基于人工智能的现金流数据分析方法、装置、设备及介质与流程

本发明涉及人工智能技术领域，尤其涉及一种基于人工智能的现金流数据分析方法、装置、设备及介质。

背景技术：

现金流数据是分析企业的现金流量信息以及客观评价企业的财务能力的重要数据支撑，通过对现金流数据的分析能够确定企业的潜在风险。

而现有技术中，大多数现金流分析需要如会计等专业人员人工执行，做不到实时性，且报表分析的效率低、冗杂度高，人为分析所带来的出错率也较高，人工计算的成本也高。

另外，即使有些分析采用了计算机进行辅助，也仅仅是利用计算机进行简单的逻辑运算，还无法做到对现金流数据的全自动化分析，分析效率仍然有待提高。

技术实现要素：

鉴于以上内容，有必要提供一种基于人工智能的现金流数据分析方法、装置、设备及介质，能够基于人工智能手段对现金流数据进行全自动化分析，且分析效率较高。

一种基于人工智能的现金流数据分析方法，所述基于人工智能的现金流数据分析方法包括：

采用宽度优先遍历策略从指定平台爬取现金流数据；

对爬取的现金流数据进行预处理，得到文本数据；

对所述文本数据进行文本识别，得到待分析数据；

确定预先配置的函数脚本中的参数标识；

根据所述参数标识从所述待分析数据中选择对应的目标参数，并将所述目标参数添加至所述函数脚本进行运算，输出至少一个指标的数值；

将所述至少一个指标的数值输入至预先构建的分析模型进行处理，输出分析结果。

根据本发明优选实施例，所述对爬取的现金流数据进行预处理，得到文本数据包括：

当所述爬取的现金流数据为图片类型时，将所述爬取的现金流数据转换为初始文本，对所述初始文本进行过滤及清洗，得到过滤后的文本，基于utf-8编码算法对所述过滤后的文本进行编码，得到所述文本数据；或者

当所述爬取的现金流数据为文本类型时，对所述爬取的现金流数据进行过滤及清洗，得到过滤后的文本，基于utf-8编码算法对所述过滤后的文本进行编码，得到所述文本数据。

根据本发明优选实施例，所述对所述文本数据进行文本识别，得到待分析数据包括：

对所述待分析数据进行wordembedding处理，生成词向量；

对所述词向量进行卷积运算，输出特征图；

将所述特征图进行最大池化处理，得到多个池化特征；

拼接所述多个池化特征，并将拼接后的池化特征输入至softmax层，输出所述待分析数据。

根据本发明优选实施例，所述根据所述参数标识从所述待分析数据中选择对应的目标参数包括：

获取预先配置的知识图谱；

计算所述参数标识与所述知识图谱中各个节点上实体的相似度；

从各个节点上获取相似度大于或者等于预设相似度的至少一个实体作为候选标识；

整合所述参数标识与所述候选标识构建扩展标识；

利用所述扩展标识在所述待分析数据中进行遍历；

将遍历到的数据确定为所述目标参数。

根据本发明优选实施例，所述基于人工智能的现金流数据分析方法还包括：

获取带有标准分析结果的训练样本；

将所述训练样本中的数据输入至决策树模型中，输出预测数据；

计算所述预测数据与所述标准分析结果的差值以执行对标处理；

当所述差值小于或者等于预设值时，停止训练，得到所述分析模型。

根据本发明优选实施例，所述基于人工智能的现金流数据分析方法还包括：

当检测到所述至少一个指标有更新时，获取更新的指标的数值；

根据所述更新的指标的数值，采用反向传播算法修正所述分析模型。

根据本发明优选实施例，所述根据所述更新的指标的数值，采用反向传播算法修正所述分析模型包括：

采用lasso算法对所述更新的指标的数值进行压缩估计，得到至少一个第一指标值；

采用lstm算法对所述至少一个第一指标值进行时间序列预测分析，得到至少一个第二指标值；

将所述至少一个第二指标值输入至所述分析模型，计算回传误差；

根据所述回传误差更新所述分析模型中每个指标的权重，直至所述回传误差小于或者等于预设误差，停止修正。

一种基于人工智能的现金流数据分析装置，所述基于人工智能的现金流数据分析装置包括：

爬取单元，用于采用宽度优先遍历策略从指定平台爬取现金流数据；

预处理单元，用于对爬取的现金流数据进行预处理，得到文本数据；

识别单元，用于对所述文本数据进行文本识别，得到待分析数据；

确定单元，用于确定预先配置的函数脚本中的参数标识；

运算单元，用于根据所述参数标识从所述待分析数据中选择对应的目标参数，并将所述目标参数添加至所述函数脚本进行运算，输出至少一个指标的数值；

输入单元，用于将所述至少一个指标的数值输入至预先构建的分析模型进行处理，输出分析结果。

一种电子设备，所述电子设备包括：

存储器，存储至少一个指令；及

处理器，执行所述存储器中存储的指令以实现所述基于人工智能的现金流数据分析方法。

一种计算机可读存储介质，所述计算机可读存储介质中存储有至少一个指令，所述至少一个指令被电子设备中的处理器执行以实现所述基于人工智能的现金流数据分析方法。

由以上技术方案可以看出，本发明能够采用宽度优先遍历策略从指定平台爬取现金流数据，遍历效率更高，对爬取的现金流数据进行预处理，得到文本数据，并对所述文本数据进行文本识别，得到待分析数据，确定预先配置的函数脚本中的参数标识，进一步根据所述参数标识从所述待分析数据中选择对应的目标参数，并将所述目标参数添加至所述函数脚本进行运算，输出至少一个指标的数值，并将所述至少一个指标的数值输入至预先构建的分析模型进行处理，输出分析结果，实现了对现金流数据的全自动化分析，且分析效率较高。

附图说明

图1是本发明基于人工智能的现金流数据分析方法的较佳实施例的流程图。

图2是本发明基于人工智能的现金流数据分析装置的较佳实施例的功能模块图。

图3是本发明实现基于人工智能的现金流数据分析方法的较佳实施例的电子设备的结构示意图。

具体实施方式

为了使本发明的目的、技术方案和优点更加清楚，下面结合附图和具体实施例对本发明进行详细描述。

如图1所示，是本发明基于人工智能的现金流数据分析方法的较佳实施例的流程图。根据不同的需求，该流程图中步骤的顺序可以改变，某些步骤可以省略。

所述基于人工智能的现金流数据分析方法应用于一个或者多个电子设备中，所述电子设备是一种能够按照事先设定或存储的指令，自动进行数值计算和/或信息处理的设备，其硬件包括但不限于微处理器、专用集成电路(applicationspecificintegratedcircuit，asic)、可编程门阵列(field－programmablegatearray，fpga)、数字处理器(digitalsignalprocessor，dsp)、嵌入式设备等。

所述电子设备可以是任何一种可与用户进行人机交互的电子产品，例如，个人计算机、平板电脑、智能手机、个人数字助理(personaldigitalassistant，pda)、游戏机、交互式网络电视(internetprotocoltelevision，iptv)、智能式穿戴式设备等。

所述电子设备还可以包括网络设备和/或用户设备。其中，所述网络设备包括，但不限于单个网络服务器、多个网络服务器组成的服务器组或基于云计算(cloudcomputing)的由大量主机或网络服务器构成的云。

所述电子设备所处的网络包括但不限于互联网、广域网、城域网、局域网、虚拟专用网络(virtualprivatenetwork，vpn)等。

s10，采用宽度优先遍历(procedurebreath-first-search)策略从指定平台爬取现金流数据。

其中，爬取的现金流数据是宏观经济研究分析的重要指标/指数，可以用于企业风险分析。

例如：所述爬取的现金流数据可以包括宏观经济数据等。

在本发明的至少一个实施例中，所述指定平台可以是部署了完备的宏观经济数据的平台，该平台上的数据具有真实可靠性。

需要说明的是，所述指定平台上的数据可以存储于区块链中，进一步提高数据的安全性。

本实施方式采用宽度优先遍历策略从所述指定平台爬取现金流数据，由于宽度优先遍历策略是按层次遍历的，所找到的第一个可行解一般来说都是最优解，因此，相较于常用的深度遍历方式能够更快地找到数据，而无需回溯，也就是说，只要遍历的问题有解，则总可以得到解，而且是最短路径的解，遍历效率更高。

