买专利卖专利找龙图腾，真高效！ 查专利查商标用IPTOP,全免费！专利年费监控用IP管家,真方便！

申请/专利权人：南京审计大学

摘要：本发明公开了一种基于人工智能的审计平台监管系统及方法，属于人工智能技术领域。本发明通过对企业业务数据库开通临时单向对接端口，并通过衍生算法生成限制通行码，实现对目标业务项目数据的实时周期数据调取；将调取数据利用可视化模型进行数模转换，通过对离散数据进行差值顺序拼接构建对应周期阶段发展曲线，利用模糊特征异化处理将曲线的特异点进行凸显；结合完成处理的曲线对曲线的特异点进行突变性质分析，根据分析结果对原曲线进行跃迁点阵模型进行构建，结合模型对业务的发展状态进行判断；反馈端口接收分析结果，将其中状态异常业务进行异常对象表单生成，并将表单通过输出端口反馈至审计人员。

主权项：1.一种基于人工智能的审计平台监管方法，其特征在于：该方法包括以下步骤：S100、通过对企业业务数据库开通临时单向对接端口，并通过衍生算法生成限制通行码，实现对目标业务项目数据的实时周期数据调取；S200、将调取数据利用可视化模型进行数模转换，通过对离散数据进行差值顺序拼接构建对应周期阶段发展曲线，利用模糊特征异化处理将曲线的特异点进行凸显；所述S200将调取数据利用可视化模型进行数模转换，通过对离散数据进行差值顺序拼接构建对应周期阶段发展曲线，利用模糊特征异化处理将曲线的特异点进行凸显的具体步骤如下：S201、对调取的业务数据进行预处理，将数据进行栈列规划，以周期数据为栈标，以对应业务的分类型数据为栈列本体数据构建目标业务的数据栈列表集合；S202、将构建的业务各分类型数据栈列表输入可视化模型进行数模转换，通过将对应栈列表数据以周期时间轴为发展走势对照，通过在时间轴上进行独立时间点数据插点；将各分类型数据栈列表数据进行完全插点，获取对应类型数据的离散趋势数据，通过模型对离散趋势数据进行区间模拟填充，对离散数据进行拟合成对应类型发展曲线，获取业务对应各分类型数据的周期阶段发展曲线；S203、对完成拟合的目标业务各分类型发展曲线进行模糊特征异化处理，通过对时间轴精度进行模糊精度放大处理；以q为时间轴精度放大倍率，通过对时间轴进行整体精度放大，对各分类型发展曲线进行特征点采集；以t为时间采集区间，通过在时间轴上平移时间采集区间，观察区间内曲线的发展趋势，分别对各区间内曲线的极点进行标记，并以对应存在极点的区间进行时间轴定格，同样对定格区间进行标记；其中，当某区间内同时存在两个或以上极点，则对区间进行收缩至仅存在一个极点，并以当前收缩后的时间区间为新时间平移区间；所述平移时间采集区间是以自身区间长度为平移间隔在时间轴上进行步进平移；对曲线进行全周期区间遍历，采集标记的极点坐标和对应的定格区间构建对应的极点坐标集合和定格区间集合；所述极点为在区间内局部曲线的最高点或最低点；其中q，t为常数；通过若干次放大时间轴精度并重复上述极点坐标集合与定格区间集合采集流程，通过对采集的极点坐标集合进行步进前向对比，判断曲线极点采集工作是否完成，其对比方式为判断SAMtopn与SAMtopn-1是否相等；其中SAMtop为极点坐标集合，n为采集次数；若对比结果为相等，则停止采集操作并以当前采集的极点数据为目标数据进行分析；若对比结果为不等，则继续执行采集操作直至对比结果为相等，则停止采集操作并进行后续分析操作；S300、结合完成处理的曲线对曲线的特异点进行突变性质分析，根据分析结果对原曲线进行跃迁点阵模型进行构建，结合模型对业务的发展状态进行判断；所述S300结合完成处理的曲线对曲线的特异点进行突变性质分析，根据分析结果对原曲线进行跃迁点阵模型进行构建，结合模型对业务的发展状态进行判断的具体步骤如下：S301、以采集完成的极点坐标集合为突变跃迁点，并计算各点在原曲线