基于改进LSTM的多源时序卷烟审计数据分析方法

摘要

卷烟审计数据记录了卷烟业务平台数据全生命周期加工演化过程，对审计数据进行分析有利于发现其中的潜在风险行为。卷烟审计数据具有强时空关联特性，目前仍缺乏有针对性的数据分析方法。利用总体经验模态分解方法对多源审计数据进行模态分解，强化时序特征，并提出一种改进长短期记忆网络，以提高对卷烟审计数据的长时序特征提取能力。针对湖北省卷烟审计数据库数据的实验结果显示，该方法的预测查全率比现有机器学习方法提高了50%，预测查准率比现有机器学习方法提高了20%。

0 引言

对卷烟销售和经营活动进行严格的规范化管理是烟草行业专卖专营体制的内在要求。卷烟生产、销售网络非常庞大，面对纷繁复杂的卷烟业务系统和数据，如何挖掘和利用其中的信息和知识，从而准确、高效地识别潜在风险行为成为卷烟专卖专营管理的核心任务和需求。当前卷烟专营网络中拥有众多的独立运行子系统，数据纷杂，包括营销、物流、烟叶、专卖等十余个业务子领域。直接分析各个子系统数据并不能充分利用业务平台数据，充分发现卷烟业务平台中的潜在风险行为。卷烟专营网络平台中的审计子系统按照审计计划管理模块定义的审计任务和审计数据，对卷烟网络平台中的业务数据备份、审计。审计数据覆盖多个卷烟平台子系统，而且可以定义数据清理操作，提高多源审计数据的数据质量。因此，针对卷烟审计数据开展挖掘和分析，将会更加准确、高效地发现