s11，对爬取的现金流数据进行预处理，得到文本数据。

在本发明的至少一个实施例中，所述对爬取的现金流数据进行预处理，得到文本数据包括：

当所述爬取的现金流数据为图片类型时，将所述爬取的现金流数据转换为初始文本，对所述初始文本进行过滤及清洗，得到过滤后的文本，基于utf-8编码算法对所述过滤后的文本进行编码，得到所述文本数据；或者

当所述爬取的现金流数据为文本类型时，对所述爬取的现金流数据进行过滤及清洗，得到过滤后的文本，基于utf-8编码算法对所述过滤后的文本进行编码，得到所述文本数据。

具体地，可以采用ocr(opticalcharacterrecognition，光学字符识别)算法将所述爬取的现金流数据转换为所述初始文本。

同时，通过所述utf-8编码算法对所述过滤后的文本进行编码，能够对所述过滤后的文本执行全角半角符号转换及去除乱码等操作，并最终实现编码统一。

通过上述实施方式，能够对所述爬取的现金流数据进行过滤及清洗，以排除掉干扰信息，并进一步将所述爬取的现金流数据转化为统一的文本格式，不仅实现了数据格式的统一，且预处理后的文本数据能够被机器识别及处理。

s12，对所述文本数据进行文本识别，得到待分析数据。

在本发明的至少一个实施例中，所述对所述文本数据进行文本识别，得到待分析数据包括：

对所述待分析数据进行wordembedding处理，生成词向量；

对所述词向量进行卷积运算，输出特征图；

将所述特征图进行最大池化处理，得到多个池化特征；

拼接所述多个池化特征，并将拼接后的池化特征输入至softmax层，输出所述待分析数据。

在上述实施方式中，通过wordembedding处理将自然语言数值化，方便后续处理，且识别方式相较于传统的cnn网络更加简单，识别速度更快。

s13，确定预先配置的函数脚本中的参数标识。

在本发明的至少一个实施例中，每个指标值的计算都对应一个函数脚本，所述函数脚本中用于计算每个指标的变量名称即可作为所述参数标识。

例如：在现金负债总额比率时，采用的公式为：现金负债总额比率＝营业现金净流量÷债务总额，那么“营业现金净流量”以及“债务总额”都是计算所述现金负债总额比率的脚本函数中的参数标识。

