一种计算差旅补助的方法、系统、设备和存储介质

技术领域

本发明涉及计算机应用领域，更具体地，特别是指一种计算差旅补助的方法、系统、设备和存储介质。

背景技术

根据出差人、出差地点、出差日期确定差旅补助是所有ERP差旅报销系统中的公共需求。对于复杂的单次报销多次出差、中转站、出入境等场景，单纯地靠审核人员人眼识别计算，存在补助计算错误的情况。对于传统的ERP系统来说，补助天数计算通过暴力枚举方式也存在计算错误、维护困难等问题。如何建立合适的模型，快速准确地计算出差旅补助成为大企业的一大痛点，是一亟待解决和优化的问题。

发明内容

有鉴于此，本发明实施例的目的在于提出一种计算差旅补助的方法、系统、计算机设备及计算机可读存储介质，本发明提高了差旅补助计算的效率和准确性，对比传统的差旅补助计算，本发明不再需要实施人员配置复杂的计算表达式，降低了系统的初始工作量；该方式对淡旺季补助、出入境天数、出差多次中转等场景，根据已有数据的归纳分类，可以自动计算差旅补助，并且满足后续业务的扩展，降低制单复杂度提高制单效率的同时，提高差旅补助想关数据可信度和完整性，为后续稽核人员办理单据提供了方便。

基于上述目的，本发明实施例的一方面提供了一种计算差旅补助的方法，包括如下步骤：通过遗传算法搜索预设数量个满足要求的差旅行程样本作为训练样本，并将最优差旅行程样本作为BP神经网络的初始权重和阈值；根据所述初始权重和阈值构建BP神经网络模型，并使用所述训练样本对所述BP神经网络模型进行训练直到精度满足要求；响应于接收到待计算的差旅行程，获取所述差旅行程中的出差人、出发到达地、出发到达时间字段分量；以及将所述字段分量输入训练好的BP神经网络模型中计算出差旅补助的值。

在一些实施方式中，所述通过遗传算法搜索预设数量个满足要求的差旅行程样本作为训练样本包括：随机生成预设数量条行程明细数据作为染色体祖先群落，并通过基因交换和变异的方式生成预设数量个新染色体；将所述新染色体和染色体祖先群落中选择计算结果最准确的预设数量个染色体作为新的染色体祖先群落；以及循环上述步骤直到达到循环次数阈值。

在一些实施方式中，所述使用所述训练样本对所述BP神经网络模型进行训练直到精度满足要求包括：在训练过程中自动调整学习率以提高所述BP神经网络模型的训练精度。

在一些实施方式中，所述使用所述训练样本对所述BP神经网络模型进行训练直到精度满足要求包括：输入形成明细训练样本计算各层输出，采用均方根误差作为总误差，并通过各层误差值调整各层的权重。

本发明实施例的另一方面，提供了一种计算差旅补助的系统，包括：处理模块，配置用于通过遗传算法搜索预设数量个满足要求的差旅行程样本作为训练样本，并将最优差旅行程样本作为BP神经网络的初始权重和阈值；构建模块，配置用于根据所述初始权重和阈值构建BP神经网络模型，并使用所述训练样本对所述BP神经网络模型进行训练直到精度满足要求；采集模块，配置用于响应于接收到待计算的差旅行程，获取所述差旅行程中的出差人、出发到达地、出发到达时间字段分量；以及执行模块，配置用于将所述字段分量输入训练好的BP神经网络模型中计算出差旅补助的值。

在一些实施方式中，所述处理模块配置用于：随机生成预设数量条行程明细数据作为染色体祖先群落，并通过基因交换和变异的方式生成预设数量个新染色体；将所述新染色体和染色体祖先群落中选择计算结果最准确的预设数量个染色体作为新的染色体祖先群落；以及循环上述步骤直到达到循环次数阈值。

在一些实施方式中，所述构建模块配置用于：在训练过程中自动调整学习率以提高所述BP神经网络模型的训练精度。

在一些实施方式中，所述构建模块配置用于：输入形成明细训练样本计算各层输出，采用均方根误差作为总误差，并通过各层误差值调整各层的权重。

本发明实施例的又一方面，还提供了一种计算机设备，包括：至少一个处理器；以及存储器，所述存储器存储有可在所述处理器上运行的计算机指令，所述指令由所述处理器执行时实现如上方法的步骤。

本发明实施例的再一方面，还提供了一种计算机可读存储介质，计算机可读存储介质存储有被处理器执行时实现如上方法步骤的计算机程序。

本发明具有以下有益技术效果：提高了差旅补助计算的效率和准确性，对比传统的差旅补助计算，本发明不再需要实施人员配置复杂的计算表达式，降低了系统的初始工作量；该方式对淡旺季补助、出入境天数、出差多次中转等场景，根据已有数据的归纳分类，可以自动计算差旅补助，并且满足后续业务的扩展，降低制单复杂度提高制单效率的同时，提高差旅补助想关数据可信度和完整性，为后续稽核人员办理单据提供了方便。

附图说明

为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的实施例。

图1为本发明提供的计算差旅补助的方法的实施例的示意图；

图2为本发明提供的计算差旅补助的系统的实施例的示意图；

图3为本发明提供的计算差旅补助的计算机设备的实施例的硬件结构示意图；

图4为本发明提供的计算差旅补助的计算机存储介质的实施例的示意图。

具体实施方式

为使本发明的目的、技术方案和优点更加清楚明白，以下结合具体实施例，并参照附图，对本发明实施例进一步详细说明。

需要说明的是，本发明实施例中所有使用“第一”和“第二”的表述均是为了区分两个相同名称非相同的实体或者非相同的参量，可见“第一”“第二”仅为了表述的方便，不应理解为对本发明实施例的限定，后续实施例对此不再一一说明。

本发明实施例的第一个方面，提出了一种计算差旅补助的方法的实施例。图1示出的是本发明提供的计算差旅补助的方法的实施例的示意图。

如图1所示，本发明实施例包括如下步骤：

S1、通过遗传算法搜索预设数量个满足要求的差旅行程样本作为训练样本，并将最优差旅行程样本作为BP神经网络的初始权重和阈值；

S2、根据所述初始权重和阈值构建BP神经网络模型，并使用所述训练样本对所述BP神经网络模型进行训练直到精度满足要求；

S3、响应于接收到待计算的差旅行程，获取所述差旅行程中的出差人、出发到达地、出发到达时间字段分量；以及

S4、将所述字段分量输入训练好的BP神经网络模型中计算出差旅补助的值。

通过遗传算法搜索预设数量个满足要求的差旅行程样本作为训练样本，并将最优差旅行程样本作为BP神经网络的初始权重和阈值。

在一些实施方式中，所述通过遗传算法搜索预设数量个满足要求的差旅行程样本作为训练样本包括：随机生成预设数量条行程明细数据作为染色体祖先群落，并通过基因交换和变异的方式生成预设数量个新染色体；将所述新染色体和染色体祖先群落中选择计算结果最准确的预设数量个染色体作为新的染色体祖先群落；以及循环上述步骤直到达到循环次数阈值。

建立行程明细方案类之间的关系，包括定义行程明细唯一表示TravelGuid，定义出发城市TravelStart、到达城市TravelEnd、出发日期DepartureDate、到达日期ArrivalDate、出差天数TravelDays和出差补助TravelAllowance，该六个属性组成一条行程明细，作为染色体的一组基因。

初始阶段，随机生成第一数量条行程明细数据，作为染色体祖先群落，群落中的每个染色体，代表一种补助计算结果。通过基因互换和变异的方式，分别生成第二数量个和第三数量个新染色体，第二数量和第三数量的和等于第一数量。把新生成的第一数量个染色体和原来的第一数量个祖先染色体放在一起，对其差旅补助计算结果准确度进行排序，从中选出补助计算结果最准确的第一数量组染色体，作为本次进化的优胜者。用优胜组替换原来的祖先群落然后循环之前的步骤，达到循环上限后，返回的最优染色体序列解，作为最优个体。

根据所述初始权重和阈值构建BP神经网络模型，并使用所述训练样本对所述BP神经网络模型进行训练直到精度满足要求。

用K-均值方法对每行行程进行聚类。提取出行程的出差人、出发到达地、出发到达离开日期字段。把每行行程的出差人、出发到达地、出发到达离开日期字段作为行程的三个特征，把它们作为神经网络的输入。把一部分提取出的行程特征作为训练样本训练BP网络。

对权值矩阵W、V2赋随机数，将样本模式计数器p和训练次数计数器q置为1，误差E置0，学习率η设为0～1内的小数，网络训练后达到的精度Emin设为一个正的小数。

在一些实施方式中，所述使用所述训练样本对所述BP神经网络模型进行训练直到精度满足要求包括：在训练过程中自动调整学习率以提高所述BP神经网络模型的训练精度。

在一些实施方式中，所述使用所述训练样本对所述BP神经网络模型进行训练直到精度满足要求包括：输入形成明细训练样本计算各层输出，采用均方根误差作为总误差，并通过各层误差值调整各层的权重。

输入行程明细训练样本，计算各层输出，用当前样本对X和d序列赋值。X为输入，d为每一个输入对应的输出。计算网络输出误差，设共有P条训练样本，神经网络对于不同的样本具有不同的误差，采用均方根误差作为总误差。计算各层误差信号，调整各层权值。检查是否对所有样本完成一次轮训，若未完成对所有样本的轮询，则计数器增1，返回计算网络输出误差的步骤并继续后续步骤，否则检查网络总误差是否达到补助计算精度要求。

响应于接收到待计算的差旅行程，获取所述差旅行程中的出差人、出发到达地、出发到达时间字段分量。将所述字段分量输入训练好的BP神经网络模型中计算出差旅补助的值。读取全新的行程明细数据，用K-均值聚类，提取出差人、出发到达地、出发到达离开日期字段分量输入到训练好的神经网络，即可自动计算差旅补助。

需要特别指出的是，上述计算差旅补助的方法的各个实施例中的各个步骤均可以相互交叉、替换、增加、删减，因此，这些合理的排列组合变换之于计算差旅补助的方法也应当属于本发明的保护范围，并且不应将本发明的保护范围局限在实施例之上。

基于上述目的，本发明实施例的第二个方面，提出了一种计算差旅补助的系统。如图2所示，系统200包括如下模块：处理模块，配置用于通过遗传算法搜索预设数量个满足要求的差旅行程样本作为训练样本，并将最优差旅行程样本作为BP神经网络的初始权重和阈值；构建模块，配置用于根据所述初始权重和阈值构建BP神经网络模型，并使用所述训练样本对所述BP神经网络模型进行训练直到精度满足要求；采集模块，配置用于响应于接收到待计算的差旅行程，获取所述差旅行程中的出差人、出发到达地、出发到达时间字段分量；以及执行模块，配置用于将所述字段分量输入训练好的BP神经网络模型中计算出差旅补助的值。

在一些实施方式中，所述处理模块配置用于：随机生成预设数量条行程明细数据作为染色体祖先群落，并通过基因交换和变异的方式生成预设数量个新染色体；将所述新染色体和染色体祖先群落中选择计算结果最准确的预设数量个染色体作为新的染色体祖先群落；以及循环上述步骤直到达到循环次数阈值。

在一些实施方式中，所述构建模块配置用于：在训练过程中自动调整学习率以提高所述BP神经网络模型的训练精度。

在一些实施方式中，所述构建模块配置用于：输入形成明细训练样本计算各层输出，采用均方根误差作为总误差，并通过各层误差值调整各层的权重。

基于上述目的，本发明实施例的第三个方面，提出了一种计算机设备，包括：至少一个处理器；以及存储器，存储器存储有可在处理器上运行的计算机指令，指令由处理器执行以实现如下步骤：S1、通过遗传算法搜索预设数量个满足要求的差旅行程样本作为训练样本，并将最优差旅行程样本作为BP神经网络的初始权重和阈值；S2、根据所述初始权重和阈值构建BP神经网络模型，并使用所述训练样本对所述BP神经网络模型进行训练直到精度满足要求；S3、响应于接收到待计算的差旅行程，获取所述差旅行程中的出差人、出发到达地、出发到达时间字段分量；以及S4、将所述字段分量输入训练好的BP神经网络模型中计算出差旅补助的值。

在一些实施方式中，所述通过遗传算法搜索预设数量个满足要求的差旅行程样本作为训练样本包括：随机生成预设数量条行程明细数据作为染色体祖先群落，并通过基因交换和变异的方式生成预设数量个新染色体；将所述新染色体和染色体祖先群落中选择计算结果最准确的预设数量个染色体作为新的染色体祖先群落；以及循环上述步骤直到达到循环次数阈值。

在一些实施方式中，所述使用所述训练样本对所述BP神经网络模型进行训练直到精度满足要求包括：在训练过程中自动调整学习率以提高所述BP神经网络模型的训练精度。

在一些实施方式中，所述使用所述训练样本对所述BP神经网络模型进行训练直到精度满足要求包括：输入形成明细训练样本计算各层输出，采用均方根误差作为总误差，并通过各层误差值调整各层的权重。

如图3所示，为本发明提供的上述计算差旅补助的计算机设备的一个实施例的硬件结构示意图。

以如图3所示的装置为例，在该装置中包括一个处理器301以及一个存储器302。

处理器301和存储器302可以通过总线或者其他方式连接，图3中以通过总线连接为例。

存储器302作为一种非易失性计算机可读存储介质，可用于存储非易失性软件程序、非易失性计算机可执行程序以及模块，如本申请实施例中的计算差旅补助的方法对应的程序指令/模块。处理器301通过运行存储在存储器302中的非易失性软件程序、指令以及模块，从而执行服务器的各种功能应用以及数据处理，即实现计算差旅补助的方法。

存储器302可以包括存储程序区和存储数据区，其中，存储程序区可存储操作系统、至少一个功能所需要的应用程序；存储数据区可存储根据计算差旅补助的方法的使用所创建的数据等。此外，存储器302可以包括高速随机存取存储器，还可以包括非易失性存储器，例如至少一个磁盘存储器件、闪存器件、或其他非易失性固态存储器件。在一些实施例中，存储器302可选包括相对于处理器301远程设置的存储器，这些远程存储器可以通过网络连接至本地模块。上述网络的实例包括但不限于互联网、企业内部网、局域网、移动通信网及其组合。

一个或者多个计算差旅补助的方法对应的计算机指令303存储在存储器302中，当被处理器301执行时，执行上述任意方法实施例中的计算差旅补助的方法。

执行上述计算差旅补助的方法的计算机设备的任何一个实施例，可以达到与之对应的前述任意方法实施例相同或者相类似的效果。

本发明还提供了一种计算机可读存储介质，计算机可读存储介质存储有被处理器执行时执行计算差旅补助的方法的计算机程序。

如图4所示，为本发明提供的上述计算差旅补助的计算机存储介质的一个实施例的示意图。以如图4所示的计算机存储介质为例，计算机可读存储介质401存储有被处理器执行时执行如上方法的计算机程序402。

最后需要说明的是，本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程，可以通过计算机程序来指令相关硬件来完成，计算差旅补助的方法的程序可存储于一计算机可读取存储介质中，该程序在执行时，可包括如上述各方法的实施例的流程。其中，程序的存储介质可为磁碟、光盘、只读存储记忆体(ROM)或随机存储记忆体(RAM)等。上述计算机程序的实施例，可以达到与之对应的前述任意方法实施例相同或者相类似的效果。

以上是本发明公开的示例性实施例，但是应当注意，在不背离权利要求限定的本发明实施例公开的范围的前提下，可以进行多种改变和修改。根据这里描述的公开实施例的方法权利要求的功能、步骤和/或动作不需以任何特定顺序执行。此外，尽管本发明实施例公开的元素可以以个体形式描述或要求，但除非明确限制为单数，也可以理解为多个。

应当理解的是，在本文中使用的，除非上下文清楚地支持例外情况，单数形式“一个”旨在也包括复数形式。还应当理解的是，在本文中使用的“和/或”是指包括一个或者一个以上相关联地列出的项目的任意和所有可能组合。

上述本发明实施例公开实施例序号仅仅为了描述，不代表实施例的优劣。

本领域普通技术人员可以理解实现上述实施例的全部或部分步骤可以通过硬件来完成，也可以通过程序来指令相关的硬件完成，程序可以存储于一种计算机可读存储介质中，上述提到的存储介质可以是只读存储器，磁盘或光盘等。

所属领域的普通技术人员应当理解：以上任何实施例的讨论仅为示例性的，并非旨在暗示本发明实施例公开的范围(包括权利要求)被限于这些例子；在本发明实施例的思路下，以上实施例或者不同实施例中的技术特征之间也可以进行组合，并存在如上的本发明实施例的不同方面的许多其它变化，为了简明它们没有在细节中提供。因此，凡在本发明实施例的精神和原则之内，所做的任何省略、修改、等同替换、改进等，均应包含在本发明实施例的保护范围之内。