本申请公开了一种投产数据异常检测方法，包括：基于异常单位特征信息对获取到的原始投产数据进行预处理，得到待检测投产数据；基于训练数据对构建的投产数据关系映射模型进行训练，得到浅层神经网络模型；基于所述浅层神经网络模型对所述待检测投产数据进行检测，得到异常投产数据。通过先对原始投产数据进行预处理，以便剔除原始数据中存在异常的数据，然后训练得到浅层神经网络模型，最后进行检测得到异常投产数据，实现确定出正常投产数据和异常投产数据之间的差距，而不是采用历史数据进行判断，提高异常数据检测的准确性。本申请还公开了一种投产数据异常检测装置、服务器以及计算机可读存储介质，具有以上有益效果。具有以上有益效果。具有以上有益效果。
【技术实现步骤摘要】
一种投产数据异常检测方法及相关装置
[0001]本申请涉及数据处理
，特别涉及一种投产数据异常检测方法、投产数据异常检测装置、服务器以及计算机可读存储介质。
技术介绍
[0002]随着信息技术的不断发展，使用数据处理手段对各行各业的数据进行处理，以提高数据处理的效率，提前发现数据中存在的问题。
[0003]相关技术中，将数据处理技术用于预警企业虚开发票，该技术方案中将企业当月的相关数据与该企业前三个月的数据进行对比，针对超过异常阈值的企业，定义风险纳税企业，提高发现异常数据的效率和准确性。但是，该技术方案中所使用的方法着眼于企业的历史数据，对于长期存在异常经营的企业并不能很好的检出，同时，该技术方案中异常阈值过于依赖技术人员经验，从而导致难以设定阈值的问题，降低方法的可用性。降低了对投产数据进行检测的准确性和精度。
[0004]因此，如何提高投产数据进行检测的准确性是本领域技术人员关注的重点问题。
技术实现思路
[0005]本申请的目的是提供一种投产数据异常检测方法、投产数据异常检测装置、服务器以及计算机可读存储介质，以提高投产异常数据检测的准确性。
[0006]为解决上述技术问题，本申请提供一种投产数据异常检测方法，包括：
[0007]基于异常单位特征信息对获取到的原始投产数据进行预处理，得到待检测投产数据；
[0008]基于训练数据对构建的投产数据关系映射模型进行训练，得到浅层神经网络模型；
[0009]基于所述浅层神经网络模型对所述待检测投产数据进行检测，得到异常投产数据。
[0010]可选的，基于异常单位特征信息对获取到的原始投产数据进行预处理，得到待检测投产数据，包括：
[0011]将所述原始投产数据中标注有异常单位的数据进行剔除，得到待聚类数据；
[0012]基于密度聚类算法对所述待聚类数据进行分类，得到正常单位数据；
[0013]基于数据矩阵形式对所述正常单位数据进行归一化处理，得到所述待检测投产数据。
[0014]可选的，基于训练数据对构建的投产数据关系映射模型进行训练，得到浅层神经网络模型，包括：
[0015]基于预设模型结构进行模型构建处理，得到投产数据关系映射模型；
[0016]基于训练数据对所述投产数据关系映射模型进行训练，得到所述浅层神经网络模型。
[0017]可选的，基于所述浅层神经网络模型对所述待检测投产数据进行检测，得到异常投产数据，包括：
[0018]基于所述浅层神经网络模型对所述待检测投产数据的投入数据进行预测，得到预测产出数据；
[0019]对所述待检测投产数据的产出数据与所述预测产出数据进行差值计算，得到嫌疑值；
[0020]将所述嫌疑值大于预设数值的数据标记为所述异常投产数据。
[0021]可选的，还包括：
[0022]基于所述异常投产数据发送提示信息。
[0023]本申请还提供一种投产数据异常检测装置，包括：
[0024]数据预处理模块，用于基于异常单位特征信息对获取到的原始投产数据进行预处理，得到待检测投产数据；
[0025]模型训练模块，用于基于训练数据对构建的投产数据关系映射模型进行训练，得到浅层神经网络模型；
[0026]数据检测模块，用于基于所述浅层神经网络模型对所述待检测投产数据进行检测，得到异常投产数据。
[0027]可选的，所述数据预处理模块，具体用于将所述原始投产数据中标注有异常单位的数据进行剔除，得到待聚类数据；基于密度聚类算法对所述待聚类数据进行分类，得到正常单位数据；基于数据矩阵形式对所述正常单位数据进行归一化处理，得到所述待检测投产数据。
[0028]可选的，所述模型训练模块，具体用于基于预设模型结构进行模型构建处理，得到投产数据关系映射模型；基于训练数据对所述投产数据关系映射模型进行训练，得到所述浅层神经网络模型。
[0029]本申请还提供一种服务器，包括：
[0030]存储器，用于存储计算机程序；
[0031]处理器，用于执行所述计算机程序时实现如以上实施例所述的投产数据异常检测方法的步骤。
[0032]本申请还提供一种计算机可读存储介质，所述计算机可读存储介质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以上实施例所述的投产数据异常检测方法的步骤。
[0033]本申请所提供的一种投产数据异常检测方法，包括：基于异常单位特征信息对获取到的原始投产数据进行预处理，得到待检测投产数据；基于训练数据对构建的投产数据关系映射模型进行训练，得到浅层神经网络模型；基于所述浅层神经网络模型对所述待检测投产数据进行检测，得到异常投产数据。
[0034]通过先对原始投产数据进行预处理，以便剔除原始数据中存在异常的数据，然后训练得到浅层神经网络模型，最后进行检测得到异常投产数据，实现确定出正常投产数据和异常投产数据之间的差距，而不是采用历史数据进行判断，提高异常数据检测的准确性。
[0035]本申请还提供一种投产数据异常检测装置、服务器以及计算机可读存储介质，具有以上有益效果，在此不做赘述。
附图说明
[0036]为了更清楚地说明本申请实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本申请的实施例，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，还可以根据提供的附图获得其他的附图。
[0037]图1为本申请实施例所提供的一种投产数据异常检测方法的流程图；
[0038]图2为本申请实施例所提供的一种投产数据异常检测装置的结构示意图。
具体实施方式
[0039]本申请的核心是提供一种投产数据异常检测方法、投产数据异常检测装置、服务器以及计算机可读存储介质，以提高投产异常数据检测的准确性。
[0040]为使本申请实施例的目的、技术方案和优点更加清楚，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，所描述的实施例是本申请一部分实施例，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，都属于本申请保护的范围。
[0041]相关技术中，将数据处理技术用于预警企业虚开发票，该技术方案中将企业当月的相关数据与该企业前三个月的数据进行对比，针对超过异常阈值的企业，定义风险纳税企业，提高发现异常数据的效率和准确性。但是，该技术方案中所使用的方法着眼于企业的历史数据，对于长期存在异常经营的企业并不能很好的检出，同时，该技术方案中异常阈值过于依赖技术人员经验，从而导致难以设定阈值的问题，降低方法的可用性。降低了对投产数据进行检测的准确性和精度。
[0042]因此，本申请提供一种投产数据异常检测方法，通过先对原始投产数据进行预处理，以便剔除原始数据中存在异常的数据，然后训练得到浅层神经网络模本文档来自技高网...
【技术保护点】
【技术特征摘要】
1.一种投产数据异常检测方法，其特征在于，包括：基于异常单位特征信息对获取到的原始投产数据进行预处理，得到待检测投产数据；基于训练数据对构建的投产数据关系映射模型进行训练，得到浅层神经网络模型；基于所述浅层神经网络模型对所述待检测投产数据进行检测，得到异常投产数据。2.根据权利要求1所述的投产数据异常检测方法，其特征在于，基于异常单位特征信息对获取到的原始投产数据进行预处理，得到待检测投产数据，包括：将所述原始投产数据中标注有异常单位的数据进行剔除，得到待聚类数据；基于密度聚类算法对所述待聚类数据进行分类，得到正常单位数据；基于数据矩阵形式对所述正常单位数据进行归一化处理，得到所述待检测投产数据。3.根据权利要求1所述的投产数据异常检测方法，其特征在于，基于训练数据对构建的投产数据关系映射模型进行训练，得到浅层神经网络模型，包括：基于预设模型结构进行模型构建处理，得到投产数据关系映射模型；基于训练数据对所述投产数据关系映射模型进行训练，得到所述浅层神经网络模型。4.根据权利要求1所述的投产数据异常检测方法，其特征在于，基于所述浅层神经网络模型对所述待检测投产数据进行检测，得到异常投产数据，包括：基于所述浅层神经网络模型对所述待检测投产数据的投入数据进行预测，得到预测产出数据；对所述待检测投产数据的产出数据与所述预测产出数据进行差值计算，得到嫌疑值；将所述嫌疑值大于预设数值的数据标记为所述异常投产数据。5.根据权利要求1所述的投产数...
【专利技术属性】
技术研发人员：郑庆华，袁楷喆，武乐飞，师斌，刘勇，董博，涂昶，陈鹏飞，
申请(专利权)人：税友软件集团股份有限公司，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。