CN117473048B - 基于数据挖掘的财务异常数据监测分析系统及方法 - Google Patents
基于数据挖掘的财务异常数据监测分析系统及方法 Download PDFInfo
- Publication number
- CN117473048B CN117473048B CN202311827113.4A CN202311827113A CN117473048B CN 117473048 B CN117473048 B CN 117473048B CN 202311827113 A CN202311827113 A CN 202311827113A CN 117473048 B CN117473048 B CN 117473048B
- Authority
- CN
- China
- Prior art keywords
- semantic
- financial data
- data
- financial
- 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.)
- Active
Links
- 230000002159 abnormal effect Effects 0.000 title claims abstract description 45
- 238000012544 monitoring process Methods 0.000 title claims abstract description 45
- 238000007418 data mining Methods 0.000 title claims abstract description 40
- 238000000034 method Methods 0.000 title claims abstract description 35
- 238000012545 processing Methods 0.000 claims abstract description 20
- 239000013598 vector Substances 0.000 claims description 189
- 238000004458 analytical method Methods 0.000 claims description 41
- 238000007781 pre-processing Methods 0.000 claims description 18
- 238000010606 normalization Methods 0.000 claims description 14
- 238000004140 cleaning Methods 0.000 claims description 11
- 230000008569 process Effects 0.000 claims description 11
- 238000009826 distribution Methods 0.000 claims description 10
- 239000011159 matrix material Substances 0.000 claims description 5
- 230000004044 response Effects 0.000 claims description 4
- 238000012937 correction Methods 0.000 claims description 3
- 238000001514 detection method Methods 0.000 abstract description 17
- 238000012098 association analyses Methods 0.000 abstract description 3
- 230000005856 abnormality Effects 0.000 description 9
- 238000007405 data analysis Methods 0.000 description 6
- 238000010586 diagram Methods 0.000 description 6
- 238000007726 management method Methods 0.000 description 6
- 238000013179 statistical model Methods 0.000 description 5
- 238000004364 calculation method Methods 0.000 description 4
- 230000004927 fusion Effects 0.000 description 4
- 230000008901 benefit Effects 0.000 description 3
- 230000009466 transformation Effects 0.000 description 3
- 230000002547 anomalous effect Effects 0.000 description 2
- 230000005540 biological transmission Effects 0.000 description 2
- 230000008859 change Effects 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 238000004519 manufacturing process Methods 0.000 description 2
- 230000007246 mechanism Effects 0.000 description 2
- 238000005457 optimization Methods 0.000 description 2
- 238000013473 artificial intelligence Methods 0.000 description 1
- 238000012550 audit Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 230000003930 cognitive ability Effects 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 238000007796 conventional method Methods 0.000 description 1
- 238000013479 data entry Methods 0.000 description 1
- 238000013079 data visualisation Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 230000002452 interceptive effect Effects 0.000 description 1
