买专利卖专利找龙图腾，真高效！ 查专利查商标用IPTOP,全免费！专利年费监控用IP管家,真方便！

申请/专利权人：泽瀚软件科技(常州)有限公司

摘要：本发明公开了网络货运油品抵扣信息监管方法及系统，具体涉车辆真实油耗监管领域，用于解决真实油耗异常检测问题，是通过大数据算法分析车辆的历史运行数据，通过量化特征以及特征对数据纯度的贡献方向的评估，筛选重要特征来进行聚类训练，划分行驶条件类别。在实时分析中，通过聚类标签分布和性能指标评估模型稳定性和解释力，计算解释力退化系数，动态调整油耗异常检测的阈值范围，对当前时间段内的油耗异常情况进行识别和评估。不仅能够校验车辆实际用油的真实性和合理性，还从税务角度便捷地判定企业油品进项发票抵扣的合理性，确保提供高效、准确的油耗监管方案，增强油耗检测的敏感性和可靠性，为企业和税务部门提供可靠的决策支持。

主权项：1.网络货运油品抵扣信息监管方法，其特征在于：S1，收集车辆的历史运行数据，通过贝叶斯推断结合马尔可夫链蒙特卡罗对回归系数的后验分布进行采样，量化特征对油耗的贡献和不确定性，并结合通过每棵树在节点分裂时的Gini增益来评估特征对数据纯度提升的贡献，综合提取和筛选出对油耗影响显著的重要特征；S2，将筛选后的重要特征数据输入到聚类算法中，进行模型训练，依据确定最优的聚类数量，划分出不同的行驶条件类别；S3，提取当前时间段内的对应于重要特征的数据，输入已训练好的聚类模型中，获取聚类标签，分析现有的聚类模型对于当前数据的解释能力，通过聚类标签分布分析和聚类性能指标计算，评估模型的稳定性和一致性，获得解释力退化系数，以判断聚类模型在当前时间段内的解释能力；S4，在解释能力达标时，根据步骤S3获得的标签，统计当前时间段内超过异常得分阈值的数据点比例，综合评估当前时间段的油耗异常情况；S5，使用解释力退化系数调整油耗异常检测的阈值范围，对当前时间段的油耗异常情况的评估标准进行动态调整；通过贝叶斯推断结合马尔可夫链蒙特卡罗方法对回归系数的后验分布进行采样，量化特征对油耗的贡献和不确定性，具体计算过程如下：S11-1，将油耗和特征矩阵之间的关系表示为线性回归模型，其中油耗是特征的线性组合，结合随机误差项；回归系数和误差项分别假设服从多元正态分布和逆伽马分布；S11-2，设定回归系数和误差项的先验分布，回归系数的先验分布为多元正态分布，均值为零，协方差矩阵为正则化参数乘以单位矩阵；误差项的先验分布为逆伽马分布，形状参数和尺度参数为常数；S11-3，通过Gibbs采样从后验分布中采样回归系数和误差项：a1，设定回归系数和误差项的初始值；a2，在给定当前误差项的情况下，从条件后验分布中采样回归系数；计算回归系数的均值和协方差矩阵，均值由特征矩阵的转置乘以特征矩阵，再加上正则化参数乘以单位矩阵的逆矩阵，乘以特征矩阵的转置再乘以油耗向量得到；协方差矩阵为特征矩阵的转置乘以特征矩阵再加上正则化参数乘以单位矩阵的逆矩阵，再乘以当前误差项的方差；a3，在给定当前回归系数的情况下，从条件后验分布中采样误差项；误差项的形状参数为先验形状参数加上数据点数量的一半，尺度参数为先验尺度参数加上当前油耗减去特征矩阵乘以回归系数的平方和的一半；a4，重复采样回归系数和误差项的步骤，直到采样结果收敛，得到回归系数的稳定样本分布；S11-4，通过马尔可夫链蒙特卡罗采样，得到每个特征回归系数的样本分布；S11-5，计算每个特征的量化贡献和不确定性：计算每个特征回归系数样本的均值，表示特征的平均贡献；计算每个特征回归系数样本的标准差，表示特征贡献的不确定性；将均值的绝对值除以标准差获得分布贡献权值，表示特征的相对重要性；将卓越性指数和分布贡献权值综合起来提取和筛选出对油耗影响显著的重要特征，获得融合优越度系数，具体为：对每个特征的卓越性指数和分布贡献权值进行归一化处理；通过预设的权重系数对归一化后的卓越性指数和分布贡献权值进行加权平均，得到每个特征的融合优越度系数；将所有特征的融合优越度系数按照从大到小的顺序进行排序，选择融合优越度系数大于筛选阈值的特征作为对油耗影响显著的重要特征，并将其标记为重要特征。

全文数据：

权利要求：

百度查询： 泽瀚软件科技(常州)有限公司 网络货运油品抵扣信息监管方法及系统