一种基于资金流向图的企业资金流异常检测方法技术

本申请涉及一种基于资金流向图的企业资金流异常检测方法，该方法包括：获取企业财务资金流数据，并对其类型进行特征值转换；拼接转换后的数据特征得到资金流向数据集；采用自组织特征映射网络将资金流向数据集转化为拓扑图，得到资金流向图；根据资金流向图进行资金异常自循环检测以及资金异常汇聚检测。该方法可以帮助企业及时发现和纠正异常资金流动情况，降低企业财务风险，提高企业财务管理水平。平。平。

【技术实现步骤摘要】
一种基于资金流向图的企业资金流异常检测方法


[0001]本申请涉及企业风控
，特别是涉及一种基于资金流向图的企业资金流异常检测方法。

技术介绍

[0002]企业资金流的异常自循环是指通过虚构交易等手段不断进行资金操作，从而使得资金流不断循环，形成了一个看似正常但实际上异常的资金流动，并从中获取利益。企业资金流的异常汇聚是指在一定时间内，从不同来源涌入同一账户或地点的大量资金，相对于正常资金流量具有突出异常性，可能暗示着异常活动的存在。资金流的异常自循环和汇聚可能导致企业的财务数据失真，企业财务状况无法真实反映，给投资者和债权人带来风险，进而破坏企业的声誉和信誉，给企业带来长期的损失。
[0003]传统的企业资金流监管方法主要依靠财务报表、审计等手段进行人工检测，耗时长，且存在漏洞和误检。因此，需要一种智能的检测方法，代替人工进行高效的企业资金流异常检测。

技术实现思路

[0004]基于此，有必要提供一种基于资金流向图的企业资金流异常检测方法，该方法包括：S1：获取企业财务资金流数据，并对其类型进行特征值转换；拼接转换后的数据特征得到资金流向数据集；S2：采用自组织特征映射网络将所述资金流向数据集转化为拓扑图，得到资金流向图；S3：根据所述资金流向图进行资金异常自循环检测以及资金异常汇聚检测；将所述资金流向图表示为邻接矩阵；基于邻接矩阵计算出归一化的拉普拉斯矩阵，并将其作为扩散图神经网络的输入；基于扩散图神经网络最后一层提取的特征矩阵，计算资金流向图各第一节点的自循环权重；根据所述自循环权重确定资金流向图中的资金异常自循环情况；将所述资金流向图转换为有向图，根据有向图中各第二节点的资金流量，将所有第二节点划分为源节点和汇节点；设置超级源节点和超级汇节点；将所有的源节点连接到超级源节点，将所有的汇节点连接到超级汇节点；求解超级源节点到超级汇节点的最大流量；根据所述最大流量确定资金流向图中的资金异常汇聚情况。
[0005]优选的，S1中，所述企业财务资金流数据包括收支明细、流水账、现金日记账；企业财务资金流数据的类型包括时间信息、金额信息、账户信息、交易类型。
[0006]优选的，S1中，对企业财务资金流数据的类型进行特征值转换的过程包括：将时间信息转换为“年
‑
月
‑
日
‑
星期”形式；金额信息包括金额样本和金额特征，对金额特征进行Min
‑
Max归一化，得到归一化
后的第i个金额样本在第j个金额特征上的值，计算公式为：；其中，表示归一化后的第i个金额样本在第j个金额特征上的值；x
ij
表示第i个金额样本在第j个金额特征上的值；X
j
表示第j个金额特征的取值集合；采用One
‑
Hot编码将账户信息转换为类别特征；采用二元编码将交易类型编码为0或1。
[0007]优选的，S2中，还包括得到资金流向簇：步骤1：初始化自组织特征映射网络的权重向量，权重向量记为；其中m表示自组织特征映射网络的节点数，p表示各节点的权重向量长度；步骤2：对于资金流向数据集中的每个资金流向样本，计算其与各自组织特征映射网络的节点的欧几里得距离；并找到获胜节点，将获胜节点记为J；计算公式为：；其中，k表示第k个节点，Z
a
表示第a个资金流向样本；W
k
表示第k个节点的权重向量；表示L2范数；步骤3：更新权重向量，计算公式为：；其中，W
k
(t+1)表示更新后的权重向量；t表示当前迭代轮数；α(t)表示学习率；h
kJ
(t)表示以获胜节点为中心的高斯函数；步骤4：迭代步骤2和步骤3，直至自组织特征映射网络收敛；网络收敛后，将自组织特征映射网络的每个神经元均作为资金流向簇；所述资金流向簇用于构建所述资金流向图。
[0008]优选的，S2中，得到资金流向图的过程为：计算每个所述资金流向样本与各资金流向簇之间的欧式距离；并基于计算出的欧式距离将每个所述资金流向样本划分至距离最近的所述资金流向簇中，以资金流向样本作为第一节点，构建所述资金流向图；所述资金流向图记为G=(V,E)；其中，V表示所有的资金流向簇中包含的第一节点的集合，E表示任意两个第一节点之间的边的集合；所述资金流向图为带权有向图，边的权值为第一节点对应的资金流向簇之间的欧式距离。
[0009]优选的，S3中，将所述资金流向图表示为邻接矩阵，所述邻接矩阵记为：A；基于邻接矩阵计算归一化的拉普拉斯矩阵，计算公式为：；其中，H表示归一化的拉普拉斯矩阵；I表示单位矩阵；D表示邻接矩阵的度矩阵；将所述归一化的拉普拉斯矩阵作为扩散图神经网络的输入，通过更新扩散图神经网络中多层的信息传播，提取特征；计算公式为：；
其中，H
(l+1)
表示第l+1层的特征矩阵；σ(
·
)表示激活函数，表示邻接矩阵与单位矩阵的和；为对角矩阵；H
(l)
表示第l层的特征矩阵；W
(l)
表示第l层的权重矩阵；；L
‑
1表示扩散图神经网络的层数；基于扩散图神经网络最后一层提取的特征，计算资金流向图各节点的自循环权重；计算公式为：；其中，表示第q个第一节点的自循环权重；n表示第一节点的总数；表示扩散图神经网络在第L层的特征矩阵中第q行第p列的元素；表示第q个节点的自身邻接矩阵中的元素；表示扩散图神经网络在第L层的特征矩阵中第p行第q列的元素。
[0010]优选的，S3中，所述有向图中每个所述第二节点均为一个资金流向簇，所述有向图中每条边的权值均表示一个第二节点到另一个第二节点的资金流量；将资金流入的第二节点作为汇节点，将资金流出的第二节点作为源节点；采用最大流算法求解超级源节点到超级汇节点的最大流量，计算公式为：；其中，F
max
表示从超级源节点到超级汇节点的最大流量，maxFlow()表示最大流算法；G1表示包含超级源节点和超级汇节点的有向图；s
source
表示超级源节点；s
sink
表示超级汇节点。
[0011]优选的，S3中，还包括设置有第一阈值和第二阈值；所述第一阈值用于确定资金流向图中的资金异常自循环情况；所述第二阈值用于确定资金流向图中的资金异常汇聚情况；当所述自循环权重超过所述第一阈值时，判定所述自循环权重对应的第一节点存在资金异常自循环情况；否则不存在；当所述最大流量小于所述第二阈值时，判定资金流向图中存在资金异常汇聚情况；否则不存在。
[0012]优选的，还包括根据检测出的资金异常自循环以及资金异常汇聚的数量和资金规模，计算企业资金流风险水平，计算公式为：；其中，Risk表示企业资金流风险水平值；N
loop
表示资金异常自循环的数量；S
u
表示第u个资金异常自循环的资金规模；N
con
表示资金异常汇聚的数量；T
v
表示第v个资金异常汇聚本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于资金流向图的企业资金流异常检测方法，其特征在于，包括：S1：获取企业财务资金流数据，并对其类型进行特征值转换；拼接转换后的数据特征得到资金流向数据集；S2：采用自组织特征映射网络将所述资金流向数据集转化为拓扑图，得到资金流向图；S3：根据所述资金流向图进行资金异常自循环检测以及资金异常汇聚检测；将所述资金流向图表示为邻接矩阵；基于邻接矩阵计算出归一化的拉普拉斯矩阵，并将其作为扩散图神经网络的输入；基于扩散图神经网络最后一层提取的特征矩阵，计算资金流向图各第一节点的自循环权重；根据所述自循环权重确定资金流向图中的资金异常自循环情况；将所述资金流向图转换为有向图，根据有向图中各第二节点的资金流量，将所有第二节点划分为源节点和汇节点；设置超级源节点和超级汇节点；将所有的源节点连接到超级源节点，将所有的汇节点连接到超级汇节点；求解超级源节点到超级汇节点的最大流量；根据所述最大流量确定资金流向图中的资金异常汇聚情况。2.根据权利要求1所述的企业资金流异常检测方法，其特征在于，S1中，所述企业财务资金流数据包括收支明细、流水账、现金日记账；企业财务资金流数据的类型包括时间信息、金额信息、账户信息、交易类型。3.根据权利要求2所述的企业资金流异常检测方法，其特征在于，S1中，对企业财务资金流数据的类型进行特征值转换的过程包括：将时间信息转换为“年
‑
月
‑
日
‑
星期”形式；金额信息包括金额样本和金额特征，对金额特征进行Min
‑
Max归一化，得到归一化后的第i个金额样本在第j个金额特征上的值，计算公式为：；其中，表示归一化后的第i个金额样本在第j个金额特征上的值；x
ij
表示第i个金额样本在第j个金额特征上的值；X
j
表示第j个金额特征的取值集合；采用One
‑
Hot编码将账户信息转换为类别特征；采用二元编码将交易类型编码为0或1。4.根据权利要求1所述的企业资金流异常检测方法，其特征在于，S2中，还包括得到资金流向簇：步骤1：初始化自组织特征映射网络的权重向量，权重向量记为；其中m表示自组织特征映射网络的节点数，p表示各节点的权重向量长度；步骤2：对于资金流向数据集中的每个资金流向样本，计算其与各自组织特征映射网络的节点的欧几里得距离；并找到获胜节点，将获胜节点记为J；计算公式为：；其中，k表示第k个节点，Z
a
表示第a个资金流向样本；W
k
表示第k个节点的权重向量；表示L2范数；步骤3：更新权重向量，计算公式为：
；其中，W
k
(t+1)表示更新后的权重向量；t表示当前迭代轮数；α(t)表示学习率；h
kJ
(t)表示以获胜节点为中心的高斯函数；步骤4：迭代步骤2和步骤3，直至自组织特征映射网络收敛；网络收敛后，将自组织特征映射网络的每个神经元均作为资金流向簇；所述资金流向簇用于构建所述资金流向图。5.根据权利要求4所述的企业资金流异常检测方法，其特征在于，S2中，得到资金流向图的过程为：计算每个所述资金流向样本与各资金流向簇之间的欧式距离；并基于计算出的欧式距离将每个所述资金流向样本划分至距离最近的所述资金流向簇中，以资金流向样本作为第一节点，构建所述资金流向图；...

【专利技术属性】
技术研发人员：胡为民，曹健，黄婵娟，何永定，
申请(专利权)人：深圳市迪博企业风险管理技术有限公司，
类型：发明
国别省市：