CN116485571A - 一种基于用户行为预测的审计追踪方法 - Google Patents
一种基于用户行为预测的审计追踪方法 Download PDFInfo
- Publication number
- CN116485571A CN116485571A CN202310518013.7A CN202310518013A CN116485571A CN 116485571 A CN116485571 A CN 116485571A CN 202310518013 A CN202310518013 A CN 202310518013A CN 116485571 A CN116485571 A CN 116485571A
- Authority
- CN
- China
- Prior art keywords
- behavior
- economic
- time sequence
- engineering geological
- audit trail
- 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
- 238000000034 method Methods 0.000 title claims abstract description 104
- 238000012550 audit Methods 0.000 title claims abstract description 66
- 230000006399 behavior Effects 0.000 claims abstract description 351
- 238000013474 audit trail Methods 0.000 claims abstract description 118
- 230000008569 process Effects 0.000 claims abstract description 69
- 230000002159 abnormal effect Effects 0.000 claims abstract description 29
- 206010000117 Abnormal behaviour Diseases 0.000 claims abstract description 26
- 238000012545 processing Methods 0.000 claims abstract description 6
- 238000013528 artificial neural network Methods 0.000 claims description 36
- 230000005477 standard model Effects 0.000 claims description 30
- 238000012544 monitoring process Methods 0.000 claims description 23
- 238000012300 Sequence Analysis Methods 0.000 claims description 6
- 238000011161 development Methods 0.000 claims description 6
- 238000011156 evaluation Methods 0.000 claims description 6
- 238000010276 construction Methods 0.000 claims description 3
- 238000013135 deep learning Methods 0.000 claims description 3
- 230000006870 function Effects 0.000 claims description 3
- 238000010606 normalization Methods 0.000 claims description 3
- 238000011002 quantification Methods 0.000 claims description 3
- 238000013139 quantization Methods 0.000 claims description 3
- 238000012549 training Methods 0.000 claims description 3
- 238000011897 real-time detection Methods 0.000 abstract description 4
- 230000009467 reduction Effects 0.000 abstract description 2
- 238000009825 accumulation Methods 0.000 description 3
- 238000005070 sampling Methods 0.000 description 3
- 230000005856 abnormality Effects 0.000 description 2
- 230000008859 change Effects 0.000 description 2
- 238000011835 investigation Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 239000012141 concentrate Substances 0.000 description 1
- 230000001186 cumulative effect Effects 0.000 description 1
- 239000006185 dispersion Substances 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
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
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/044—Recurrent networks, e.g. Hopfield networks
- G06N3/0442—Recurrent networks, e.g. Hopfield networks characterised by memory or gating, e.g. long short-term memory [LSTM] or gated recurrent units [GRU]
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Business, Economics & Management (AREA)
- Theoretical Computer Science (AREA)
- Accounting & Taxation (AREA)
- Finance (AREA)
- General Physics & Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Computational Linguistics (AREA)
- Strategic Management (AREA)
- General Business, Economics & Management (AREA)
- Marketing (AREA)
- Economics (AREA)
- Health & Medical Sciences (AREA)
- Development Economics (AREA)
- Artificial Intelligence (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Technology Law (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种基于用户行为预测的审计追踪方法,包括以下步骤:在工程地质项目当前进程处对由所述经济行为预测模型超前预测出的各经济行为的行为数据时序序列进行标准化审计评估,以在各经济行为中标记出作为审计追踪点位的经济行为以及量化出审计追踪点位的审计追踪频率。本发明依据对工程地质项目的行为预测实现在冗杂的经济行为中确定出审计追踪目标,追踪目标降维,集中审计关注力,降低冗余数据处理量提高审计效率,定位出的呈现异常行为数据的审计追踪点位作为工程地质项目异常经济行为,在异常行为发生时实现实时察觉,提高审计时效性,实现对工程地质项目异常经济行为定位精准性的提高。
Description
技术领域
本发明涉及工程地质项目审计技术领域,具体涉及一种基于用户行为预测的审计追踪方法。
背景技术
工程地质项目专项审计方法主要采取追踪资金流向法为主,以抽样审计与详细审计结合法、审计经验判断法和走访调查法等为辅。审计人员通过资金流转的各个环节检查是否在资金流转过程中存在"跑、冒、滴、漏”行为,在具体的审计业务中往往采取抽样的方式确定样本。审计手段包括:确定源头资金总量,确定资金流转环节,审查流转环节资金的安全性,计算资金流转的时间性,审查资金流转末端的完整性,测试资金使用的合规合法性。审计人员还可以凭借职业判断的敏锐性与直觉,根据审计经验尽可能地揭示问题存在的真实;为了进一步证明自己的直觉判断,也可以选择走访调查的审计方法。对。
上述工程地质项目的审计方法,主要是单时间点进行随机抽样审计,现在工程地质项目资金流转异常行为为了隐蔽性,通常是持续且缓慢的进行,实现累积性达成"跑、冒、滴、漏”的目标,并不是一次性完成,审计过程参数数据量大,难以确定审计追踪目标,因此增强了对异常行为的审计难度,而在审计到异常行为时,通常已经造成了不可挽回的损失,因此审计时效性难以得到保证。
发明内容
本发明的目的在于提供一种基于用户行为预测的审计追踪方法,以解决现有技术中增强了对异常行为的审计难度,审计时效性难以得到保证的技术问题。
为解决上述技术问题,本发明具体提供下述技术方案:
一种基于用户行为预测的审计追踪方法,包括以下步骤:
步骤S1、获取工程地质项目进程中承建商的各经济行为的行为数据时序序列,通过对各经济行为的行为数据时序序列进行时序性分析以构建出工程地质项目的经济行为预测模型,其中,所述经济行为预测模型依时序对工程地质项目的各经济行为的行为数据进行超前预测;
步骤S2、在工程地质项目当前进程处对由所述经济行为预测模型超前预测出的各经济行为的行为数据时序序列进行标准化审计评估,以在各经济行为中标记出作为审计追踪点位的经济行为以及量化出审计追踪点位的审计追踪频率,其中,所述标准化审计评估为利用预建立的经济行为标准模型得到的各经济行为的标准行为数据时序序列与所述经济行为预测模型超前预测出的各经济行为的行为数据时序序列进行评估,所述经济行为标准模型由多个历史工程地质项目的专家经验建立得到;
步骤S3、在工程地质项目当前进程处对各个审计追踪点位以审计追踪频率进行行为数据监测,对监测得到的审计追踪点位的行为数据进行实时审计评估,以定位出的呈现异常行为数据的审计追踪点位作为工程地质项目异常经济行为,实现对工程地质项目异常经济行为定位精准性的提高。
作为本发明的一种优选方案,所述获取工程地质项目进程中承建商的各经济行为的行为数据时序序列,包括:
获取每个经济行为在工程地质项目初始进程到工程地质项目当前进程间的所有行为数据;
将各经济行为在工程地质项目初始进程到工程地质项目当前进程间的所有行为数据进行归一化处理;
将每个经济行为中归一化处理后的所有行为数据依时序进行排列得到每个经济行为的行为数据时序序列。
作为本发明的一种优选方案,所述通过对各经济行为的行为数据时序序列进行时序性分析以构建出工程地质项目的经济行为预测模型,包括:
将每个经济行为的行为数据时序序列中位于前置时序处的行为数据时序序列作为LSTM神经网络的输入项,将每个经济行为的行为数据时序序列中位于后置时序处的行为数据时序序列作为LSTM神经网络的输出项;
利用LSTM神经网络对LSTM神经网络的输入项和LSTM神经网络的输出项进行深度学习得到工程地质项目中每个经济行为的经济行为预测模型;
所述经济行为预测模型的模型表达式为:
[Snew]i=LSTM([Sold]i);
式中,[Snew]i为第i个经济行为的后置时序处的行为数据时序序列,[Sold]i为第i个经济行为的前置时序处的行为数据时序序列,LSTM为LSTM神经网络,i为计数变量。
作为本发明的一种优选方案,所述在工程地质项目当前进程处对由所述经济行为预测模型超前预测出的各经济行为的行为数据时序序列进行标准化审计评估,包括:
将位于工程地质项目当前进程的前置时序处的各经济行为的行为数据时序序列输入至经济行为预测模型中,得到位于工程地质项目当前进程的后置时序处的各经济行为的行为数据时序序列;
将经济行为预测模型输出的工程地质项目当前进程的各个后置时序以及工程地质项目的项目特征信息依次输入至经济行为标准模型中,由经济行为标准模型输出位于工程地质项目当前进程的各个后置时序的标准行为数据;
将位于工程地质项目当前进程的各个后置时序的标准行为数据依时序进行排列得到各经济行为的标准行为数据时序序列;
将各经济行为的标准行为数据时序序列与各经济行为的行为数据时序序列进行序列相关性量化,将序列相关性小于预设阈值的经济行为作为审计追踪点位;
基于序列相关性构建审计追踪点位的审计追踪频率,所述审计追踪频率的函数表达式为:
fk=f0*[1+F(Ik)];
式中,fk为第k个审计追踪点位的审计追踪频率,Ik为第k个审计追踪点位的序列相关性,f0为运动参数的基准审计频率,F(Ik)为Ik的反比例函数,k为计数变量。
作为本发明的一种优选方案,所述经济行为标准模型的构建包括:
获取多个历史工程地质项目的项目特征信息,以及多个历史工程地质项目在工程地质项目所有进程处的各经济行为的行为数据;
将项目特征信息及工程地质项目所有进程对应的时序作为BP神经网络的输入项,将在工程地质项目所有进程处的各经济行为的行为数据作为BP神经网络的输出项,利用BP神经网络对BP神经网络的输入项和BP神经网络的输出项进行卷积训练得到经济行为标准模型;
