CN118277805A - 一种异常程度确认系统 - Google Patents
一种异常程度确认系统 Download PDFInfo
- Publication number
- CN118277805A CN118277805A CN202410703116.5A CN202410703116A CN118277805A CN 118277805 A CN118277805 A CN 118277805A CN 202410703116 A CN202410703116 A CN 202410703116A CN 118277805 A CN118277805 A CN 118277805A
- Authority
- CN
- China
- Prior art keywords
- target
- platform
- degree
- refers
- unit
- 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
- 230000002159 abnormal effect Effects 0.000 title claims abstract description 127
- 238000012790 confirmation Methods 0.000 claims abstract description 13
- 230000005856 abnormality Effects 0.000 claims description 52
- 238000004590 computer program Methods 0.000 claims description 15
- 230000006870 function Effects 0.000 claims description 7
- 230000000737 periodic effect Effects 0.000 claims description 4
- 238000011156 evaluation Methods 0.000 abstract description 13
- 238000012545 processing Methods 0.000 abstract description 2
- 238000000034 method Methods 0.000 description 17
- 201000010099 disease Diseases 0.000 description 4
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 description 4
- 238000013473 artificial intelligence Methods 0.000 description 3
- 238000012216 screening Methods 0.000 description 3
- 230000000399 orthopedic effect Effects 0.000 description 2
- 238000001356 surgical procedure Methods 0.000 description 2
- 238000012549 training Methods 0.000 description 2
- 201000001320 Atherosclerosis Diseases 0.000 description 1
- 208000024172 Cardiovascular disease Diseases 0.000 description 1
- 206010020772 Hypertension Diseases 0.000 description 1
- 206010003230 arteritis Diseases 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 208000026106 cerebrovascular disease Diseases 0.000 description 1
- 239000003814 drug Substances 0.000 description 1
- 230000002526 effect on cardiovascular system Effects 0.000 description 1
- 230000001631 hypertensive effect Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 208000023504 respiratory system disease Diseases 0.000 description 1
Landscapes
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明涉及数据处理领域,尤其涉及一种异常程度确认系统,其根据目标单元数据列表获取到第一差异程度列表和第一异常用户数量波动程度集合,结合专项平台数据列表获取到第二差异程度列表,根据目标数据列表获取到目标数据波动程度集合,结合预设的优先级集合获取到异常程度集合和目标平台的目标异常程度,通过衡量目标平台中目标单元与相似平台中对应单元的异常用户数量占比上的第一差异程度、目标单元与对应的专项平台在异常用户数量占比上的第二差异程度、目标单元的异常用户数量的整体波动情况和目标单元的目标数据的整体波动情况,获取到目标平台的异常程度,提高了目标平台的异常程度的评估准确性。
Description
技术领域
本发明涉及数据处理领域,特别是涉及一种异常程度确认系统。
背景技术
现有技术中可以基于人工智能算法对平台数据的异常程度进行评估,进而衡量平台的安全性。例如,可以基于人工智能算法对医院提供的患者数据、报销费用等数据进行评估,对医院内存在的医保欺诈事件进行分析判断,对于衡量平台内医保基金的安全性具有重要的意义。
但是人工智能算法依赖于模型的训练准确性,而模型的训练准确性依赖于大量的数据样本,成本极高,且模型需要根据平台获取的实时数据不断进行更新维护,导致一般的模型难以对多变的数据进行准确分析,使得对平台的异常程度的评估准确性较差。
因此,如何提高对平台的异常程度的评估准确性成为亟待解决的问题。
发明内容
针对上述技术问题,本发明采用的技术方案为一种异常程度确认系统,所述异常程度确认系统包括处理器和存储有计算机程序的存储器,存储器中还存储有目标单元数据列表A={A0,A1,A2,……,Ax,……,Ay}、专项平台数据列表B={B1,B2,……,Bi,……,Bm}、目标数据列表F={F1,F2,……,Fi,……,Fm},其中,A0={A0 1,A0 2,……,A0 i,……,A0 m},A0 i={A0 i1,A0 i2,……,A0 ij,……,A0 in},A0 ij是指目标平台中第i个目标单元在第j个预设时间段的异常用户数量占比,Ax={Ax 1,Ax 2,……,Ax i,……,Ax m},Ax i={Ax i1,Ax i2,……,Ax ij,……,Ax in},Ax ij是指目标平台对应的第x个相似平台中第i个目标单元在第j个预设时间段的异常用户数量占比,Bi={Bi 1,Bi 2,……,Bi u,……,Bi v(i)},Bi u={Bi u1,Bi u2,……,Bi uj,……,Bi un},Bi uj是指第i个目标单元对应的第u个专项平台在第j个预设时间段的异常用户数量,Fi={Fi 1,Fi 2,……,Fi t,……,Fi z(i)},Fi t={Fi t1,Fi t2,……,Fi tj,……,Fi tn},Fi uj是指第i个目标单元对应的第t类异常状态在第j个预设时间段的目标数据,x=1,2,……,y,y是指目标平台对应的相似平台的总数量,i=1,2,……,m,m是指目标平台中目标单元的总数量,j=1,2,……,n,n是指预设时间段的总数量,u=1,2,……,v(i),v(i)是指第i个目标单元对应的专项平台的总数量,t=1,2,……,z(i),z(i)是指第i个目标单元对应的异常状态类别的总数量,当计算机程序被处理器执行时,实现以下步骤:
S1,根据A,获取到第一差异程度列表C={C1,C2,……,Ci,……,Cm},其中,Ci={Ci 1,Ci 2,……,Ci x,……,Ci y},目标平台中第i个目标单元与第x个相似平台中第i个目标单元之间的第一差异程度Ci x=Σj=1 n(e-γj×((A0 ij-A0 i(j-1))-(Ax ij-Ax i(j-1)))),A0 i0=Ax i0=0,γ是指预设的指数函数系数。
S2,根据A和B,获取到第二差异程度列表D={D1,D2,……,Di,……,Dm},其中,Di={Di 1,Di 2,……,Di u,……,Di v(i)},目标平台中第i个目标单元与对应的第u个专项平台之间的第二差异程度Di u=Σj=1 n(e-γj×((A0 ij-A0 i(j-1))-(Bi uj-Bi u(j-1))/max(Bi u))),Bi u0=0,max()是指取最大值函数。
S3,根据A,获取到第一异常用户数量波动程度集合E={E1,E2,……,Ei,……,Em},其中,目标平台中第i个目标单元对应的第一异常用户数量波动程度Ei=(Σj=1 n(A0 ij-μi1)2)/n,μi1=(Σj=1 nA0 ij)/n。
S4,根据F,获取到目标数据波动程度集合G={G1,G2,……,Gi,……,Gm},其中,目标平台中第i个目标单元对应的目标数据波动程度Gi=(Σj=1 n(Fi tj-μi2)2)/n,μi2=(Σj=1 nFi tj)/n。
S5,根据C、D、E、G和预设的优先级集合α={α1,α2,α3,α4},获取到异常程度集合H={H1,H2,……,Hi,……,Hm},其中,α1是指预设的第一优先级,α2是指预设的第二优先级,α3是指预设的第三优先级,α4是指预设的第四优先级,目标平台中第i个目标单元对应的目标数据波动程度Hi=α1×Σx=1 yCi x+α2×Σu=1 v(i)Di u+α3×Ei+α4×Gi。
S6,根据H,获取到目标平台的目标异常程度P,其中,P=Σi=1 m(μi1×Hi)。
本发明至少具有以下有益效果:根据A获取到第一差异程度列表C,根据A和B获取到第二差异程度列表D,根据A获取到第一异常用户数量波动程度集合E,根据F获取到目标数据波动程度集合G,根据C、D、E、G和预设的优先级集合α,获取到异常程度集合H,根据H获取到目标平台的目标异常程度P,通过衡量目标平台中的目标单元与相似平台中的对应单元之间在异常用户数量占比维度上的第一差异程度、目标单元与对应的专项平台在异常用户数量占比维度上的第二差异程度、目标单元在n个预设时间段上的异常用户数量的整体波动情况、以及目标单元在n个预设时间段上的目标数据的整体波动情况,来评价目标单元的异常程度,进而获取到目标平台的异常程度,提高了目标平台的异常程度的评估准确性。
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的介绍,显而易见的,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为本发明实施例提供的一种异常程度确认系统的处理器执行计算机程序时实现的流程图。
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。
需要说明的是,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”等是用于区别类似的对象,而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换,以便这里描述的本发明的实施例能够以除了在这里图示或描述的那些以外的顺序实施。此外,术语“包括”和“具有”以及任何变形,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、产品或服务器不必限于清楚地列出的那些步骤或单元,而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。
本实施例一提供了一种异常程度确认系统,该异常程度确认系统包括处理器和存储有计算机程序的存储器,存储器中还存储有目标单元数据列表A={A0,A1,A2,……,Ax,……,Ay}、专项平台数据列表B={B1,B2,……,Bi,……,Bm}、目标数据列表F={F1,F2,……,Fi,……,Fm},其中,A0={A0 1,A0 2,……,A0 i,……,A0 m},A0 i={A0 i1,A0 i2,……,A0 ij,……,A0 in},A0 ij是指目标平台中第i个目标单元在第j个预设时间段的异常用户数量占比,Ax={Ax 1,Ax 2,……,Ax i,……,Ax m},Ax i={Ax i1,Ax i2,……,Ax ij,……,Ax in},Ax ij是指目标平台对应的第x个相似平台中第i个目标单元在第j个预设时间段的异常用户数量占比,Bi={Bi 1,Bi 2,……,Bi u,……,Bi v(i)},Bi u={Bi u1,Bi u2,……,Bi uj,……,Bi un},Bi uj是指第i个目标单元对应的第u个专项平台在第j个预设时间段的异常用户数量,Fi={Fi 1,Fi 2,……,Fi t,……,Fi z(i)},Fi t={Fi t1,Fi t2,……,Fi tj,……,Fi tn},Fi uj是指第i个目标单元对应的第t类异常状态在第j个预设时间段的目标数据,x=1,2,……,y,y是指目标平台对应的相似平台的总数量,i=1,2,……,m,m是指目标平台中目标单元的总数量,j=1,2,……,n,n是指预设时间段的总数量,u=1,2,……,v(i),v(i)是指第i个目标单元对应的专项平台的总数量,t=1,2,……,z(i),z(i)是指第i个目标单元对应的异常状态类别的总数量,当计算机程序被处理器执行时,实现以下步骤,如图1所示:
S1,根据A,获取到第一差异程度列表C={C1,C2,……,Ci,……,Cm},其中,Ci={Ci 1,Ci 2,……,Ci x,……,Ci y},目标平台中第i个目标单元与第x个相似平台中第i个目标单元之间的第一差异程度Ci x=Σj=1 n(e-γj×((A0 ij-A0 i(j-1))-(Ax ij-Ax i(j-1)))),A0 i0=Ax i0=0,γ是指预设的指数函数系数。
其中,目标平台是指需要进行异常程度评估的平台,例如,目标平台可以是需要进行异常程度评估的医院,异常程度可以是指存在医保异常事件的程度;目标平台中的目标单元是指可能存在异常情况的单元,例如,目标平台可以是可能存在医保异常事件的科室;目标单元对应的专项平台是指专门解决该单元可解决的问题的平台,例如,专项平台可以是专门治疗该目标科室可治疗的疾病的医院,例如,肿瘤科对应的肿瘤科专项平台、骨科对应的骨科专项平台、口腔科对应的口腔科专项平台和泌尿外科对应的泌尿外科等专项平台等等。
异常用户是指发生异常的用户,例如,异常用户可以是患者。
相似平台是指与目标平台在平台等级、平台规模等维度上相似的平台,例如,相似平台可以是指与目标医院在医院等级、医院规模等维度上相似的医院,通过对各个单元在目标平台和相似平台中的异常用户数量占比的变化情况进行比较,衡量目标平台中各个单元与相似平台中对应单元之间的差异,进而来分析目标平台中各个单元是否存在异常情况,例如,是否存在异常用户数量异常增加的情况,进而来分析是否存在报销异常的情况。
具体地,A0 ij-A0 i(j-1)是指目标平台中第i个目标单元从第j-1个预设时间段到第j个预设时间段的异常用户数量占比的第一增加量,Ax ij-Ax i(j-1)是指目标平台的第x个相似平台中第i个目标单元从第j-1个预设时间段到第j个预设时间段的异常用户数量占比的第二增加量,在正常情况下,上述第一增加量和第二增加量应该大致相同。进一步地,第j+1个预设时间段与第j个预设时间段相比,第j个预设时间段距离当前时间点更近,则第j个预设时间段的目标单元数据更接近实时情况,因此,设置第j个预设时间段对应的权重e-γj,对应地,j越小,第j个预设时间段对应的权重更大。
因此,根据第一增加量与第二增加量的差值,结合第j个预设时间段对应的权重e-γj,来表征目标平台中第i个目标单元在第j个预设时间段的异常情况,提高了第一差异程度的准确性。
其中,γ是指预设的指数函数系数,可以由实施者根据实际情况进行调整,以调整权重随着j的增大的下降速度,提高权重e-γj的准确性。
上述,根据目标平台中每个目标单元在相邻的预设时间段之间的第一增加量,与目标平台对应的相邻平台中对应目标单元周期对应相邻的预设时间段之间的第二增加量的差值,结合对应预设时间段的权重,来表征目标平台中每个目标单元在每个预设时间段的异常情况,并获取到每个目标单元对应的第一差异程度,提高了第一差异程度的准确性。
在一具体实施方式中,存储器中还存储有初始单元数据列表Q={Q1,Q2,……,Qs,……,Qh},其中,Qs={Qs 1,Qs 2,……,Qs j,……,Qs n},Qs j是指目标平台中第s个初始单元在第j个预设时间段的异常用户数量占比,s=1,2,……,h,h是指目标平台中初始单元的总数量,当计算机程序被处理器执行时,还实现以下步骤:
S01,根据Q,获取到第二异常用户数量波动程度集合I={I1,I2,……,Is,……,Ih},其中,目标平台中第s个初始单元对应的第二异常用户数量波动程度Is=(Σj=1 n(Qs j-μs)2)/n,μs=(Σj=1 nQs j)/n。
S02,若Is≥I0,则将目标平台中第s个初始单元确定为目标单元,其中,I0是指预设的数量波动程度阈值。
S03,遍历I1,I2,……,Is,……,Ih,获取到所有的目标单元。
其中,目标平台中存在的h个初始单元中,部分单元的异常用户数量比较稳定,存在异常情况的可能性很低,而部分单元的异常用户数量不稳定,存在异常情况的可能性较高。
因此,本实施例根据每个初始单元在n个预设时间段内的异常用户数量占比,来衡量每个初始单元在整个时间段上的第二异常用户数量波动程度,来表征对应的初始单元存在异常情况的可能性。
然后根据第二异常用户数量波动程度与预设的数量波动程度阈值进行比较,对h个初始单元进行筛选,最终得到m个目标单元作为评估目标平台的异常程度的基础。
上述,根据每个初始单元在n个预设时间段内的异常用户数量占比,来衡量每个初始单元在整个时间段上的第二异常用户数量波动程度,然后根据第二异常用户数量波动程度与预设的数量波动程度阈值的比较结果,从h个初始单元中筛选得到m个目标单元,摒除了异常可能性很低的非目标单元在评估目标平台的异常程度时的影响,提高了目标平台的异常程度的评估效率和评估准确性。
在一具体实施方式中,存储器中还存储有平台数据列表J={J0,J1,J2,……,Ja,……,Jb},其中,J0={J0 1,J0 2,J0 3,J0 4},J0 1是指目标平台的平台等级,J0 2是指目标平台的初始单元数量,J0 3是指目标平台的工作人员数量,J0 4是指目标平台的异常用户数量,Ja={Ja 1,Ja 2,Ja 3,Ja 4},Ja 1是指第a个候选平台的平台等级,Ja 2是指第a个候选平台的初始单元数量,Ja 3是指第a个候选平台的工作人员数量,Ja 4是指第a个候选平台的异常用户数量,a=1,2,……,b,b是指候选平台的总数量,当计算机程序被处理器执行时,还实现以下步骤:
S04,根据J,获取到相似程度集合K={K1,K2,……,Ka,……,Kb},其中,目标平台和第a个候选平台之间的相似程度Ka=Σc=1 4(βc×|J0 c-Ja c|/J0 c),β1是指预设的第一权重,β2是指预设的第二权重,β3是指预设的第三权重,β4是指预设的第四权重。
S05,若Ka≥K0,则将第a个候选平台确定为目标平台的相似平台,其中,K0是指预设的相似程度阈值。
S06,遍历K1,K2,……,Ka,……,Kb,获取到所有的相似平台。
其中,部分候选平台与目标平台的相似性较低,该部分候选平台的异常用户数量分布与目标平台的异常用户数量分布在正常情况下也存在较大差异,若根据该部分候选平台与目标平台之间的异常用户数量分布差异来评估目标平台的异常程度,则评估结果的准确性较低。
因此,本实施例首先根据目标平台和每个候选平台之间在平台等级、初始单元数量、工作人员数量和异常用户数量的维度上的差异,来表征目标平台和对应候选平台之间相似程度,然后对b个候选平台进行筛选,获取到y个相似平台作为评估目标平台的异常程度的基础。
其中,工作人员数量可以是医院人员数量。
其中,β1、β2、β3、β4可以由实施者根据实际情况进行设定。
其中,本领域技术人员知晓根据平台等级、初始单元数量、工作人员数量和异常用户数量之外的其他维度的数据来衡量目标平台和候选平台之间的相似程度,也落入到本发明的保护范围内,在此不再赘述。
上述,根据目标平台和每个候选平台之间在平台等级、初始单元数量、工作人员数量和异常用户数量的维度上的差异,来表征目标平台和对应的候选平台之间的相似程度,并根据相似程度和预设的相似程度阈值,从b个候选平台中筛选得到y个相似平台,摒除了相似程度较低的非相似平台在评估目标平台的异常程度时的影响,提高了目标平台的异常程度的评估效率和评估准确性。
其中,预设时间段可以由实施者根据实际情况进行设定。
在一具体实施方式中,第j个预设时间段为当前时间点之前的第j年。
在一具体实施方式中,第j个预设时间段为当前时间点之前的第j个月。
在一具体实施方式中,存储器中还存储有周期数据集合L={L1,L2,……,Li,……,Lm},Li是指第i个目标单元对应的异常用户的数量周期,当计算机程序被处理器执行时,还实现以下步骤:
S07,根据L,获取到平均周期L0=(Σi=1 mLi)/m。
S08,第j个预设时间段为当前时间点之前的第j个平均周期。
其中,部分单元可解决的异常状态对应的异常用户的数量存在周期性,例如,部分科室可治疗的疾病对应的患者数量存在周期性,例如呼吸道疾病、心血管疾病、脑血管疾病一般在秋冬季节的发病率更高,因此,为了提高预设时间段的准确性,本实施例根据每个目标单元对应的异常用户的数量周期获取到平均周期,作为预设时间段来进行目标平台异常程度的评估。