s14，根据所述参数标识从所述待分析数据中选择对应的目标参数，并将所述目标参数添加至所述函数脚本进行运算，输出至少一个指标的数值。

在本发明的至少一个实施例中，所述根据所述参数标识从所述待分析数据中选择对应的目标参数包括：

获取预先配置的知识图谱；

计算所述参数标识与所述知识图谱中各个节点上实体的相似度；

从各个节点上获取相似度大于或者等于预设相似度的至少一个实体作为候选标识；

整合所述参数标识与所述候选标识构建扩展标识；

利用所述扩展标识在所述待分析数据中进行遍历；

将遍历到的数据确定为所述目标参数。

本实施方式在利用知识图谱对所述参数标识进行扩展后再进行遍历，使遍历到的目标参数更佳全面，避免由于参数遗漏造成计算误差，并影响数据分析的结果的准确度。

s15，将所述至少一个指标的数值输入至预先构建的分析模型进行处理，输出分析结果。

所述分析结果可以是一个数值，用于量化评定结果。

在本实施例中，还可以设置一个分析结果阈值，当所述分析结果高于所述阈值时，确定能力较高，当所述分析结果低于或等于所述阈值时，确定能力较差。

例如：当所述分析结果为99分时，高于阈值85，可以确定对应的企业或者机构等现金流动能力较高，风险较低。

上述方式实现了对现金流数据的全自动化分析，且分析效率较高。

在本实施例中，所述至少一个指标是是根据大量实验后确定的能够作为衡量标准的指标。

例如：所述至少一个指标可以包括支付能力、利润质量、营运效率、发展能力。

采用上述指标能够综合评价一个企业或一个机构等的现金运转能力，进而评估该企业或者机构的风险，以实现对宏观经济数据的分析。

在本发明的至少一个实施例中，所述基于人工智能的现金流数据分析方法还包括：

获取带有标准分析结果的训练样本；

将所述训练样本中的数据输入至决策树模型中，输出预测数据；

计算所述预测数据与所述标准分析结果的差值以执行对标处理；

当所述差值小于或者等于预设值时，停止训练，得到所述分析模型。

通过上述实施方式，能够训练得到所述分析模型，以便后续利用训练好的分析模型对现金流数据进行全自动化分析，提升了分析效率。

在本发明的至少一个实施例中，所述基于人工智能的现金流数据分析方法还包括：

当检测到所述至少一个指标有更新时，获取更新的指标的数值；

根据所述更新的指标的数值，采用反向传播算法修正所述分析模型。

通过对所述分析模型的不断更新修正，能够使模型的覆盖面更面广泛，使模型不断适用于新的评价策略，实用性更强。

具体地，所述根据所述更新的指标的数值，采用反向传播算法修正所述分析模型包括：

采用lasso(leastabsoluteshrinkageandselectionoperator)算法对所述更新的指标的数值进行压缩估计，得到至少一个第一指标值；

采用lstm(longshort-termmemory，长短期记忆网络)算法对所述至少一个第一指标值进行时间序列预测分析，得到至少一个第二指标值；

将所述至少一个第二指标值输入至所述分析模型，计算回传误差；

根据所述回传误差更新所述分析模型中每个指标的权重，直至所述回传误差小于或者等于预设误差，停止修正。

通过上述实施方式，能够实现对所述分析模型的更深层次的优化，以提升对现金流数据分析的准确性。

由以上技术方案可以看出，本发明能够采用宽度优先遍历策略从指定平台爬取现金流数据，遍历效率更高，对爬取的现金流数据进行预处理，得到文本数据，并对所述文本数据进行文本识别，得到待分析数据，确定预先配置的函数脚本中的参数标识，进一步根据所述参数标识从所述待分析数据中选择对应的目标参数，并将所述目标参数添加至所述函数脚本进行运算，输出至少一个指标的数值，并将所述至少一个指标的数值输入至预先构建的分析模型进行处理，输出分析结果，实现了对现金流数据的全自动化分析，且分析效率较高。

如图2所示，是本发明基于人工智能的现金流数据分析装置的较佳实施例的功能模块图。所述基于人工智能的现金流数据分析装置11包括爬取单元110、预处理单元111、识别单元112、确定单元113、运算单元114、输入单元115、获取单元116、计算单元117、训练单元118、修正单元119。本发明所称的模块/单元是指一种能够被处理器13所执行，并且能够完成固定功能的一系列计算机程序段，其存储在存储器12中。在本实施例中，关于各模块/单元的功能将在后续的实施例中详述。

爬取单元110采用宽度优先遍历(procedurebreath-first-search)策略从指定平台爬取现金流数据。

其中，爬取的现金流数据是宏观经济研究分析的重要指标/指数，可以用于企业风险分析。

例如：所述爬取的现金流数据可以包括宏观经济数据等。

在本发明的至少一个实施例中，所述指定平台可以是部署了完备的宏观经济数据的平台，该平台上的数据具有真实可靠性。

需要说明的是，所述指定平台上的数据可以存储于区块链中，进一步提高数据的安全性。

本实施方式采用宽度优先遍历策略从所述指定平台爬取现金流数据，由于宽度优先遍历策略是按层次遍历的，所找到的第一个可行解一般来说都是最优解，因此，相较于常用的深度遍历方式能够更快地找到数据，而无需回溯，也就是说，只要遍历的问题有解，则总可以得到解，而且是最短路径的解，遍历效率更高。

