CN117271486A - 基于人工智能的数据报送方法、装置、设备及存储介质 - Google Patents
基于人工智能的数据报送方法、装置、设备及存储介质 Download PDFInfo
- Publication number
- CN117271486A CN117271486A CN202311181616.9A CN202311181616A CN117271486A CN 117271486 A CN117271486 A CN 117271486A CN 202311181616 A CN202311181616 A CN 202311181616A CN 117271486 A CN117271486 A CN 117271486A
- Authority
- CN
- China
- Prior art keywords
- data
- reporting
- report
- preset
- 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.)
- Pending
Links
- 238000000034 method Methods 0.000 title claims abstract description 72
- 238000013473 artificial intelligence Methods 0.000 title claims abstract description 53
- 238000001514 detection method Methods 0.000 claims abstract description 124
- 230000005856 abnormality Effects 0.000 claims abstract description 88
- 238000012545 processing Methods 0.000 claims abstract description 71
- 238000013524 data verification Methods 0.000 claims abstract description 35
- 238000004806 packaging method and process Methods 0.000 claims abstract description 23
- 238000012216 screening Methods 0.000 claims abstract description 22
- 238000012384 transportation and delivery Methods 0.000 claims abstract description 10
- 230000002159 abnormal effect Effects 0.000 claims description 74
- 238000012549 training Methods 0.000 claims description 29
- 238000012360 testing method Methods 0.000 claims description 25
- 238000004891 communication Methods 0.000 claims description 24
- 230000008569 process Effects 0.000 claims description 17
- 238000012795 verification Methods 0.000 claims description 12
- 238000004458 analytical method Methods 0.000 claims description 10
- 238000005538 encapsulation Methods 0.000 claims description 9
- 238000007405 data analysis Methods 0.000 claims description 5
- 238000005516 engineering process Methods 0.000 abstract description 23
- 238000010586 diagram Methods 0.000 description 4
- 230000009286 beneficial effect Effects 0.000 description 3
- 230000005540 biological transmission Effects 0.000 description 3
- 230000003993 interaction Effects 0.000 description 3
- 230000003287 optical effect Effects 0.000 description 3
- 230000006835 compression Effects 0.000 description 2
- 238000007906 compression Methods 0.000 description 2
- 238000013500 data storage Methods 0.000 description 2
- 238000013135 deep learning Methods 0.000 description 2
- 238000010801 machine learning Methods 0.000 description 2
- 238000003058 natural language processing Methods 0.000 description 2
- 230000008520 organization Effects 0.000 description 2
- 230000009466 transformation Effects 0.000 description 2
- 238000012952 Resampling Methods 0.000 description 1
- 230000003044 adaptive effect Effects 0.000 description 1
- 238000003491 array Methods 0.000 description 1
- 238000012550 audit Methods 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 238000004140 cleaning Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 235000019800 disodium phosphate Nutrition 0.000 description 1
- 239000000835 fiber Substances 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 230000010365 information processing Effects 0.000 description 1
- 238000007477 logistic regression Methods 0.000 description 1
- 230000007774 longterm Effects 0.000 description 1
