CN110414709A - 债务风险智能预测方法、装置及计算机可读存储介质 - Google Patents
债务风险智能预测方法、装置及计算机可读存储介质 Download PDFInfo
- Publication number
- CN110414709A CN110414709A CN201910526317.1A CN201910526317A CN110414709A CN 110414709 A CN110414709 A CN 110414709A CN 201910526317 A CN201910526317 A CN 201910526317A CN 110414709 A CN110414709 A CN 110414709A
- Authority
- CN
- China
- Prior art keywords
- data
- layer
- enterprise
- input
- training
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
- 238000012549 training Methods 0.000 claims abstract description 115
- 230000006870 function Effects 0.000 claims description 29
- 238000010606 normalization Methods 0.000 claims description 24
- 238000009825 accumulation Methods 0.000 claims description 22
- 230000004913 activation Effects 0.000 claims description 18
- 238000000034 method Methods 0.000 claims description 15
- 239000011159 matrix material Substances 0.000 claims description 6
- 230000008859 change Effects 0.000 claims description 5
- 238000013473 artificial intelligence Methods 0.000 abstract description 2
- 238000005516 engineering process Methods 0.000 abstract description 2
- 238000010586 diagram Methods 0.000 description 6
- 238000012545 processing Methods 0.000 description 6
- 238000004891 communication Methods 0.000 description 4
- 230000001537 neural effect Effects 0.000 description 3
- 230000008569 process Effects 0.000 description 3
- 238000011156 evaluation Methods 0.000 description 2
- 238000012886 linear function Methods 0.000 description 2
- 239000004973 liquid crystal related substance Substances 0.000 description 2
- 238000013480 data collection Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000000151 deposition Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000010295 mobile communication Methods 0.000 description 1
- 230000002265 prevention Effects 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/063—Operations research, analysis or management
- G06Q10/0635—Risk analysis of enterprise or organisation activities
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q40/00—Finance; Insurance; Tax strategies; Processing of corporate or income taxes
- G06Q40/12—Accounting
- G06Q40/125—Finance or payroll
Abstract
本发明涉及一种人工智能技术,揭露了一种债务风险智能预测方法,包括:数据收集层接收企业财务数据及盈亏标签,并对所述企业财务数据进行分类和归一化后与所述盈亏标签共同存入数据库中;当所述数据库数据的数量达到数据库阈值时,所述数据库报警提示数据训练层接收所述数据库数据,同时所述数据库阈值自动增大,所述数据训练层接收数据库数据后训练,直至所述数据训练层的损失函数值满足数据训练层阈值要求时退出训练;接收用户的企业财务数据,利用所述数据收集层和所述数据训练层进行债务风险预测,输出企业债务风险预测结果。本发明还提出一种债务风险智能预测装置以及一种计算机可读存储介质。本发明可以实现精准的债务风险智能预测功能。
Description
技术领域
本发明涉及人工智能技术领域,尤其涉及一种基于数据输入自动生成的债务风险智能预测方法、装置及计算机可读存储介质。
背景技术
长期以来,公共资产家底不清、国有资产使用效率不高、存在利益寻租等问题,在当前大数据、云计算、移动通讯、网络社交等技术创新发展的大背景下,如何采用更多智能化的技术掌握政府资产整体动态和国有资产变动情况,防控政府债务风险,解决长期困扰地方政府的资产负债多头管理、数据提取问题一直是政府思考和探索的课题。传统的资产分析方案很少关注到金融资产全流程的自动化管理,主要存在以下缺陷:第一,单从评价指标方面计算衡量企业的资产负债情况,一方面数据量庞大繁冗,对于资产评价效果造成很大挑战;另一方面企业数据非透明化,对地方政府进行资产负债评估极为不便。第二,资产管理没有实现自动化,人为主观因素太多,很难定量进行全方位的资产评估。
发明内容
本发明提供一种债务风险智能预测方法、装置及计算机可读存储介质,其主要目的在于当用户输入企业财务数据后,给用户呈现出精准的企业债务风险预测。
为实现上述目的,本发明提供的一种债务风险智能预测方法,包括:
数据接收步骤:利用数据收集层接收企业财务数据及盈亏标签,并依据所述企业财务数据是支出或收入情况,对所述企业财务数据进行分类,对分类后的所述企业财务数据进行归一化处理,将归一化处理后的所述企业财务数据及所述盈亏标签存入数据库中;
训练步骤:当所述数据库数据的数量达到数据库阈值,报警提示数据训练层接收所述数据库数据,同时所述数据库阈值自动增大,利用所述接收的数据库数据对所述数据训练层训练,直至所述数据训练层的损失函数值满足数据训练层阈值要求时退出训练;
预测步骤:接收用户的企业财务数据,利用所述数据收集层和所述数据训练层进行债务风险预测,输出企业债务风险预测结果。
可选地,所述数据收集层包括输入层、分类层与存储层,所述输入层包括收入输入层与支出输入层,所述收入输入层接收所述企业财务数据的收入数据,所述支出输入层接收所述企业财务数据的支出数据,所述存储层接收所述盈亏标签;及
所述数据接收步骤包括:
所述收入输入层接收所述收入数据后,将所述收入数据输入至所述分类层,所述支出输入层接收所述支出数据,将所述支出数据从正数改变为负数并输入至所述分类层;
所述分类层根据归一化原则,对所述支出数据和所述收入数据做归一化处理生成归一化数据,并输入至所述存储层,所述存储层将所述归一化数据与所述盈亏标签输入至数据库中。
可选地,所述训练步骤还包括:
将所述归一化数据输入至所述数据训练层的输入层,训练得出训练值,并将所述盈亏标签输入至损失函数;
利用所述损失函数根据所述训练值与所述盈亏标签计算出损失值,并判断所述损失值与所述阈值的大小,直至所述损失值小于所述阈值退出训练。
可选地,所述数据训练层包括输入层、卷积层、输出层;
其中,所述输入层用于接收输入数据,所述输出层用于输出数据,所述卷积层包括卷积操作、池化操作与激活操作;
所述卷积操作为:
其中ω′为输出数据,ω为输入数据,k为卷积核的大小,s为卷积操作的步幅,p为数据补零矩阵;
所述激活操作为:
其中y为所述激活操作的输出值,e是无理数。
可选地,所述预测步骤包括:
利用所述数据收集层接收用户的企业财务数据,并对所述用户的企业财务数据进行分类后输入至所述数据训练层;
利用所述数据训练层对分类后的所述企业财务数据进行债务风险预测并输出企业债务风险预测结果。
此外,为实现上述目的,本发明还提供一种债务风险智能预测装置,该装置包括存储器和处理器,所述存储器中存储有可在所述处理器上运行的债务风险智能预测程序,所述债务风险智能预测程序被所述处理器执行时实现如下步骤:
数据接收步骤:利用数据收集层接收企业财务数据及盈亏标签,并依据所述企业财务数据是支出或收入情况,对所述企业财务数据进行分类,对分类后的所述企业财务数据进行归一化处理,将归一化处理后的所述企业财务数据及所述盈亏标签存入数据库中;
训练步骤:当所述数据库数据的数量达到数据库阈值,报警提示数据训练层接收所述数据库数据,同时所述数据库阈值自动增大,利用所述接收的数据库数据对所述数据训练层训练,直至所述数据训练层的损失函数值满足数据训练层阈值要求时退出训练;
预测步骤:接收用户的企业财务数据,利用所述数据收集层和所述数据训练层进行债务风险预测,输出企业债务风险预测结果。
可选地,所述数据收集层包括输入层、分类层与存储层,所述输入层包括收入输入层与支出输入层,所述收入输入层接收所述企业财务数据的收入数据,所述支出输入层接收所述企业财务数据的支出数据,所述存储层接收所述盈亏标签;及
所述数据接收步骤包括:
所述收入输入层接收所述收入数据后,将所述收入数据输入至所述分类层,所述支出输入层接收所述支出数据,将所述支出数据从正数改变为负数并输入至所述分类层;
所述分类层根据归一化原则,对所述支出数据和所述收入数据做归一化处理生成归一化数据,并输入至所述存储层,所述存储层将所述归一化数据与所述盈亏标签输入至数据库中。
可选地,所述训练步骤还包括:
将所述归一化数据输入至所述数据训练层的输入层,训练得出训练值,并将所述盈亏标签输入至损失函数;
利用所述损失函数根据所述训练值与所述盈亏标签计算出损失值,并判断所述损失值与所述阈值的大小,直至所述损失值小于所述阈值退出训练。
可选地,所述数据训练层包括输入层、卷积层、输出层;
其中,所述输入层用于接收输入数据,所述输出层用于输出数据,所述卷积层包括卷积操作、池化操作与激活操作;
所述卷积操作为:
其中ω′为输出数据,ω为输入数据,k为卷积核的大小,s为卷积操作的步幅,p为数据补零矩阵;
所述激活操作为:
其中y为所述激活操作的输出值,e是无理数。
此外,为实现上述目的,本发明还提供一种计算机可读存储介质,所述计算机可读存储介质上存储有债务风险智能预测程序,所述债务风险智能预测程序可被一个或者多个处理器执行,以实现如上所述的债务风险智能预测方法的步骤。
本发明提出的债务风险智能预测方法、装置及计算机可读存储介质中,数据收集层接收企业财务数据及盈亏标签,并对所述企业财务数据进行分类和归一化后与所述盈亏标签共同存入数据库中;当所述数据库数据的数量达到数据库阈值,所述数据库报警提示数据训练层接收所述数据库数据,同时所述数据库阈值自动增大,所述数据训练层接收数据库数据后训练,直至所述数据训练层的损失函数值满足数据训练层阈值要求时退出训练;接收用户的企业财务数据,利用所述数据收集层和所述数据训练层进行债务风险预测,输出企业债务风险预测结果。因此,本发明可以实现精准的债务风险智能预测功能。
附图说明
图1为本发明一实施例提供的债务风险智能预测方法的流程示意图;
图2为本发明一实施例提供的债务风险智能预测装置的内部结构示意图;
图3为本发明一实施例提供的债务风险智能预测装置中债务风险智能预测程序的模块示意图。
本发明目的的实现、功能特点及优点将结合实施例,参照附图做进一步说明。
具体实施方式
应当理解,此处所描述的具体实施例仅仅用以解释本发明,并不用于限定本发明。
本发明提供一种债务风险智能预测方法。参照图1所示,为本发明一实施例提供的债务风险智能预测方法的流程示意图。该方法可以由一个装置执行,该装置可以由软件和/或硬件实现。
在本实施例中,债务风险智能预测方法包括:
S1、数据收集层接收企业财务数据及盈亏标签,并依据所述企业财务数据是支出或收入情况,对所述企业财务数据进行分类,对分类后的所述企业财务数据进行归一化处理,将归一化处理后的所述企业财务数据及所述盈亏标签存入数据库中。
本发明较佳实施例数据收集层接收企业财务数据及盈亏标签。所述数据收集层包括输入层、分类层与存储层,所述输入层接收所述企业财务数据,所述输入层包括收入输入层与支出输入层,所述存储层接收所述盈亏标签。所述企业财务数据包括企业年度收入数据、企业年度支出数据、股权占有比例及对应所述股权的股票、企业固定资产、企业专利申请数量、企业未来计划投资项目等。所述盈亏标签分为当前正常盈利和当前已负债两种标签。
本发明较佳实施例所述数据收集层依据所述企业财务数据是支出或收入情况,对所述企业财务数据进行分类。进一步地,所述收入输入层接收所述企业财务数据的收入数据,如包括所述企业年度收入数据、所述企业固定资产、所述企业专利申请数量,所述支出输入层接收所述企业财务数据的支出数据,并将所述企业财务数据的支出数据从正数改变为负数,如包括所述企业年度支出数据、企业未来计划投资项目等。
本发明较佳实施所述的分类层对所述分类后的企业财务数据进行归一化处理,将所述归一化处理后的企业财务数据输入至所述存储层,所述存储层将所述归一化处理后的企业财务数据及所述盈亏标签存入数据库中。进一步地,所述归一化处理可采用最大-最小标准化公式:
其中,y为x归一化完成后的输出值,x为输入值,如企业年度收入数据、企业固定资产等,xmin为所述企业财务数据中数值最小的值,xmax为所述企业财务数据中数值最大的值。所述数据库可采用关系型数据库Oracle构建,所述数据库的表头包括所述企业财务数据的收入情况与所述企业财务数据的支出情况。
S2、当所述数据库数据的数量达到数据库阈值,所述数据库报警提示数据训练层接收所述数据库数据,同时所述数据库阈值自动增大,所述数据训练层接收数据库数据后训练,直至所述数据训练层的损失函数值满足数据训练层阈值要求时退出训练。
本发明较佳实施例所述数据库数据的数量达到数据库阈值,所述数据库报警提示数据训练层接收所述数据库数据,同时所述数据库阈值自动增大。所述数据库阈值可设置为一千的倍数,当所述数据库的数量达到阈值时,所述数据库采用自动堆栈的形式将所述数据库数据输入至所述数据训练层,所述数据库阈值可依据线性函数,以2的倍数自动增大。