预处理单元111对爬取的现金流数据进行预处理，得到文本数据。

在本发明的至少一个实施例中，所述预处理单元111对爬取的现金流数据进行预处理，得到文本数据包括：

当所述爬取的现金流数据为图片类型时，将所述爬取的现金流数据转换为初始文本，对所述初始文本进行过滤及清洗，得到过滤后的文本，基于utf-8编码算法对所述过滤后的文本进行编码，得到所述文本数据；或者

当所述爬取的现金流数据为文本类型时，对所述爬取的现金流数据进行过滤及清洗，得到过滤后的文本，基于utf-8编码算法对所述过滤后的文本进行编码，得到所述文本数据。

具体地，可以采用ocr(opticalcharacterrecognition，光学字符识别)算法将所述爬取的现金流数据转换为所述初始文本。

同时，通过所述utf-8编码算法对所述过滤后的文本进行编码，能够对所述过滤后的文本执行全角半角符号转换及去除乱码等操作，并最终实现编码统一。

通过上述实施方式，能够对所述爬取的现金流数据进行过滤及清洗，以排除掉干扰信息，并进一步将所述爬取的现金流数据转化为统一的文本格式，不仅实现了数据格式的统一，且预处理后的文本数据能够被机器识别及处理。

识别单元112对所述文本数据进行文本识别，得到待分析数据。

在本发明的至少一个实施例中，所述识别单元112对所述文本数据进行文本识别，得到待分析数据包括：

对所述待分析数据进行wordembedding处理，生成词向量；

对所述词向量进行卷积运算，输出特征图；

将所述特征图进行最大池化处理，得到多个池化特征；

拼接所述多个池化特征，并将拼接后的池化特征输入至softmax层，输出所述待分析数据。

在上述实施方式中，通过wordembedding处理将自然语言数值化，方便后续处理，且识别方式相较于传统的cnn网络更加简单，识别速度更快。

确定单元113确定预先配置的函数脚本中的参数标识。

在本发明的至少一个实施例中，每个指标值的计算都对应一个函数脚本，所述函数脚本中用于计算每个指标的变量名称即可作为所述参数标识。

例如：在现金负债总额比率时，采用的公式为：现金负债总额比率＝营业现金净流量÷债务总额，那么“营业现金净流量”以及“债务总额”都是计算所述现金负债总额比率的脚本函数中的参数标识。

运算单元114根据所述参数标识从所述待分析数据中选择对应的目标参数，并将所述目标参数添加至所述函数脚本进行运算，输出至少一个指标的数值。

在本发明的至少一个实施例中，所述运算单元114根据所述参数标识从所述待分析数据中选择对应的目标参数包括：

获取预先配置的知识图谱；

计算所述参数标识与所述知识图谱中各个节点上实体的相似度；

从各个节点上获取相似度大于或者等于预设相似度的至少一个实体作为候选标识；

整合所述参数标识与所述候选标识构建扩展标识；

利用所述扩展标识在所述待分析数据中进行遍历；

将遍历到的数据确定为所述目标参数。

本实施方式在利用知识图谱对所述参数标识进行扩展后再进行遍历，使遍历到的目标参数更佳全面，避免由于参数遗漏造成计算误差，并影响数据分析的结果的准确度。

输入单元115将所述至少一个指标的数值输入至预先构建的分析模型进行处理，输出分析结果。

所述分析结果可以是一个数值，用于量化评定结果。

在本实施例中，还可以设置一个分析结果阈值，当所述分析结果高于所述阈值时，确定能力较高，当所述分析结果低于或等于所述阈值时，确定能力较差。

例如：当所述分析结果为99分时，高于阈值85，可以确定对应的企业或者机构等现金流动能力较高，风险较低。

上述方式实现了对现金流数据的全自动化分析，且分析效率较高。

在本实施例中，所述至少一个指标是是根据大量实验后确定的能够作为衡量标准的指标。

例如：所述至少一个指标可以包括支付能力、利润质量、营运效率、发展能力。

采用上述指标能够综合评价一个企业或一个机构等的现金运转能力，进而评估该企业或者机构的风险，以实现对宏观经济数据的分析。

在本发明的至少一个实施例中，获取单元116获取带有标准分析结果的训练样本；

所述输入单元115将所述训练样本中的数据输入至决策树模型中，输出预测数据；

计算单元117计算所述预测数据与所述标准分析结果的差值以执行对标处理；

当所述差值小于或者等于预设值时，训练单元118停止训练，得到所述分析模型。

通过上述实施方式，能够训练得到所述分析模型，以便后续利用训练好的分析模型对现金流数据进行全自动化分析，提升了分析效率。

在本发明的至少一个实施例中，当检测到所述至少一个指标有更新时，所述获取单元116获取更新的指标的数值；

修正单元119根据所述更新的指标的数值，采用反向传播算法修正所述分析模型。

通过对所述分析模型的不断更新修正，能够使模型的覆盖面更面广泛，使模型不断适用于新的评价策略，实用性更强。

具体地，所述修正单元119根据所述更新的指标的数值，采用反向传播算法修正所述分析模型包括：

采用lasso(leastabsoluteshrinkageandselectionoperator)算法对所述更新的指标的数值进行压缩估计，得到至少一个第一指标值；

采用lstm(longshort-termmemory，长短期记忆网络)算法对所述至少一个第一指标值进行时间序列预测分析，得到至少一个第二指标值；

将所述至少一个第二指标值输入至所述分析模型，计算回传误差；

根据所述回传误差更新所述分析模型中每个指标的权重，直至所述回传误差小于或者等于预设误差，停止修正。

通过上述实施方式，能够实现对所述分析模型的更深层次的优化，以提升对现金流数据分析的准确性。

由以上技术方案可以看出，本发明能够采用宽度优先遍历策略从指定平台爬取现金流数据，遍历效率更高，对爬取的现金流数据进行预处理，得到文本数据，并对所述文本数据进行文本识别，得到待分析数据，确定预先配置的函数脚本中的参数标识，进一步根据所述参数标识从所述待分析数据中选择对应的目标参数，并将所述目标参数添加至所述函数脚本进行运算，输出至少一个指标的数值，并将所述至少一个指标的数值输入至预先构建的分析模型进行处理，输出分析结果，实现了对现金流数据的全自动化分析，且分析效率较高。

如图3所示，是本发明实现基于人工智能的现金流数据分析方法的较佳实施例的电子设备的结构示意图。

所述电子设备1可以包括存储器12、处理器13和总线，还可以包括存储在所述存储器12中并可在所述处理器13上运行的计算机程序，例如基于人工智能的现金流数据分析程序。

本领域技术人员可以理解，所述示意图仅仅是电子设备1的示例，并不构成对电子设备1的限定，所述电子设备1既可以是总线型结构，也可以是星形结构，所述电子设备1还可以包括比图示更多或更少的其他硬件或者软件，或者不同的部件布置，例如所述电子设备1还可以包括输入输出设备、网络接入设备等。

需要说明的是，所述电子设备1仅为举例，其他现有的或今后可能出现的电子产品如可适应于本发明，也应包含在本发明的保护范围以内，并以引用方式包含于此。

其中，存储器12至少包括一种类型的可读存储介质，所述可读存储介质包括闪存、移动硬盘、多媒体卡、卡型存储器(例如：sd或dx存储器等)、磁性存储器、磁盘、光盘等。存储器12在一些实施例中可以是电子设备1的内部存储单元，例如该电子设备1的移动硬盘。存储器12在另一些实施例中也可以是电子设备1的外部存储设备，例如电子设备1上配备的插接式移动硬盘、智能存储卡(smartmediacard,smc)、安全数字(securedigital,sd)卡、闪存卡(flashcard)等。进一步地，存储器12还可以既包括电子设备1的内部存储单元也包括外部存储设备。存储器12不仅可以用于存储安装于电子设备1的应用软件及各类数据，例如基于人工智能的现金流数据分析程序的代码等，还可以用于暂时地存储已经输出或者将要输出的数据。

处理器13在一些实施例中可以由集成电路组成，例如可以由单个封装的集成电路所组成，也可以是由多个相同功能或不同功能封装的集成电路所组成，包括一个或者多个中央处理器(centralprocessingunit，cpu)、微处理器、数字处理芯片、图形处理器及各种控制芯片的组合等。处理器13是所述电子设备1的控制核心(controlunit)，利用各种接口和线路连接整个电子设备1的各个部件，通过运行或执行存储在所述存储器12内的程序或者模块(例如执行基于人工智能的现金流数据分析程序等)，以及调用存储在所述存储器12内的数据，以执行电子设备1的各种功能和处理数据。

所述处理器13执行所述电子设备1的操作系统以及安装的各类应用程序。所述处理器13执行所述应用程序以实现上述各个基于人工智能的现金流数据分析方法实施例中的步骤，例如图1所示的步骤。

示例性的，所述计算机程序可以被分割成一个或多个模块/单元，所述一个或者多个模块/单元被存储在所述存储器12中，并由所述处理器13执行，以完成本发明。所述一个或多个模块/单元可以是能够完成特定功能的一系列计算机程序指令段，该指令段用于描述所述计算机程序在所述电子设备1中的执行过程。例如，所述计算机程序可以被分割成爬取单元110、预处理单元111、识别单元112、确定单元113、运算单元114、输入单元115、获取单元116、计算单元117、训练单元118、修正单元119。

或者，所述处理器13执行所述计算机程序时实现上述各装置实施例中各模块/单元的功能，例如：

采用宽度优先遍历策略从指定平台爬取现金流数据；

对爬取的现金流数据进行预处理，得到文本数据；

对所述文本数据进行文本识别，得到待分析数据；

确定预先配置的函数脚本中的参数标识；

根据所述参数标识从所述待分析数据中选择对应的目标参数，并将所述目标参数添加至所述函数脚本进行运算，输出至少一个指标的数值；

将所述至少一个指标的数值输入至预先构建的分析模型进行处理，输出分析结果。

上述以软件功能模块的形式实现的集成的单元，可以存储在一个计算机可读取存储介质中。上述软件功能模块存储在一个存储介质中，包括若干指令用以使得一台计算机设备(可以是个人计算机、计算机设备，或者网络设备等)或处理器(processor)执行本发明各个实施例所述基于人工智能的现金流数据分析方法的部分。

所述电子设备1集成的模块/单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本发明实现上述实施例方法中的全部或部分流程，也可以通过计算机程序来指示相关的硬件设备来完成，所述的计算机程序可存储于一计算机可读存储介质中，该计算机程序在被处理器执行时，可实现上述各个方法实施例的步骤。

其中，所述计算机程序包括计算机程序代码，所述计算机程序代码可以为源代码形式、对象代码形式、可执行文件或某些中间形式等。所述计算机可读介质可以包括：能够携带所述计算机程序代码的任何实体或装置、记录介质、u盘、移动硬盘、磁碟、光盘、计算机存储器、只读存储器(rom，read-onlymemory)。

进一步地，计算机可用存储介质可主要包括存储程序区和存储数据区，其中，存储程序区可存储操作系统、至少一个功能所需的应用程序等；存储数据区可存储根据区块链节点的使用所创建的数据等。

本发明所指区块链是分布式数据存储、点对点传输、共识机制、加密算法等计算机技术的新型应用模式。区块链(blockchain)，本质上是一个去中心化的数据库，是一串使用密码学方法相关联产生的数据块，每一个数据块中包含了一批次网络交易的信息，用于验证其信息的有效性(防伪)和生成下一个区块。区块链可以包括区块链底层平台、平台产品服务层以及应用服务层等。

总线可以是外设部件互连标准(peripheralcomponentinterconnect，简称pci)总线或扩展工业标准结构(extendedindustrystandardarchitecture，简称eisa)总线等。该总线可以分为地址总线、数据总线、控制总线等。为便于表示，在图3中仅用一根箭头表示，但并不表示仅有一根总线或一种类型的总线。所述总线被设置为实现所述存储器12以及至少一个处理器13等之间的连接通信。