在一具体实施方式中,存储器中还存储有周期数据列表Y={Y1,Y2,……,Yi,……,Ym},Yi={Yi 1,Yi 2,……,Yi t,……,Yi z(i)},Yi t是指第i个目标单元对应的第t类异常状态的异常状态周期,当计算机程序被处理器执行时,还实现以下步骤:
S07,根据Y,获取到周期数据集合L={L1,L2,……,Li,……,Lm},其中,Li=(Σt=1 z(i)Yi t)/z(i)。
其中,每个目标单元可以解决若干类异常状态,例如,每个目标科室可以治疗若干类疾病,例如,心血管内科可以治疗动脉粥样硬化、高血压性小动脉硬化、动脉炎等疾病,则根据每类异常状态对应的异常状态周期,可以获取到对应的目标单元的异常用户的数量周期,作为目标平台异常程度的评估基础。
可以理解的,对于不存在周期性的异常状态,其对应的异常状态周期为0。
上述,根据每个目标单元对应的每类异常状态的异常状态周期获取到异常用户数量周期,进而根据所有目标单元对应的异常用户数量周期获取到平均周期,作为预设时间段来进行目标平台异常程度的评估,提高了目标平台的异常程度的评估准确性。
S2,根据A和B,获取到第二差异程度列表D={D1,D2,……,Di,……,Dm},其中,Di={Di 1,Di 2,……,Di u,……,Di v(i)},目标平台中第i个目标单元与对应的第u个专项平台之间的第二差异程度Di u=Σj=1 n(e-γj×((A0 ij-A0 i(j-1))-(Bi uj-Bi u(j-1))/max(Bi u))),Bi u0=0,max()是指取最大值函数。
其中,通过对各个单元在目标平台和专项平台中的异常用户数量占比的变化情况进行比较,衡量目标平台中各个单元与对应的专项平台之间的差异,进而来分析目标平台中各个单元是否存在异常情况,例如,是否存在异常用户数量异常增加的情况。
具体地,Bi uj-Bi u(j-1)是指目标平台中第i个目标单元对应的第u个专项平台从第j-1个预设时间段到第j个预设时间段的异常用户数量占比的第三增加量,在正常情况下,上述第一增加量和第三增加量应该大致相同,因此,根据第一增加量与第三增加量的差值,结合第j个预设时间段对应的权重e-γj,来表征目标平台中第i个目标单元与对应的第u个专项平台在第j个预设时间段的异常情况,提高了第二差异程度的准确性。
上述,根据目标平台中每个目标单元在相邻的预设时间段之间的第一增加量,与目标单元对应的专项平台中对应相邻的预设时间段之间的第三增加量的差值,结合对应预设时间段的权重,来表征目标平台中每个目标单元在每个预设时间段的异常情况,并获取到每个目标单元对应的第二差异程度,提高了第二差异程度的准确性。
S3,根据A,获取到第一异常用户数量波动程度集合E={E1,E2,……,Ei,……,Em},其中,目标平台中第i个目标单元对应的第一异常用户数量波动程度Ei=(Σj=1 n(A0 ij-μi1)2)/n,μi1=(Σj=1 nA0 ij)/n。
其中,目标单元在不同的预设时间段上的异常用户数量占比的差异越大,表示该目标单元中异常用户数量的波动程度越高,进而表征该目标单元存在异常情况的可能性越高。
上述,衡量每个目标单元在n个预设时间段上的异常用户数量的整体波动情况,并获取到每个目标单元对应的第一异常用户数量波动程度来进行目标平台异常程度的评估,提高了目标平台的异常程度的评估准确性。
S4,根据F,获取到目标数据波动程度集合G={G1,G2,……,Gi,……,Gm},其中,目标平台中第i个目标单元对应的目标数据波动程度Gi=(Σj=1 n(Fi tj-μi2)2)/n,μi2=(Σj=1 nFi tj)/n。
其中,目标数据可以是指报销费用,目标单元在不同的预设时间段上的目标数据的差异越大,表示该目标单元中目标数据的波动程度越高,进而表征该目标单元存在异常情况的可能性越高。
上述,衡量每个目标单元在n个预设时间段上的目标数据的整体波动情况,并获取到每个目标单元对应的目标数据波动程度来进行目标平台异常程度的评估,提高了目标平台的异常程度的评估准确性。
S5,根据C、D、E、G和预设的优先级集合α={α1,α2,α3,α4},获取到异常程度集合H={H1,H2,……,Hi,……,Hm},其中,α1是指预设的第一优先级,α2是指预设的第二优先级,α3是指预设的第三优先级,α4是指预设的第四优先级,目标平台中第i个目标单元对应的目标数据波动程度Hi=α1×Σx=1 yCi x+α2×Σu=1 v(i)Di u+α3×Ei+α4×Gi。
其中,根据每个目标单元对应的第一差异程度、第二差异程度、第一异常用户数量波动程度和目标数据波动程度,结合预设的优先级集合,可以获取到每个目标单元对应的异常程度,表征对应的目标单元可能存在异常情况的可能性。
其中,α1、α2、α3、α4的具体数值可以由实施者根据实际情况进行设定。
上述,将目标单元对应的第一差异程度、第二差异程度、第一异常用户数量波动程度和目标数据波动程度与预设的优先级相结合,获取到目标单元对应的异常程度,提高了异常程度的准确性,进而提高了目标平台的异常程度的评估准确性。
在一具体实施方式中,α4>α3。
其中,以医疗领域为例,由于保险异常情况的关键是医保基金的异常波动,因此,在评估目标平台的异常程度时,目标数据波动程度的重要性比第一异常用户数量波动程度的重要性更高。
S6,根据H,获取到目标平台的目标异常程度P,其中,P=Σi=1 m(μi1×Hi)。
