CN117689348A - 一种基于关联分析算法的差旅数据分析系统及方法 - Google Patents
一种基于关联分析算法的差旅数据分析系统及方法 Download PDFInfo
- Publication number
- CN117689348A CN117689348A CN202410126083.2A CN202410126083A CN117689348A CN 117689348 A CN117689348 A CN 117689348A CN 202410126083 A CN202410126083 A CN 202410126083A CN 117689348 A CN117689348 A CN 117689348A
- Authority
- CN
- China
- Prior art keywords
- travel
- data
- port
- module
- data analysis
- 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
- 238000007405 data analysis Methods 0.000 title claims abstract description 108
- 238000000034 method Methods 0.000 title claims abstract description 37
- 238000012098 association analyses Methods 0.000 title claims description 3
- 238000010219 correlation analysis Methods 0.000 claims abstract description 26
- 238000012550 audit Methods 0.000 claims abstract description 7
- 230000002159 abnormal effect Effects 0.000 claims description 40
- 238000012545 processing Methods 0.000 claims description 24
- 230000008569 process Effects 0.000 claims description 11
- 238000004458 analytical method Methods 0.000 claims description 9
- 230000009471 action Effects 0.000 claims description 6
- 238000010276 construction Methods 0.000 claims description 4
- 238000009825 accumulation Methods 0.000 claims description 3
- 238000011161 development Methods 0.000 claims description 3
- 230000002087 whitening effect Effects 0.000 claims description 3
- 238000013461 design Methods 0.000 abstract description 2
- 230000008859 change Effects 0.000 description 3
- 238000004891 communication Methods 0.000 description 3
- 238000007726 management method Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 210000001503 joint Anatomy 0.000 description 1
- 238000003032 molecular docking Methods 0.000 description 1
- 238000004904 shortening Methods 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
- 239000002699 waste material Substances 0.000 description 1
Landscapes
- Financial Or Insurance-Related Operations Such As Payment And Settlement (AREA)
Abstract