- 230000007774 longterm Effects 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000000737 periodic effect Effects 0.000 description 1
- 230000035899 viability Effects 0.000 description 1
- 230000000007 visual effect 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
- G06F16/30—Information retrieval; Database structures therefor; File system structures therefor of unstructured textual data
- G06F16/33—Querying
- G06F16/3331—Query processing
- G06F16/334—Query execution
- G06F16/3344—Query execution using natural language analysis
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/30—Information retrieval; Database structures therefor; File system structures therefor of unstructured textual data
- G06F16/35—Clustering; Classification
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/213—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods
-
- 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
- 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
-
- 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
-
- 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
- Y02D—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN INFORMATION AND COMMUNICATION TECHNOLOGIES [ICT], I.E. INFORMATION AND COMMUNICATION TECHNOLOGIES AIMING AT THE REDUCTION OF THEIR OWN ENERGY USE
- Y02D10/00—Energy efficient computing, e.g. low power processors, power management or thermal management
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Business, Economics & Management (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Human Resources & Organizations (AREA)
- Artificial Intelligence (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Finance (AREA)
- Accounting & Taxation (AREA)
- Strategic Management (AREA)
- Economics (AREA)
- Entrepreneurship & Innovation (AREA)
- General Business, Economics & Management (AREA)
- Evolutionary Computation (AREA)
- Development Economics (AREA)
- Evolutionary Biology (AREA)
- Life Sciences & Earth Sciences (AREA)
- Databases & Information Systems (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Marketing (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Tourism & Hospitality (AREA)
- Computational Linguistics (AREA)
- Game Theory and Decision Science (AREA)
- Educational Administration (AREA)
- Technology Law (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
- Financial Or Insurance-Related Operations Such As Payment And Settlement (AREA)
Abstract
本发明公开了一种基于数据挖掘的财务异常数据监测分析系统及方法,涉及智能化数据监测分析技术领域,其通过从各个财务数据源采集财务数据,并在后端引入数据处理和语义理解算法来进行该财务数据中各个数据项的语义关联分析,特别地,考虑到如果有某个财务数据项存在异常,则该财务数据项占整个财务数据语义的语义权重比例就会较小,即相关性较弱,因此,进一步通过各个财务数据项占财务数据整体的语义重要性判断财务数据是否存在异常,从而实现对财务数据的智能监测和分析。这样,能够自动化地对大量的财务数据进行监测和分析,提高异常检测的准确性和效率,帮助企业及时发现和解决财务异常问题,保障财务管理的稳定性和可靠性。
Description
技术领域
本发明涉及智能化数据监测分析技术领域,尤其涉及一种基于数据挖掘的财务异常数据监测分析系统及方法。
背景技术
财务数据是反映企业经营状况和财务状况的重要信息,对于企业管理者和投资者等利益相关者具有重要的参考价值。然而,由于各种原因,财务数据可能存在异常或错误,如人为操作、系统故障、数据传输错误等,这些异常或错误会影响财务数据的真实性和可靠性,给企业管理和决策带来风险。因此,及时发现和处理财务数据异常是提高财务数据质量和保障企业利益的重要任务。然而,传统的财务数据异常检测主要是基于规则或统计模型,这些方法需要人工定义异常规则或假设数据分布,且难以处理高维、复杂、动态变化的财务数据。
因此,期望一种优化的基于数据挖掘的财务异常数据监测分析系统。
发明内容
本发明的目的是为了克服现有技术的不足,提供一种基于数据挖掘的财务异常数据监测分析系统及方法。
