基于人工智能的会计数据处理方法及系统

1.本发明涉及基于人工智能的会计数据处理方法及系统。


背景技术：

2.在现有技术中对会计数据分析中会计人员会着重寻找会计数据的异常内容，通过这种的方式来判断数据是否正常，相关的财会软件也非常多，很多的财会软件中也配置功能模块用来对异常内容的财会数据进行采集、分析和预警，不过现有财会软件均采用直接地、简单运算进行数据的分析，不能真正高效精准发现会计数据的异常，并且现有技术中的很多会计数据的异常内容多数因技术问题造成的，比如统计软件的技术漏洞或数据过滤等处理不当，对于这些类别的异常数据会计人员更加不能辨别分析。


技术实现要素：

3.本发明的目的在于提供一种基于人工智能的会计数据处理方法及系统，以解决上述背景技术中提出的问题。
4.为了解决上述技术问题，本发明提供如下技术方案：一种基于人工智能的会计数据处理方法，包括的步骤有：
5.通过财务软件数据接口输出目标单位的会计数据；
6.对目标单位的会计数据归类、去噪并整合为按照时间前后排序的队列数据以作为待处理的会计数据；构建带未知参数的队列数据拟合模型，将待处理的会计数据划分为训练集、识别集、校验集，通过将训练集数据输入到带未知参数的队列数据拟合模型以确定“带未知参数的队列数据拟合模型”中的未知参数的具体数值，并形成确定参数的队列数据拟合模型；然后以确定参数的队列数据拟合模型遍历地计算识别集中的数据；计算识别集中的数据之后再通过校验集对计算的结果检验；在“以确定参数的队列数据拟合模型遍历地计算识别集中的数据”过程中将目标数据分批次输入到确定参数的队列数据拟合模型并首先计算第一类预警值q1，如果目标数据的第一类预警值q1达到阈值后则计算目标数据的第二类预警值q2，目标数据的第二类预警值q2也达到阈值则标记目标数据为异常数据。
7.进一步，所述的“将训练集数据输入到带未知参数的队列数据拟合模型以确定“带未知参数的队列数据拟合模型”中的未知参数的具体数值”具体的，通过神经网络模型学习训练特征确定未知参数的数值。进一步，带未知参数的队列数据拟合模型具体为：
8.m＝e
t-a
·
arctan(dt)/(b
·
sin(ct))，其中的t为目标数据参与拟合的时间量，m为输出量，a、b、c、d 均为未知参数，e为自然常数。
9.进一步，计算第一类预警值q1，具体的，q1＝w3
·
w1
1/2
/w1-w2
·
w0/w1，其中的w3、w1
1/2
、w1、w2、w0 均为中间参数，具体的：
10.w0＝e
t-a
·
arctan(dt)；
11.w1＝b2·
sin2(ct)；
12.w1
1/2
＝bsin(ct)；
13.w2＝b
·c·
cos(ct)；
14.w3＝e
t-a
·
arctan(dt)+e
t-a
/(1+(dt)2)；
15.所以，q1＝(e
t-a
·
arctan(dt)+e
t-a
/(1+(dt)2))
·
bsin(ct)/b2·
sin2(ct)-b
·c·
cos(ct)
·et-a
·
arctan(dt) /b2·
sin2(ct)；
16.其中的t为目标数据参与拟合的时间量，a、b、c、d均对应“带未知参数的队列数据拟合模型”中的未知参数，当形成确定参数的队列数据拟合模型之后，a、b、c、d即为确定的参数，e为自然常数。
17.进一步，计算第二类预警值q2，具体的，q2＝∣q3∣/(1+(q1)2)
3/2
，其中的q1为第一类预警值，q3为 q1的导数。
18.基于人工智能的会计数据处理系统，包括采集单元、预处理单元、数据拟合与运算单元，
19.所述的采集单元用于通过财务软件数据接口输出目标单位的会计数据；
20.所述的预处理单元用于对目标单位的会计数据归类、去噪并整合为按照时间前后排序的队列数据以作为待处理的会计数据；
21.所述的数据拟合与运算单元用于构建带未知参数的队列数据拟合模型，将待处理的会计数据划分为训练集、识别集、校验集，通过将训练集数据输入到带未知参数的队列数据拟合模型以确定“带未知参数的队列数据拟合模型”中的未知参数的具体数值，并形成确定参数的队列数据拟合模型；还用于以确定参数的队列数据拟合模型遍历地计算识别集中的数据；还用于计算识别集中的数据之后再通过校验集对计算的结果检验；还用于在“以确定参数的队列数据拟合模型遍历地计算识别集中的数据”过程中将目标数据分批次输入到确定参数的队列数据拟合模型并首先计算第一类预警值q1，还用于目标数据的第一类预警值q1 达到阈值后，计算目标数据的第二类预警值q2，还用于当目标数据的第二类预警值q2达到阈值时标记目标数据为异常数据。
22.与现有技术相比，本发明的有益效果：
23.本技术通过构建带未知参数的队列数据拟合模型，将待处理的会计数据划分为训练集、识别集、校验集，通过将训练集数据输入到带未知参数的队列数据拟合模型以确定“带未知参数的队列数据拟合模型”中的未知参数的具体数值，并形成确定参数的队列数据拟合模型；然后以确定参数的队列数据拟合模型遍历地计算识别集中的数据；计算识别集中的数据之后再通过校验集对计算的结果检验；将目标数据分批次输入到确定参数的队列数据拟合模型并首先计算第一类预警值q1，如果目标数据的第一类预警值q1达到阈值后则计算目标数据的第二类预警值q2，目标数据的第二类预警值q2也达到阈值则标记目标数据为异常数据，通过这样本技术提供了高效精准确定会计数据是否异常办法，解决了现有技术中人工查找异常会计数据效率低的问题，并且由于本技术采用了先拟合后计算预警数值的方法可以将数据量纲统一，这样可以发现因为统计软件的技术漏洞或数据过滤等处理不当造成的异常问题数据。
24.附图说明：
25.图1本技术基于人工智能的会计数据处理系统组成框图。
具体实施方式
26.下面将结合本发明实施例，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
27.本技术公开了一种基于人工智能的会计数据处理方法，包括步骤有，
28.通过财务软件数据接口输出目标单位的会计数据；
29.对目标单位的会计数据归类、去噪并整合为按照时间前后排序的队列数据以作为待处理的会计数据；构建带未知参数的队列数据拟合模型，将待处理的会计数据划分为训练集、识别集、校验集，通过将训练集数据输入到带未知参数的队列数据拟合模型以确定“带未知参数的队列数据拟合模型”中的未知参数的具体数值，并形成确定参数的队列数据拟合模型；然后以确定参数的队列数据拟合模型遍历地计算识别集中的数据；计算识别集中的数据之后再通过校验集对计算的结果检验；在“以确定参数的队列数据拟合模型遍历地计算识别集中的数据”过程中将目标数据分批次输入到确定参数的队列数据拟合模型并首先计算第一类预警值q1，如果目标数据的第一类预警值q1达到阈值后则计算目标数据的第二类预警值q2，目标数据的第二类预警值q2也达到阈值则标记目标数据为异常数据。
30.优选地，所述的“将训练集数据输入到带未知参数的队列数据拟合模型以确定“带未知参数的队列数据拟合模型”中的未知参数的具体数值”具体的，通过神经网络模型学习训练特征确定未知参数的数值。优选地，带未知参数的队列数据拟合模型具体为：
31.m＝e
t-a
·
arctan(dt)/(b
·
sin(ct))，其中的t为目标数据参与拟合的时间量，m为输出量，a、b、c、d 均为未知参数，e为自然常数。
32.优选地，计算第一类预警值q1，具体的，q1＝w3
·
w1
1/2
/w1-w2
·
w0/w1，其中的w3、w1
1/2
、w1、w2、w0 均为中间参数，具体的：
33.w0＝e
t-a
·
arctan(dt)；
34.w1＝b2·
sin2(ct)；
35.w1
1/2
＝bsin(ct)；
36.w2＝b
·c·
cos(ct)；
37.w3＝e
t-a
·
arctan(dt)+e
t-a
/(1+(dt)2)；
38.所以，q1＝(e
t-a
·
arctan(dt)+e
t-a
/(1+(dt)2))
·
bsin(ct)/b2·
sin2(ct)-b
·c·
cos(ct)
·et-a
·
arctan(dt) /b2·
sin2(ct)；
39.其中的t为目标数据参与拟合的时间量，a、b、c、d均对应“带未知参数的队列数据拟合模型”中的未知参数，当形成确定参数的队列数据拟合模型之后，a、b、c、d即为确定的参数，e为自然常数。
40.优选地，计算第二类预警值q2，具体的，q2＝∣q3∣/(1+(q1)2)
3/2
，其中的q1为第一类预警值，q3为 q1的导数。
41.本技术的一个具体实施中，一种基于人工智能的会计数据处理方法，包括步骤有，
42.通过财务软件数据接口输出目标单位的会计数据；
43.对目标单位的会计数据归类、去噪并整合为按照时间前后排序的队列数据以作为待处理的会计数据；
44.构建带未知参数的队列数据拟合模型；带未知参数的队列数据拟合模型具体为：
45.m＝e
t-a
·
arctan(dt)/(b
·
sin(ct))，其中的t为目标数据参与拟合的时间量，m为输出量，a、b、c、d 均为未知参数，e为自然常数；
46.将待处理的会计数据划分为训练集、识别集、校验集，通过将训练集数据输入到带未知参数的队列数据拟合模型，并且通过神经网络模型学习训练特征以确定“带未知参数的队列数据拟合模型”中的未知参数的具体数值，并形成确定参数的队列数据拟合模型；然后以确定参数的队列数据拟合模型遍历地计算识别集中的数据；计算识别集中的数据之后再通过校验集对计算的结果检验；在“以确定参数的队列数据拟合模型遍历地计算识别集中的数据”过程中将目标数据分批次输入到确定参数的队列数据拟合模型并首先计算第一类预警值q1；q1＝w3
·
w1
1/2
/w1-w2
·
w0/w1，其中的w3、w1
1/2
、w1、w2、w0均为中间参数，具体的：
47.w0＝e
t-a
·
arctan(dt)；
48.w1＝b2·
sin2(ct)；
49.w1
1/2
＝bsin(ct)；
50.w2＝b
·c·
cos(ct)；
51.w3＝e
t-a
·
arctan(dt)+e
t-a
/(1+(dt)2)；
52.所以，q1＝(e
t-a
·
arctan(dt)+e
t-a
/(1+(dt)2))
·
bsin(ct)/b2·
sin2(ct)-b
·c·
cos(ct)
·et-a
·
arctan(dt) /b2·
sin2(ct)；
53.其中的t为目标数据参与拟合的时间量，a、b、c、d均对应“带未知参数的队列数据拟合模型”中的未知参数，当形成确定参数的队列数据拟合模型之后，a、b、c、d即为确定的参数，e为自然常数；
54.如果目标数据的第一类预警值q1达到阈值后则计算目标数据的第二类预警值q2；
55.q2＝∣q3∣/(1+(q1)2)
3/2
，其中的q1为第一类预警值，q3为q1的导数；
56.目标数据的第二类预警值q2也达到阈值则标记目标数据为异常数据。
57.可以理解的，本技术通过构建带未知参数的队列数据拟合模型，将待处理的会计数据划分为训练集、识别集、校验集，通过将训练集数据输入到带未知参数的队列数据拟合模型以确定“带未知参数的队列数据拟合模型”中的未知参数的具体数值，并形成确定参数的队列数据拟合模型；然后以确定参数的队列数据拟合模型遍历地计算识别集中的数据；计算识别集中的数据之后再通过校验集对计算的结果检验；将目标数据分批次输入到确定参数的队列数据拟合模型并首先计算第一类预警值q1，如果目标数据的第一类预警值q1达到阈值后则计算目标数据的第二类预警值q2，目标数据的第二类预警值q2也达到阈值则标记目标数据为异常数据，通过这样本技术提供了高效精准确定会计数据是否异常办法，解决了现有技术中人工查找异常会计数据效率低的问题，并且由于本技术采用了先拟合后计算预警数值的方法可以将数据量纲统一，这样可以发现因为统计软件的技术漏洞或数据过滤等处理不当造成的异常问题数据。
58.本技术还公开了基于人工智能的会计数据处理系统，如图1，包括采集单元、预处理单元、数据拟合与运算单元，所述的采集单元用于通过财务软件数据接口输出目标单位的会计数据；
59.所述的预处理单元用于对目标单位的会计数据归类、去噪并整合为按照时间前后
排序的队列数据以作为待处理的会计数据；
60.所述的数据拟合与运算单元用于构建带未知参数的队列数据拟合模型，将待处理的会计数据划分为训练集、识别集、校验集，通过将训练集数据输入到带未知参数的队列数据拟合模型以确定“带未知参数的队列数据拟合模型”中的未知参数的具体数值，并形成确定参数的队列数据拟合模型；还用于以确定参数的队列数据拟合模型遍历地计算识别集中的数据；还用于计算识别集中的数据之后再通过校验集对计算的结果检验；还用于在“以确定参数的队列数据拟合模型遍历地计算识别集中的数据”过程中将目标数据分批次输入到确定参数的队列数据拟合模型并首先计算第一类预警值q1，还用于目标数据的第一类预警值q1 达到阈值后，计算目标数据的第二类预警值q2，还用于当目标数据的第二类预警值q2达到阈值时标记目标数据为异常数据。