基于關(guān)聯(lián)規(guī)則算法的電力企業(yè)財務(wù)信息異常數(shù)據(jù)智能挖掘方法

趙貞

［摘 要］常規(guī)的電力企業(yè)財務(wù)信息異常數(shù)據(jù)挖掘方法以集群挖掘與分段挖掘為主，同一類別的異常數(shù)據(jù)挖掘效率較低，影響財務(wù)數(shù)據(jù)整合效果。因此，本文設(shè)計了基于關(guān)聯(lián)規(guī)則算法的電力企業(yè)財務(wù)信息異常數(shù)據(jù)智能挖掘方法。此方法標注電力企業(yè)財務(wù)信息數(shù)據(jù)挖掘異常點，建立電力企業(yè)財務(wù)信息數(shù)據(jù)集，逐步探查數(shù)據(jù)集中的異常數(shù)據(jù)，并將異常數(shù)據(jù)匯總到一個數(shù)據(jù)單元中，形成財務(wù)信息數(shù)據(jù)異常點。本文基于關(guān)聯(lián)規(guī)則算法挖掘電力財務(wù)異常頻繁項集，在電力財務(wù)數(shù)據(jù)異常點中，挖掘出存在價值的信息，確保異常數(shù)據(jù)挖掘的準確性。采用對比實驗，驗證了該方法的數(shù)據(jù)挖掘準確性更高，能夠應(yīng)用于電力企業(yè)財務(wù)管理工作中。

［關(guān)鍵詞］關(guān)聯(lián)規(guī)則算法；電力企業(yè)；財務(wù)信息；異常數(shù)據(jù)；智能挖掘方法

doi：10.3969/j.issn.1673-0194.2024.05.024

［中圖分類號］F275 ［文獻標識碼］A ［文章編號］1673-0194（2024）05-0079-03

0? ? ?引 言

電力企業(yè)存在多種交易數(shù)據(jù)，匯總在財務(wù)部進行數(shù)據(jù)整合，有效地避免了電力企業(yè)的財務(wù)損失。在電力企業(yè)財務(wù)信息的海量數(shù)據(jù)中，存在著賬戶異常、財務(wù)報表異常、稅務(wù)異常等多種異常數(shù)據(jù)，影響電力企業(yè)財務(wù)數(shù)據(jù)的整合。針對此類問題，研究人員設(shè)計了多種異常數(shù)據(jù)挖掘方法。其中，基于改進關(guān)聯(lián)聚類算法的電力企業(yè)財務(wù)信息異常數(shù)據(jù)智能挖掘方法，與基于改進DPC算法的電力企業(yè)財務(wù)信息異常數(shù)據(jù)智能挖掘方法的應(yīng)用較為廣泛。

基于改進關(guān)聯(lián)聚類算法的電力企業(yè)財務(wù)信息異常數(shù)據(jù)智能挖掘方法，主要是利用關(guān)聯(lián)規(guī)則提供異常數(shù)據(jù)挖掘環(huán)境，并利用自適應(yīng)策略挖掘電力企業(yè)異常數(shù)據(jù)相關(guān)規(guī)則，以K-means算法檢測異常數(shù)據(jù)挖掘的準確性，從而確保數(shù)據(jù)挖掘效果［1］?；诟倪MDPC算法的電力企業(yè)財務(wù)信息異常數(shù)據(jù)智能挖掘方法，主要是利用密度峰值聚類算法，識別電力異常數(shù)據(jù)，并提取出異常數(shù)據(jù)的有效表征，降低運算復(fù)雜度，從而滿足異常數(shù)據(jù)挖掘需求［2］。以上兩種方法均存在不同程度的弊端，導(dǎo)致數(shù)據(jù)挖掘的準確性降低。因此，本文利用關(guān)聯(lián)規(guī)則算法，設(shè)計了電力企業(yè)財務(wù)信息異常數(shù)據(jù)智能挖掘方法。

1? ? ?電力財務(wù)信息異常數(shù)據(jù)關(guān)聯(lián)規(guī)則智能挖掘方法

設(shè)計

1.1? ?標注電力企業(yè)財務(wù)信息數(shù)據(jù)挖掘異常點

在挖掘異常數(shù)據(jù)之前，標注出數(shù)據(jù)異常點，避免異常數(shù)據(jù)挖掘錯漏問題［3］。異常點的實際值與期望值差別較大，可通過數(shù)據(jù)約束、層約束、異常約束等方面，使異常點的數(shù)據(jù)實體化，從而提高財務(wù)信息異常數(shù)據(jù)挖掘效率［4］。異常點獲取代碼如圖1所示。

如圖1所示，在異常點提取的過程中，建立數(shù)據(jù)集Ii，并將異常點標注為cui，實體化的異常點為cum，cui能夠通過cum計算出來，公式如下：

（1）

式（1）中，t（cui）為異常點可視化數(shù)據(jù)；size（cum）為cum的數(shù)量；size（P）為一個數(shù)據(jù)單元能夠容納的異常數(shù)據(jù)數(shù)量；ts為異常點標注代價。本文建立了電力企業(yè)財務(wù)信息數(shù)據(jù)集，逐步探查數(shù)據(jù)集中的異常數(shù)據(jù)，并將異常數(shù)據(jù)匯總到一個數(shù)據(jù)單元中，形成財務(wù)信息數(shù)據(jù)異常數(shù)據(jù)單元。

1.2? ?基于關(guān)聯(lián)規(guī)則算法挖掘電力財務(wù)異常頻繁項集

本文利用關(guān)聯(lián)規(guī)則算法，獲取電力財務(wù)異常頻繁項集，在電力財務(wù)數(shù)據(jù)異常點中，挖掘出存在價值的信息，確保異常數(shù)據(jù)挖掘的準確性［5］。對于異常數(shù)據(jù)集合Ii而言，I1的支持度表示為：

（2）

（3）

式（2）、式（3）中，Z（I1）為電力企業(yè)財務(wù)信息數(shù)據(jù)I1的支持度，表示I1同時包含財務(wù)信息正常數(shù)據(jù)與異常數(shù)據(jù)的比例；Ti為電力企業(yè)財務(wù)信息數(shù)據(jù)庫的第i條異常數(shù)據(jù)記錄；D為電力企業(yè)財務(wù)信息數(shù)據(jù)庫；Z（Ii）為第i個非空子集Ii的支持度；Min_Sup為最小支持度閾值。當滿足式（3）條件時，稱Ii為頻繁項集。給定電力企業(yè)財務(wù)信息數(shù)據(jù)全局項集Ii與D，對于兩個異常數(shù)據(jù)X、Y，計算出X、Y的置信度，公式如下：

（4）

式（4）中，C（X→Y）為異常數(shù)據(jù)X相對于Y的置信度，表示數(shù)據(jù)X中同時包含數(shù)據(jù)Y的比例；Z（X∪Y）為異常數(shù)據(jù)Y占X的比例；Z（X）為數(shù)據(jù)X的挖掘支持度。其中，XIi? 1，Y? Ii，

（5）

式（5）中，L（X，Y）為數(shù)據(jù)X、Y的提升度，包含兩個異常數(shù)據(jù)X、Y的相關(guān)性，能夠判斷異常數(shù)據(jù)智能挖掘效果；Z（Y）為數(shù)據(jù)Y的挖掘支持度。當L（X，Y）＞1時，兩個異常數(shù)據(jù)X、Y的正相關(guān)性較高，表明數(shù)據(jù)X、Y同時被挖掘的可能性較高，異常數(shù)據(jù)智能挖掘效率更高［6］。當L（X，Y）＜1時，兩個異常數(shù)據(jù)X、Y的負相關(guān)性較高，表明數(shù)據(jù)X、Y同時被挖掘的可能性較低，影響異常數(shù)據(jù)挖掘效率［7］。當L（X，Y）=1時，兩個異常數(shù)據(jù)X、Y不相關(guān)，數(shù)據(jù)X、Y為相互獨立的狀態(tài)，難以快速挖掘出同一類別的異常數(shù)據(jù)，影響異常數(shù)據(jù)挖掘效率。根據(jù)L（X，Y）的值，判斷電力企業(yè)財務(wù)信息異常數(shù)據(jù)智能挖掘效果，從而實現(xiàn)異常數(shù)據(jù)快速挖掘。

2? ? ?實 驗

為了驗證本文設(shè)計的方法是否滿足電力企業(yè)財務(wù)信息異常數(shù)據(jù)智能挖掘需求，本文對上述方法進行了實驗分析。最終的實驗結(jié)果則以文獻［1］基于改進關(guān)聯(lián)聚類算法的挖掘方法、文獻［2］基于改進DPC算法的挖掘方法，以及本文設(shè)計的基于關(guān)聯(lián)規(guī)則算法的挖掘方法進行對比的形式呈現(xiàn)。具體的實驗準備過程以及最終的實驗結(jié)果如下。

2.1? ?實驗過程

本次實驗以某電力企業(yè)的真實數(shù)據(jù)為主，確保實驗數(shù)據(jù)的真實有效性。電力企業(yè)的建設(shè)運營電網(wǎng)為核心業(yè)務(wù)，下屬14家供電企業(yè)，8家業(yè)務(wù)支撐機構(gòu)，企業(yè)本部下設(shè)24個部門，服務(wù)各類用電客戶近千萬戶。電力企業(yè)的財務(wù)信息數(shù)據(jù)較多，需挖掘出異常數(shù)據(jù)，保留正常數(shù)據(jù)，確保財務(wù)信息的整合效果。因此，本文采用關(guān)聯(lián)規(guī)則算法，挖掘出異常數(shù)據(jù)，實驗流程如圖2所示。

如圖2所示，在確定異常點數(shù)據(jù)特征之后，計算出異常數(shù)據(jù)的支持度、置信度、提升度，使輸出的異常數(shù)據(jù)更加準確，滿足本次實驗需求。

2.2? ?實驗結(jié)果

在上述實驗條件下，本文隨機選取出多種電力企業(yè)財務(wù)信息異常數(shù)據(jù)類別，并分析挖掘出來異常數(shù)據(jù)的支持度、置信度、提升度進行分析。將三者作為本次實驗的判斷指標，并將文獻［1］基于改進關(guān)聯(lián)聚類算法的電力企業(yè)財務(wù)信息異常數(shù)據(jù)智能挖掘方法的性能指標、文獻［2］基于改進DPC算法的電力企業(yè)財務(wù)信息異常數(shù)據(jù)智能挖掘方法的性能指標，以及本文設(shè)計的基于關(guān)聯(lián)規(guī)則算法的電力企業(yè)財務(wù)信息異常數(shù)據(jù)智能挖掘方法的性能指標進行對比。實驗結(jié)果如表1所示。

如表1所示，電力企業(yè)財務(wù)信息異常數(shù)據(jù)被挖掘出來之后，該數(shù)據(jù)的支持度在0～1的范圍內(nèi)變化，支持度越高，表示該數(shù)據(jù)在異常數(shù)據(jù)集中出現(xiàn)的頻率越高，數(shù)據(jù)挖掘的準確性隨之增加。被挖掘的數(shù)據(jù)置信度同樣在0～1的范圍內(nèi)變化，置信度越高，表示異常數(shù)據(jù)出現(xiàn)的概率較高，異常數(shù)據(jù)挖掘的準確性也隨之提升。在其他條件均一致的情況下，使用文獻［1］基于改進關(guān)聯(lián)聚類算法的電力企業(yè)財務(wù)信息異常數(shù)據(jù)智能挖掘方法之后，電力財務(wù)異常數(shù)據(jù)挖掘的支持度與置信度在0.72～0.87的范圍內(nèi)變化，提升度在0.92～1.25的范圍內(nèi)變化。由此可見，該方法的支持度與置信度相對較低，存在提升度≤1的情況，異常數(shù)據(jù)挖掘的效率較低，影響電力企業(yè)財務(wù)信息整合效果。

使用文獻［2］基于改進DPC算法的電力企業(yè)財務(wù)信息異常數(shù)據(jù)智能挖掘方法之后，在投資異常的企業(yè)財務(wù)信息類別中，異常數(shù)據(jù)挖掘的提升度=1；在關(guān)聯(lián)交易異常的信息類別中，異常數(shù)據(jù)挖掘的提升度＜1。由此可見，使用該方法之后，電力企業(yè)財務(wù)信息異常數(shù)據(jù)挖掘仍存在數(shù)據(jù)關(guān)聯(lián)性弱的問題，同一類別的異常數(shù)據(jù)挖掘困難，需對其進一步優(yōu)化。而使用本文設(shè)計的基于關(guān)聯(lián)規(guī)則算法的電力企業(yè)財務(wù)信息異常數(shù)據(jù)智能挖掘方法之后，電力財務(wù)異常數(shù)據(jù)挖掘的支持度與置信度在0.98～1.00的范圍內(nèi)變化，提升度均

＞1，并未出現(xiàn)提升度≤1的情況。由此可見，使用本文設(shè)計的方法之后，能夠有效地挖掘同一類別的異常數(shù)據(jù)，提升了財務(wù)信息異常數(shù)據(jù)挖掘效率，為電力企業(yè)財務(wù)信息整合提供保障。

3? ? ?結(jié)束語

近些年來，電力企業(yè)的信息化程度不斷提升，財務(wù)信息管理也成為企業(yè)運營中的重要環(huán)節(jié)。電力企業(yè)的財務(wù)數(shù)據(jù)較多，能否在海量的數(shù)據(jù)中找出異常數(shù)據(jù)，對于電力企業(yè)的發(fā)展至關(guān)重要。因此，本文結(jié)合關(guān)聯(lián)規(guī)則算法，設(shè)計了電力企業(yè)財務(wù)信息異常數(shù)據(jù)智能挖掘方法。從異常點標注、頻繁項集挖掘等方面，快速找出財務(wù)信息異常數(shù)據(jù)的特征，提升了電力企業(yè)財務(wù)信息數(shù)據(jù)的整合效率。

主要參考文獻

［1］周燕，肖莉.基于改進關(guān)聯(lián)聚類算法的網(wǎng)絡(luò)異常數(shù)據(jù)挖

掘［J］.計算機工程與設(shè)計，2023，44（1）：108-115.

［2］李智宇.基于改進的DPC算法的ZDJ9轉(zhuǎn)轍機異常數(shù)據(jù)挖掘［J］.鐵路通信信號工程技術(shù)，2022，19（5）：1-6.

［3］常富紅，李麒，狄亞平，等.基于云計算的智能電網(wǎng)信息異常數(shù)據(jù)挖掘方法［J］.信息與電腦，2022，34（24）：177-179，202.

［4］國網(wǎng)無錫供電公司課題組.以大數(shù)據(jù)為基礎(chǔ)的風險導(dǎo)向內(nèi)部審計研究：以電力企業(yè)為例［J］.中國內(nèi)部審計，2022（12）：51-52.

［5］戴禮燦，代翔，崔瑩，等.基于深度集成學(xué)習的社交網(wǎng)絡(luò)異常數(shù)據(jù)挖掘算法［J］.吉林大學(xué)學(xué)報（工學(xué)版），2022，52

（11）：2712-2717.

［6］楊若松，張筱悅，陸興發(fā).基于數(shù)據(jù)自動流動的電力企業(yè)物資業(yè)務(wù)全流程數(shù)字化管理系統(tǒng)研究［J］.東北電力大學(xué)學(xué)報，2021，41（6）：100-104.

［7］潘建宏，左石，李群英，等.大數(shù)據(jù)時代電力企業(yè)績效管理的總體思路及保障措施探討［J］.企業(yè)改革與管理，2022

（23）：95-97.