中的瞬时突变显著度，其计算公式为其中Sfi为对应极点坐标集合中各极点的瞬时突变显著度，i为极点坐标集合中的极点位置次序，Topiy为对应极点在原曲线上的y轴值，Topiy+1为对应极点在原曲线上的右侧相邻点的y轴值，Topix为对应极点在原曲线上的x轴值，Topix+1为对应极点在原曲线上的右侧相邻点的x轴值；其中计算结果所携带符号为极点突变方向意义；S302、通过对各极点的瞬时突变显著度进行突变程度判断，若|Sfi|Sfae，则判断当前对应极点为一级突变极点；若|Sfi|≥Sfae，则判断当前对应极点为二级突变极点；其中Sfae为系统结合企业数据库业务数据综合评估的极点瞬时突变显著度参考评估值；根据判断结果将原极点坐标集合进行分类集合划分构建对应的一级突变极点坐标集合和二级突变极点坐标集合；S303、分别将分类后的极点坐标集合通过定点映射至二维坐标系中，通过连接各点与其对应在横轴上的投影点，获取各极点在坐标系中的垂直纵轴线段；通过以相邻极点的垂直纵轴线及延伸线或坐标系纵轴线为水平参考，将各极点进行水平方向射线延伸直至与相邻极点的垂直纵轴线及延伸线或坐标系纵轴线接触，获取各极点在坐标系中的水平临接线段；通过以临接坐标系纵轴线极点与坐标系纵轴线之间的水平临接线段中处于坐标系纵轴线上的接触点为跃迁起始点，结合各极点的垂直纵轴线段及延伸线和各极点的水平临接线段，获取遍历路线并对遍历路线未涉及的线段及延伸线进行清除，构建原曲线对应的跃迁点阵模型；S304、通过调取业务数据库中对应业务的企业计划人为干预周期数据；在对应业务的分类型曲线所构建的跃迁点阵模型中，以对应人为干预周期为参照周期，对各跃迁点进行类型判别；根据判别结果将各跃迁点分类为自发跃迁点和人为干预跃迁点，并在跃迁点阵模型中对各跃迁点进行分类别标记；根据跃迁点阵模型中各跃迁点的遍历路线段获取对应跃迁点的跃迁周期；则分别对自发跃迁点和人为干预跃迁点的业务发展影响度进行计算，其中自发跃迁点的业务发展影响度计算公式为 人为干预跃迁点的业务发展影响度计算公式为 其中，Imsp为自发跃迁点的业务发展影响度，Imhu为人为干预跃迁点的业务发展影响度，T为各跃迁点对应的跃迁周期，δsp1为自发跃迁点中对应一级突变跃迁点的影响参数，δsp2为自发跃迁点中对应二级突变跃迁点的影响参数，δhu1为人为干预跃迁点中对应一级突变跃迁点的影响参数，δhu2为人为干预跃迁点中对应二级突变跃迁点的影响参数，TopSfi为当前参与计算业务发展影响度的目标跃迁点，Topsp为自发跃迁点类型集合，Tophu为人为干预跃迁点类型集合；则分别对业务的自发跃迁影响度和人为干预影响度进行计算，其中自发跃迁影响度计算公式为人为干预影响度的计算公式为其中Imsp总为自发跃迁影响度，Imhu总为人为干预影响度，Im[Topsp]为自发跃迁点类型集合中各自发跃迁点的业务发展影响度，Im[Tophu]为人为干预跃迁点类型集合中各人为干预跃迁点的业务发展影响度，M为自发跃迁点类型集合中自发跃迁点的数量，N为人为干预跃迁点类型集合中人为干预跃迁点的数量；结合业务的自发跃迁影响度和人为干预影响度对业务发展干预比值进行计算，其计算公式为其中ITR为业务发展干预比值；则对各业务的发展干预比值进行分析，若ITR∈[P,Q]，则判断当前业务的发展为正常状态；若且ITRP，则判断当前业务发展异常，需要加强人为干预；若且ITRQ，则判断当前业务发展异常，需要减少人为干预；其中，[P,Q]是通过大数据分析模型对业务数据进行发展影响解析获得的最佳业务发展干预比值区间；S400、反馈端口接收分析结果，将其中状态异常业务进行异常对象表单生成，并将表单通过输出端口反馈至审计人员。

全文数据：

权利要求：

百度查询： 南京审计大学 一种基于人工智能的审计平台监管系统及方法