【技術(shù)實(shí)現(xiàn)步驟摘要】
本專利技術(shù)涉及大模型構(gòu)建領(lǐng)域，具體為一種基于人工智能的監(jiān)管大模型構(gòu)建系統(tǒng)及方法。
技術(shù)介紹
1、監(jiān)管大模型指由監(jiān)管機(jī)構(gòu)或監(jiān)管部門(mén)使用的大型數(shù)據(jù)模型，用于監(jiān)測(cè)、評(píng)估和預(yù)測(cè)市場(chǎng)活動(dòng)、風(fēng)險(xiǎn)和合規(guī)情況，從而識(shí)別市場(chǎng)中的異常交易或問(wèn)題商品。建立監(jiān)管大模型一般需要模型選擇、數(shù)據(jù)訓(xùn)練和模型部署等步驟，從而使模型適用于需要監(jiān)管的區(qū)域和需要解決的問(wèn)題。
2、在檢測(cè)問(wèn)題商品在市場(chǎng)中的來(lái)源時(shí)，一般通過(guò)詢問(wèn)或檢索交易記錄等方式定位銷售問(wèn)題商品的商家，但問(wèn)題商品往往需要較長(zhǎng)的周期才能被發(fā)現(xiàn)，顧客在周期內(nèi)的交易記錄繁多，無(wú)法精確找到問(wèn)題商品的來(lái)源，現(xiàn)有的大模型監(jiān)管系統(tǒng)通過(guò)分析問(wèn)題商品的分布來(lái)定位商品來(lái)源，但受限與城市地形、區(qū)域購(gòu)買(mǎi)偏好等因素，無(wú)法準(zhǔn)確適用于具體地點(diǎn)的溯源流程。
3、此外，監(jiān)管大模型是由訓(xùn)練數(shù)據(jù)匹配模型得到的，容易對(duì)原始訓(xùn)練數(shù)據(jù)產(chǎn)生依賴，在面對(duì)市場(chǎng)變化時(shí)，模型的預(yù)測(cè)誤差較大，難以適應(yīng)復(fù)雜的市場(chǎng)環(huán)境和多變的監(jiān)管需求。
技術(shù)實(shí)現(xiàn)思路
1、本專利技術(shù)的目的在于提供一種基于人工智能的監(jiān)管大模型構(gòu)建系統(tǒng)及方法，以解決上述
技術(shù)介紹
中提出的問(wèn)題。
2、為了解決上述技術(shù)問(wèn)題，本專利技術(shù)提供如下技術(shù)方案：一種基于人工智能的監(jiān)管大模型構(gòu)建系統(tǒng)，包括：原始數(shù)據(jù)模塊、模型訓(xùn)練模塊、商品抽檢模塊、監(jiān)管定位模塊和智能訓(xùn)練模塊；
3、所述原始數(shù)據(jù)模塊用于根據(jù)各類商品的使用特征，計(jì)算商品分布距離的概率分布函數(shù)，在電子地圖上標(biāo)注所有商家的經(jīng)營(yíng)位置和各類商品的銷售比例，并根據(jù)經(jīng)營(yíng)地點(diǎn)
4、所述模型訓(xùn)練模塊用于以商品的分布距離作為散布半徑，銷售量作為散布密度，利用智能分類模型進(jìn)行商品擴(kuò)散模擬，根據(jù)模擬結(jié)果構(gòu)建全域商品散布模型，將初始訓(xùn)練數(shù)據(jù)輸入商品散布模型，重構(gòu)商品散布模型的注意力函數(shù)，輸出每個(gè)商品監(jiān)測(cè)點(diǎn)的多維擴(kuò)展矩陣；
5、所述商品抽檢模塊用于在發(fā)現(xiàn)問(wèn)題商品后，在以發(fā)現(xiàn)位置為中心預(yù)設(shè)監(jiān)測(cè)長(zhǎng)度為半徑的區(qū)域內(nèi)進(jìn)行抽檢，標(biāo)記所有問(wèn)題商品的發(fā)現(xiàn)位置，并隨機(jī)選擇一個(gè)散布概率高于閾值的商品作為參照商品，將抽檢結(jié)果輸入商品散布模型中，用商品發(fā)現(xiàn)位置處的多維擴(kuò)展矩陣處理后，得到問(wèn)題商品在抽檢半徑內(nèi)的密度流函數(shù)；
6、所述監(jiān)管定位模塊用于計(jì)算密度流函數(shù)在各方向上的偏導(dǎo)數(shù)值，以偏導(dǎo)數(shù)值最大時(shí)指向的方向?yàn)閱?wèn)題商品的第一擴(kuò)散方向，沿第一擴(kuò)散方向前進(jìn)一個(gè)最大分布距離再次進(jìn)行抽檢，所述最大分布距離為概率最大時(shí)對(duì)應(yīng)的商品分布距離，將兩次抽檢的結(jié)果輸入商品散布模型，得到商品的散布中心區(qū)域，并給出商品來(lái)源于各商家的概率；
7、所述智能訓(xùn)練模塊用于檢測(cè)到問(wèn)題商品來(lái)源后，根據(jù)推測(cè)來(lái)源與實(shí)際來(lái)源的偏差距離、抽檢半徑內(nèi)的實(shí)際抽檢結(jié)果和抽檢過(guò)程中參照商品的抽樣結(jié)果，對(duì)原有的擴(kuò)散模型進(jìn)行調(diào)整，并針對(duì)擴(kuò)散偏向區(qū)域定向聚類，輸出迭代后的散布模型。
8、進(jìn)一步的，所述原始數(shù)據(jù)模塊包括：商品特征單元和經(jīng)營(yíng)地圖單元；
9、所述商品特征單元用于根據(jù)商品的使用特征，計(jì)算商品于購(gòu)買(mǎi)來(lái)源間距離的概率分布，所述使用特征包括：商品的重量、體積、保質(zhì)期和使用地點(diǎn)；
10、所述經(jīng)營(yíng)地圖單元用于標(biāo)注經(jīng)營(yíng)商家，并預(yù)測(cè)商家各類商品的銷售量。
11、進(jìn)一步的，所述模型訓(xùn)練模塊包括：模式識(shí)別單元和擴(kuò)散建模單元；
12、所述模式識(shí)別單元用于按照預(yù)設(shè)的擴(kuò)散距離、擴(kuò)散中心和擴(kuò)散密度進(jìn)行商品擴(kuò)散模擬；
13、所述擴(kuò)散建模單元用于利用初始訓(xùn)練數(shù)據(jù)訓(xùn)練前饋神經(jīng)網(wǎng)絡(luò)，將擴(kuò)散模擬結(jié)果輸入訓(xùn)練后的前饋神經(jīng)網(wǎng)絡(luò)，得到商品散布模型。
14、進(jìn)一步的，所述商品抽檢模塊包括：密度模擬單元、參照抽檢單元和模型調(diào)整單元；
15、所述密度模擬單元用于根據(jù)抽檢結(jié)果，生成問(wèn)題商品在抽檢半徑內(nèi)的密度流函數(shù)；
16、所述參照抽檢單元用于在問(wèn)題商品中心一個(gè)抽檢半徑的范圍內(nèi)對(duì)問(wèn)題商品和參照商品進(jìn)行抽樣；
17、所述模型調(diào)整單元用于商品散布模型中分析問(wèn)題商品和參照商品的散布密度，對(duì)模型進(jìn)行調(diào)整。
18、進(jìn)一步的，所述監(jiān)管定位模塊包括：補(bǔ)充抽檢單元和中心定位單元；
19、所述補(bǔ)充抽檢單元用于確定問(wèn)題商品的第一擴(kuò)散方向，并在第一擴(kuò)散方向上再次抽檢；
20、所述中心定位單元用于對(duì)問(wèn)題商品的來(lái)源進(jìn)行推測(cè)，給出來(lái)源各商家的概率。
21、進(jìn)一步的，所述智能訓(xùn)練模塊包括：擴(kuò)散畸變單元、ai模擬單元和模型迭代單元；
22、所述擴(kuò)散畸變單元用于計(jì)算推測(cè)的來(lái)源中心與實(shí)際來(lái)源中心的偏差距離，以及抽樣結(jié)果的統(tǒng)計(jì)偏差；
23、所述ai模擬單元用于利用ai聚類模型針對(duì)擴(kuò)散偏向區(qū)域定向聚類，得到散布模型的畸變方向和畸變率；
24、所述模型迭代單元用于根據(jù)散布模型在本次溯源中的畸變，迭代重構(gòu)模型，并在數(shù)據(jù)庫(kù)中更新訓(xùn)練數(shù)據(jù)。
25、一種基于人工智能的監(jiān)管大模型構(gòu)建方法，包括以下步驟：
26、步驟s1.根據(jù)各類商品的使用特征，對(duì)商品進(jìn)行散布模擬，得到散布距離的概率分布函數(shù)，標(biāo)注經(jīng)營(yíng)商家，并根據(jù)歷史銷售記錄預(yù)測(cè)商家對(duì)各類商品的銷售量；
27、步驟s2.以經(jīng)營(yíng)商家為中心點(diǎn)，商品的分布距離作為散布半徑，商品銷售量作為散布密度，構(gòu)建全域商品散布模型，并將初始訓(xùn)練數(shù)據(jù)輸入商品散布模型，重構(gòu)商品散布模型的注意力函數(shù)；
28、步驟s3.發(fā)現(xiàn)問(wèn)題商品后，以發(fā)現(xiàn)位置為中心，在抽檢半徑內(nèi)進(jìn)行抽檢，并隨機(jī)選擇散布概率高于閾值的商品作為參照商品同時(shí)抽檢，標(biāo)記所有商品的類型、抽檢位置和抽檢結(jié)果；
29、步驟s4.利用ai分類模型針對(duì)問(wèn)題商品和參照商品的散布密度對(duì)商品來(lái)源進(jìn)行分類，由分類結(jié)果輸出單一來(lái)源的問(wèn)題商品在抽檢半徑內(nèi)的密度流函數(shù)，并以函數(shù)偏導(dǎo)值最大時(shí)指向的方向?yàn)閿U(kuò)散方向，對(duì)各來(lái)源的擴(kuò)散方向進(jìn)行聚類，由各商家與聚類結(jié)果的距離確定問(wèn)題商品來(lái)源；
30、步驟s5.檢測(cè)到來(lái)源商家后，由問(wèn)題商品的實(shí)際散布狀態(tài)與模擬散布狀態(tài)間的差異，擬合散布模擬結(jié)果的偏差方向和畸變率，并迭代重構(gòu)模型，在數(shù)據(jù)庫(kù)中更新訓(xùn)練數(shù)據(jù)。
31、進(jìn)一步的，步驟s1包括：
32、步驟s11.根據(jù)商品的使用特征對(duì)商品散布進(jìn)行模擬，得到商品散布距離的概率分布函數(shù)f(r)，其中r代表商品的散布距離，所述使用特征包括：商品的重量、體積、保質(zhì)期和使用地點(diǎn)，進(jìn)行散布模擬的工具包括：monte?carlo模擬、copula模型模擬和bootstrap模擬；
33、步驟s12.在電子地圖上標(biāo)注經(jīng)營(yíng)商家，獲取商家在歷史商品銷售量函數(shù)h(d)，其中d代表日期，并預(yù)測(cè)商家在當(dāng)前日期的銷售量：
34、
35、其中，q代表商家在當(dāng)前日期的銷售量，d0代表歷史銷售量記錄的最大天數(shù)，v代表預(yù)設(shè)的人流量變化指數(shù)，h(i)代表歷史記錄中第i天的銷售量。
36、進(jìn)一步的，步驟s2包括：
37、本文檔來(lái)自技高網(wǎng)...
【技術(shù)保護(hù)點(diǎn)】
1.一種基于人工智能的監(jiān)管大模型構(gòu)建方法，其特征在于，所述方法包括以下步驟：
2.根據(jù)權(quán)利要求1所述的一種基于人工智能的監(jiān)管大模型構(gòu)建方法，其特征在于：步驟S1包括：
3.根據(jù)權(quán)利要求2所述的一種基于人工智能的監(jiān)管大模型構(gòu)建方法，其特征在于：步驟S2包括：
4.根據(jù)權(quán)利要求3所述的一種基于人工智能的監(jiān)管大模型構(gòu)建方法，其特征在于：步驟S3包括：
5.根據(jù)權(quán)利要求4所述的一種基于人工智能的監(jiān)管大模型構(gòu)建方法，其特征在于：步驟S4包括：
6.一種基于人工智能的監(jiān)管大模型構(gòu)建系統(tǒng)，其特征在于，所述系統(tǒng)包括以下模塊：原始數(shù)據(jù)模塊、模型訓(xùn)練模塊、商品抽檢模塊、監(jiān)管定位模塊和智能訓(xùn)練模塊；
7.根據(jù)權(quán)利要求6所述的一種基于人工智能的監(jiān)管大模型構(gòu)建系統(tǒng)，其特征在于：所述原始數(shù)據(jù)模塊包括：商品特征單元和經(jīng)營(yíng)地圖單元；
8.根據(jù)權(quán)利要求7所述的一種基于人工智能的監(jiān)管大模型構(gòu)建系統(tǒng)，其特征在于：所述商品抽檢模塊包括：密度模擬單元、參照抽檢單元和模型調(diào)整單元；
9.根據(jù)權(quán)利要求8所述的一種基于人工智能的監(jiān)管
10.根據(jù)權(quán)利要求9所述的一種基于人工智能的監(jiān)管大模型構(gòu)建系統(tǒng)，其特征在于：所述智能訓(xùn)練模塊包括：擴(kuò)散畸變單元、AI模擬單元和模型迭代單元；
...【技術(shù)特征摘要】
1.一種基于人工智能的監(jiān)管大模型構(gòu)建方法，其特征在于，所述方法包括以下步驟：
2.根據(jù)權(quán)利要求1所述的一種基于人工智能的監(jiān)管大模型構(gòu)建方法，其特征在于：步驟s1包括：
3.根據(jù)權(quán)利要求2所述的一種基于人工智能的監(jiān)管大模型構(gòu)建方法，其特征在于：步驟s2包括：
4.根據(jù)權(quán)利要求3所述的一種基于人工智能的監(jiān)管大模型構(gòu)建方法，其特征在于：步驟s3包括：
5.根據(jù)權(quán)利要求4所述的一種基于人工智能的監(jiān)管大模型構(gòu)建方法，其特征在于：步驟s4包括：
6.一種基于人工智能的監(jiān)管大模型構(gòu)建系統(tǒng)，其特征在于，所述系統(tǒng)包括以下模塊：原始數(shù)據(jù)模塊、模型訓(xùn)練模塊、商品抽檢模塊...
【專利技術(shù)屬性】
技術(shù)研發(fā)人員：徐勇，何萌，
申請(qǐng)(專利權(quán))人：北京永杰友信科技有限公司，
類型：發(fā)明
國(guó)別省市：
還沒(méi)有人留言評(píng)論。發(fā)表了對(duì)其他瀏覽者有用的留言會(huì)獲得科技券。