制品有限公司 基于时序数据分析的袋式包装机故障智能预测方法
CN117235462B (zh) * 2023-11-09 2024-02-13 海门市知行包装制品有限公司 基于时序数据分析的袋式包装机故障智能预测方法
CN117421610A (zh) * 2023-12-19 2024-01-19 山东德源电力科技股份有限公司 一种用于电能表运行状态预警的数据异常分析方法
CN117421610B (zh) * 2023-12-19 2024-03-15 山东德源电力科技股份有限公司 一种用于电能表运行状态预警的数据异常分析方法

Also Published As

Publication number Publication date
CN116090916B (zh) 2023-06-16

Similar Documents

Publication Publication Date Title
CN116090916B (zh) 一种企业内部采购资金核算预警系统
JP7537182B2 (ja) 異常温度検知装置、異常温度検知方法、及び異常温度検知プログラム
Kaneko et al. A soft sensor method based on values predicted from multiple intervals of time difference for improvement and estimation of prediction accuracy
CN106354995A (zh) 一种基于拉格朗日插值与时间序列的预测方法
US20230375441A1 (en) Monitoring device and method for segmenting different times series of sensor data points
CN112116184A (zh) 使用历史检验数据的工厂风险估计
US11775512B2 (en) Data analysis apparatus, method and system
CN117237126B (zh) 一种保险平台及保险数据处理方法
Chehade et al. Conditional Gaussian mixture model for warranty claims forecasting
CN117454096A (zh) 一种电机生产质量检测方法及系统
CN117094611A (zh) 一种用于食品加工的质量安全溯源管理方法及系统
WO2020257784A1 (en) Inspection risk estimation using historical inspection data
CN115800245A (zh) 基于sarima-随机森林组合模型的短期负荷预测方法
WO2021252815A1 (en) Activity level measurement using deep learning and machine learning
CN110308713A (zh) 一种基于k近邻重构的工业过程故障变量识别方法
CN113723734A (zh) 时序数据的异常监测方法、装置、电子设备和存储介质
CN116597939A (zh) 基于大数据的药品质量控制管理分析系统及方法
CN117235511A (zh) 一种二次仪表校准方法
CN110084301B (zh) 一种基于隐马尔可夫模型的多工况过程工况辨识方法
Singh et al. Time series analysis
CN106018325B (zh) 一种评价汽油性质建模预测结果可信程度的方法
JP2004054420A (ja) 製造プロセスにおける操業と品質の関連分析装置、関連分析方法及びコンピュータ読み取り可能な記憶媒体
CN116955050A (zh) 检测指标的不可信时段
Amerise et al. A new method to detect outliers in high-frequency time series
Musaeva et al. Algorithms for constructing the confidence interval of the mathematical expectation of the noise and its application for calculating statistical characteristics

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