CN111222790B - 风险事件发生概率的预测方法、装置、设备及存储介质 - Google Patents
风险事件发生概率的预测方法、装置、设备及存储介质 Download PDFInfo
- Publication number
- CN111222790B CN111222790B CN202010011988.7A CN202010011988A CN111222790B CN 111222790 B CN111222790 B CN 111222790B CN 202010011988 A CN202010011988 A CN 202010011988A CN 111222790 B CN111222790 B CN 111222790B
- Authority
- CN
- China
- Prior art keywords
- target
- company
- risk
- description index
- companies
- 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.)
- Active
Links
Images
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
- G06Q10/06—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
- 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
- G06Q10/067—Enterprise or organisation modelling
Abstract
本发明公开了一种风险事件发生概率的预测方法、装置、设备及存储介质,该方法包括以下步骤:获取多个公司在连续时段内的风险事件和描述指标值;根据多个预设时段,将各所述公司的风险事件和描述指标值均传输到预设模型进行训练,生成具有与各预设时段对应的模型参数的目标模型;筛选出各所述公司在当前时间的当前描述指标值,并将各所述公司的当前描述指标值分别传输到所述目标模型中,预测各所述公司在不同时段发生风险事件的概率。本发明由不同公司在连续时段内的风险事件和描述指标值训练得到的目标模型,来对各公司在不同时段内发生风险事件的概率预测分析,提高了分析准确性,且有利于反映不同时期的风险情况,分析的范围更为广泛。
Description
技术领域
本发明涉及金融科技(Fintech)技术领域,尤其涉及一种风险事件发生概率的预测方法、装置、设备及存储介质。
背景技术
随着金融科技(Fintech),尤其是互联网科技金融的不断发展,越来越多的技术(如人工智能、大数据分析、云存储等)应用到金融领域,但金融业也对各类技术提出了更高的要求,如要求依据各公司的数据,精准区分分析各公司在不同时期发生风险事件的可能性。
目前对风险事件发生可能性的分析使用指标体系打分方式实现,以给出风险事件评级。但是打分仅依赖公司的当前数据,不涉及到不同时期的风险事件数据,从而没有考虑由不同时期的风险事件数据所体现的公司发展趋势对分析风险事件发生的影响,分析的准确性低;同时因当前数据只能体现公司当前时刻的情况,使得预测只能反映短期的风险情况,对于长期的风险情况则不能反映。
发明内容
本发明的主要目的在于提供一种风险事件发生概率的预测方法、装置、设备及存储介质,旨在解决现有技术中依据公司当前数据打分的方式来对公司发生风险事件的可能性进行分析,所存在的分析不准确且不能反映长期风险情况的技术问题。
为实现上述目的,本发明提供一种风险事件发生概率的预测方法,所述风险事件发生概率的预测方法包括以下步骤:
获取多个公司在连续时段内的风险事件和描述指标值;
根据多个预设时段,将各所述公司的风险事件和描述指标值均传输到预设模型进行训练,生成具有与各预设时段对应的模型参数的目标模型;
筛选出各所述公司在当前时间的当前描述指标值,并将各所述公司的当前描述指标值分别传输到所述目标模型中,预测各所述公司在不同时段发生风险事件的概率。
可选地,所述根据多个预设时段,将各所述公司的风险事件和描述指标值均传输到预设模型进行训练的步骤包括:
从多个所述预设时段中任意选取一项作为目标预设时段,并读取各所述公司中风险事件的发生时间;
根据各所述发生时间,确定各所述公司在所述目标预设时段内的目标风险事件,并读取各所述公司中与所述目标风险事件对应的目标描述指标值;
将各所述公司中具有对应关系的目标风险事件和目标描述指标值传输到预设模型进行训练,并在训练完成后,从多个所述预设时段中选取其他预设时段作为目标预设时段,执行根据各所述发生时间,确定各所述公司在所述目标预设时段内的目标风险事件的步骤。
可选地,所述根据各所述发生时间,确定各所述公司在所述目标预设时段内的目标风险事件的步骤包括:
将各所述发生时间和所述目标预设时段对比,判断各所述公司的风险事件中是否具有存在于所述目标预设时段内的风险事件;
若具有存在于所述目标预设时段内的风险事件,则将各所述公司中存在于所述目标预设时段内的风险事件确定目标风险事件。
可选地,所述获取多个公司在连续时段内的风险事件和描述指标值的步骤包括:
采集各所述公司在连续时段内与风险相关的关联数据形成数据库,并根据预设风险参数和预设描述参数,从所述数据库中筛选出各所述公司的风险事件和描述指标;
读取各所述公司中描述指标的描述指标值,并根据各所述公司中描述指标的生成时间,将各所述公司的描述指标分别构建为各所述公司的时间序列数据。
可选地,所述读取各所述公司中与所述目标风险事件对应的目标描述指标值的步骤包括:
将各所述公司的时间序列数据和所述目标预设时段的边界时间点对比,确定各所述公司在所述边界时间点的目标描述指标;
根据各所述公司的目标风险事件,查找各所述公司中目标描述指标的描述指标值,并将查找到的所述描述指标值确定为各所述公司中与所述目标风险事件对应的目标描述指标值。
可选地,所述将各所述公司的当前描述指标值分别传输到所述目标模型中,预测各所述公司在不同时段发生风险事件的概率的步骤包括:
逐一读取各所述公司的当前描述指标值,并针对当前读取的所述当前描述指标值执行以下步骤:
将当前读取的所述当前描述指标值传输到所述目标模型中,并基于所述目标模型中与各预设时段对应的模型参数,处理当前读取的所述当前描述指标值,生成与当前读取的所述当前描述指标值对应的公司在不同时段发生风险事件的概率;
在各所述公司的当前描述指标值均经过读取,并经所述目标模型处理后,完成对各所述公司在不同时段发生风险事件的概率的预测。
可选地,所述预测各所述公司在不同时段发生风险事件的概率的步骤之后包括:
调用预设展示模板,并将各所述公司在不同时段发生风险事件的概率传输到所述预设展示模板中,以对各所述公司在不同时段发生风险事件的概率进行对比展示。
进一步地,为实现上述目的,本发明还提供一种风险事件发生概率的预测装置,所述风险事件发生概率的预测装置包括:
获取模块,用于获取多个公司在连续时段内的风险事件和描述指标值;
训练模块,用于根据多个预设时段,将各所述公司的风险事件和描述指标值均传输到预设模型进行训练,生成具有与各预设时段对应的模型参数的目标模型;
预测模块,用于筛选出各所述公司在当前时间的当前描述指标值,并将各所述公司的当前描述指标值分别传输到所述目标模型中,预测各所述公司在不同时段发生风险事件的概率。
进一步地,为实现上述目的,本发明还提供一种风险事件发生概率的预测设备,所述风险事件发生概率的预测设备包括存储器、处理器以及存储在所述存储器上并可在所述处理器上运行的风险事件发生概率的预测程序,所述风险事件发生概率的预测程序被所述处理器执行时实现如上述所述的风险事件发生概率的预测方法的步骤。
进一步地,为实现上述目的,本发明还提供一种存储介质,所述存储介质上存储有风险事件发生概率的预测程序,所述风险事件发生概率的预测程序被处理器执行时实现如上所述的风险事件发生概率的预测方法的步骤。
本发明的风险事件发生概率的预测方法,通过获取多个公司在连续时段内的风险事件和描述指标值,用于表征各公司在不同时段所出现的风险事件,以及在该时段内反映风险事件的描述指标的数值;依据预定的多个预设时段,将各个公司的风险事件和描述指标值传输到预设模型中进行训练,生成具有与各预设时段对应的模型参数的目标模型;进而对各公司在当前时间的当前描述指标值进行筛选,并将筛选的当前描述指标值传输目标模型中,以依据不同时段的风险事件和描述指标值,来对各公司当前所具有的当前描述指标值进行处理,预测各公司在不同时段发生风险事件的概率,实现由概率来体现风险事件发生的可能性。因目标模型中与各预设时段对应的模型参数由不同公司在连续时段内的风险事件和描述指标值训练得到,在通过当前描述指标值对公司发生风险事件的概率进行预测分析时,可实现结合不同时期的风险事件数据进行预测分析的同时,还可实现对公司在未来不同时段内的风险事件进行预测分析;在提高分析准确性的同时,有利于反映短期和长期的风险情况,分析的范围更为广泛。
附图说明
图1为本发明风险事件发生概率的预测设备实施例方案涉及的设备硬件运行环境的结构示意图;
图2为本发明风险事件发生概率的预测方法第一实施例的流程示意图;
图3为本发明风险事件发生概率的预测装置较佳实施例的功能模块示意图。
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用以解释本发明,并不用于限定本发明。
本发明提供一种风险事件发生概率的预测设备,参照图1,图1为本发明风险事件发生概率的预测设备实施例方案涉及的设备硬件运行环境的结构示意图。
如图1所示,该风险事件发生概率的预测设备可以包括:处理器1001,例如CPU,通信总线1002、用户接口1003,网络接口1004,存储器1005。其中,通信总线1002用于实现这些组件之间的连接通信。用户接口1003可以包括显示屏(Display)、输入单元比如键盘(Keyboard),可选用户接口1003还可以包括标准的有线接口、无线接口。网络接口1004可选的可以包括标准的有线接口、无线接口(如WI-FI接口)。存储器1005可以是高速RAM存储器,也可以是稳定的存储器(non-volatile memory),例如磁盘存储器。存储器1005可选的还可以是独立于前述处理器1001的存储设备。
本领域技术人员可以理解,图1中示出的风险事件发生概率的预测设备的硬件结构并不构成对风险事件发生概率的预测设备的限定,可以包括比图示更多或更少的部件,或者组合某些部件,或者不同的部件布置。
如图1所示,作为一种存储介质的存储器1005中可以包括操作系统、网络通信模块、用户接口模块以及风险事件发生概率的预测程序。其中,操作系统是管理和控制风险事件发生概率的预测设备与软件资源的程序,支持网络通信模块、用户接口模块、风险事件发生概率的预测程序以及其他程序或软件的运行;网络通信模块用于管理和控制网络接口1004;用户接口模块用于管理和控制用户接口1003。
在图1所示的风险事件发生概率的预测设备硬件结构中,网络接口1004主要用于连接后台服务器,与后台服务器进行数据通信;用户接口1003主要用于连接客户端(用户端),与客户端进行数据通信;处理器1001可以调用存储器1005中存储的风险事件发生概率的预测程序,并执行以下操作:
获取多个公司在连续时段内的风险事件和描述指标值;
根据多个预设时段,将各所述公司的风险事件和描述指标值均传输到预设模型进行训练,生成具有与各预设时段对应的模型参数的目标模型;
筛选出各所述公司在当前时间的当前描述指标值,并将各所述公司的当前描述指标值分别传输到所述目标模型中,预测各所述公司在不同时段发生风险事件的概率。
进一步地,所述根据多个预设时段,将各所述公司的风险事件和描述指标值均传输到预设模型进行训练的步骤包括:
从多个所述预设时段中任意选取一项作为目标预设时段,并读取各所述公司中风险事件的发生时间;
根据各所述发生时间,确定各所述公司在所述目标预设时段内的目标风险事件,并读取各所述公司中与所述目标风险事件对应的目标描述指标值;
将各所述公司中具有对应关系的目标风险事件和目标描述指标值传输到预设模型进行训练,并在训练完成后,从多个所述预设时段中选取其他预设时段作为目标预设时段,执行根据各所述发生时间,确定各所述公司在所述目标预设时段内的目标风险事件的步骤。
进一步地,所述根据各所述发生时间,确定各所述公司在所述目标预设时段内的目标风险事件的步骤包括:
