【技术实现步骤摘要】
本申请涉及但不限于数据处理，尤其涉及一种基于大数据的工程造价审计分析方法及系统。
技术介绍
1、工程造价审计是对工程项目的成本、合规性和效率等方面进行审查和评估的过程。工程造价审计涉及大量的数据，包括合同、支付清单、成本数据、工程进度等。这些数据通常具有多样化的格式和结构，传统手工处理效率低下且容易出现错误，此外，工程造价审计需要快速准确地发现成本异常、合规风险等问题，以便及时采取措施并降低风险。人工智能技术通过数据挖掘、机器学习等手段，可以帮助审计人员快速识别各种工程造价中的常见的异常情况，并提供预警和建议。但是，工程造价数据中的因为各种原因产生的噪声数据可能令数据处理分析的结果产生较大的偏差，如何应对该情况进行准确地异常数据识别是需要重点考虑的技术问题。
技术实现思路
1、有鉴于此，本申请实施例至少提供一种基于大数据的工程造价审计分析方法及系统。
2、本申请实施例的技术方案是这样实现的：
3、一方面，本申请实施例提供一种基于大数据的工程造价审计分析方法，其特征在于，包括：
4、获取拟处理的工程造价数据；
5、通过事先调试完成的目标审计分析神经网络，基于所述工程造价数据分析得到异常推理信息、关联参数推理信息，以及噪声数据分布推理信息；
6、依据所述异常推理信息确定所述工程造价数据对应的异常数据分类，并通过所述噪声数据分布推理信息和所述关联参数推理信息，确定在除开噪声数据扰动时，所述工程造价数据中与异常数据分类相关的工程造
7、其中，所述目标审计分析神经网络的调试过程包括：
8、基于预设的学习样例数据集合，对拟调试的审计分析神经网络进行反复更新调试，得到调试后的目标审计分析神经网络；其中，所述学习样例数据集合中的部分学习样例数据中包括包含噪声数据的工程造价样例数据和对应的各监督指示信息；以及，在每一次更新调试中，包括：
9、对获取的工程造价样例数据进行嵌入映射操作，得到相应的数据嵌入表征向量；
10、基于所述数据嵌入表征向量，对所述工程造价样例数据进行异常识别，得到指示所述工程造价样例数据的异常数据分类的异常推理信息；
11、基于所述数据嵌入表征向量，对所述工程造价样例数据进行关联参数识别，得到用以指示所述工程造价样例数据中各个数据项分别对应的关联参数的关联参数推理信息；
12、基于所述数据嵌入表征向量，对所述数据嵌入表征向量进行噪声数据识别，得到用于从所述工程造价样例数据中注释所述噪声数据的噪声数据推理信息；
13、基于所述异常推理信息、所述关联参数推理信息和所述噪声数据推理信息，以及其分别和相应的监督指示信息之间的识别误差，对所述审计分析神经网络进行网络可学习变量优化。
14、在一些实施例中，所述基于所述数据嵌入表征向量，对所述数据嵌入表征向量进行噪声数据识别，得到用于从所述工程造价样例数据中注释所述噪声数据的噪声数据推理信息，包括：
15、通过所述审计分析神经网络中的噪声数据识别层，基于所述数据嵌入表征向量中与所述工程造价样例数据中各个数据项的数据项嵌入表征向量，分别识别确定所述各个数据项分别对应的子推理信息；
16、基于所述各个数据项分别对应的子推理信息，得到用于注释所述工程造价样例数据中噪声数据的噪声数据推理信息。
17、在一些实施例中，所述对获取的工程造价样例数据进行嵌入映射操作，得到相应的数据嵌入表征向量，包括：
18、通过所述审计分析神经网络中事前训练后的数据嵌入映射层，对所述工程造价样例数据中包括的各个数据项进行嵌入映射操作，得到由各个数据项嵌入表征向量构成的数据嵌入表征向量，其中，所述数据嵌入映射层是通过各类工程造价数据进行多轮事前调试获得的。
19、在一些实施例中，所述工程造价样例数据对应的各监督指示信息包括异常识别指示信息、关联参数识别指示信息和噪声数据识别指示信息；所述基于所述异常推理信息、所述关联参数推理信息和所述噪声数据识别推理信息，以及其分别和相应的监督指示信息之间的识别误差，对所述审计分析神经网络进行网络可学习变量优化，包括：
20、基于所述异常推理信息与对应的异常识别指示信息之间的识别误差，获取异常识别代价；
21、基于所述关联参数推理信息与对应的关联参数识别指示信息之间的识别误差，获取关联参数识别代价；
22、基于所述噪声数据推理信息与对应的噪声数据识别指示信息之间的识别误差，获取噪声数据识别代价；
23、基于所述异常识别代价、所述关联参数识别代价，以及所述噪声数据识别代价，对所述审计分析神经网络进行网络可学习变量优化。
24、在一些实施例中，所述学习样例数据集合的生成过程包括：
25、获取初始工程造价数据集合，并依据预设的选取比例，在所述初始工程造价数据集合中获取需要融入噪声数据的各初始工程造价数据，其中，初始工程造价数据中未包含噪声数据，且每个初始工程造价数据关联有对应的初始异常识别指示信息和初始关联参数指示信息；
26、依据预设的噪声数据融入策略，在获取的每个初始工程造价数据中融入噪声数据，得到工程造价样例数据，并分别注释每个工程造价样例数据对应的异常识别指示信息、关联参数识别指示信息和噪声数据识别指示信息。
27、在一些实施例中，注释每个工程造价样例数据对应的关联参数识别指示信息，包括：
28、针对每个工程造价样例数据，包括：
29、基于所述工程造价样例数据对应的初始关联参数指示信息，确定所述工程造价样例数据中位于融入的噪声数据前后的相邻数据项分别对应的关联参数；
30、根据各相邻数据项分别对应的关联参数，配置所述噪声数据对应的关联参数识别结果，并通过所述工程造价样例数据中各个数据项分别对应的关联参数识别结果，得到对应的关联参数识别指示信息。
31、在一些实施例中，所述初始关联参数指示信息中指示有一个或者多个关联参数范围，关联参数范围用于注释初始工程造价数据中参与描述异常数据分类的一个分类的工程造价数据；
32、所述根据各相邻数据项分别对应的关联参数，配置所述噪声数据对应的关联参数识别结果，包括：
33、如果确定各相邻数据项的关联参数对应于相同的关联参数范围，则将所述噪声数据对应的关联参数识别结果设置成表征位于所述关联参数范围中的关联参数；
34、如果确定各相邻数据项的关联参数不对应于相同的关联参数范围，则将所述噪声数据对应的关联参数识别结果设置成表征不位于关联参数范围中的关联参数。
35、在一些实施例中，所述每个工程造价样例数据对应的噪声数据识别指示信息的生成过程包括：
36、针对每个工程造价样例数据，在所述工程造价样例数据中确定初始工程造价数据的工程造价数据和融入的噪声数据分别对应的数据项分布位置；
37、通过不同的分布位置注释本文档来自技高网...
【技术保护点】
1.一种基于大数据的工程造价审计分析方法，其特征在于，包括：
2.根据权利要求1所述的方法，其特征在于，所述基于所述数据嵌入表征向量，对所述数据嵌入表征向量进行噪声数据识别，得到用于从所述工程造价样例数据中注释所述噪声数据的噪声数据推理信息，包括：
3.根据权利要求1所述的方法，其特征在于，所述对获取的工程造价样例数据进行嵌入映射操作，得到相应的数据嵌入表征向量，包括：
4.根据权利要求1所述的方法，其特征在于，所述工程造价样例数据对应的各监督指示信息包括异常识别指示信息、关联参数识别指示信息和噪声数据识别指示信息；所述基于所述异常推理信息、所述关联参数推理信息和所述噪声数据识别推理信息，以及其分别和相应的监督指示信息之间的识别误差，对所述审计分析神经网络进行网络可学习变量优化，包括：
5.根据权利要求1～4任一项所述的方法，其特征在于，所述学习样例数据集合的生成过程包括：
6.根据权利要求5所述的方法，其特征在于，注释每个工程造价样例数据对应的关联参数识别指示信息，包括：
7.根据权利要求6所述的方法，其特
8.根据权利要求5所述的方法，其特征在于，所述每个工程造价样例数据对应的噪声数据识别指示信息的生成过程包括：
9.根据权利要求5所述的方法，其特征在于，依据预设的噪声数据融入策略，在获取的每个初始工程造价数据中融入噪声数据，得到工程造价样例数据，包括：
10.一种审计分析系统，包括存储器和处理器，所述存储器存储有可在处理器上运行的计算机程序，其特征在于，所述处理器执行所述程序时实现权利要求1至9任一项所述方法中的步骤。
...【技术特征摘要】
1.一种基于大数据的工程造价审计分析方法，其特征在于，包括：
2.根据权利要求1所述的方法，其特征在于，所述基于所述数据嵌入表征向量，对所述数据嵌入表征向量进行噪声数据识别，得到用于从所述工程造价样例数据中注释所述噪声数据的噪声数据推理信息，包括：
3.根据权利要求1所述的方法，其特征在于，所述对获取的工程造价样例数据进行嵌入映射操作，得到相应的数据嵌入表征向量，包括：
4.根据权利要求1所述的方法，其特征在于，所述工程造价样例数据对应的各监督指示信息包括异常识别指示信息、关联参数识别指示信息和噪声数据识别指示信息；所述基于所述异常推理信息、所述关联参数推理信息和所述噪声数据识别推理信息，以及其分别和相应的监督指示信息之间的识别误差，对所述审计分析神经网络进行网络可学习变量优化，包括：
5.根据权利要求1～4任一项所述的方法，其特征在于，所述学...
【专利技术属性】
技术研发人员：郑权，周薇，徐云付，
申请(专利权)人：四川天府数科智能信息技术有限公司，
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。