本发明公开了一种基于关联分析算法的差旅数据分析系统及方法,属于差旅数据分析技术领域。本系统包括:企业内部系统模块、差旅数据分析模块、平台链接模块、双重审批模块以及审计模块;所述企业内部系统模块的输出端与所述差旅数据分析模块的输入端相连接;所述差旅数据分析模块的输出端与所述平台链接模块、双重审批模块的输入端相连接;所述双重审批模块的输出端与所述审计模块的输入端相连接;所述审计模块的输出端与所述企业内部系统模块的输入端相连接。本发明能够从根本上解决报销流程缓慢、审批步骤繁琐的痛点问题,采用全新的端口式设计,保障员工信息安全,同时对智能审批下的虚假报销进行数据分析预警,降低企业风险。
Description
技术领域
本发明涉及差旅数据分析技术领域,具体为一种基于关联分析算法的差旅数据分析系统及方法。
背景技术
随着企业规模的壮大和业务的增加,员工出差人数多、频次多、范围广,对差旅流程的管控就显得愈发重要,目前越来越多的中大型企业开始重视精细化经营的理念,其中数据分析的价值尤为显著,它能将多、乱、杂的数据生成可视化的报表,帮助决策者了解差旅现状和资源浪费,继而建立科学有效的管理政策。
从目前来讲,差旅软件的痛点在于报销流程缓慢、审批步骤繁琐,同时企业内部在对接差旅软件端口时,涉及员工个人信息安全,导致软件之间兼容性差等等问题,使用智能审批的同时也存在个别员工虚假报销,难以预警查证的问题。
发明内容
本发明的目的在于提供一种基于关联分析算法的差旅数据分析系统及方法,以解决上述背景技术中提出的问题。
为了解决上述技术问题,本发明提供如下技术方案:一种基于关联分析算法的差旅数据分析方法,该方法包括以下步骤:
S1、构建大数据关联体系,所述大数据关联体系中包括企业人事员工端口、差旅数据分析端口、差旅平台端口、智能财务端口以及管理员审批端口,其中企业人事员工端口与差旅数据分析端口相连接,差旅数据分析端口分别和差旅平台端口、智能财务端口以及管理员审批端口相连接;
S2、员工在企业内部系统提交差旅申请,上传到达时间与地点,企业内部系统调用企业人事员工端口输出员工个人数据、到达时间与地点至差旅数据分析端口,差旅数据分析端口基于差旅数据分析模型输出差旅出行方式;
S3、调用关联分析算法,形成差旅出行方式下的频繁项集,输出至差旅平台端口,连接频繁项集下的各平台端口,例如输出的有航空出行、食宿,则直接对接与企业合作的航空公司和酒店,能够做到安全服务保障以及成本优惠等,生成差旅清单反馈至差旅数据分析端口,差旅数据分析端口将清单传输至企业人事员工端口提醒员工进行报销填写,填写后返回至差旅数据分析端口,再传输至智能财务端口进行报销审批;
S4、智能财务端口构建智能审批模型,基于员工个人历史数据和差旅清单,判断是否出现异常值,若出现异常值反馈至差旅数据分析端口,由差旅数据分析端口将差旅清单反馈至管理员审批端口,人工审核后再传输至智能财务端口处理。
根据上述技术方案,所述差旅数据分析模型包括:
获取员工历史出行数据,所述历史出行数据中包括出行方式、出行距离以及出行间隔时间点,所述出行方式包括地面出行与航空出行,所述出行距离指到达地点与企业所在地的距离,所述出行间隔时间点指提交差旅申请时间与到达时间之间的时间间隔;
对不同的出行方式构建两个区域集合,以出行距离作为横坐标,对应的出行间隔时间点作为纵坐标形成散点,所有散点存在于对应的区域集合内,构建每一个区域集合的拟合直线:
其中,指出行间隔时间点;/>指出行距离;/>指拟合系数;/>指拟合过程中的误差常数;
形成两种出行方式下的两条拟合直线,获取当前员工提交的差旅申请,选择出到达时间与地点,计算出行距离与出行间隔时间点,形成散点M,分别计算散点M到达两条拟合直线的距离,选择距离较小的拟合直线对应的出行方式作为差旅出行方式。
在上述技术方案中,根据距离和出行间隔时间点拟合的区域内直线,进行散点M的距离判定,M距离谁越近,说明越贴近于哪个区域,能够更好的为企业制定员工出行方略。
根据上述技术方案,所述生成差旅清单包括:
调用数据库内企业差旅出行的历史数据,选取出特征因子,例如特征因子包括地面出行、航空出行、食宿、退改签、通讯、寄存以及其他等;根据输出的差旅出行方式,选择出含有差旅出行方式的N组企业差旅出行的历史数据,每一组中包含若干个存在的特征因子,任一组企业差旅出行的历史数据中包含地面出行或者航空出行;
基于输出的差旅出行方式构建初始频繁项集;其中,指输出的差旅出行方式,/>指其他特征因子,计算每个特征因子在N组数据中的支持度:
其中,代表支持度,/>代表任一个特征因子i;
设置支持度阈值,对支持度大于等于支持度阈值的特征因子形成新的项集;
在新的项集中选取出差旅出行方式作为主项,其他特征因子作为辅项,计算主项对辅项形成的所有集合的置信度:
其中,代表组合项/>对集合A的置信度;/>代表组合项在N组数据中出现的次数;/>代表集合A在N组数据中出现的次数;
记录下所有的置信度,选取出置信度最高的对应的集合A,输出至差旅平台端口,解析集合A中的特征因子,选择各特征因子对应的各平台端口,生成差旅清单反馈至差旅数据分析端口。
在上述技术方案中,采取不断缩短特征因子的方式,能够得出在不同的出行方式下,对应的特征因子组合变化,例如航空出行相较于对面出行,往往距离更远,更多的附带有食宿和寄存等等特征;地面出行相较于航空出行时,由于经济成本低,可能更多附带有退改签次数的特征;
根据上述技术方案,所述构建智能审批模型包括:
获取员工个人历史数据和差旅清单,对员工个人历史数据中的报销数据中的特征因子与差旅清单的特征因子对比,若不相同,标记为异常项,并记录差项值;
计算每个员工的异常项概率,设置概率阈值,在异常项概率超出概率阈值时,将员工数据送入智能审批模型:
调用每一次数据的差项值,形成数据列,利用灰色预测方式形成预测差项值,具体包括:
对数据列中的数据进行灰色累加处理形成新数据列,对新数据列再做紧邻均值处理,形成最终数据列,结合新数据列与最终数据列,生成预测差项值公式为;
其中,e代表自然对数;指生成的预测差项值;/>指新数据列中的白化微分方程中的参数量,所述参数量分别为发展系数与灰作用量;b指数列中的数据组数;
获取员工提交的最新一期的报销差旅清单的差项值,与生成的预测差项值进行求差值绝对值,设置差值阈值,若差值绝对值大于差值阈值,判断出现异常值。
一种基于关联分析算法的差旅数据分析系统,该系统包括:企业内部系统模块、差旅数据分析模块、平台链接模块、双重审批模块以及审计模块;
所述企业内部系统模块内部包含有企业人事员工数据,用于企业员工登录后提交差旅申请,上传到达时间与地点,企业内部系统模块基于企业人事员工端口输出员工个人数据、到达时间与地点至差旅数据分析模块;所述差旅数据分析模块用于构建差旅数据分析模型,在差旅数据分析模型下,形成员工差旅的最佳的差旅出行方式;所述平台链接模块用于调用关联分析算法,形成最佳的差旅出行方式下的频繁项集,同时连接频繁项集下的各平台端口,生成差旅清单反馈至差旅数据分析模块;所述双重审批模块用于接收差旅数据分析模块传输的差旅清单,通过智能财务端口与管理员审批端口双重审批差旅清单,智能财务端口构建智能审批模型,基于员工个人历史数据和差旅清单,判断是否出现异常值,若出现异常值反馈至管理员审批端口,人工审核后再传输至智能财务端口处理;所述审计模块用于获取单条差旅过程中的费用明细,形成数据组,存储至企业内部系统的审计数据中;
所述企业内部系统模块的输出端与所述差旅数据分析模块的输入端相连接;所述差旅数据分析模块的输出端与所述平台链接模块、双重审批模块的输入端相连接;所述双重审批模块的输出端与所述审计模块的输入端相连接;所述审计模块的输出端与所述企业内部系统模块的输入端相连接。
根据上述技术方案,所述企业内部系统模块包括企业人事员工单元和出行单元;
所述企业人事员工单元内部包含有企业人事员工数据;所述出行单元用于企业员工登录后提交差旅申请,从企业人事员工单元中调出企业人事员工数据,同时上传到达时间与地点,通过企业人事员工端口输出员工个人数据、到达时间与地点至差旅数据分析模块;
所述企业人事员工单元的输出端与所述出行单元的输入端相连接。
根据上述技术方案,所述差旅数据分析模块包括模型单元与分析单元;
所述模型单元用于构建差旅数据分析模型;所述分析单元用于在差旅数据分析模型下,形成员工差旅的最佳的差旅出行方式;
所述模型单元的输出端与所述分析单元的输入端相连接。
根据上述技术方案,所述平台链接模块包括项集处理单元与反馈单元;
所述项集处理单元用于调用关联分析算法,形成最佳的差旅出行方式下的频繁项集;所述反馈单元用于同时连接频繁项集下的各平台端口,生成差旅清单反馈至差旅数据分析模块;
所述项集处理单元的输出端与所述反馈单元的输入端相连接。
根据上述技术方案,所述双重审批模块包括智能财务单元与管理员审批单元;
所述智能财务单元用于接收差旅数据分析模块传输的差旅清单,构建智能审批模型,基于员工个人历史数据和差旅清单,判断是否出现异常值,若出现异常值反馈至管理员审批单元;所述管理员审批单元内置有管理员审批端口,用于人工审核后再传输至智能财务端口处理;
所述智能财务单元的输出端与所述管理员审批单元的输入端相连接。
根据上述技术方案,所述审计模块包括审计单元与存储单元;
所述审计单元用于获取单条差旅过程中的费用明细,形成数据组;所述存储单元用于将数据组存储至企业内部系统的审计数据中;
所述审计单元的输出端与所述存储单元的输入端相连接。
与现有技术相比,本发明所达到的有益效果是:本发明能够从根本上解决报销流程缓慢、审批步骤繁琐的痛点问题,同时保障企业内部在对接差旅软件端口时,员工个人信息的安全问题,采用全新的端口式设计,当事端口只能接收出差员工的个人信息,而不会涉及全体员工信息,也免去了由于员工离职造成的信息更改繁琐问题,提高软件之间兼容性,同时对智能审批下的虚假报销进行数据分析预警,降低企业风险。
附图说明
附图用来提供对本发明的进一步理解,并且构成说明书的一部分,与本发明的实施例一起用于解释本发明,并不构成对本发明的限制。在附图中:
图1是本发明一种基于关联分析算法的差旅数据分析系统及方法的流程示意图。
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。
请参阅图1,在本实施例一中,提供一种基于关联分析算法的差旅数据分析方法,包括构建大数据关联体系,所述大数据关联体系中包括企业人事员工端口、差旅数据分析端口、差旅平台端口、智能财务端口以及管理员审批端口,其中企业人事员工端口与差旅数据分析端口相连接,差旅数据分析端口分别和差旅平台端口、智能财务端口以及管理员审批端口相连接;
员工在企业内部系统提交差旅申请,上传到达时间与地点,企业内部系统调用企业人事员工端口输出员工个人数据、到达时间与地点至差旅数据分析端口,差旅数据分析端口;获取员工历史出行数据,所述历史出行数据中包括出行方式、出行距离以及出行间隔时间点,所述出行方式包括地面出行与航空出行,所述出行距离指到达地点与企业所在地的距离,所述出行间隔时间点指提交差旅申请时间与到达时间之间的时间间隔;
对不同的出行方式构建两个区域集合,以出行距离作为横坐标,对应的出行间隔时间点作为纵坐标形成散点,所有散点存在于对应的区域集合内,构建每一个区域集合的拟合直线:
其中,指出行间隔时间点;/>指出行距离;/>指拟合系数;/>指拟合过程中的误差常数;
形成两种出行方式下的两条拟合直线,获取当前员工提交的差旅申请,选择出到达时间与地点,计算出行距离与出行间隔时间点,形成散点M,分别计算散点M到达两条拟合直线的距离,选择距离较小的拟合直线对应的出行方式作为差旅出行方式。
调用数据库内企业差旅出行的历史数据,选取出特征因子,在本实施例中,所述特征因子包括地面出行、航空出行、食宿、退改签、通讯、寄存以及其他;根据输出的差旅出行方式,选择出含有差旅出行方式的N组企业差旅出行的历史数据,每一组中包含若干个存在的特征因子,任一组企业差旅出行的历史数据中包含地面出行或者航空出行;
调用关联分析算法,基于输出的差旅出行方式构建初始频繁项集;其中,/>指输出的差旅出行方式,指食宿、退改签、通讯、寄存以及其他,计算每个特征因子在N组数据中的支持度:
其中,代表支持度,/>代表任一个特征因子i;
设置支持度阈值,对支持度大于等于支持度阈值的特征因子形成新的项集;
在新的项集中选取出差旅出行方式作为主项,其他特征因子作为辅项,计算主项对辅项形成的所有集合的置信度:
其中,代表组合项/>对集合A的置信度;/>代表组合项在N组数据中出现的次数;/>代表集合A在N组数据中出现的次数;
记录下所有的置信度,选取出置信度最高的对应的集合A,输出至差旅平台端口,解析集合A中的特征因子,选择各特征因子对应的各平台端口,生成差旅清单反馈至差旅数据分析端口。
差旅数据分析端口将清单传输至企业人事员工端口提醒员工进行报销填写,填写后返回至差旅数据分析端口,再传输至智能财务端口进行报销审批;
获取员工个人历史数据和差旅清单,对员工个人历史数据中的报销数据中的特征因子与差旅清单的特征因子对比,若不相同,标记为异常项,并记录差项值;计算每个员工的异常项概率,设置概率阈值,在异常项概率超出概率阈值时,将员工数据送入智能审批模型:
调用每一次数据的差项值,形成数据列,利用灰色预测方式形成预测差项值,具体包括:
对数据列中的数据进行灰色累加处理形成新数据列,对新数据列再做紧邻均值处理,形成最终数据列,结合新数据列与最终数据列,生成预测差项值公式为;
其中,e代表自然对数;指生成的预测差项值;/>指新数据列中的白化微分方程中的参数量,所述参数量分别为发展系数与灰作用量;b指数列中的数据组数;
获取员工提交的最新一期的报销差旅清单的差项值,与生成的预测差项值进行求差值绝对值,设置差值阈值,若差值绝对值大于差值阈值,判断出现异常值,反馈至差旅数据分析端口,由差旅数据分析端口将差旅清单反馈至管理员审批端口,人工审核后再传输至智能财务端口处理。
在本实施例二中,提供一种基于关联分析算法的差旅数据分析系统,该系统包括:企业内部系统模块、差旅数据分析模块、平台链接模块、双重审批模块以及审计模块;
所述企业内部系统模块内部包含有企业人事员工数据,用于企业员工登录后提交差旅申请,上传到达时间与地点,企业内部系统模块基于企业人事员工端口输出员工个人数据、到达时间与地点至差旅数据分析模块;所述差旅数据分析模块用于构建差旅数据分析模型,在差旅数据分析模型下,形成员工差旅的最佳的差旅出行方式;所述平台链接模块用于调用关联分析算法,形成最佳的差旅出行方式下的频繁项集,同时连接频繁项集下的各平台端口,生成差旅清单反馈至差旅数据分析模块;所述双重审批模块用于接收差旅数据分析模块传输的差旅清单,通过智能财务端口与管理员审批端口双重审批差旅清单,智能财务端口构建智能审批模型,基于员工个人历史数据和差旅清单,判断是否出现异常值,若出现异常值反馈至管理员审批端口,人工审核后再传输至智能财务端口处理;所述审计模块用于获取单条差旅过程中的费用明细,形成数据组,存储至企业内部系统的审计数据中;
所述企业内部系统模块的输出端与所述差旅数据分析模块的输入端相连接;所述差旅数据分析模块的输出端与所述平台链接模块、双重审批模块的输入端相连接;所述双重审批模块的输出端与所述审计模块的输入端相连接;所述审计模块的输出端与所述企业内部系统模块的输入端相连接。
所述企业内部系统模块包括企业人事员工单元和出行单元;
所述企业人事员工单元内部包含有企业人事员工数据;所述出行单元用于企业员工登录后提交差旅申请,从企业人事员工单元中调出企业人事员工数据,同时上传到达时间与地点,通过企业人事员工端口输出员工个人数据、到达时间与地点至差旅数据分析模块;
所述企业人事员工单元的输出端与所述出行单元的输入端相连接。
所述差旅数据分析模块包括模型单元与分析单元;
所述模型单元用于构建差旅数据分析模型;所述分析单元用于在差旅数据分析模型下,形成员工差旅的最佳的差旅出行方式;
所述模型单元的输出端与所述分析单元的输入端相连接。
所述平台链接模块包括项集处理单元与反馈单元;
所述项集处理单元用于调用关联分析算法,形成最佳的差旅出行方式下的频繁项集;所述反馈单元用于同时连接频繁项集下的各平台端口,生成差旅清单反馈至差旅数据分析模块;
所述项集处理单元的输出端与所述反馈单元的输入端相连接。
所述双重审批模块包括智能财务单元与管理员审批单元;
所述智能财务单元用于接收差旅数据分析模块传输的差旅清单,构建智能审批模型,基于员工个人历史数据和差旅清单,判断是否出现异常值,若出现异常值反馈至管理员审批单元;所述管理员审批单元内置有管理员审批端口,用于人工审核后再传输至智能财务端口处理;
所述智能财务单元的输出端与所述管理员审批单元的输入端相连接。
所述审计模块包括审计单元与存储单元;
所述审计单元用于获取单条差旅过程中的费用明细,形成数据组;所述存储单元用于将数据组存储至企业内部系统的审计数据中;
所述审计单元的输出端与所述存储单元的输入端相连接。
需要说明的是,在本文中,诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来,而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且,术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含,从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素,而且还包括没有明确列出的其他要素,或者是还包括为这种过程、方法、物品或者设备所固有的要素。
最后应说明的是:以上所述仅为本发明的优选实施例而已,并不用于限制本发明,尽管参照前述实施例对本发明进行了详细的说明,对于本领域的技术人员来说,其依然可以对前述各实施例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同替换。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 (10)
1.一种基于关联分析算法的差旅数据分析方法,其特征在于:该方法包括以下步骤:
S1、构建大数据关联体系,所述大数据关联体系中包括企业人事员工端口、差旅数据分析端口、差旅平台端口、智能财务端口以及管理员审批端口,其中企业人事员工端口与差旅数据分析端口相连接,差旅数据分析端口分别和差旅平台端口、智能财务端口以及管理员审批端口相连接;
S2、员工在企业内部系统提交差旅申请,上传到达时间与地点,企业内部系统调用企业人事员工端口输出员工个人数据、到达时间与地点至差旅数据分析端口,差旅数据分析端口基于差旅数据分析模型输出差旅出行方式;
S3、调用关联分析算法,形成差旅出行方式下的频繁项集,输出至差旅平台端口,连接频繁项集下的各平台端口,生成差旅清单反馈至差旅数据分析端口,差旅数据分析端口将清单传输至企业人事员工端口提醒员工进行报销填写,填写后返回至差旅数据分析端口,再传输至智能财务端口进行报销审批;
S4、智能财务端口构建智能审批模型,基于员工个人历史数据和差旅清单,判断是否出现异常值,若出现异常值反馈至差旅数据分析端口,由差旅数据分析端口将差旅清单反馈至管理员审批端口,人工审核后再传输至智能财务端口处理。
2.根据权利要求1所述的一种基于关联分析算法的差旅数据分析方法,其特征在于:所述差旅数据分析模型包括:
获取员工历史出行数据,所述历史出行数据中包括出行方式、出行距离以及出行间隔时间点,所述出行方式包括地面出行与航空出行,所述出行距离指到达地点与企业所在地的距离,所述出行间隔时间点指提交差旅申请时间与到达时间之间的时间间隔;
对不同的出行方式构建两个区域集合,以出行距离作为横坐标,对应的出行间隔时间点作为纵坐标形成散点,所有散点存在于对应的区域集合内,构建每一个区域集合的拟合直线:
;
其中,指出行间隔时间点;/>指出行距离;/>指拟合系数;/>指拟合过程中的误差常数;
形成两种出行方式下的两条拟合直线,获取当前员工提交的差旅申请,选择出到达时间与地点,计算出行距离与出行间隔时间点,形成散点M,分别计算散点M到达两条拟合直线的距离,选择距离较小的拟合直线对应的出行方式作为差旅出行方式。
3.根据权利要求2所述的一种基于关联分析算法的差旅数据分析方法,其特征在于:所述生成差旅清单包括:
调用数据库内企业差旅出行的历史数据,选取出特征因子;根据输出的差旅出行方式,选择出含有差旅出行方式的N组企业差旅出行的历史数据,每一组中包含若干个存在的特征因子,任一组企业差旅出行的历史数据中包含地面出行或者航空出行;
基于输出的差旅出行方式构建初始频繁项集;其中,/>指输出的差旅出行方式,/>指其他特征因子,计算每个特征因子在N组数据中的支持度:
;
其中,代表支持度,/>代表任一个特征因子i;
设置支持度阈值,对支持度大于等于支持度阈值的特征因子形成新的项集;
在新的项集中选取出差旅出行方式作为主项,其他特征因子作为辅项,计算主项对辅项形成的所有集合的置信度:
;
其中,代表组合项/>对集合A的置信度;/>代表组合项在N组数据中出现的次数;/>代表集合A在N组数据中出现的次数;
记录下所有的置信度,选取出置信度最高的对应的集合A,输出至差旅平台端口,解析集合A中的特征因子,选择各特征因子对应的各平台端口,生成差旅清单反馈至差旅数据分析端口。
4.根据权利要求3所述的一种基于关联分析算法的差旅数据分析方法,其特征在于:所述构建智能审批模型包括:
获取员工个人历史数据和差旅清单,对员工个人历史数据中的报销数据中的特征因子与差旅清单的特征因子对比,若不相同,标记为异常项,并记录差项值;
计算每个员工的异常项概率,设置概率阈值,在异常项概率超出概率阈值时,将员工数据送入智能审批模型:
调用每一次数据的差项值,形成数据列,利用灰色预测方式形成预测差项值,具体包括:
对数据列中的数据进行灰色累加处理形成新数据列,对新数据列再做紧邻均值处理,形成最终数据列,结合新数据列与最终数据列,生成预测差项值公式为;
;
其中,e代表自然对数;指生成的预测差项值;/>指新数据列中的白化微分方程中的参数量,所述参数量分别为发展系数与灰作用量;b指数列中的数据组数;/>指数据列中的第一项;
获取员工提交的最新一期的报销差旅清单的差项值,与生成的预测差项值进行求差值绝对值,设置差值阈值,若差值绝对值大于差值阈值,判断出现异常值。
5.一种基于关联分析算法的差旅数据分析系统,其特征在于:该系统包括:企业内部系统模块、差旅数据分析模块、平台链接模块、双重审批模块以及审计模块;
所述企业内部系统模块内部包含有企业人事员工数据,用于企业员工登录后提交差旅申请,上传到达时间与地点,企业内部系统模块基于企业人事员工端口输出员工个人数据、到达时间与地点至差旅数据分析模块;所述差旅数据分析模块用于构建差旅数据分析模型,在差旅数据分析模型下,形成员工差旅的最佳的差旅出行方式;所述平台链接模块用于调用关联分析算法,形成最佳的差旅出行方式下的频繁项集,同时连接频繁项集下的各平台端口,生成差旅清单反馈至差旅数据分析模块;所述双重审批模块用于接收差旅数据分析模块传输的差旅清单,通过智能财务端口与管理员审批端口双重审批差旅清单,智能财务端口构建智能审批模型,基于员工个人历史数据和差旅清单,判断是否出现异常值,若出现异常值反馈至管理员审批端口,人工审核后再传输至智能财务端口处理;所述审计模块用于获取单条差旅过程中的费用明细,形成数据组,存储至企业内部系统的审计数据中;
所述企业内部系统模块的输出端与所述差旅数据分析模块的输入端相连接;所述差旅数据分析模块的输出端与所述平台链接模块、双重审批模块的输入端相连接;所述双重审批模块的输出端与所述审计模块的输入端相连接;所述审计模块的输出端与所述企业内部系统模块的输入端相连接。
6.根据权利要求5所述的一种基于关联分析算法的差旅数据分析系统,其特征在于:所述企业内部系统模块包括企业人事员工单元和出行单元;
所述企业人事员工单元内部包含有企业人事员工数据;所述出行单元用于企业员工登录后提交差旅申请,从企业人事员工单元中调出企业人事员工数据,同时上传到达时间与地点,通过企业人事员工端口输出员工个人数据、到达时间与地点至差旅数据分析模块;
所述企业人事员工单元的输出端与所述出行单元的输入端相连接。
7.根据权利要求5所述的一种基于关联分析算法的差旅数据分析系统,其特征在于:所述差旅数据分析模块包括模型单元与分析单元;
所述模型单元用于构建差旅数据分析模型;所述分析单元用于在差旅数据分析模型下,形成员工差旅的最佳的差旅出行方式;
所述模型单元的输出端与所述分析单元的输入端相连接。
8.根据权利要求5所述的一种基于关联分析算法的差旅数据分析系统,其特征在于:所述平台链接模块包括项集处理单元与反馈单元;
所述项集处理单元用于调用关联分析算法,形成最佳的差旅出行方式下的频繁项集;所述反馈单元用于同时连接频繁项集下的各平台端口,生成差旅清单反馈至差旅数据分析模块;
所述项集处理单元的输出端与所述反馈单元的输入端相连接。
9.根据权利要求5所述的一种基于关联分析算法的差旅数据分析系统,其特征在于:所述双重审批模块包括智能财务单元与管理员审批单元;
所述智能财务单元用于接收差旅数据分析模块传输的差旅清单,构建智能审批模型,基于员工个人历史数据和差旅清单,判断是否出现异常值,若出现异常值反馈至管理员审批单元;所述管理员审批单元内置有管理员审批端口,用于人工审核后再传输至智能财务端口处理;
所述智能财务单元的输出端与所述管理员审批单元的输入端相连接。
10.根据权利要求5所述的一种基于关联分析算法的差旅数据分析系统,其特征在于:所述审计模块包括审计单元与存储单元;
所述审计单元用于获取单条差旅过程中的费用明细,形成数据组;所述存储单元用于将数据组存储至企业内部系统的审计数据中;
所述审计单元的输出端与所述存储单元的输入端相连接。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202410126083.2A CN117689348B (zh) | 2024-01-30 | 2024-01-30 | 一种基于关联分析算法的差旅数据分析系统及方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202410126083.2A CN117689348B (zh) | 2024-01-30 | 2024-01-30 | 一种基于关联分析算法的差旅数据分析系统及方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN117689348A true CN117689348A (zh) | 2024-03-12 |
CN117689348B CN117689348B (zh) | 2024-04-30 |
Family
ID=90135569
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202410126083.2A Active CN117689348B (zh) | 2024-01-30 | 2024-01-30 | 一种基于关联分析算法的差旅数据分析系统及方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117689348B (zh) |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113643001A (zh) * | 2021-08-25 | 2021-11-12 | 杭州每刻科技有限公司 | 一种事中管控的差旅报销方法和系统 |
CN114693906A (zh) * | 2020-12-29 | 2022-07-01 | 中国科学院计算机网络信息中心 | 基于时空规则的差旅报销异常行为检测方法和系统 |
CN114970915A (zh) * | 2022-06-02 | 2022-08-30 | 深圳市天泰网络技术有限公司 | 一种具有差旅服务功能的航空票务系统 |
CN116071173A (zh) * | 2022-11-08 | 2023-05-05 | 中南财经政法大学 | 差旅数据的智能处理系统及方法 |
CN116611947A (zh) * | 2023-07-21 | 2023-08-18 | 微山同在电子信息科技有限公司 | 基于大数据分析的财政管理审计系统 |
-
2024
- 2024-01-30 CN CN202410126083.2A patent/CN117689348B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114693906A (zh) * | 2020-12-29 | 2022-07-01 | 中国科学院计算机网络信息中心 | 基于时空规则的差旅报销异常行为检测方法和系统 |
CN113643001A (zh) * | 2021-08-25 | 2021-11-12 | 杭州每刻科技有限公司 | 一种事中管控的差旅报销方法和系统 |
CN114970915A (zh) * | 2022-06-02 | 2022-08-30 | 深圳市天泰网络技术有限公司 | 一种具有差旅服务功能的航空票务系统 |
CN116071173A (zh) * | 2022-11-08 | 2023-05-05 | 中南财经政法大学 | 差旅数据的智能处理系统及方法 |
CN116611947A (zh) * | 2023-07-21 | 2023-08-18 | 微山同在电子信息科技有限公司 | 基于大数据分析的财政管理审计系统 |
Also Published As
Publication number | Publication date |
---|---|
CN117689348B (zh) | 2024-04-30 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Tang et al. | Optimization of detection networks. I. Tandem structures | |
US20170039500A1 (en) | Supply chain intelligence search engine | |
AU2019203798A1 (en) | Methods and systems for managing supply chain processes and intelligence | |
CN106779457A (zh) | 一种企业信用评估方法及系统 | |
CN109993661A (zh) | 一种保险理赔数据分析方法和系统 | |
CN108734567A (zh) | 一种基于大数据人工智能风控的资产管理系统及其评估方法 | |
CN112860769A (zh) | 一种能源规划数据管理系统 | |
Romero et al. | An approach for efficient ship routing | |
CN102496126B (zh) | 一种托管资产交易数据监控设备 | |
US20240037485A1 (en) | Big data modeling and analyzing method and system for shipping user | |
CN117252632A (zh) | 一种基于计算机的商品价格分析系统及方法 | |
Güner | Incorporating value judgments into port efficiency measurement models: Insights from Turkish ports | |
CN117689348B (zh) | 一种基于关联分析算法的差旅数据分析系统及方法 | |
Feng et al. | Distributionally robust location–allocation models of distribution centers for fresh products with uncertain demands | |
CN113283806A (zh) | 企业信息评估方法、装置、计算机设备及存储介质 | |
CN116703148B (zh) | 基于云计算的矿山企业风险画像方法 | |
Vukić et al. | Modelling the optimal delivery of spare parts to vessels: Comparison of three different scenarios | |
Huang | Construction of rural governance digital driven by artificial intelligence and big Data | |
Zeng | Neural network technology-based optimization framework of financial and management accounting model | |
CN110633996A (zh) | 一种企业信用评价数据可信性度量方法 | |
CN109657852A (zh) | 一种基于大数据的保险业务处理方法及系统 | |
CN111724089A (zh) | 一种订单收派分配方法、系统、终端及存储介质 | |
CN115099707A (zh) | 订单评价数据评估系统、方法、电子设备及存储介质 | |
Fragoso et al. | Multi‐criteria supply chain network design using interactive decision maps | |
Barr et al. | Microdata file merging through large-scale network technology |
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 |