其中,μi1是指第i个目标单元在n个预设时间段上的异常用户数量占比的平均值,则μi1越大,表征第i个目标单元在评估目标平台的异常程度时的重要性更高,因此,结合每个目标单元对应的异常程度和对应的重要性,获取到目标平台的目标异常程度。对应地,目标异常程度越高,表示该目标平台的存在异常事件,也即存在医保欺诈事件的可能性越高,则实施者可根据目标平台的目标异常程度采取相应的措施,来降低目标平台的目标异常程度,提高平台的安全性。
上述,根据A获取到第一差异程度列表C,根据A和B获取到第二差异程度列表D,根据A获取到第一异常用户数量波动程度集合E,根据F获取到目标数据波动程度集合G,根据C、D、E、G和预设的优先级集合α,获取到异常程度集合H,根据H获取到目标平台的目标异常程度P,通过衡量目标平台中的目标单元与相似平台中的对应单元之间在异常用户数量占比维度上的第一差异程度、目标单元与对应的专项平台在异常用户数量占比维度上的第二差异程度、目标单元在n个预设时间段上的异常用户数量的整体波动情况、以及目标单元在n个预设时间段上的目标数据的整体波动情况,来评价目标单元的异常程度,进而获取到目标平台的异常程度,提高了目标平台的异常程度的评估准确性。
虽然已经通过示例对本发明的一些特定实施例进行了详细说明,但是本领域的技术人员应该理解,以上示例仅是为了进行说明,而不是为了限制本发明的范围。本领域的技术人员还应理解,可以对实施例进行多种修改而不脱离本发明的范围和精神。本发明公开的范围由所附权利要求来限定。
Claims (8)
1.一种异常程度确认系统,其特征在于,所述异常程度确认系统包括处理器和存储有计算机程序的存储器,所述存储器中还存储有目标单元数据列表A={A0,A1,A2,……,Ax,……,Ay}、专项平台数据列表B={B1,B2,……,Bi,……,Bm}、目标数据列表F={F1,F2,……,Fi,……,Fm},其中,A0={A0 1,A0 2,……,A0 i,……,A0 m},A0 i={A0 i1,A0 i2,……,A0 ij,……,A0 in},A0 ij是指目标平台中第i个目标单元在第j个预设时间段的异常用户数量占比,Ax={Ax 1,Ax 2,……,Ax i,……,Ax m},Ax i={Ax i1,Ax i2,……,Ax ij,……,Ax in},Ax ij是指所述目标平台对应的第x个相似平台中第i个目标单元在第j个预设时间段的异常用户数量占比,Bi={Bi 1,Bi 2,……,Bi u,……,Bi v(i)},Bi u={Bi u1,Bi u2,……,Bi uj,……,Bi un},Bi uj是指第i个目标单元对应的第u个专项平台在第j个预设时间段的异常用户数量,Fi={Fi 1,Fi 2,……,Fi t,……,Fi z(i)},Fi t={Fi t1,Fi t2,……,Fi tj,……,Fi tn},Fi uj是指第i个目标单元对应的第t类异常状态在第j个预设时间段的目标数据,x=1,2,……,y,y是指所述目标平台对应的相似平台的总数量,i=1,2,……,m,m是指所述目标平台中目标单元的总数量,j=1,2,……,n,n是指预设时间段的总数量,u=1,2,……,v(i),v(i)是指第i个目标单元对应的专项平台的总数量,t=1,2,……,z(i),z(i)是指第i个目标单元对应的异常状态类别的总数量,当所述计算机程序被处理器执行时,实现以下步骤:
S1,根据A,获取到第一差异程度列表C={C1,C2,……,Ci,……,Cm},其中,Ci={Ci 1,Ci 2,……,Ci x,……,Ci y},所述目标平台中第i个目标单元与第x个相似平台中第i个目标单元之间的第一差异程度Ci x=Σj=1 n(e-γj×((A0 ij-A0 i(j-1))-(Ax ij-Ax i(j-1)))),A0 i0=Ax i0=0,γ是指预设的指数函数系数;
S2,根据A和B,获取到第二差异程度列表D={D1,D2,……,Di,……,Dm},其中,Di={Di 1,Di 2,……,Di u,……,Di v(i)},所述目标平台中第i个目标单元与对应的第u个专项平台之间的第二差异程度Di u=Σj=1 n(e-γj×((A0 ij-A0 i(j-1))-(Bi uj-Bi u(j-1))/max(Bi u))),Bi u0=0,max()是指取最大值函数;
S3,根据A,获取到第一异常用户数量波动程度集合E={E1,E2,……,Ei,……,Em},其中,所述目标平台中第i个目标单元对应的第一异常用户数量波动程度Ei=(Σj=1 n(A0 ij-μi1)2)/n,μi1=(Σj=1 nA0 ij)/n;
S4,根据F,获取到目标数据波动程度集合G={G1,G2,……,Gi,……,Gm},其中,所述目标平台中第i个目标单元对应的目标数据波动程度Gi=(Σj=1 n(Fi tj-μi2)2)/n,μi2=(Σj=1 nFi tj)/n;
S5,根据C、D、E、G和预设的优先级集合α={α1,α2,α3,α4},获取到异常程度集合H={H1,H2,……,Hi,……,Hm},其中,α1是指预设的第一优先级,α2是指预设的第二优先级,α3是指预设的第三优先级,α4是指预设的第四优先级,所述目标平台中第i个目标单元对应的目标数据波动程度Hi=α1×Σx=1 yCi x+α2×Σu=1 v(i)Di u+α3×Ei+α4×Gi;
S6,根据H,获取到所述目标平台的目标异常程度P,其中,P=Σi=1 m(μi1×Hi)。
2.根据权利要求1所述的异常程度确认系统,其特征在于,所述存储器中还存储有初始单元数据列表Q={Q1,Q2,……,Qs,……,Qh},其中,Qs={Qs 1,Qs 2,……,Qs j,……,Qs n},Qs j是指所述目标平台中第s个初始单元在第j个预设时间段的异常用户数量占比,s=1,2,……,h,h是指所述目标平台中初始单元的总数量,当所述计算机程序被处理器执行时,还实现以下步骤:
S01,根据Q,获取到第二异常用户数量波动程度集合I={I1,I2,……,Is,……,Ih},其中,所述目标平台中第s个初始单元对应的第二异常用户数量波动程度Is=(Σj=1 n(Qs j-μs)2)/n,μs=(Σj=1 nQs j)/n;
S02,若Is≥I0,则将所述目标平台中第s个初始单元确定为目标单元,其中,I0是指预设的数量波动程度阈值;
S03,遍历I1,I2,……,Is,……,Ih,获取到所有的目标单元。
3.根据权利要求1所述的异常程度确认系统,其特征在于,所述存储器中还存储有平台数据列表J={J0,J1,J2,……,Ja,……,Jb},其中,J0={J0 1,J0 2,J0 3,J0 4},J0 1是指所述目标平台的平台等级,J0 2是指所述目标平台的初始单元数量,J0 3是指所述目标平台的工作人员数量,J0 4是指所述目标平台的异常用户数量,Ja={Ja 1,Ja 2,Ja 3,Ja 4},Ja 1是指第a个候选平台的平台等级,Ja 2是指所述第a个候选平台的初始单元数量,Ja 3是指所述第a个候选平台的工作人员数量,Ja 4是指所述第a个候选平台的异常用户数量,a=1,2,……,b,b是指候选平台的总数量,当所述计算机程序被处理器执行时,还实现以下步骤:
S04,根据J,获取到相似程度集合K={K1,K2,……,Ka,……,Kb},其中,所述目标平台和所述第a个候选平台之间的相似程度Ka=Σc=1 4(βc×|J0 c-Ja c|/J0 c),β1是指预设的第一权重,β2是指预设的第二权重,β3是指预设的第三权重,β4是指预设的第四权重;
S05,若Ka≥K0,则将所述第a个候选平台确定为所述目标平台的相似平台,其中,K0是指预设的相似程度阈值;
S06,遍历K1,K2,……,Ka,……,Kb,获取到所有的相似平台。
4.根据权利要求1所述的异常程度确认系统,其特征在于,所述第j个预设时间段为当前时间点之前的第j年。
5.根据权利要求1所述的异常程度确认系统,其特征在于,所述第j个预设时间段为当前时间点之前的第j个月。
6.根据权利要求1所述的异常程度确认系统,其特征在于,所述存储器中还存储有周期数据集合L={L1,L2,……,Li,……,Lm},Li是指所述第i个目标单元对应的异常用户的数量周期,当所述计算机程序被处理器执行时,还实现以下步骤:
S07,根据L,获取到平均周期L0=(Σi=1 mLi)/m;
S08,所述第j个预设时间段为当前时间点之前的第j个平均周期。
7.根据权利要求6所述的异常程度确认系统,其特征在于,所述存储器中还存储有周期数据列表Y={Y1,Y2,……,Yi,……,Ym},Yi={Yi 1,Yi 2,……,Yi t,……,Yi z(i)},Yi t是指所述第i个目标单元对应的第t类异常状态的异常状态周期,当所述计算机程序被处理器执行时,还实现以下步骤:
S07,根据 Y,获取到周期数据集合L={L1,L2,……,Li,……,Lm},其中,Li=(Σt=1 z(i)Yi t)/z(i)。
8.根据权利要求1所述的异常程度确认系统,其特征在于,α4>α3。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202410703116.5A CN118277805A (zh) | 2024-06-03 | 2024-06-03 | 一种异常程度确认系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202410703116.5A CN118277805A (zh) | 2024-06-03 | 2024-06-03 | 一种异常程度确认系统 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN118277805A true CN118277805A (zh) | 2024-07-02 |
Family
ID=91647056
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202410703116.5A Pending CN118277805A (zh) | 2024-06-03 | 2024-06-03 | 一种异常程度确认系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN118277805A (zh) |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2022068645A1 (zh) * | 2020-09-30 | 2022-04-07 | 深圳前海微众银行股份有限公司 | 数据库故障发现方法、装置、电子设备及存储介质 |
CN116955182A (zh) * | 2023-07-24 | 2023-10-27 | 中移动金融科技有限公司 | 异常指标分析方法、设备、存储介质及装置 |
CN116956076A (zh) * | 2023-09-20 | 2023-10-27 | 奇点数联(北京)科技有限公司 | 一种用户数量异常状态的提示系统 |
CN117091754A (zh) * | 2023-10-20 | 2023-11-21 | 山东远盾网络技术股份有限公司 | 基于数据分析的大型设备故障检测方法及系统 |
-
2024
- 2024-06-03 CN CN202410703116.5A patent/CN118277805A/zh active Pending