将各所述发生时间和所述目标预设时段对比,判断各所述公司的风险事件中是否具有存在于所述目标预设时段内的风险事件;
若具有存在于所述目标预设时段内的风险事件,则将各所述公司中存在于所述目标预设时段内的风险事件确定目标风险事件。
进一步地,所述获取多个公司在连续时段内的风险事件和描述指标值的步骤包括:
采集各所述公司在连续时段内与风险相关的关联数据形成数据库,并根据预设风险参数和预设描述参数,从所述数据库中筛选出各所述公司的风险事件和描述指标;
读取各所述公司中描述指标的描述指标值,并根据各所述公司中描述指标的生成时间,将各所述公司的描述指标分别构建为各所述公司的时间序列数据。
进一步地,所述读取各所述公司中与所述目标风险事件对应的目标描述指标值的步骤包括:
将各所述公司的时间序列数据和所述目标预设时段的边界时间点对比,确定各所述公司在所述边界时间点的目标描述指标;
根据各所述公司的目标风险事件,查找各所述公司中目标描述指标的描述指标值,并将查找到的所述描述指标值确定为各所述公司中与所述目标风险事件对应的目标描述指标值。
进一步地,所述将各所述公司的当前描述指标值分别传输到所述目标模型中,预测各所述公司在不同时段发生风险事件的概率的步骤包括:
逐一读取各所述公司的当前描述指标值,并针对当前读取的所述当前描述指标值执行以下步骤:
将当前读取的所述当前描述指标值传输到所述目标模型中,并基于所述目标模型中与各预设时段对应的模型参数,处理当前读取的所述当前描述指标值,生成与当前读取的所述当前描述指标值对应的公司在不同时段发生风险事件的概率;
在各所述公司的当前描述指标值均经过读取,并经所述目标模型处理后,完成对各所述公司在不同时段发生风险事件的概率的预测。
进一步地,所述预测各所述公司在不同时段发生风险事件的概率的步骤之后,处理器1001还用于调用存储器1005中存储的风险事件发生概率的预测程序,并执行以下操作:
调用预设展示模板,并将各所述公司在不同时段发生风险事件的概率传输到所述预设展示模板中,以对各所述公司在不同时段发生风险事件的概率进行对比展示。
本发明风险事件发生概率的预测设备的具体实施方式与下述风险事件发生概率的预测方法各实施例基本相同,在此不再赘述。
本发明还提供一种风险事件发生概率的预测方法。
参照图2,图2为本发明风险事件发生概率的预测方法第一实施例的流程示意图。
本发明实施例提供了风险事件发生概率的预测方法的实施例,需要说明的是,虽然在流程图中示出了逻辑顺序,但是在某些情况下,可以以不同于此处的顺序执行所示出或描述的步骤。具体地,本实施例中的风险事件发生概率的预测方法包括:
步骤S10,获取多个公司在连续时段内的风险事件和描述指标值。
本实施例中的风险事件发生概率的预测方法应用于服务器,适用于通过服务器对各公司在不同时段内发生风险事件的概率进行预测,反映各公司在不同时期的风险情况。其中,本实施例将关乎公司可持续发展的ESG(Environment、Society和Governance,环境、社会和公司治理)事件优选为风险事件。ESG要求公司在发展中注重环境保护、旅行社会责任、完善公司治理,ESG数据良好的公司抗风险能力越强,更倾向于长期稳定的发展,因而逐渐成为投资分析和决策时参考的指标。其主要包括降低污染、节能绿色等环境指标,员工管理、供应链管理、客户管理、公益捐赠等社会指标,以及商业道德、信息披露等公司治理相关指标。
具体地,本实施先获取多个公司在一段连续时段内的ESG事件作为风险事件,如连续一年内的环保部门行政处罚、产品召回等事件;同时获取多个公司在该连续时段内用于反映风险事件的描述指标的数值,如同年内各项环保监测指标所监测到的数值、产品性能指标的性能参数等,将该获取的各描述指标的数值作为描述指标值;以反映在何种描述指标的情况下会发生风险事件。其中,ESG数据的来源主要是公司发布的ESG报告、外部的媒体报道、高管访谈、市场行情、公司财报等,从而可通过从该类数据源中获取到相关数据进行筛选,得到风险事件和描述指标值。具体地,获取多个公司在连续时段内的风险事件和描述指标值的步骤包括:
步骤S11,采集各公司在连续时段内与风险相关的关联数据形成数据库,并根据预设风险参数和预设描述参数,从数据库中筛选出各公司的风险事件和描述指标;
步骤S12,读取各公司中描述指标的描述指标值,并根据各公司中描述指标的生成时间,将各公司的描述指标分别构建为各公司的时间序列数据。
进一步地,预先设定连续时段,如一年、半年等,对公司在该连续时段内与风险相关的关联数据进行采集,形成数据库。其中所采集的关联数据用于正面或侧面反映风险,包括但不限于公司财报数据、市场行情数据、政务数据、司法数据、金融监管数据、主流新闻媒体数据、卫星数据等。同时预先设定用于表征ESG事件的预设风险参数,如环保处罚;以及用于表征描述指标的预设描述参数,如大气排放物。依据预设风险参数和预设描述参数对数据库进行筛选,得到数据库中与预设风险参数和预设描述参数匹配的风险事件和描述指标,如环保处罚通知和二氧化碳排放。
更进一步地,对与预设描述参数匹配的描述指标的数值进行读取,得到描述指标值,如二氧化碳排放量。此外,考虑到各公司在不同时间所具有的描述指标不相同,从而依据各公司中描述指标的形成时间,将各公司的描述指标构建为各自的时间序列数据,以通过时间序列数据直观的反映公司中各描述事件的发生时间。
步骤S20,根据多个预设时段,将各公司的风险事件和描述指标值均传输到预设模型进行训练,生成具有与各预设时段对应的模型参数的目标模型;
进一步地,预先设置有多个预设时段,如半年、一年、五年等,将各公司的风险事件和描述指标值依据各个预设时段均传输到预设模型进行训练,得到具有与各预设时段对应的模型参数的目标模型,以对不同时段内的风险事件的发生概率进行预测。其中预设模型为预先设置的模型,依据各预设时段传输的过程为确定各公司在各预设时段内的风险事件和描述指标值并传输的过程。如预设时段为半年,则将各公司在半年内的风险事件和描述指标值传输到预设模型进行训练,得到具有半年模型参数的目标模型,该目标模型适用于对半年内发生风险事件的概率进行预测。而当预设时间为一年时,则除了将各公司在半年内的风险事件和描述指标值传输到预设模型外,还将半年以前的半年内,即当前时间以前的一年内的风险事件和描述指标值传输到预设模型进行训练,得到具有一年模型参数的目标模型,该目标模型则适用于对一年内发生风险事件的概率进行预测。在各个预设时段均训练完成后,则生成具有多个时段模型参数的目标模型,以适用于预测各个时段发生风险事件的概率。
步骤S30,筛选出各公司在当前时间的当前描述指标值,并将各公司的当前描述指标值分别传输到目标模型中,预测各公司在不同时段发生风险事件的概率。
更进一步地,以单个公司为处理单元,对各公司在当前时间的当前描述指标值进行筛选,并将经筛选得到的单个公司的当前描述指标值传输到目标模型中,由目标模型依据其在不同时段的模型参数,对当前描述指标值进行处理,得到该公司在不同时段发生风险事件的概率。以此方式分别对各个公司在当前时间的当前描述指标值进行处理,得到各个公司在不同时段发生风险事件的概率。在表征各公司在不同时段内发生风险事件的可能性大小的同时,还可实现不同公司之间的对比,区分体现各公司之间的风险差异。
本发明的风险事件发生概率的预测方法,通过获取多个公司在连续时段内的风险事件和描述指标值,用于表征各公司在不同时段所出现的风险事件,以及在该时段内反映风险事件的描述指标的数值;依据预定的多个预设时段,将各个公司的风险事件和描述指标值传输到预设模型中进行训练,生成具有与各预设时段对应的模型参数的目标模型;进而对各公司在当前时间的当前描述指标值进行筛选,并将筛选的当前描述指标值传输目标模型中,以依据不同时段的风险事件和描述指标值,来对各公司当前所具有的当前描述指标值进行处理,预测各公司在不同时段发生风险事件的概率,实现由概率来体现风险事件发生的可能性。因目标模型中与各预设时段对应的模型参数由不同公司在连续时段内的风险事件和描述指标值训练得到,在通过当前描述指标值对公司发生风险事件的概率进行预测分析时,可实现结合不同时期的风险事件数据进行预测分析的同时,还可实现对公司在未来不同时段内的风险事件进行预测分析;在提高分析准确性的同时,有利于反映短期和长期的风险情况,分析的范围更为广泛。
进一步地,基于本发明风险事件发生概率的预测方法的第一实施例,提出本发明风险事件发生概率的预测方法第二实施例。
所述风险事件发生概率的预测方法第二实施例与所述风险事件发生概率的预测方法第一实施例的区别在于,所述根据多个预设时段,将各所述公司的风险事件和描述指标值均传输到预设模型进行训练的步骤包括:
步骤S21,从多个预设时段中任意选取一项作为目标预设时段,并读取各公司中风险事件的发生时间;
步骤S22,根据各发生时间,确定各公司在目标预设时段内的目标风险事件,并读取各公司中与目标风险事件对应的目标描述指标值;
本实施例对预设模型的训练优选采用逐时段的方式实现,在针对一个预设时段内的各公司的风险事件和描述指标值训练完成,得到该时段的模型参数后,再针对下一个预设时段进行训练,得到下一个预设时段的模型参数,直到各个预设时段均训练完成。具体地,可选取各个预设时段中的任意一项作为目标预设时段,对处于该时段内的风险事件和描述指标值进行训练。此外还可以依据各个预设时段的时间间隔长短进行排序;如将时间间隔长的预设时段排列在前,而将时间间隔短的预设时段排列在后,或者将时间间隔短的预设时段排列在前,而将时间间隔长的预设时段排列在后等;按照排列顺序逐一选取各预设时段作为目标预设时段进行训练。
进一步地,对各公司发生风险事件的发生时间进行读取,并依据各发生时间来确定各公司在目标预设时段内发生的目标风险事件。具体地,将各发生时间和目标预设时段进行对比,通过判断各发生时间中是否具有位于目标预设时段内的发生时间,来判断各公司的风险事件中是否具有存在于目标预设时段内的风险事件。若各发生时间中具有位于目标预设时段内的发生时间,则说明各公司的风险事件中具有存在于目标预设时段内的风险事件,进而将该各公司中存在于目标预设时段内的风险事件确定为目标风险事件。
更进一步地,对各公司中与各自的目标风险事件对应的描述指标值进行读取,作为目标描述指标值。其中,该与目标风险事件对应的目标描述指标值,和对应的目标风险事件本身来源于同一公司,且均处于目标预设时段内。具体地,读取各公司中与目标风险事件对应的目标描述指标值的步骤包括:
步骤S221,将各公司的时间序列数据和目标预设时段的边界时间点对比,确定各公司在边界时间点的目标描述指标;
步骤S222,根据各公司的目标风险事件,查找各公司中目标描述指标的描述指标值,并将查找到的描述指标值确定为各公司中与目标风险事件对应的目标描述指标值。
进一步地,为了确保目标描述指标值位于目标预设时段内,先对此前各公司依据各自描述指标的生成时间所构建的时间序列数据进行读取,并提取目标预设时段的边界时间点,该边界时间点可以是目标预设时段的开始时间,也可以是结束时间,优选为开始时间。进而将各公司的时间序列数据和所提取的边界时间点进行对比,确定各公司的时间序列数据中在边界时间点上的序列数据,进而提取各序列数据中的描述指标作为各公司的目标描述指标。此后依据各公司的目标风险事件,对数据库进行查找,从其中查找出各公司的目标描述指标对应的描述指标值,该描述指标值即为与目标风险事件对应的目标描述指标值。
需要说明的是,因目标风险事件和目标描述指标值均是依据目标预设时段确定,确保了两者属于同一预设时段内。同时各公司的目标描述指标值,依据各公司的目标风险事件查找得到,确保了具有对应关系的目标描述指标值和目标风险事件来源于同一公司。如在一具体实施例中,目标预设时段为(T-△T,T],所涉及到公司包含a、b、c;则先查找公司a、b、c中风险事件的发生时间在该目标预设时段内的目标风险事件,并经查找得到公司a、b、c的目标风险事件分别为aa1、bb1、cc1。此后,提取目标预设时段(T-△T,T]的开始时间T-△T作为边界时间,并经将公司a、b、c的时间序列数据和该边界时间点对比,确定公司a、b、c分别在该边界时间点的目标描述指标f1、f2、f3。若f1、f2、f3的目标描述指标的描述指标值分别为aa2、bb2、cc2,则依据公司a1、b1、c1的目标风险事件aa1、bb1、cc1,分别查找到公司a1、b1、c1的目标描述指标f1、f2、f3的描述指标值aa2、bb2、cc2,作为公司a1、b1、c1中分别与咪表风险事件aa1、bb1、cc1对应的目标描述指标值。即因目标风险事件aa1对应的公司为a,而f1来源于公司a,f1的描述指标值为aa2,从而可确定属于同一公司a的具有对应关系的目标风险事件aa1和目标描述指标值aa2。同样的以此方式可确定来源于公司a的具有对应关系的目标风险事件bb1和目标描述指标值bb2,以及目标风险事件cc1和目标描述指标值cc2。
步骤S23,将各公司中具有对应关系的目标风险事件和目标描述指标值传输到预设模型进行训练,并在训练完成后,从多个预设时段中选取其他预设时段作为目标预设时段,执行根据各发生时间,确定各公司在目标预设时段内的目标风险事件的步骤。
进一步地,将来源于各个同一公司且均存在于目标预设时段内的目标风险事件和目标描述指标值,作为各公司中具有对应关系的目标风险事件和目标描述指标值,并将该具有对应关系的目标风险事件和目标描述指标值传输到预设设置的预设模型中进行训练。在训练完成后,即可得到在该预设时段的模型参数。此后从各个预设时段中随机选取其他预设时段或者按照各预设时段的排列顺序选取下一预设时段作为目标预设时段,并确定各公司在该目标预设时段的目标风险事件及其对应的目标描述指标值进行训练,得到在该目标预设时段的模型参数,直到各预设时段均经训练,得到各个预设时段的模型参数,生成具有各预设时段的模型参数的目标模型。
本实施例通过各公司在多个预设时段内具有对应关系的目标风险事件和目标描述指标值,对预设模型进行训练,得到具有各预设时段的模型参数的目标模型,以使得目标模型可基于各公司的风险事件数据对风险事件的发生概率进行预测,预测具有大量风险事件数据的支撑,更为准确;同时因目标模型的模型参数与各预设时段对应,可实现预测不同时长内的风险情况,预测更为全面。
进一步地,基于本发明风险事件发生概率的预测方法的第一或第二实施例,提出本发明风险事件发生概率的预测方法第三实施例。
所述风险事件发生概率的预测方法第三实施例与所述风险事件发生概率的预测方法第一或第二实施例的区别在于,所述将各所述公司的当前描述指标值分别传输到所述目标模型中,预测各所述公司在不同时段发生风险事件的概率的步骤包括:
步骤S31,逐一读取各公司的当前描述指标值,并针对当前读取的当前描述指标值执行以下步骤:
步骤S32,将当前读取的当前描述指标值传输到目标模型中,并基于目标模型中与各预设时段对应的模型参数,处理当前读取的当前描述指标值,生成与当前读取的当前描述指标值对应的公司在不同时段发生风险事件的概率;
步骤S33,在各公司的当前描述指标值均过经读取,并经目标模型处理后,完成对各公司在不同时段发生风险事件的概率的预测。
本实施例在通过目标模型对各个公司在不同时段发生风险事件的概率进行预测时,先逐一读取各个公司经筛选的在当前时间的当前描述指标值,以针对各个公司逐一预测。具体地,在读取到某一公司的当前描述指标值之后,将其作为当前读取的当前描述指标值传输到目标模型中。通过目标模型在各预设时段的模型参数,对该当前读取的当前描述指标值进行处理,生成在不同时段发生风险事件的概率,且为当前读取的当前描述指标值所来源公司发生风险事件的概率。如当前读取的当前描述指标值m来源于公司w,且预设时段包含有一年、两年和五年,则将m传输到目标模型中,通过目标模型中分别与一年、两年和五年对应的模型参数,对m进行处理,预测公司w在一年、两年和五年发生风险事件的概率。
可理解地,在各个公司的当前描述指标值均经过读取,并传输到目标模型中进行处理后,即可得到各个公司在不同时段发生风险事件的概率,完成对各个公司的预测,以反映各个公司在不同时段发生风险事件可能性的大小。为了便于对各公司发生风险事件的可能性大小进行查看,设置有展示各公司在不同时段发生风险事件的概率机制。具体地,所述预测各所述公司在不同时段发生风险事件的概率的步骤之后包括:
步骤S40,调用预设展示模板,并将各公司在不同时段发生风险事件的概率传输到预设展示模板中,以对各公司在不同时段发生风险事件的概率进行对比展示。
进一步地,预先设置有用于对各公司发生风险事件的概率进行展示的预设展示模板,展示模板至少包括以事件序列为基础的展示模板和以期限结构曲线为基础的展示模板两类。在完成对各公司在不同时段发生风险事件的概率的预测之后,对预设展示模板进行调用,并将各公司在不同时段发生风险事件的概率传输到该预设展示模板中进行对比展示。此外,对于发生风险事件的概率大于预设值的公司,可以以警示的颜色区分展示,并输出预警提醒信息,以提示该公司所可能存在风险。
本实施通过具有不同预设时段的模型参数的目标模型,对当前读取的当前描述指标值进行处理,实现基于各公司在不是时期的风险事件数据对风险事件的发生概率进行预测,预测更为准确;且可预测不同时长内的风险情况,预测更为全面。同时,对于经预测所得到的各个公司在不同时段内发生风险事件的概率,通过预设展示模板进行对比展示,方便了对各公司风险情况的查看,且有利于依据对比展示及时作出响应。
本发明还提供一种风险事件发生概率的预测装置。
参照图3,图3为本发明风险事件发生概率的预测装置第一实施例的功能模块示意图。所述风险事件发生概率的预测装置包括:
获取模块10,用于获取多个公司在连续时段内的风险事件和描述指标值;
训练模块20,用于根据多个预设时段,将各所述公司的风险事件和描述指标值均传输到预设模型进行训练,生成具有与各预设时段对应的模型参数的目标模型;
预测模块30,用于筛选出各所述公司在当前时间的当前描述指标值,并将各所述公司的当前描述指标值分别传输到所述目标模型中,预测各所述公司在不同时段发生风险事件的概率。
进一步地,所述训练模块20包括:
读取单元,用于从多个所述预设时段中任意选取一项作为目标预设时段,并读取各所述公司中风险事件的发生时间;
确定单元,用于根据各所述发生时间,确定各所述公司在所述目标预设时段内的目标风险事件,并读取各所述公司中与所述目标风险事件对应的目标描述指标值;
训练单元,用于将各所述公司中具有对应关系的目标风险事件和目标描述指标值传输到预设模型进行训练,并在训练完成后,从多个所述预设时段中选取其他预设时段作为目标预设时段,执行根据各所述发生时间,确定各所述公司在所述目标预设时段内的目标风险事件的步骤。
进一步地,所述确定单元还用于:
将各所述发生时间和所述目标预设时段对比,判断各所述公司的风险事件中是否具有存在于所述目标预设时段内的风险事件;
若具有存在于所述目标预设时段内的风险事件,则将各所述公司中存在于所述目标预设时段内的风险事件确定目标风险事件。
进一步地,所述获取模块10还包括:
采集单元,用于采集各所述公司在连续时段内与风险相关的关联数据形成数据库,并根据预设风险参数和预设描述参数,从所述数据库中筛选出各所述公司的风险事件和描述指标;
生成单元,用于读取各所述公司中描述指标的描述指标值,并根据各所述公司中描述指标的生成时间,将各所述公司的描述指标分别构建为各所述公司的时间序列数据。
进一步地,所述确定单元还用于:
将各所述公司的时间序列数据和所述目标预设时段的边界时间点对比,确定各所述公司在所述边界时间点的目标描述指标;
根据各所述公司的目标风险事件,查找各所述公司中目标描述指标的描述指标值,并将查找到的所述描述指标值确定为各所述公司中与所述目标风险事件对应的目标描述指标值。
进一步地,所述预测模块30还包括:
执行单元,用于逐一读取各所述公司的当前描述指标值,并针对当前读取的所述当前描述指标值执行以下步骤:
传输单元,用于将当前读取的所述当前描述指标值传输到所述目标模型中,并基于所述目标模型中与各预设时段对应的模型参数,处理当前读取的所述当前描述指标值,生成与当前读取的所述当前描述指标值对应的公司在不同时段发生风险事件的概率;
完成单元,用于在各所述公司的当前描述指标值均经过读取,并经所述目标模型处理后,完成对各所述公司在不同时段发生风险事件的概率的预测。
进一步地,所述风险事件发生概率的预测装置还包括:
展示模块,用于调用预设展示模板,并将各所述公司在不同时段发生风险事件的概率传输到所述预设展示模板中,以对各所述公司在不同时段发生风险事件的概率进行对比展示。
本发明风险事件发生概率的预测装置具体实施方式与上述风险事件发生概率的预测方法各实施例基本相同,在此不再赘述。
此外,本发明实施例还提出一种存储介质。
存储介质上存储有风险事件发生概率的预测程序,风险事件发生概率的预测程序被处理器执行时实现如上所述的风险事件发生概率的预测方法的步骤。
本发明存储介质具体实施方式与上述风险事件发生概率的预测方法各实施例基本相同,在此不再赘述。
上面结合附图对本发明的实施例进行了描述,但是本发明并不局限于上述的具体实施方式,上述的具体实施方式仅仅是示意性的,而不是限制性的,本领域的普通技术人员在本发明的启示下,在不脱离本发明宗旨和权利要求所保护的范围情况下,还可做出很多形式,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,这些均属于本发明的保护之内。
Claims (9)
1.一种风险事件发生概率的预测方法,其特征在于,所述风险事件发生概率的预测方法包括以下步骤:
获取多个公司在连续时段内的风险事件和描述指标值;
根据多个预设时段,将各所述公司的风险事件和描述指标值均传输到预设模型进行训练,生成具有与各预设时段对应的模型参数的目标模型;
筛选出各所述公司在当前时间的当前描述指标值,并将各所述公司的当前描述指标值分别传输到所述目标模型中,预测各所述公司在不同时段发生风险事件的概率;
其中,所述将各所述公司的当前描述指标值分别传输到所述目标模型中,预测各所述公司在不同时段发生风险事件的概率的步骤包括:
逐一读取各所述公司的当前描述指标值,并针对当前读取的所述当前描述指标值执行以下步骤:
将当前读取的所述当前描述指标值传输到所述目标模型中,并基于所述目标模型中与各预设时段对应的模型参数,处理当前读取的所述当前描述指标值,生成与当前读取的所述当前描述指标值对应的公司在不同时段发生风险事件的概率;
在各所述公司的当前描述指标值均经过读取,并经所述目标模型处理后,完成对各所述公司在不同时段发生风险事件的概率的预测。
2.如权利要求1所述的风险事件发生概率的预测方法,其特征在于,所述根据多个预设时段,将各所述公司的风险事件和描述指标值均传输到预设模型进行训练的步骤包括:
从多个所述预设时段中任意选取一项作为目标预设时段,并读取各所述公司中风险事件的发生时间;
根据各所述发生时间,确定各所述公司在所述目标预设时段内的目标风险事件,并读取各所述公司中与所述目标风险事件对应的目标描述指标值;
将各所述公司中具有对应关系的目标风险事件和目标描述指标值传输到预设模型进行训练,并在训练完成后,从多个所述预设时段中选取其他预设时段作为目标预设时段,执行根据各所述发生时间,确定各所述公司在所述目标预设时段内的目标风险事件的步骤。
3.如权利要求2所述的风险事件发生概率的预测方法,其特征在于,所述根据各所述发生时间,确定各所述公司在所述目标预设时段内的目标风险事件的步骤包括:
将各所述发生时间和所述目标预设时段对比,判断各所述公司的风险事件中是否具有存在于所述目标预设时段内的风险事件;
若具有存在于所述目标预设时段内的风险事件,则将各所述公司中存在于所述目标预设时段内的风险事件确定目标风险事件。
4.如权利要求2所述的风险事件发生概率的预测方法,其特征在于,所述获取多个公司在连续时段内的风险事件和描述指标值的步骤包括:
采集各所述公司在连续时段内与风险相关的关联数据形成数据库,并根据预设风险参数和预设描述参数,从所述数据库中筛选出各所述公司的风险事件和描述指标;
读取各所述公司中描述指标的描述指标值,并根据各所述公司中描述指标的生成时间,将各所述公司的描述指标分别构建为各所述公司的时间序列数据。
5.如权利要求4所述的风险事件发生概率的预测方法,其特征在于,所述读取各所述公司中与所述目标风险事件对应的目标描述指标值的步骤包括:
将各所述公司的时间序列数据和所述目标预设时段的边界时间点对比,确定各所述公司在所述边界时间点的目标描述指标;
根据各所述公司的目标风险事件,查找各所述公司中目标描述指标的描述指标值,并将查找到的所述描述指标值确定为各所述公司中与所述目标风险事件对应的目标描述指标值。
6.如权利要求1-5任一项所述的风险事件发生概率的预测方法,其特征在于,所述预测各所述公司在不同时段发生风险事件的概率的步骤之后包括:
调用预设展示模板,并将各所述公司在不同时段发生风险事件的概率传输到所述预设展示模板中,以对各所述公司在不同时段发生风险事件的概率进行对比展示。
7.一种风险事件发生概率的预测装置,其特征在于,所述风险事件发生概率的预测装置包括:
获取模块,用于获取多个公司在连续时段内的风险事件和描述指标值;
训练模块,用于根据多个预设时段,将各所述公司的风险事件和描述指标值均传输到预设模型进行训练,生成具有与各预设时段对应的模型参数的目标模型;
预测模块,用于筛选出各所述公司在当前时间的当前描述指标值,并将各所述公司的当前描述指标值分别传输到所述目标模型中,预测各所述公司在不同时段发生风险事件的概率;
其中,所述预测模块还用于:
逐一读取各所述公司的当前描述指标值,并针对当前读取的所述当前描述指标值执行以下步骤:
将当前读取的所述当前描述指标值传输到所述目标模型中,并基于所述目标模型中与各预设时段对应的模型参数,处理当前读取的所述当前描述指标值,生成与当前读取的所述当前描述指标值对应的公司在不同时段发生风险事件的概率;
在各所述公司的当前描述指标值均经过读取,并经所述目标模型处理后,完成对各所述公司在不同时段发生风险事件的概率的预测。
8.一种风险事件发生概率的预测设备,其特征在于,所述风险事件发生概率的预测设备包括存储器、处理器以及存储在所述存储器上并可在所述处理器上运行的风险事件发生概率的预测程序,所述风险事件发生概率的预测程序被所述处理器执行时实现如权利要求1-6中任一项所述的风险事件发生概率的预测方法的步骤。
9.一种存储介质,其特征在于,所述存储介质上存储有风险事件发生概率的预测程序,所述风险事件发生概率的预测程序被处理器执行时实现如权利要求1-6中任一项所述的风险事件发生概率的预测方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010011988.7A CN111222790B (zh) | 2020-01-06 | 2020-01-06 | 风险事件发生概率的预测方法、装置、设备及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010011988.7A CN111222790B (zh) | 2020-01-06 | 2020-01-06 | 风险事件发生概率的预测方法、装置、设备及存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111222790A CN111222790A (zh) | 2020-06-02 |
CN111222790B true CN111222790B (zh) | 2022-07-26 |
Family
ID=70831289
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010011988.7A Active CN111222790B (zh) | 2020-01-06 | 2020-01-06 | 风险事件发生概率的预测方法、装置、设备及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111222790B (zh) |
Families Citing this family (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111798151A (zh) * | 2020-07-10 | 2020-10-20 | 深圳前海微众银行股份有限公司 | 企业欺诈风险评估方法、装置、设备及可读存储介质 |
CN111967774B (zh) * | 2020-08-18 | 2023-08-22 | 中国银行股份有限公司 | 软件质量风险预测方法及装置 |
CN112232377A (zh) * | 2020-09-22 | 2021-01-15 | 中财绿指(北京)信息咨询有限公司 | 一种企业esg三优信用模型构建方法及其装置 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2016118979A2 (en) * | 2015-01-23 | 2016-07-28 | C3, Inc. | Systems, methods, and devices for an enterprise internet-of-things application development platform |
CN109359762A (zh) * | 2018-08-23 | 2019-02-19 | 阿里巴巴集团控股有限公司 | 风险预测模型生成方法、风险预测方法、装置及服务器 |
CN109657837A (zh) * | 2018-11-19 | 2019-04-19 | 平安科技(深圳)有限公司 | 违约概率预测方法、装置、计算机设备和存储介质 |
CN110348721A (zh) * | 2019-06-29 | 2019-10-18 | 北京淇瑀信息科技有限公司 | 基于gbst的金融违约风险预测方法、装置和电子设备 |
Family Cites Families (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20070208600A1 (en) * | 2006-03-01 | 2007-09-06 | Babus Steven A | Method and apparatus for pre-emptive operational risk management and risk discovery |
US20140324521A1 (en) * | 2009-02-11 | 2014-10-30 | Johnathan Mun | Qualitative and quantitative analytical modeling of sales performance and sales goals |
CN106355883B (zh) * | 2016-10-20 | 2019-11-29 | 同济大学 | 一种获取交通事故发生概率的方法、装置及系统 |
CN107566358B (zh) * | 2017-08-25 | 2020-10-30 | 腾讯科技(深圳)有限公司 | 一种风险预警提示方法、装置、介质及设备 |
CN109002988B (zh) * | 2018-07-18 | 2023-10-27 | 平安科技(深圳)有限公司 | 风险旅客流量预测方法、装置、计算机设备和存储介质 |
CN110175689A (zh) * | 2018-11-29 | 2019-08-27 | 腾讯科技(深圳)有限公司 | 一种概率预测的方法、模型训练的方法及装置 |
CN109657976A (zh) * | 2018-12-19 | 2019-04-19 | 重庆誉存大数据科技有限公司 | 一种基于Cox回归预测的企业风险失信模型 |
CN110135689A (zh) * | 2019-04-12 | 2019-08-16 | 深圳壹账通智能科技有限公司 | 企业经营风险预警方法、装置及计算机可读存储介质 |
CN110472884A (zh) * | 2019-08-20 | 2019-11-19 | 深圳前海微众银行股份有限公司 | Esg指标监控方法、装置、终端设备及存储介质 |
CN110544052A (zh) * | 2019-09-16 | 2019-12-06 | 北京明略软件系统有限公司 | 关系网络图的展示方法及装置 |
-
2020
- 2020-01-06 CN CN202010011988.7A patent/CN111222790B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2016118979A2 (en) * | 2015-01-23 | 2016-07-28 | C3, Inc. | Systems, methods, and devices for an enterprise internet-of-things application development platform |
CN109359762A (zh) * | 2018-08-23 | 2019-02-19 | 阿里巴巴集团控股有限公司 | 风险预测模型生成方法、风险预测方法、装置及服务器 |
CN109657837A (zh) * | 2018-11-19 | 2019-04-19 | 平安科技(深圳)有限公司 | 违约概率预测方法、装置、计算机设备和存储介质 |
CN110348721A (zh) * | 2019-06-29 | 2019-10-18 | 北京淇瑀信息科技有限公司 | 基于gbst的金融违约风险预测方法、装置和电子设备 |
Non-Patent Citations (1)
Title |
---|
基于知识元的突发事件风险熵预测模型研究;于海峰等;《系统工程学报》;20160215(第01期);正文第117-125页 * |
Also Published As
Publication number | Publication date |
---|---|
CN111222790A (zh) | 2020-06-02 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111222790B (zh) | 风险事件发生概率的预测方法、装置、设备及存储介质 | |
CN105868373B (zh) | 电力业务信息系统关键数据处理方法及装置 | |
CN109688091B (zh) | 多源的威胁情报的质量评估方法及装置 | |
CN110688106B (zh) | 基于可视化配置的量化交易策略编写方法及装置 | |
CN113807747A (zh) | 一种企业预算管理成熟度测评系统 | |
CN111445121A (zh) | 风险评估方法和装置、存储介质及电子装置 | |
CN114416703A (zh) | 数据完整性自动监控方法、装置、设备及介质 | |
CN115358522A (zh) | 一种企业在线监测系统和方法 | |
CN115964272A (zh) | 交易数据自动化测试方法、装置、设备及可读存储介质 | |
CN113806343B (zh) | 一种车联网数据质量的评估方法和系统 | |
CN113469559A (zh) | 一种基于数据质量检查的质量位设计与展示方法及系统 | |
CN102308309A (zh) | 一组标准的映射技术 | |
CN115048379A (zh) | 统计方法、终端设备及计算机可读存储介质 | |
KR101555927B1 (ko) | 프로세스 구간의 소요시간 측정을 통한 작업 지연 원인 분석방법 | |
CN113268525A (zh) | 一种自动优化常模的认知评估方法及系统 | |
CN108491440B (zh) | 一种gnss非实时数据溯源可视化方法和系统 | |
CN112862593A (zh) | 信用评分卡模型训练方法、装置、系统及计算机存储介质 | |
CN107346329B (zh) | 一种数据处理方法和装置 | |
CN117035563B (zh) | 产品质量安全风险监测方法、设备、监测系统及介质 | |
CN112000361A (zh) | 软件安全开发能力成熟度差距分析方法及系统 | |
CN117541053A (zh) | 一种项目风险的提示方法、装置、电子设备及存储介质 | |
Wang et al. | Complaining Behavior Predicting Model for Electric Customers Based on Stochastic Forest Algorithm | |
CN117391579A (zh) | 一种设备信息分析方法、系统和存储介质 | |
CN117763007A (zh) | 数据报表查询方法、装置、电子设备及存储介质 | |
CN117033240A (zh) | 一种接口变更影响范围的预测方法、装置、设备及介质 |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |