一种基于分布式模型训练的财务支出行为异常预测方法技术

本发明专利技术公开了一种基于分布式模型训练的财务支出行为异常预测方法，基于数据采集模块进行分布式训练中央模型及隐私数据聚合；将各地聚合的中央模型数据提交到中央服务器以更新中央模型，并更新总部支出分析结果数据库，存储每次训练后的更新指标，中央服务器程序则重新执行新一轮模型训练，从而完成整个流程；构建缺失数据模拟模型，采用采用岭回归法防止模型过拟合，基于缺失数据模拟模型校验中央模型准确性；构建消费者行为模型并进行机器学习，结合缺失数据模拟模型进行财务支出行为异常预测。对全国财务数据查账工作中支出异常状况提供了更加智能、高效的解决方案。高效的解决方案。高效的解决方案。

【技术实现步骤摘要】
一种基于分布式模型训练的财务支出行为异常预测方法


[0001]本专利技术属于财务管理
，具体涉及一种基于分布式模型训练的财务支出行为异常预测方法。

技术介绍

[0002]财务支出是经一定程序核定的经费年度收支记录，财务支出每年底都会进行对账查账，因此财务管理是收好，管好，记录好经费的重要手段，是财务管理的重要内容。
[0003]加强经费支出管理，为组织履行职责提供坚实的物质基础，对于保证组织各项职能的顺利履行，充分发挥组织在依法维权，促进社会建设中的作用有着十分重要的意义。加强异常支出的检查管理，有利于优化支出结构，加强支出管理，有利于不断优化支出结构。
[0004]目前，财务管理系统很多环节管理依靠人工经验，无法灵活的应用于各种财务管理业务上。

技术实现思路

[0005]本专利技术所要解决的技术问题是针对上述现有技术的不足，提供一种基于分布式模型训练的财务支出行为异常预测方法，在原有财务体系结构的基础之上增加人工智能环节，在不影响原先的体系结构的同时,保持了原有成熟业务的稳定性,且结构简单；并可以灵活的应用于各种财务管理业务上，解决了目前财务管理系统很多环节管理依靠人工经验的不足。
[0006]为实现上述技术目的，本专利技术采取的技术方案为：
[0007]一种基于分布式模型训练的财务支出行为异常预测方法，包括：
[0008]步骤一：基于数据采集模块进行分布式训练中央模型及隐私数据聚合；
[0009]步骤二：将各地聚合的中央模型数据提交到中央服务器以更新中央模型，并更新总部支出分析结果数据库，存储每次训练后的更新指标，中央服务器程序则重新执行新一轮模型训练，从而完成整个流程；
[0010]步骤三：构建缺失数据模拟模型，采用采用岭回归法防止模型过拟合，基于缺失数据模拟模型校验中央模型准确性；
[0011]步骤四：构建消费者行为模型并进行机器学习，结合缺失数据模拟模型进行财务支出行为异常预测。
[0012]为优化上述技术方案，采取的具体措施还包括：
[0013]上述的数据采集模块包含总部支出分析结果数据库和地方支出数据库、支出关联关系数据库；
[0014]其中，总部支出分析结果数据库和支出关联关系数据库部署于中央服务器部署，地方支出数据库部署于地方节点服务器。
[0015]上述的步骤一具体描述如下：
[0016]首先，通过部署在总部的中央服务器程序执行第一轮模型训练指令，将指令下发
到地方节点服务器；
[0017]其次，地方节点服务器收到指令后，访问地方支出数据库模型训练标识字段flag，如果 flag不为0，则说明是非第一次训练，进行数据分析及计算，如果flag为0，则向中央服务器发送请求中央服务器下发中央模型指令，中央服务器收到请求指令后将中央模型下发到地方节点服务器；
[0018]然后，地方节点服务器收到中央模型后，进行隐私数据聚合。
[0019]上述的隐私数据聚合过程包括：
[0020]通过地方节点服务器部署的程序执行将地方支出数据库所有支出数据按照支出类型分类汇总，再通过支出类型为查询条件访问中央服务器的支出关联关系数据库获取本地与地方支出有关联支出，访问有关联支出的异地支出数据库获取关联隐私数据，并按照支出类型进行隐私数据合并；支出类型包括日常支出、计划内支出、计划外支出、其他支出。
[0021]上述的中央模型为：
[0022]X(k+1)＝X(k)
×
P
[0023]公式中：X(k)表示趋势分析与预测对象在t＝k时刻的状态向量；
[0024]P表示一步转移概率矩阵；
[0025]X(k+1)表示趋势分析与预测对象在t＝k+1时刻的状态向量。
[0026]上述的步骤三采用岭回归法构建缺失数据模拟模型，将日常支出、计划内支出、计划外支出、其他支出四组数据输入缺失数据模拟模型生成模拟拟合值，再通过数据库获取日常支出、计划内支出、计划外支出、其他支出的真实数据生成真实拟合值，进行模拟拟合值与真实拟合值的差值计算，如果差值率大于10％，则中央模型的准确度低于要求，需要通过对训练数据进行调整或增加中央模型的参数来解决该问题。
[0027]上述的缺失数据模拟模型公式为：||Xθ
‑
y||2+||Γθ||2[0028]防止过拟合运算公式为：θ(a)＝(X
T
X+aI)
‑1X
T
y
[0029]其中，X表示输入；
[0030]y表示输出的预测结果；
[0031]||表示正则运算；
[0032]I表示单位矩阵；
[0033]θ为拟合超参数；
[0034]Γ是权重常量；
[0035]a是单位矩阵的权重；
[0036]θ(a)表示在a确定的情况下求θ的值。
[0037]上述的消费者行为模型为：
[0038]y
i
＝b+f(x
i
,w
i
)+ξ
i
for i＝1,
…
,n
[0039]其中，b是截距/偏差，y
i
是因变量，ξ
i
表示观察中i的不可观察因素，w
i
是操纵变量， f为非线性函数。
[0040]上述的步骤四构建消费者行为模型，并进行机器学习，y
i
＝客户财务支出行为值和通过步骤三的得到的大于10％的财务支出异常值进行对比，如果数值都大，则本次财务异常预测真实有效，否则肯定存在财务支出异常偏差，需对本笔支出进行复审。
[0041]本专利技术具有以下有益效果：
[0042]本专利技术采用人工智能对财务领域支出是否发生异常的概率。并通过分布式的方式由地方隐私数据及关联异地的隐私数据综合分析及训练中央模型，最后将中央模型发送会中央服务器进行更新的全流程训练方法。突出了人工智能对财务领域支出是否发生异常的概率，通过人工智能算法对全国财务数据查账工作中支出异常状况提供了更加智能、高效的解决方案。
附图说明
[0043]图1为本专利技术中方法流程框图；
[0044]图2为本专利技术中方法原理图。
具体实施方式
[0045]以下结合附图对本专利技术的实施例作进一步详细描述。
[0046]本专利技术提供的方法是对总部管理的地方费用支出的项目进行财务分配以及根据费用支出的种类进行自动分配，通过对各个地方支出的数据收敛及训练从而优化中央训练模型，对各地方财务支持可能出现的异常支持情况进行排查，并通过各地方历史支出数据进行分析，通过支出类型(日常支出、计划内、外支出、其他支出等)、支出发生周期、支出金额、支出内容、支出关联表等维度，进行数据统计得出本次支出评分指标。最后将【地方先验概率】和【地方条件概率】放入【中央模型】得到支出异常发生概率，最后参考【地方后验概率】得到平衡各种指标后的【最优支出异常本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于分布式模型训练的财务支出行为异常预测方法，其特征在于，包括：步骤一：基于数据采集模块进行分布式训练中央模型及隐私数据聚合；步骤二：将各地聚合的中央模型数据提交到中央服务器以更新中央模型，并更新总部支出分析结果数据库，存储每次训练后的更新指标，中央服务器程序则重新执行新一轮模型训练，从而完成整个流程；步骤三：构建缺失数据模拟模型，采用采用岭回归法防止模型过拟合，基于缺失数据模拟模型校验中央模型准确性；步骤四：构建消费者行为模型并进行机器学习，结合缺失数据模拟模型进行财务支出行为异常预测。2.根据权利要求1所述的一种基于分布式模型训练的财务支出行为异常预测方法，其特征在于，所述数据采集模块包含总部支出分析结果数据库和地方支出数据库、支出关联关系数据库；其中，总部支出分析结果数据库和支出关联关系数据库部署于中央服务器部署，地方支出数据库部署于地方节点服务器。3.根据权利要求2所述的一种基于分布式模型训练的财务支出行为异常预测方法，其特征在于，步骤一具体描述如下：首先，通过部署在总部的中央服务器程序执行第一轮模型训练指令，将指令下发到地方节点服务器；其次，地方节点服务器收到指令后，访问地方支出数据库模型训练标识字段flag，如果flag不为0，则说明是非第一次训练，进行数据分析及计算，如果flag为0，则向中央服务器发送请求中央服务器下发中央模型指令，中央服务器收到请求指令后将中央模型下发到地方节点服务器；然后，地方节点服务器收到中央模型后，进行隐私数据聚合。4.根据权利要求3所述的一种基于分布式模型训练的财务支出行为异常预测方法，其特征在于，隐私数据聚合过程包括：通过地方节点服务器部署的程序执行将地方支出数据库所有支出数据按照支出类型分类汇总，再通过支出类型为查询条件访问中央服务器的支出关联关系数据库获取本地与地方支出有关联支出，访问有关联支出的异地支出数据库获取关联隐私数据，并按照支出类型进行隐私数据合并；支出类型包括日常支出、计划内支出、计划外支出、其他支出。5.根据权利要求1所述的一种基于分布式模型训练的财务支出行为异常预测方法，其特征在于，中央模型为：X(k+1)＝X(k)
×
P公式中：X(k)表示趋势分...

【专利技术属性】
技术研发人员：祖福庆，王凌芯，田晓帆，
申请(专利权)人：中电信数智科技有限公司，
类型：发明
国别省市：