一种业务数据的报表生成方法技术

本申请公开了一种业务数据报表生成方法

【技术实现步骤摘要】
一种业务数据的报表生成方法、装置、设备及存储介质


[0001]本申请涉及大数据领域，尤其涉及一种业务数据的报表生成方法
、
装置
、
设备及存储介质
。

技术介绍

[0002]为满足金融监管机构的监管需要，金融机构
(
如银行
、
金融公司和保险公司
)
需要将受监管的业务数据向金融监管机构进行报送
。
[0003]在相关技术中，往往是由业务人员根据业务数据，手动生成业务数据对应的报表
。
[0004]由于业务数据的数据量巨大，由业务人员手动生成业务数据对应的报表的效率低下
。

技术实现思路

[0005]有鉴于此，本申请提供了一种业务数据的报表生成方法
、
装置
、
设备及存储介质，旨在提升生成业务数据对应的报表的效率
。
[0006]第一方面，本申请提供了一种业务数据的报表生成方法，所述方法包括：
[0007]获取业务数据，所述业务数据为需要向监管机构报送的业务数据，所述业务数据至少包括理财产品的基础信息业务数据
、
理财产品的投资明细信息业务数据和合同交易的信息业务数据中的一种；
[0008]将所述业务数据输入至预先训练的深度
Q
值网络报表模型中，利用所述深度
Q
值网络报表模型，生成所述业务数据对应的报表
。
[0009]可选地，所述深度r/>Q
值网络报表模型的构建包括状态空间
、
动作空间
、
奖励函数和目标函数；其中，所述状态空间包括报表信息
、
所述报表信息对应的数据库语句以及数值型核对数据，所述动作空间包括生成报表样式和对比数值型核对数据，所述奖励函数表示当前状态选择动作得到的结果，所述目标函数表示最终的目标值
。
[0010]可选地，所述深度
Q
值网络报表模型是通过如下方式得到的：
[0011]获取训练数据集，所述训练数据集包括历史业务数据；
[0012]利用所述训练数据集，对所述深度
Q
值网络报表模型进行训练，并基于反向传播算法优化所述深度
Q
值网络报表模型的模型参数，直至达到模型收敛条件时，得到所述深度
Q
值网络报表模型
。
[0013]可选地，在所述深度
Q
值网络报表模型之后，所述方法还包括：
[0014]利用测试数据集，对所述深度
Q
值网络报表模型进行测试
。
[0015]可选地，所述方法还包括：
[0016]获取所述深度
Q
值网络报表模型的更新数据集；
[0017]利用所述更新数据集，训练所述深度
Q
值网络报表模型，得到更新后的深度
Q
值网络报表模型
。
[0018]可选地，在所述获取业务数据之后，所述方法还包括：
[0019]利用预设清洗规则，对所述业务数据进行清洗，得到清洗后的业务数据；
[0020]将所述清洗后的业务数据进行整合，得到符合预设标准的业务数据
。
[0021]第二方面，本申请提供了一种业务数据的报表生成装置，所述装置包括：
[0022]获取模块，用于获取业务数据，所述业务数据为需要向监管机构报送的业务数据，所述业务数据至少包括理财产品的基础信息业务数据
、
理财产品的投资明细信息业务数据和合同交易的信息业务数据中的一种；
[0023]生成模块，用于将所述业务数据输入至预先训练的深度
Q
值网络报表模型中，利用所述深度
Q
值网络报表模型，生成所述业务数据对应的报表
。
[0024]可选地，所述深度
Q
值网络报表模型的构建包括状态空间
、
动作空间
、
奖励函数和目标函数；其中，所述状态空间包括报表信息
、
所述报表信息对应的数据库语句以及数值型核对数据，所述动作空间包括生成报表样式和对比数值型核对数据，所述奖励函数表示当前状态选择动作得到的结果，所述目标函数表示最终的目标值
。
[0025]可选地，所述深度
Q
值网络报表模型是通过如下方式得到的：
[0026]获取训练数据集，所述训练数据集包括历史业务数据；
[0027]利用所述训练数据集，对所述深度
Q
值网络报表模型进行训练，并基于反向传播算法优化所述深度
Q
值网络报表模型的模型参数，直至达到模型收敛条件时，得到所述深度
Q
值网络报表模型
。
[0028]可选地，在所述深度
Q
值网络报表模型之后，所述装置还包括：
[0029]测试模块，用于利用测试数据集，对所述深度
Q
值网络报表模型进行测试
。
[0030]可选地，所述获取模块还用于获取所述深度
Q
值网络报表模型的更新数据集；
[0031]所述装置还包括更新模块，用于利用所述更新数据集，训练所述深度
Q
值网络报表模型，得到更新后的深度
Q
值网络报表模型
。
[0032]可选地，在所述获取业务数据之后，所述装置还包括：
[0033]清洗模块，用于利用预设清洗规则，对所述业务数据进行清洗，得到清洗后的业务数据；
[0034]整合模块，用于将所述清洗后的业务数据进行整合，得到符合预设标准的业务数据
。
[0035]第三方面，本申请实施例提供了一种电子设备，所述电子设备包括：
[0036]存储器，用于存储一个或多个程序；
[0037]处理器；当所述一个或多个程序被所述处理器执行时，实现前述第一方面任一项所述的业务数据的报表生成方法
。
[0038]第四方面，本申请实施例提供了一种计算机存储介质，所述计算机存储介质中存储有程序，当所述程序被处理器执行时，实现前述第一方面任一项所述的业务数据的报表生成方法
。
[0039]上述技术方案具有如下有益效果：
[0040]本申请实施例提供了一种业务数据的报表生成方法
、
装置
、
设备及存储介质
。
在执行所述方法时，首先获取业务数据；其中，所述业务数据为需要向监管机构报送的业务数据；然后将所述业务数据输入至预先训练的深度
Q
值网络报表模型中，利用所述深度
Q
值网络报表模型，生成所述业务数据对应的报表
。
[0041]这样一来，通过获取理财产品的基础信息业务数据...

