CN118037046A - 基于历史记录的资产数据处理方法及系统 - Google Patents
基于历史记录的资产数据处理方法及系统 Download PDFInfo
- Publication number
- CN118037046A CN118037046A CN202410191227.2A CN202410191227A CN118037046A CN 118037046 A CN118037046 A CN 118037046A CN 202410191227 A CN202410191227 A CN 202410191227A CN 118037046 A CN118037046 A CN 118037046A
- Authority
- CN
- China
- Prior art keywords
- history
- risk
- record
- asset
- target physical
- 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
- 238000003672 processing method Methods 0.000 title claims abstract description 20
- 230000006698 induction Effects 0.000 claims abstract description 57
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 26
- 238000000034 method Methods 0.000 claims abstract description 15
- 238000013528 artificial neural network Methods 0.000 claims abstract description 12
- 238000012545 processing Methods 0.000 claims description 21
- 238000012549 training Methods 0.000 claims description 15
- 238000003062 neural network model Methods 0.000 claims description 12
- 238000004364 calculation method Methods 0.000 claims description 9
- 238000012502 risk assessment Methods 0.000 abstract description 3
- 238000011156 evaluation Methods 0.000 description 12
- 238000007726 management method Methods 0.000 description 11
- 238000010586 diagram Methods 0.000 description 5
- 230000000694 effects Effects 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000013527 convolutional neural network Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000007637 random forest analysis Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
Landscapes
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种基于历史记录的资产数据处理方法及系统，该方法包括：获取目标实物资产的在历史时间段的历史系统登记使用记录和历史标签感应记录；根据所述历史系统登记使用记录，基于神经网络算法模型，计算所述目标实物资产对应的第一风险参数；根据所述历史标签感应记录，基于数据相似度算法，计算所述目标实物资产对应的第二风险参数；根据所述第一风险参数和所述第二风险参数，确定所述目标实物资产对应的风险情况；所述风险情况进一步用于参考修正所述目标实物资产的资产价值。可见，本发明能够实现对实物资产的更加精确的风险评估，为后续资产管理和价值评估提供数据基础。
Description
技术领域
本发明涉及资产数据处理技术领域，尤其涉及一种基于历史记录的资产数据处理方法及系统。
背景技术
对于实物资产的管理，现有的做法大部分均通过人工盘点的方式来实现，极少数较为先进的管理方式中，会在实物资产中设置特定的位置追踪标签来提高管理效果。但现有技术在处理资产的数据时，没有充分考虑到历史登记记录和标签感应记录对于资产的风险的反映。可见，现有技术存在缺陷，亟需解决。
发明内容
本发明所要解决的技术问题在于，提供一种基于历史记录的资产数据处理方法及系统，能够实现对实物资产的更加精确的风险评估，为后续资产管理和价值评估提供数据基础。
为了解决上述技术问题，本发明第一方面公开了一种基于历史记录的资产数据处理方法，所述方法包括：
获取目标实物资产的在历史时间段的历史系统登记使用记录和历史标签感应记录；
根据所述历史系统登记使用记录，基于神经网络算法模型，计算所述目标实物资产对应的第一风险参数；
根据所述历史标签感应记录，基于数据相似度算法，计算所述目标实物资产对应的第二风险参数；
根据所述第一风险参数和所述第二风险参数，确定所述目标实物资产对应的风险情况；所述风险情况进一步用于参考修正所述目标实物资产的资产价值。
作为一种可选的实施方式，在本发明第一方面中，所述历史系统登记使用记录包括多个登记记录；所述登记记录包括登记人、登记使用用途、登记时间、登记对象设备、登记网络地址和登记位置。
作为一种可选的实施方式，在本发明第一方面中，所述根据所述历史系统登记使用记录，基于神经网络算法模型，计算所述目标实物资产对应的第一风险参数，包括：
将所述历史系统登记使用记录输入至训练好的风险预测神经网络模型，以得到所述目标实物资产的第一风险参数；所述风险预测神经网络模型通过包括有多个训练登记记录和对应的挪用风险标注的训练数据集训练得到。
作为一种可选的实施方式，在本发明第一方面中，所述历史标签感应记录包括多个RFID标签记录；所述RFID标签记录包括RFID标签信息、位置信息、感应时间和感应设备信息。
作为一种可选的实施方式，在本发明第一方面中，所述根据所述历史标签感应记录，基于数据相似度算法，计算所述目标实物资产对应的第二风险参数，包括：
根据所述历史标签感应记录中的所有所述位置信息和所述感应时间，计算所述历史标签感应记录对应的离散程度参数；
计算所述历史标签感应记录中的所有所述RFID标签信息和感应设备信息和所述目标实物资产对应的标准RFID信息之间的相似度参数；
计算所述离散程度参数和所述相似度参数的乘积，得到所述目标实物资产对应的第二风险参数。
作为一种可选的实施方式，在本发明第一方面中，所述根据所述历史标签感应记录中的所有所述位置信息和所述感应时间，计算所述历史标签感应记录对应的离散程度参数，包括：
计算所述历史标签感应记录中的所有所述位置信息对应的几何中心点；
计算每一所述位置信息与所述几何中心点之间的位置差值；
计算每一所述位置信息的位置差值与时间权重之间的乘积值；所述时间权重与所述位置信息对应的所述感应时间和当前时间点的时间差值成反比；
计算所有所述位置信息的所述乘积值的标准差值，得到所述历史标签感应记录对应的离散程度参数。
作为一种可选的实施方式，在本发明第一方面中，所述根据所述第一风险参数和所述第二风险参数，确定所述目标实物资产对应的风险情况，包括：
计算所述第一风险参数和所述第二风险参数的加权求和平均值，得到风险参数；
判断所述风险参数是否大于预设的参数阈值；
若是，确定所述目标实物资产对应的风险情况为存在盗换风险；
若否，确定所述目标实物资产对应的风险情况为无风险。
本发明第二方面公开了一种基于历史记录的资产数据处理系统，所述系统包括：
获取模块，用于获取目标实物资产的在历史时间段的历史系统登记使用记录和历史标签感应记录；
第一计算模块，用于根据所述历史系统登记使用记录，基于神经网络算法模型，计算所述目标实物资产对应的第一风险参数；
第二计算模块，用于根据所述历史标签感应记录，基于数据相似度算法，计算所述目标实物资产对应的第二风险参数；
确定模块，用于根据所述第一风险参数和所述第二风险参数，确定所述目标实物资产对应的风险情况；所述风险情况进一步用于参考修正所述目标实物资产的资产价值。
作为一种可选的实施方式，在本发明第二方面中，所述历史系统登记使用记录包括多个登记记录；所述登记记录包括登记人、登记使用用途、登记时间、登记对象设备、登记网络地址和登记位置。
作为一种可选的实施方式，在本发明第二方面中，所述第一计算模块根据所述历史系统登记使用记录，基于神经网络算法模型，计算所述目标实物资产对应的第一风险参数的具体方式，包括：
将所述历史系统登记使用记录输入至训练好的风险预测神经网络模型，以得到所述目标实物资产的第一风险参数；所述风险预测神经网络模型通过包括有多个训练登记记录和对应的挪用风险标注的训练数据集训练得到。
作为一种可选的实施方式，在本发明第二方面中，所述历史标签感应记录包括多个RFID标签记录；所述RFID标签记录包括RFID标签信息、位置信息、感应时间和感应设备信息。
作为一种可选的实施方式，在本发明第二方面中，所述第二计算模块根据所述历史标签感应记录，基于数据相似度算法，计算所述目标实物资产对应的第二风险参数的具体方式，包括：
根据所述历史标签感应记录中的所有所述位置信息和所述感应时间，计算所述历史标签感应记录对应的离散程度参数；
计算所述历史标签感应记录中的所有所述RFID标签信息和感应设备信息和所述目标实物资产对应的标准RFID信息之间的相似度参数；
计算所述离散程度参数和所述相似度参数的乘积，得到所述目标实物资产对应的第二风险参数。
作为一种可选的实施方式，在本发明第二方面中，所述第二计算模块根据所述历史标签感应记录中的所有所述位置信息和所述感应时间，计算所述历史标签感应记录对应的离散程度参数的具体方式，包括：
计算所述历史标签感应记录中的所有所述位置信息对应的几何中心点；
计算每一所述位置信息与所述几何中心点之间的位置差值；
计算每一所述位置信息的位置差值与时间权重之间的乘积值；所述时间权重与所述位置信息对应的所述感应时间和当前时间点的时间差值成反比；
计算所有所述位置信息的所述乘积值的标准差值，得到所述历史标签感应记录对应的离散程度参数。
作为一种可选的实施方式，在本发明第二方面中，所述确定模块根据所述第一风险参数和所述第二风险参数，确定所述目标实物资产对应的风险情况的具体方式，包括：
计算所述第一风险参数和所述第二风险参数的加权求和平均值，得到风险参数；
判断所述风险参数是否大于预设的参数阈值；
若是，确定所述目标实物资产对应的风险情况为存在盗换风险；
若否，确定所述目标实物资产对应的风险情况为无风险。
本发明第三方面公开了另一种基于历史记录的资产数据处理系统，所述系统包括：
存储有可执行程序代码的存储器；
与所述存储器耦合的处理器；
所述处理器调用所述存储器中存储的所述可执行程序代码，执行本发明第一方面公开的基于历史记录的资产数据处理方法中的部分或全部步骤。
本发明第四方面公开了一种计算机存储介质，所述计算机存储介质存储有计算机指令，所述计算机指令被调用时，用于执行本发明第一方面公开的基于历史记录的资产数据处理方法中的部分或全部步骤。
与现有技术相比，本发明具有以下有益效果：
本发明能够基于实物资产的历史登记记录和历史标签感应记录，来充分对实物资产的风险进行评估，从而能够实现对实物资产的更加精确的风险评估，为后续资产管理和价值评估提供数据基础。
附图说明
为了更清楚地说明本发明实施例中的技术方案，下面将对实施例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。
图1是本发明实施例公开的一种基于历史记录的资产数据处理方法的流程示意图；
图2是本发明实施例公开的一种基于历史记录的资产数据处理系统的结构示意图；
图3是本发明实施例公开的另一种基于历史记录的资产数据处理系统的结构示意图。
具体实施方式
为了使本技术领域的人员更好地理解本发明方案，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作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。
本发明的说明书和权利要求书及上述附图中的术语“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。此外，术语“包括”和“具有”以及它们任何变形，意图在于覆盖不排他的包含。例如包含了一系列步骤或单元的过程、方法、系统、产品或端没有限定于已列出的步骤或单元，而是可选地还包括没有列出的步骤或单元，或可选地还包括对于这些过程、方法、产品或端固有的其他步骤或单元。
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发明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。
本发明公开了一种基于历史记录的资产数据处理方法及系统，能够基于实物资产的历史登记记录和历史标签感应记录，来充分对实物资产的风险进行评估，从而能够实现对实物资产的更加精确的风险评估，为后续资产管理和价值评估提供数据基础。以下分别进行详细说明。
实施例一
请参阅图1，图1是本发明实施例公开的一种基于历史记录的资产数据处理方法的流程示意图。其中，图1所描述的方法可以应用于相应的数据处理设备、数据处理终端、数据处理服务器中，且该服务器可以是本地服务器，也可以是云服务器，本发明实施例不做限定如图1所示，该基于历史记录的资产数据处理方法可以包括以下操作：
101、获取目标实物资产的在历史时间段的历史系统登记使用记录和历史标签感应记录。
可选的，历史系统登记使用记录包括多个登记记录。
可选的，登记记录包括登记人、登记使用用途、登记时间、登记对象设备、登记网络地址和登记位置。
可选的，历史标签感应记录包括多个RFID标签记录。
可选的，RFID标签记录包括RFID标签信息、位置信息、感应时间和感应设备信息。
具体的，感应设备信息为对实物资产上的RFID标签进行感应的设备的相关信息，可以包括设备类型、设备标识或设备数据处理能力参数等信息。
102、根据历史系统登记使用记录，基于神经网络算法模型，计算目标实物资产对应的第一风险参数。
103、根据历史标签感应记录，基于数据相似度算法，计算目标实物资产对应的第二风险参数。
104、根据第一风险参数和第二风险参数，确定目标实物资产对应的风险情况。
可选的，风险情况进一步用于参考修正目标实物资产的资产价值。
可见，实施本发明实施例所描述的方法能够基于实物资产的历史登记记录和历史标签感应记录，来充分对实物资产的风险进行评估，从而能够实现对实物资产的更加精确的风险评估，为后续资产管理和价值评估提供数据基础。
作为一种可选的实施例，上述步骤中的，根据历史系统登记使用记录，基于神经网络算法模型，计算目标实物资产对应的第一风险参数，包括：
将历史系统登记使用记录输入至训练好的风险预测神经网络模型，以得到目标实物资产的第一风险参数；风险预测神经网络模型通过包括有多个训练登记记录和对应的挪用风险标注的训练数据集训练得到。
可选的，本发明中的神经网络模型或预测模型，均可以为CNN结构、RNN结构或随机森林结构的算法模型，并通过相应的梯度下降算法和损失函数进行训练直至收敛，本发明不做限定。
通过上述实施例，能够通过风险预测神经网络模型来预测历史系统登记使用记录对应的风险参数，以便充分对实物资产的登记记录的风险进行评估，从而能够实现对实物资产的更加精确的风险评估，为后续资产管理和价值评估提供数据基础。
作为一种可选的实施例，上述步骤中的，根据历史标签感应记录，基于数据相似度算法，计算目标实物资产对应的第二风险参数，包括：
根据历史标签感应记录中的所有位置信息和感应时间，计算历史标签感应记录对应的离散程度参数；
计算历史标签感应记录中的所有RFID标签信息和感应设备信息和目标实物资产对应的标准RFID信息之间的相似度参数；
计算离散程度参数和相似度参数的乘积，得到目标实物资产对应的第二风险参数。
通过上述实施例，能够通过离散程度参数和相似度的计算，来确定历史标签感应记录对应的风险参数，以便充分对实物资产的标签感应记录的风险进行评估，从而能够实现对实物资产的更加精确的风险评估，为后续资产管理和价值评估提供数据基础。
作为一种可选的实施例，上述步骤中的，根据历史标签感应记录中的所有位置信息和感应时间，计算历史标签感应记录对应的离散程度参数，包括：
计算历史标签感应记录中的所有位置信息对应的几何中心点；
计算每一位置信息与几何中心点之间的位置差值；
计算每一位置信息的位置差值与时间权重之间的乘积值；时间权重与位置信息对应的感应时间和当前时间点的时间差值成反比；
计算所有位置信息的乘积值的标准差值，得到历史标签感应记录对应的离散程度参数。
通过上述实施例，能够通过位置差值和时间差值的相关权重计算，来确定历史标签感应记录对应的离散程度参数，便于后续精确分析对应的风险参数，以充分对实物资产的标签感应记录的风险进行评估，从而能够实现对实物资产的更加精确的风险评估，为后续资产管理和价值评估提供数据基础。
作为一种可选的实施例，上述步骤中的，根据第一风险参数和第二风险参数，确定目标实物资产对应的风险情况，包括：
计算第一风险参数和第二风险参数的加权求和平均值，得到风险参数；
判断风险参数是否大于预设的参数阈值；
若是，确定目标实物资产对应的风险情况为存在盗换风险；
若否，确定目标实物资产对应的风险情况为无风险。
通过上述实施例，能够通过加权求和计算和对应的判断规则来根据第一风险参数和第二风险参数确定目标实物资产对应的风险情况，能够实现对实物资产的更加精确的风险评估，为后续资产管理和价值评估提供数据基础。
实施例二
请参阅图2，图2是本发明实施例公开的一种基于历史记录的资产数据处理系统的结构示意图。其中，图2所描述的系统可以应用于相应的数据处理设备、数据处理终端、数据处理服务器中，且该服务器可以是本地服务器，也可以是云服务器，本发明实施例不做限定。如图2所示，该系统可以包括：
获取模块201，用于获取目标实物资产的在历史时间段的历史系统登记使用记录和历史标签感应记录；
第一计算模块202，用于根据历史系统登记使用记录，基于神经网络算法模型，计算目标实物资产对应的第一风险参数；
第二计算模块203，用于根据历史标签感应记录，基于数据相似度算法，计算目标实物资产对应的第二风险参数；
确定模块204，用于根据第一风险参数和第二风险参数，确定目标实物资产对应的风险情况；风险情况进一步用于参考修正目标实物资产的资产价值。
作为一种可选的实施例，历史系统登记使用记录包括多个登记记录；登记记录包括登记人、登记使用用途、登记时间、登记对象设备、登记网络地址和登记位置。
作为一种可选的实施例，第一计算模块202根据历史系统登记使用记录，基于神经网络算法模型，计算目标实物资产对应的第一风险参数的具体方式，包括：
将历史系统登记使用记录输入至训练好的风险预测神经网络模型，以得到目标实物资产的第一风险参数；风险预测神经网络模型通过包括有多个训练登记记录和对应的挪用风险标注的训练数据集训练得到。
作为一种可选的实施例，历史标签感应记录包括多个RFID标签记录；RFID标签记录包括RFID标签信息、位置信息、感应时间和感应设备信息。
作为一种可选的实施例，第二计算模块203根据历史标签感应记录，基于数据相似度算法，计算目标实物资产对应的第二风险参数的具体方式，包括：
根据历史标签感应记录中的所有位置信息和感应时间，计算历史标签感应记录对应的离散程度参数；
计算历史标签感应记录中的所有RFID标签信息和感应设备信息和目标实物资产对应的标准RFID信息之间的相似度参数；
计算离散程度参数和相似度参数的乘积，得到目标实物资产对应的第二风险参数。
作为一种可选的实施例，第二计算模块203根据历史标签感应记录中的所有位置信息和感应时间，计算历史标签感应记录对应的离散程度参数的具体方式，包括：
计算历史标签感应记录中的所有位置信息对应的几何中心点；
计算每一位置信息与几何中心点之间的位置差值；
计算每一位置信息的位置差值与时间权重之间的乘积值；时间权重与位置信息对应的感应时间和当前时间点的时间差值成反比；
计算所有位置信息的乘积值的标准差值，得到历史标签感应记录对应的离散程度参数。
作为一种可选的实施例，确定模块204根据第一风险参数和第二风险参数，确定目标实物资产对应的风险情况的具体方式，包括：
计算第一风险参数和第二风险参数的加权求和平均值，得到风险参数；
判断风险参数是否大于预设的参数阈值；
若是，确定目标实物资产对应的风险情况为存在盗换风险；
若否，确定目标实物资产对应的风险情况为无风险。
本发明实施例中的模块细节和技术效果可以参照实施例一中的表述，在此不再赘述。
实施例三
请参阅图3，图3是本发明实施例公开的另一种基于历史记录的资产数据处理系统的结构示意图。如图3所示，该系统可以包括：
存储有可执行程序代码的存储器301；
与存储器301耦合的处理器302；
处理器302调用存储器301中存储的可执行程序代码，执行本发明实施例一公开的基于历史记录的资产数据处理方法中的部分或全部步骤。
实施例四
本发明实施例公开了一种计算机存储介质，该计算机存储介质存储有计算机指令，该计算机指令被调用时，用于执行本发明实施例一公开的基于历史记录的资产数据处理方法中的部分或全部步骤。
以上所描述的系统实施例仅是示意性的，其中所述作为分离部件说明的模块可以是或者也可以不是物理上分开的，作为模块显示的部件可以是或者也可以不是物理模块，即可以位于一个地方，或者也可以分布到多个网络模块上。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。本领域普通技术人员在不付出创造性的劳动的情况下，即可以理解并实施。
通过以上的实施例的具体描述，本领域的技术人员可以清楚地了解到各实施方式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。基于这样的理解，上述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，该计算机软件产品可以存储在计算机可读存储介质中,存储介质包括只读存储器(Read-Only Memory，ROM)、随机存储器(Random Access Memory，RAM)、可编程只读存储器(Programmable Read-only Memory，PROM)、可擦除可编程只读存储器(ErasableProgrammable Read Only Memory，EPROM)、一次可编程只读存储器(One-timeProgrammable Read-Only Memory，OTPROM)、电子抹除式可复写只读存储器(Electrically-Erasable Programmable Read-Only Memory，EEPROM)、只读光盘(CompactDisc Read-Only Memory，CD-ROM)或其他光盘存储器、磁盘存储器、磁带存储器、或者能够用于携带或存储数据的计算机可读的任何其他介质。
最后应说明的是：本发明实施例公开的一种基于历史记录的资产数据处理方法及系统所揭露的仅为本发明较佳实施例而已，仅用于说明本发明的技术方案，而非对其限制；尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解；其依然可以对前述各项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；而这些修改或替换，并不使相应的技术方案的本质脱离本发明各项实施例技术方案的精神和范围。
Claims (10)
1.一种基于历史记录的资产数据处理方法，其特征在于，所述方法包括：
获取目标实物资产的在历史时间段的历史系统登记使用记录和历史标签感应记录；
根据所述历史系统登记使用记录，基于神经网络算法模型，计算所述目标实物资产对应的第一风险参数；
根据所述历史标签感应记录，基于数据相似度算法，计算所述目标实物资产对应的第二风险参数；
根据所述第一风险参数和所述第二风险参数，确定所述目标实物资产对应的风险情况；所述风险情况进一步用于参考修正所述目标实物资产的资产价值。
2.根据权利要求1所述的基于历史记录的资产数据处理方法，其特征在于，所述历史系统登记使用记录包括多个登记记录；所述登记记录包括登记人、登记使用用途、登记时间、登记对象设备、登记网络地址和登记位置。
3.根据权利要求2所述的基于历史记录的资产数据处理方法，其特征在于，所述根据所述历史系统登记使用记录，基于神经网络算法模型，计算所述目标实物资产对应的第一风险参数，包括：
将所述历史系统登记使用记录输入至训练好的风险预测神经网络模型，以得到所述目标实物资产的第一风险参数；所述风险预测神经网络模型通过包括有多个训练登记记录和对应的挪用风险标注的训练数据集训练得到。
4.根据权利要求1所述的基于历史记录的资产数据处理方法，其特征在于，所述历史标签感应记录包括多个RFID标签记录；所述RFID标签记录包括RFID标签信息、位置信息、感应时间和感应设备信息。
5.根据权利要求4所述的基于历史记录的资产数据处理方法，其特征在于，所述根据所述历史标签感应记录，基于数据相似度算法，计算所述目标实物资产对应的第二风险参数，包括：
根据所述历史标签感应记录中的所有所述位置信息和所述感应时间，计算所述历史标签感应记录对应的离散程度参数；
计算所述历史标签感应记录中的所有所述RFID标签信息和感应设备信息和所述目标实物资产对应的标准RFID信息之间的相似度参数；
计算所述离散程度参数和所述相似度参数的乘积，得到所述目标实物资产对应的第二风险参数。
6.根据权利要求5所述的基于历史记录的资产数据处理方法，其特征在于，所述根据所述历史标签感应记录中的所有所述位置信息和所述感应时间，计算所述历史标签感应记录对应的离散程度参数，包括：
计算所述历史标签感应记录中的所有所述位置信息对应的几何中心点；
计算每一所述位置信息与所述几何中心点之间的位置差值；
计算每一所述位置信息的位置差值与时间权重之间的乘积值；所述时间权重与所述位置信息对应的所述感应时间和当前时间点的时间差值成反比；
计算所有所述位置信息的所述乘积值的标准差值，得到所述历史标签感应记录对应的离散程度参数。
7.根据权利要求1所述的基于历史记录的资产数据处理方法，其特征在于，所述根据所述第一风险参数和所述第二风险参数，确定所述目标实物资产对应的风险情况，包括：
计算所述第一风险参数和所述第二风险参数的加权求和平均值，得到风险参数；
判断所述风险参数是否大于预设的参数阈值；
若是，确定所述目标实物资产对应的风险情况为存在盗换风险；
若否，确定所述目标实物资产对应的风险情况为无风险。
8.一种基于历史记录的资产数据处理系统，其特征在于，所述系统包括：
获取模块，用于获取目标实物资产的在历史时间段的历史系统登记使用记录和历史标签感应记录；
第一计算模块，用于根据所述历史系统登记使用记录，基于神经网络算法模型，计算所述目标实物资产对应的第一风险参数；
第二计算模块，用于根据所述历史标签感应记录，基于数据相似度算法，计算所述目标实物资产对应的第二风险参数；
确定模块，用于根据所述第一风险参数和所述第二风险参数，确定所述目标实物资产对应的风险情况；所述风险情况进一步用于参考修正所述目标实物资产的资产价值。
9.一种基于历史记录的资产数据处理系统，其特征在于，所述系统包括：
存储有可执行程序代码的存储器；
与所述存储器耦合的处理器；
所述处理器调用所述存储器中存储的所述可执行程序代码，执行如权利要求1-7任一项所述的基于历史记录的资产数据处理方法。
10.一种计算机存储介质，其特征在于，所述计算机存储介质存储有计算机指令，所述计算机指令被调用时，用于执行如权利要求1-7任一项所述的基于历史记录的资产数据处理方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202410191227.2A CN118037046A (zh) | 2024-02-21 | 2024-02-21 | 基于历史记录的资产数据处理方法及系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202410191227.2A CN118037046A (zh) | 2024-02-21 | 2024-02-21 | 基于历史记录的资产数据处理方法及系统 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN118037046A true CN118037046A (zh) | 2024-05-14 |
Family
ID=90988937
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202410191227.2A Pending CN118037046A (zh) | 2024-02-21 | 2024-02-21 | 基于历史记录的资产数据处理方法及系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN118037046A (zh) |
-
2024
- 2024-02-21 CN CN202410191227.2A patent/CN118037046A/zh active Pending
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN108985359B (zh) | 一种商品识别方法、无人售货机及计算机可读存储介质 | |
| CN109003390B (zh) | 一种商品识别方法、无人售货机及计算机可读存储介质 | |
| CN109784391A (zh) | 基于多模型的样本标注方法及装置 | |
| CN116910707B (zh) | 基于设备历史记录的模型版权管理方法及系统 | |
| CN112215546B (zh) | 一种对象页面生成方法、装置、设备及存储介质 | |
| CN111062573A (zh) | 员工绩效数据确定方法、装置、介质和计算机设备 | |
| CN112950344A (zh) | 数据评估方法、装置、电子设备及存储介质 | |
| CN116894653B (zh) | 一种基于多预测模型联动的人事管理数据处理方法及系统 | |
| CN114092515B (zh) | 用于障碍遮挡的目标跟踪检测方法、装置、设备及介质 | |
| CN115130894A (zh) | 基于人工智能的生产规划方法、装置、计算机设备及介质 | |
| CN116245492B (zh) | 一种用于跟踪工程进度的数据处理方法及装置 | |
| CN113554483A (zh) | 一种订单全生命周期管理方法及系统 | |
| CN113807794A (zh) | 仓库物品监测方法、装置、系统及终端设备 | |
| CN118037046A (zh) | 基于历史记录的资产数据处理方法及系统 | |
| CN112685589A (zh) | 基于人工智能的翡翠分级估值评估方法、系统及应用 | |
| CN113111729B (zh) | 人员识别模型的训练方法、识别方法、系统、装置及介质 | |
| CN106157045A (zh) | 基于物流数据识别虚假交易的方法、装置及服务器 | |
| CN110782135B (zh) | 餐具的流通控制方法及装置 | |
| CN113887640A (zh) | 物联网卡时序异常检测方法及装置 | |
| CN113269483A (zh) | 智能金库系统的管理方法、装置、介质及电子设备 | |
| CN112328769A (zh) | 自动客服的应答方法、装置和计算机可读存储介质 | |
| CN117392471B (zh) | 基于多参数协同的3d打印监测方法及系统 | |
| CN117632905B (zh) | 基于云端使用记录的数据库管理方法及系统 | |
| CN117523638B (zh) | 基于优先级筛选的人脸识别方法及系统 | |
| CN111815867B (zh) | 储物柜的结算处理方法、装置及存储介质 |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination |