CN117172721A - 用于融资业务的数据流转监管预警方法及*** - Google Patents
用于融资业务的数据流转监管预警方法及*** Download PDFInfo
- Publication number
- CN117172721A CN117172721A CN202311423631.XA CN202311423631A CN117172721A CN 117172721 A CN117172721 A CN 117172721A CN 202311423631 A CN202311423631 A CN 202311423631A CN 117172721 A CN117172721 A CN 117172721A
- Authority
- CN
- China
- Prior art keywords
- data
- result
- node
- matching
- network
- 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
- 238000000034 method Methods 0.000 title claims abstract description 66
- 238000004458 analytical method Methods 0.000 claims abstract description 78
- 238000012544 monitoring process Methods 0.000 claims abstract description 56
- 238000012545 processing Methods 0.000 claims abstract description 44
- 238000007405 data analysis Methods 0.000 claims abstract description 28
- 238000011156 evaluation Methods 0.000 claims description 34
- 230000002159 abnormal effect Effects 0.000 claims description 22
- 230000010354 integration Effects 0.000 claims description 21
- 230000007246 mechanism Effects 0.000 claims description 20
- 230000006978 adaptation Effects 0.000 claims description 18
- 238000004364 calculation method Methods 0.000 claims description 17
- 238000000605 extraction Methods 0.000 claims description 16
- 238000010606 normalization Methods 0.000 claims description 13
- 230000000694 effects Effects 0.000 claims description 12
- 238000004891 communication Methods 0.000 claims description 9
- 238000010276 construction Methods 0.000 claims description 8
- 238000013075 data extraction Methods 0.000 claims description 8
- 230000002452 interceptive effect Effects 0.000 claims description 6
- 230000003044 adaptive effect Effects 0.000 claims description 4
- 230000008569 process Effects 0.000 description 10
- 230000005540 biological transmission Effects 0.000 description 5
- 230000004044 response Effects 0.000 description 5
- 230000006872 improvement Effects 0.000 description 4
- 238000005457 optimization Methods 0.000 description 4
- 238000012795 verification Methods 0.000 description 4
- 238000010586 diagram Methods 0.000 description 3
- 230000001105 regulatory effect Effects 0.000 description 3
- 238000012360 testing method Methods 0.000 description 3
- 206010000117 Abnormal behaviour Diseases 0.000 description 2
- 238000004422 calculation algorithm Methods 0.000 description 2
- 230000008859 change Effects 0.000 description 2
- 238000001514 detection method Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 238000005259 measurement Methods 0.000 description 2
- 230000002776 aggregation Effects 0.000 description 1
- 238000004220 aggregation Methods 0.000 description 1
- 230000002547 anomalous effect Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 238000004140 cleaning Methods 0.000 description 1
- 238000007621 cluster analysis Methods 0.000 description 1
- 238000012937 correction Methods 0.000 description 1
- 238000007418 data mining Methods 0.000 description 1
- 238000013500 data storage Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 230000001934 delay Effects 0.000 description 1
- 238000005265 energy consumption Methods 0.000 description 1
- 230000003203 everyday effect Effects 0.000 description 1
- 230000002349 favourable effect Effects 0.000 description 1
- 238000001914 filtration Methods 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000007726 management method Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000000737 periodic effect Effects 0.000 description 1
- 238000007781 pre-processing Methods 0.000 description 1
- 238000013468 resource allocation Methods 0.000 description 1
- 238000012954 risk control Methods 0.000 description 1
- 238000012216 screening Methods 0.000 description 1
- 238000007619 statistical method Methods 0.000 description 1
- 238000012731 temporal analysis Methods 0.000 description 1
- 238000000700 time series analysis Methods 0.000 description 1
- 238000012546 transfer Methods 0.000 description 1
- 230000001960 triggered effect Effects 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
- 238000005303 weighing Methods 0.000 description 1
- 238000002759 z-score normalization Methods 0.000 description 1
Classifications
-
- 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
- G06Q10/00—Administration; Management
- G06Q10/10—Office automation; Time management
- G06Q10/103—Workflow collaboration or project management
-
- 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
- G06F16/25—Integrating or interfacing systems involving database management systems
- G06F16/252—Integrating or interfacing systems involving database management systems between a Database Management System and a front-end application
-
- 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
- G06Q10/00—Administration; Management
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/063—Operations research, analysis or management
-
- 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
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Strategic Management (AREA)
- Human Resources & Organizations (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Economics (AREA)
- General Business, Economics & Management (AREA)
- Accounting & Taxation (AREA)
- Finance (AREA)
- Entrepreneurship & Innovation (AREA)
- Marketing (AREA)
- Development Economics (AREA)
- Databases & Information Systems (AREA)
- Operations Research (AREA)
- Data Mining & Analysis (AREA)
- Quality & Reliability (AREA)
- Tourism & Hospitality (AREA)
- Technology Law (AREA)
- Educational Administration (AREA)
- Game Theory and Decision Science (AREA)
- General Engineering & Computer Science (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明提供了用于融资业务的数据流转监管预警方法及***，涉及数据处理技术领域，包括：建立通用数据集，配置边缘计算节点的节点更新数据库，生成边缘计算节点匹配网络，获得数据流转监管记录，构建节点选择偏向因子，读取实时流转数据并生成数据特征集，传输至所述边缘计算节点匹配网络，完成计算节点的选择和初始化，执行对应实时流转数据的数据分析，生成第一分析结果，提取关键监测数据，发送至处理中心，进行关键监测数据分析生成第二分析结果，进行融资业务的数据流转监管预警。本发明解决了现有技术中无法对融资业务进行综合监管，并且在实时流转数据的处理方面存在延迟，导致存在及时性差、效率低下和准确性不高的技术问题。
Description
技术领域
本发明涉及数据处理技术领域，具体涉及用于融资业务的数据流转监管预警方法及***。
背景技术
数据流转监管预警方法适用于金融行业中的融资业务，包括但不限于银行、证券公司、投资基金、保险公司等机构，这些机构通常涉及大量的融资交易和相关数据流转，例如代发薪资，因此需要有效的数据监管预警方法来确保业务的安全和合规性。
然而，在传统的数据监管方法下，存在数据集整合困难、实时处理延迟和效率低下等技术问题。一方面，不同银行和公司主体的数据存储结构和格式可能不同，导致数据集整合复杂，无法实现全面的融资业务监管；另一方面，传统的数据监管方法可能对实时流转数据的处理存在延迟，无法及时进行分析和监测，从而影响业务决策和风险控制；并且，在数据分析过程中，现有技术存在效率低下和准确性不高的问题，这导致了计算资源的浪费，并且无法准确地识别潜在风险和问题。
因此，为了解决这些问题，需要一种新的数据流转监管预警方法，能够提供更全面、实时和准确的融资业务监管预警，帮助金融机构做出更明智的业务决策并降低风险。
发明内容
本申请通过提供了用于融资业务的数据流转监管预警方法及***，旨在解决现有技术中，对不同银行和公司主体数据的整合较为困难，无法对全面的融资业务进行综合监管，并且现有技术在实时流转数据的处理方面存在延迟，不能及时进行分析和监测，导致存在及时性差、效率低下和准确性不高的技术问题。
鉴于上述问题，本申请提供了用于融资业务的数据流转监管预警方法及***。
本申请公开的第一个方面，提供了用于融资业务的数据流转监管预警方法，所述方法包括：建立通用数据集，所述通用数据集通过交互银行数据库获得，当建立与银行数据库的通信连接后，读取融资业务的公司主体数据和银行主体数据构建；配置边缘计算节点的节点更新数据库，并以所述节点更新数据库作为匹配数据，生成边缘计算节点匹配网络；获得当前融资业务的数据流转监管记录，提取所述数据流转监管记录，基于提取结果构建节点选择偏向因子；读取实时流转数据，并生成实时流转数据的数据特征集，以所述数据特征集、所述节点选择偏向因子和所述通用数据集作为配置数据，传输至所述边缘计算节点匹配网络，完成计算节点的选择和初始化；通过初始化完成的计算节点执行对应实时流转数据的数据分析，生成第一分析结果；提取所述计算节点的关键监测数据，并将所述关键监测数据发送至处理中心，通过所述处理中心进行全部计算节点的关键监测数据分析，生成第二分析结果；通过所述第一分析结果和所述第二分析结果进行融资业务的数据流转监管预警。
本申请公开的另一个方面，提供了用于融资业务的数据流转监管预警***，所述***用于上述方法，所述***包括：通用数据集建立模块，所述通用数据集建立模块用于建立通用数据集，所述通用数据集通过交互银行数据库获得，当建立与银行数据库的通信连接后，读取融资业务的公司主体数据和银行主体数据构建；匹配网络生成模块，所述匹配网络生成模块用于配置边缘计算节点的节点更新数据库，并以所述节点更新数据库作为匹配数据，生成边缘计算节点匹配网络；偏向因子构建模块，所述偏向因子构建模块用于获得当前融资业务的数据流转监管记录，提取所述数据流转监管记录，基于提取结果构建节点选择偏向因子；计算节点选择模块，所述计算节点选择模块用于读取实时流转数据，并生成实时流转数据的数据特征集，以所述数据特征集、所述节点选择偏向因子和所述通用数据集作为配置数据，传输至所述边缘计算节点匹配网络，完成计算节点的选择和初始化；实时数据分析模块，所述实时数据分析模块用于通过初始化完成的计算节点执行对应实时流转数据的数据分析，生成第一分析结果；关键数据分析模块，所述关键数据分析模块用于提取所述计算节点的关键监测数据，并将所述关键监测数据发送至处理中心，通过所述处理中心进行全部计算节点的关键监测数据分析，生成第二分析结果；数据流转预警模块，所述数据流转预警模块用于通过所述第一分析结果和所述第二分析结果进行融资业务的数据流转监管预警。
本申请中提供的一个或多个技术方案，至少具有如下技术效果或优点：
上述用于融资业务的数据流转监管预警方法解决了以下技术问题，并取得了相应的技术效果：
通过建立通用数据集并从银行数据库中获取相关数据，实现了跨银行和公司主体数据的整合，提供了全面的融资业务监管基础；通过配置边缘计算节点和匹配网络，可以更快地传输和处理实时流转数据，实现了数据流转的实时监测和分析；通过节点选择偏向因子的构建，结合实时流转数据的特征集和通用数据集，可更准确地选择适合的计算节点进行数据分析，提高了效率和准确性；通过第一分析结果和第二分析结果的综合，实现了对融资业务的全面数据流转监管预警，有效识别潜在风险和问题。因此，上述方法通过解决数据集整合、实时处理、计算节点选择和综合分析等步骤，达到了提升融资业务数据流转监管效果的技术效果。
上述说明仅是本申请技术方案的概述，为了能够更清楚了解本申请的技术手段，而可依照说明书的内容予以实施，并且为了让本申请的上述和其它目的、特征和优点能够更明显易懂，以下特举本申请的具体实施方式。
附图说明
图1为本申请实施例提供了用于融资业务的数据流转监管预警方法流程示意图；
图2为本申请实施例提供了用于融资业务的数据流转监管预警***结构示意图。
附图标记说明：通用数据集建立模块10，匹配网络生成模块20，偏向因子构建模块30，计算节点选择模块40，实时数据分析模块50，关键数据分析模块60，数据流转预警模块70。
具体实施方式
本申请实施例通过提供用于融资业务的数据流转监管预警方法，解决了现有技术中，对不同银行和公司主体数据的整合较为困难，无法对全面的融资业务进行综合监管，并且现有技术在实时流转数据的处理方面存在延迟，不能及时进行分析和监测，导致存在及时性差、效率低下和准确性不高的技术问题。
在介绍了本申请基本原理后，下面将结合说明书附图来具体介绍本申请的各种非限制性的实施方式。
实施例一
如图1所示，本申请实施例提供了用于融资业务的数据流转监管预警方法，所述方法包括：
建立通用数据集，所述通用数据集通过交互银行数据库获得，当建立与银行数据库的通信连接后，读取融资业务的公司主体数据和银行主体数据构建；
建立与银行数据库的通信连接，连接成功后，执行查询操作以读取融资业务涉及的公司主体数据，包括公司名称、注册信息、法人等；执行另一项查询操作，获取银行主体数据，包括银行名称、许可证信息等。将获取的公司主体数据和银行主体数据进行整合，获取通用数据集，对其中的数据进行数据清洗和预处理的工作，包括去除重复项、处理缺失数据、标准化数据格式等操作，以确保数据的一致性和质量。对处理完成的数据集进行存储，以准确反映融资业务和银行信息。
配置边缘计算节点的节点更新数据库，并以所述节点更新数据库作为匹配数据，生成边缘计算节点匹配网络；
边缘计算旨在将计算任务靠近数据源进行处理，以减少中央数据中心的负担，并减少数据传输延迟。为边缘计算节点配置节点更新数据库，该数据库用于存储节点信息、状态等相关数据，并且数据库能够记录节点的更新、状态变化等信息，以便于监控和管理。将节点更新数据库中的信息作为匹配数据，这意味着，当需要为特定计算任务选择最佳的边缘计算节点时，可以参考这些匹配数据，例如，基于节点的当前负载、地理位置、可用资源等因素，选择最适合执行特定任务的节点。利用节点更新数据库中的匹配数据，生成边缘计算节点匹配网络，该网络通过节点权重、距离等，确定将计算任务分配给哪个边缘计算节点。这确保了计算任务能够在最佳位置和环境中被处理，从而优化了整体的计算性能和效率。
获得当前融资业务的数据流转监管记录，提取所述数据流转监管记录，基于提取结果构建节点选择偏向因子；
与相关的监管部门、金融机构或数据提供方建立通信，获取当前融资业务相关的数据流转监管记录，这些记录包括融资交易的历史、数据传输的时间戳、交易量、质量指标等信息。从获得的监管记录中，执行数据解析、筛选、转换和聚合等操作，以识别和提取关键的信息。
构建节点选择偏向因子的过程包括对提取的数据进行趋势分析和关键特征提取，趋势分析包括检测数据的增长趋势、周期性波动、异常值等，以此了解数据的动态变化；关键特征提取旨在识别与融资业务相关的关键特征，包括识别常见的交易特征、数据质量特征、关键业务指标等，以此确定哪些因素对于节点选择是最重要的。
基于趋势分析和关键特征提取的结果，构建节点选择偏向因子，所述节点选择偏向因子可以是权重、得分或其他评价标准，用于衡量不同边缘计算节点属性的重要程度和适用性，例如，节点的计算能力、网络延迟、可靠性等，示例性的，如果数据流量增长趋势明显，则更倾向于选择能够处理大数据量的节点。
根据实际情况，对构建的节点选择偏向因子进行权重调整和验证，例如通过与相关领域专家和技术团队进行评估来实现，调整后的权重能够准确反映节点选择的偏好，并与实际数据流转监管记录相匹配。
通过构建节点选择偏向因子，可以更准确地指导节点选择过程，这是一个自动化的决策过程，以确保任务能够在最适合的节点上执行，进而优化边缘计算网络的资源分配和任务调度，并提高***性能和效率。
读取实时流转数据，并生成实时流转数据的数据特征集，以所述数据特征集、所述节点选择偏向因子和所述通用数据集作为配置数据，传输至所述边缘计算节点匹配网络，完成计算节点的选择和初始化；
通过与相应数据源建立连接，例如银行数据库中，查询获取当前融资业务的实时流转数据，这些数据来自交易或其他业务流程的实时信息，对于获得的实时流转数据，根据具体的业务需求和监管要求，使用统计的方法进行特征提取操作，例如，计算交易金额、交易频率、参与方信息等特征，并将其作为数据特征集的一部分。在提取特征后，将提取的特征组合成一个数据特征集，数据特征集是一个结构化的数据集，其中每个样本表示一个实时流转数据，并且每个特征都对应着该样本的某个属性或指标。
准备边缘计算节点匹配网络，该网络包括位置匹配子网络、业务适配子网络和整合子网络，通过网络连接，将数据特征集、节点选择偏向因子和通用数据集组成的配置数据传输至边缘计算节点匹配网络，在边缘计算节点匹配网络中，通过网络参数补偿进行网络参数的调整和补偿，例如基于节点选择偏向因子来权衡不同节点的适用性，对边缘计算节点匹配网络进行网络参数补偿，以确保将任务分配到最适合的节点上执行，进而提高节点的选择准确性和适配性。
通过初始化完成的计算节点执行对应实时流转数据的数据分析，生成第一分析结果；
边缘计算节点匹配网络包括位置匹配子网络、业务适配子网络和整合子网络，其中，位置匹配子网络用于根据配置数据中的位置信息来匹配合适的边缘计算节点，这个子网络可以使用地理信息***（GIS）技术或其他位置识别方法，将配置数据中的位置特征与边缘计算节点的位置进行比对和匹配，通过位置匹配，可以找到离数据源距离较近的边缘计算节点，以减少数据传输延迟和网络拥塞；
业务适配子网络用于根据配置数据中的业务需求和通用数据集，对边缘计算节点进行业务适配匹配，这个子网络根据配置数据中的业务特征提取，并与通用数据集中的权重进行匹配计算，以确定哪些边缘计算节点最适合处理特定的业务需求，通过业务适配，可以优化计算资源的利用和业务处理的效率；
整合子网络负责将位置匹配子网络和业务适配子网络的结果进行归一化处理和整合，这个子网络涉及结果的归一化计算，以确保不同子网络产生的匹配结果具有一致的度量标准，通过整合子网络的处理，可以得到最终的节点选择。
这些子网络共同工作，通过位置匹配、业务适配和整合处理来选择合适的边缘计算节点，并为后续的任务或数据处理提供最佳的计算资源，它们的目标是根据配置数据中的要求，找到能够满足数据特征集和节点选择偏向因子的边缘计算节点，并实现计算资源的最优分配。
进一步而言，所述边缘计算节点匹配网络包括位置匹配子网络、业务适配子网络和整合子网络，所述方法还包括：
提取所述数据特征集中的数据位置特征，并将所述数据位置特征发送至所述位置匹配子网络；
通过所述位置匹配子网络对所述数据位置特征进行边缘计算节点的位置匹配计算，生成位置匹配结果；
通过所述业务适配子网络对数据特征集的业务特征提取，并对提取结果和所述通用数据集进行权重业务适配匹配，生成业务匹配结果；
将所述位置匹配结果和所述业务匹配结果发送至所述整合子网络，执行归一化处理，根据处理结果获得所述第一分析结果。
从数据特征集中检查数据特征集的结构和字段，找到包含位置信息的相应特征列，通过解析地址文本、提取经纬度坐标或使用其他地理编码技术，从选定的位置特征列中提取位置信息。当成功提取位置信息，将其转换为适当的格式以便传输至位置匹配子网络，例如，如果位置信息以经纬度坐标表示，可以将其转换为具有统一标准的字符串形式。将提取和转换后的数据位置特征发送至位置匹配子网络进行处理。
在位置匹配子网络中，将数据位置特征与边缘计算节点的位置信息进行比对，并计算它们之间的距离度量，根据位置匹配计算的结果，将距离度量由近到远排序，生成位置匹配结果，这可以是一个排名列表，由高到低显示每个边缘计算节点的位置匹配程度，或者直接指示最佳匹配节点的标识符，以便在数据处理过程中尽可能减少传输延迟和网络拥塞。
通过采用文本分析、图像处理、特征工程等特征提取技术，从数据特征集中提取与业务相关的特征。根据提取的业务特征和通用数据集中，在业务适配子网络中执行权重业务适配匹配，具体的，将业务特征与通用数据集中的关键特征进行比对，计算它们之间的相似度，将相似度计算结果作为权重业务适配匹配的结果，生成业务匹配结果，同样的，这可以是一个排名列表，显示每个边缘计算节点的业务匹配程度，或者直接指示最佳匹配节点的标识符。
从位置匹配子网络和业务适配子网络中接收到位置匹配结果和业务匹配结果，对位置匹配结果和业务匹配结果进行归一化处理，这意味着将不同范围、单位或度量方式的结果统一为相同的标准范围或单位，根据归一化后的位置匹配结果和业务匹配结果，进行组合处理，例如加权求和、乘法运算等，以获得整合后的处理结果，基于组合处理结果，获得第一分析结果。
进一步而言，所述方法还包括：
基于所述节点选择偏向因子对所述边缘计算节点匹配网络进行网络参数补偿；
当将所述位置匹配结果和所述业务匹配结果发送至所述整合子网络后，通过网络参数补偿结果进行所述位置匹配结果和所述业务匹配结果的适配重构；
通过适配重构结果完成归一化处理。
基于节点选择偏向因子进行网络参数补偿是一种优化策略，以更好地适应节点选择的需求。具体的，根据节点选择偏向因子，通过加权计算，调整网络参数的值，以便更好地反映节点选择的偏好，例如，在节点选择偏向计算能力较高的情况下，可以增加计算能力较高节点的权重或调整相关参数，以提高其在网络中的重要性。这样，可以更好地满足节点选择的需求，使得网络能够更准确地匹配和选择适合的边缘计算节点，这有助于提高整体性能和效率，并优化***资源的利用。
根据网络参数补偿过程，在整合子网络中执行网络参数补偿，包括调整网络参数的权重，以更好地适应位置匹配和业务匹配的需求。使用网络参数补偿结果，对位置匹配结果进行适配重构，即重新计算位置匹配得分或调整位置匹配结果的权重，以更准确地反映节点选择偏好；同样地，使用网络参数补偿结果，对业务匹配结果进行适配重构，包括重新计算业务匹配得分或调整业务匹配结果的权重，以更好地满足业务需求。将适配重构后的位置匹配结果和业务匹配结果输出，这有助于提高选择准确性，并根据网络参数的优化结果改善整体***性能。
从整合子网络中获得适配重构后的位置匹配结果和业务匹配结果，根据具体需求，确定所需的归一化范围，这可以是预定义的标准范围，或者根据数据分析和业务需求来确定。根据适配重构结果和目标范围，计算用于归一化处理的因子，例如使用最小-最大归一化、Z-score标准化等常见的归一化方法。
将计算得到的归一化因子应用于适配重构结果，对位置匹配结果和业务匹配结果进行归一化处理，获得经过归一化处理后的位置匹配结果和业务匹配结果，这些结果具有相同的标准范围或单位，方便后续的比较和分析。这有助于消除结果间的量纲差异，并提供更一致和可比较的数据，便于进一步分析和决策。
提取所述计算节点的关键监测数据，并将所述关键监测数据发送至处理中心，通过所述处理中心进行全部计算节点的关键监测数据分析，生成第二分析结果；
从各个计算节点中提取关键监测数据，并通过网络通信将所述关键监测数据发送至处理中心。选择数据分析方法，例如，使用聚类分析来建立计算节点之间的群组模式，使用异常检测方法来识别异常节点，或者使用时间序列分析来预测节点性能。在所选择的数据分析方法下，进行关键监测数据分析，包括使用统计计算节点的平均值、方差等，应用机器学习算法构建预测模型，或者运用数据挖掘技术发现隐藏的模式和规律。将分析得到的结果通过可视化方法，如图表、图形、热力图等，呈现出来，以支持对计算节点群的整体性能、趋势和异常情况的理解。基于数据分析和展示过程，生成第二分析结果，这样可以深入了解计算节点的性能、稳定性和安全性，并为融资业务的数据流转监管预警提供决策支持。
进一步而言，所述方法还包括：
建立各个数据流转节点的兴趣特征集，所述兴趣特征集通过解析融资业务获得；
在通过计算节点进行对应实时流转数据的数据分析时，通过所述兴趣特征集执行预定周期内的数据提取，记作第一数据集；
若在任意预定周期的数据提取结果为空结果时，则重新选择在所述预定周期内的均值特征数据，将选择结果记作第二数据集；
