CN117009907A - 一种基于趋势异常值检测的财务系统预警方法及系统 - Google Patents
一种基于趋势异常值检测的财务系统预警方法及系统 Download PDFInfo
- Publication number
- CN117009907A CN117009907A CN202311107646.5A CN202311107646A CN117009907A CN 117009907 A CN117009907 A CN 117009907A CN 202311107646 A CN202311107646 A CN 202311107646A CN 117009907 A CN117009907 A CN 117009907A
- Authority
- CN
- China
- Prior art keywords
- financial
- trend
- value
- data
- financial condition
- 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
Links
- 230000002159 abnormal effect Effects 0.000 title claims abstract description 59
- 238000000034 method Methods 0.000 title claims abstract description 50
- 238000001514 detection method Methods 0.000 title claims abstract description 35
- 239000013598 vector Substances 0.000 claims abstract description 41
- 238000012549 training Methods 0.000 claims abstract description 28
- 238000010276 construction Methods 0.000 claims abstract description 5
- 238000012545 processing Methods 0.000 claims description 16
- 238000013450 outlier detection Methods 0.000 claims description 14
- 230000008569 process Effects 0.000 claims description 11
- 230000004913 activation Effects 0.000 claims description 10
- 230000008859 change Effects 0.000 claims description 9
- 239000002245 particle Substances 0.000 claims description 3
- 230000006870 function Effects 0.000 description 26
- 238000010586 diagram Methods 0.000 description 8
- 238000004590 computer program Methods 0.000 description 7
- 238000012550 audit Methods 0.000 description 3
- 230000008034 disappearance Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 230000005856 abnormality Effects 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/243—Classification techniques relating to the number of classes
- G06F18/2433—Single-class perspective, e.g. one-against-all classification; Novelty detection; Outlier detection
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/243—Classification techniques relating to the number of classes
- G06F18/2431—Multiple classes
-
- 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
- G06N3/042—Knowledge-based neural networks; Logical representations of neural networks
-
- 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]
-
- 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
- G06N3/086—Learning methods using evolutionary algorithms, e.g. genetic algorithms or genetic programming
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- General Physics & Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- General Engineering & Computer Science (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- Business, Economics & Management (AREA)
- Health & Medical Sciences (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computational Linguistics (AREA)
- Software Systems (AREA)
- Mathematical Physics (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Accounting & Taxation (AREA)
- Evolutionary Biology (AREA)
- Computing Systems (AREA)
- Molecular Biology (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- General Health & Medical Sciences (AREA)
- Finance (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Development Economics (AREA)
- General Business, Economics & Management (AREA)
- Economics (AREA)
- Physiology (AREA)
- Marketing (AREA)
- Strategic Management (AREA)
- Technology Law (AREA)
- Financial Or Insurance-Related Operations Such As Payment And Settlement (AREA)
Abstract
本发明公开了一种基于趋势异常值检测的财务系统预警方法及系统,其方法包括步骤:一、将财务数据表中的记录,按时间分别组成各时间节点的财务状况向量;二、基于Q‑LSTM网络构建财务状况趋势模型,将已经经过审计的财务状况向量作为训练数据集,训练得到正常财务状况趋势模型;三、将需要进行异常值检测的时间段内的财务状况向量输入正常财务状况趋势模型,进行异常值检测,模型输出提示为异常值的,判定为该时间段内的财务数据表数据存在异常;其系统包括财务状况向量构建模块、财务状况趋势模型训练模块和财务数据表数据异常检测模块。本发明能够准确高效地判定出资产负债表、利润表和现金流量表数据异常,对需要进行审计的数据进行预判。
Description
技术领域
本发明属于财务系统异常检测技术领域,具体涉及一种基于趋势异常值检测的财务系统预警方法及系统。
背景技术
企业的财务状况统一由财务报表呈现。财务报表中资产负债表、利润表和现金流量表最重要。通常的审计过程针对财务报表进行逐项核对,从而确认企业的在财务申报时没有偷报漏报。但是这种方式需要耗费大量的人力物力,耗时长,且效率低。
深度学习方法能够发现数据之间的内在关联,尤其是LSTM模型,能够发现有前后顺序关系的数据之间的内在关联。由于财务报表统一反应了企业的财务状况,同一个时间点,同一个企业的财务状况应该一致地体现在资产负债表、利润表和现金流量表中。
如果能够利用资产负债表、利润表和现金流量表中的数字项构造财务状况向量,并利用LSTM模型对一段时间内的企业财务状况进行学习,得到这段时间财务状况的模型参数,利用该模型对需要进行审计的数据进行预判,对判断异常的数据进行重点关注,就能够很好地辅助进行财务系统异常检测,但现有技术中还缺乏这样的行之有效的方法。
发明内容
本发明所要解决的技术问题在于针对上述现有技术中的不足,提供一种基于趋势异常值检测的财务系统预警方法,其能够准确高效地判定出资产负债表、利润表和现金流量表数据异常,对需要进行审计的数据进行预判。
为解决上述技术问题,本发明采用的技术方案是:一种基于趋势异常值检测的财务系统预警方法,该方法包括以下步骤:
步骤一、将财务数据表中的记录,按时间分别组成各时间节点的财务状况向量;
步骤二、基于Q-LSTM网络构建财务状况趋势模型,将已经经过审计的财务状况向量作为训练数据集,训练得到正常财务状况趋势模型;
步骤三、将需要进行异常值检测的时间段内的财务状况向量输入正常财务状况趋势模型,进行异常值检测,模型输出提示为异常值的,判定为该时间段内的财务数据表数据存在异常。
上述的一种基于趋势异常值检测的财务系统预警方法及系统,步骤一中所述财务数据表包括资产负债表、利润表和现金流量表。
上述的一种基于趋势异常值检测的财务系统预警方法及系统,步骤一中所述将财务数据表中的记录,按时间分别组成各时间节点的财务状况向量的具体过程为:
步骤101、以月为单位,分别对资产负债表、利润表和现金流量表的数据项进行统计;
步骤102、将每个月的资产负债表数据项、利润表数据项、现金流量表数据项按固定顺序进行排列,得到本月财务状况向量。
上述的一种基于趋势异常值检测的财务系统预警方法及系统,步骤二中所述基于Q-LSTM网络构建财务状况趋势模型时,所述Q-LSTM网络的输入层的激活函数的构建方法为:
步骤201、在所有数据中,人工判断财务状况向量该项的的最大值和最小值,并由专家经验判断该项的正常值范围;
步骤202、由专家经验将上述最大值和最小值区间内的数字,划分为不同的区间,每个区间根据专家经验进行打分,来评判该区间内数字代表的该项指标的优劣;
步骤203、将最大值到正常值范围内的数值进行阶跃变化,将最小值到正常值范围内的数值进行阶跃变化,得到激活函数。
上述的一种基于趋势异常值检测的财务系统预警方法及系统,步骤202中所述根据专家经验进行打分时,打分范围为0~10分,正常值范围内的打分为10分。
上述的一种基于趋势异常值检测的财务系统预警方法及系统,步骤203中所述将最大值到正常值范围内的数值进行阶跃变化时,将最大值到正常值范围内的数值,按照分值分为10份,将0.5~1的数字范围分为10份,与前述10份从大到小依次对应。
上述的一种基于趋势异常值检测的财务系统预警方法及系统,步骤203中所述将最小值到正常值范围内的数值进行阶跃变化时,将最小值到正常值范围内的数值,按照分值分为10份,将0-0.5的数字范围分为10份,与前述10份从大到小依次对应。
上述的一种基于趋势异常值检测的财务系统预警方法及系统,步骤二中所述将已经经过审计的财务状况向量作为训练数据集,训练得到正常财务状况趋势模型时,采用的损失函数为,其中,/>为多分类交叉熵损失函数,/>为合页损失函数,/>为多分类交叉熵损失函数的权重参数。
上述的一种基于趋势异常值检测的财务系统预警方法及系统,所述多分类交叉熵损失函数的权重参数,采用粒子群算法进行优化。
本发明还公开了一种基于趋势异常值检测的财务系统预警系统,包括:
财务状况向量构建模块:用于将财务数据表中的记录,按时间分别组成各时间节点的财务状况向量;
基于Q-LSTM网络的财务状况趋势模型训练模块:用于基于Q-LSTM网络构建财务状况趋势模型,将已经经过审计的财务状况向量作为训练数据集,训练得到正常财务状况趋势模型;
财务数据表数据异常检测模块:用于将需要进行异常值检测的时间段内的财务状况向量输入正常财务状况趋势模型,进行异常值检测,模型输出提示为异常值的,判定为该时间段内的财务数据表数据存在异常。
本发明与现有技术相比具有以下优点:
1、本发明首先将资产负债表、利润表和现金流量表中的记录,按时间分别组成本时间节点的财务状况向量,然后通过改进的LSTM算法,即Q-LSTM(quantum long-shortterm memory)算法构建财务状况趋势模型,将已经经过审计的财务状况向量作为训练数据集,训练得到正常财务状况模型,最后将需要进行异常值检测的时间段内的财务状况向量输入财务状况趋势模型,进行异常值检测,模型输出提示为异常值的,则判定该时间段内的资产负债表、利润表和现金流量表数据存在异常;方法步骤简单,设计新颖合理,实现方便,能够根据已经通过审计的本段时间内的财务报表数据学习获得本段时间的企业运行状况模型,利用该模型判断待审计财务报表是否存在异常值,简化了财务数据的异常值检测过程。
2、本发明利用专家知识构建Q-LSTM输入层的激活函数,更加贴近财务数据的实际业务需求,训练出的财务状况趋势模型能够更加准确地进行财务数据表数据异常检测。
3、本发明针对财务数据表数据异常检测,提出了多分类交叉熵损失函数与合页损失函数相结合的损失函数,能够避免训练基于Q-LSTM网络构建财务状况趋势模型时反向传播中梯度消失的问题,准确高效地判定出资产负债表、利润表和现金流量表数据异常。
下面通过附图和实施例,对本发明的技术方案做进一步的详细描述。
附图说明
图1为本发明的方法流程框图;
图2为本发明基于Q-LSTM网络构建的财务状况趋势模型的训练过程图;
图3为本发明使用正常财务状况趋势模型进行异常判断的过程图。
具体实施方式
实施例1
如图1所示,本实施例的基于趋势异常值检测的财务系统预警方法,包括以下步骤:
步骤一、将财务数据表中的记录,按时间分别组成各时间节点的财务状况向量;
本实施例中,步骤一中所述财务数据表包括资产负债表、利润表和现金流量表。
本实施例中,步骤一中所述将财务数据表中的记录,按时间分别组成各时间节点的财务状况向量的具体过程为:
步骤101、以月为单位,分别对资产负债表、利润表和现金流量表的数据项进行统计;
步骤102、将每个月的资产负债表数据项、利润表数据项、现金流量表数据项按固定顺序进行排列,得到本月财务状况向量。
步骤二、基于Q-LSTM网络构建财务状况趋势模型,将已经经过审计的财务状况向量作为训练数据集,训练得到正常财务状况趋势模型;
本实施例中,步骤二中所述基于Q-LSTM网络构建财务状况趋势模型时,所述Q-LSTM网络的输入层的激活函数的构建方法为:
步骤201、在所有数据中,人工判断财务状况向量该项的的最大值和最小值,并由专家经验判断该项的正常值范围;
步骤202、由专家经验将上述最大值和最小值区间内的数字,划分为不同的区间,每个区间根据专家经验进行打分,来评判该区间内数字代表的该项指标的优劣;
本实施例中,步骤202中所述根据专家经验进行打分时,打分范围为0~10分,正常值范围内的打分为10分。
步骤203、将最大值到正常值范围内的数值进行阶跃变化,将最小值到正常值范围内的数值进行阶跃变化,得到激活函数。
本实施例中,步骤203中所述将最大值到正常值范围内的数值进行阶跃变化时,将最大值到正常值范围内的数值,按照分值分为10份,将0.5~1的数字范围分为10份,与前述10份从大到小依次对应。该阶跃变化的原则如表1所示:
表1 最大值到正常值数值阶跃变化表
举例来说,如果某个输入变量的取值比正常值大,且该输入变量对应的专家评分为6分,则该输入变量经过激活函数后的取值应该参考表1,取值为0.72。
本实施例中,步骤203中所述将最小值到正常值范围内的数值进行阶跃变化时,将最小值到正常值范围内的数值,按照分值分为10份,将0-0.5的数字范围分为10份,与前述10份从大到小依次对应。该阶跃变化的原则如表2所示:
表2 最小值到正常值数值阶跃变化表
举例来说,如果某个输入变量的取值比正常值小,且该输入变量对应的专家评分为5分,则该输入变量经过激活函数后的取值应该参考表2,取值为0.22。
本实施例中,步骤二中所述将已经经过审计的财务状况向量作为训练数据集,训练得到正常财务状况趋势模型时,采用的损失函数为,其中,为多分类交叉熵损失函数,/>为合页损失函数,/>为多分类交叉熵损失函数的权重参数。
本发明针对财务数据表数据异常检测,提出了多分类交叉熵损失函数与合页损失函数相结合的损失函数,能够避免训练基于Q-LSTM网络构建财务状况趋势模型时反向传播中梯度消失的问题,准确高效地判定出资产负债表、利润表和现金流量表数据异常。
本实施例中,所述多分类交叉熵损失函数的权重参数,采用粒子群算法进行优化。
具体实施时,基于Q-LSTM网络构建的财务状况趋势模型的训练过程如图2所示。
步骤三、将需要进行异常值检测的时间段内的财务状况向量输入正常财务状况趋势模型,进行异常值检测,模型输出提示为异常值的,判定为该时间段内的财务数据表数据存在异常。
具体实施时,使用正常财务状况趋势模型进行异常判断的过程如图3所示。
实施例2
本实施例的基于趋势异常值检测的财务系统预警系统,包括:
财务状况向量构建模块:用于将财务数据表中的记录,按时间分别组成各时间节点的财务状况向量;
基于Q-LSTM网络的财务状况趋势模型训练模块:用于基于Q-LSTM网络构建财务状况趋势模型,将已经经过审计的财务状况向量作为训练数据集,训练得到正常财务状况趋势模型;
财务数据表数据异常检测模块:用于将需要进行异常值检测的时间段内的财务状况向量输入正常财务状况趋势模型,进行异常值检测,模型输出提示为异常值的,判定为该时间段内的财务数据表数据存在异常。
本领域内的技术人员应明白,本申请的实施例可提供为方法、系统、或计算机程序产品。因此,本申请可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且,本申请可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
本申请是参照根据本申请实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器,使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中,使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品,该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上,使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理,从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
前述对本发明的具体示例性实施方案的描述是为了说明和例证的目的。这些描述并非想将本发明限定为所公开的精确形式,并且很显然,根据上述教导,可以进行很多改变和变化。对示例性实施例进行选择和描述的目的在于解释本发明的特定原理及其实际应用,从而使得本领域的技术人员能够实现并利用本发明的各种不同的示例性实施方案以及各种不同的选择和改变。本发明的范围意在由权利要求书及其等同形式所限定。
Claims (10)
1.一种基于趋势异常值检测的财务系统预警方法,其特征在于,该方法包括以下步骤:
步骤一、将财务数据表中的记录,按时间分别组成各时间节点的财务状况向量;
步骤二、基于Q-LSTM网络构建财务状况趋势模型,将已经经过审计的财务状况向量作为训练数据集,训练得到正常财务状况趋势模型;
步骤三、将需要进行异常值检测的时间段内的财务状况向量输入正常财务状况趋势模型,进行异常值检测,模型输出提示为异常值的,判定为该时间段内的财务数据表数据存在异常。
2.按照权利要求1所述的一种基于趋势异常值检测的财务系统预警方法,其特征在于:步骤一中所述财务数据表包括资产负债表、利润表和现金流量表。
3.按照权利要求2所述的一种基于趋势异常值检测的财务系统预警方法,其特征在于:步骤一中所述将财务数据表中的记录,按时间分别组成各时间节点的财务状况向量的具体过程为:
步骤101、以月为单位,分别对资产负债表、利润表和现金流量表的数据项进行统计;
步骤102、将每个月的资产负债表数据项、利润表数据项、现金流量表数据项按固定顺序进行排列,得到本月财务状况向量。
4.按照权利要求1、2或3所述的一种基于趋势异常值检测的财务系统预警方法,其特征在于:步骤二中所述基于Q-LSTM网络构建财务状况趋势模型时,所述Q-LSTM网络的输入层的激活函数的构建方法为:
步骤201、在所有数据中,人工判断财务状况向量该项的的最大值和最小值,并由专家经验判断该项的正常值范围;
步骤202、由专家经验将上述最大值和最小值区间内的数字,划分为不同的区间,每个区间根据专家经验进行打分,来评判该区间内数字代表的该项指标的优劣;
步骤203、将最大值到正常值范围内的数值进行阶跃变化,将最小值到正常值范围内的数值进行阶跃变化,得到激活函数。
5.按照权利要求4所述的一种基于趋势异常值检测的财务系统预警方法,其特征在于:步骤202中所述根据专家经验进行打分时,打分范围为0~10分,正常值范围内的打分为10分。
6.按照权利要求4所述的一种基于趋势异常值检测的财务系统预警方法,其特征在于:步骤203中所述将最大值到正常值范围内的数值进行阶跃变化时,将最大值到正常值范围内的数值,按照分值分为10份,将0.5~1的数字范围分为10份,与前述10份从大到小依次对应。
7.按照权利要求4所述的一种基于趋势异常值检测的财务系统预警方法,其特征在于:步骤203中所述将最小值到正常值范围内的数值进行阶跃变化时,将最小值到正常值范围内的数值,按照分值分为10份,将0-0.5的数字范围分为10份,与前述10份从大到小依次对应。
8.按照权利要求1、2或3所述的一种基于趋势异常值检测的财务系统预警方法,其特征在于:步骤二中所述将已经经过审计的财务状况向量作为训练数据集,训练得到正常财务状况趋势模型时,采用的损失函数为,其中,/>为多分类交叉熵损失函数,/>为合页损失函数,/>多分类交叉熵损失函数的权重参数。
9.按照权利要求8所述的一种基于趋势异常值检测的财务系统预警方法,其特征在于:所述多分类交叉熵损失函数的权重参数,采用粒子群算法进行优化。
10.一种实现如权利要求1、2或3所述基于趋势异常值检测的财务系统预警方法的财务系统预警系统,其特征在于,包括:
财务状况向量构建模块:用于将财务数据表中的记录,按时间分别组成各时间节点的财务状况向量;
基于Q-LSTM网络的财务状况趋势模型训练模块:用于基于Q-LSTM网络构建财务状况趋势模型,将已经经过审计的财务状况向量作为训练数据集,训练得到正常财务状况趋势模型;
财务数据表数据异常检测模块:用于将需要进行异常值检测的时间段内的财务状况向量输入正常财务状况趋势模型,进行异常值检测,模型输出提示为异常值的,判定为该时间段内的财务数据表数据存在异常。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311107646.5A CN117009907B (zh) | 2023-08-31 | 2023-08-31 | 一种基于趋势异常值检测的财务系统预警方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311107646.5A CN117009907B (zh) | 2023-08-31 | 2023-08-31 | 一种基于趋势异常值检测的财务系统预警方法及系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN117009907A true CN117009907A (zh) | 2023-11-07 |
CN117009907B CN117009907B (zh) | 2024-07-19 |
Family
ID=88563813
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311107646.5A Active CN117009907B (zh) | 2023-08-31 | 2023-08-31 | 一种基于趋势异常值检测的财务系统预警方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117009907B (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117473048A (zh) * | 2023-12-28 | 2024-01-30 | 长春职业技术学院 | 基于数据挖掘的财务异常数据监测分析系统及方法 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101071477A (zh) * | 2006-05-10 | 2007-11-14 | 何千军 | 基于专家系统和非线性技术的财务分析系统及方法 |
CN112950004A (zh) * | 2021-02-07 | 2021-06-11 | 成都工业职业技术学院 | 一种企业财务风险预警方法、装置及计算机可读存储介质 |
CN114511190A (zh) * | 2021-12-31 | 2022-05-17 | 上海华鑫股份有限公司 | 一种面向二级市场市值重估的可视分析系统及分析方法 |
CN116318786A (zh) * | 2022-12-08 | 2023-06-23 | 浪潮软件集团有限公司 | 一种日志审计监控方法及装置 |
-
2023
- 2023-08-31 CN CN202311107646.5A patent/CN117009907B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101071477A (zh) * | 2006-05-10 | 2007-11-14 | 何千军 | 基于专家系统和非线性技术的财务分析系统及方法 |
CN112950004A (zh) * | 2021-02-07 | 2021-06-11 | 成都工业职业技术学院 | 一种企业财务风险预警方法、装置及计算机可读存储介质 |
CN114511190A (zh) * | 2021-12-31 | 2022-05-17 | 上海华鑫股份有限公司 | 一种面向二级市场市值重估的可视分析系统及分析方法 |
CN116318786A (zh) * | 2022-12-08 | 2023-06-23 | 浪潮软件集团有限公司 | 一种日志审计监控方法及装置 |
Non-Patent Citations (2)
Title |
---|
李景文 等: "《地表覆盖神经网络分类理论与方法》", 30 June 2022, 北京:冶金工业出版社 * |
顾明 等: "企业财务大数据自动审计的深度学习方案", 《贵阳学院学报(自然科学版)》, 30 June 2023 (2023-06-30) * |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117473048A (zh) * | 2023-12-28 | 2024-01-30 | 长春职业技术学院 | 基于数据挖掘的财务异常数据监测分析系统及方法 |
CN117473048B (zh) * | 2023-12-28 | 2024-03-01 | 长春职业技术学院 | 基于数据挖掘的财务异常数据监测分析系统及方法 |
Also Published As
Publication number | Publication date |
---|---|
CN117009907B (zh) | 2024-07-19 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US20200257543A1 (en) | Aggregate Features For Machine Learning | |
CN110417721B (zh) | 安全风险评估方法、装置、设备及计算机可读存储介质 | |
CN109873812A (zh) | 异常检测方法、装置及计算机设备 | |
CN117009907B (zh) | 一种基于趋势异常值检测的财务系统预警方法及系统 | |
US20210019762A1 (en) | Identity resolution for fraud ring detection | |
CN111738532B (zh) | 一种事件对对象影响度的获取方法和系统 | |
CN111401788A (zh) | 业务时序指标的归因方法以及装置 | |
Halibas et al. | Determining the intervening effects of exploratory data analysis and feature engineering in telecoms customer churn modelling | |
CN109583731B (zh) | 一种风险识别方法、装置及设备 | |
Yeh et al. | Classification knowledge discovery in mold tooling test using decision tree algorithm | |
CN110008470A (zh) | 报表的敏感性分级方法和装置 | |
Yu et al. | An efficient cascaded method for network intrusion detection based on extreme learning machines | |
CN112541447B (zh) | 机器模型的更新方法、装置、介质及设备 | |
CN115115417A (zh) | 一种基于舆情的商品销售数据预测方法、设备及介质 | |
CN117574262A (zh) | 一种面向小样本问题的水声信号分类方法、系统及介质 | |
CN115514581A (zh) | 一种用于工业互联网数据安全平台的数据分析方法及设备 | |
CN115686916A (zh) | 智能运维方法及装置 | |
CN114049202A (zh) | 操作风险识别方法、装置、存储介质及电子设备 | |
CA3177037A1 (en) | Forecasting based on bernoulli uncertainty characterization | |
US20230137553A1 (en) | Gradient based anomaly detection system for time series features | |
Jacob et al. | Using recurrent neural networks to predict future events in a case with application to cyber security | |
CN110415099A (zh) | 一种金融信贷诈骗识别方法、系统及电子设备 | |
TWI814661B (zh) | 管線洩漏辨別方法及系統 | |
CN114881329B (zh) | 一种基于引导图卷积神经网络的轮胎质量预测方法及系统 | |
CN116010609B (zh) | 一种物料数据归类方法、装置、电子设备及存储介质 |
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 |