所述经济行为标准模型的模型表达式为:
[St]i=BP([t]i,D);
式中,[St]i为第i个经济行为位于工程地质项目所有进程对应的时序t处的行为数据,[t]i为第i个经济行为的位于工程地质项目所有进程对应的时序t,D为历史工程地质项目的项目特征信息,BP为BP神经网络,i为计数变量。
作为本发明的一种优选方案,所述对监测得到的审计追踪点位的行为数据进行实时审计评估,包括:
将审计追踪点位的行为数据的监测时序至经济行为标准模型中,由经济行为标准模型输出位于审计追踪点位的行为数据的监测时序处的标准行为数据;
将审计追踪点位的行为数据与位于审计追踪点位的行为数据的监测时序处的标准行为数据进行数据相关性量化,将数据相关性小于预设阈值的审计追踪点位的行为数据作为审计追踪点位的异常行为数据;
将呈现异常行为数据的审计追踪点位作为工程地质项目的异常经济行为,以实现在监测时序处实时定位出工程地质项目异常经济行为。
作为本发明的一种优选方案,所述项目特征信息包含项目所在地质信息、项目资金信息、开发企业信息、项目开发周期信息。
作为本发明的一种优选方案,所述序列相关性量化和数据相关性均利用相关性系数进行量化。
作为本发明的一种优选方案,在确定工程地质项目异常经济行为的监测时序处利用步骤S1-步骤S3进行审计追踪点位以及审计追踪点位的审计追踪频率的重新确定。
作为本发明的一种优选方案,将多个历史工程地质项目的项目特征信息,以及多个历史工程地质项目在工程地质项目所有进程处的各经济行为的行为数据在经济行为标准模型前进行归一化处理。
本发明与现有技术相比较具有如下有益效果:
本发明在工程地质项目当前进程处对由所述经济行为预测模型超前预测出的各经济行为的行为数据时序序列进行标准化审计评估,以在各经济行为中标记出作为审计追踪点位的经济行为以及量化出审计追踪点位的审计追踪频率,依据对工程地质项目的行为预测实现在冗杂的经济行为中确定出审计追踪目标,追踪目标降维,集中审计关注力,降低冗余数据处理量提高审计效率,在工程地质项目当前进程处对各个审计追踪点位以审计追踪频率进行行为数据监测,对监测得到的审计追踪点位的行为数据进行实时审计评估,以定位出的呈现异常行为数据的审计追踪点位作为工程地质项目异常经济行为,在异常行为发生时实现实时察觉,提高审计时效性,实现对工程地质项目异常经济行为定位精准性的提高。
附图说明
为了更清楚地说明本发明的实施方式或现有技术中的技术方案,下面将对实施方式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示例性的,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,还可以根据提供的附图引伸获得其它的实施附图。
图1为本发明实施例提供的审计追踪方法流程图。
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。
现在工程地质项目资金流转异常行为为了隐蔽性,通常是持续且缓慢的进行,实现累积性达成"跑、冒、滴、漏”的目标,并不是一次性完成,审计过程参数数据量大,难以确定审计追踪目标,因此增强了对异常行为的审计难度,而在审计到异常行为时,通常已经造成了不可挽回的损失,因此审计时效性难以得到保证。因此,本发明提供了一种利用用户行为预测的审计追踪方法,利用用户行为的连续性,在所有经济行为中标记出存在异常可能性的经济行为作为审计追踪目标,集中审计关注力,提高审计效率,并且基于审计追踪点位的异常可能性设定审计追踪频率,在异常行为发生时实现实时察觉,提高审计时效性,共同实现对工程地质项目异常经济行为定位精准性的提高。
如图1所示,本发明提供了一种基于用户行为预测的审计追踪方法,包括以下步骤:
步骤S1、获取工程地质项目进程中承建商的各经济行为的行为数据时序序列,通过对各经济行为的行为数据时序序列进行时序性分析以构建出工程地质项目的经济行为预测模型,其中,经济行为预测模型依时序对工程地质项目的各经济行为的行为数据进行超前预测;
步骤S2、在工程地质项目当前进程处对由经济行为预测模型超前预测出的各经济行为的行为数据时序序列进行标准化审计评估,以在各经济行为中标记出作为审计追踪点位的经济行为以及量化出审计追踪点位的审计追踪频率,其中,标准化审计评估为利用预建立的经济行为标准模型得到的各经济行为的标准行为数据时序序列与经济行为预测模型超前预测出的各经济行为的行为数据时序序列进行评估,经济行为标准模型由多个历史工程地质项目的专家经验建立得到;
步骤S3、在工程地质项目当前进程处对各个审计追踪点位以审计追踪频率进行行为数据监测,对监测得到的审计追踪点位的行为数据进行实时审计评估,以定位出的呈现异常行为数据的审计追踪点位作为工程地质项目异常经济行为,实现对工程地质项目异常经济行为定位精准性的提高。
工程地质项目中经济行为的实现存在时序连续性,工程地质项目资金流转异常行为为了隐蔽性,通常是持续且缓慢的进行,实现累积性达成"跑、冒、滴、漏”的目标,并不是一次性完成,因此前面时序的经济行为对后面时序审计结果的存在影响,等同于量变导致质变的过程,因此要判断具有隐蔽性的异常经济行为需要对地质承建商的连续经济行为进行分析预测。
本发明构建了经济行为预测模型,利用承建商的历史行为数据实现对承建商未来时序的行为数据进行预测,从而挖掘出以承建商现阶段的经济行为持续下去会造成哪些经济行为出现异常,挖掘出隐蔽性强的异常行为,将这些隐蔽性强的异常经济行为在还未发生质变仅为量变累计过程时进行审计追踪,即对可能发生异常行为的经济行为作为审计追踪目标(本申请中的审计追踪点位)进行审计追踪,无需对剩余不会发生异常的经济行为进行追踪,集中审计资源和关注度,避免审计资源分散,进行冗余的审计追踪操作。
审计追踪点位(审计追踪目标)也存在异常程度的差异,异常程度越高,说明该审计追踪目标需要的关注度越高,越早发现造成的损失越小,异常程度略低,则可以给与的关注点略低,因此本发明利用序列相关性来量化审计追踪点位异常程度,为审计追踪点位进行审计追踪频率的设定,将异常程度越高的审计追踪点位赋予越高的审计追踪频率(审计追踪频率表明了多久时间对审计追踪点位进行一次审计),使得该审计追踪点位能够越早的被发现,来通过审计追踪频率的设定保证审计追踪点位的异常识别时效性。
获取工程地质项目进程中承建商的各经济行为的行为数据时序序列,包括:
获取每个经济行为在工程地质项目初始进程到工程地质项目当前进程间的所有行为数据;
将各经济行为在工程地质项目初始进程到工程地质项目当前进程间的所有行为数据进行归一化处理;
将每个经济行为中归一化处理后的所有行为数据依时序进行排列得到每个经济行为的行为数据时序序列。
通过对各经济行为的行为数据时序序列进行时序性分析以构建出工程地质项目的经济行为预测模型,包括:
将每个经济行为的行为数据时序序列中位于前置时序处的行为数据时序序列作为LSTM神经网络的输入项,将每个经济行为的行为数据时序序列中位于后置时序处的行为数据时序序列作为LSTM神经网络的输出项;
利用LSTM神经网络对LSTM神经网络的输入项和LSTM神经网络的输出项进行深度学习得到工程地质项目中每个经济行为的经济行为预测模型;
经济行为预测模型的模型表达式为:
[Snew]i=LSTM([Sold]i);
式中,[Snew]i为第i个经济行为的后置时序处的行为数据时序序列,[Sold]i为第i个经济行为的前置时序处的行为数据时序序列,LSTM为LSTM神经网络,i为计数变量。
在工程地质项目当前进程处对由经济行为预测模型超前预测出的各经济行为的行为数据时序序列进行标准化审计评估,包括:
将位于工程地质项目当前进程的前置时序处的各经济行为的行为数据时序序列输入至经济行为预测模型中,得到位于工程地质项目当前进程的后置时序处的各经济行为的行为数据时序序列;
将经济行为预测模型输出的工程地质项目当前进程的各个后置时序以及工程地质项目的项目特征信息依次输入至经济行为标准模型中,由经济行为标准模型输出位于工程地质项目当前进程的各个后置时序的标准行为数据;
将位于工程地质项目当前进程的各个后置时序的标准行为数据依时序进行排列得到各经济行为的标准行为数据时序序列;
将各经济行为的标准行为数据时序序列与各经济行为的行为数据时序序列进行序列相关性量化,将序列相关性小于预设阈值的经济行为作为审计追踪点位;
基于序列相关性构建审计追踪点位的审计追踪频率,审计追踪频率的函数表达式为:
fk=f0*[1+F(Ik)];
式中,fk为第k个审计追踪点位的审计追踪频率,Ik为第k个审计追踪点位的序列相关性,f0为运动参数的基准审计频率,F(Ik)为Ik的反比例函数,可根据需要进行设定,k为计数变量。
经济行为标准模型的构建包括:
获取多个历史工程地质项目的项目特征信息,以及多个历史工程地质项目在工程地质项目所有进程处的各经济行为的行为数据;
将项目特征信息及工程地质项目所有进程对应的时序作为BP神经网络的输入项,将在工程地质项目所有进程处的各经济行为的行为数据作为BP神经网络的输出项,利用BP神经网络对BP神经网络的输入项和BP神经网络的输出项进行卷积训练得到经济行为标准模型;
经济行为标准模型的模型表达式为:
[St]i=BP([t]i,D);
式中,[St]i为第i个经济行为位于工程地质项目所有进程对应的时序t处的行为数据,[t]i为第i个经济行为的位于工程地质项目所有进程对应的时序t,D为历史工程地质项目的项目特征信息,BP为BP神经网络,i为计数变量。
对监测得到的审计追踪点位的行为数据进行实时审计评估,包括:
将审计追踪点位的行为数据的监测时序至经济行为标准模型中,由经济行为标准模型输出位于审计追踪点位的行为数据的监测时序处的标准行为数据;
将审计追踪点位的行为数据与位于审计追踪点位的行为数据的监测时序处的标准行为数据进行数据相关性量化,将数据相关性小于预设阈值的审计追踪点位的行为数据作为审计追踪点位的异常行为数据;
将呈现异常行为数据的审计追踪点位作为工程地质项目的异常经济行为,以实现在监测时序处实时定位出工程地质项目异常经济行为。
项目特征信息包含项目所在地质信息、项目资金信息、开发企业信息、项目开发周期信息。
序列相关性量化和数据相关性均利用相关性系数进行量化。
在确定工程地质项目异常经济行为的监测时序处利用步骤S1-步骤S3进行审计追踪点位以及审计追踪点位的审计追踪频率的重新确定。
将多个历史工程地质项目的项目特征信息,以及多个历史工程地质项目在工程地质项目所有进程处的各经济行为的行为数据在经济行为标准模型前进行归一化处理。
本发明在工程地质项目当前进程处对由经济行为预测模型超前预测出的各经济行为的行为数据时序序列进行标准化审计评估,以在各经济行为中标记出作为审计追踪点位的经济行为以及量化出审计追踪点位的审计追踪频率,依据对工程地质项目的行为预测实现在冗杂的经济行为中确定出审计追踪目标,追踪目标降维,集中审计关注力,降低冗余数据处理量提高审计效率,在工程地质项目当前进程处对各个审计追踪点位以审计追踪频率进行行为数据监测,对监测得到的审计追踪点位的行为数据进行实时审计评估,以定位出的呈现异常行为数据的审计追踪点位作为工程地质项目异常经济行为,在异常行为发生时实现实时察觉,提高审计时效性,实现对工程地质项目异常经济行为定位精准性的提高。
以上实施例仅为本申请的示例性实施例,不用于限制本申请,本申请的保护范围由权利要求书限定。本领域技术人员可以在本申请的实质和保护范围内,对本申请做出各种修改或等同替换,这种修改或等同替换也应视为落在本申请的保护范围内。
Claims (10)
1.一种基于用户行为预测的审计追踪方法,其特征在于,包括以下步骤:
步骤S1、获取工程地质项目进程中承建商的各经济行为的行为数据时序序列,通过对各经济行为的行为数据时序序列进行时序性分析以构建出工程地质项目的经济行为预测模型,其中,所述经济行为预测模型依时序对工程地质项目的各经济行为的行为数据进行超前预测;
步骤S2、在工程地质项目当前进程处对由所述经济行为预测模型超前预测出的各经济行为的行为数据时序序列进行标准化审计评估,以在各经济行为中标记出作为审计追踪点位的经济行为以及量化出审计追踪点位的审计追踪频率,其中,所述标准化审计评估为利用预建立的经济行为标准模型得到的各经济行为的标准行为数据时序序列与所述经济行为预测模型超前预测出的各经济行为的行为数据时序序列进行评估,所述经济行为标准模型由多个历史工程地质项目的专家经验建立得到;
步骤S3、在工程地质项目当前进程处对各个审计追踪点位以审计追踪频率进行行为数据监测,对监测得到的审计追踪点位的行为数据进行实时审计评估,以定位出的呈现异常行为数据的审计追踪点位作为工程地质项目异常经济行为,实现对工程地质项目异常经济行为定位精准性的提高。
2.根据权利要求1所述的一种基于用户行为预测的审计追踪方法,其特征在于:所述获取工程地质项目进程中承建商的各经济行为的行为数据时序序列,包括:
获取每个经济行为在工程地质项目初始进程到工程地质项目当前进程间的所有行为数据;
将各经济行为在工程地质项目初始进程到工程地质项目当前进程间的所有行为数据进行归一化处理;
将每个经济行为中归一化处理后的所有行为数据依时序进行排列得到每个经济行为的行为数据时序序列。
3.根据权利要求1所述的一种基于用户行为预测的审计追踪方法,其特征在于:所述通过对各经济行为的行为数据时序序列进行时序性分析以构建出工程地质项目的经济行为预测模型,包括:
将每个经济行为的行为数据时序序列中位于前置时序处的行为数据时序序列作为LSTM神经网络的输入项,将每个经济行为的行为数据时序序列中位于后置时序处的行为数据时序序列作为LSTM神经网络的输出项;
利用LSTM神经网络对LSTM神经网络的输入项和LSTM神经网络的输出项进行深度学习得到工程地质项目中每个经济行为的经济行为预测模型;
所述经济行为预测模型的模型表达式为:
[Snew]i=LSTM([Sold]i);
式中,[Snew]i为第i个经济行为的后置时序处的行为数据时序序列,[Sold]i为第i个经济行为的前置时序处的行为数据时序序列,LSTM为LSTM神经网络,i为计数变量。
4.根据权利要求1所述的一种基于用户行为预测的审计追踪方法,其特征在于:所述在工程地质项目当前进程处对由所述经济行为预测模型超前预测出的各经济行为的行为数据时序序列进行标准化审计评估,包括:
将位于工程地质项目当前进程的前置时序处的各经济行为的行为数据时序序列输入至经济行为预测模型中,得到位于工程地质项目当前进程的后置时序处的各经济行为的行为数据时序序列;
将经济行为预测模型输出的工程地质项目当前进程的各个后置时序以及工程地质项目的项目特征信息依次输入至经济行为标准模型中,由经济行为标准模型输出位于工程地质项目当前进程的各个后置时序的标准行为数据;
将位于工程地质项目当前进程的各个后置时序的标准行为数据依时序进行排列得到各经济行为的标准行为数据时序序列;
将各经济行为的标准行为数据时序序列与各经济行为的行为数据时序序列进行序列相关性量化,将序列相关性小于预设阈值的经济行为作为审计追踪点位;
基于序列相关性构建审计追踪点位的审计追踪频率,所述审计追踪频率的函数表达式为:
fk=f0*[1+F(Ik)];
式中,fk为第k个审计追踪点位的审计追踪频率,Ik为第k个审计追踪点位的序列相关性,f0为运动参数的基准审计频率,F(Ik)为Ik的反比例函数,k为计数变量。
5.根据权利要求4所述的一种基于用户行为预测的审计追踪方法,其特征在于:所述经济行为标准模型的构建包括:
获取多个历史工程地质项目的项目特征信息,以及多个历史工程地质项目在工程地质项目所有进程处的各经济行为的行为数据;
将项目特征信息及工程地质项目所有进程对应的时序作为BP神经网络的输入项,将在工程地质项目所有进程处的各经济行为的行为数据作为BP神经网络的输出项,利用BP神经网络对BP神经网络的输入项和BP神经网络的输出项进行卷积训练得到经济行为标准模型;
所述经济行为标准模型的模型表达式为:
[St]i=BP([t]i,D);
式中,[St]i为第i个经济行为位于工程地质项目所有进程对应的时序t处的行为数据,[t]i为第i个经济行为的位于工程地质项目所有进程对应的时序t,D为历史工程地质项目的项目特征信息,BP为BP神经网络,i为计数变量。
6.根据权利要求5所述的一种基于用户行为预测的审计追踪方法,其特征在于:所述对监测得到的审计追踪点位的行为数据进行实时审计评估,包括:
将审计追踪点位的行为数据的监测时序至经济行为标准模型中,由经济行为标准模型输出位于审计追踪点位的行为数据的监测时序处的标准行为数据;
将审计追踪点位的行为数据与位于审计追踪点位的行为数据的监测时序处的标准行为数据进行数据相关性量化,将数据相关性小于预设阈值的审计追踪点位的行为数据作为审计追踪点位的异常行为数据;
将呈现异常行为数据的审计追踪点位作为工程地质项目的异常经济行为,以实现在监测时序处实时定位出工程地质项目异常经济行为。
7.根据权利要求5所述的一种基于用户行为预测的审计追踪方法,其特征在于,所述项目特征信息包含项目所在地质信息、项目资金信息、开发企业信息、项目开发周期信息。
8.根据权利要求6所述的一种基于用户行为预测的审计追踪方法,其特征在于,所述序列相关性量化和数据相关性均利用相关性系数进行量化。
9.根据权利要求6所述的一种基于用户行为预测的审计追踪方法,其特征在于,在确定工程地质项目异常经济行为的监测时序处利用步骤S1-步骤S3进行审计追踪点位以及审计追踪点位的审计追踪频率的重新确定。
10.根据权利要求5所述的一种基于用户行为预测的审计追踪方法,其特征在于,将多个历史工程地质项目的项目特征信息,以及多个历史工程地质项目在工程地质项目所有进程处的各经济行为的行为数据在经济行为标准模型前进行归一化处理。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310518013.7A CN116485571A (zh) | 2023-05-09 | 2023-05-09 | 一种基于用户行为预测的审计追踪方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310518013.7A CN116485571A (zh) | 2023-05-09 | 2023-05-09 | 一种基于用户行为预测的审计追踪方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN116485571A true CN116485571A (zh) | 2023-07-25 |
Family
ID=87226801
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310518013.7A Pending CN116485571A (zh) | 2023-05-09 | 2023-05-09 | 一种基于用户行为预测的审计追踪方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116485571A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117151906A (zh) * | 2023-08-15 | 2023-12-01 | 广东省地质调查院 | 一种基于关联网络搭建的财会审计监察协同监督方法 |
-
2023
- 2023-05-09 CN CN202310518013.7A patent/CN116485571A/zh active Pending
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117151906A (zh) * | 2023-08-15 | 2023-12-01 | 广东省地质调查院 | 一种基于关联网络搭建的财会审计监察协同监督方法 |
CN117151906B (zh) * | 2023-08-15 | 2024-02-13 | 广东省地质调查院 | 一种基于关联网络搭建的财会审计监察协同监督方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN106951984B (zh) | 一种系统健康度动态分析预测方法及装置 | |
US7292960B1 (en) | Method for characterization, detection and prediction for target events | |
US20220128983A1 (en) | Defect prediction methods, apparautses, electronic devices and storage media | |
CN111639798A (zh) | 智能的预测模型选择方法及装置 | |
CN116485571A (zh) | 一种基于用户行为预测的审计追踪方法 | |
CN112328483A (zh) | 报表测试方法、装置、计算机设备及计算机可读存储介质 | |
CN113887126A (zh) | 焊点质量分析方法、装置、终端设备及介质 | |
CN116743637B (zh) | 一种异常流量的检测方法、装置、电子设备及存储介质 | |
Di Martino et al. | Comparing size measures for predicting web application development effort: a case study | |
CN116596674A (zh) | 基于大数据分析的对外贸易风险评估方法 | |
Ravichandran | A review of preliminary test-based statistical methods for the benefit of Six Sigma quality practitioners | |
CN115081485B (zh) | 一种基于ai的漏磁内检测数据自动分析方法 | |
CN110930258A (zh) | 一种应收账款融资变现规模预测方法及系统 | |
CN114493858A (zh) | 一种非法资金转移可疑交易监测方法及相关组件 | |
CN111179077B (zh) | 股票异常交易的识别方法及系统 | |
CN115328866A (zh) | 一种基于日志采样的流程实例下一事件预测方法与系统 | |
KR20130086083A (ko) | 리스크-프로파일 생성 장치 | |
CN111626586B (zh) | 数据质量检测方法、装置、计算机设备和存储介质 | |
CN113409025B (zh) | 一种业务数据提取方法、装置及存储介质 | |
CN114462541A (zh) | 数据处理方法、装置、存储介质和处理器 | |
CN116366325A (zh) | 一种基于终端安全态势数据的异常检测模型构建方法 | |
CN116720939A (zh) | 银行产品缺陷分析方法、装置、存储介质及计算机设备 | |
CN115062067A (zh) | 一种信托资金投向自动匹配分析的实现方法及系统 | |
CN117114686A (zh) | 一种基于大宗交易平台的信用监管方法及系统 | |
Nasution et al. | Credit Risk Detection in Peer-to-Peer Lending Using CatBoost |
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 |