CN110413967B - 对账图表生成方法、装置、计算机设备以及存储介质 - Google Patents
对账图表生成方法、装置、计算机设备以及存储介质 Download PDFInfo
- Publication number
- CN110413967B CN110413967B CN201910566114.5A CN201910566114A CN110413967B CN 110413967 B CN110413967 B CN 110413967B CN 201910566114 A CN201910566114 A CN 201910566114A CN 110413967 B CN110413967 B CN 110413967B
- Authority
- CN
- China
- Prior art keywords
- data
- cleaned
- transaction
- target data
- chart
- 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
- 238000000034 method Methods 0.000 title claims abstract description 67
- 238000003860 storage Methods 0.000 title claims abstract description 14
- 230000000007 visual effect Effects 0.000 claims abstract description 95
- 238000004140 cleaning Methods 0.000 claims abstract description 34
- 238000013507 mapping Methods 0.000 claims abstract description 26
- 238000012545 processing Methods 0.000 claims abstract description 18
- 238000005070 sampling Methods 0.000 claims description 59
- 238000007405 data analysis Methods 0.000 claims description 38
- 230000006870 function Effects 0.000 claims description 36
- 238000004590 computer program Methods 0.000 claims description 24
- 230000003247 decreasing effect Effects 0.000 claims description 16
- 238000004458 analytical method Methods 0.000 claims description 13
- 238000004364 calculation method Methods 0.000 claims description 9
- 238000012549 training Methods 0.000 claims description 9
- 238000007635 classification algorithm Methods 0.000 claims description 7
- 238000012952 Resampling Methods 0.000 description 6
- 230000008569 process Effects 0.000 description 6
- 230000008901 benefit Effects 0.000 description 4
- 238000010586 diagram Methods 0.000 description 4
- 238000004422 calculation algorithm Methods 0.000 description 3
- 230000008859 change Effects 0.000 description 3
- 238000013079 data visualisation Methods 0.000 description 3
- 238000011160 research Methods 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 2
- 238000007726 management method Methods 0.000 description 2
- 230000001360 synchronised effect Effects 0.000 description 2
- 238000012550 audit Methods 0.000 description 1
- 230000010485 coping Effects 0.000 description 1
- 239000002537 cosmetic Substances 0.000 description 1
- 238000013075 data extraction Methods 0.000 description 1
- 238000000354 decomposition reaction Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000009826 distribution Methods 0.000 description 1
- 239000002360 explosive Substances 0.000 description 1
- 239000000284 extract Substances 0.000 description 1
- 235000013305 food Nutrition 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000003672 processing method Methods 0.000 description 1
- 230000008439 repair process Effects 0.000 description 1
- 235000011888 snacks Nutrition 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 238000003045 statistical classification method Methods 0.000 description 1
- 238000012795 verification Methods 0.000 description 1
- 238000012800 visualization Methods 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
- G06F16/22—Indexing; Data structures therefor; Storage structures
