CN116881787A - 数据样本的分类方法和装置、处理器及电子设备 - Google Patents
数据样本的分类方法和装置、处理器及电子设备 Download PDFInfo
- Publication number
- CN116881787A CN116881787A CN202310848166.8A CN202310848166A CN116881787A CN 116881787 A CN116881787 A CN 116881787A CN 202310848166 A CN202310848166 A CN 202310848166A CN 116881787 A CN116881787 A CN 116881787A
- Authority
- CN
- China
- Prior art keywords
- data
- samples
- data samples
- classifying
- sample
- 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
- 238000000034 method Methods 0.000 title claims abstract description 78
- 230000002159 abnormal effect Effects 0.000 claims description 36
- 238000010586 diagram Methods 0.000 claims description 36
- 230000001932 seasonal effect Effects 0.000 claims description 25
- 238000013473 artificial intelligence Methods 0.000 abstract description 2
- 230000008569 process Effects 0.000 description 13
- 238000004590 computer program Methods 0.000 description 10
- 238000011144 upstream manufacturing Methods 0.000 description 10
- 241000728173 Sarima Species 0.000 description 8
- 238000012545 processing Methods 0.000 description 6
- 238000005516 engineering process Methods 0.000 description 5
- 230000006870 function Effects 0.000 description 5
- 238000012544 monitoring process Methods 0.000 description 5
- 238000012795 verification Methods 0.000 description 5
- 238000012217 deletion Methods 0.000 description 4
- 230000037430 deletion Effects 0.000 description 4
- 230000008520 organization Effects 0.000 description 4
- 238000011161 development Methods 0.000 description 3
- 238000012806 monitoring device Methods 0.000 description 3
- 230000003287 optical effect Effects 0.000 description 3
- 241001123248 Arma Species 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 2
- 230000005540 biological transmission Effects 0.000 description 2
- 238000012790 confirmation Methods 0.000 description 2
- 125000004122 cyclic group Chemical group 0.000 description 2
- 238000001514 detection method Methods 0.000 description 2
- 230000010354 integration Effects 0.000 description 2
- 230000003993 interaction Effects 0.000 description 2
- 230000007774 longterm Effects 0.000 description 2
- YHXISWVBGDMDLQ-UHFFFAOYSA-N moclobemide Chemical compound C1=CC(Cl)=CC=C1C(=O)NCCN1CCOCC1 YHXISWVBGDMDLQ-UHFFFAOYSA-N 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000013112 stability test Methods 0.000 description 2
- 238000004364 calculation method Methods 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 230000000737 periodic effect Effects 0.000 description 1
- 238000007781 pre-processing Methods 0.000 description 1
- 238000007493 shaping process Methods 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/10—Pre-processing; Data cleansing
-
- 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
- G06Q40/02—Banking, e.g. interest calculation or account maintenance
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2123/00—Data types
- G06F2123/02—Data types in the time domain, e.g. time-series data
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Business, Economics & Management (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Finance (AREA)
- Evolutionary Computation (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Accounting & Taxation (AREA)
- Evolutionary Biology (AREA)
- Development Economics (AREA)
- Economics (AREA)
- Marketing (AREA)
- Strategic Management (AREA)
- Technology Law (AREA)
- General Business, Economics & Management (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本申请公开了一种数据样本的分类方法和装置、处理器及电子设备。涉及人工智能领域，该方法包括：按照M种数据属性对历史报送数据进行分类，得到N个第一数据样本，其中，M、N为正整数；根据所述N个第一数据样本分别建立N个数据预测模型；按照所述M种数据属性对目标报送数据进行分类，得到N个第二数据样本；分别通过所述N个数据预测模型对所述N个第二数据样本进行分类，以确定所述目标报送数据中属于第一类别的K个第三数据样本，其中，K为正整数，K小于或等于N，所述N个数据预测模型、所述N个第二数据样本均与所述N个第一数据样本一一对应。
Description
技术领域
本申请涉及人工智能领域，具体而言，涉及一种数据样本的分类方法和装置、处理器及电子设备。
背景技术
相关技术中，银行的监管信息报送***采集各个上游业务***的跨境业务数据，并按照监管部门的要求按照不同的频度要求统一向监管机构报送；但由于上游业务***众多，涉及国际贸易收支、外汇账户结售汇、机构外币现钞存取、银行卡境外交易、银行自身资本和外债等业务，并且随着新技术的发展，各个业务***升级改造频繁，监管报送***对上游数据的异常波动缺少有效的监控及预测，从而导致报送到监管部门的数据存在错误缺失。
针对相关技术中监管报送***对上游数据的异常波动缺少有效的监控及预测，从而导致报送到监管部门的数据存在错误缺失的问题，目前尚未提出有效的解决方案。
发明内容
本申请的主要目的在于提供一种数据样本的分类方法和装置、处理器及电子设备，以解决相关技术中监管报送***对上游数据的异常波动缺少有效的监控及预测，从而导致报送到监管部门的数据存在错误缺失的问题。
为了实现上述目的，根据本申请的一个方面，提供了一种数据样本的分类方法。该方法包括：按照M种数据属性对历史报送数据进行分类，得到N个第一数据样本，其中，M、N为正整数；根据所述N个第一数据样本分别建立N个数据预测模型；按照所述M种数据属性对目标报送数据进行分类，得到N个第二数据样本；分别通过所述N个数据预测模型对所述N个第二数据样本进行分类，以确定所述目标报送数据中属于第一类别的K个第三数据样本，其中，K为正整数，K小于或等于N，所述N个数据预测模型、所述N个第二数据样本均与所述N个第一数据样本一一对应。
可选的，按照M种数据属性对历史报送数据进行分类，得到N个第一数据样本，包括：确定所述M种数据属性中每一种数据属性包含的数据子属性的类别的第一数量，得到M个第一数量；确定出所述M种数据属性中包含的N种数据类别，其中，所述N种数据类别中的每一种数据类别包含所述M种数据属性中每一种数据属性的一种数据子属性，所述N为所述M个第一数量的乘积；根据所述N种数据类别对所述历史报送数据进行分类，得到所述N个第一数据样本。
可选的，根据第一数据样本建立数据预测模型，包括：对所述第一数据样本进行平稳性校验；确定步骤：在确定所述第一数据样本未通过所述平稳性校验的情况下，确定所述第一数据样本的季节性周期；运算步骤：根据所述季节性周期对所述第一数据样本进行差分运算，得到第二数据样本；循环执行所述确定步骤和所述运算步骤，直至最终得到的目标第二数据样本通过所述平稳性校验；建立所述目标第二数据样本的自相关图和偏相关图，并根据所述自相关图和所述偏相关图建立所述数据预测模型。
可选的，根据所述自相关图和所述偏相关图建立所述数据预测模型之后，所述方法还包括：通过预设估计方法确定所述数据预测模型的第一参数；校验步骤：根据所述第一参数对所述数据预测模型进行准确性校验；调整步骤：在所述数据预测模型未通过所述准确性校验的情况下，通过调整所述数据预测模型的阶数来重新确定所述第一参数，其中，所述数据预测模型的阶数通过所述自相关图和所述偏相关图确定；循环执行所述校验步骤和所述调整步骤，直至所述数据预测模型通过所述准确性校验。
可选的，分别通过所述N个数据预测模型对所述N个第二数据样本进行分类，包括：通过所述N个数据预测模型预测出N个第四数据样本，其中，所述N个第四数据样本为所述N个第二数据样本的预测值；根据所述N个第四数据样本对所述N个第二数据样本进行分类。
可选的，根据所述N个第四数据样本对所述N个第二数据样本进行分类，包括：根据所述N个第四数据样本计算每一个第二数据样本的波动值，得到N个波动值；获取所述N个第二数据样本的波动预警值；在波动值小于或等于波动预警值的情况下，将对应的第二数据样本分类为第二类别，其中，所述第二类别用于指示所述第二数据样本正常；在波动值大于波动预警值的情况下，将对应的第二数据样本分类为所述第一类别，其中，所述第一类别用于指示所述第二数据样本异常。
可选的，确定所述目标报送数据中属于第一类别的K个第三数据样本之后，所述方法还包括：将所述K个第三数据样本的数据状态修改为目标状态，并发送提示信息给第一对象，其中，所述目标状态用于指示禁止将所述第三数据样本发送给第二对象。
为了实现上述目的，根据本申请的另一方面，提供了一种数据样本的分类装置。该装置包括：第一分类模块，用于按照M种数据属性对历史报送数据进行分类，得到N个第一数据样本，其中，M、N为正整数；建立模块，用于根据所述N个第一数据样本分别建立N个数据预测模型；第二分类模块，用于按照所述M种数据属性对目标报送数据进行分类，得到N个第二数据样本；确定模块，用于分别通过所述N个数据预测模型对所述N个第二数据样本进行分类，以确定所述目标报送数据中属于第一类别的K个第三数据样本，其中，K为正整数，K小于或等于N，所述N个数据预测模型、所述N个第二数据样本均与所述N个第一数据样本一一对应。
通过本申请，采用以下步骤：先按照M种数据属性对历史报送数据进行分类，得到N个第一数据样本；然后分别根据N个第一数据样本建立N个数据预测模型；按照这M种数据属性对目标报送数据进行分类，得到N个第二数据样本；然后分别通过这N个数据预测模型对这N个第二数据样本进行分类，从而确定出目标报送数据中属于第一类别的K个第三数据样本，K小于或等于N，这N个数据预测模型、N个第二数据样本都与N个第一数据样本一一对应；采用上述方案，在报送监管数据之前先对当日采集到的数据量进行波动值检查，确定出异常数据，有效避免将异常数据报送给监管部门；解决了相关技术中监管报送***对上游数据的异常波动缺少有效的监控及预测，从而导致报送到监管部门的数据存在错误缺失的问题。
附图说明
构成本申请的一部分的附图用来提供对本申请的进一步理解，本申请的示意性实施例及其说明用于解释本申请，并不构成对本申请的不当限定。在附图中：
图1是根据本申请实施例提供的数据样本的分类方法的流程图一；
图2是根据本申请实施例提供的历史报送数据的分类方法的流程图；
图3是根据本申请实施例提供的数据预测模型的建立方法的流程图；
图4是根据本申请实施例提供的数据样本的分类方法的流程图二；
图5是根据本申请实施例提供的异常数据监控装置的示意图；
图6是根据本申请实施例提供的监管报送流程示意图；
图7是根据本申请实施例提供的数据样本的分类装置的示意图；
图8是根据本申请实施例提供的一种可选的电子设备示意图。
具体实施方式
需要说明的是，在不冲突的情况下，本申请中的实施例及实施例中的特征可以相互组合。下面将参考附图并结合实施例来详细说明本申请。
为了使本技术领域的人员更好地理解本申请方案，下面将结合本申请实施例中的附图，对本申请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申请一部分的实施例，而不是全部的实施例。基于本申请中的实施例，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，都应当属于本申请保护的范围。
需要说明的是，本申请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，以便这里描述的本申请的实施例。此外，术语“包括”和“具有”以及他们的任何变形，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、***、产品或设备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。
下面结合优选的实施步骤对本发明进行说明，图1是根据本申请实施例提供的数据样本的分类方法的流程图，如图1所示，该方法包括如下步骤：
步骤S101，按照M种数据属性对历史报送数据进行分类，得到N个第一数据样本，其中，M、N为正整数；
步骤S102，根据所述N个第一数据样本分别建立N个数据预测模型；
步骤S103，按照所述M种数据属性对目标报送数据进行分类，得到N个第二数据样本；
步骤S104，分别通过所述N个数据预测模型对所述N个第二数据样本进行分类，以确定所述目标报送数据中属于第一类别的K个第三数据样本，其中，K为正整数，K小于或等于N，所述N个数据预测模型、所述N个第二数据样本均与所述N个第一数据样本一一对应。
本申请实施例提供的数据样本的分类方法，先按照M种数据属性对历史报送数据进行分类，得到N个第一数据样本；然后分别根据N个第一数据样本建立N个数据预测模型；按照这M种数据属性对目标报送数据进行分类，得到N个第二数据样本；然后分别通过这N个数据预测模型对这N个第二数据样本进行分类，从而确定出目标报送数据中属于第一类别的K个第三数据样本，K小于或等于N，这N个数据预测模型、N个第二数据样本都与N个第一数据样本一一对应；采用上述方案，在报送监管数据之前先对当日采集到的数据量进行波动值检查，确定出异常数据，有效避免将异常数据报送给监管部门；解决了相关技术中监管报送***对上游数据的异常波动缺少有效的监控及预测，从而导致报送到监管部门的数据存在错误缺失的问题。
可选的，执行上述步骤S101：按照M种数据属性对历史报送数据进行分类，得到N个第一数据样本，包括以下步骤：确定所述M种数据属性中每一种数据属性包含的数据子属性的类别的第一数量，得到M个第一数量；确定出所述M种数据属性中包含的N种数据类别，其中，所述N种数据类别中的每一种数据类别包含所述M种数据属性中每一种数据属性的一种数据子属性，所述N为所述M个第一数量的乘积；根据所述N种数据类别对所述历史报送数据进行分类，得到所述N个第一数据样本。
通过以下方式对历史报送数据进行细分：例如数据属性包含业务品种、交易***、交易渠道、客户类型四种，其中，业务品种包含a，b，c三种数据子属性；交易***包括d，e两种数据子属性；交易渠道包括f，g，h三种数据子属性；客户类型包括i，j，k，l四种数据子属性；因此根据这些数据属性可以分类出3*2*3*4＝72(N)种数据类别，这72种数据类别由这四种数据属性包含的不同数据子属性排列组成；然后根据这72种数据类别对历史报送数据进行分类，使得每个细分出的数据样本中的数据属性更加趋同，最大程度减少误差。
上述对历史报送数据进行细分的过程如图2所示，图2是本申请实施例提供的一种可选的历史报送数据的分类方法的流程图，具体包括以下步骤：
步骤S201：获取初始日期至t-1日的历史报送数据，t为当日日期；
步骤S202：按照数据属性将历史报送数据细分为若干个样本(相当于上述N个第一数据样本)。
需要说明的是，数据属性可以包括：业务品种、交易***、交易渠道、客户类型等，还可以包括其他数据属性，本申请仅用作示例，对此不作限制。
可选的，可以通过以下方法来根据第一数据样本建立数据预测模型，具体包括：对所述第一数据样本进行平稳性校验；确定步骤：在确定所述第一数据样本未通过所述平稳性校验的情况下，确定所述第一数据样本的季节性周期；运算步骤：根据所述季节性周期对所述第一数据样本进行差分运算，得到第二数据样本；循环执行所述确定步骤和所述运算步骤，直至最终得到的目标第二数据样本通过所述平稳性校验；建立所述目标第二数据样本的自相关图和偏相关图，并根据所述自相关图和所述偏相关图建立所述数据预测模型。
建立数据预测模型的方法包括：先对第一数据样本进行平稳性校验，然后循环执行以下过程直至满足预设条件：若确定第一数据样本未通过平稳性校验，确定出第一数据样本的季节性周期，然后根据季节性周期对第一数据样本进行差分运算，得到第二数据样本；循环结束后，最终得到的目标第二数据样本可以通过该平稳性校验；然后建立该目标第二数据样本的自相关图和偏相关图，然后根据自相关图和偏相关图建立该数据预测模型。
需要说明的是，上述数据预测模型可以为SARIMA(Seasonal AutoregressiveIntegrated Moving Average model，季节性差分整合移动平均自回归模型)，是时间序列预测分析方法之一。时间序列的四种因素长期趋势、季节变动、循环波动和随机干扰之间往往存在着复杂的相互作用关系，使得使用ARIMA模型很难拟合序列的发展，因此需要建立SARIMA模型。
基于上述步骤，根据所述自相关图和所述偏相关图建立所述数据预测模型之后，所述方法还包括：通过预设估计方法确定所述数据预测模型的第一参数；校验步骤：根据所述第一参数对所述数据预测模型进行准确性校验；调整步骤：在所述数据预测模型未通过所述准确性校验的情况下，通过调整所述数据预测模型的阶数来重新确定所述第一参数，其中，所述数据预测模型的阶数通过所述自相关图和所述偏相关图确定；循环执行所述校验步骤和所述调整步骤，直至所述数据预测模型通过所述准确性校验。
建立出数据预测模型之后，需要通过预设估计方法确定出该数据预测模型的第一参数；然后循环执行以下过程，直至满足预设条件循环结束：根据第一参数对数据预测模型进行准确性校验，在数据预测模型未通过准确性校验的情况下，通过调整数据预测模型的阶数重新确定第一参数，该数据预测模型的阶数可以通过自相关图和偏相关图确定；循环结束后，数据预测模型可以通过该准确性校验。
可选的，本申请实施例提供了另一种数据预测模型的建立方法，具体步骤如图3所示，包括以下步骤：
步骤S301：获取时间序列；
步骤S302：进行平稳性检验，若未通过则执行步骤S303；若通过则执行步骤S304；
利用时间序列模型建模，需要对数据的平稳性进行检验，如果检验序列平稳，则直接进行模型识别；如果检验序列不平稳，则应对序列进行差分处理直到平稳为止。
步骤S303：对时间序列进行差分处理；
对于只包含趋势性的非平稳时间序列，经过适当的逐期差分消除趋势影响后，再对形成的新的平稳序列建立ARMA(p，q)模型提取时间序列的相关性。若原时间序列同时包含趋势性和季节性变化时，季节效应本身也具有相关性，因此，季节相关性的提取可以使用以周期步长为单位的ARMA(P，Q)模型。
步骤S304：通过模型识别时间序列；
步骤S305：估计模型参数；
步骤S306：进行模型校验，若校验通过，则执行步骤S307，若校验未通过，则执行步骤S304；
步骤S307：模型定型。
可选的，执行上述步骤S104：分别通过所述N个数据预测模型对所述N个第二数据样本进行分类，包括：通过所述N个数据预测模型预测出N个第四数据样本，其中，所述N个第四数据样本为所述N个第二数据样本的预测值；根据所述N个第四数据样本对所述N个第二数据样本进行分类。
通过数据预测模型对第二数据样本进行分类的过程包括：先通过N个数据预测模型预测出这N个第二数据样本的预测值，即该N个第四数据样本；然后根据预测值来对第二数据样本进行分类。
可选的，在本实施例中，执行上述步骤：根据所述N个第四数据样本对所述N个第二数据样本进行分类，包括：根据所述N个第四数据样本计算每一个第二数据样本的波动值，得到N个波动值；获取所述N个第二数据样本的波动预警值；在波动值小于或等于波动预警值的情况下，将对应的第二数据样本分类为第二类别，其中，所述第二类别用于指示所述第二数据样本正常；在波动值大于波动预警值的情况下，将对应的第二数据样本分类为所述第一类别，其中，所述第一类别用于指示所述第二数据样本异常。
其中，根据N各第四数据样本对该N个第二数据样本进行分类的过程包括：先根据该N个第四数据样本与该N个第二数据样本的差值计算出每一个第二数据样本的波动值；然后获取这N个第二数据样本对应的波动预警值；若波动值小于或等于波动预警值，则将对应的第二数据样本分类为第二类别，第二类别为正常的数据样本类别；若波动值大于波动预警值，则将对应的第二数据样本分类为第一类别，第一类别为异常的数据样本类别。
需要说明的是，每一个第二数据样本对应的波动预警值可以相同，也可以不同，本申请对此不作限制。
基于上述步骤，在本实施例中，确定所述目标报送数据中属于第一类别的K个第三数据样本之后，所述方法还包括：将所述K个第三数据样本的数据状态修改为目标状态，并发送提示信息给第一对象，其中，所述目标状态用于指示禁止将所述第三数据样本发送给第二对象。
确定出第一类别(即数据波动异常)的K个第三数据样本之后，还需要将这K个第三数据样本的数据状态修改为目标状态，并发送提示信息给第一对象，告知第一对象进行确认，其中，该目标状态用于指示禁止将该第三数据样本发送给第二对象，从而有效避免将异常数据报送给监管部门。
可选的，本申请实施例提供了一种可选的数据样本的分类方法，如图4所示，具体包括以下步骤：
步骤S401：读取当日采集数据(目标报送数据)；
步骤S402：按照数据属性将当日采集数据进行细分；
步骤S403：对于每一个采集数据，均执行以下步骤，以采集数据1为例；
步骤S404：计算实际采集数据量Zt；
读取当日采集数据，按照“业务机构、业务发生机构、渠道来源、客户类型、交易类型”计算每个细分维度的实际采集数据量Zt。
步骤S405：获取SARIMA模型(数据预测模型)的预测数据量Xt；
获取当日每个细分维度的SARIMA模型预测的报送数据量Xt。
步骤S406：计算实际采集数据波动值Ft；
以SARIMA模型预测的报送数据量Xt为基础，计算某个细分维度(采集数据1)当日实际采集数据量波动值Ft：
Ft＝abs((Zt-Xt)/Xt)；
步骤S407：获取监管报送***预先设置的每个细分维度的波动预警值Y；
步骤S408：判断波动值Ft与波动预警值Y的大小，若波动值小于或等于波动预警值，则执行步骤S409；若波动值大于波动预警值，则执行步骤S410；
步骤S409：确定波动正常，更新数据状态为“待报送”；
当Ft≤Y时，即波动值小于等于预警值，则认为数据波动正常，更新对应采集数据的状态为“待报送”，等待报送模块读取。
步骤S410：确定波动异常，更新数据状态为“待确认”(相当于上述目标状态)。
当Ft>Y时，即波动值大于预警值，则认为数据波动异常，更新对应采集数据的状态为“待确认”，以防止被报送模块读取，同时调用邮件发送接口通知相关人员(第一对象)。
基于上述方法，本申请实施例提供了一种异常数据监控方法，应用于如图5所示的异常数据监控装置中，该异常数据监控装置用于执行以下步骤：
步骤S51：对历史报送数据进行细分和预处理；
步骤S52：基于每个细分样本分别建立SARIMA模型；
步骤S53：比较当日数据波动值和预警值(波动预警值)并更新数据状态。
通过上述异常数据监控装置，对当日报送数据进行异常数据检测，通过对检测出的数据标记上不同的数据状态，从而避免异常数据被报送。
可选的，上述异常数据监控装置应用于图6的监管报送***中，图6是本申请实施例提供的一种可选的监管报送流程示意图，包括：
各个上游业务***(单证结算***、境外带宽***、跨境支付***、金融市场交易***等)将报送数据发送至监管报送***处汇总，监管报送***通过采集模块采集这些报送数据，然后将报送数据输入到异常数据监控装置中进行异常数据检测，将报送数据进行数据状态更新，然后通过报送模块将正常数据报送到监管部门中，监管部门通过接收前置机接收正常的报送数据。
需要说明的是，在附图的流程图示出的步骤可以在诸如一组计算机可执行指令的计算机***中执行，并且，虽然在流程图中示出了逻辑顺序，但是在某些情况下，可以以不同于此处的顺序执行所示出或描述的步骤。
本申请实施例还提供了一种数据样本的分类装置，需要说明的是，本申请实施例的数据样本的分类装置可以用于执行本申请实施例所提供的数据样本的分类方法。以下对本申请实施例提供的数据样本的分类装置进行介绍。
图7是根据本申请实施例的数据样本的分类装置的示意图。如图7所示，该装置包括：
第一分类模块72，用于按照M种数据属性对历史报送数据进行分类，得到N个第一数据样本，其中，M、N为正整数；
建立模块74，用于根据所述N个第一数据样本分别建立N个数据预测模型；
第二分类模块76，用于按照所述M种数据属性对目标报送数据进行分类，得到N个第二数据样本；
确定模块78，用于分别通过所述N个数据预测模型对所述N个第二数据样本进行分类，以确定所述目标报送数据中属于第一类别的K个第三数据样本，其中，K为正整数，K小于或等于N，所述N个数据预测模型、所述N个第二数据样本均与所述N个第一数据样本一一对应。
本申请实施例提供的数据样本的分类装置，通过先按照M种数据属性对历史报送数据进行分类，得到N个第一数据样本；然后分别根据N个第一数据样本建立N个数据预测模型；按照这M种数据属性对目标报送数据进行分类，得到N个第二数据样本；然后分别通过这N个数据预测模型对这N个第二数据样本进行分类，从而确定出目标报送数据中属于第一类别的K个第三数据样本，K小于或等于N，这N个数据预测模型、N个第二数据样本都与N个第一数据样本一一对应；采用上述方案，在报送监管数据之前先对当日采集到的数据量进行波动值检查，确定出异常数据，有效避免将异常数据报送给监管部门；解决了相关技术中监管报送***对上游数据的异常波动缺少有效的监控及预测，从而导致报送到监管部门的数据存在错误缺失的问题。
可选的，上述第一分类模块72，还用于确定所述M种数据属性中每一种数据属性包含的数据子属性的类别的第一数量，得到M个第一数量；确定出所述M种数据属性中包含的N种数据类别，其中，所述N种数据类别中的每一种数据类别包含所述M种数据属性中每一种数据属性的一种数据子属性，所述N为所述M个第一数量的乘积；根据所述N种数据类别对所述历史报送数据进行分类，得到所述N个第一数据样本。
通过以下方式对历史报送数据进行细分：例如数据属性包含业务品种、交易***、交易渠道、客户类型四种，其中，业务品种包含a，b，c三种数据子属性；交易***包括d，e两种数据子属性；交易渠道包括f，g，h三种数据子属性；客户类型包括i，j，k，l四种数据子属性；因此根据这些数据属性可以分类出3*2*3*4＝72(N)种数据类别，这72种数据类别由这四种数据属性包含的不同数据子属性排列组成；然后根据这72种数据类别对历史报送数据进行分类，使得每个细分出的数据样本中的数据属性更加趋同，最大程度减少误差。
可选的，上述建立模块74，还用于对所述第一数据样本进行平稳性校验；确定步骤：在确定所述第一数据样本未通过所述平稳性校验的情况下，确定所述第一数据样本的季节性周期；运算步骤：根据所述季节性周期对所述第一数据样本进行差分运算，得到第二数据样本；循环执行所述确定步骤和所述运算步骤，直至最终得到的目标第二数据样本通过所述平稳性校验；建立所述目标第二数据样本的自相关图和偏相关图，并根据所述自相关图和所述偏相关图建立所述数据预测模型。
建立数据预测模型的方法包括：先对第一数据样本进行平稳性校验，然后循环执行以下过程直至满足预设条件：若确定第一数据样本未通过平稳性校验，确定出第一数据样本的季节性周期，然后根据季节性周期对第一数据样本进行差分运算，得到第二数据样本；循环结束后，最终得到的目标第二数据样本可以通过该平稳性校验；然后建立该目标第二数据样本的自相关图和偏相关图，然后根据自相关图和偏相关图建立该数据预测模型。
需要说明的是，上述数据预测模型可以为SARIMA(Seasonal AutoregressiveIntegrated Moving Average model，季节性差分整合移动平均自回归模型)，是时间序列预测分析方法之一。时间序列的四种因素长期趋势、季节变动、循环波动和随机干扰之间往往存在着复杂的相互作用关系，使得使用ARIMA模型很难拟合序列的发展，因此需要建立SARIMA模型。
基于上述步骤，上述建立模块74，还用于通过预设估计方法确定所述数据预测模型的第一参数；校验步骤：根据所述第一参数对所述数据预测模型进行准确性校验；调整步骤：在所述数据预测模型未通过所述准确性校验的情况下，通过调整所述数据预测模型的阶数来重新确定所述第一参数，其中，所述数据预测模型的阶数通过所述自相关图和所述偏相关图确定；循环执行所述校验步骤和所述调整步骤，直至所述数据预测模型通过所述准确性校验。
建立出数据预测模型之后，需要通过预设估计方法确定出该数据预测模型的第一参数；然后循环执行以下过程，直至满足预设条件循环结束：根据第一参数对数据预测模型进行准确性校验，在数据预测模型未通过准确性校验的情况下，通过调整数据预测模型的阶数重新确定第一参数，该数据预测模型的阶数可以通过自相关图和偏相关图确定；循环结束后，数据预测模型可以通过该准确性校验。
可选的，上述确定模块78，还用于通过所述N个数据预测模型预测出N个第四数据样本，其中，所述N个第四数据样本为所述N个第二数据样本的预测值；根据所述N个第四数据样本对所述N个第二数据样本进行分类。
通过数据预测模型对第二数据样本进行分类的过程包括：先通过N个数据预测模型预测出这N个第二数据样本的预测值，即该N个第四数据样本；然后根据预测值来对第二数据样本进行分类。
可选的，上述确定模块78，还用于根据所述N个第四数据样本计算每一个第二数据样本的波动值，得到N个波动值；获取所述N个第二数据样本的波动预警值；在波动值小于或等于波动预警值的情况下，将对应的第二数据样本分类为第二类别，其中，所述第二类别用于指示所述第二数据样本正常；在波动值大于波动预警值的情况下，将对应的第二数据样本分类为所述第一类别，其中，所述第一类别用于指示所述第二数据样本异常。
其中，根据N各第四数据样本对该N个第二数据样本进行分类的过程包括：先根据该N个第四数据样本与该N个第二数据样本的差值计算出每一个第二数据样本的波动值；然后获取这N个第二数据样本对应的波动预警值；若波动值小于或等于波动预警值，则将对应的第二数据样本分类为第二类别，第二类别为正常的数据样本类别；若波动值大于波动预警值，则将对应的第二数据样本分类为第一类别，第一类别为异常的数据样本类别。
需要说明的是，每一个第二数据样本对应的波动预警值可以相同，也可以不同，本申请对此不作限制。
可选的，上述确定模块78，还用于将所述K个第三数据样本的数据状态修改为目标状态，并发送提示信息给第一对象，其中，所述目标状态用于指示禁止将所述第三数据样本发送给第二对象。
确定出第一类别(即数据波动异常)的K个第三数据样本之后，还需要将这K个第三数据样本的数据状态修改为目标状态，并发送提示信息给第一对象，告知第一对象进行确认，其中，该目标状态用于指示禁止将该第三数据样本发送给第二对象，从而有效避免将异常数据报送给监管部门。
所述数据样本的分类装置包括处理器和存储器，上述第一分类模块、建立模块、第二分类模块、确定模块等均作为程序单元存储在存储器中，由处理器执行存储在存储器中的上述程序单元来实现相应的功能。
处理器中包含内核，由内核去存储器中调取相应的程序单元。内核可以设置一个或以上，通过调整内核参数来解决相关技术中监管报送***对上游数据的异常波动缺少有效的监控及预测，从而导致报送到监管部门的数据存在错误缺失的问题。
存储器可能包括计算机可读介质中的非永久性存储器，随机存取存储器(RAM)和/或非易失性内存等形式，如只读存储器(ROM)或闪存(flash RAM)，存储器包括至少一个存储芯片。
本发明实施例提供了一种计算机可读存储介质，其上存储有程序，该程序被处理器执行时实现所述数据样本的分类方法。
本发明实施例提供了一种处理器，所述处理器用于运行程序，其中，所述程序运行时执行所述数据样本的分类方法。
如图8所示，本发明实施例提供了一种电子设备，设备包括处理器、存储器及存储在存储器上并可在处理器上运行的程序，处理器执行程序时实现以下步骤：按照M种数据属性对历史报送数据进行分类，得到N个第一数据样本，其中，M、N为正整数；根据所述N个第一数据样本分别建立N个数据预测模型；按照所述M种数据属性对目标报送数据进行分类，得到N个第二数据样本；分别通过所述N个数据预测模型对所述N个第二数据样本进行分类，以确定所述目标报送数据中属于第一类别的K个第三数据样本，其中，K为正整数，K小于或等于N，所述N个数据预测模型、所述N个第二数据样本均与所述N个第一数据样本一一对应。
可选的，按照M种数据属性对历史报送数据进行分类，得到N个第一数据样本，包括：确定所述M种数据属性中每一种数据属性包含的数据子属性的类别的第一数量，得到M个第一数量；确定出所述M种数据属性中包含的N种数据类别，其中，所述N种数据类别中的每一种数据类别包含所述M种数据属性中每一种数据属性的一种数据子属性，所述N为所述M个第一数量的乘积；根据所述N种数据类别对所述历史报送数据进行分类，得到所述N个第一数据样本。
可选的，根据第一数据样本建立数据预测模型，包括：对所述第一数据样本进行平稳性校验；确定步骤：在确定所述第一数据样本未通过所述平稳性校验的情况下，确定所述第一数据样本的季节性周期；运算步骤：根据所述季节性周期对所述第一数据样本进行差分运算，得到第二数据样本；循环执行所述确定步骤和所述运算步骤，直至最终得到的目标第二数据样本通过所述平稳性校验；建立所述目标第二数据样本的自相关图和偏相关图，并根据所述自相关图和所述偏相关图建立所述数据预测模型。
可选的，根据所述自相关图和所述偏相关图建立所述数据预测模型之后，所述方法还包括：通过预设估计方法确定所述数据预测模型的第一参数；校验步骤：根据所述第一参数对所述数据预测模型进行准确性校验；调整步骤：在所述数据预测模型未通过所述准确性校验的情况下，通过调整所述数据预测模型的阶数来重新确定所述第一参数，其中，所述数据预测模型的阶数通过所述自相关图和所述偏相关图确定；循环执行所述校验步骤和所述调整步骤，直至所述数据预测模型通过所述准确性校验。
可选的，分别通过所述N个数据预测模型对所述N个第二数据样本进行分类，包括：通过所述N个数据预测模型预测出N个第四数据样本，其中，所述N个第四数据样本为所述N个第二数据样本的预测值；根据所述N个第四数据样本对所述N个第二数据样本进行分类。
可选的，根据所述N个第四数据样本对所述N个第二数据样本进行分类，包括：根据所述N个第四数据样本计算每一个第二数据样本的波动值，得到N个波动值；获取所述N个第二数据样本的波动预警值；在波动值小于或等于波动预警值的情况下，将对应的第二数据样本分类为第二类别，其中，所述第二类别用于指示所述第二数据样本正常；在波动值大于波动预警值的情况下，将对应的第二数据样本分类为所述第一类别，其中，所述第一类别用于指示所述第二数据样本异常。
可选的，确定所述目标报送数据中属于第一类别的K个第三数据样本之后，所述方法还包括：将所述K个第三数据样本的数据状态修改为目标状态，并发送提示信息给第一对象，其中，所述目标状态用于指示禁止将所述第三数据样本发送给第二对象。
本文中的设备可以是服务器、PC、PAD、手机等。
本申请还提供了一种计算机程序产品，当在数据处理设备上执行时，适于执行初始化有如下方法步骤的程序：按照M种数据属性对历史报送数据进行分类，得到N个第一数据样本，其中，M、N为正整数；根据所述N个第一数据样本分别建立N个数据预测模型；按照所述M种数据属性对目标报送数据进行分类，得到N个第二数据样本；分别通过所述N个数据预测模型对所述N个第二数据样本进行分类，以确定所述目标报送数据中属于第一类别的K个第三数据样本，其中，K为正整数，K小于或等于N，所述N个数据预测模型、所述N个第二数据样本均与所述N个第一数据样本一一对应。
可选的，按照M种数据属性对历史报送数据进行分类，得到N个第一数据样本，包括：确定所述M种数据属性中每一种数据属性包含的数据子属性的类别的第一数量，得到M个第一数量；确定出所述M种数据属性中包含的N种数据类别，其中，所述N种数据类别中的每一种数据类别包含所述M种数据属性中每一种数据属性的一种数据子属性，所述N为所述M个第一数量的乘积；根据所述N种数据类别对所述历史报送数据进行分类，得到所述N个第一数据样本。
可选的，根据第一数据样本建立数据预测模型，包括：对所述第一数据样本进行平稳性校验；确定步骤：在确定所述第一数据样本未通过所述平稳性校验的情况下，确定所述第一数据样本的季节性周期；运算步骤：根据所述季节性周期对所述第一数据样本进行差分运算，得到第二数据样本；循环执行所述确定步骤和所述运算步骤，直至最终得到的目标第二数据样本通过所述平稳性校验；建立所述目标第二数据样本的自相关图和偏相关图，并根据所述自相关图和所述偏相关图建立所述数据预测模型。
可选的，根据所述自相关图和所述偏相关图建立所述数据预测模型之后，所述方法还包括：通过预设估计方法确定所述数据预测模型的第一参数；校验步骤：根据所述第一参数对所述数据预测模型进行准确性校验；调整步骤：在所述数据预测模型未通过所述准确性校验的情况下，通过调整所述数据预测模型的阶数来重新确定所述第一参数，其中，所述数据预测模型的阶数通过所述自相关图和所述偏相关图确定；循环执行所述校验步骤和所述调整步骤，直至所述数据预测模型通过所述准确性校验。
可选的，分别通过所述N个数据预测模型对所述N个第二数据样本进行分类，包括：通过所述N个数据预测模型预测出N个第四数据样本，其中，所述N个第四数据样本为所述N个第二数据样本的预测值；根据所述N个第四数据样本对所述N个第二数据样本进行分类。
可选的，根据所述N个第四数据样本对所述N个第二数据样本进行分类，包括：根据所述N个第四数据样本计算每一个第二数据样本的波动值，得到N个波动值；获取所述N个第二数据样本的波动预警值；在波动值小于或等于波动预警值的情况下，将对应的第二数据样本分类为第二类别，其中，所述第二类别用于指示所述第二数据样本正常；在波动值大于波动预警值的情况下，将对应的第二数据样本分类为所述第一类别，其中，所述第一类别用于指示所述第二数据样本异常。
可选的，确定所述目标报送数据中属于第一类别的K个第三数据样本之后，所述方法还包括：将所述K个第三数据样本的数据状态修改为目标状态，并发送提示信息给第一对象，其中，所述目标状态用于指示禁止将所述第三数据样本发送给第二对象。
本领域内的技术人员应明白，本申请的实施例可提供为方法、***、或计算机程序产品。因此，本申请可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本申请可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
本申请是参照根据本申请实施例的方法、设备(***)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
在一个典型的配置中，计算设备包括一个或多个处理器(CPU)、输入/输出接口、网络接口和内存。
存储器可能包括计算机可读介质中的非永久性存储器，随机存取存储器(RAM)和/或非易失性内存等形式，如只读存储器(ROM)或闪存(flash RAM)。存储器是计算机可读介质的示例。
计算机可读介质包括永久性和非永久性、可移动和非可移动媒体可以由任何方法或技术来实现信息存储。信息可以是计算机可读指令、数据结构、程序的模块或其他数据。计算机的存储介质的例子包括，但不限于相变内存(PRAM)、静态随机存取存储器(SRAM)、动态随机存取存储器(DRAM)、其他类型的随机存取存储器(RAM)、只读存储器(ROM)、电可擦除可编程只读存储器(EEPROM)、快闪记忆体或其他内存技术、只读光盘只读存储器(CD-ROM)、数字多功能光盘(DVD)或其他光学存储、磁盒式磁带，磁带磁磁盘存储或其他磁性存储设备或任何其他非传输介质，可用于存储可以被计算设备访问的信息。按照本文中的界定，计算机可读介质不包括暂存电脑可读媒体(transitory media)，如调制的数据信号和载波。
还需要说明的是，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、商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、商品或者设备所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括要素的过程、方法、商品或者设备中还存在另外的相同要素。
本领域技术人员应明白，本申请的实施例可提供为方法、***或计算机程序产品。因此，本申请可采用完全硬件实施例、完全软件实施例或结合软件和硬件方面的实施例的形式。而且，本申请可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
以上仅为本申请的实施例而已，并不用于限制本申请。对于本领域技术人员来说，本申请可以有各种更改和变化。凡在本申请的精神和原理之内所作的任何修改、等同替换、改进等，均应包含在本申请的权利要求范围之内。
Claims (10)
1.一种数据样本的分类方法，其特征在于，包括：
按照M种数据属性对历史报送数据进行分类，得到N个第一数据样本，其中，M、N为正整数；
根据所述N个第一数据样本分别建立N个数据预测模型；
按照所述M种数据属性对目标报送数据进行分类，得到N个第二数据样本；
分别通过所述N个数据预测模型对所述N个第二数据样本进行分类，以确定所述目标报送数据中属于第一类别的K个第三数据样本，其中，K为正整数，K小于或等于N，所述N个数据预测模型、所述N个第二数据样本均与所述N个第一数据样本一一对应。
2.根据权利要求1所述的方法，其特征在于，按照M种数据属性对历史报送数据进行分类，得到N个第一数据样本，包括：
确定所述M种数据属性中每一种数据属性包含的数据子属性的类别的第一数量，得到M个第一数量；
确定出所述M种数据属性中包含的N种数据类别，其中，所述N种数据类别中的每一种数据类别包含所述M种数据属性中每一种数据属性的一种数据子属性，所述N为所述M个第一数量的乘积；
根据所述N种数据类别对所述历史报送数据进行分类，得到所述N个第一数据样本。
3.根据权利要求1所述的方法，其特征在于，根据第一数据样本建立数据预测模型，包括：
对所述第一数据样本进行平稳性校验；
确定步骤：在确定所述第一数据样本未通过所述平稳性校验的情况下，确定所述第一数据样本的季节性周期；
运算步骤：根据所述季节性周期对所述第一数据样本进行差分运算，得到第二数据样本；
循环执行所述确定步骤和所述运算步骤，直至最终得到的目标第二数据样本通过所述平稳性校验；
建立所述目标第二数据样本的自相关图和偏相关图，并根据所述自相关图和所述偏相关图建立所述数据预测模型。
4.根据权利要求3所述的方法，其特征在于，根据所述自相关图和所述偏相关图建立所述数据预测模型之后，所述方法还包括：
通过预设估计方法确定所述数据预测模型的第一参数；
校验步骤：根据所述第一参数对所述数据预测模型进行准确性校验；
调整步骤：在所述数据预测模型未通过所述准确性校验的情况下，通过调整所述数据预测模型的阶数来重新确定所述第一参数，其中，所述数据预测模型的阶数通过所述自相关图和所述偏相关图确定；
循环执行所述校验步骤和所述调整步骤，直至所述数据预测模型通过所述准确性校验。
5.根据权利要求1所述的方法，其特征在于，分别通过所述N个数据预测模型对所述N个第二数据样本进行分类，包括：
通过所述N个数据预测模型预测出N个第四数据样本，其中，所述N个第四数据样本为所述N个第二数据样本的预测值；
根据所述N个第四数据样本对所述N个第二数据样本进行分类。
6.根据权利要求5所述的方法，其特征在于，根据所述N个第四数据样本对所述N个第二数据样本进行分类，包括：
根据所述N个第四数据样本计算每一个第二数据样本的波动值，得到N个波动值；
获取所述N个第二数据样本的波动预警值；
在波动值小于或等于波动预警值的情况下，将对应的第二数据样本分类为第二类别，其中，所述第二类别用于指示所述第二数据样本正常；
在波动值大于波动预警值的情况下，将对应的第二数据样本分类为所述第一类别，其中，所述第一类别用于指示所述第二数据样本异常。
7.根据权利要求1所述的方法，其特征在于，确定所述目标报送数据中属于第一类别的K个第三数据样本之后，所述方法还包括：
将所述K个第三数据样本的数据状态修改为目标状态，并发送提示信息给第一对象，其中，所述目标状态用于指示禁止将所述第三数据样本发送给第二对象。
8.一种数据样本的分类装置，其特征在于，包括：
第一分类模块，用于按照M种数据属性对历史报送数据进行分类，得到N个第一数据样本，其中，M、N为正整数；
建立模块，用于根据所述N个第一数据样本分别建立N个数据预测模型；
第二分类模块，用于按照所述M种数据属性对目标报送数据进行分类，得到N个第二数据样本；
确定模块，用于分别通过所述N个数据预测模型对所述N个第二数据样本进行分类，以确定所述目标报送数据中属于第一类别的K个第三数据样本，其中，K为正整数，K小于或等于N，所述N个数据预测模型、所述N个第二数据样本均与所述N个第一数据样本一一对应。
9.一种处理器，其特征在于，所述处理器用于运行程序，其中，所述程序运行时执行权利要求1至7中任意一项所述的方法。
10.一种电子设备，其特征在于，包括一个或多个处理器和存储器，所述存储器用于存储一个或多个程序，其中，当所述一个或多个程序被所述一个或多个处理器执行时，使得所述一个或多个处理器实现权利要求1至7中任意一项所述的方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310848166.8A CN116881787A (zh) | 2023-07-11 | 2023-07-11 | 数据样本的分类方法和装置、处理器及电子设备 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310848166.8A CN116881787A (zh) | 2023-07-11 | 2023-07-11 | 数据样本的分类方法和装置、处理器及电子设备 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN116881787A true CN116881787A (zh) | 2023-10-13 |
Family
ID=88256269
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202310848166.8A Pending CN116881787A (zh) | 2023-07-11 | 2023-07-11 | 数据样本的分类方法和装置、处理器及电子设备 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN116881787A (zh) |
-
2023
- 2023-07-11 CN CN202310848166.8A patent/CN116881787A/zh active Pending
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Řezáč et al. | How to measure the quality of credit scoring models | |
| WO2003096237A2 (en) | Electronic data processing system and method of using an electronic data processing system for automatically determining a risk indicator value | |
| CN111242793B (zh) | 医保数据异常的检测方法和装置 | |
| CN112801801A (zh) | 模型训练方法、风险识别方法、模型、装置、设备及介质 | |
| CN116126843A (zh) | 一种数据质量评估方法、装置、电子设备和存储介质 | |
| CN113554228B (zh) | 还款率预测模型的训练方法及还款率的预测方法 | |
| CN114584601A (zh) | 用户流失识别及干预方法、***、终端及介质 | |
| CN110910241B (zh) | 现金流评估方法、装置、服务器设备及存储介质 | |
| CN110458581B (zh) | 商户业务周转异常的识别方法及装置 | |
| CN116977063A (zh) | 一种贷款风险监控装置、方法、设备及存储介质 | |
| CN116881787A (zh) | 数据样本的分类方法和装置、处理器及电子设备 | |
| CN116228312A (zh) | 大额积分兑换行为的处理方法和装置 | |
| US20220156666A1 (en) | Systems and methods for confidence interval transaction settlement range predictions | |
| CN111311086A (zh) | 一种容量监控方法、装置及计算机可读存储介质 | |
| CN115423588A (zh) | 挂账类型的确定方法、装置、存储介质及电子装置 | |
| CN116051262A (zh) | 风险预测模型的训练方法、风险预测方法及装置 | |
| CN114596681B (zh) | 一种循环机异常处理方法和装置 | |
| CN113837863B (zh) | 一种业务预测模型创建方法、装置及计算机可读存储介质 | |
| CN112396513B (zh) | 一种数据处理的方法及装置 | |
| CN116881349A (zh) | 业务***的业务状态的检测方法、装置以及电子设备 | |
| CN113723710A (zh) | 一种客户流失预测方法、***、存储介质及电子设备 | |
| CN112580840A (zh) | 一种数据分析方法及装置 | |
| CN115953040A (zh) | 考核计划处理方法、装置、处理器和计算机可读存储介质 | |
| CN117033726A (zh) | 报表访问时长的预测方法、装置、处理器及电子设备 | |
| CN117171652A (zh) | 一种经营体的数据质量监控方法、***、装置、设备及介质 |
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 |