【技术实现步骤摘要】
本专利技术涉及企业数据管理，具体涉及一种基于多数据实体协同的逻辑数据截面的构建方法。
技术介绍
1、数据质量管理是数据分析的重要基础，有效的数据管理可以提高业务决策的准确性，在金融信贷领域中，随着业务数据量的不断增加，系统数据的记录量直线上升，数据截面中原有的数据勾稽关系可能无法处理更大的数据量，需要调整或优化；若如果数据的结构或格式发生了改变，原有的数据勾稽关系失效，需要重新评估和调整数据勾稽关系，以确保数据的准确性和完整性；
2、同时当数据变化缺乏完整的明细记录时，无法支持勾稽关系逻辑的精准表达，要从多个数据库表中按照某一个或者多个业务逻辑精准的提出多个数据截面，并且精准匹配勾稽关系是很难实现的，数据变化导致数据勾稽关系不再适用，信息系统性能和运行效率降低；为了解决多数据实体协同分析过程中数据变化带来的数据勾稽关系不匹配的问题，提高企业数据管理效率，优化资源配置，提高企业的竞争力，本专利技术提出了一种基于多数据实体协同的逻辑数据截面的构建方法。
技术实现思路
1、针对上述情况，为了克服现有技术之缺陷，本专利技术之目的提供了一种基于多数据实体协同的逻辑数据截面的构建方法，按照时间序列对数据变量的变化规律进行动态分析，并通过预测模型得到预测数据，再通过数据勾稽关系适应性评估模型进行适应性评估，并对适应性评估结果进行判断，当大于阈值时，根据预测数据和历史数据的重构数据集进行逻辑关系分析，建立新的数据勾稽关系，实现数据勾稽关系的动态优化和调整，大大提高了数据管理的效率和企业
2、本专利技术提出了一种基于多数据实体协同的逻辑数据截面的构建方法，具体步骤如下：
3、s01、按照目标业务获取不同数据库的多个数据截面，并确定每一个数据截面中的数据变量；
4、s02、所述多个数据截面中的数据变量总数记为n，再按照,...的时间序列对所有数据变量的变化过程进行动态分析；
5、s03、提取每一个数据变量变化规律的特征值，利用与数据变量对应的特征向量来描述数据变量的变化程度，特征向量对应的特征参数包括数据采集时间、数据量、采集频率、采集方式、采集速度，不同时间点数据变量的特征向量随时间发生转换，数据截面的逻辑截面数据的采集时间记为，为当前时刻，在到的时间间隔内，同一数据截面不同数据变量发生数据波动，根据已采集的历史数据信息建立不同数据变量变化的预测模型，通过预测模型的训练分析得到数据变量的预测变化参数，再基于历史数据之上结合预测变化参数得到预测数据；
6、s04、根据多个数据截面的预测数据对时刻的数据勾稽关系进行优化分析，多个数据截面数据勾稽关系的适应性随数据变量的变化而改变，将时刻数据变量的预测数据带入时刻数据截面的数据勾稽关系中，并以时间、数据变量、数据截面的变化规律为基础建立数据勾稽关系适应性评估模型；
7、s05、根据适应性评估模型的分析得到适应性评估结果，再对适应性评估结果进行判断分析，当适应性评估结果小于阈值时，将数据截面内的所有数据变量对应的预测数据与历史数据结合得到重构数据集；
8、s06、对重构数据集进行重新描述，并利用重构数据集重新建立数据勾稽关系，并利用勾稽关系进行数据验证。
9、进一步地，在所述步骤s05中，重构数据集中数据截面之间的数据勾稽关系分析过程如下：
10、s051、筛选数据截面相关的业务数据实体，调取目标业务相关历史数据中的业务数据，再与数据变量对应的预测数据结合得到重构数据集，对目标业务的重构数据集进行数据预处理，业务数据实体具有不同的数据结构和格式；
11、s052、对业务数据实体之间的关系进行描述，构建重构数据集中关系逻辑的最细粒度；
12、s053、提取业务数据实体的数据特征，并利用数据特征衍生算法对业务数据进行分析，将业务数据与数据变量的预测数据的数据特征变换到新的特征空间，对业务数据实体进行变化量升维，升维粒度大于步骤s052中的最细粒度，建立业务数据与预测数据之间的依赖关系；
13、s054、基于粒度扩展升维后的相关业务数据实体进行勾稽关系逻辑描述，建立在发生预测的数据变化后业务数据实体的逻辑运算关系；
14、s055、基于步骤s054中确定的勾稽关系逻辑对业务数据实体进行切分得到不同的数据子集；
15、s056、再对数据子集进行分析，将步骤s055输出的业务数据实体相关数据进行降维处理，将业务数据与预测数据的多个数据特征进行融合，并进行数据勾稽关系验证。
16、进一步地，在所述步骤s03中，不同数据库中获取的数据截面中的数据变量个数不同，对到时间段内的数据变量的数据变化过程进行动态模拟，，根据到时间段内的历史数据对时刻数据变量的预测变化参数进行预测，为数据变量的数据监测指标监测的起始时刻，不同数据变量的起始时刻不同，在数据监测指标预测分析过程中，首先，对数据监测指标进行异常检测和数据缺失值处理，再对数据监测指标对应的数据进行数据转换，提取数据监测指标对应的特征值，得到特征向量，以数据变量的预测变化参数为预测变量，建立预测模型的神经网络结构，利用历史数据集进行模型训练，通过数据训练得到最优解即为预测变化参数。
17、特别地，建立数据勾稽关系的适应性评估模型，以多个业务数据实体为评价对象，通过逻辑截面数据确定与业务数据实体相关的影响因子，采用多因子综合叠加分析方法，建立每一个影响因子的贡献函数，并得到影响因子的适应性评分，影响因子包括关联度、数据变化强度、截面相关性，影响因子是根据数据勾稽关系的逻辑确定的。
18、具体地，在时刻，获取业务数据实体的数据截面，并对数据勾稽关系进行分析和验证，利用适应性评估模型对时刻数据勾稽关系的适应性进行评估得到适应性评估结果，并将适应性评估结果记为到时间段内适应性判定的阈值，在到时间内，不同数据库的数据发生改变，数据勾稽关系的适应性随之变化。
19、数据截面中数据变量的个数记为，表示数据截面标号的下标，，为数据截面对应数据变量的个数的总和，数据截面的个数通过多业务数据实体的协同过程确定，数据截面的逻辑截面数据是在时刻截取的，数据勾稽关系的适应性与到时间段内数据变量的变化有关，通过对到的历史数据的分析得到到的数据变量变化规律，以及时刻的预测变化参数，再根据时刻个数据变量的历史数据与预测变化参数进行分析得到预测数据。
20、所述步骤s056中数据勾稽关系的验证过程中，利用的下一时刻实际产生的逻辑截面数据对数据勾稽关系进行验证，并对比基于重构数据集和实际数据构建的数据勾稽关系，根据对比结果调整适应性评估模型的参数。
21、多个业务数据实体的协同过程中，按照业务数据实体获取数据截面的逻辑截面数据，与业务数据实体相关的数据变量的个数记为，不同数据库的数据变量个数与的关系满足。
22、由于以上技术方案的采用，本专利技术与现有技术相比具有以下优点：
23、1、当多业务数据实体协同分析时，根据业务目本文档来自技高网...
【技术保护点】
1.一种基于多数据实体协同的逻辑数据截面的构建方法，其特征在于，具体步骤如下：
2.根据权利要求1所述的一种基于多数据实体协同的逻辑数据截面的构建方法，其特征在于，在所述步骤S05中，重构数据集中数据截面之间的数据勾稽关系分析过程如下：
3.根据权利要求1所述的一种基于多数据实体协同的逻辑数据截面的构建方法，其特征在于，在所述步骤S03中，不同数据库中获取的数据截面中的数据变量个数不同，对到时间段内的数据变量的数据变化过程进行动态模拟，，根据到时间段内的历史数据对时刻数据变量的预测变化参数进行预测，为数据变量的数据监测指标监测的起始时刻，不同数据变量的起始时刻不同，在数据监测指标预测分析过程中，首先，对数据监测指标进行异常检测和数据缺失值处理，再对数据监测指标对应的数据进行数据转换，提取数据监测指标对应的特征值，得到特征向量，以数据变量的预测变化参数为预测变量，建立预测模型的神经网络结构，利用历史数据集进行模型训练，通过数据训练得到最优解即为预测变化参数。
4.根据权利要求1所述的一种基于多数据实体协同的逻辑数据截面的构建方法，其特征在于，建立
5.根据权利要求1所述的一种基于多数据实体协同的逻辑数据截面的构建方法，其特征在于，在时刻，获取业务数据实体的数据截面，并对数据勾稽关系进行分析和验证，利用适应性评估模型对时刻数据勾稽关系的适应性进行评估得到适应性评估结果，并将适应性评估结果记为到时间段内适应性判定的阈值，在到时间内，不同数据库的数据发生改变，数据勾稽关系的适应性随之变化。
6.根据权利要求1所述的一种基于多数据实体协同的逻辑数据截面的构建方法，其特征在于，数据截面中数据变量的个数记为，表示数据截面标号的下标，为数据截面对应数据变量的个数的总和，数据截面的个数通过多业务数据实体的协同过程确定，数据截面的逻辑截面数据是在时刻截取的，数据勾稽关系的适应性与到时间段内数据变量的变化有关，通过对到的历史数据的分析得到到的数据变量变化规律，以及时刻的预测变化参数，再根据时刻个数据变量的历史数据与预测变化参数进行分析得到预测数据。
7.根据权利要求2所述的一种基于多数据实体协同的逻辑数据截面的构建方法，其特征在于，所述步骤S056中数据勾稽关系的验证过程中，利用的下一时刻实际产生的逻辑截面数据对数据勾稽关系进行验证，并对比基于重构数据集和实际数据构建的数据勾稽关系，根据对比结果调整适应性评估模型的参数。
8.根据权利要求1所述的一种基于多数据实体协同的逻辑数据截面的构建方法，其特征在于，多个业务数据实体的协同过程中，按照业务数据实体获取数据截面的逻辑截面数据，与业务数据实体相关的数据变量的个数记为，不同数据库的数据变量个数与的关系满足。
...【技术特征摘要】
1.一种基于多数据实体协同的逻辑数据截面的构建方法，其特征在于，具体步骤如下：
2.根据权利要求1所述的一种基于多数据实体协同的逻辑数据截面的构建方法，其特征在于，在所述步骤s05中，重构数据集中数据截面之间的数据勾稽关系分析过程如下：
3.根据权利要求1所述的一种基于多数据实体协同的逻辑数据截面的构建方法，其特征在于，在所述步骤s03中，不同数据库中获取的数据截面中的数据变量个数不同，对到时间段内的数据变量的数据变化过程进行动态模拟，，根据到时间段内的历史数据对时刻数据变量的预测变化参数进行预测，为数据变量的数据监测指标监测的起始时刻，不同数据变量的起始时刻不同，在数据监测指标预测分析过程中，首先，对数据监测指标进行异常检测和数据缺失值处理，再对数据监测指标对应的数据进行数据转换，提取数据监测指标对应的特征值，得到特征向量，以数据变量的预测变化参数为预测变量，建立预测模型的神经网络结构，利用历史数据集进行模型训练，通过数据训练得到最优解即为预测变化参数。
4.根据权利要求1所述的一种基于多数据实体协同的逻辑数据截面的构建方法，其特征在于，建立数据勾稽关系的适应性评估模型，以多个业务数据实体为评价对象，通过逻辑截面数据确定与业务数据实体相关的影响因子，采用多因子综合叠加分析方法，建立每一个影响因子的贡献函数，并得到影响因子的适应性评分，影响因子包括关联度、数据变化强度、截面相关性，影响因子是根据数据勾稽关系的逻辑确定的。
5.根据权利要求1所述的一种基...
【专利技术属性】
技术研发人员：石杰，廖家林，陶嘉驹，
申请(专利权)人：杭银消费金融股份有限公司，
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。