- G06F16/2282—Tablespace storage structures; Management thereof
-
- 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
- G06F16/24—Querying
- G06F16/245—Query processing
- G06F16/2458—Special types of queries, e.g. statistical queries, fuzzy queries or distributed queries
- G06F16/2462—Approximate or statistical queries
-
- 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
- G06Q40/04—Trading; Exchange, e.g. stocks, commodities, derivatives or currency exchange
-
- 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
-
- 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)
- Physics & Mathematics (AREA)
- Business, Economics & Management (AREA)
- General Physics & Mathematics (AREA)
- Databases & Information Systems (AREA)
- Finance (AREA)
- Accounting & Taxation (AREA)
- Data Mining & Analysis (AREA)
- General Engineering & Computer Science (AREA)
- Development Economics (AREA)
- Probability & Statistics with Applications (AREA)
- Software Systems (AREA)
- Economics (AREA)
- Marketing (AREA)
- Strategic Management (AREA)
- Technology Law (AREA)
- General Business, Economics & Management (AREA)
- Computational Linguistics (AREA)
- Mathematical Physics (AREA)
- Fuzzy Systems (AREA)
- Quality & Reliability (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本申请涉及大数据技术领域,提供一种对账图表生成方法、装置、计算机设备及存储介质,通过对交易数据进行分段清洗,去除噪声数据,减少后续数据处理量,采用不同时间维度对清洗后的数据进行采样,得到扩容后的目标数据,确保目标数据能够更加全面正确表征交易数据,再通过基于贝叶斯分类法对目标数据进行准确分类,将所述目标数据和所述分类数据分别进行可视化映射,生成携带有不同时间维度和类型的对账图表,便于进行交易数据对账,可以显著提高交易数据对账效率与准确度。
Description
技术领域
本申请涉及大数据处理技术,特别是涉及一种对账图表生成方法、装置、计算机设备及存储介质。
背景技术
随着网络技术的飞速发展,越来越多的交易从线下交易搬移到线上,通过线上交易进行支付,支付方式变得便捷,随之而来的是交易数据的***式增长,生活变得数据化,人们对于大数据的处理要求也越来越高。
现有的交易数据处理是通过收款以及付款等交易的订单信息记录交易金额、交易时间等清楚地了解每一次交易情况,便于用户查看交易详情。
但是,现有技术对每一次的交易情况进行记录,无法直观的了解总体收入与支出的记录,在交易数据进行对账时,需要逐条查找交易记录,对交易数据进行计算和统计处理过程复杂,且容易出现统计错误,导致对账结果不准确。
发明内容
基于此,有必要针对传统交易数据对账过程复杂且不准确的问题,提供一种对账图表生成方法、装置、计算机设备及存储介质,以便于进行交易数据对账,显著提高交易数据对账效率与准确度。
一种对账图表生成方法所述方法包括:
获取交易数据,并将所述交易数据划分为多个交易数据段;
分别对每个所述交易数据段进行噪声数据分析,并根据噪声数据分析结果,对所述交易数据进行清洗,获取已清洗数据;
对所述已清洗数据进行不同时间维度的采样处理,获取目标数据;
基于贝叶斯分类法,对所述已清洗数据进行分类,获取分类数据;
将所述目标数据和所述分类数据分别进行可视化映射,生成可视化账目图表。
在其中一个实施例中,所述分别对每个所述交易数据段进行噪声数据分析,并根据噪声数据分析结果,对所述交易数据进行清洗,获取已清洗数据包括:
分别对每个所述交易数据段进行噪声数据分析;
根据各交易数据段对应的所述噪声数据分析结果,获取各所述交易数据段中待清洗字段;
查找所述待清洗字段中的可扩维字段,对所述可扩维字段进行高阶张量扩维,获得张量字段集;
通过所述张量字段集中与所述待清洗字段相关的张量字段对所述待清洗字段进行清洗,获取已清洗数据。
在其中一个实施例中,所述对所述已清洗数据进行不同时间维度的采样处理,获取目标数据包括:
调用resample函数设置第一时间维度采样频率,根据所述第一时间维度采样频率对所述已清洗数据进行采样处理,得到第一时间维度目标数据;
调用resample函数设置第二时间维度采样频率,根据所述第二时间维度采样频率对所述已清洗数据进行采样处理,得到第二时间维度目标数据;
组合所述第一时间维度目标数据和所述第二时间维度目标数据,得到目标数据。
在其中一个实施例中,所述基于贝叶斯分类法,对所述已清洗数据进行分类,获取分类数据包括:
获取历史样本已清洗数据;
采用朴素贝叶斯分类算法对所述历史样本已清洗数据进行训练,得到已训练的朴素贝叶斯分类函数;
通过所述已训练的朴素贝叶斯分类函数,对所述已清洗数据进行分类,获取分类数据。
在其中一个实施例中,所述将所述目标数据和所述分类数据分别进行可视化映射,生成目标数据可视化账目图表和分类数据可视化账目图表包括:
通过环比计算公式,对所述目标数据和所述分类数据分别进行环比;
根据所述目标数据和所述分类数据的环比结果,获取所述目标数据和所述分类数据各自的单位时间内交易额增减幅度;
根据所述交易额增减幅度和所述环比结果进行可视化映射,生成所述分类数据可视化账目图表和所述目标数据可视化账目图表。
在其中一个实施例中,所述将所述目标数据和所述分类数据分别进行可视化映射,生成目标数据可视化账目图表和分类数据可视化账目图表之后,还包括:
对所述分类数据可视化账目图表和所述目标数据可视化账目图表进行分析,将所述分类数据可视化账目图表和所述目标数据可视化账目图表以及分析结果推送至用户。
一种对账图表生成装置,所述装置包括:
交易数据获取模块,获取交易数据,并将所述交易数据划分为多个交易数据段;
清洗数据获取模块,用于分别对每个所述交易数据段进行噪声数据分析,并根据噪声数据分析结果,对所述交易数据进行清洗,获取已清洗数据;
目标数据获取模块,用于对所述已清洗数据进行不同时间维度的采样处理,获取目标数据;
分类数据获取模块,用于基于贝叶斯分类法,对所述已清洗数据进行分类,获取分类数据;
图表生成模块,用于将所述目标数据和所述分类数据分别进行可视化映射,生成可视化账目图表。
在其中一个实施例中,所述清洗数据获取模块还用于分别对每个所述交易数据段进行噪声数据分析;根据各交易数据段对应的所述噪声数据分析结果,获取各所述交易数据段中待清洗字段;查找所述待清洗字段中的可扩维字段,对所述可扩维字段进行高阶张量扩维,获得张量字段集;通过所述张量字段集中与所述待清洗字段相关的张量字段对所述待清洗字段进行清洗,获取已清洗数据。
一种计算机设备,包括存储器和处理器,所述存储器存储有计算机程序,所述处理器执行所述计算机程序时实现如上述方法的步骤。
一种计算机可读存储介质,其上存储有计算机程序,所述计算机程序被处理器执行时实现如上述的方法的步骤。
上述对账图表生成方法、装置、计算机设备及存储介质,通过对交易数据进行分段清洗,去除噪声数据,减少后续数据处理量,采用不同时间维度对清洗后的数据进行采样,得到扩容后的目标数据,确保目标数据能够更加全面正确表征交易数据,再通过基于贝叶斯分类法对目标数据进行准确分类,将所述目标数据和所述分类数据分别进行可视化映射,生成携带有不同时间维度和类型的对账图表,便于进行交易数据对账,可以显著提高交易数据对账效率与准确度。
附图说明
图1为上述对账图表生成方法的应用场景示意图;
图2为上述对账图表生成方法其中一个实施例流程示意图;
图3为上述对账图表生成方法另一个实施例流程示意图;
图4为上述对账图表生成装置其中一个实施例结构示意图;
图5为计算机设备其中一个实施例内部结构示意图。
具体实施方式
为了使本申请的目的、技术方案及优点更加清楚明白,以下结合附图及实施例,对本申请进行进一步详细说明。应当理解,此处描述的具体实施例仅仅用以解释本申请,并不用于限定本申请。
本申请提供的对账图表生成方法,可以应用于如图1所示的应用环境中。其中,终端102通过网络与服务器104通过网络进行通信。终端102通过网络发送交易数据至服务器104,服务器104接收交易数据,并将所述交易数据划分为多个交易数据段;分别对每个所述交易数据段进行噪声数据分析,并根据噪声数据分析结果,对所述交易数据进行清洗,获取已清洗数据;对所述已清洗数据进行不同时间维度的采样处理,获取目标数据;基于贝叶斯分类法,对所述已清洗数据进行分类,获取分类数据;将所述目标数据和所述分类数据分别进行可视化映射,生成可视化账目图表,服务器104将可视化账目图表推送至终端102。其中,终端102可以但不限于是各种个人计算机、笔记本电脑、智能手机、平板电脑和便携式可穿戴设备,服务器104可以用独立的服务器或者是多个服务器组成的服务器集群来实现。
在其中一个实施例中,如图2所示,提供了一种对账图表生成方法,其应用于图1中服务器,具体包括以下步骤:
S110:获取交易数据,并将所述交易数据划分为多个交易数据段。
交易数据是指通过线上交易,对交易的时间、交易金额、付款方式、交易产品以交易双方等信息进行记录的数据。进一步的,当服务器响应用户交易数据提取操作,提取用户账户相关联的所有交易数据。非必要的,可以通过设置时间间隔,服务器在固定时间间隔内,对数据进行采集,获取固定用户的交易数据。按照预设的时间价格将交易数据按照发生的时间划分为多个交易数据段。例如针对1年的交易数据,可以以每月作为划分周期,划分为12个交易数据段。
S120:分别对每个所述交易数据段进行噪声数据分析,并根据噪声数据分析结果,对所述交易数据进行清洗,获取已清洗数据。
数据清洗是指,对数据进行重新审核和校验的过程,目的在于删除重复信息、纠正存在的错误,并提供数据的一致性,便于对数据进行下一步操作。在本实施例中,对交易数据进行审核检验,可以采用合适的数据清洗方法,例如随机插补法、热平台插补法、建模法和噪音处理等方法,对交易数据中的缺失值、重复值、错误值进行删除和填充等,可以理解的是,本实施例中,对于数据清洗方法并不做限定,可根据业务需要选择合适的数据清洗方法对交易数据进行清洗,获取已清洗数据。数据清洗的核心目的是清除交易数据中噪声数据,因此,可以先进行噪声分析,根据噪声分析结果判断是否需要对当前交易数据段进行数据清洗,对每个交易数据段分别进行噪声分析,当噪声数据出现概率大于预设阈值时,判定当前交易数据段需要进行清洗出去噪声数据,最终得到已清洗数据。进一步的,噪音分析具体为:获取每个交易数据段内噪声数据值出现的概率P,其中P=M\N,M为单个交易数据段内噪声数据出现的次数,N为单个交易数据段内交易记录总数,当P值大于预设P0时,标记该交易数据段为待清洗字段,其中噪声数据可以是缺失值、错误值以及不一致值等。
S130:对所述已清洗数据进行不同时间维度的采样处理,获取目标数据。
不同时间维度是指将同一统计指标的数值按其发生的时间先后顺序排列而成的数列。不同时间维度采样是指将时间从一个频率转换到另一个频率的处理过程,基于不同时间维度采样可以扩充采样数据集,以便于后续生成的可视化图表更加全面、准确反应交易数据。在本实施例中,交易数据的生成是根据交易创建的时间排序进行记录,例如用户A的交易数据为:2017年2月2日3时04分,食品支出250;2018年11月11日16时04分,化妆品支出1000;2018年12月14日17时59分,服饰支出500,通过设置重采样频率,当重采样频率为年时,得到目标数据为2017年支出250,2018年支出1500。可以理解的时,重采样频率可以根据实际情况进行合理选择。
S140:基于贝叶斯分类法,对所述已清洗数据进行分类,获取分类数据。
贝叶斯分类法(Bayesian classifier)是统计学的一种分类方法,它是一类利用概率统计知识进行分类的算法。在本实施例中,通过贝叶斯分类分类法对已清洗数据进行分类,例如,将交易类型为零食的交易数据分类为生活类交易数据,将交易类型为衣服的交易数据分类为服饰类交易数据,将交易类型为保险的交易数据分类为投资类交易数据等。通过对已清洗数据的分类统计,获取分类数据。非必要的,可以先采用样本数据进行基于贝叶斯分类法的分类训练,得到基于贝叶斯分类法的分类函数,在这里,直接调用基于贝叶斯分类法的分类函数对已清洗数据进行分类,获取分类数据。
S150:将所述目标数据和所述分类数据分别进行可视化映射,生成可视化账目图表。
将经过不同时间维度采样获取的目标数据进行可视化映射,生成目标数据可视化账目图表。例如当采样时间维度为月时,以年为单位获取一年内12个月中每一个月的交易收入或交易支出,通过可视化映射,生成直观的每月收入或支出的柱状图、曲线图、扇形图等月收入或月支出的可视化账目图表。将经过贝叶斯分类法进行分类得到的分类数据,生成分类数据可视化账目图表,例如,将交易类型分为生活类、娱乐类、健身类、服装类、投资类及交通类等类型交易数据,经过可视化映射,生成不同交易类型数据的可视化账目图表,直观了解每一类型交易的总支出或总收入
上述对账图表生成方法,通过对交易数据进行分段清洗,去除噪声数据,减少后续数据处理量,采用不同时间维度对清洗后的数据进行采样,得到扩容后的目标数据,确保目标数据能够更加全面正确表征交易数据,再通过基于贝叶斯分类法对目标数据进行准确分类,将所述目标数据和所述分类数据分别进行可视化映射,生成携带有不同时间维度和类型的对账图表,便于进行交易数据对账,可以显著提高交易数据对账效率与准确度。
在其中一个实施例中,获取交易数据之前,包括:识别用户标识;根据用户标识,配置用户对应的管理权限;获取交易数据包括:响应用户根据管理权限所进行的获取账单信息操作,获取交易数据。其中,用户进行身份登录,输入用户身份账号,服务器识别用户身份,获取用户身份对应的唯一标识,根据用户身份的唯一标识,配置用户登录以及操作的权限,用户基于自身权限,进入操作界面,在操作界面点击获取账单信息操作按钮,服务器响应获取账单信息操作,获取用户身份权限对应的交易数据。例如,当用户A为普通消费者时,输入登录账号密码,服务器识别用户A普通消费者身份,获取用户A普通消费者的身份标识,响应用户A获取账单支出信息操作,进入个人身份环境,加载个人交易订单,提取交易数据,交易数据包括,交易时间、交易产品、付款方式、交易店铺以及支出金额等数据信息。当用户B为商家身份时,识别用户身份标识,进入商家登录环境,给予商家B商家管理权限,商家B点击界面获取账单收入信息按钮,根据商家B的获取账单收入信息操作,加载商家B个人信息,提取商家交易数据,商家交易数据包括:付款方式、付款客户、付款时间、付款产品、以及收款金额等。当用户C为平台管理者时,获取用户C的登录账号密码,识别用户C的身份标识为管理者,根据用户C的身份标识,给予用户C管理权限,进入用户管理环境,加载用户C管理者身份信息,响应用户C获取账单管理信息操作,提取的交易数据包括:消费者和商家信息、交易时间、交易产品、付款方式以及商家收益等。根据用户消费者、商家以及管理者身份的不同,创建不同登录环境,根据用户身份配置不同权限,获取身份权限对应的交易数据,提高了数据保密性。
在其中一个实施例中,如图3所示,S120包括:
S121:分别对每个所述交易数据段进行噪声数据分析。
S122:根据各交易数据段对应的所述噪声数据分析结果,获取各所述交易数据段中待清洗字段。
S123:查找待清洗字段中的可扩维字段,对可扩维字段进行高阶张量扩维,获得张量字段集。
S124:利用张量字段集中与待清洗字段相关的张量字段对待清洗字段进行清洗,获取已清洗数据。
可扩维字段是指,对字段扩维之后得到更多信息的字段。张量字段:可扩维字段经高阶张量扩维后,分解成的多个维度上的因子矩阵。进一步的,获取指定时间段内,待清洗数据中任意一段中噪声数据值出现的概率P,P=m/n,其中,指定时间段可以以年、月或天等为单位,m为指定时间段内噪声数据值出现的次数,n为指定时间段内数据记录的总数,确定概率P的值大于预设阈值P0时,标记噪声数据所属字段为待清洗字段。将待清洗数据中的字段与预设可扩维字段库中的可扩维字段进行匹配,获取可扩维字段,利用张量分解算法依次对可扩维字段进行高阶张量扩维,获取多个张量字段,并依据字段语义相似度将多个张量字段分类为M个张量字段集。对待清洗字段进行语义分析,依据字段类别获取张量字段集中与待清洗字段对应的张量字段集,并进一步获取张量字段集中与待清洗字段对应的张量字段集,对待清洗数据进行清洗,具体的,相关的张量字段可以为张量字段集中与待清洗字段语义基本一致的张量字段或与待清洗字段表示同一个属性的张量字段,或与待清洗数据字段存在函数依赖关系的张量字段。利用与待清洗字段语义基本一致的张量字段集填充待清洗字段的空缺值和修复错误值,并利用与待清洗字段具有函数依赖关系的张量字段修复不一致的值。在本实施例中,以天为时间单位为例,查找当天交易数据的噪声数据,计算噪声数据在整体交易数据中所占比重,当噪声数据所占比重大于预设阈值时,对噪声数据所属字段为待清洗字段,待清洗数据中的可扩维字段可为商家名称,对商家名称进行高阶张量扩维,获取张量字段,比如得到商家产品产地、商家产品个人购买数量、产品销量以及产品销售地等信息。将产地、数量以及销售地点等一系列信息与待清洗字段进行语义分析,获取待清洗字段对应的张量字段集,当交易数据中,2018年12月12号,A购买量商家B的产品数量数据和金额数据丢失,可以根据对商家B信息的扩维,对A在商家B中的购买产品数量以及金额进行填充和修复。可以理解的是,当用户为商家以及管理者时的交易数据丢失或者错误时,都可以通过字段扩维对数据进行填充和修复。本实施例中通过对数据清洗,保证交易数据的准确性。
在其中一个实施例中,对所述已清洗数据进行不同时间维度的采样处理,获取目标数据包括:调用resample函数设置第一时间维度采样频率,根据所述第一时间维度采样频率对所述已清洗数据进行采样处理,得到第一时间维度目标数据;调用resample函数设置第二时间维度采样频率,根据所述第二时间维度采样频率对所述已清洗数据进行采样处理,得到第二时间维度目标数据;组合所述第一时间维度目标数据和所述第二时间维度目标数据,得到目标数据。
调用resample函数进行不同时间维度的采样处理,获取目标数据。其中resample函数是调整采样时间维度的函数。在本实施例中,交易数据可以理解为原样本,是基于交易发生的时间而对交易进行记录的交易记录数据。例如,交易数据为:2017年12月25日13时4分,保险,支出3000;2017年12月29月18时38分,股票,支出10000;2018年9月27日12时58分,房产,支出100万;2018年12月22日15时16分,基金,支出80万,调用resample函数,设置采样时间维度为年时,得到目标数据为:2017年,支出13000,2018年支出180万。设置重采样时间维度为月时,得到2017年目标数据中12月支出13000,2018年9月支出100万,12月支出80万。可以理解的是,当用户为商家时,可以对商家收入数据进行不同时间维度采样,当用户为管理者时,可以对商家收入和消费者支出同时进行不同时间维度采样。在本实施例中,时间维度不是唯一限定,可以根据用户需求进行合理调整。通过时间重采样交易数据,能够了解用户在某一时间段内的支出或收入,过程简单,且结果准确。
在其中一个实施例中,基于贝叶斯分类法,对已清洗数据进行分类,获取分类数据包括:获取历史样本已清洗数据;采用朴素贝叶斯分类算法对所述历史样本已清洗数据进行训练,得到已训练的朴素贝叶斯分类函数;通过所述已训练的朴素贝叶斯分类函数,对所述已清洗数据进行分类,获取分类数据。其中朴素贝叶斯算法(Naive Bayes Classifier,NBC)发源于古典数学理论,是基于贝叶斯定理与特征条件独立假设的分类方法,根据研究对象的某些特征,来推断该研究对象属于该研究领域的哪个类别,主要是通过训练学习联合概率分布,具体是学习先验概率和条件概率。进一步的,首先设置待分类项,X=(a1,a2...an),在本实施例中,a可以为交通、娱乐、教育、投资等交易类型领域,是X的一个特征属性,且各特征属性之间相互独立。设C={Y1,Y2...Yn}是一个集合类别,可以是交易数据中交易产品类型,比如书籍、衣服、鞋子、股票、基金等。计算先验概率P(Y1/X),P(Y2/X)....P(Yn/X),统计各特征属性的条件概率P(a1/Y1),P(a2/Y2)..P(an/Yn),求得p(YK/X)=max{P(Y1/X),P(Y2/X)...P(Yn/X)},则X属于YK,即在X的条件下,求得P(Yi/X)(i=0,1,2...n)取得最大的概率Y,可以理解为,若交易产品为股票,得到股票为投资领域的概率最大,则对交易数据中股票交易数据分类为投资,若交易产品为书籍,得到书籍为教育领域的概率最大时,对交易数据中书籍交易数据分类为教育类数据,并对每一类数据进行统计。根据对交易数据的分类统计,可以直观看到商家在各领域的收入。消费者在各领域的支出以及管理者能看到消费者与商家收支数据,方便简单,结果准确。
在其中一个实施例中,如图3所示,S150包括:
S151:通过环比计算公式,对目标数据和分类数据分别进行环比。
S152:根据目标数据和分类数据的环比结果,获取目标数据和分类数据各自的单位时间内交易额增减幅度。
S153:根据交易额增减幅度和环比结果进行可视化映射,生成分类数据可视化账目图表和目标数据可视化账目图表。
其中,环比是指连续两个单位周期,比如连续两月,两年等时间内的量的变化比,环比计算公式可以为:环比增长率=(本期数-上期数)/上期数×100%,反映本期比上期增长了多少。进一步的,在本实施例中,以用户为商家为例,当商家是设定月为单位进行重采样得到的目标数据时,可以设置环比周期为月,通过环比,对相邻月份收入进行比较,如,当1月份收入5000,2月份收入9000、3月份收入15000万,通过环比得到2月同1月相比得到的环比率即交易金额增长幅度为(9000-5000)/5000×100%=80%,非必要的根据环比发展速度公式,可得2月的环比增长速度为9000/5000×100%=180%,对于3月与2月的环比,3月环比增长率即交易金额增长幅度=(18000-9000)/9000×100%=100%,非必要的根据环比发展速度公式,可得3月的环比增长速度为18000/9000×100%=200%,根据环比结果和交易金额增长幅度,当增长幅度大于预设阈值时,在进行可视化映射的过程中,进行高亮标识突出处理,生成目标数据可视化账目图表。可以理解的是,目标数据可视化账目图表可以为曲线图和柱状图等图表。以柱状图为例,以X轴为单位时间,Y轴为交易金额,直观的看到每月收益以及当月收益较上一月交易金额大于预设阈值时的突出显示数据。对于分类数据,以用户为消费者为例,当分类数据中,当12月,娱乐数据支出为200、教育类交易支出为500、投资类支出为1万、服饰类支出为300时,11月娱乐支出为100,教育支出为0,投资支出为2万,服饰支出为500时,通过环比计算公式,对12月份与11月份的同类数据进行比较,当交易金额增长幅度大于预设阈值时,生成分类数据可视化账目图表并进行高亮突出,分类数据可视化账目图表可以包括扇形图、雷达图以及曲线图等账目图表。当分类数据账目图表为扇形图时,清楚直观的看到当月每类交易数据占总支出的比重,并能看到每一类数据较上一月同类交易数据的支出增减的高亮显示数据。非必要的,在扇形图中,当用户点击某一类交易数据如娱乐交易数据时,可对娱乐交易数据进行展开,展现娱乐类数据中的每一笔具体交易情况。在本实施例中,对可视化账目图表的图表形式并不做限定,可根据实际情况进行选择。通过可视化账目图表能够直观掌握支出与收益的整体变化以及不同类别收益与支出的变化,结果准确,对账简单。
在其中一个实施例中,将目标数据和分类数据分别进行可视化映射,生成目标数据可视化账目图表和分类数据可视化账目图表之后,还包括:对目标数据可视化账目图表和分类数据可视化账目图表进行分析,将目标数据可视化账目图表和分类数据可视化账目图表以及分析结果推送至用户。其中,生成目标数据可视化图表和分类数据可视化图表后,对图表进行分析,例如,当用户为消费者时,针对消费者消费数据进行分析,消费数据中娱乐类型支出占比重大于45%时,建议未来降低娱乐消费,并推荐健身、教育等类型消费,或为用户推荐消费计划,平衡用户消费支出。当用户为商家时,当某一产品销量收益呈现增长趋势,或某一商品销量收益下降,建议两种商品捆绑销售等。当用户为管理者时,推送每月销售量最高的商家,对商家销售量进行排序,推送当月销售量最高的产品,对各产品按销售量收益进行排序。非必要的,当用户为消费者时,通过目标数据可视化账目图表,可以设置下一时间段,如下一年或下月或第二天等时间段内的消费上限数据,当进行消费支出时,对消费者进行提醒。通过推送可视化图表和对可视化图表的分析结果,使用户能够客观直接的看到数据增减情况以及获取应对数据增减情况而做出的建议,过程简单,使用方便。
在其中一个实施例中,如图4所示,提供了一种对账图表生成装置,包括以下模块:
交易数据获取模块410,获取交易数据,并将所述交易数据划分为多个交易数据段;
清洗数据获取模块420,用于分别对每个所述交易数据段进行噪声数据分析,并根据噪声数据分析结果,对所述交易数据进行清洗,获取已清洗数据;
目标数据获取模块430,用于对所述已清洗数据进行不同时间维度的采样处理,获取目标数据;
分类数据获取模块440,用于基于贝叶斯分类法,对所述已清洗数据进行分类,获取分类数据;
图表生成模块450,用于将所述目标数据和所述分类数据分别进行可视化映射,生成可视化账目图表。
上述对账图表生成装置,通过对交易数据进行分段清洗,去除噪声数据,减少后续数据处理量,采用不同时间维度对清洗后的数据进行采样,得到扩容后的目标数据,确保目标数据能够更加全面正确表征交易数据,再通过基于贝叶斯分类法对目标数据进行准确分类,将所述目标数据和所述分类数据分别进行可视化映射,生成携带有不同时间维度和类型的对账图表,便于进行交易数据对账,可以显著提高交易数据对账效率与准确度。
在其中一个实施例中,上述对账图表生成装置还包括用户识别模块,用于识别用户标识;根据用户标识,配置用户对应的管理权限;获取交易数据包括:响应用户根据管理权限所进行的获取账单信息操作,获取交易数据。
在其中一个实施例中,清洗数据获取模块420,还用于分别对每个所述交易数据段进行噪声数据分析;根据各交易数据段对应的所述噪声数据分析结果,获取各所述交易数据段中待清洗字段;查找待清洗字段中的可扩维字段,对可扩维字段进行高阶张量扩维,获得张量字段集;利用张量字段集中与待清洗字段相关的张量字段对待清洗字段进行清洗,获取已清洗数据。
在其中一个实施例中,目标数据获取模块430,还用于调用resample函数设置第一时间维度采样频率,根据所述第一时间维度采样频率对所述已清洗数据进行采样处理,得到第一时间维度目标数据;调用resample函数设置第二时间维度采样频率,根据所述第二时间维度采样频率对所述已清洗数据进行采样处理,得到第二时间维度目标数据;组合所述第一时间维度目标数据和所述第二时间维度目标数据,得到目标数据。
在其中一个实施例中,分类数据获取模块440,还用于获取历史样本已清洗数据;采用朴素贝叶斯分类算法对所述历史样本已清洗数据进行训练,得到已训练的朴素贝叶斯分类函数;通过所述已训练的朴素贝叶斯分类函数,对所述已清洗数据进行分类,获取分类数据。
在其中一个实施例中,图表生成模块450,还用于通过环比计算公式,对目标数据和分类数据分别进行环比;根据目标数据和分类数据的环比结果,获取目标数据和分类数据各自的单位时间内交易额增减幅度;根据交易额增减幅度和环比结果进行可视化映射,生成分类数据可视化账目图表和目标数据可视化账目图表。
在其中一个实施例中,上述对账图表生成装置还包括分析模块,用于对目标数据可视化账目图表和分类数据可视化账目图表进行分析,将目标数据可视化账目图表和分类数据可视化账目图表以及分析结果推送至用户。
关于对账图表生成装置的具体限定可以参见上文中对于对账图表生成方法的限定,在此不再赘述。上述对账图表生成装置中的各个模块可全部或部分通过软件、硬件及其组合来实现。上述各模块可以硬件形式内嵌于或独立于计算机设备中的处理器中,也可以软件形式存储于计算机设备中的存储器中,以便于处理器调用执行以上各个模块对应的操作。
在其中一个实施例中,提供了一种计算机设备,该计算机设备可以是服务器,其内部结构图可以如图5所示。该计算机设备包括通过***总线连接的处理器、存储器、网络接口和数据库。其中,该计算机设备的处理器用于提供计算和控制能力。该计算机设备的存储器包括非易失性存储介质、内存储器。该非易失性存储介质存储有操作***、计算机程序和数据库。该内存储器为非易失性存储介质中的操作***和计算机程序的运行提供环境。该计算机设备的数据库用于存对账图表生成数据。该计算机设备的网络接口用于与外部的终端通过网络连接通信。该计算机程序被处理器执行时实现一种对账图表生成方法。
本领域技术人员可以理解,图5中示出的结构,仅仅是与本申请方案相关的部分结构的框图,并不构成对本申请方案所应用于其上的计算机设备的限定,具体的计算机设备可以包括比图中所示更多或更少的部件,或者组合某些部件,或者具有不同的部件布置。
在其中一个实施例中,提供了一种计算机设备,包括存储器和处理器,存储器中存储有计算机程序,该处理器执行计算机程序时实现以下步骤:
获取交易数据,并将所述交易数据划分为多个交易数据段;
分别对每个所述交易数据段进行噪声数据分析,并根据噪声数据分析结果,对所述交易数据进行清洗,获取已清洗数据;
对所述已清洗数据进行不同时间维度的采样处理,获取目标数据;
基于贝叶斯分类法,对所述已清洗数据进行分类,获取分类数据;
将所述目标数据和所述分类数据分别进行可视化映射,生成可视化账目图表。
在其中一个实施例中,处理器执行计算机程序时还实现以下步骤:
分别对每个所述交易数据段进行噪声数据分析;根据各交易数据段对应的所述噪声数据分析结果,获取各所述交易数据段中待清洗字段;查找所述待清洗字段中的可扩维字段,对所述可扩维字段进行高阶张量扩维,获得张量字段集;通过所述张量字段集中与所述待清洗字段相关的张量字段对所述待清洗字段进行清洗,获取已清洗数据。
在其中一个实施例中,处理器执行计算机程序时还实现以下步骤:
调用resample函数设置第一时间维度采样频率,根据所述第一时间维度采样频率对所述已清洗数据进行采样处理,得到第一时间维度目标数据;调用resample函数设置第二时间维度采样频率,根据所述第二时间维度采样频率对所述已清洗数据进行采样处理,得到第二时间维度目标数据;组合所述第一时间维度目标数据和所述第二时间维度目标数据,得到目标数据。
在其中一个实施例中,处理器执行计算机程序时还实现以下步骤:
获取历史样本已清洗数据;采用朴素贝叶斯分类算法对所述历史样本已清洗数据进行训练,得到已训练的朴素贝叶斯分类函数;通过所述已训练的朴素贝叶斯分类函数,对所述已清洗数据进行分类,获取分类数据。
在其中一个实施例中,处理器执行计算机程序时还实现以下步骤:
通过环比计算公式,对所述目标数据和所述分类数据分别进行环比;根据所述目标数据和所述分类数据的环比结果,获取所述目标数据和所述分类数据各自的单位时间内交易额增减幅度;根据所述交易额增减幅度和所述环比结果进行可视化映射,生成所述分类数据可视化账目图表和所述目标数据可视化账目图表。
在其中一个实施例中,处理器执行计算机程序时还实现以下步骤:
对所述分类数据可视化账目图表和所述目标数据可视化账目图表进行分析,将所述分类数据可视化账目图表和所述目标数据可视化账目图表以及分析结果推送至用户。
在其中一个实施例中,提供了一种计算机可读存储介质,其上存储有计算机程序,计算机程序被处理执行时实现以下步骤:
获取交易数据,并将所述交易数据划分为多个交易数据段;
分别对每个所述交易数据段进行噪声数据分析,并根据噪声数据分析结果,对所述交易数据进行清洗,获取已清洗数据;
对所述已清洗数据进行不同时间维度的采样处理,获取目标数据;
基于贝叶斯分类法,对所述已清洗数据进行分类,获取分类数据;
将所述目标数据和所述分类数据分别进行可视化映射,生成可视化账目图表。
在其中一个实施例中,计算机程序被处理器执行时还实现以下步骤:
分别对每个所述交易数据段进行噪声数据分析;根据各交易数据段对应的所述噪声数据分析结果,获取各所述交易数据段中待清洗字段;查找所述待清洗字段中的可扩维字段,对所述可扩维字段进行高阶张量扩维,获得张量字段集;通过所述张量字段集中与所述待清洗字段相关的张量字段对所述待清洗字段进行清洗,获取已清洗数据。
在其中一个实施例中,计算机程序被处理器执行时还实现以下步骤:
调用resample函数设置第一时间维度采样频率,根据所述第一时间维度采样频率对所述已清洗数据进行采样处理,得到第一时间维度目标数据;调用resample函数设置第二时间维度采样频率,根据所述第二时间维度采样频率对所述已清洗数据进行采样处理,得到第二时间维度目标数据;组合所述第一时间维度目标数据和所述第二时间维度目标数据,得到目标数据。
在其中一个实施例中,计算机程序被处理器执行时还实现以下步骤:
获取历史样本已清洗数据;采用朴素贝叶斯分类算法对所述历史样本已清洗数据进行训练,得到已训练的朴素贝叶斯分类函数;通过所述已训练的朴素贝叶斯分类函数,对所述已清洗数据进行分类,获取分类数据。
在其中一个实施例中,计算机程序被处理器执行时还实现以下步骤:
通过环比计算公式,对所述目标数据和所述分类数据分别进行环比;根据所述目标数据和所述分类数据的环比结果,获取所述目标数据和所述分类数据各自的单位时间内交易额增减幅度;根据所述交易额增减幅度和所述环比结果进行可视化映射,生成所述分类数据可视化账目图表和所述目标数据可视化账目图表。
在其中一个实施例中,计算机程序被处理器执行时还实现以下步骤:
对所述分类数据可视化账目图表和所述目标数据可视化账目图表进行分析,将所述分类数据可视化账目图表和所述目标数据可视化账目图表以及分析结果推送至用户。
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,是可以通过计算机程序来指令相关的硬件来完成,所述的计算机程序可存储于一非易失性计算机可读取存储介质中,该计算机程序在执行时,可包括如上述各方法的实施例的流程。其中,本申请所提供的各实施例中所使用的对存储器、存储、数据库或其它介质的任何引用,均可包括非易失性和/或易失性存储器。非易失性存储器可包括只读存储器(ROM)、可编程ROM(PROM)、电可编程ROM(EPROM)、电可擦除可编程ROM(EEPROM)或闪存。易失性存储器可包括随机存取存储器(RAM)或者外部高速缓冲存储器。作为说明而非局限,RAM以多种形式可得,诸如静态RAM(SRAM)、动态RAM(DRAM)、同步DRAM(SDRAM)、双数据率SDRAM(DDRSDRAM)、增强型SDRAM(ESDRAM)、同步链路(Synchlink)DRAM(SLDRAM)、存储器总线(Rambus)直接RAM(RDRAM)、直接存储器总线动态RAM(DRDRAM)、以及存储器总线动态RAM(RDRAM)等。
以上所述实施例的各技术特征可以进行任意的组合,为使描述简洁,未对上述实施例中的各个技术特征所有可能的组合都进行描述,然而,只要这些技术特征的组合不存在矛盾,都应当认为是本说明书记载的范围。
以上所述实施例仅表达了本发明的几种实施方式,其描述较为具体和详细,但并不能因此而理解为对发明专利范围的限制。应当指出的是,对于本领域的普通技术人员来说,在不脱离本发明构思的前提下,还可以做出若干变形和改进,这些都属于本发明的保护范围。因此,本发明专利的保护范围应以所附权利要求为准。
Claims (10)
1.一种对账图表生成方法,其特征在于,所述方法包括:
获取交易数据,并将所述交易数据划分为多个交易数据段;
分别对每个所述交易数据段进行噪声数据分析,并根据噪声数据分析结果,对所述交易数据进行清洗,获取已清洗数据;
对所述已清洗数据进行不同时间维度的采样处理,获取目标数据;
基于贝叶斯分类法,对所述已清洗数据进行分类,获取分类数据;
将所述目标数据和所述分类数据分别进行可视化映射,生成可视化账目图表;
所述分别对每个所述交易数据段进行噪声数据分析,并根据噪声数据分析结果,对所述交易数据进行清洗,获取已清洗数据包括:分别对每个所述交易数据段进行噪声数据分析;根据各交易数据段对应的所述噪声数据分析结果,获取各所述交易数据段中待清洗字段;查找所述待清洗字段中的可扩维字段,对所述可扩维字段进行高阶张量扩维,获得张量字段集;通过所述张量字段集中与所述待清洗字段相关的张量字段对所述待清洗字段进行清洗,获取已清洗数据。
2.根据权利要求1所述对账图表生成方法,其特征在于,所述对所述已清洗数据进行不同时间维度的采样处理,获取目标数据包括:
调用resample函数设置第一时间维度采样频率,根据所述第一时间维度采样频率对所述已清洗数据进行采样处理,得到第一时间维度目标数据;
调用resample函数设置第二时间维度采样频率,根据所述第二时间维度采样频率对所述已清洗数据进行采样处理,得到第二时间维度目标数据;
组合所述第一时间维度目标数据和所述第二时间维度目标数据,得到目标数据。
3.根据权利要求1所述对账图表生成方法,其特征在于,所述基于贝叶斯分类法,对所述已清洗数据进行分类,获取分类数据包括:
获取历史样本已清洗数据;
采用朴素贝叶斯分类算法对所述历史样本已清洗数据进行训练,得到已训练的朴素贝叶斯分类函数;
通过所述已训练的朴素贝叶斯分类函数,对所述已清洗数据进行分类,获取分类数据。
4.根据权利要求1所述对账图表生成方法,其特征在于,所述将所述目标数据和所述分类数据分别进行可视化映射,生成目标数据可视化账目图表和分类数据可视化账目图表包括:
通过环比计算公式,对所述目标数据和所述分类数据分别进行环比;
根据所述目标数据和所述分类数据的环比结果,获取所述目标数据和所述分类数据各自的单位时间内交易额增减幅度;
根据所述交易额增减幅度和所述环比结果进行可视化映射,生成所述分类数据可视化账目图表和所述目标数据可视化账目图表。
5.根据权利要求1所述对账图表生成方法,其特征在于,所述将所述目标数据和所述分类数据分别进行可视化映射,生成目标数据可视化账目图表和分类数据可视化账目图表之后,还包括:
对所述分类数据可视化账目图表和所述目标数据可视化账目图表进行分析,将所述分类数据可视化账目图表和所述目标数据可视化账目图表以及分析结果推送至用户。
6.一种对账图表生成装置,其特征在于,所述装置包括:
交易数据获取模块,获取交易数据,并将所述交易数据划分为多个交易数据段;
清洗数据获取模块,用于分别对每个所述交易数据段进行噪声数据分析,并根据噪声数据分析结果,对所述交易数据进行清洗,获取已清洗数据;
目标数据获取模块,用于对所述已清洗数据进行不同时间维度的采样处理,获取目标数据;
分类数据获取模块,用于基于贝叶斯分类法,对所述已清洗数据进行分类,获取分类数据;
图表生成模块,用于将所述目标数据和所述分类数据分别进行可视化映射,生成可视化账目图表;所述清洗数据获取模块还用于分别对每个所述交易数据段进行噪声数据分析;根据各交易数据段对应的所述噪声数据分析结果,获取各所述交易数据段中待清洗字段;查找所述待清洗字段中的可扩维字段,对所述可扩维字段进行高阶张量扩维,获得张量字段集;通过所述张量字段集中与所述待清洗字段相关的张量字段对所述待清洗字段进行清洗,获取已清洗数据。
7.根据权利要求6所述的装置,其特征在于,目标数据获取模块,还用于调用resample函数设置第一时间维度采样频率,根据所述第一时间维度采样频率对所述已清洗数据进行采样处理,得到第一时间维度目标数据;调用resample函数设置第二时间维度采样频率,根据所述第二时间维度采样频率对所述已清洗数据进行采样处理,得到第二时间维度目标数据;组合所述第一时间维度目标数据和所述第二时间维度目标数据,得到目标数据。
8.根据权利要求6所述的装置,其特征在于,分类数据获取模块,还用于获取历史样本已清洗数据;采用朴素贝叶斯分类算法对所述历史样本已清洗数据进行训练,得到已训练的朴素贝叶斯分类函数;通过所述已训练的朴素贝叶斯分类函数,对所述已清洗数据进行分类,获取分类数据。
9.一种计算机设备,包括存储器和处理器,所述存储器存储有计算机程序,其特征在于,所述处理器执行所述计算机程序时实现权利要求1至5中任一项所述方法的步骤。
10.一种计算机可读存储介质,其上存储有计算机程序,其特征在于,所述计算机程序被处理器执行时实现权利要求1至5中任一项所述的方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910566114.5A CN110413967B (zh) | 2019-06-27 | 2019-06-27 | 对账图表生成方法、装置、计算机设备以及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910566114.5A CN110413967B (zh) | 2019-06-27 | 2019-06-27 | 对账图表生成方法、装置、计算机设备以及存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110413967A CN110413967A (zh) | 2019-11-05 |
CN110413967B true CN110413967B (zh) | 2024-03-08 |
Family
ID=68359910
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910566114.5A Active CN110413967B (zh) | 2019-06-27 | 2019-06-27 | 对账图表生成方法、装置、计算机设备以及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110413967B (zh) |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107103532A (zh) * | 2017-05-22 | 2017-08-29 | 中国建设银行股份有限公司 | 一种汇率数据展示方法和*** |
CN107798534A (zh) * | 2017-11-24 | 2018-03-13 | 珠海市魅族科技有限公司 | 一种信息记录方法及装置、终端和可读存储介质 |
CN109460421A (zh) * | 2018-10-09 | 2019-03-12 | 四川航天信息有限公司 | 商户交易数据管理方法及装置 |
CN109543162A (zh) * | 2018-10-17 | 2019-03-29 | 金蝶软件(中国)有限公司 | 数据的多图表展示方法、装置、计算机设备和存储介质 |
CN109669933A (zh) * | 2018-12-10 | 2019-04-23 | 平安科技(深圳)有限公司 | 交易数据智能处理方法、装置及计算机可读存储介质 |
Family Cites Families (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
DE10017710A1 (de) * | 2000-04-10 | 2001-10-18 | Johannes Schellmann | Verfahren zum Erfassen und Verarbeiten von Daten von Geschäftsvorfällen |
US8812351B2 (en) * | 2006-10-05 | 2014-08-19 | Richard Zollino | Method of analyzing credit card transaction data |
-
2019
- 2019-06-27 CN CN201910566114.5A patent/CN110413967B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107103532A (zh) * | 2017-05-22 | 2017-08-29 | 中国建设银行股份有限公司 | 一种汇率数据展示方法和*** |
CN107798534A (zh) * | 2017-11-24 | 2018-03-13 | 珠海市魅族科技有限公司 | 一种信息记录方法及装置、终端和可读存储介质 |
CN109460421A (zh) * | 2018-10-09 | 2019-03-12 | 四川航天信息有限公司 | 商户交易数据管理方法及装置 |
CN109543162A (zh) * | 2018-10-17 | 2019-03-29 | 金蝶软件(中国)有限公司 | 数据的多图表展示方法、装置、计算机设备和存储介质 |
CN109669933A (zh) * | 2018-12-10 | 2019-04-23 | 平安科技(深圳)有限公司 | 交易数据智能处理方法、装置及计算机可读存储介质 |
Also Published As
Publication number | Publication date |
---|---|
CN110413967A (zh) | 2019-11-05 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Munappy et al. | Data management challenges for deep learning | |
US8577791B2 (en) | System and computer program for modeling and pricing loan products | |
US10614073B2 (en) | System and method for using data incident based modeling and prediction | |
US20150066992A1 (en) | Change Value Database System and Method | |
CN110163722B (zh) | 用于农产品精准销售的大数据分析***及分析方法 | |
US20200193321A1 (en) | Machine learning models for evaluating differences between groups and methods thereof | |
Annan et al. | Determinants of tax evasion in Ghana: 1970-2010 | |
CN113450004A (zh) | 电力信用报告生成方法、装置、电子设备及可读存储介质 | |
CN110413967B (zh) | 对账图表生成方法、装置、计算机设备以及存储介质 | |
Niknya et al. | Financial distress prediction of Tehran Stock Exchange companies using support vector machine | |
CN114626940A (zh) | 数据分析方法、装置及电子设备 | |
CN114297052A (zh) | 测试数据生成方法及装置 | |
CN115063143A (zh) | 账户数据处理方法、装置、计算机设备和存储介质 | |
Siregar et al. | Classification data for direct marketing using deep learning | |
CN113128739B (zh) | 用户触达时间的预测方法、预测模型训练方法及相关装置 | |
CN113298575A (zh) | 一种商标价值批量评估的方法、***、设备及存储介质 | |
Ahmed et al. | Navigating the Interest Rate Forecasting Landscape: Unveiling ARIMA’s Power and Pitfalls in Comparison to Advanced Machine Learning Models | |
WO2015191592A1 (en) | System and method for generating descriptive measures that assesses the financial health of a business | |
US20170169450A1 (en) | Virtual panel creation method and apparatus | |
US20240112045A1 (en) | Synthetic data generation for machine learning models | |
CN115689779B (zh) | 一种基于云端信用决策的用户风险预测方法及*** | |
CN114817725B (zh) | 一种行为决策逻辑识别方法及*** | |
Apitzsch et al. | Cluster Analysis of Mixed Data Types in Credit Risk: A study of clustering algorithms to detect customer segments | |
Karan et al. | Estimation of credit risk of retail stores by using their payment history: A combined logistic regression and multi-dea | |
CN116150227A (zh) | 一种目标对象的挖掘方法及装置 |
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 |