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2022068645A1 (zh) * | 2020-09-30 | 2022-04-07 | 深圳前海微众银行股份有限公司 | 数据库故障发现方法、装置、电子设备及存储介质 |
CN116955182A (zh) * | 2023-07-24 | 2023-10-27 | 中移动金融科技有限公司 | 异常指标分析方法、设备、存储介质及装置 |
CN116956076A (zh) * | 2023-09-20 | 2023-10-27 | 奇点数联(北京)科技有限公司 | 一种用户数量异常状态的提示系统 |
CN117091754A (zh) * | 2023-10-20 | 2023-11-21 | 山东远盾网络技术股份有限公司 | 基于数据分析的大型设备故障检测方法及系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111459778B (zh) | 运维系统异常指标检测模型优化方法、装置及存储介质 | |
CN111339126B (zh) | 医疗数据筛选方法、装置、计算机设备和存储介质 | |
US5893069A (en) | System and method for testing prediction model | |
Delignieres et al. | Fractal analyses for ‘short’time series: a re-assessment of classical methods | |
US9996444B2 (en) | Automated methods and systems for calculating hard thresholds | |
US10886025B2 (en) | Drug adverse event extraction method and apparatus | |
CN111314173B (zh) | 监控信息异常的定位方法、装置、计算机设备及存储介质 | |
Burke et al. | Planet Detection Metrics: Per-Target Detection Contours for Data Release 25 | |
US20070150314A1 (en) | Method for carrying out quality control of medical data records collected from different but comparable patient collectives within the bounds of a medical plan | |
EP3475911A1 (en) | Life insurance system with fully automated underwriting process for real-time underwriting and risk adjustment, and corresponding method thereof | |
JP4318221B2 (ja) | 医療情報分析装置、方法及びプログラム | |
CN110729054B (zh) | 异常就诊行为检测方法、装置、计算机设备及存储介质 | |
CN105611872A (zh) | 用于评估多通道ecg信号的装置和方法 | |
Hasni et al. | Analysis of electromyogram (EMG) for detection of neuromuscular disorders | |
US20170300837A1 (en) | Business operation evaluation system | |
Song et al. | The potential benefit of relevance vector machine to software effort estimation | |
Beiles et al. | Cumulative sum control charts for assessing performance in arterial surgery | |
CN111816318A (zh) | 一种心脏疾病数据队列生成方法和风险预测系统 | |
CN118277805A (zh) | 一种异常程度确认系统 | |
KR102499912B1 (ko) | 시계열 검진 데이터를 이용한 딥러닝 기반 전립선암 재발예측 시스템 | |
US20020128858A1 (en) | Method and system for population classification | |
CN111466877A (zh) | 一种基于lstm网络的氧减状态预测方法 | |
Trinh et al. | Forecasting emergency department waiting time using a state space representation | |
CN113257380B (zh) | 一种差值核查及差值核查规则的制订方法和装置 | |
CN112133429B (zh) | 诊疗预测方法及装置、计算机设备及计算机可读存储介质 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination |