异常检测对象的确定方法及装置、存储介质、计算机设备与流程

1.本技术涉及异常检测技术领域，特别是涉及一种异常检测对象的确定方法及装置、存储介质、计算机设备。


背景技术：

2.异常值是指样本中的个别数值明显偏离它所属样本的其余观测值，通常表现为明显大于或小于其他观测值，故不难被发现或剔除。在统计学领域存在很多针对异常值的检测方法，例如，均方差检测方法、箱线图检测方法、聚类检测方法等，其运行结果必然会检测出异常值。然而，在检测订单数量积压情况这一场景中，如上述均方检测方法、箱线检测方法等基于统计学的异常值检测方法，由于完全基于数据本身的分布进行异常值检测，目的是为了去除噪声点从而加快模型的收敛速度，避免因噪声点降低模型的泛化能力，而并未考虑到样本的整体水平，虽然基于统计学的监测方法运行结果必然会监测出异常值，但是针对检测订单数量积压本身存在普遍偏高这类并不存在需要特别关注的异常值的情况并不适用。因此，亟需一种异常检测对象的确定方法，以自动确定样本中的异常值。


技术实现要素：

3.有鉴于此，本技术提供一种异常检测对象的确定方法及装置、存储介质、计算机设备，主要目的在于改善现有基于数据本身的分布进行异常值检测的方法无法适用于针对检测订单数量积压本身存在普遍偏高这类场景的问题。
4.依据本技术一个方面，提供了一种异常检测对象的确定方法，包括：
5.获取各个检测对象的业务流程节点审批数据；
6.根据所述各个检测对象的业务流程节点审批数据构建直线，得到线性趋势检测模型；
7.基于所述线性趋势检测模型对所述各个检测对象的业务流程节点审批数据进行异常检测，得到所述各个检测对象的业务流程节点审批数据中的异常业务流程节点审批数据。
8.优选的，所述基于所述线性趋势检测模型对所述各个检测对象的业务流程节点审批数据进行异常检测，得到所述各个检测对象的业务流程节点审批数据中的异常业务流程节点审批数据，具体包括：
9.将所述各个检测对象的业务流程节点审批数据中的最大值业务流程节点审批数据所对应的坐标点横坐标，输入至所述线性趋势检测模型，得到预计业务流程节点审批数据；
10.若所述最大值业务流程节点审批数据大于所述预计业务流程节点审批数据，则确定所述最大值业务流程节点审批数据为异常业务流程节点审批数据。
11.优选的，所述根据所述各个检测对象的业务流程节点审批数据构建直线，得到线性趋势检测模型，具体包括：
12.将所述各个检测对象的业务流程节点审批数据进行排序处理；
13.筛除小于预设业务流程节点审批数据阈值的业务流程节点审批数据；
14.将完成筛除的业务流程节点审批数据进行坐标映射处理，得到多个业务流程节点审批数据对应的坐标点；
15.基于所述完成筛除的业务流程节点审批数据中最小值业务流程节点审批数据所对应的坐标点以及所述完成筛除的业务流程节点审批数据中次大值业务流程节点审批数据所对应的坐标点构建直线，得到线性趋势检测模型。
16.优选的，所述筛除小于预设业务流程节点审批数据阈值的业务流程节点审批数据之前，所述方法还包括：
17.获取业务数据库中全量已完成业务流程的业务流程节点审批数据；
18.根据所述全量已完成业务流程的业务流程节点审批数据配置所述预设业务流程节点审批数据阈值。
19.优选的，所述得到所述各个检测对象的业务流程节点审批数据中的异常业务流程节点审批数据之后，所述方法还包括：
20.根据检测对象标识识别所述异常业务流程节点审批数据所对应的检测对象，以确定异常检测对象，并按照预设格式，输出针对所述异常检测对象的异常情况描述信息，所述异常情况描述信息包括所述异常检测对象的基本信息以及贡献度。
21.优选的，所述输出针对所述异常检测对象的异常情况描述信息之前，所述方法还包括：
22.所述异常检测对象的贡献度用于表征所述异常检测对象的业务流程节点审批数据与所述预设业务流程节点审批数据阈值之间的差值，占各个所述完成筛除的业务流程节点审批数据与所述预设业务流程节点审批数据阈值之间差值的和的比例。
23.优选的，所述获取各个检测对象的业务流程节点审批数据之前，所述方法还包括：
24.接收业务流程的发起请求，为所述业务流程配置对应的检测对象标识，以基于所述检测对象标识获取所述检测对象的业务流程节点审批数据。
25.依据本技术另一个方面，提供了一种异常检测对象的确定装置，包括：
26.获取模块，用于获取各个检测对象的业务流程节点审批数据；
27.构建模块，用于根据所述各个检测对象的业务流程节点审批数据构建直线，得到线性趋势检测模型；
28.检测模块，用于基于所述线性趋势检测模型对所述各个检测对象的业务流程节点审批数据进行异常检测，得到所述各个检测对象的业务流程节点审批数据中的异常业务流程节点审批数据。
29.优选的，所述检测模块，具体包括：
30.输入单元，用于将所述各个检测对象的业务流程节点审批数据中的最大值业务流程节点审批数据所对应的坐标点横坐标，输入至所述线性趋势检测模型，得到预计业务流程节点审批数据；
31.确定单元，用于若所述最大值业务流程节点审批数据大于所述预计业务流程节点审批数据，则确定所述最大值业务流程节点审批数据为异常业务流程节点审批数据。
32.优选的，所述构建模块，具体包括：
33.排序单元，用于将所述各个检测对象的业务流程节点审批数据进行排序处理；
34.筛除单元，用于筛除小于预设业务流程节点审批数据阈值的业务流程节点审批数据；
35.映射单元，用于将完成筛除的业务流程节点审批数据进行坐标映射处理，得到多个业务流程节点审批数据对应的坐标点；
36.构建单元，用于基于所述完成筛除的业务流程节点审批数据中最小值业务流程节点审批数据所对应的坐标点以及所述完成筛除的业务流程节点审批数据中次大值业务流程节点审批数据所对应的坐标点构建直线，得到线性趋势检测模型。
37.优选的，所述筛除单元之前，所述模块还包括：
38.获取单元，用于获取业务数据库中全量已完成业务流程的业务流程节点审批数据；
39.配置单元，用于根据所述全量已完成业务流程的业务流程节点审批数据配置所述预设业务流程节点审批数据阈值。
40.优选的，所述检测模块之后，所述装置还包括：
41.输出模块，用于根据检测对象标识识别所述异常业务流程节点审批数据所对应的检测对象，以确定异常检测对象，并按照预设格式，输出针对所述异常检测对象的异常情况描述信息，所述异常情况描述信息包括所述异常检测对象的基本信息以及贡献度。
42.优选的，所述输出模块之前，所述装置还包括：
43.计算模块，用于所述异常检测对象的贡献度用于表征所述异常检测对象的业务流程节点审批数据与所述预设业务流程节点审批数据阈值之间的差值，占各个所述完成筛除的业务流程节点审批数据与所述预设业务流程节点审批数据阈值之间差值的和的比例。
44.优选的，所述获取模块之前，所述装置还包括：
45.接收模块，用于接收业务流程的发起请求，为所述业务流程配置对应的检测对象标识，以基于所述检测对象标识获取所述检测对象的业务流程节点审批数据。
46.根据本技术的又一方面，提供了一种存储介质，所述存储介质中存储有至少一条可执行指令，所述可执行指令使处理器执行如上述异常检测对象的确定方法对应的操作。
47.根据本技术的再一方面，提供了一种计算机设备，包括：处理器、存储器、通信接口和通信总线，所述处理器、所述存储器和所述通信接口通过所述通信总线完成相互间的通信；
48.所述存储器用于存放至少一条可执行指令，所述可执行指令使所述处理器执行上述异常检测对象的确定方法对应的操作。
49.借由上述技术方案，本技术实施例提供的技术方案至少具有下列优点：
50.本技术提供了一种异常检测对象的确定方法及装置、存储介质、计算机设备，首先获取各个检测对象的业务流程节点审批数据；其次根据所述各个检测对象的业务流程节点审批数据构建直线，得到线性趋势检测模型；最后基于所述线性趋势检测模型对所述各个检测对象的业务流程节点审批数据进行异常检测，得到所述各个检测对象的业务流程节点审批数据中的异常业务流程节点审批数据。与现有技术相比，本技术实施例通过线性趋势检测模型对业务流程节点审批数据进行异常检测，以确定业务流程节点审批数据中的异常数据，实现了对业务流程节点审批数据中的异常值的自动确定，由于不完全以统计学的数
据分布为检测依据，更适用于检测业务流程节点审批数据的场景，使运营人员面对复杂海量的业务流程节点审批数据时，实现自动化且高效的确定出异常检测对象，大大提高了检测的效率。
51.上述说明仅是本技术技术方案的概述，为了能够更清楚了解本技术的技术手段，而可依照说明书的内容予以实施，并且为了让本技术的上述和其它目的、特征和优点能够更明显易懂，以下特举本技术的具体实施方式。
附图说明
52.通过阅读下文优选实施方式的详细描述，各种其他的优点和益处对于本领域普通技术人员将变得清楚明了。附图仅用于示出优选实施方式的目的，而并不认为是对本技术的限制。而且在整个附图中，用相同的参考符号表示相同的部件。在附图中：
53.图1示出了本技术实施例提供的一种异常检测对象的确定方法流程图；
54.图2示出了本技术实施例提供的一种异常检测对象的确定装置组成框图；
55.图3示出了本技术实施例提供的一种计算机设备的结构示意图。
具体实施方式
56.下面将参照附图更详细地描述本公开的示例性实施例。虽然附图中显示了本公开的示例性实施例，然而应当理解，可以以各种形式实现本公开而不应被这里阐述的实施例所限制。相反，提供这些实施例是为了能够更透彻地理解本公开，并且能够将本公开的范围完整的传达给本领域的技术人员。
57.本技术实施例可以基于人工智能技术对相关的数据进行获取和处理。其中，人工智能(artificial intelligence，ai)是利用数字计算机或者数字计算机控制的机器模拟、延伸和扩展人的智能，感知环境、获取知识并使用知识获得最佳结果的理论、方法、技术及应用系统。
58.人工智能基础技术一般包括如传感器、专用人工智能芯片、云计算、分布式存储、大数据处理技术、操作/交互系统、机电一体化等技术。人工智能软件技术主要包括计算机视觉技术、机器人技术、生物识别技术、语音处理技术、自然语言处理技术以及机器学习/深度学习等几大方向。
59.基于此，在一个实施例中，如图1所示，提供了一种异常检测对象的确定方法，以该方法应用于服务器等计算机设备为例进行说明，其中，服务器可以是独立的服务器，也可以是提供云服务、云数据库、云计算、云函数、云存储、网络服务、云通信、中间件服务、域名服务、安全服务、内容分发网络(content delivery network,cdn)、以及大数据和人工智能平台等基础云计算服务的云服务器，如智能医疗系统、数字医疗平台等。
60.上述方法包括以下步骤：
61.101、获取各个检测对象的业务流程节点审批数据。
62.其中，检测对象用于表征各个分公司下个各个业务部门，例如，负责重卡租赁的部门、负责轻卡租赁的部门、负责二手车租赁的部门等；业务流程节点审批数据用于表征订单业务流程开启后的审批情况，例如，业务部门a未完成审批的订单数量、业务部门a订单审批所耗时长、业务部门a被回退的订单数量等。本技术实施例中，通过获取相同等级的各个业
务部门的业务流程节点审批数据，基于线性趋势检测模型对其进行异常检测，可以准确的检测出明显偏离同等级的其他业务部门的异常数据。
63.可以理解的是，通常情况下签订订单时会关联其对应的业务部门，在获取业务流程节点审批数据时，可以通过聚合函数得到某个等级下所有的业务流程节点审批数据，例如，通过求和得到订单积压数据，或者通过平均值得到订单审批所耗时长等。另外，示例性的，以订单积压数据为例，业务流程节点审批数据包含很多维度，例如业务分类(重卡、轻卡、二手车等)、区域、小组等。这些维度之间又可以通过组合生成新的衍生维度，通过排列组合可以得到维度组合的数量：dim(n)＝2
n-1(其中，n代表维度数量)，但是，组织维度本身存在上下级关系，故优化后组合数量为：dim(n)＝n(其中，n代表组织架构的层数)。
64.102、根据各个检测对象的业务流程节点审批数据构建直线，得到线性趋势检测模型。
65.本技术实施例中，基于步骤101中获取到的各个检测对象的业务流程节点审批数据构建直线，即线性趋势检测模型进行异常检测，与现有技术中通过基于统计学的异常值检测方法进行异常检测相比，并不拘泥于样本数据本身的分布，而是进行同等级部门之间的对比，可以更适用于如样本整体偏高等实际应用场景中。
66.103、基于线性趋势检测模型对各个检测对象的业务流程节点审批数据进行异常检测，得到各个检测对象的业务流程节点审批数据中的异常业务流程节点审批数据。
67.其中，线性趋势检测模型为基于获取到的相同等级的各个业务部门的业务流程节点审批数据构建的，用于检测相同等级的各个检测对象中是否有明显偏离其他检测对象的异常检测对象。本技术实施例中，基于线性趋势检测模型对步骤101中获取到的相同等级的各个业务部门的业务流程节点审批数据进行异常检测，得到相同等级中异常的业务流程节点审批数据。
68.需要说明的是，在得到异常检测对象的业务流程节点审批数据后，可以根据预设格式，指标等输出对该异常检测对象的描述，本技术实施例不做具体限定。
69.与现有技术相比，本技术实施例通过线性趋势检测模型对业务流程节点审批数据进行异常检测，以确定业务流程节点审批数据中的异常检测对象，实现了对业务流程节点审批数据中的异常值的自动确定，由于不完全以统计学的数据分布为检测依据，更适用于检测业务流程节点审批数据的场景，使运营人员面对复杂海量的业务流程节点审批数据时，实现自动化且高效的确定出异常检测对象，大大提高了检测的效率。
70.为了进一步说明以及限定，本技术实施例中，基于线性趋势检测模型对各个检测对象的业务流程节点审批数据进行异常检测，得到各个检测对象的业务流程节点审批数据中的异常业务流程节点审批数据，具体包括：将各个检测对象的业务流程节点审批数据中的最大值业务流程节点审批数据所对应的坐标点横坐标，输入至线性趋势检测模型，得到预计业务流程节点审批数据；若最大值业务流程节点审批数据大于预计业务流程节点审批数据，则确定最大值业务流程节点审批数据为异常业务流程节点审批数据。
71.其中，预计业务流程节点审批数据用于表征根据线性趋势检测模型得到的处于正常范围内的业务流程节点审批数据。具体的，将各个检测对象的业务流程节点审批数据中的最大值业务流程节点审批数据坐标映射处理得到的坐标点代入线性趋势检测模型中，得到预计业务流程节点审批数据，即处于正常范围内的业务流程节点审批数据；进一步，将实
际的最大值业务流程节点审批数据与预计业务流程节点审批数据相比较，若大于，则说明实际的最大值业务流程节点审批数据明显偏离处于正常范围内的预计业务流程节点审批数据，此时，确定最大值业务流程节点审批数据为异常检测对象的业务流程节点审批数据。
72.示例性的，线性趋势检测模型为直线y＝x+6，经过坐标映射处理得到的最大值业务流程节点审批数据对应的坐标点为(3,15)，将(3,15)代入直线y＝x+6，得到y^＝3+6＝9《15，则说明最大值业务流程节点审批数据明显偏离正常范围，即确定最大值业务流程节点审批数据为异常检测对象的业务流程节点审批数据。
73.为了进一步说明以及限定，本技术实施例中，根据各个检测对象的业务流程节点审批数据构建直线，得到线性趋势检测模型，具体包括：将各个检测对象的业务流程节点审批数据进行排序处理；筛除小于预设业务流程节点审批数据阈值的业务流程节点审批数据；将完成筛除的业务流程节点审批数据进行坐标映射处理，得到多个业务流程节点审批数据对应的坐标点；基于完成筛除的业务流程节点审批数据中最小值业务流程节点审批数据所对应的坐标点以及完成筛除的业务流程节点审批数据中次大值业务流程节点审批数据所对应的坐标点构建直线，得到线性趋势检测模型。
74.具体的，首先，将步骤101中获取到的各个检测对象的业务流程节点审批数据进行排序处理，并基于预设业务流程节点审批数据阈值筛除掉小于预设业务流程节点审批数据阈值的业务流程节点审批数据；其次，将完成筛除后剩余的业务流程节点审批数据进行坐标映射处理，得到各个业务流程节点审批数据对应的坐标点，具体的，可以根据x＝index，y＝value进行坐标映射处理；最后，基于完成筛除后剩余的业务流程节点审批数据中的最小值以及次大值构建线性趋势检测模型。
75.示例性的，以订单积压数据为例，获取到同等级的6个业务部门的订单积压数量分别为[15,4,6,7,8,2]，首先对订单积压数量进行排序得到[2,4,6,7,8,15]，设置预设业务流程节点审批数据阈值为5，筛除小于预设业务流程节点审批数据阈值5的部分，得到[6,7,8,15]；其次，基于x＝index，y＝value将[6,7,8,15]进行坐标映射处理，得到坐标点[(0,6),(1,7),(2,8),(3,15)]；最后，以最小值坐标点(0,6)以及次大值坐标点(2,8)构建线性趋势检测模型，得到直线y＝x+6。
[0076]
可选的，本技术实施例中，筛除小于预设业务流程节点审批数据阈值的业务流程节点审批数据之前，实施例方法还包括：获取业务数据库中全量已完成业务流程的业务流程节点审批数据；根据全量已完成业务流程的业务流程节点审批数据配置预设业务流程节点审批数据阈值。
[0077]
示例性的，可以获取订单数据库中全量已完成业务流程的订单的业务流程节点审批数据，通过统计所有订单在完成每一个业务流程节点的所耗时长，平均后作为预设审批时长阈值；或统计在相同时刻处于同一个业务流程节点的订单数量，根据目标订单处理速率配置各个业务流程节点的订单积压阈值等。
[0078]
优选的，本技术实施例中，得到各个检测对象的业务流程节点审批数据中的异常业务流程节点审批数据之后，实施例方法还包括：根据检测对象标识识别异常业务流程节点审批数据所对应的检测对象，以确定异常检测对象，并按照预设格式，输出针对异常检测对象的异常情况描述信息。
[0079]
其中，异常情况描述信息包括异常检测对象的基本信息以及贡献度；基本信息包
括但不限于检测对象的业务范围、订单积压情况等；贡献度用于表征贡献量与投入量之间的比值。
[0080]
示例性的，输出针对异常检测对象的异常情况描述信息：不担保条线-零售一部-华南区-浙江组回退增多，贡献度52％。
[0081]
为了进一步说明以及限定，本技术实施例中，输出针对异常检测对象的异常情况描述信息之前，实施例方法还包括：
[0082]
异常检测对象的贡献度用于表征异常检测对象的业务流程节点审批数据与预设业务流程节点审批数据阈值之间的差值，占各个完成筛除的业务流程节点审批数据与预设业务流程节点审批数据阈值之间差值的和的比例。
[0083]
示例性的，基于上述订单积压数据的例子，通过线性趋势检测模型进行异常检测，确定最大值业务流程节点审批数据为异常检测对象的业务流程节点审批数据后，计算其贡献度为(15-5)/((6-5)+(7-5)+(8-5)+(15-5))＝62.5％。
[0084]
需要说明的是，若以预设业务流程节点审批数据阈值完成筛除后的数据数量为1时，则该值为异常值，贡献度为100％
[0085]
若以预设业务流程节点审批数据阈值完成筛除后的数据数量为2时，如果最大值业务流程节点审批数据max/最小值业务流程节点审批数据min》＝2，则最大值业务流程节点审批数据为异常值，贡献度为最大值业务流程节点审批数据max/(最小值业务流程节点审批数据max+最大值业务流程节点审批数据max)。
[0086]
为了进一步说明以及限定，本技术实施例中，获取各个检测对象的业务流程节点审批数据之前，实施例方法还包括：接收业务流程的发起请求，为业务流程配置对应的检测对象标识，以基于检测对象标识获取检测对象的业务流程节点审批数据。
[0087]
需要说明的是，为了更高效的获取到各个检测对象的业务流程节点审批数据，可以在订单的业务流程发起时，为每一个业务流程配置对应的检测对象的唯一身份标识，以基于检测对象标识获取检测对象的业务流程节点审批数据。
[0088]
本技术提供了一种异常检测对象的确定方法，首先获取各个检测对象的业务流程节点审批数据；其次根据所述各个检测对象的业务流程节点审批数据构建直线，得到线性趋势检测模型；最后基于所述线性趋势检测模型对所述各个检测对象的业务流程节点审批数据进行异常检测，得到所述各个检测对象的业务流程节点审批数据中的异常业务流程节点审批数据。与现有技术相比，本技术实施例通过线性趋势检测模型对业务流程节点审批数据进行异常检测，以确定业务流程节点审批数据中的异常检测对象，实现了对业务流程节点审批数据中的异常值的自动确定，由于不完全以统计学的数据分布为检测依据，更适用于检测业务流程节点审批数据的场景，使运营人员面对复杂海量的业务流程节点审批数据时，实现自动化且高效的确定出异常检测对象，大大提高了检测的效率。
[0089]
进一步的，作为对上述图1所示方法的实现，本技术实施例提供了一种异常检测对象的确定装置，如图2所示，该装置包括：
[0090]
获取模块21，构建模块22，检测模块23。
[0091]
获取模块21，用于获取各个检测对象的业务流程节点审批数据；
[0092]
构建模块22，用于根据所述各个检测对象的业务流程节点审批数据构建直线，得到线性趋势检测模型；
[0093]
检测模块23，用于基于所述线性趋势检测模型对所述各个检测对象的业务流程节点审批数据进行异常检测，得到所述各个检测对象的业务流程节点审批数据中的异常业务流程节点审批数据。
[0094]
在具体的应用场景中，所述检测模块，具体包括：
[0095]
输入单元，用于将所述各个检测对象的业务流程节点审批数据中的最大值业务流程节点审批数据所对应的坐标点横坐标，输入至所述线性趋势检测模型，得到预计业务流程节点审批数据；
[0096]
确定单元，用于若所述最大值业务流程节点审批数据大于所述预计业务流程节点审批数据，则确定所述最大值业务流程节点审批数据为异常业务流程节点审批数据。
[0097]
在具体的应用场景中，所述构建模块，具体包括：
[0098]
排序单元，用于将所述各个检测对象的业务流程节点审批数据进行排序处理；
[0099]
筛除单元，用于筛除小于预设业务流程节点审批数据阈值的业务流程节点审批数据；
[0100]
映射单元，用于将完成筛除的业务流程节点审批数据进行坐标映射处理，得到多个业务流程节点审批数据对应的坐标点；
[0101]
构建单元，用于基于所述完成筛除的业务流程节点审批数据中最小值业务流程节点审批数据所对应的坐标点以及所述完成筛除的业务流程节点审批数据中次大值业务流程节点审批数据所对应的坐标点构建直线，得到线性趋势检测模型。
[0102]
在具体的应用场景中，所述筛除单元之前，所述模块还包括：
[0103]
获取单元，用于获取业务数据库中全量已完成业务流程的业务流程节点审批数据；
[0104]
配置单元，用于根据所述全量已完成业务流程的业务流程节点审批数据配置所述预设业务流程节点审批数据阈值。
[0105]
在具体的应用场景中，所述检测模块之后，所述装置还包括：
[0106]
输出模块，用于根据检测对象标识识别所述异常业务流程节点审批数据所对应的检测对象，以确定异常检测对象，并按照预设格式，输出针对所述异常检测对象的异常情况描述信息，所述异常情况描述信息包括所述异常检测对象的基本信息以及贡献度。
[0107]
在具体的应用场景中，所述输出模块之前，所述装置还包括：
[0108]
计算模块，用于所述异常检测对象的贡献度用于表征所述异常检测对象的业务流程节点审批数据与所述预设业务流程节点审批数据阈值之间的差值，占各个所述完成筛除的业务流程节点审批数据与所述预设业务流程节点审批数据阈值之间差值的和的比例。
[0109]
在具体的应用场景中，所述获取模块之前，所述装置还包括：
[0110]
接收模块，用于接收业务流程的发起请求，为所述业务流程配置对应的检测对象标识，以基于所述检测对象标识获取所述检测对象的业务流程节点审批数据。
[0111]
本技术提供了一种异常检测对象的确定装置，首先获取各个检测对象的业务流程节点审批数据；其次根据所述各个检测对象的业务流程节点审批数据构建直线，得到线性趋势检测模型；最后基于所述线性趋势检测模型对所述各个检测对象的业务流程节点审批数据进行异常检测，得到所述各个检测对象的业务流程节点审批数据中的异常业务流程节点审批数据。与现有技术相比，本技术实施例通过线性趋势检测模型对业务流程节点审批
数据进行异常检测，以确定业务流程节点审批数据中的异常检测对象，实现了对业务流程节点审批数据中的异常值的自动确定，由于不完全以统计学的数据分布为检测依据，更适用于检测业务流程节点审批数据的场景，使运营人员面对复杂海量的业务流程节点审批数据时，实现自动化且高效的确定出异常检测对象，大大提高了检测的效率。
[0112]
根据本技术一个实施例提供了一种存储介质，所述存储介质存储有至少一条可执行指令，该计算机可执行指令可执行上述任意方法实施例中的异常检测对象的确定方法。
[0113]
基于这样的理解，本技术的技术方案可以以软件产品的形式体现出来，该软件产品可以存储在一个非易失性存储介质(可以是cd-rom，u盘，移动硬盘等)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，服务器，或者网络设备等)执行本技术各个实施场景所述的方法。
[0114]
图3示出了根据本技术一个实施例提供的一种计算机设备的结构示意图，本技术具体实施例并不对计算机设备的具体实现做限定。
[0115]
如图3所示，该计算机设备可以包括：处理器(processor)302、通信接口(communications interface)304、存储器(memory)306、以及通信总线308。
[0116]
其中：处理器302、通信接口304、以及存储器306通过通信总线308完成相互间的通信。
[0117]
通信接口304，用于与其它设备比如客户端或其它服务器等的网元通信。
[0118]
处理器302，用于执行程序310，具体可以执行上述异常检测对象的确定方法实施例中的相关步骤。
[0119]
具体地，程序310可以包括程序代码，该程序代码包括计算机操作指令。
[0120]
处理器302可能是中央处理器cpu，或者是特定集成电路asic(application specific integrated circuit)，或者是被配置成实施本技术实施例的一个或多个集成电路。计算机设备包括的一个或多个处理器，可以是同一类型的处理器，如一个或多个cpu；也可以是不同类型的处理器，如一个或多个cpu以及一个或多个asic。
[0121]
存储器306，用于存放程序310。存储器306可能包含高速ram存储器，也可能还包括非易失性存储器(non-volatile memory)，例如至少一个磁盘存储器。
[0122]
程序310具体可以用于使得处理器302执行以下操作：
[0123]
获取各个检测对象的业务流程节点审批数据；
[0124]
根据所述各个检测对象的业务流程节点审批数据构建直线，得到线性趋势检测模型；
[0125]
基于所述线性趋势检测模型对所述各个检测对象的业务流程节点审批数据进行异常检测，得到所述各个检测对象的业务流程节点审批数据中的异常业务流程节点审批数据。
[0126]
存储介质中还可以包括操作系统、网络通信模块。操作系统是管理上述异常检测对象的确定的实体设备硬件和软件资源的程序，支持信息处理程序以及其它软件和/或程序的运行。网络通信模块用于实现存储介质内部各组件之间的通信，以及与信息处理实体设备中其它硬件和软件之间通信。
[0127]
本说明书中各个实施例均采用递进的方式描述，每个实施例重点说明的都是与其它实施例的不同之处，各个实施例之间相同或相似的部分相互参见即可。对于系统实施例
而言，由于其与方法实施例基本对应，所以描述的比较简单，相关之处参见方法实施例的部分说明即可。
[0128]
可能以许多方式来实现本技术的方法和系统。例如，可通过软件、硬件、固件或者软件、硬件、固件的任何组合来实现本技术的方法和系统。用于所述方法的步骤的上述顺序仅是为了进行说明，本技术的方法的步骤不限于以上具体描述的顺序，除非以其它方式特别说明。此外，在一些实施例中，还可将本技术实施为记录在记录介质中的程序，这些程序包括用于实现根据本技术的方法的机器可读指令。因而，本技术还覆盖存储用于执行根据本技术的方法的程序的记录介质。
[0129]
显然，本领域的技术人员应该明白，上述的本技术的各模块或各步骤可以用通用的计算装置来实现，它们可以集中在单个的计算装置上，或者分布在多个计算装置所组成的网络上，可选地，它们可以用计算装置可执行的程序代码来实现，从而，可以将它们存储在存储装置中由计算装置来执行，并且在某些情况下，可以以不同于此处的顺序执行所示出或描述的步骤，或者将它们分别制作成各个集成电路模块，或者将它们中的多个模块或步骤制作成单个集成电路模块来实现。这样，本技术不限制于任何特定的硬件和软件结合。
[0130]
以上所述仅为本技术的优选实施例而已，并不用于限制本技术，对于本领域的技术人员来说，本技术可以有各种更改和变化。凡在本技术的精神和原则之内，所作的任何修改、等同替换、改进等，均应包括在本技术的保护范围之内。