根据所述第一数据集和所述第二数据集生成所述关键监测数据。
数据流转节点是指在整个融资过程中涉及数据传递和处理的特定环节，这些节点包括银行、企业、合作伙伴、监管机构等，根据具体的融资业务需求和目标，定义数据流转节点的兴趣特征，例如，对于边缘计算节点来说，兴趣特征包括节点的处理能力、网络带宽、能源消耗等。
为了建立兴趣特征集，需要对融资业务进行解析，具体的，收集与融资业务相关的各种数据，包括交易记录、交易文档、合同信息等，进行数据分析，以确定哪些数据属性对于数据处理是关键的，基于数据分析的结果，为每个数据流转节点建立兴趣特征集，包括该节点感兴趣的特定数据属性，这些特征集在节点之间不同，因为不同的节点关注不同的数据方面。
在融资业务中，实时流转数据是不断生成的数据，例如交易记录、合同信息等，计算节点负责对这些实时数据进行分析以获得有关业务状态的信息。预定周期是根据实际情况和具体需求设定的，指在一定的时间间隔，例如每小时、每天，根据预定周期的时间范围，在实时流转数据中使用兴趣特征集执行数据提取操作，根据兴趣特征集中定义的兴趣特征，筛选出符合条件的数据项，并将提取的数据项组合成第一数据集，这个数据集包含预定周期内与兴趣特征相关的信息，用于后续的分析和监控。
在完成预定周期内的数据提取后，检查提取结果，若为空，表示在该周期内没有符合兴趣特征条件的实时流转数据，需要重新选择数据。具体的，在所述预定周期内，通过对周期内所有数据进行聚合计算，计算获取兴趣特征集中各个特征的均值，基于计算得到的均值特征数据，重新选择与兴趣特征相关的数据项，这些数据项可以代表整个周期内的平均情况，将重新选择的均值特征数据组合成第二数据集，这个数据集可以与第一数据集进行比较，或单独使用，以满足进一步的分析和需求。这样可以确保即使在某个周期内没有符合条件的实时流转数据，仍然有数据可用于后续分析或决策。
将第一数据集和第二数据集合并，作为所述关键监测数据，以充分利用实时数据和历史数据的信息。
通过所述第一分析结果和所述第二分析结果进行融资业务的数据流转监管预警。
进一步而言，所述方法包括：
通过所述第二分析结果进行整体异常分析，确定整体异常趋势，并生成局部监测的辅助识别因子；
解析所述第一分析结果，获得局部异常评价结果，通过所述辅助识别因子对所述局部异常评价结果的匹配结果优化；
通过优化结果完成融资业务的数据流转监管预警。
利用收集到的第二分析结果，对整个***进行整体异常分析，目标是确定整体异常趋势，即发现整个***中的异常情况和趋势，例如，根据所述第二分析结果种计算节点的平均值、方差等，以及预测数据趋势等，进行异常节点识别，根据整体异常分析的结果，生成用于局部监测的辅助识别因子，辅助识别因子可以是一系列指标，用于辅助后续的局部异常评价，帮助捕捉潜在的异常情况或提供更准确的异常识别能力。
对第一次分析的结果进行解析，提取出与局部异常评价相关的信息，这些信息可以是关于计算节点、指标、参数或其他相关数据的异常情况描述，对某些指标或规则进行计算、比较或评估，以确定是否存在局部异常情况，获得局部异常评价结果。
将生成的辅助识别因子应用到局部异常评价结果中，与其进行匹配，以进一步判断和识别异常情况，并提供更准确的评估结果，根据辅助识别因子的匹配结果，对局部异常评价结果进行优化，包括进一步的过滤、修正或调整，以使评价结果更准确、可靠且适应实际需要。
通过上述步骤，提高了对局部异常情况的识别和评价能力，这有助于更细致地监测融资业务数据流转过程中的异常情况。
基于上述分析结果和辅助识别因子，对融资业务的数据流转进行优化监管预警，包括设定合理的阈值，以便在监测过程中及时检测到潜在的异常行为或风险，并触发相应的预警提示，将预警信息及时传达给相关人员，以便他们能够采取必要的措施来处理和管理潜在的问题，这样，可以实现对融资业务的数据流转进行有效的监管预警。
进一步而言，所述方法还包括：
判断所述辅助识别因子是否满足预设阈值；
若所述辅助识别因子不能满足所述预设阈值时，则依据所述辅助识别因子建立持续观测空间；
在所述持续观测空间内通过初始化完成的计算节点执行连续数据监测；
根据连续数据监测结果完成数据流转监管预警。
根据经验、行业标准或相关法规，综合考虑业务需求、风险偏好和实际情况，制定适当的预设阈值，用于确定辅助识别因子的有效性。将辅助识别因子与预设阈值进行比较，如果因子超过预设阈值，则可以认为该因子满足预设阈值条件。
如果辅助识别因子不能满足预设阈值，表示该因子没有触发异常情况的警报或监管预警。对于无法满足预设阈值的辅助识别因子，进行重新评估，基于重新评估的结果，确定适合建立持续观测空间的指标，这些指标与融资业务数据中的异常行为或风险相关，并能提供及时的监测和警示功能。对于每个持续观测指标，设定适当的阈值和报警规则，这些阈值可以基于历史数据、业务需求和风险偏好等因素进行调整，以便及时捕获异常情况并触发警报。根据选定的持续观测指标和阈值，建立持续观测空间，该空间包括实时数据采集、自动化分析和报警机制等，确保***能够持续监测并识别与辅助识别因子相关的异常情况。
将要监测的连续数据源与计算节点进行连接，根据持续观测空间，在计算节点上实现连续数据监测，包括实时统计指标计算、异常检测等，以识别潜在的异常情况或异常模式。
根据连续数据监测的结果，触发警报或通知机制，例如发送通知消息、生成报警日志来处理异常情况，同时，将监测结果反馈给相关人员，以便他们能够及时采取必要的措施。
通过在初始化完成的计算节点上执行连续数据监测，可以对持续观测空间内的数据进行实时监测和分析，并快速响应任何异常情况，这有助于提高业务运营的效率和准确性，同时降低风险和损失。
进一步而言，所述方法还包括：
建立计算节点的评价机制，所述评价机制包括速度评价机制、准确性评价机制；
通过所述评价机制对所述计算节点进行节点的处理效果分析，基于分析结果更新计算节点。
速度评价机制包括响应时间、吞吐量、扩展性，其中，响应时间用于测量计算节点对请求作出响应的时间，包括数据采集、处理和输出的时间，较短的响应时间被认为是良好性能的指标；吞吐量用于衡量计算节点每单位时间内能够处理的请求数量，高吞吐量表示计算节点具有更好的并发处理能力；扩展性用于评估计算节点在负载增加时的性能表现，这可以通过模拟并逐渐增加负载来测试计算。
准确性评价机制包括对比验证、错误率分析、数据质量监控，其中，对比验证用于将计算节点的结果与已知准确的数据或其他验证方法进行对比，例如，使用已知答案的测试数据集来验证计算节点的计算结果是否一致；错误率分析用于记录计算节点中发生的错误类型和频率，并进行根因分析，这有助于确定改进计算节点准确性的关键问题，并采取相应措施解决它们；数据质量监控用于实施数据质量监控措施，这有助于提高计算节点的准确性，并减少因低质量数据导致的错误。
使用评价机制中定义的指标，收集计算节点的性能和准确性数据，包括收集响应时间、吞吐量、错误率等数据，对收集到的数据进行分析，评估计算节点的处理效果，例如，比较不同时间段或不同负载情况下的数据，查找异常。
根据分析结果，识别计算节点中需要改进的方面，这可能包括性能瓶颈、准确性缺陷、数据质量问题等，以便将其纳入改进计划。基于分析结果和改进计划，进行计算节点的更新，示例性的，通过优化算法、增加硬件资源、引入并行处理等方法，改进计算节点的响应时间、吞吐量等性能指标，实现性能优化；根据分析结果和改进需求，通过增加节点数量、重新分配工作负载、调整网络拓扑等，对计算节点的架构、配置进行调整。
在更新计算节点之后，使用测试数据集，验证节点的处理效果是否得到改善，并确保没有引入新的问题。这有助于确保计算节点能够满足不断变化的需求，并持续提供高质量的处理服务。
综上所述，本申请实施例所提供的用于融资业务的数据流转监管预警方法及***具有如下技术效果：
1.通过建立通用数据集并从银行数据库中获取相关数据，实现了跨银行和公司主体数据的整合，提供了全面的融资业务监管基础；
2.通过配置边缘计算节点和匹配网络，可以更快地传输和处理实时流转数据，实现了数据流转的实时监测和分析；
3.通过节点选择偏向因子的构建，结合实时流转数据的特征集和通用数据集，可更准确地选择适合的计算节点进行数据分析，提高了效率和准确性；
4.通过第一分析结果和第二分析结果的综合，实现了对融资业务的全面数据流转监管预警，有效识别潜在风险和问题。
因此，上述方法通过解决数据集整合、实时处理、计算节点选择和综合分析等步骤，达到了提升融资业务数据流转监管效果的技术效果。
实施例二
基于与前述实施例中用于融资业务的数据流转监管预警方法相同的发明构思，如图2所示，本申请提供了用于融资业务的数据流转监管预警***，所述***包括：
通用数据集建立模块10，所述通用数据集建立模块10用于建立通用数据集，所述通用数据集通过交互银行数据库获得，当建立与银行数据库的通信连接后，读取融资业务的公司主体数据和银行主体数据构建；
匹配网络生成模块20，所述匹配网络生成模块20用于配置边缘计算节点的节点更新数据库，并以所述节点更新数据库作为匹配数据，生成边缘计算节点匹配网络；
偏向因子构建模块30，所述偏向因子构建模块30用于获得当前融资业务的数据流转监管记录，提取所述数据流转监管记录，基于提取结果构建节点选择偏向因子；
计算节点选择模块40，所述计算节点选择模块40用于读取实时流转数据，并生成实时流转数据的数据特征集，以所述数据特征集、所述节点选择偏向因子和所述通用数据集作为配置数据，传输至所述边缘计算节点匹配网络，完成计算节点的选择和初始化；
实时数据分析模块50，所述实时数据分析模块50用于通过初始化完成的计算节点执行对应实时流转数据的数据分析，生成第一分析结果；
关键数据分析模块60，所述关键数据分析模块60用于提取所述计算节点的关键监测数据，并将所述关键监测数据发送至处理中心，通过所述处理中心进行全部计算节点的关键监测数据分析，生成第二分析结果；
数据流转预警模块70，所述数据流转预警模块70用于通过所述第一分析结果和所述第二分析结果进行融资业务的数据流转监管预警。
进一步而言，所述***还包括第一分析结果获取模块，以执行如下操作步骤：
提取所述数据特征集中的数据位置特征，并将所述数据位置特征发送至所述位置匹配子网络；
通过所述位置匹配子网络对所述数据位置特征进行边缘计算节点的位置匹配计算，生成位置匹配结果；
通过所述业务适配子网络对数据特征集的业务特征提取，并对提取结果和所述通用数据集进行权重业务适配匹配，生成业务匹配结果；
将所述位置匹配结果和所述业务匹配结果发送至所述整合子网络，执行归一化处理，根据处理结果获得所述第一分析结果。
进一步而言，所述***还包括归一化处理模块，以执行如下操作步骤：
基于所述节点选择偏向因子对所述边缘计算节点匹配网络进行网络参数补偿；
当将所述位置匹配结果和所述业务匹配结果发送至所述整合子网络后，通过网络参数补偿结果进行所述位置匹配结果和所述业务匹配结果的适配重构；
通过适配重构结果完成归一化处理。
进一步而言，所述***还包括关键监测数据生成模块，以执行如下操作步骤：
建立各个数据流转节点的兴趣特征集，所述兴趣特征集通过解析融资业务获得；
在通过计算节点进行对应实时流转数据的数据分析时，通过所述兴趣特征集执行预定周期内的数据提取，记作第一数据集；
若在任意预定周期的数据提取结果为空结果时，则重新选择在所述预定周期内的均值特征数据，将选择结果记作第二数据集；
根据所述第一数据集和所述第二数据集生成所述关键监测数据。
进一步而言，所述***还包括数据流转监管预警模块，以执行如下操作步骤：
通过所述第二分析结果进行整体异常分析，确定整体异常趋势，并生成局部监测的辅助识别因子；
解析所述第一分析结果，获得局部异常评价结果，通过所述辅助识别因子对所述局部异常评价结果的匹配结果优化；
通过优化结果完成融资业务的数据流转监管预警。
进一步而言，所述***还包括监管预警模块，以执行如下操作步骤：
判断所述辅助识别因子是否满足预设阈值；
若所述辅助识别因子不能满足所述预设阈值时，则依据所述辅助识别因子建立持续观测空间；
在所述持续观测空间内通过初始化完成的计算节点执行连续数据监测；
根据连续数据监测结果完成数据流转监管预警。
进一步而言，所述***还包括计算节点更新模块，以执行如下操作步骤：
建立计算节点的评价机制，所述评价机制包括速度评价机制、准确性评价机制；
通过所述评价机制对所述计算节点进行节点的处理效果分析，基于分析结果更新计算节点。
本说明书通过前述对用于融资业务的数据流转监管预警方法的详细描述，本领域技术人员可以清楚得知道本实施例中用于融资业务的数据流转监管预警方法及***，对于实施例公开的装置而言，由于其与实施例公开的方法相对应，所以描述得比较简单，相关之处参见方法部分说明即可。
对所公开的实施例的上述说明，使本领域专业技术人员能够实现或使用本申请。对这些实施例的多种修改对本领域的专业技术人员来说将是显而易见的，本文中所定义的一般原理可以在不脱离本申请的精神或范围的情况下，在其它实施例中实现。因此，本申请将不会被限制于本文所示的这些实施例，而是要符合与本文所公开的原理和新颖特点相一致的最宽的范围。
Claims (8)
1.用于融资业务的数据流转监管预警方法，其特征在于，所述方法包括：
建立通用数据集，所述通用数据集通过交互银行数据库获得，当建立与银行数据库的通信连接后，读取融资业务的公司主体数据和银行主体数据构建；
配置边缘计算节点的节点更新数据库，并以所述节点更新数据库作为匹配数据，生成边缘计算节点匹配网络；
获得当前融资业务的数据流转监管记录，提取所述数据流转监管记录，基于提取结果构建节点选择偏向因子；
读取实时流转数据，并生成实时流转数据的数据特征集，以所述数据特征集、所述节点选择偏向因子和所述通用数据集作为配置数据，传输至所述边缘计算节点匹配网络，完成计算节点的选择和初始化；
通过初始化完成的计算节点执行对应实时流转数据的数据分析，生成第一分析结果；
提取所述计算节点的关键监测数据，并将所述关键监测数据发送至处理中心，通过所述处理中心进行全部计算节点的关键监测数据分析，生成第二分析结果；
通过所述第一分析结果和所述第二分析结果进行融资业务的数据流转监管预警。
2.如权利要求1所述的方法，其特征在于，所述边缘计算节点匹配网络包括位置匹配子网络、业务适配子网络和整合子网络，所述方法还包括：
提取所述数据特征集中的数据位置特征，并将所述数据位置特征发送至所述位置匹配子网络；
通过所述位置匹配子网络对所述数据位置特征进行边缘计算节点的位置匹配计算，生成位置匹配结果；
通过所述业务适配子网络对数据特征集的业务特征提取，并对提取结果和所述通用数据集进行权重业务适配匹配，生成业务匹配结果；
将所述位置匹配结果和所述业务匹配结果发送至所述整合子网络，执行归一化处理，根据处理结果获得所述第一分析结果。
3.如权利要求2所述的方法，其特征在于，所述方法还包括：
基于所述节点选择偏向因子对所述边缘计算节点匹配网络进行网络参数补偿；
当将所述位置匹配结果和所述业务匹配结果发送至所述整合子网络后，通过网络参数补偿结果进行所述位置匹配结果和所述业务匹配结果的适配重构；
通过适配重构结果完成归一化处理。
4.如权利要求1所述的方法，其特征在于，所述方法还包括：
建立各个数据流转节点的兴趣特征集，所述兴趣特征集通过解析融资业务获得；
在通过计算节点进行对应实时流转数据的数据分析时，通过所述兴趣特征集执行预定周期内的数据提取，记作第一数据集；
若在任意预定周期的数据提取结果为空结果时，则重新选择在所述预定周期内的均值特征数据，将选择结果记作第二数据集；
根据所述第一数据集和所述第二数据集生成所述关键监测数据。
5.如权利要求4所述的方法，其特征在于，所述方法还包括：
通过所述第二分析结果进行整体异常分析，确定整体异常趋势，并生成局部监测的辅助识别因子；
解析所述第一分析结果，获得局部异常评价结果，通过所述辅助识别因子对所述局部异常评价结果的匹配结果优化；
通过优化结果完成融资业务的数据流转监管预警。
6.如权利要求5所述的方法，其特征在于，所述方法还包括：
判断所述辅助识别因子是否满足预设阈值；
若所述辅助识别因子不能满足所述预设阈值时，则依据所述辅助识别因子建立持续观测空间；
在所述持续观测空间内通过初始化完成的计算节点执行连续数据监测；
根据连续数据监测结果完成数据流转监管预警。
7.如权利要求1所述的方法，其特征在于，所述方法还包括：
建立计算节点的评价机制，所述评价机制包括速度评价机制、准确性评价机制；
通过所述评价机制对所述计算节点进行节点的处理效果分析，基于分析结果更新计算节点。
8.用于融资业务的数据流转监管预警***，其特征在于，用于实施权利要求1-7任一项所述的用于融资业务的数据流转监管预警方法，包括：
通用数据集建立模块，所述通用数据集建立模块用于建立通用数据集，所述通用数据集通过交互银行数据库获得，当建立与银行数据库的通信连接后，读取融资业务的公司主体数据和银行主体数据构建；
匹配网络生成模块，所述匹配网络生成模块用于配置边缘计算节点的节点更新数据库，并以所述节点更新数据库作为匹配数据，生成边缘计算节点匹配网络；
偏向因子构建模块，所述偏向因子构建模块用于获得当前融资业务的数据流转监管记录，提取所述数据流转监管记录，基于提取结果构建节点选择偏向因子；
计算节点选择模块，所述计算节点选择模块用于读取实时流转数据，并生成实时流转数据的数据特征集，以所述数据特征集、所述节点选择偏向因子和所述通用数据集作为配置数据，传输至所述边缘计算节点匹配网络，完成计算节点的选择和初始化；
实时数据分析模块，所述实时数据分析模块用于通过初始化完成的计算节点执行对应实时流转数据的数据分析，生成第一分析结果；
关键数据分析模块，所述关键数据分析模块用于提取所述计算节点的关键监测数据，并将所述关键监测数据发送至处理中心，通过所述处理中心进行全部计算节点的关键监测数据分析，生成第二分析结果；
数据流转预警模块，所述数据流转预警模块用于通过所述第一分析结果和所述第二分析结果进行融资业务的数据流转监管预警。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311423631.XA CN117172721B (zh) | 2023-10-31 | 2023-10-31 | 用于融资业务的数据流转监管预警方法及*** |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311423631.XA CN117172721B (zh) | 2023-10-31 | 2023-10-31 | 用于融资业务的数据流转监管预警方法及*** |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN117172721A true CN117172721A (zh) | 2023-12-05 |
| CN117172721B CN117172721B (zh) | 2024-02-20 |
Family
ID=88943451
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202311423631.XA Active CN117172721B (zh) | 2023-10-31 | 2023-10-31 | 用于融资业务的数据流转监管预警方法及*** |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN117172721B (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117875889A (zh) * | 2024-01-08 | 2024-04-12 | 北京当境科技有限责任公司 | 一种现场作业数字化管理方法及*** |
Citations (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20100306128A1 (en) * | 2009-02-27 | 2010-12-02 | Huron Consulting Group | Securities' value monitor program |
| US20200167869A1 (en) * | 2016-04-16 | 2020-05-28 | Overbond Ltd. | Real-time predictive analytics engine |
| US20210096911A1 (en) * | 2020-08-17 | 2021-04-01 | Essence Information Technology Co., Ltd | Fine granularity real-time supervision system based on edge computing |
| US11195107B1 (en) * | 2017-09-13 | 2021-12-07 | Hrl Laboratories, Llc | Method of malicious social activity prediction using spatial-temporal social network data |
| CN114615286A (zh) * | 2022-03-15 | 2022-06-10 | 上海万向区块链股份公司 | 基于跨链技术的碳普惠业务数据流转方法和*** |
| US20230004889A1 (en) * | 2017-09-22 | 2023-01-05 | 1Nteger, Llc | Systems and methods for risk data navigation |
| CN115643159A (zh) * | 2022-11-18 | 2023-01-24 | 奇点创新(江苏)智能科技有限公司 | 一种基于边缘计算的设备异常预警方法及*** |
| WO2023039965A1 (zh) * | 2021-09-17 | 2023-03-23 | 苏州大学 | 流量疏导的云边计算网络计算资源均衡调度方法及*** |
| WO2023142424A1 (zh) * | 2022-01-25 | 2023-08-03 | 国网江苏省电力有限公司南京供电分公司 | 基于gru-lstm神经网络的电力金融业务风控方法及*** |
-
2023
- 2023-10-31 CN CN202311423631.XA patent/CN117172721B/zh active Active
Patent Citations (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20100306128A1 (en) * | 2009-02-27 | 2010-12-02 | Huron Consulting Group | Securities' value monitor program |
| US20200167869A1 (en) * | 2016-04-16 | 2020-05-28 | Overbond Ltd. | Real-time predictive analytics engine |
| US11195107B1 (en) * | 2017-09-13 | 2021-12-07 | Hrl Laboratories, Llc | Method of malicious social activity prediction using spatial-temporal social network data |
| US20230004889A1 (en) * | 2017-09-22 | 2023-01-05 | 1Nteger, Llc | Systems and methods for risk data navigation |
| US20210096911A1 (en) * | 2020-08-17 | 2021-04-01 | Essence Information Technology Co., Ltd | Fine granularity real-time supervision system based on edge computing |
| WO2023039965A1 (zh) * | 2021-09-17 | 2023-03-23 | 苏州大学 | 流量疏导的云边计算网络计算资源均衡调度方法及*** |
| WO2023142424A1 (zh) * | 2022-01-25 | 2023-08-03 | 国网江苏省电力有限公司南京供电分公司 | 基于gru-lstm神经网络的电力金融业务风控方法及*** |
| CN114615286A (zh) * | 2022-03-15 | 2022-06-10 | 上海万向区块链股份公司 | 基于跨链技术的碳普惠业务数据流转方法和*** |
| CN115643159A (zh) * | 2022-11-18 | 2023-01-24 | 奇点创新(江苏)智能科技有限公司 | 一种基于边缘计算的设备异常预警方法及*** |
Non-Patent Citations (2)
| Title |
|---|
| 李国华;武爱敏;: "分布式IPTV监测监管***的设计与实现", 广播与电视技术, no. 1, pages 151 - 154 * |
| 石锋;梁尚斌;蒋勇;闫丽萍;徐建军;郭晓东;: "油田物联网***边缘计算研究与实践", 计算机工程与应用, no. 16, 30 August 2020 (2020-08-30), pages 278 - 283 * |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117875889A (zh) * | 2024-01-08 | 2024-04-12 | 北京当境科技有限责任公司 | 一种现场作业数字化管理方法及*** |
Also Published As
| Publication number | Publication date |
|---|---|
| CN117172721B (zh) | 2024-02-20 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN113011973B (zh) | 基于智能合约数据湖的金融交易监管模型的方法及设备 | |
| CN111259947A (zh) | 一种基于多模态学习的电力***故障预警方法和*** | |
| CN117172721B (zh) | 用于融资业务的数据流转监管预警方法及*** | |
| CN114202243A (zh) | 一种基于随机森林的工程项目管理风险预警方法及*** | |
| WO2023207689A1 (zh) | 一种变更风险评估方法、设备及存储介质 | |
| CN110570097A (zh) | 基于大数据的业务人员风险识别方法、装置及存储介质 | |
| CN112598443A (zh) | 一种基于深度学习的线上渠道业务数据处理方法及*** | |
| CN113450009A (zh) | 一种企业成长性评价的方法及*** | |
| CN116485020A (zh) | 一种基于大数据的供应链风险识别预警方法、***及介质 | |
| CN115237804A (zh) | 性能瓶颈的评估方法、装置、电子设备、介质和程序产品 | |
| CN114118793A (zh) | 一种地方交易所风险预警方法、装置及设备 | |
| CN115018513A (zh) | 数据巡检方法、装置、设备及存储介质 | |
| CN116452154B (zh) | 一种适用于通信运营商的项目管理*** | |
| CN113628024A (zh) | 基于大数据平台***的财务数据智能稽核***及方法 | |
| CN117763316A (zh) | 一种基于机器学习的高维数据降维方法及降维*** | |
| CN117172530A (zh) | 基于数据挖掘算法的企业运营风险评估***及方法 | |
| CN117132383A (zh) | 一种信贷数据处理方法、装置、设备及可读存储介质 | |
| CN117076521A (zh) | 基于大数据的运营数据分析方法及*** | |
| CN117196630A (zh) | 交易风险预测方法、装置、终端设备以及存储介质 | |
| CN114880312B (zh) | 一种可柔性设置的应用***业务数据稽核方法 | |
| CN113837481B (zh) | 一种基于区块链的金融大数据管理*** | |
| CN115797047A (zh) | 智能化客户经营风险评估方法及*** | |
| CN115392351A (zh) | 风险用户识别方法、装置、电子设备及存储介质 | |
| CN115659214A (zh) | 一种基于PaaS平台的能源行业数据可信评价方法 | |
| CN114092216A (zh) | 企业信贷评级方法、装置、计算机设备和存储介质 |
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 | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant | ||
| TR01 | Transfer of patent right | ||
| TR01 | Transfer of patent right |
Effective date of registration: 20240306 Address after: 518000, Room 2603, 26th Floor, Block A, Bojin Business Plaza, Chegongmiao, Tian'an Community, Shatou Street, Futian District, Shenzhen, Guangdong Province, China Patentee after: Shenzhen Citizen Xinhui Technology Service Co.,Ltd. Country or region after: China Address before: 1202-15, Block A, Jinfengcheng Building, No. 5015 Shennan East Road, Xinwei Community, Guiyuan Street, Luohu District, Shenzhen City, Guangdong Province, 518001 Patentee before: Shenzhen Xinhui Technology Co.,Ltd. Country or region before: China |