- 238000007726 management method Methods 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 238000007789 sealing Methods 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 230000009469 supplementation Effects 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
- G06F16/21—Design, administration or maintenance of databases
- G06F16/215—Improving data quality; Data cleansing, e.g. de-duplication, removing invalid entries or correcting typographical errors
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
- G06F16/25—Integrating or interfacing systems involving database management systems
Abstract
本申请属于人工智能领域与金融科技领域，涉及一种基于人工智能的数据报送方法，包括：若当时时间符合数据报送时间节点，获取待报送数据；基于数据校验规则从待报送数据中筛选出通过数据校验的第一数据；基于异常检测模型生成第一数据的异常检测结果；从第一数据中筛选出正常的第二数据；基于数据监管方的报送规范对第二数据进行加工得到第三数据；对第三数据进行封装得到目标报送数据并发送至数据监管方。本申请还提供一种基于人工智能的数据报送装置、计算机设备及存储介质。此外，本申请还涉及区块链技术，目标报送数据可存储于区块链中。本申请可应用于金融领域的数据报送场景，保证了生成的报送数据的准确度，提高了报送数据的报送处理效率。
Description
技术领域
本申请涉及人工智能开发技术领域与金融科技领域，尤其涉及基于人工智能的数据报送方法、装置、计算机设备及存储介质。
背景技术
对于处于数字时代的当下，在监督管理、统计审计等领域都广泛存在着对各种金融科技企业(例如保险企业、银行等)的业务数据的采集报送和管理需求。地方金融局也需要从所管辖的类金融机构收集数据实现对类金融机构的监管。
现有的金融科技企业采用的数据报送方式一般通过电子邮件或的报送方式，待报送数据传送进行基于规则的人工审核与校验的处理，再将校验通过的报送数据传输至数据监管方。整个数据报送过程需要人工干预，且经常需要反复重复报送，需要耗费大量时间、人力和带宽资源，处理效率低下，容易导致数据报送出现不及时与不准确的问题。
发明内容
本申请实施例的目的在于提出一种基于人工智能的数据报送方法、装置、计算机设备及存储介质，以解决现有的数据报送过程需要人工干预，且经常需要反复重复报送，需要耗费大量时间、人力和带宽资源，处理效率低下，容易导致数据报送出现不及时与不准确的情况的技术问题。
为了解决上述技术问题，本申请实施例提供一种基于人工智能的数据报送方法，采用了如下所述的技术方案：
判断当时时间是否符合预设的数据报送时间节点；
若是，从预设的业务数据库中获取符合报送条件的待报送数据；
基于预设的数据校验规则对所述待报送数据进行数据校验，从所述待报送数据中筛选出通过数据校验的第一数据；其中，所述第一数据的数量包括多个；
基于预设的异常检测模型对所述第一数据进行异常检测处理，得到与所述第一数据对应的异常检测结果；其中，所述异常检测结果包括数据异常或数据正常；
基于所述异常检测结果，从所有所述第一数据中筛选出异常检测结果为数据正常的第二数据；
获取数据监管方的报送规范，并基于所述报送规范对所述第二数据进行加工处理得到第三数据；
对所述第三数据进行封装处理得到目标报送数据，并将所述目标报送数据发送至所述数据监管方。
进一步的，所述基于预设的异常检测模型对所述第一数据进行异常检测处理，得到与所述第一数据对应的异常检测结果的步骤，具体包括：
将所述第一数据输入至所述异常检测模型内，通过所述异常检测模型对所述第一数据进行异常分析，得到与所述第一数据对应的异常概率值；
获取预设的异常阈值；
若所述异常概率值大于所述异常阈值，则判定所述第一数据为异常数据，并生成与所述第一数据对应的数据异常的第一异常检测结果；
若所述异常概率值小于所述异常阈值，则判定所述第一数据不为异常数据，并生成与所述第一数据对应的数据正常的第二异常检测结果。
进一步的，在所述基于预设的异常检测模型对所述第一数据进行异常检测处理，得到与所述第一数据对应的异常检测结果的步骤之前，还包括：
获取预先采集的业务样本数据；
将所述业务样本数据划分为训练样本数据与测试样本数据；
调用预设的原始学习模型；
基于所述训练样本数据以及预设的模型训练次数对所述原始学习模型进行训练，得到训练后的原始学习模型；
基于所述测试样本数据对所述训练后的原始学习模型进行测试；
若所述原始学习模型通过测试，则将所述训练后的原始学习模型作为所述异常检测模型。
进一步的，所述对所述第三数据进行封装处理得到目标报送数据，并将所述目标报送数据发送至所述数据监管方的步骤，具体包括：
获取与所述数据监管方对应的数据封装格式；
基于所述数据封装格式对所述第三数据进行封装处理，得到所述目标报送数据；
获取所述数据监管方的通讯地址；
基于所述通讯地址，将所述目标报送数据发送至所述数据监管方。
进一步的，所述基于所述通讯地址，将所述目标报送数据发送至所述数据监管方的步骤，具体包括：
获取与所述数据监管方对应的数据加密方式；
基于所述数据加密方式对所述目标报送数据进行加密处理，得到加密后的目标报送数据；
基于所述通讯地址，将所述加密后的目标报送数据发送至所述数据监管方。
进一步的，在所述对所述第三数据进行封装处理得到目标报送数据，并将所述目标报送数据发送至所述数据监管方的步骤之后，还包括：
获取所述第三数据的使用信息；
基于所述使用信息对所述第三数据进行数据分析，以将所述第三数据划分为热数据与冷数据；
获取与所述热数据对应的第一存储介质，并使用所述第一存储介质对所述热数据进行存储；
获取与所述热数据对应的第二存储介质，并使用所述第二存储介质对所述冷数据进行存储。
进一步的，在所述对所述第三数据进行封装处理得到目标报送数据，并将所述目标报送数据发送至所述数据监管方的步骤之后，还包括：
接收预设业务系统发出的与所述目标报送数据对应的数据报送结果获取请求；
接收所述数据监管方在处理所述数据报送结果获取请求后，返回的与所述目标报送数据对应的数据报送结果；
将所述数据报送结果反馈至所述预设业务系统。
为了解决上述技术问题，本申请实施例还提供一种基于人工智能的数据报送装置，采用了如下所述的技术方案：
判断模块，用于判断当时时间是否符合预设的数据报送时间节点；
第一获取模块，用于若是，从预设的业务数据库中获取符合报送条件的待报送数据；
校验模块，用于基于预设的数据校验规则对所述待报送数据进行数据校验，从所述待报送数据中筛选出通过数据校验的第一数据；其中，所述第一数据的数量包括多个；
检测模块，用于基于预设的异常检测模型对所述第一数据进行异常检测处理，得到与所述第一数据对应的异常检测结果；其中，所述异常检测结果包括数据异常或数据正常；
筛选模块，用于基于所述异常检测结果，从所有所述第一数据中筛选出异常检测结果为数据正常的第二数据；
加工模块，用于获取数据监管方的报送规范，并基于所述报送规范对所述第二数据进行加工处理得到第三数据；
发送模块，用于对所述第三数据进行封装处理得到目标报送数据，并将所述目标报送数据发送至所述数据监管方。
为了解决上述技术问题，本申请实施例还提供一种计算机设备，采用了如下所述的技术方案：
判断当时时间是否符合预设的数据报送时间节点；
若是，从预设的业务数据库中获取符合报送条件的待报送数据；
基于预设的数据校验规则对所述待报送数据进行数据校验，从所述待报送数据中筛选出通过数据校验的第一数据；其中，所述第一数据的数量包括多个；
基于预设的异常检测模型对所述第一数据进行异常检测处理，得到与所述第一数据对应的异常检测结果；其中，所述异常检测结果包括数据异常或数据正常；
基于所述异常检测结果，从所有所述第一数据中筛选出异常检测结果为数据正常的第二数据；
获取数据监管方的报送规范，并基于所述报送规范对所述第二数据进行加工处理得到第三数据；
对所述第三数据进行封装处理得到目标报送数据，并将所述目标报送数据发送至所述数据监管方。
为了解决上述技术问题，本申请实施例还提供一种计算机可读存储介质，采用了如下所述的技术方案：
判断当时时间是否符合预设的数据报送时间节点；
若是，从预设的业务数据库中获取符合报送条件的待报送数据；
基于预设的数据校验规则对所述待报送数据进行数据校验，从所述待报送数据中筛选出通过数据校验的第一数据；其中，所述第一数据的数量包括多个；
基于预设的异常检测模型对所述第一数据进行异常检测处理，得到与所述第一数据对应的异常检测结果；其中，所述异常检测结果包括数据异常或数据正常；
基于所述异常检测结果，从所有所述第一数据中筛选出异常检测结果为数据正常的第二数据；
获取数据监管方的报送规范，并基于所述报送规范对所述第二数据进行加工处理得到第三数据；
对所述第三数据进行封装处理得到目标报送数据，并将所述目标报送数据发送至所述数据监管方。
与现有技术相比，本申请实施例主要有以下有益效果：
本申请实施例首先判断当时时间是否符合预设的数据报送时间节点；若是，从预设的业务数据库中获取符合报送条件的待报送数据；然后基于预设的数据校验规则对所述待报送数据进行数据校验，从所述待报送数据中筛选出通过数据校验的第一数据；之后基于预设的异常检测模型对所述第一数据进行异常检测处理，得到与所述第一数据对应的异常检测结果；后续基于所述异常检测结果，从所有所述第一数据中筛选出异常检测结果为数据正常的第二数据；进一步获取数据监管方的报送规范，并基于所述报送规范对所述第二数据进行加工处理得到第三数据；最后对所述第三数据进行封装处理得到目标报送数据，并将所述目标报送数据发送至所述数据监管方。本申请实施例在检测到当时时间符合数据报送时间节点时，会自动智能地从业务数据库中获取符合报送条件的待报送数据，进而基于数据校验规则、异常检测模型以及报送规范的使用对该待报送数据进行处理以实现快速准确地构建出最终的目标报送数据，有效地提高了目标报送数据的获取效率与获取智能性，保证了生成的目标报送数据的准确度。后续再将所述目标报送数据发送至所述数据监管，以实现对于报送数据的自动上报处理，有效地缩短了数据报送的花费时间，降低了数据报送的时间成本，提高了报送数据的报送处理效率。
附图说明
为了更清楚地说明本申请中的方案，下面将对本申请实施例描述中所需要使用的附图作一个简单介绍，显而易见地，下面描述中的附图是本申请的一些实施例，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是本申请可以应用于其中的示例性系统架构图；
图2根据本申请的基于人工智能的数据报送方法的一个实施例的流程图；
图3是根据本申请的基于人工智能的数据报送装置的一个实施例的结构示意图；
图4是根据本申请的计算机设备的一个实施例的结构示意图。
具体实施方式
除非另有定义，本文所使用的所有的技术和科学术语与属于本申请的技术领域的技术人员通常理解的含义相同；本文中在申请的说明书中所使用的术语只是为了描述具体的实施例的目的，不是旨在于限制本申请；本申请的说明书和权利要求书及上述附图说明中的术语“包括”和“具有”以及它们的任何变形，意图在于覆盖不排他的包含。本申请的说明书和权利要求书或上述附图中的术语“第一”、“第二”等是用于区别不同对象，而不是用于描述特定顺序。
在本文中提及“实施例”意味着，结合实施例描述的特定特征、结构或特性可以包含在本申请的至少一个实施例中。在说明书中的各个位置出现该短语并不一定均是指相同的实施例，也不是与其它实施例互斥的独立的或备选的实施例。本领域技术人员显式地和隐式地理解的是，本文所描述的实施例可以与其它实施例相结合。
为了使本技术领域的人员更好地理解本申请方案，下面将结合附图，对本申请实施例中的技术方案进行清楚、完整地描述。
如图1所示，系统架构100可以包括终端设备101、102、103，网络104和服务器105。网络104用以在终端设备101、102、103和服务器105之间提供通信链路的介质。网络104可以包括各种连接类型，例如有线、无线通信链路或者光纤电缆等等。
用户可以使用终端设备101、102、103通过网络104与服务器105交互，以接收或发送消息等。终端设备101、102、103上可以安装有各种通讯客户端应用，例如网页浏览器应用、购物类应用、搜索类应用、即时通信工具、邮箱客户端、社交平台软件等。
终端设备101、102、103可以是具有显示屏并且支持网页浏览的各种电子设备，包括但不限于智能手机、平板电脑、电子书阅读器、MP3播放器(Moving Picture ExpertsGroup Audio Layer III，动态影像专家压缩标准音频层面3)、MP4(Moving PictureExperts Group Audio Layer IV，动态影像专家压缩标准音频层面4)播放器、膝上型便携计算机和台式计算机等等。
服务器105可以是提供各种服务的服务器，例如对终端设备101、102、103上显示的页面提供支持的后台服务器。
需要说明的是，本申请实施例所提供的基于人工智能的数据报送方法一般由服务器/终端设备执行，相应地，基于人工智能的数据报送装置一般设置于服务器/终端设备中。
本申请实施例可以基于人工智能技术对相关的数据进行获取和处理。其中，人工智能(Artificial Intelligence，AI)是利用数字计算机或者数字计算机控制的机器模拟、延伸和扩展人的智能，感知环境、获取知识并使用知识获得最佳结果的理论、方法、技术及应用系统。
人工智能基础技术一般包括如传感器、专用人工智能芯片、云计算、分布式存储、大数据处理技术、操作/交互系统、机电一体化等技术。人工智能软件技术主要包括计算机视觉技术、机器人技术、生物识别技术、语音处理技术、自然语言处理技术以及机器学习/深度学习等几大方向。
应该理解，图1中的终端设备、网络和服务器的数目仅仅是示意性的。根据实现需要，可以具有任意数目的终端设备、网络和服务器。
继续参考图2，示出了根据本申请的基于人工智能的数据报送方法的一个实施例的流程图。根据不同的需求，该流程图中步骤的顺序可以改变，某些步骤可以省略。本申请实施例提供的基于人工智能的数据报送方法能够应用于任意一种需要进行业务数据报送的场景中，则该基于人工智能的数据报送方法能够应用于这些场景的产品中，例如，金融保险领域中的业务数据报送。所述的基于人工智能的数据报送方法，包括以下步骤：
步骤S201，判断当时时间是否符合预设的数据报送时间节点。
在本实施例中，基于人工智能的数据报送方法运行于其上的电子设备(例如图1所示的服务器/终端设备)，可以通过有线连接方式或者无线连接方式获取当时时间。需要指出的是，上述无线连接方式可以包括但不限于3G/4G/5G连接、WiFi连接、蓝牙连接、WiMAX连接、Zigbee连接、UWB(ultra wideband)连接、以及其他现在已知或将来开发的无线连接方式。上述保险数据仓库为在业务系统内部预先构建的存储有业务系统的业务数据的层次数据库。层次数据库也可称为层次模型，层次模型的数据结构比较简单清晰，层次数据库的查询效率高,因为层次模型中记录之间的联系用有向边表示,这种联系在DBMS中常常用指针来实现,因此这种联系也就是记录之间的存取路径。层次模型提供了良好的完整性支持。在金融保险的业务数据报送的业务场景下，业务系统可包括保险系统、银行系统、交易系统、订单系统，业务数据可包括交易数据、支付数据等数据。其中，上述数据报送时间节点为预先设置的自动执行对于业务系统的数据报送处理流程的时间节点，对于该数据报送时间节点的取值不做具体限定，可根据实际的使用需求进行设置，例如可设置为每个月的最后一天。
步骤S202，若是，从预设的业务数据库中获取符合报送条件的待报送数据。
在本实施例中，在检测出当时时间符合上述数据报送时间节点，则自动执行对于业务系统的数据报送处理流程，并从业务系统内部的业务数据库中获取符合报送条件的待报送数据。上述报送条件是根据数据监管方需要进行监控的数据的类型确定的报送条件。
步骤S203，基于预设的数据校验规则对所述待报送数据进行数据校验，从所述待报送数据中筛选出通过数据校验的第一数据；其中，所述第一数据的数量包括多个。
在本实施例中，上述数据校验规则可包括维度校验，数据粒度校验，阈值校验，交叉校验，业务规则校验等规则中的一种或多种。如果任意一个待报送数据符合该数据校验规则，则将该待报送数据作为通过数据校验的第一数据。
步骤S204，基于预设的异常检测模型对所述第一数据进行异常检测处理，得到与所述第一数据对应的异常检测结果；其中，所述异常检测结果包括数据异常或数据正常。
在本实施例中，上述基于预设的异常检测模型对所述第一数据进行异常检测处理，得到与所述第一数据对应的异常检测结果的具体实施过程，本申请将在后续的具体实施例中对此进行进一步的细节描述，在此不作过多阐述。
步骤S205，基于所述异常检测结果，从所有所述第一数据中筛选出异常检测结果为数据正常的第二数据。
在本实施例中，可通过对所有第一数据的异常检测结果进行归类，以得到异常检测结果为数据正常的第二数据，以及异常检测结果为数据异常的其他数据。
步骤S206，获取数据监管方的报送规范，并基于所述报送规范对所述第二数据进行加工处理得到第三数据；
在本实施例中，通过基于所述报送规范对所述第二数据进行加工处理，从而可以确保生成的第三数据为符合数据监管方的报送规范的准确数据。
步骤S207，对所述第三数据进行封装处理得到目标报送数据，并将所述目标报送数据发送至所述数据监管方。
在本实施例中，上述对所述第三数据进行封装处理得到目标报送数据，并将所述目标报送数据发送至所述数据监管方的具体实施过程，本申请将在后续的具体实施例中对此进行进一步的细节描述，在此不作过多阐述。
本申请首先判断当时时间是否符合预设的数据报送时间节点；若是，从预设的业务数据库中获取符合报送条件的待报送数据；然后基于预设的数据校验规则对所述待报送数据进行数据校验，从所述待报送数据中筛选出通过数据校验的第一数据；之后基于预设的异常检测模型对所述第一数据进行异常检测处理，得到与所述第一数据对应的异常检测结果；后续基于所述异常检测结果，从所有所述第一数据中筛选出异常检测结果为数据正常的第二数据；进一步获取数据监管方的报送规范，并基于所述报送规范对所述第二数据进行加工处理得到第三数据；最后对所述第三数据进行封装处理得到目标报送数据，并将所述目标报送数据发送至所述数据监管方。本申请在检测到当时时间符合数据报送时间节点时，会自动智能地从业务数据库中获取符合报送条件的待报送数据，进而基于数据校验规则、异常检测模型以及报送规范的使用对该待报送数据进行处理以实现快速准确地构建出最终的目标报送数据，有效地提高了目标报送数据的获取效率与获取智能性，保证了生成的目标报送数据的准确度。后续再将所述目标报送数据发送至所述数据监管，以实现对于报送数据的自动上报处理，有效地缩短了数据报送的花费时间，降低了数据报送的时间成本，提高了报送数据的报送处理效率。
在一些可选的实现方式中，步骤S204包括以下步骤：
将所述第一数据输入至所述异常检测模型内，通过所述异常检测模型对所述第一数据进行异常分析，得到与所述第一数据对应的异常概率值。
在本实施例中，对于上述异常检测模型的构建过程，本申请将在后续的具体实施例中对此进行进一步的细节描述，在此不作过多阐述。
获取预设的异常阈值。
在本实施例中，对于上述异常阈值的取值不作具体限定，可根据实际的异常分析需求进行设置。
若所述异常概率值大于所述异常阈值，则判定所述第一数据为异常数据，并生成与所述第一数据对应的数据异常的第一异常检测结果。
若所述异常概率值小于所述异常阈值，则判定所述第一数据不为异常数据，并生成与所述第一数据对应的数据正常的第二异常检测结果。
本申请通过将所述第一数据输入至所述异常检测模型内，通过所述异常检测模型对所述第一数据进行异常分析，得到与所述第一数据对应的异常概率值；然后获取预设的异常阈值；若检测出所述异常概率值大于所述异常阈值，则判定所述第一数据为异常数据，并生成与所述第一数据对应的数据异常的第一异常检测结果；而若检测出所述异常概率值小于所述异常阈值，则判定所述第一数据不为异常数据，并生成与所述第一数据对应的数据正常的第二异常检测结果。本申请通过使用预设的异常检测模型对第一数据进行异常分析，从而可以快速得到与第一数据对应的异常概率值，进而基于异常概率值与异常阈值之间的数值比较结果来生成准确地生成第一数据的异常检测结果，提高了对于待报送数据进行异常检测的处理效率，保证了生成的异常检测结果的准确度，且有利于后续可以基于得到的异常检测结果来准确地从第一数据中确定出最终用于进行报送的目标报送数据。
在本实施例的一些可选的实现方式中，在步骤S204之前，上述电子设备还可以执行以下步骤：
获取预先采集的业务样本数据。
在本实施例中，上述业务样本数据可指从业务数据库中抽取的预设时间周期内的业务数据。在金融科技领域的应用场景下，业务数据可以是指保险类别的交易数据与支付数据，或者指银行类的交易数据与支付数据。具体地，在该预设时间周期内，从业务数据库中提取包含异常数据与正常数据的初始业务样本数据，并对业务样本数据进行数据清洗、缺失值补充以及数据降维处理，以得到上述业务样本数据。其中，构建的业务样本数据包括样本数据以及与该样本数据对应的标签(通过判别样本数据是否属于异常数据，若属于异常数据则标签为1，若不属于正常数据则标签为0)。另外，对于上述预设时间周期的取值不作具体限定，例如可为距离当前时间的前1年内。此外，还可采用最邻近重采样法，在每个业务样本数据的最邻近样本基础上加上随机扰动以生成新的业务样本，以使属于异常数据类的业务样本的总数与不属于异常数据类的业务样本的总数达到数量上的均衡，从而避免过拟合。
将所述业务样本数据划分为训练样本数据与测试样本数据。
在本实施例中，可通过预先设置的数值划分比例将所述业务样本数据划分为训练样本数据与测试样本数据。对于该数值划分比例的取值不做具体限定，可根据实际的使用需求进行设置，例如可设为6.5：3.5。
调用预设的原始学习模型。
在本实施例中，对于上述原始学习模型的模型类型选取不做具体限定，例如可采用基于逻辑回归算法构建的模型。
基于所述训练样本数据以及预设的模型训练次数对所述原始学习模型进行训练，得到训练后的原始学习模型。
在本实施例中，对于上述模型训练次数的具体取值不做限定，可根据实际的模型训练需求进行设置。通过按照该模型训练次数，使用所述训练样本数据对原始学习模型进行训练，以使原始学习模型对检测何种特征数据属于异常数据的结果的规律进行学习，从而得到训练后的原始学习模型。
基于所述测试样本数据对所述训练后的原始学习模型进行测试。
在本实施例中，通过将测试样本数据输入至到初始校验模型内，从而可以通过原始学习模型输出与测试样本数据中每个样本数据对应的异常概率值，异常概率值处于0-1的范围之内，异常概率值越大则对应的样本数据的异常度越高。
若所述原始学习模型通过测试，则将所述训练后的原始学习模型作为所述异常检测模型。
在本实施例中，可通过将测试样本数据的预测结果与实际结果相比较，得到对应的原始学习模型的处理准确率，如果该处理准确率满足预设的模型精度要求，则判断完成模型训练，并将所述训练后的原始学习模型作为所述异常检测模型。而如果处理准确率不满足预设的模型精度要求，则再进一步迭代优化初始学习模型，精简异常数据特征、调整参数大小，直到处理准确率满足该模型精度要求。其中，对于模型精度要求的具体取值不做限定，可根据实际的模型训练需求进行设置。
本申请通过获取预先采集的业务样本数据；然后将所述业务样本数据划分为训练样本数据与测试样本数据；之后调用预设的原始学习模型；并基于所述训练样本数据以及预设的模型训练次数对所述原始学习模型进行训练，得到训练后的原始学习模型；后续基于所述测试样本数据对所述训练后的原始学习模型进行测试；若所述原始学习模型通过测试，则将所述训练后的原始学习模型作为所述异常检测模型。本申请通过使用预先采集的业务样本数据来对原始学习模型进行训练与测试，可以实现快速准确地生成所需的异常检测模型，使得后续可以通过使用该异常检测模型对所述第一数据进行异常检测处理，从而可以快速准确地得到与所述第一数据对应的异常检测结果，有利于提高对于待报送数据进行异常检测的处理效率，并保证了生成的异常检测结果的准确度。
在一些可选的实现方式中，步骤S207包括以下步骤：
获取与所述数据监管方对应的数据封装格式。
在本实施例中，上述数据封装格式可通过查询数据监管方对于报送数据的封装处理规范来获取。数据封装格式可包括报送数据的数据类型与报送时间。
基于所述数据封装格式对所述第三数据进行封装处理，得到所述目标报送数据。
在本实施例中，可通过获取所述第三数据的目标数据类型与目标报送时间，进而基于该目标数据类型与目标报送时间对所述第三数据进行封装处理，以得到目标报送数据。
获取所述数据监管方的通讯地址。
在本实施例中，上述数据监管方是指用于接收业务系统上报的报送数据并进行数据监管的平台或机构。上述通讯地址可指数据监管方的平台网址或机构地址。
基于所述通讯地址，将所述目标报送数据发送至所述数据监管方。
在本实施例中，上述基于所述通讯地址，将所述目标报送数据发送至所述数据监管方的具体实施过程，本申请将在后续的具体实施例中对此进行进一步的细节描述，在此不作过多阐述。
本申请通过获取与所述数据监管方对应的数据封装格式；然后基于所述数据封装格式对所述第三数据进行封装处理，得到所述目标报送数据；之后获取所述数据监管方的通讯地址；后续基于所述通讯地址，将所述目标报送数据发送至所述数据监管方。本申请在生成了第三数据后，还会智能地数据监管方对应的数据封装格式对该第三数据进行封装处理以得到符合数据监管方的报送规范的目标报送数据，保证了用于进行报送的目标报送数据的数据准确度，后续再将所述目标报送数据发送至所述数据监管方，以提高数据报送的智能性，避免出现目标报送数据出现不规范的情况，有利于提高数据监管方对目标报送数据进行监管处理的顺畅度。
在一些可选的实现方式中，所述基于所述通讯地址，将所述目标报送数据发送至所述数据监管方，包括以下步骤：
获取与所述数据监管方对应的数据加密方式。
在本实施例中，上述数据加密方式为在对报送数据进行上报前，预先与数据监管方进行约定的用于确保报送数据在传输过程中的安全性的数据加密规则与数据解密规则，且数据加密规则与数据解密规则为对应的加解密规则。其中，对于上述数据加密规则的选取不做具体限定，可根据实际的使用需求进行设置。示例性的，数据加密规则可以采用国产加密规则，或者采用非国产加密规则，以及还可以采用整体加密、分块加密等方式来实现。
基于所述数据加密方式对所述目标报送数据进行加密处理，得到加密后的目标报送数据。
在本实施例中，可从所述数据加密方式中获取数据加密规则，并使用该数据加密规则对所述目标报送数据进行加密处理，得到加密后的目标报送数据。
基于所述通讯地址，将所述加密后的目标报送数据发送至所述数据监管方。
在本实施例中，在数据监管方接收到加密后的目标报送数据后，能够基于上述数据加密方式中的数据解密规则对该加密后的目标报送数据进行解密处理，从而得到所需的目标报送数据。
本申请通过获取与所述数据监管方对应的数据加密方式；然后基于所述数据加密方式对所述目标报送数据进行加密处理，得到加密后的目标报送数据；后续基于所述通讯地址，将所述加密后的目标报送数据发送至所述数据监管方。本申请在将所述目标报送数据发送至所述数据监管方之前，还会智能地基于与所述数据监管方对应的数据加密方式对所述目标报送数据进行加密处理以得到加密后的目标报送数据，进而再将所述加密后的目标报送数据发送至所述数据监管方，从而可以有效确保目标报送数据在数据传输过程中的安全性，提高了目标报送数据的上报智能性。
在本实施例的一些可选的实现方式中，在步骤S207之后，上述电子设备还可以执行以下步骤：
获取所述第三数据的使用信息。
在本实施例中，上述使用信息可指第三数据的平均使用频次。使用平均频次可为第三数据的年平均使用频次或月平均使用频次。
基于所述使用信息对所述第三数据进行数据分析，以将所述第三数据划分为热数据与冷数据。
在本实施例中，如果第三数据的平均使用频次小于预设的频次阈值，则将该第三数据确定为冷数据。而如果第三数据的平均使用频次大于该频次阈值，则将该第三数据确定为热数据。其中，对于频次阈值的取值不做具体限定，可根据实际的使用需求进行设置。
获取与所述热数据对应的第一存储介质，并使用所述第一存储介质对所述热数据进行存储。
在本实施例中，上述第一存储截止具体为区块链，通过使用区块链对热数据进行存储，可以满足对于热数据的快存快取，提高了热数据的存储智能性，并能有效保证热数据的数据安全性。
获取与所述热数据对应的第二存储介质，并使用所述第二存储介质对所述冷数据进行存储。
在本实施例中，上述第二存储介质具体为数据库，并通过对该冷数据进行封存处理，再将封存后的冷数据存储至该数据库内，以满足对于冷数据的长期保存的要求，并有效降低冷数据的存储成本。
本申请通过获取所述第三数据的使用信息；然后基于所述使用信息对所述第三数据进行数据分析，以将所述第三数据划分为热数据与冷数据；后续获取与所述热数据对应的第一存储介质，并使用所述第一存储介质对所述热数据进行存储；以及获取与所述热数据对应的第二存储介质，并使用所述第二存储介质对所述冷数据进行存储。本申请通过对第三数据的使用信息进行分析以准确地将第三数据划分为热数据与冷数据，进而会智能地采用与热数据对应的第一存储介质对热数据进行存储，以及采用与冷数据对应的第二存储介质对冷数据进行存储，实现了对于不同类别的数据的适应性存储，提高了数据存储的智能性与准确性。
在本实施例的一些可选的实现方式中，在步骤S207之后，上述电子设备还可以执行以下步骤：
接收预设业务系统发出的与所述目标报送数据对应的数据报送结果获取请求。
在本实施例中，上述预设业务系统是指与上述业务数据库对应的业务系统。上述数据报送结果获取请求为用于获取与上报的目标报送数据对应的数据报送结果的请求。
接收所述数据监管方在处理所述数据报送结果获取请求后，返回的与所述目标报送数据对应的数据报送结果。
在本实施例中，上述数据报送结果包括数据上报成功或数据上报失败。
将所述数据报送结果反馈至所述预设业务系统。
在本实施例中，可通过获取预设业务系统在发出数据报送结果获取请求时的地址信息，进而基于该地址信息，将所述数据报送结果反馈至所述预设业务系统。
本申请通过接收预设业务系统发出的与所述目标报送数据对应的数据报送结果获取请求；然后接收所述数据监管方在处理所述数据报送结果获取请求后，返回的与所述目标报送数据对应的数据报送结果；后续将所述数据报送结果反馈至所述预设业务系统。本申请在完成目标报送数据的报送后，预设业务系统只需发出与所述目标报送数据对应的数据报送结果获取请求，既可接收到数据监管方反馈的对应的数据报送结果，使得业务系统不需要数据报送结束后在线等待处理结果，提高了数据报送结果获取的智能性。
应理解，上述实施例中各步骤的序号的大小并不意味着执行顺序的先后，各过程的执行顺序应以其功能和内在逻辑确定，而不应对本发明实施例的实施过程构成任何限定。
需要强调的是，为进一步保证上述产品转化数据的私密和安全性，上述产品转化数据还可以存储于一区块链的节点中。
本申请所指区块链是分布式数据存储、点对点传输、共识机制、加密算法等计算机技术的新型应用模式。区块链(Blockchain)，本质上是一个去中心化的数据库，是一串使用密码学方法相关联产生的数据块，每一个数据块中包含了一批次网络交易的信息，用于验证其信息的有效性(防伪)和生成下一个区块。区块链可以包括区块链底层平台、平台产品服务层以及应用服务层等。
本申请实施例可以基于人工智能技术对相关的数据进行获取和处理。其中，人工智能(Artificial Intelligence，AI)是利用数字计算机或者数字计算机控制的机器模拟、延伸和扩展人的智能，感知环境、获取知识并使用知识获得最佳结果的理论、方法、技术及应用系统。
人工智能基础技术一般包括如传感器、专用人工智能芯片、云计算、分布式存储、大数据处理技术、操作/交互系统、机电一体化等技术。人工智能软件技术主要包括计算机视觉技术、机器人技术、生物识别技术、语音处理技术、自然语言处理技术以及机器学习/深度学习等几大方向。
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程，是可以通过计算机可读指令来指令相关的硬件来完成，该计算机可读指令可存储于一计算机可读取存储介质中，该程序在执行时，可包括如上述各方法的实施例的流程。其中，前述的存储介质可为磁碟、光盘、只读存储记忆体(Read-Only Memory，ROM)等非易失性存储介质，或随机存储记忆体(Random Access Memory，RAM)等。
应该理解的是，虽然附图的流程图中的各个步骤按照箭头的指示依次显示，但是这些步骤并不是必然按照箭头指示的顺序依次执行。除非本文中有明确的说明，这些步骤的执行并没有严格的顺序限制，其可以以其他的顺序执行。而且，附图的流程图中的至少一部分步骤可以包括多个子步骤或者多个阶段，这些子步骤或者阶段并不必然是在同一时刻执行完成，而是可以在不同的时刻执行，其执行顺序也不必然是依次进行，而是可以与其他步骤或者其他步骤的子步骤或者阶段的至少一部分轮流或者交替地执行。
进一步参考图3，作为对上述图2所示方法的实现，本申请提供了一种基于人工智能的数据报送装置的一个实施例，该装置实施例与图2所示的方法实施例相对应，该装置具体可以应用于各种电子设备中。
如图3所示，本实施例所述的基于人工智能的数据报送装置300包括：判断模块301、第一获取模块302、校验模块303、检测模块304、筛选模块305、加工模块306以及发送模块307。其中：
判断模块301，用于判断当时时间是否符合预设的数据报送时间节点；
第一获取模块302，用于若是，从预设的业务数据库中获取符合报送条件的待报送数据；
校验模块303，用于基于预设的数据校验规则对所述待报送数据进行数据校验，从所述待报送数据中筛选出通过数据校验的第一数据；其中，所述第一数据的数量包括多个；
检测模块304，用于基于预设的异常检测模型对所述第一数据进行异常检测处理，得到与所述第一数据对应的异常检测结果；其中，所述异常检测结果包括数据异常或数据正常；
筛选模块305，用于基于所述异常检测结果，从所有所述第一数据中筛选出异常检测结果为数据正常的第二数据；
加工模块306，用于获取数据监管方的报送规范，并基于所述报送规范对所述第二数据进行加工处理得到第三数据；
发送模块307，用于对所述第三数据进行封装处理得到目标报送数据，并将所述目标报送数据发送至所述数据监管方。
在本实施例中，上述模块或单元分别用于执行的操作与前述实施方式的基于人工智能的数据报送方法的步骤一一对应，在此不再赘述。
在本实施例的一些可选的实现方式中，检测模块304包括：
分析子模块，用于将所述第一数据输入至所述异常检测模型内，通过所述异常检测模型对所述第一数据进行异常分析，得到与所述第一数据对应的异常概率值；
第一获取子模块，用于获取预设的异常阈值；
第一生成子模块，用于若所述异常概率值大于所述异常阈值，则判定所述第一数据为异常数据，并生成与所述第一数据对应的数据异常的第一异常检测结果；
第二生成子模块，用于若所述异常概率值小于所述异常阈值，则判定所述第一数据不为异常数据，并生成与所述第一数据对应的数据正常的第二异常检测结果。
在本实施例中，上述模块或单元分别用于执行的操作与前述实施方式的基于人工智能的数据报送方法的步骤一一对应，在此不再赘述。
在本实施例的一些可选的实现方式中,基于人工智能的数据报送装置还包括：
第二获取模块，用于获取预先采集的业务样本数据；
划分模块，用于将所述业务样本数据划分为训练样本数据与测试样本数据；
调用模块，用于调用预设的原始学习模型；
训练模块，用于基于所述训练样本数据以及预设的模型训练次数对所述原始学习模型进行训练，得到训练后的原始学习模型；
测试模块，用于基于所述测试样本数据对所述训练后的原始学习模型进行测试；
确定模块，用于若所述原始学习模型通过测试，则将所述训练后的原始学习模型作为所述异常检测模型。
本实施例中，上述模块或单元分别用于执行的操作与前述实施方式的基于人工智能的数据报送方法的步骤一一对应，在此不再赘述。
在本实施例的一些可选的实现方式中，发送模块307包括：
第二获取子模块，用于获取与所述数据监管方对应的数据封装格式；
封装子模块，用于基于所述数据封装格式对所述第三数据进行封装处理，得到所述目标报送数据；
第三获取子模块，用于获取所述数据监管方的通讯地址；
发送子模块，用于基于所述通讯地址，将所述目标报送数据发送至所述数据监管方。
在本实施例中，上述模块或单元分别用于执行的操作与前述实施方式的基于人工智能的数据报送方法的步骤一一对应，在此不再赘述。
在本实施例的一些可选的实现方式中，发送子模块包括：
获取单元，用于获取与所述数据监管方对应的数据加密方式；
加密单元，用于基于所述数据加密方式对所述目标报送数据进行加密处理，得到加密后的目标报送数据；
发送单元，用于基于所述通讯地址，将所述加密后的目标报送数据发送至所述数据监管方。
在本实施例中，上述模块或单元分别用于执行的操作与前述实施方式的基于人工智能的数据报送方法的步骤一一对应，在此不再赘述。
在本实施例的一些可选的实现方式中，基于人工智能的数据报送装置还包括：
第三获取模块，用于获取所述第三数据的使用信息；
分析模块，用于基于所述使用信息对所述第三数据进行数据分析，以将所述第三数据划分为热数据与冷数据；
第一存储模块，用于获取与所述热数据对应的第一存储介质，并使用所述第一存储介质对所述热数据进行存储；
第二存储模块，用于获取与所述热数据对应的第二存储介质，并使用所述第二存储介质对所述冷数据进行存储。
在本实施例中，上述模块或单元分别用于执行的操作与前述实施方式的基于人工智能的数据报送方法的步骤一一对应，在此不再赘述。
在本实施例的一些可选的实现方式中，基于人工智能的数据报送装置还包括：
第一接收模块，用于接收预设业务系统发出的与所述目标报送数据对应的数据报送结果获取请求；
第二接收模块，用于接收所述数据监管方在处理所述数据报送结果获取请求后，返回的与所述目标报送数据对应的数据报送结果；
反馈模块，用于将所述数据报送结果反馈至所述预设业务系统。
在本实施例中，上述模块或单元分别用于执行的操作与前述实施方式的基于人工智能的数据报送方法的步骤一一对应，在此不再赘述。
为解决上述技术问题，本申请实施例还提供计算机设备。具体请参阅图4，图4为本实施例计算机设备基本结构框图。
所述计算机设备4包括通过系统总线相互通信连接存储器41、处理器42、网络接口43。需要指出的是，图中仅示出了具有组件41-43的计算机设备4，但是应理解的是，并不要求实施所有示出的组件，可以替代的实施更多或者更少的组件。其中，本技术领域技术人员可以理解，这里的计算机设备是一种能够按照事先设定或存储的指令，自动进行数值计算和/或信息处理的设备，其硬件包括但不限于微处理器、专用集成电路(ApplicationSpecific Integrated Circuit，ASIC)、可编程门阵列(Field－Programmable GateArray，FPGA)、数字处理器(Digital Signal Processor，DSP)、嵌入式设备等。
所述计算机设备可以是桌上型计算机、笔记本、掌上电脑及云端服务器等计算设备。所述计算机设备可以与用户通过键盘、鼠标、遥控器、触摸板或声控设备等方式进行人机交互。
所述存储器41至少包括一种类型的可读存储介质，所述可读存储介质包括闪存、硬盘、多媒体卡、卡型存储器(例如，SD或DX存储器等)、随机访问存储器(RAM)、静态随机访问存储器(SRAM)、只读存储器(ROM)、电可擦除可编程只读存储器(EEPROM)、可编程只读存储器(PROM)、磁性存储器、磁盘、光盘等。在一些实施例中，所述存储器41可以是所述计算机设备4的内部存储单元，例如该计算机设备4的硬盘或内存。在另一些实施例中，所述存储器41也可以是所述计算机设备4的外部存储设备，例如该计算机设备4上配备的插接式硬盘，智能存储卡(Smart Media Card,SMC)，安全数字(Secure Digital,SD)卡，闪存卡(FlashCard)等。当然，所述存储器41还可以既包括所述计算机设备4的内部存储单元也包括其外部存储设备。本实施例中，所述存储器41通常用于存储安装于所述计算机设备4的操作系统和各类应用软件，例如基于人工智能的数据报送方法的计算机可读指令等。此外，所述存储器41还可以用于暂时地存储已经输出或者将要输出的各类数据。
所述处理器42在一些实施例中可以是中央处理器(Central Processing Unit，CPU)、控制器、微控制器、微处理器、或其他数据处理芯片。该处理器42通常用于控制所述计算机设备4的总体操作。本实施例中，所述处理器42用于运行所述存储器41中存储的计算机可读指令或者处理数据，例如运行所述基于人工智能的数据报送方法的计算机可读指令。
所述网络接口43可包括无线网络接口或有线网络接口，该网络接口43通常用于在所述计算机设备4与其他电子设备之间建立通信连接。
与现有技术相比，本申请实施例主要有以下有益效果：
本申请实施例中，在检测到当时时间符合数据报送时间节点时，会自动智能地从业务数据库中获取符合报送条件的待报送数据，进而基于数据校验规则、异常检测模型以及报送规范的使用对该待报送数据进行处理以实现快速准确地构建出最终的目标报送数据，有效地提高了目标报送数据的获取效率与获取智能性，保证了生成的目标报送数据的准确度。后续再将所述目标报送数据发送至所述数据监管，以实现对于报送数据的自动上报处理，有效地缩短了数据报送的花费时间，降低了数据报送的时间成本，提高了报送数据的报送处理效率。
本申请还提供了另一种实施方式，即提供一种计算机可读存储介质，所述计算机可读存储介质存储有计算机可读指令，所述计算机可读指令可被至少一个处理器执行，以使所述至少一个处理器执行如上述的基于人工智能的数据报送方法的步骤。
与现有技术相比，本申请实施例主要有以下有益效果：
本申请实施例中，在检测到当时时间符合数据报送时间节点时，会自动智能地从业务数据库中获取符合报送条件的待报送数据，进而基于数据校验规则、异常检测模型以及报送规范的使用对该待报送数据进行处理以实现快速准确地构建出最终的目标报送数据，有效地提高了目标报送数据的获取效率与获取智能性，保证了生成的目标报送数据的准确度。后续再将所述目标报送数据发送至所述数据监管，以实现对于报送数据的自动上报处理，有效地缩短了数据报送的花费时间，降低了数据报送的时间成本，提高了报送数据的报送处理效率。
通过以上的实施方式的描述，本领域的技术人员可以清楚地了解到上述实施例方法可借助软件加必需的通用硬件平台的方式来实现，当然也可以通过硬件，但很多情况下前者是更佳的实施方式。基于这样的理解，本申请的技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质(如ROM/RAM、磁碟、光盘)中，包括若干指令用以使得一台终端设备(可以是手机，计算机，服务器，空调器，或者网络设备等)执行本申请各个实施例所述的方法。
显然，以上所描述的实施例仅仅是本申请一部分实施例，而不是全部的实施例，附图中给出了本申请的较佳实施例，但并不限制本申请的专利范围。本申请可以以许多不同的形式来实现，相反地，提供这些实施例的目的是使对本申请的公开内容的理解更加透彻全面。尽管参照前述实施例对本申请进行了详细的说明，对于本领域的技术人员来而言，其依然可以对前述各具体实施方式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效替换。凡是利用本申请说明书及附图内容所做的等效结构，直接或间接运用在其他相关的技术领域，均同理在本申请专利保护范围之内。
Claims (10)
1.一种基于人工智能的数据报送方法，其特征在于，包括下述步骤：
判断当时时间是否符合预设的数据报送时间节点；
若是，从预设的业务数据库中获取符合报送条件的待报送数据；
基于预设的数据校验规则对所述待报送数据进行数据校验，从所述待报送数据中筛选出通过数据校验的第一数据；其中，所述第一数据的数量包括多个；
基于预设的异常检测模型对所述第一数据进行异常检测处理，得到与所述第一数据对应的异常检测结果；其中，所述异常检测结果包括数据异常或数据正常；
基于所述异常检测结果，从所有所述第一数据中筛选出异常检测结果为数据正常的第二数据；
获取数据监管方的报送规范，并基于所述报送规范对所述第二数据进行加工处理得到第三数据；
对所述第三数据进行封装处理得到目标报送数据，并将所述目标报送数据发送至所述数据监管方。
2.根据权利要求1所述的基于人工智能的数据报送方法，其特征在于，所述基于预设的异常检测模型对所述第一数据进行异常检测处理，得到与所述第一数据对应的异常检测结果的步骤，具体包括：
将所述第一数据输入至所述异常检测模型内，通过所述异常检测模型对所述第一数据进行异常分析，得到与所述第一数据对应的异常概率值；
获取预设的异常阈值；
若所述异常概率值大于所述异常阈值，则判定所述第一数据为异常数据，并生成与所述第一数据对应的数据异常的第一异常检测结果；
若所述异常概率值小于所述异常阈值，则判定所述第一数据不为异常数据，并生成与所述第一数据对应的数据正常的第二异常检测结果。
3.根据权利要求1所述的基于人工智能的数据报送方法，其特征在于，在所述基于预设的异常检测模型对所述第一数据进行异常检测处理，得到与所述第一数据对应的异常检测结果的步骤之前，还包括：
获取预先采集的业务样本数据；
将所述业务样本数据划分为训练样本数据与测试样本数据；
调用预设的原始学习模型；
基于所述训练样本数据以及预设的模型训练次数对所述原始学习模型进行训练，得到训练后的原始学习模型；
基于所述测试样本数据对所述训练后的原始学习模型进行测试；
若所述原始学习模型通过测试，则将所述训练后的原始学习模型作为所述异常检测模型。
4.根据权利要求1所述的基于人工智能的数据报送方法，其特征在于，所述对所述第三数据进行封装处理得到目标报送数据，并将所述目标报送数据发送至所述数据监管方的步骤，具体包括：
获取与所述数据监管方对应的数据封装格式；
基于所述数据封装格式对所述第三数据进行封装处理，得到所述目标报送数据；
获取所述数据监管方的通讯地址；
基于所述通讯地址，将所述目标报送数据发送至所述数据监管方。
5.根据权利要求4所述的基于人工智能的数据报送方法，其特征在于，所述基于所述通讯地址，将所述目标报送数据发送至所述数据监管方的步骤，具体包括：
获取与所述数据监管方对应的数据加密方式；
基于所述数据加密方式对所述目标报送数据进行加密处理，得到加密后的目标报送数据；
基于所述通讯地址，将所述加密后的目标报送数据发送至所述数据监管方。
6.根据权利要求1所述的基于人工智能的数据报送方法，其特征在于，在所述对所述第三数据进行封装处理得到目标报送数据，并将所述目标报送数据发送至所述数据监管方的步骤之后，还包括：
获取所述第三数据的使用信息；
基于所述使用信息对所述第三数据进行数据分析，以将所述第三数据划分为热数据与冷数据；
获取与所述热数据对应的第一存储介质，并使用所述第一存储介质对所述热数据进行存储；
获取与所述热数据对应的第二存储介质，并使用所述第二存储介质对所述冷数据进行存储。
7.根据权利要求1所述的基于人工智能的数据报送方法，其特征在于，在所述对所述第三数据进行封装处理得到目标报送数据，并将所述目标报送数据发送至所述数据监管方的步骤之后，还包括：
接收预设业务系统发出的与所述目标报送数据对应的数据报送结果获取请求；
接收所述数据监管方在处理所述数据报送结果获取请求后，返回的与所述目标报送数据对应的数据报送结果；
将所述数据报送结果反馈至所述预设业务系统。
8.一种基于人工智能的数据报送装置，其特征在于，包括：
判断模块，用于判断当时时间是否符合预设的数据报送时间节点；
第一获取模块，用于若是，从预设的业务数据库中获取符合报送条件的待报送数据；
校验模块，用于基于预设的数据校验规则对所述待报送数据进行数据校验，从所述待报送数据中筛选出通过数据校验的第一数据；其中，所述第一数据的数量包括多个；
检测模块，用于基于预设的异常检测模型对所述第一数据进行异常检测处理，得到与所述第一数据对应的异常检测结果；其中，所述异常检测结果包括数据异常或数据正常；
筛选模块，用于基于所述异常检测结果，从所有所述第一数据中筛选出异常检测结果为数据正常的第二数据；
加工模块，用于获取数据监管方的报送规范，并基于所述报送规范对所述第二数据进行加工处理得到第三数据；
发送模块，用于对所述第三数据进行封装处理得到目标报送数据，并将所述目标报送数据发送至所述数据监管方。
9.一种计算机设备，包括存储器和处理器，所述存储器中存储有计算机可读指令，所述处理器执行所述计算机可读指令时实现如权利要求1至7中任一项所述的基于人工智能的数据报送方法的步骤。
10.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质上存储有计算机可读指令，所述计算机可读指令被处理器执行时实现如权利要求1至7中任一项所述的基于人工智能的数据报送方法的步骤。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311181616.9A CN117271486A (zh) | 2023-09-13 | 2023-09-13 | 基于人工智能的数据报送方法、装置、设备及存储介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311181616.9A CN117271486A (zh) | 2023-09-13 | 2023-09-13 | 基于人工智能的数据报送方法、装置、设备及存储介质 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN117271486A true CN117271486A (zh) | 2023-12-22 |
Family
ID=89218845
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202311181616.9A Pending CN117271486A (zh) | 2023-09-13 | 2023-09-13 | 基于人工智能的数据报送方法、装置、设备及存储介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN117271486A (zh) |
-
2023
- 2023-09-13 CN CN202311181616.9A patent/CN117271486A/zh active Pending
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN115936895A (zh) | 基于人工智能的风险评估方法、装置、设备及存储介质 | |
| CN115237724A (zh) | 基于人工智能的数据监控方法、装置、设备及存储介质 | |
| CN109542764B (zh) | 网页自动化测试方法、装置、计算机设备和存储介质 | |
| CN116956326A (zh) | 权限数据的处理方法、装置、计算机设备及存储介质 | |
| CN115757075A (zh) | 任务异常检测方法、装置、计算机设备及存储介质 | |
| CN117271486A (zh) | 基于人工智能的数据报送方法、装置、设备及存储介质 | |
| CN114090407A (zh) | 基于线性回归模型的接口性能预警方法及其相关设备 | |
| CN113934595A (zh) | 数据分析方法及系统、存储介质及电子终端 | |
| CN115037655B (zh) | 压测方法和系统 | |
| CN116993218A (zh) | 基于人工智能的指标分析方法、装置、设备及存储介质 | |
| TWI700596B (zh) | 資訊整合系統以及整合資訊的方法 | |
| CN117034173A (zh) | 数据处理方法、装置、计算机设备及存储介质 | |
| Bratosin | Boarding to Big data | |
| CN118041977A (zh) | 微服务组件的处理方法、装置、计算机设备及存储介质 | |
| CN117421311A (zh) | 基于人工智能的数据校验方法、装置、设备及存储介质 | |
| CN115829763A (zh) | 数据报送方法、装置、计算机设备及存储介质 | |
| CN117395309A (zh) | 数据上报方法、装置、计算机设备及存储介质 | |
| CN116775429A (zh) | 日志处理方法、装置、计算机设备及存储介质 | |
| CN116795632A (zh) | 任务处理方法、装置、计算机设备及存储介质 | |
| CN117876021A (zh) | 基于人工智能的数据预测方法、装置、设备及存储介质 | |
| CN117874137A (zh) | 数据处理方法、装置、计算机设备及存储介质 | |
| CN116737437A (zh) | 数据分析方法、装置、计算机设备及存储介质 | |
| CN117278298A (zh) | 基于人工智能的域名检测方法、装置、设备及存储介质 | |
| CN116932090A (zh) | 工具包加载方法、装置、计算机设备及存储介质 | |
| CN117762916A (zh) | 数据校验方法、装置、计算机设备及存储介质 |
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 |