【技术保护点】

【技术特征摘要】
1.
一种业务数据的报表生成方法，其特征在于，所述方法包括：获取业务数据，所述业务数据为需要向监管机构报送的业务数据，所述业务数据至少包括理财产品的基础信息业务数据
、
理财产品的投资明细信息业务数据和合同交易的信息业务数据中的一种；将所述业务数据输入至预先训练的深度
Q
值网络报表模型中，利用所述深度
Q
值网络报表模型，生成所述业务数据对应的报表
。2.
根据权利要求1所述的方法，其特征在于，所述深度
Q
值网络报表模型的构建包括状态空间
、
动作空间
、
奖励函数和目标函数；其中，所述状态空间包括报表信息
、
所述报表信息对应的数据库语句以及数值型核对数据，所述动作空间包括生成报表样式和对比数值型核对数据，所述奖励函数表示当前状态选择动作得到的结果，所述目标函数表示最终的目标值
。3.
根据权利要求1所述的方法，其特征在于，所述深度
Q
值网络报表模型是通过如下方式得到的：获取训练数据集，所述训练数据集包括历史业务数据；利用所述训练数据集，对所述深度
Q
值网络报表模型进行训练，并基于反向传播算法优化所述深度
Q
值网络报表模型的模型参数，直至达到模型收敛条件时，得到所述深度
Q
值网络报表模型
。4.
根据权利要求3所述的方法，其特征在于，在生成所述深度
Q
值网络报表模型之后，所述方法还包括：利用测试数据集，对所述深度
Q
值网络报表模型进行测试
。5.
根据权利要求3所述的方法，其特征在于，所述方法还包括：获取所述深度
Q
值网络报表模型的更新数据集；...

【专利技术属性】
技术研发人员：王沛尧，温灏，孙海鑫，
申请(专利权)人：中国银行股份有限公司，
类型：发明
国别省市：