本发明较佳实施例所述数据训练层接收所述数据库数据,并将所述归一化数据输入至所述数据训练层的输入层,训练得出训练值,并将所述盈亏标签输入至损失函数。进一步地,所述数据训练层包括输入层、卷积层、输出层,所述输入层接收所述归一化数据,所述卷积层对所述归一化数据进行处理并输入至输出层,得到所述训练值。所述卷积层包括卷积操作、池化操作与激活操作,所述卷积操作为:
其中ω′为输出数据,ω为输入数据,k为卷积核的大小,s为卷积操作的步隔,p为数据补零矩阵;
所述激活操作为:
其中y为所述激活操作的输出值,e是无理数。
本发明较佳实施例所述训练值输入至所述损失函数,所述损失函数根据所述训练值与所述盈亏标签计算出损失值,并判断所述损失值与所述阈值的大小,直至所述损失值小于所述阈值退出训练。进一步地,所述损失函数为最小二乘法,所述损失值为L(t):
其中,t为所述训练值与所述负债标签的误差值,k为所述资产特征的数量,yi为所述资产特征,y′i为所述训练值,所述阈值一般设置为0.01。
S3、接收用户的企业财务数据,利用所述数据收集层和所述数据训练层进行债务风险预测,输出企业债务风险预测结果。
本发明较佳实施例所述数据收集层接收用户的企业财务数据,并对所述用户的企业财务数据进行分类后输入至所述数据训练层。所述分类包括依据所述企业财务数据是支出或收入情况,对所述企业财务数据进行分类并对所述企业财务数据进行所述归一化处理。
本发明较佳实施例所述数据训练层对所述分类后的企业财务数据进行债务风险预测并输出企业债务风险预测结果。进一步地,当所述企业债务风险预测结果具有债务风险时,所述债务风险智能预测系统发出报警提示。
发明还提供一种债务风险智能预测装置。参照图2所示,为本发明一实施例提供的债务风险智能预测装置的内部结构示意图。
在本实施例中,所述债务风险智能预测装置1可以是PC(Personal Computer,个人电脑),或者是智能手机、平板电脑、便携计算机等终端设备,也可以是一种服务器等。该债务风险智能预测装置1至少包括存储器11、处理器12,通信总线13,以及网络接口14。
其中,存储器11至少包括一种类型的可读存储介质,所述可读存储介质包括闪存、硬盘、多媒体卡、卡型存储器(例如,SD或DX存储器等)、磁性存储器、磁盘、光盘等。存储器11在一些实施例中可以是债务风险智能预测装置1的内部存储单元,例如该债务风险智能预测装置1的硬盘。存储器11在另一些实施例中也可以是债务风险智能预测装置1的外部存储设备,例如债务风险智能预测装置1上配备的插接式硬盘,智能存储卡(Smart Media Card,SMC),安全数字(Secure Digital,SD)卡,闪存卡(Flash Card)等。进一步地,存储器11还可以既包括债务风险智能预测装置1的内部存储单元也包括外部存储设备。存储器11不仅可以用于存储安装于债务风险智能预测装置1的应用软件及各类数据,例如债务风险智能预测程序01的代码等,还可以用于暂时地存储已经输出或者将要输出的数据。
处理器12在一些实施例中可以是一中央处理器(Central Processing Unit,CPU)、控制器、微控制器、微处理器或其他数据处理芯片,用于运行存储器11中存储的程序代码或处理数据,例如执行债务风险智能预测程序01等。
通信总线13用于实现这些组件之间的连接通信。
网络接口14可选的可以包括标准的有线接口、无线接口(如WI-FI接口),通常用于在该装置1与其他电子设备之间建立通信连接。
可选地,该装置1还可以包括用户接口,用户接口可以包括显示器(Display)、输入单元比如键盘(Keyboard),可选的用户接口还可以包括标准的有线接口、无线接口。可选地,在一些实施例中,显示器可以是LED显示器、液晶显示器、触控式液晶显示器以及OLED(Organic Light-Emitting Diode,有机发光二极管)触摸器等。其中,显示器也可以适当的称为显示屏或显示单元,用于显示在债务风险智能预测装置1中处理的信息以及用于显示可视化的用户界面。
图2仅示出了具有组件11-14以及债务风险智能预测程序01的债务风险智能预测装置1,本领域技术人员可以理解的是,图1示出的结构并不构成对债务风险智能预测装置1的限定,可以包括比图示更少或者更多的部件,或者组合某些部件,或者不同的部件布置。
在图2所示的装置1实施例中,存储器11中存储有债务风险智能预测程序01;处理器12执行存储器11中存储的债务风险智能预测程序01时实现如下步骤:
步骤一、数据收集层接收企业财务数据及盈亏标签,并依据所述企业财务数据是支出或收入情况,对所述企业财务数据进行分类,对所述分类后的企业财务数据进行归一化处理,将所述归一化处理后的企业财务数据及所述盈亏标签存入数据库中。
本发明较佳实施例数据收集层接收企业财务数据及盈亏标签。所述数据收集层包括输入层、分类层与存储层,所述输入层接收所述企业财务数据,所述输入层包括收入输入层与支出输入层,所述存储层接收所述盈亏标签。所述企业财务数据包括企业年度收入数据、企业年度支出数据、股权占有比例及对应所述股权的股票、企业固定资产、企业专利申请数量、企业未来计划投资项目等。所述盈亏标签分为当前正常盈利和当前已负债两种标签。
本发明较佳实施例所述数据收集层依据所述企业财务数据是支出或收入情况,对所述企业财务数据进行分类。进一步地,所述收入输入层接收所述企业财务数据的收入数据,如包括所述企业年度收入数据、所述企业固定资产、所述企业专利申请数量,所述支出输入层接收所述企业财务数据的支出数据,并将所述企业财务数据的支出数据从正数改变为负数,如包括所述企业年度支出数据、企业未来计划投资项目等。
本发明较佳实施所述的分类层对所述分类后的企业财务数据进行归一化处理,将所述归一化处理后的企业财务数据输入至所述存储层,所述存储层将所述归一化处理后的企业财务数据及所述盈亏标签存入数据库中。进一步地,所述归一化处理可采用最大-最小标准化公式:
其中,y为x归一化完成后的输出值,x为输入值,如企业年度收入数据、企业固定资产等,xmin为所述企业财务数据中数值最小的值,xmax为所述企业财务数据中数值最大的值。所述数据库可采用关系型数据库Oracle构建,所述数据库的表头包括所述企业财务数据的收入情况与所述企业财务数据的支出情况。
步骤二、当所述数据库数据的数量达到数据库阈值,所述数据库报警提示数据训练层接收所述数据库数据,同时所述数据库阈值自动增大,所述数据训练层接收数据库数据后训练,直至所述数据训练层的损失函数值满足数据训练层阈值要求时退出训练。
本发明较佳实施例所述数据库数据的数量达到数据库阈值,所述数据库报警提示数据训练层接收所述数据库数据,同时所述数据库阈值自动增大。所述数据库阈值可设置为一千的倍数,当所述数据库的数量达到阈值时,所述数据库采用自动堆栈的形式将所述数据库数据输入至所述数据训练层,所述数据库阈值可依据线性函数,以2的倍数自动增大。
本发明较佳实施例所述数据训练层接收所述数据库数据,并将所述归一化数据输入至所述数据训练层的输入层,训练得出训练值,并将所述盈亏标签输入至损失函数。进一步地,所述数据训练层包括输入层、卷积层、输出层,所述输入层接收所述归一化数据,所述卷积层对所述归一化数据进行处理并输入至输出层,得到所述训练值。所述卷积层包括卷积操作、池化操作与激活操作,所述卷积操作为:
其中ω′为输出数据,ω为输入数据,k为卷积核的大小,s为卷积操作的步幅,p为数据补零矩阵;
所述激活操作为:
其中y为所述激活操作的输出值,e为无理数。
本发明较佳实施例所述训练值输入至所述损失函数,所述损失函数根据所述训练值与所述盈亏标签计算出损失值,并判断所述损失值与所述阈值的大小,直至所述损失值小于所述阈值退出训练。进一步地,所述损失函数为最小二乘法,所述损失值为L(t):
其中,t为所述训练值与所述负债标签的误差值,k为所述资产特征的数量,yi为所述资产特征,y′i为所述训练值,所述阈值一般设置为0.01。
步骤三、接收用户的企业财务数据,利用所述数据收集层和所述数据训练层进行债务风险预测,输出企业债务风险预测结果。
本发明较佳实施例所述数据收集层接收用户的企业财务数据,并对所述用户的企业财务数据进行分类后输入至所述数据训练层。所述分类包括依据所述企业财务数据是支出或收入情况,对所述企业财务数据进行分类并对所述企业财务数据进行所述归一化处理。
本发明较佳实施例所述数据训练层对所述分类后的企业财务数据进行债务风险预测并输出企业债务风险预测结果。进一步地,当所述企业债务风险预测结果具有债务风险时,所述债务风险智能预测系统发出报警提示。
可选地,在其他实施例中,债务风险智能预测程序还可以被分割为一个或者多个模块,一个或者多个模块被存储于存储器11中,并由一个或多个处理器(本实施例为处理器12)所执行以完成本发明,本发明所称的模块是指能够完成特定功能的一系列计算机程序指令段,用于描述债务风险智能预测程序在债务风险智能预测装置中的执行过程。
例如,参照图3所示,为本发明债务风险智能预测装置一实施例中的债务风险智能预测程序的程序模块示意图,该实施例中,所述债务风险智能预测程序可以被分割为企业财务数据接收模块10、神经网络训练模块20、债务风险预测模块30示例性地:
所述企业财务数据接收模块10用于:数据收集层接收企业财务数据及盈亏标签,并依据所述企业财务数据是支出或收入情况,对所述企业财务数据进行分类,对所述分类后的企业财务数据进行归一化处理,将所述归一化处理后的企业财务数据及所述盈亏标签存入数据库中。
所述神经网络训练模块20用于:当所述数据库数据的数量达到数据库阈值,所述数据库报警提示数据训练层接收所述数据库数据,同时所述数据库阈值自动增大,所述数据训练层接收数据库数据后训练,直至所述数据训练层的损失函数值满足数据训练层阈值要求时退出训练。
所述债务风险预测模块30用于:接收用户的企业财务数据,利用所述数据收集层和所述数据训练层进行债务风险预测,输出企业债务风险预测结果。
上述企业财务数据接收模块10、神经网络训练模块20、债务风险预测模块30等程序模块被执行时所实现的功能或操作步骤与上述实施例大体相同,在此不再赘述。
此外,本发明实施例还提出一种计算机可读存储介质,所述计算机可读存储介质上存储有债务风险智能预测程序,所述债务风险智能预测程序可被一个或多个处理器执行,以实现如下操作:
数据收集层接收企业财务数据及盈亏标签,并依据所述企业财务数据是支出或收入情况,对所述企业财务数据进行分类,对所述分类后的企业财务数据进行归一化处理,将所述归一化处理后的企业财务数据及所述盈亏标签存入数据库中;
当所述数据库数据的数量达到数据库阈值,所述数据库报警提示数据训练层接收所述数据库数据,同时所述数据库阈值自动增大,所述数据训练层接收数据库数据后训练,直至所述数据训练层的损失函数值满足数据训练层阈值要求时退出训练;
接收用户的企业财务数据,利用所述数据收集层和所述数据训练层进行债务风险预测,输出企业债务风险预测结果。
本发明计算机可读存储介质具体实施方式与上述债务风险智能预测装置和方法各实施例基本相同,在此不作累述。
需要说明的是,上述本发明实施例序号仅仅为了描述,不代表实施例的优劣。并且本文中的术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含,从而使得包括一系列要素的过程、装置、物品或者方法不仅包括那些要素,而且还包括没有明确列出的其他要素,或者是还包括为这种过程、装置、物品或者方法所固有的要素。在没有更多限制的情况下,由语句“包括一个......”限定的要素,并不排除在包括该要素的过程、装置、物品或者方法中还存在另外的相同要素。
通过以上的实施方式的描述,本领域的技术人员可以清楚地了解到上述实施例方法可借助软件加必需的通用硬件平台的方式来实现,当然也可以通过硬件,但很多情况下前者是更佳的实施方式。基于这样的理解,本发明的技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来,该计算机软件产品存储在如上所述的一个存储介质(如ROM/RAM、磁碟、光盘)中,包括若干指令用以使得一台终端设备(可以是手机,计算机,服务器,或者网络设备等)执行本发明各个实施例所述的方法。
以上仅为本发明的优选实施例,并非因此限制本发明的专利范围,凡是利用本发明说明书及附图内容所作的等效结构或等效流程变换,或直接或间接运用在其他相关的技术领域,均同理包括在本发明的专利保护范围内。
Claims (10)
1.一种债务风险智能预测方法,其特征在于,所述方法包括:
数据接收步骤:利用数据收集层接收企业财务数据及盈亏标签,并依据所述企业财务数据是支出或收入情况,对所述企业财务数据进行分类,对分类后的所述企业财务数据进行归一化处理,将归一化处理后的所述企业财务数据及所述盈亏标签存入数据库中;
训练步骤:当所述数据库数据的数量达到数据库阈值,报警提示数据训练层接收所述数据库数据,同时所述数据库阈值自动增大,利用所述数据库数据对所述数据训练层训练,直至所述数据训练层的损失函数值满足数据训练层阈值要求时退出训练;
预测步骤:接收用户的企业财务数据,利用所述数据收集层和所述数据训练层进行债务风险预测,输出企业债务风险预测结果。
2.如权利要求1所述的债务风险智能预测方法,其特征在于,所述数据收集层包括输入层、分类层与存储层,所述输入层包括收入输入层与支出输入层,所述收入输入层接收所述企业财务数据的收入数据,所述支出输入层接收所述企业财务数据的支出数据,所述存储层接收所述盈亏标签;及
所述数据接收步骤包括:
所述收入输入层接收所述收入数据后,将所述收入数据输入至所述分类层,所述支出输入层接收所述支出数据,将所述支出数据从正数改变为负数并输入至所述分类层;
所述分类层根据归一化原则,对所述支出数据和所述收入数据做归一化处理生成归一化数据,并输入至所述存储层,所述存储层将所述归一化数据与所述盈亏标签输入至数据库中。
3.如权利要求2所述的债务风险智能预测方法,其特征在于,所述训练步骤还包括:
将所述归一化数据输入至所述数据训练层的输入层,训练得出训练值,并将所述盈亏标签输入至损失函数;
利用所述损失函数根据所述训练值与所述盈亏标签计算出损失值,并判断所述损失值与所述阈值的大小,直至所述损失值小于所述阈值退出训练。
4.如权利要求3所述的债务风险智能预测方法,其特征在于,所述数据训练层包括输入层、卷积层、输出层;
其中,所述输入层用于接收输入数据,所述输出层用于输出数据,所述卷积层包括卷积操作、池化操作与激活操作;
所述卷积操作为:
其中ω’为输出数据,ω为输入数据,k为卷积核的大小,s为卷积操作的步幅,p为数据补零矩阵;
所述激活操作为:
其中y为所述激活操作的输出值,e是无理数。
5.如权利要求1所述的债务风险智能预测方法,其特征在于,所述预测步骤包括:
利用所述数据收集层接收用户的企业财务数据,并对所述用户的企业财务数据进行分类后输入至所述数据训练层;
利用所述数据训练层对分类后的所述企业财务数据进行债务风险预测并输出企业债务风险预测结果。
6.一种债务风险智能预测装置,其特征在于,所述装置包括存储器和处理器,所述存储器上存储有可在所述处理器上运行的债务风险智能预测程序,所述债务风险智能预测程序被所述处理器执行时实现如下步骤:
数据接收步骤:利用数据收集层接收企业财务数据及盈亏标签,并依据所述企业财务数据是支出或收入情况,对所述企业财务数据进行分类,对分类后的所述企业财务数据进行归一化处理,将归一化处理后的所述企业财务数据及所述盈亏标签存入数据库中;
训练步骤:当所述数据库数据的数量达到数据库阈值,报警提示数据训练层接收所述数据库数据,同时所述数据库阈值自动增大,利用所述接收的数据库数据对所述数据训练层训练,直至所述数据训练层的损失函数值满足数据训练层阈值要求时退出训练;
预测步骤:接收用户的企业财务数据,利用所述数据收集层和所述数据训练层进行债务风险预测,输出企业债务风险预测结果。
7.如权利要求6所述的债务风险智能预测装置,其特征在于,所述数据收集层包括输入层、分类层与存储层,所述输入层包括收入输入层与支出输入层,所述收入输入层接收所述企业财务数据的收入数据,所述支出输入层接收所述企业财务数据的支出数据,所述存储层接收所述盈亏标签;及
所述数据接收步骤包括:
所述收入输入层接收所述收入数据后,将所述收入数据输入至所述分类层,所述支出输入层接收所述支出数据,将所述支出数据从正数改变为负数并输入至所述分类层;
所述分类层根据归一化原则,对所述支出数据和所述收入数据做归一化处理生成归一化数据,并输入至所述存储层,所述存储层将所述归一化数据与所述盈亏标签输入至数据库中。
8.如权利要求7所述的债务风险智能预测装置,其特征在于,所述训练步骤还包括:
将所述归一化数据输入至所述数据训练层的输入层,训练得出训练值,并将所述盈亏标签输入至损失函数;
利用所述损失函数根据所述训练值与所述盈亏标签计算出损失值,并判断所述损失值与所述阈值的大小,直至所述损失值小于所述阈值退出训练。
9.如权利要求8所述的债务风险智能预测装置,其特征在于,所述数据训练层包括输入层、卷积层、输出层;
其中,所述输入层用于接收输入数据,所述输出层用于输出数据,所述卷积层包括卷积操作、池化操作与激活操作;
所述卷积操作为:
其中ω’为输出数据,ω为输入数据,k为卷积核的大小,s为卷积操作的步幅,p为数据补零矩阵;
所述激活操作为:
其中y为所述激活操作的输出值,e是无理数。
10.一种计算机可读存储介质,其特征在于,所述计算机可读存储介质上存储有债务风险智能预测程序,所述债务风险智能预测程序可被一个或者多个处理器执行,以实现如权利要求1至5中任一项所述的债务风险智能预测方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910526317.1A CN110414709A (zh) | 2019-06-18 | 2019-06-18 | 债务风险智能预测方法、装置及计算机可读存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910526317.1A CN110414709A (zh) | 2019-06-18 | 2019-06-18 | 债务风险智能预测方法、装置及计算机可读存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN110414709A true CN110414709A (zh) | 2019-11-05 |
Family
ID=68359277
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910526317.1A Pending CN110414709A (zh) | 2019-06-18 | 2019-06-18 | 债务风险智能预测方法、装置及计算机可读存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110414709A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111292007A (zh) * | 2020-02-28 | 2020-06-16 | 中国工商银行股份有限公司 | 供应商财务风险预测方法及装置 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106267774A (zh) * | 2015-05-25 | 2017-01-04 | 腾讯科技(深圳)有限公司 | 运动状态识别方法和装置 |
CN108922543A (zh) * | 2018-06-11 | 2018-11-30 | 平安科技(深圳)有限公司 | 模型库建立方法、语音识别方法、装置、设备及介质 |
CN109300040A (zh) * | 2018-08-29 | 2019-02-01 | 中国科学院自动化研究所 | 基于全媒体大数据技术的海外投资风险评估方法及系统 |
CN109376995A (zh) * | 2018-09-18 | 2019-02-22 | 平安科技(深圳)有限公司 | 财务数据评分方法、装置、计算机设备和存储介质 |
CN109596326A (zh) * | 2018-11-30 | 2019-04-09 | 电子科技大学 | 基于优化结构卷积神经网络的旋转机械故障诊断方法 |
CN109829631A (zh) * | 2019-01-14 | 2019-05-31 | 北京中兴通网络科技股份有限公司 | 一种基于记忆网络的企业风险预警分析方法及系统 |
-
2019
- 2019-06-18 CN CN201910526317.1A patent/CN110414709A/zh active Pending
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106267774A (zh) * | 2015-05-25 | 2017-01-04 | 腾讯科技(深圳)有限公司 | 运动状态识别方法和装置 |
CN108922543A (zh) * | 2018-06-11 | 2018-11-30 | 平安科技(深圳)有限公司 | 模型库建立方法、语音识别方法、装置、设备及介质 |
CN109300040A (zh) * | 2018-08-29 | 2019-02-01 | 中国科学院自动化研究所 | 基于全媒体大数据技术的海外投资风险评估方法及系统 |
CN109376995A (zh) * | 2018-09-18 | 2019-02-22 | 平安科技(深圳)有限公司 | 财务数据评分方法、装置、计算机设备和存储介质 |
CN109596326A (zh) * | 2018-11-30 | 2019-04-09 | 电子科技大学 | 基于优化结构卷积神经网络的旋转机械故障诊断方法 |
CN109829631A (zh) * | 2019-01-14 | 2019-05-31 | 北京中兴通网络科技股份有限公司 | 一种基于记忆网络的企业风险预警分析方法及系统 |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111292007A (zh) * | 2020-02-28 | 2020-06-16 | 中国工商银行股份有限公司 | 供应商财务风险预测方法及装置 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110163476A (zh) | 项目智能推荐方法、电子装置及存储介质 | |
CN107220217A (zh) | 基于逻辑回归的特征系数训练方法和装置 | |
CN107632995B (zh) | 随机森林模型训练的方法及模型训练控制系统 | |
CN110135942A (zh) | 产品推荐方法、装置及计算机可读存储介质 | |
CN108346036A (zh) | 保险保单集中核单方法、电子装置及可读存储介质 | |
CN106503269A (zh) | 应用推荐的方法、装置及服务器 | |
CN110418200A (zh) | 一种视频推荐方法、装置及终端设备 | |
CN107203866A (zh) | 订单的处理方法以及装置 | |
CN109285082A (zh) | 保险产品推荐方法、装置及计算机可读存储介质 | |
CN111652278B (zh) | 用户行为检测方法、装置、电子设备及介质 | |
CN110852785B (zh) | 用户分级方法、装置及计算机可读存储介质 | |
CN109584030A (zh) | 机构推荐方法、装置及存储介质 | |
CN108492137A (zh) | 电话外呼分析控制方法、电子装置及可读存储介质 | |
CN109544266A (zh) | 产品数据推送方法、装置及计算机可读存储介质 | |
CN110503564A (zh) | 基于大数据的保全案件处理方法、系统、设备及存储介质 | |
CN110347789A (zh) | 文本意图智能分类方法、装置及计算机可读存储介质 | |
CN113688923A (zh) | 订单异常智能检测方法、装置、电子设备及存储介质 | |
CN107908480A (zh) | 薪资计算方法、应用服务器及计算机可读存储介质 | |
CN110147928A (zh) | 项目入库评估方法、服务器及存储介质 | |
CN115936895A (zh) | 基于人工智能的风险评估方法、装置、设备及存储介质 | |
CN113505273B (zh) | 基于重复数据筛选的数据排序方法、装置、设备及介质 | |
CN110032731A (zh) | 企业经营范围判断方法、装置及计算机可读存储介质 | |
CN110414709A (zh) | 债务风险智能预测方法、装置及计算机可读存储介质 | |
CN113434575A (zh) | 基于数据仓库的数据归因处理方法、装置及存储介质 | |
CN111652282B (zh) | 基于大数据的用户偏好分析方法、装置及电子设备 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
WD01 | Invention patent application deemed withdrawn after publication | ||
WD01 | Invention patent application deemed withdrawn after publication |
Application publication date: 20191105 |