本发明还提供了一种基于数据挖掘的财务异常数据监测分析系统,其包括:
财务数据采集模块,用于获取从各个财务数据源采集的被监测财务数据;
数据预处理模块,用于对所述被监测财务数据进行预处理以得到预处理后财务数据;
数据项语义编码模块,用于分别对所述预处理后财务数据中的各个数据项进行编码以得到财务数据语义编码向量的序列;
数据项语义上下文关联模块,用于对所述财务数据语义编码向量的序列进行上下文语义关联编码处理以得到财务数据语义上下文特征向量的序列;
财务数据项语义相关性分析模块,用于分别计算所述财务数据语义上下文特征向量的序列中的各个财务数据语义上下文特征向量相对于所述财务数据语义上下文特征向量的序列的整体的语义重要性以得到多个语义权重值;
财务异常数据预警模块,用于将所述多个语义权重值分别与预定阈值进行比较,确定是否生成预警提示;
所述财务数据项语义相关性分析模块,包括:
特征分布校正单元,用于基于所述财务数据语义编码向量的序列对所述财务数据语义上下文特征向量的序列进行校正以得到校正后财务数据语义上下文特征向量的序列;
语义权重值计算单元,用于分别计算所述校正后财务数据语义上下文特征向量的序列中的各个校正后财务数据语义上下文特征向量相对于所述校正后财务数据语义上下文特征向量的序列的整体的语义重要性以得到所述多个语义权重值;
其中,所述语义权重值计算单元,用于:以如下权重公式分别计算所述校正后财务数据语义上下文特征向量的序列中的各个校正后财务数据语义上下文特征向量相对于所述校正后财务数据语义上下文特征向量的序列的整体的语义重要性以得到所述多个语义权重值;
其中,所述权重公式为:
;
其中,是所述多个校正后财务数据语义上下文特征向量中的第/>个校正后财务数据语义上下文特征向量,/>和/>是1×/>的矩阵,/>是所述多个校正后财务数据语义上下文特征向量的向量数量,/>是所述各个校正后财务数据语义上下文特征向量的尺度,是Sigmoid函数,/>是所述多个语义权重值中的第/>个语义权重值。
进一步地,所述数据预处理模块,用于:对所述被监测财务数据进行数据清洗和规范化处理以得到所述预处理后财务数据。
进一步地,所述数据项语义上下文关联模块,用于:将所述财务数据语义编码向量的序列通过财务数据上下文语义关联编码器以得到所述财务数据语义上下文特征向量的序列。
进一步地,所述财务异常数据预警模块,用于:响应于所述多个语义权重值存在小于所述预定阈值的语义权重值,生成预警提示,所述预警提示用于表示被监测财务数据存在异常。
本发明还提供了一种基于数据挖掘的财务异常数据监测分析方法,其包括:
获取从各个财务数据源采集的被监测财务数据;
对所述被监测财务数据进行预处理以得到预处理后财务数据;
分别对所述预处理后财务数据中的各个数据项进行编码以得到财务数据语义编码向量的序列;
对所述财务数据语义编码向量的序列进行上下文语义关联编码处理以得到财务数据语义上下文特征向量的序列;
分别计算所述财务数据语义上下文特征向量的序列中的各个财务数据语义上下文特征向量相对于所述财务数据语义上下文特征向量的序列的整体的语义重要性以得到多个语义权重值;
将所述多个语义权重值分别与预定阈值进行比较,确定是否生成预警提示;
其中,分别计算所述财务数据语义上下文特征向量的序列中的各个财务数据语义上下文特征向量相对于所述财务数据语义上下文特征向量的序列的整体的语义重要性以得到多个语义权重值,包括:
基于所述财务数据语义编码向量的序列对所述财务数据语义上下文特征向量的序列进行校正以得到校正后财务数据语义上下文特征向量的序列;
分别计算所述校正后财务数据语义上下文特征向量的序列中的各个校正后财务数据语义上下文特征向量相对于所述校正后财务数据语义上下文特征向量的序列的整体的语义重要性以得到所述多个语义权重值;
其中,分别计算所述校正后财务数据语义上下文特征向量的序列中的各个校正后财务数据语义上下文特征向量相对于所述校正后财务数据语义上下文特征向量的序列的整体的语义重要性以得到所述多个语义权重值,用于:以如下权重公式分别计算所述校正后财务数据语义上下文特征向量的序列中的各个校正后财务数据语义上下文特征向量相对于所述校正后财务数据语义上下文特征向量的序列的整体的语义重要性以得到所述多个语义权重值;
其中,所述权重公式为:
;
其中,是所述多个校正后财务数据语义上下文特征向量中的第/>个校正后财务数据语义上下文特征向量,/>和/>是1×/>的矩阵,/>是所述多个校正后财务数据语义上下文特征向量的向量数量,/>是所述各个校正后财务数据语义上下文特征向量的尺度,是Sigmoid函数,/>是所述多个语义权重值中的第/>个语义权重值。
进一步地,对所述被监测财务数据进行预处理以得到预处理后财务数据,包括:对所述被监测财务数据进行数据清洗和规范化处理以得到所述预处理后财务数据。
进一步地,对所述财务数据语义编码向量的序列进行上下文语义关联编码处理以得到财务数据语义上下文特征向量的序列,包括:将所述财务数据语义编码向量的序列通过财务数据上下文语义关联编码器以得到所述财务数据语义上下文特征向量的序列。
本发明的有益效果如下:
通过从各个财务数据源采集财务数据,并在后端引入数据处理和语义理解算法来进行该财务数据中各个数据项的语义关联分析,特别地,考虑到如果有某个财务数据项存在异常,则该财务数据项占整个财务数据语义的语义权重比例就会较小,即相关性较弱,因此,进一步通过各个财务数据项占财务数据整体的语义重要性判断财务数据是否存在异常,从而实现对财务数据的智能监测和分析。这样,能够自动化地对大量的财务数据进行监测和分析,提高异常检测的准确性和效率,帮助企业及时发现和解决财务异常问题,保障财务管理的稳定性和可靠性。
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。在附图中:
图1为本发明实施例中提供的一种基于数据挖掘的财务异常数据监测分析系统的框图。
图2为本发明实施例中提供的一种基于数据挖掘的财务异常数据监测分析方法的流程图。
图3为本发明实施例中提供的一种基于数据挖掘的财务异常数据监测分析方法的系统架构的示意图。
图4为本发明实施例中提供的一种基于数据挖掘的财务异常数据监测分析系统的应用场景图。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚明白,下面结合附图对本发明实施例做进一步详细说明。在此,本发明的示意性实施例及其说明用于解释本发明,但并不作为对本发明的限定。
除非另有说明,本申请实施例所使用的所有技术和科学术语与本申请的技术领域的技术人员通常理解的含义相同。本申请中所使用的术语只是为了描述具体的实施例的目的,不是旨在限制本申请的范围。
在本申请实施例记载中,需要说明的是,除非另有说明和限定,术语“连接”应做广义理解,例如,可以是电连接,也可以是两个元件内部的连通,可以是直接相连,也可以通过中间媒介间接相连,对于本领域的普通技术人员而言,可以根据具体情况理解上述术语的具体含义。
需要说明的是,本申请实施例所涉及的术语“第一\第二\第三”仅仅是是区别类似的对象,不代表针对对象的特定排序,可以理解地,“第一\第二\第三”在允许的情况下可以互换特定的顺序或先后次序。应该理解“第一\第二\第三”区分的对象在适当情况下可以互换,以使这里描述的本申请的实施例可以除了在这里图示或描述的那些以外的顺序实施。
财务数据是指企业在经营过程中产生的与财务方面相关的各种数据和信息,这些数据包括企业的资产、负债、所有者权益、收入、成本、利润等方面的信息。财务数据通过财务报表的形式进行展示,主要包括资产负债表、利润表、现金流量表和股东权益变动表等。
财务报表中常见的几个要素包括:
资产:资产是企业拥有的具有经济价值的资源,包括现金、应收账款、存货、固定资产等,资产反映了企业的经营规模和财务实力。
负债:负债是企业应付的债务和义务,包括应付账款、短期借款、长期借款等,负债反映了企业的债务风险和偿债能力。
所有者权益:所有者权益是企业所有者对企业净资产的所有权,包括股本、资本公积、留存收益等,所有者权益反映了企业的净值和所有者的权益。
收入:收入是企业在经营活动中实现的销售产品或提供服务所获得的经济利益,收入反映了企业的销售能力和盈利能力。
成本:成本是企业在生产过程中消耗的资源或为获得收入所支出的费用,成本包括直接成本、间接成本和管理费用等。成本反映了企业的生产效率和经营成本控制能力。
利润:利润是企业在一定时期内实现的收入减去成本后的剩余金额,利润反映了企业的盈利能力和经营绩效。
财务数据的分析和解读可以帮助企业管理者评估企业的盈利能力、偿债能力、流动性和财务稳定性等方面的状况,从而制定合理的经营决策,对于投资者来说,财务数据可以作为评估企业投资价值和风险的重要参考依据。此外,财务数据还可以为各种财务比率和指标的计算提供基础,进一步帮助利益相关者对企业进行比较和评价。
确保财务数据的准确性和可靠性对企业管理和决策至关重要。建立健全的内部控制体系是预防和发现财务数据异常的基础,内部控制包括一系列的制度、政策和程序,旨在确保财务数据的准确性和完整性,通过设立审计和监控机制,及时发现并纠正财务数据异常。进行定期的内部审计和外部审计是发现财务数据异常的重要手段,审计人员通过对企业的财务数据和相关流程进行检查和评估,发现潜在的异常情况,并提供改进建议。
利用数据分析工具和技术,对财务数据进行全面的分析和比对,可以帮助发现异常情况,通过比较历史数据、行业标准或同类企业的数据,可以发现与预期相悖的情况。建立异常报警系统可以实时监测财务数据的异常情况,系统可以通过设置预警指标和阈值,自动检测异常数据,并及时向相关人员发出警报,以便及时采取纠正措施。企业应建立反欺诈和举报机制,鼓励员工和利益相关者主动报告财务数据异常和不当行为,这些机制可以提供保护和奖励措施,鼓励人们揭示财务数据异常。
传统的财务数据异常检测方法主要基于规则或统计模型,规则检测方法是通过预先定义的规则或异常规则来检测财务数据异常,这些规则可以基于专家知识、行业标准或历史数据等建立。例如,规定某项财务指标的阈值范围,如果数据超出该范围,则被视为异常,规则检测方法简单易实施,但对于复杂的财务数据和异常模式可能不够灵活。
统计模型是基于财务数据的统计特征和分布来检测异常,常用的统计模型包括均值方差模型、回归模型、时间序列模型等。通过对财务数据进行统计分析和建模,可以识别与预期模式不符的异常情况。然而,统计模型通常需要对数据分布做出假设,并且对于高维、复杂、动态变化的财务数据可能不适用。
异常指标法是通过计算一些指标或比率来检测财务数据异常,这些指标可以是财务比率(如流动比率、资产负债比率)、盈利能力指标(如净利润率、毛利率)或其他关键指标。如果指标值超出预设的范围或与历史数据相比有明显变化,则被视为异常,异常指标法简单直观,但需要事先定义适当的指标和阈值。
传统的财务数据异常检测方法在一定程度上可以发现财务数据异常,但存在一些局限性,它们通常需要人工定义异常规则或假设数据分布,无法适应高维、复杂、动态变化的财务数据。此外,它们对于新的异常模式可能无法有效检测,随着数据量的增加和数据分析技术的发展,基于机器学习和人工智能的异常检测方法逐渐得到应用,能够更好地处理财务数据异常检测的挑战。
在本发明的一个实施例中,图1为本发明实施例中提供的一种基于数据挖掘的财务异常数据监测分析系统的框图。如图1所示,根据本发明实施例的基于数据挖掘的财务异常数据监测分析系统100,包括:财务数据采集模块110,用于获取从各个财务数据源采集的被监测财务数据;数据预处理模块120,用于对所述被监测财务数据进行预处理以得到预处理后财务数据;数据项语义编码模块130,用于分别对所述预处理后财务数据中的各个数据项进行编码以得到财务数据语义编码向量的序列;数据项语义上下文关联模块140,用于对所述财务数据语义编码向量的序列进行上下文语义关联编码处理以得到财务数据语义上下文特征向量的序列;财务数据项语义相关性分析模块150,用于分别计算所述财务数据语义上下文特征向量的序列中的各个财务数据语义上下文特征向量相对于所述财务数据语义上下文特征向量的序列的整体的语义重要性以得到多个语义权重值;财务异常数据预警模块160,用于将所述多个语义权重值分别与预定阈值进行比较,确定是否生成预警提示。
在所述财务数据采集模块110中,确保从各个财务数据源采集的数据准确、完整,并按时进行采集,考虑数据源的可靠性和数据传输的安全性。通过采集各个财务数据源的数据,提供全面的财务数据基础,为后续的数据分析和异常检测提供数据支持。
在所述数据预处理模块120中,对采集到的财务数据进行清洗、去除异常值、填充缺失值等预处理操作,确保数据的质量和可用性。通过预处理,可以提高财务数据的准确性和一致性,为后续的数据分析和异常检测提供高质量的数据。
在所述数据项语义编码模块130中,对预处理后的财务数据中的各个数据项进行编码,将其转化为语义编码向量的序列,选择合适的编码方法,使得编码后的向量能够表达数据项的语义信息。通过语义编码,将财务数据转化为机器可理解的向量表示,为后续的上下文关联和分析提供基础。
在所述数据项语义上下文关联模块140中,对财务数据语义编码向量的序列进行上下文语义关联编码处理,捕捉数据项之间的语义关联信息,可以使用上下文窗口、注意力机制等方法进行关联编码。通过上下文关联编码,可以捕捉到财务数据项之间的语义关联性,提供更全面的数据特征。
在所述财务数据项语义相关性分析模块150中,计算财务数据语义上下文特征向量的序列中的各个特征向量相对于整体的语义重要性,可以使用相似度度量、注意力权重等方法进行相关性分析。通过语义相关性分析,可以确定财务数据项之间的重要性和关联程度,帮助识别异常数据的关键特征。
在所述财务异常数据预警模块160中,将多个语义权重值与预定阈值进行比较,确定是否生成预警提示。合理设置阈值,使得预警能够准确捕捉到财务数据的异常情况。通过财务异常数据预警,可以及时发现潜在的财务异常情况,帮助企业采取及时的纠正措施,减少潜在风险。
针对上述技术问题,本申请的技术构思为通过从各个财务数据源采集财务数据,并在后端引入数据处理和语义理解算法来进行该财务数据中各个数据项的语义关联分析,特别地,考虑到如果有某个财务数据项存在异常,则该财务数据项占整个财务数据语义的语义权重比例就会较小,即相关性较弱,因此,进一步通过各个财务数据项占财务数据整体的语义重要性判断财务数据是否存在异常,从而实现对财务数据的智能监测和分析。这样,能够自动化地对大量的财务数据进行监测和分析,提高异常检测的准确性和效率,帮助企业及时发现和解决财务异常问题,保障财务管理的稳定性和可靠性。
具体地,在本申请的技术方案中,首先,获取从各个财务数据源采集的被监测财务数据,例如通过企业的财务报表和资产负债表采集所述被监测财务数据。接着,考虑到由于所述被监测财务数据来自不同的数据源,可能存在数据缺失、错误、重复等问题。并且,不同数据源中的财务数据可能使用不同的格式、单位或命名规则,导致数据不一致的问题。因此,需要对所述被监测财务数据进行预处理,例如数据清洗和规范化处理来排除这些问题,提高数据的质量和准确性,从而得到所述预处理后财务数据。具体来说,通过进行数据规范化处理,可以将财务数据统一为相同的格式和规范,确保财务数据的一致性,方便后续的分析和比较。通过进行数据清洗和预处理,可以填充缺失值、删除不完整的记录,保证财务数据的完整性,提高后续分析的可靠性。
在本申请的一个具体实施例中,所述数据预处理模块,用于:对所述被监测财务数据进行数据清洗和规范化处理以得到所述预处理后财务数据。
数据清洗和规范化处理可以确保财务数据的一致性,通过去除重复、冗余和错误的数据,可以消除数据不一致性带来的混淆和误导。清洗和规范化处理可以帮助纠正数据中的错误和异常值,提高财务数据的准确性,通过识别和纠正数据输入错误、计算错误和异常情况,可以提供更可靠和准确的财务数据。
清洗和规范化处理可以填充或删除缺失的数据,以保持数据的完整性,缺失的数据可能会导致分析和决策的偏差,通过处理缺失数据,可以提供更完整和可靠的财务数据。规范化处理可以对财务数据进行标准化,使其具有一致的格式和单位,以便进行比较和分析。标准化处理可以消除不同数据源和格式的差异,提供可比性,使得财务数据更易于理解和解释。预处理后的财务数据更适合进行数据可视化和分析,通过清洗和规范化处理,可以提供更可靠和准确的数据基础,支持更深入和有意义的数据分析和洞察。
应可以理解,所述被监测财务数据包含了多个数据项,如收入、支出、资产、负债等,这些数据项具有不同的度量单位、取值范围和分布特征,此外,还考虑到财务数据中的每个数据项都具有一定的语义含义。因此,在本申请的技术方案中,进一步分别对所述预处理后财务数据中的各个数据项进行编码以得到财务数据语义编码向量的序列。通过对所述各个数据项进行编码,以将它们转化为统一的向量表示,使得不同数据项之间可以进行比较和分析。并且,通过对各个数据项进行编码,还可以将这些语义信息纳入到数据表示中,使得数据更具有可解释性和语义理解能力。
进一步地,考虑到所述财务数据中的各个数据项之间通常具有一定的关联关系和上下文信息,因此,为了能够充分和准确地探究挖掘出所述财务数据中的各个数据项之间的语义上下文关联特征,在本申请的技术方案中,进一步将所述财务数据语义编码向量的序列通过财务数据上下文语义关联编码器中进行编码,以提取出所述财务数据中各个数据项的语义特征之间基于全局的上下文语义关联特征信息,从而得到财务数据语义上下文特征向量的序列。
在本申请的一个具体实施例中,所述数据项语义上下文关联模块,用于:将所述财务数据语义编码向量的序列通过财务数据上下文语义关联编码器以得到所述财务数据语义上下文特征向量的序列。
在本申请的一个实施例中,所述财务数据项语义相关性分析模块,包括:特征分布校正单元,用于基于所述财务数据语义编码向量的序列对所述财务数据语义上下文特征向量的序列进行校正以得到校正后财务数据语义上下文特征向量的序列;语义权重值计算单元,用于分别计算所述校正后财务数据语义上下文特征向量的序列中的各个校正后财务数据语义上下文特征向量相对于所述校正后财务数据语义上下文特征向量的序列的整体的语义重要性以得到所述多个语义权重值。
然后,考虑到在实际进行财务数据的异常检测时,如果财务数据中的某个数据项发生异常,那么其占整个财务数据的语义权重比例就会较小,即与其他财务数据之间的相关度较小。因此,在本申请的技术方案中,为了能够更为充分和准确地进行财务数据的异常检测,进一步分别计算所述财务数据语义上下文特征向量的序列中的各个财务数据语义上下文特征向量相对于所述财务数据语义上下文特征向量的序列的整体的语义重要性以得到多个语义权重值。通过计算每个特征向量相对于整体序列的语义重要性,可以评估每个数据项的语义特征与整体财务数据语义特征之间的语义关联度。这样,可以识别出与整体序列不一致或异常的特征向量,这有助于发现潜在的异常情况或异常行为,提高财务数据的异常检测能力。
在本申请的一个具体实施例中,所述语义权重值计算单元,用于:以如下权重公式分别计算所述校正后财务数据语义上下文特征向量的序列中的各个校正后财务数据语义上下文特征向量相对于所述校正后财务数据语义上下文特征向量的序列的整体的语义重要性以得到所述多个语义权重值;其中,所述权重公式为:
;
其中,是所述多个校正后财务数据语义上下文特征向量中的第/>个校正后财务数据语义上下文特征向量,/>和/>是1×/>的矩阵,/>是所述多个校正后财务数据语义上下文特征向量的向量数量,/>是所述各个校正后财务数据语义上下文特征向量的尺度,是Sigmoid函数,/>是所述多个语义权重值中的第/>个语义权重值。
特别地,在上述技术方案中,所述财务数据语义编码向量的序列中的每个财务数据语义编码向量表达相应的财务数据项的编码向量表示,由此,将所述财务数据语义编码向量的序列通过财务数据上下文语义关联编码器后,可以提取各个财务数据项的基于编码向量表示上下文的关联语义特征表示,这样,所述财务数据语义上下文特征向量的序列的整体相当于所述编码向量表示的基于上下文关联的关联语义特征融合。
由此,本申请的申请人考虑到在分别计算所述财务数据语义上下文特征向量的序列中的各个财务数据语义上下文特征向量相对于所述财务数据语义上下文特征向量的序列的整体的语义重要性时,在所述财务数据语义上下文特征向量的序列的整体语义作为单个财务数据语义编码向量的关联语义特征融合的情况下,到高维特征空间内的编码向量-特征向量变换可能引起不期望的高维几何变化,从而影响语义权重值的计算准确性,因此基于所述财务数据语义编码向量的序列对所述财务数据语义上下文特征向量的序列进行校正,表示为:以如下优化公式基于所述财务数据语义编码向量的序列对所述财务数据语义上下文特征向量的序列进行校正以得到校正后财务数据语义上下文特征向量的序列;其中,所述优化公式为:
;
其中,是所述财务数据语义编码向量的序列级联后的第一级联向量,/>是所述财务数据语义上下文特征向量的序列级联后的第二级联向量,/>是所述财务数据语义编码向量的序列级联后的第一级联向量的特征值,/>是所述财务数据语义上下文特征向量的序列级联后的第二级联向量的特征值,/>和/>分别是特征向量的1范数和2范数,/>是特征向量的长度,且/>是权重超参数,/>是所述校正后财务数据语义上下文特征向量的序列的特征值;/>表示以数值为幂的自然指数函数值。
具体地,为了在进行基于上下文关联的关联语义特征融合时提升特征对空间变换的感知和认知能力,基于所述财务数据语义编码向量的序列和所述财务数据语义上下文特征向量的序列的距离结构参数来从向量尺度维度进行特征向量的特征分布在不同方向上的旋转控制,以通过相对旋转解缠来保留融合特征的旋转不变性,从而避免融合特征时在高维特征空间内的几何变换导致的特征分布的高维几何变化,提升所述财务数据语义上下文特征向量的序列的融合表达效果,从而改进语义权重值的计算准确性。这样,能够自动化地对大量的财务数据进行监测和分析,从而提高异常检测的准确性和效率,帮助企业及时发现和解决财务异常问题,保障财务管理的稳定性和可靠性。
继而,再将所述多个语义权重值分别与预定阈值进行比较,且响应于所述多个语义权重值存在小于所述预定阈值的语义权重值,生成预警提示,所述预警提示用于表示被监测财务数据存在异常。这样,能够实现对财务数据的智能监测和分析,提高异常检测的准确性和效率,帮助企业及时发现和解决财务异常问题。
在本申请的一个实施例中,所述财务异常数据预警模块,用于:响应于所述多个语义权重值存在小于所述预定阈值的语义权重值,生成预警提示,所述预警提示用于表示被监测财务数据存在异常。
综上,基于本发明实施例的基于数据挖掘的财务异常数据监测分析系统100被阐明,其能够自动化地对大量的财务数据进行监测和分析,提高异常检测的准确性和效率,帮助企业及时发现和解决财务异常问题,保障财务管理的稳定性和可靠性。
如上所述,根据本发明实施例的基于数据挖掘的财务异常数据监测分析系统100可以实现在各种终端设备中,例如用于基于数据挖掘的财务异常数据监测分析的服务器等。在一个示例中,根据本发明实施例的基于数据挖掘的财务异常数据监测分析系统100可以作为一个软件模块和/或硬件模块而集成到终端设备中。例如,该基于数据挖掘的财务异常数据监测分析系统100可以是该终端设备的操作系统中的一个软件模块,或者可以是针对于该终端设备所开发的一个应用程序;当然,该基于数据挖掘的财务异常数据监测分析系统100同样可以是该终端设备的众多硬件模块之一。
替换地,在另一示例中,该基于数据挖掘的财务异常数据监测分析系统100与该终端设备也可以是分立的设备,并且该基于数据挖掘的财务异常数据监测分析系统100可以通过有线和/或无线网络连接到该终端设备,并且按照约定的数据格式来传输交互信息。
图2为本发明实施例中提供的一种基于数据挖掘的财务异常数据监测分析方法的流程图。图3为本发明实施例中提供的一种基于数据挖掘的财务异常数据监测分析方法的系统架构的示意图。如图2和图3所示,一种基于数据挖掘的财务异常数据监测分析方法,包括:210,获取从各个财务数据源采集的被监测财务数据;220,对所述被监测财务数据进行预处理以得到预处理后财务数据;230,分别对所述预处理后财务数据中的各个数据项进行编码以得到财务数据语义编码向量的序列;240,对所述财务数据语义编码向量的序列进行上下文语义关联编码处理以得到财务数据语义上下文特征向量的序列;250,分别计算所述财务数据语义上下文特征向量的序列中的各个财务数据语义上下文特征向量相对于所述财务数据语义上下文特征向量的序列的整体的语义重要性以得到多个语义权重值;260,将所述多个语义权重值分别与预定阈值进行比较,确定是否生成预警提示。
在所述基于数据挖掘的财务异常数据监测分析方法中,对所述被监测财务数据进行预处理以得到预处理后财务数据,包括:对所述被监测财务数据进行数据清洗和规范化处理以得到所述预处理后财务数据。
在所述基于数据挖掘的财务异常数据监测分析方法中,对所述财务数据语义编码向量的序列进行上下文语义关联编码处理以得到财务数据语义上下文特征向量的序列,包括:将所述财务数据语义编码向量的序列通过财务数据上下文语义关联编码器以得到所述财务数据语义上下文特征向量的序列。
在所述基于数据挖掘的财务异常数据监测分析方法中,分别计算所述财务数据语义上下文特征向量的序列中的各个财务数据语义上下文特征向量相对于所述财务数据语义上下文特征向量的序列的整体的语义重要性以得到多个语义权重值,包括:基于所述财务数据语义编码向量的序列对所述财务数据语义上下文特征向量的序列进行校正以得到校正后财务数据语义上下文特征向量的序列;
分别计算所述校正后财务数据语义上下文特征向量的序列中的各个校正后财务数据语义上下文特征向量相对于所述校正后财务数据语义上下文特征向量的序列的整体的语义重要性以得到所述多个语义权重值。
本领域技术人员可以理解,上述基于数据挖掘的财务异常数据监测分析方法中的各个步骤的具体操作已经在上面参考图1的基于数据挖掘的财务异常数据监测分析系统的描述中得到了详细介绍,并因此,将省略其重复描述。
图4为本发明实施例中提供的一种基于数据挖掘的财务异常数据监测分析系统的应用场景图。如图4所示,在该应用场景中,首先,获取从各个财务数据源采集的被监测财务数据(例如,如图4中所示意的C);然后,将获取的被监测财务数据输入至部署有基于数据挖掘的财务异常数据监测分析算法的服务器(例如,如图4中所示意的S)中,其中所述服务器能够基于数据挖掘的财务异常数据监测分析算法对所述被监测财务数据进行处理,以确定是否生成预警提示。
以上所述的具体实施例,对本发明的目的、技术方案和有益效果进行了进一步详细说明,所应理解的是,以上所述仅为本发明的具体实施例而已,并不用于限定本发明的保护范围,凡在本发明的精神和原则之内,所做的任何修改、等同替换、改进等,均应包含在本发明的保护范围之内。
Claims (7)
1.一种基于数据挖掘的财务异常数据监测分析系统,其特征在于,包括:
财务数据采集模块,用于获取从各个财务数据源采集的被监测财务数据;
数据预处理模块,用于对所述被监测财务数据进行预处理以得到预处理后财务数据;
数据项语义编码模块,用于分别对所述预处理后财务数据中的各个数据项进行编码以得到财务数据语义编码向量的序列;
数据项语义上下文关联模块,用于对所述财务数据语义编码向量的序列进行上下文语义关联编码处理以得到财务数据语义上下文特征向量的序列;
财务数据项语义相关性分析模块,用于分别计算所述财务数据语义上下文特征向量的序列中的各个财务数据语义上下文特征向量相对于所述财务数据语义上下文特征向量的序列的整体的语义重要性以得到多个语义权重值;
财务异常数据预警模块,用于将所述多个语义权重值分别与预定阈值进行比较,确定是否生成预警提示;
其中,所述财务数据项语义相关性分析模块,包括:
特征分布校正单元,用于基于所述财务数据语义编码向量的序列对所述财务数据语义上下文特征向量的序列进行校正以得到校正后财务数据语义上下文特征向量的序列;
语义权重值计算单元,用于分别计算所述校正后财务数据语义上下文特征向量的序列中的各个校正后财务数据语义上下文特征向量相对于所述校正后财务数据语义上下文特征向量的序列的整体的语义重要性以得到所述多个语义权重值;
其中,所述语义权重值计算单元,用于:以如下权重公式分别计算所述校正后财务数据语义上下文特征向量的序列中的各个校正后财务数据语义上下文特征向量相对于所述校正后财务数据语义上下文特征向量的序列的整体的语义重要性以得到所述多个语义权重值;
其中,所述权重公式为:
;
其中,是所述多个校正后财务数据语义上下文特征向量中的第/>个校正后财务数据语义上下文特征向量,/>和/>是1×/>的矩阵,/>是所述多个校正后财务数据语义上下文特征向量的向量数量,/>是所述各个校正后财务数据语义上下文特征向量的尺度,/>是Sigmoid函数,/>是所述多个语义权重值中的第/>个语义权重值。
2.根据权利要求1所述的基于数据挖掘的财务异常数据监测分析系统,其特征在于,所述数据预处理模块,用于:对所述被监测财务数据进行数据清洗和规范化处理以得到所述预处理后财务数据。
3.根据权利要求2所述的基于数据挖掘的财务异常数据监测分析系统,其特征在于,所述数据项语义上下文关联模块,用于:将所述财务数据语义编码向量的序列通过财务数据上下文语义关联编码器以得到所述财务数据语义上下文特征向量的序列。
4.根据权利要求3所述的基于数据挖掘的财务异常数据监测分析系统,其特征在于,所述财务异常数据预警模块,用于:响应于所述多个语义权重值存在小于所述预定阈值的语义权重值,生成预警提示,所述预警提示用于表示被监测财务数据存在异常。
5.一种基于数据挖掘的财务异常数据监测分析方法,其特征在于,包括:
获取从各个财务数据源采集的被监测财务数据;
对所述被监测财务数据进行预处理以得到预处理后财务数据;
分别对所述预处理后财务数据中的各个数据项进行编码以得到财务数据语义编码向量的序列;
对所述财务数据语义编码向量的序列进行上下文语义关联编码处理以得到财务数据语义上下文特征向量的序列;
分别计算所述财务数据语义上下文特征向量的序列中的各个财务数据语义上下文特征向量相对于所述财务数据语义上下文特征向量的序列的整体的语义重要性以得到多个语义权重值;
将所述多个语义权重值分别与预定阈值进行比较,确定是否生成预警提示;
其中,分别计算所述财务数据语义上下文特征向量的序列中的各个财务数据语义上下文特征向量相对于所述财务数据语义上下文特征向量的序列的整体的语义重要性以得到多个语义权重值,包括:
基于所述财务数据语义编码向量的序列对所述财务数据语义上下文特征向量的序列进行校正以得到校正后财务数据语义上下文特征向量的序列;
分别计算所述校正后财务数据语义上下文特征向量的序列中的各个校正后财务数据语义上下文特征向量相对于所述校正后财务数据语义上下文特征向量的序列的整体的语义重要性以得到所述多个语义权重值;
其中,分别计算所述校正后财务数据语义上下文特征向量的序列中的各个校正后财务数据语义上下文特征向量相对于所述校正后财务数据语义上下文特征向量的序列的整体的语义重要性以得到所述多个语义权重值,用于:以如下权重公式分别计算所述校正后财务数据语义上下文特征向量的序列中的各个校正后财务数据语义上下文特征向量相对于所述校正后财务数据语义上下文特征向量的序列的整体的语义重要性以得到所述多个语义权重值;
其中,所述权重公式为:
;
其中,是所述多个校正后财务数据语义上下文特征向量中的第/>个校正后财务数据语义上下文特征向量,/>和/>是1×/>的矩阵,/>是所述多个校正后财务数据语义上下文特征向量的向量数量,/>是所述各个校正后财务数据语义上下文特征向量的尺度,/>是Sigmoid函数,/>是所述多个语义权重值中的第/>个语义权重值。
6.根据权利要求5所述的基于数据挖掘的财务异常数据监测分析方法,其特征在于,对所述被监测财务数据进行预处理以得到预处理后财务数据,包括:对所述被监测财务数据进行数据清洗和规范化处理以得到所述预处理后财务数据。
7.根据权利要求6所述的基于数据挖掘的财务异常数据监测分析方法,其特征在于,对所述财务数据语义编码向量的序列进行上下文语义关联编码处理以得到财务数据语义上下文特征向量的序列,包括:将所述财务数据语义编码向量的序列通过财务数据上下文语义关联编码器以得到所述财务数据语义上下文特征向量的序列。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311827113.4A CN117473048B (zh) | 2023-12-28 | 2023-12-28 | 基于数据挖掘的财务异常数据监测分析系统及方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311827113.4A CN117473048B (zh) | 2023-12-28 | 2023-12-28 | 基于数据挖掘的财务异常数据监测分析系统及方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN117473048A CN117473048A (zh) | 2024-01-30 |
CN117473048B true CN117473048B (zh) | 2024-03-01 |
Family
ID=89631587
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311827113.4A Active CN117473048B (zh) | 2023-12-28 | 2023-12-28 | 基于数据挖掘的财务异常数据监测分析系统及方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117473048B (zh) |
Families Citing this family (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117707986A (zh) * | 2024-02-05 | 2024-03-15 | 钦原科技有限公司 | 用于移动终端的软件功耗测试方法及系统 |
CN117789971B (zh) * | 2024-02-13 | 2024-05-24 | 长春职业技术学院 | 基于文本情感分析的心理健康智能评测系统及方法 |
Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107945024A (zh) * | 2017-12-12 | 2018-04-20 | 厦门市美亚柏科信息股份有限公司 | 识别互联网金融借贷企业经营异常的方法、终端设备及存储介质 |
WO2021004132A1 (zh) * | 2019-07-09 | 2021-01-14 | 深圳壹账通智能科技有限公司 | 异常数据检测方法、装置、计算机设备和存储介质 |
CN113947076A (zh) * | 2021-10-28 | 2022-01-18 | 平安科技(深圳)有限公司 | 保单数据的检测方法、装置、计算机设备及存储介质 |
WO2022237284A1 (zh) * | 2021-05-12 | 2022-11-17 | 华为技术有限公司 | 一种工程化预测分析的方法 |
CN115577275A (zh) * | 2022-11-11 | 2023-01-06 | 山东产业技术研究院智能计算研究院 | 一种基于lof和孤立森林的时序数据异常监测系统及方法 |
CN116503158A (zh) * | 2023-04-24 | 2023-07-28 | 浙江之科云创数字科技有限公司 | 基于数据驱动的企业破产风险预警方法、系统及装置 |
CN116800518A (zh) * | 2023-07-13 | 2023-09-22 | 中国电信股份有限公司技术创新中心 | 一种网络防护策略的调整方法及装置 |
CN116957828A (zh) * | 2023-07-03 | 2023-10-27 | 中国移动通信集团江苏有限公司 | 报账审核方法、设备、存储介质及装置 |
CN117009907A (zh) * | 2023-08-31 | 2023-11-07 | 国网江苏省电力有限公司宿迁供电分公司 | 一种基于趋势异常值检测的财务系统预警方法及系统 |
CN117152156A (zh) * | 2023-10-31 | 2023-12-01 | 通号通信信息集团有限公司 | 一种基于多模态数据融合的铁路异常检测方法及系统 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US11556876B2 (en) * | 2015-01-05 | 2023-01-17 | International Business Machines Corporation | Detecting business anomalies utilizing information velocity and other parameters using statistical analysis |
-
2023
- 2023-12-28 CN CN202311827113.4A patent/CN117473048B/zh active Active
Patent Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107945024A (zh) * | 2017-12-12 | 2018-04-20 | 厦门市美亚柏科信息股份有限公司 | 识别互联网金融借贷企业经营异常的方法、终端设备及存储介质 |
WO2021004132A1 (zh) * | 2019-07-09 | 2021-01-14 | 深圳壹账通智能科技有限公司 | 异常数据检测方法、装置、计算机设备和存储介质 |
WO2022237284A1 (zh) * | 2021-05-12 | 2022-11-17 | 华为技术有限公司 | 一种工程化预测分析的方法 |
CN113947076A (zh) * | 2021-10-28 | 2022-01-18 | 平安科技(深圳)有限公司 | 保单数据的检测方法、装置、计算机设备及存储介质 |
CN115577275A (zh) * | 2022-11-11 | 2023-01-06 | 山东产业技术研究院智能计算研究院 | 一种基于lof和孤立森林的时序数据异常监测系统及方法 |
CN116503158A (zh) * | 2023-04-24 | 2023-07-28 | 浙江之科云创数字科技有限公司 | 基于数据驱动的企业破产风险预警方法、系统及装置 |
CN116957828A (zh) * | 2023-07-03 | 2023-10-27 | 中国移动通信集团江苏有限公司 | 报账审核方法、设备、存储介质及装置 |
CN116800518A (zh) * | 2023-07-13 | 2023-09-22 | 中国电信股份有限公司技术创新中心 | 一种网络防护策略的调整方法及装置 |
CN117009907A (zh) * | 2023-08-31 | 2023-11-07 | 国网江苏省电力有限公司宿迁供电分公司 | 一种基于趋势异常值检测的财务系统预警方法及系统 |
CN117152156A (zh) * | 2023-10-31 | 2023-12-01 | 通号通信信息集团有限公司 | 一种基于多模态数据融合的铁路异常检测方法及系统 |
Also Published As
Publication number | Publication date |
---|---|
CN117473048A (zh) | 2024-01-30 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN117473048B (zh) | 基于数据挖掘的财务异常数据监测分析系统及方法 | |
US10769570B2 (en) | Artificial intelligence based risk and knowledge management | |
CN110020660B (zh) | 使用人工智能(ai)技术的非结构化过程的完整性评估 | |
US20170109668A1 (en) | Model for Linking Between Nonconsecutively Performed Steps in a Business Process | |
US20180165768A1 (en) | System and method for pattern-recognition based monitoring and controlled processing of data objects based on conformity measurements | |
CN115358155A (zh) | 一种电力大数据异常预警方法、装置、设备及可读存储介质 | |
CN116861924A (zh) | 基于人工智能的项目风险预警方法及系统 | |
US20170109640A1 (en) | Generation of Candidate Sequences Using Crowd-Based Seeds of Commonly-Performed Steps of a Business Process | |
CN112631889B (zh) | 针对应用系统的画像方法、装置、设备及可读存储介质 | |
CN117333012A (zh) | 基于数据挖掘的金融风险跟踪管理系统、装置和存储介质 | |
CN116776209A (zh) | 一种关口计量装置运行状态辨识方法、系统、设备及介质 | |
Hou | Financial Abnormal Data Detection System Based on Reinforcement Learning | |
KR102499182B1 (ko) | 인공지능을 이용한 가계대출 사기/부실 상시감사지원시스템 | |
CN112163813B (zh) | 一种在线采购的交易清单核算方法 | |
CN111612302A (zh) | 一种集团级数据管理方法和设备 | |
Ravivanpong et al. | Towards Extracting Causal Graph Structures from TradeData and Smart Financial Portfolio Risk Management. | |
CN117057941B (zh) | 基于多维度数据分析的异常消费检测方法 | |
CN111861725B (zh) | 三方数据源成本核算方法及系统 | |
CN117435582B (zh) | 一种捕获和处理erp临时数据的方法和装置 | |
KR102499183B1 (ko) | 인공지능을 이용한 기업대출 사기/사기의심 상시감사지원시스템 | |
CN117422311A (zh) | 企业风险评级模型构建方法、系统及存储介质 | |
CN117726468A (zh) | 一种ai财税机器人的财税管理方法、系统及应用 | |
CN117785605A (zh) | 基于大数据的移动端数据监控分析系统 | |
CN117670359A (zh) | 异常交易数据的识别方法、装置、存储介质及电子设备 | |
CN117744033A (zh) | 数据波动预警方法、装置、非易失性存储介质及电子设备 |
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 |