尽管未示出，所述电子设备1还可以包括给各个部件供电的电源(比如电池)，优选地，电源可以通过电源管理装置与所述至少一个处理器13逻辑相连，从而通过电源管理装置实现充电管理、放电管理、以及功耗管理等功能。电源还可以包括一个或一个以上的直流或交流电源、再充电装置、电源故障检测电路、电源转换器或者逆变器、电源状态指示器等任意组件。所述电子设备1还可以包括多种传感器、蓝牙模块、wi-fi模块等，在此不再赘述。

进一步地，所述电子设备1还可以包括网络接口，可选地，所述网络接口可以包括有线接口和/或无线接口(如wi-fi接口、蓝牙接口等)，通常用于在该电子设备1与其他电子设备之间建立通信连接。

可选地，该电子设备1还可以包括用户接口，用户接口可以是显示器(display)、输入单元(比如键盘(keyboard))，可选地，用户接口还可以是标准的有线接口、无线接口。可选地，在一些实施例中，显示器可以是led显示器、液晶显示器、触控式液晶显示器以及oled(organiclight-emittingdiode，有机发光二极管)触摸器等。其中，显示器也可以适当的称为显示屏或显示单元，用于显示在电子设备1中处理的信息以及用于显示可视化的用户界面。

应该了解，所述实施例仅为说明之用，在专利申请范围上并不受此结构的限制。

图3仅示出了具有组件12-13的电子设备1，本领域技术人员可以理解的是，图3示出的结构并不构成对所述电子设备1的限定，可以包括比图示更少或者更多的部件，或者组合某些部件，或者不同的部件布置。

结合图1，所述电子设备1中的所述存储器12存储多个指令以实现一种基于人工智能的现金流数据分析方法，所述处理器13可执行所述多个指令从而实现：

采用宽度优先遍历策略从指定平台爬取现金流数据；

对爬取的现金流数据进行预处理，得到文本数据；

对所述文本数据进行文本识别，得到待分析数据；

确定预先配置的函数脚本中的参数标识；

根据所述参数标识从所述待分析数据中选择对应的目标参数，并将所述目标参数添加至所述函数脚本进行运算，输出至少一个指标的数值；

将所述至少一个指标的数值输入至预先构建的分析模型进行处理，输出分析结果。

具体地，所述处理器13对上述指令的具体实现方法可参考图1对应实施例中相关步骤的描述，在此不赘述。

在本发明所提供的几个实施例中，应该理解到，所揭露的系统，装置和方法，可以通过其它的方式实现。例如，以上所描述的装置实施例仅仅是示意性的，例如，所述模块的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式。

所述作为分离部件说明的模块可以是或者也可以不是物理上分开的，作为模块显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。

另外，在本发明各个实施例中的各功能模块可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现，也可以采用硬件加软件功能模块的形式实现。

对于本领域技术人员而言，显然本发明不限于上述示范性实施例的细节，而且在不背离本发明的精神或基本特征的情况下，能够以其他的具体形式实现本发明。

因此，无论从哪一点来看，均应将实施例看作是示范性的，而且是非限制性的，本发明的范围由所附权利要求而不是上述说明限定，因此旨在将落在权利要求的等同要件的含义和范围内的所有变化涵括在本发明内。不应将权利要求中的任何附关联图标记视为限制所涉及的权利要求。

此外，显然“包括”一词不排除其他单元或步骤，单数不排除复数。系统权利要求中陈述的多个单元或装置也可以由一个单元或装置通过软件或者硬件来实现。第二等词语用来表示名称，而并不表示任何特定的顺序。

最后应说明的是，以上实施例仅用以说明本发明的技术方案而非限制，尽管参照较佳实施例对本发明进行了详细说明，本领域的普通技术人员应当理解，可以对本发明的技术方案进行修改或等同替换，而不脱离本发明技术方案的精神和范围。