CN112990762A - 一种行业风险指标体系风险指数生成方法及系统 - Google Patents
一种行业风险指标体系风险指数生成方法及系统 Download PDFInfo
- Publication number
- CN112990762A CN112990762A CN202110405950.2A CN202110405950A CN112990762A CN 112990762 A CN112990762 A CN 112990762A CN 202110405950 A CN202110405950 A CN 202110405950A CN 112990762 A CN112990762 A CN 112990762A
- Authority
- CN
- China
- Prior art keywords
- index
- risk
- industry
- neural network
- network model
- 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
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
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
- G06N3/084—Backpropagation, e.g. using gradient descent
-
- 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
- G06Q10/0639—Performance analysis of employees; Performance analysis of enterprise or organisation operations
- G06Q10/06393—Score-carding, benchmarking or key performance indicator [KPI] analysis
Landscapes
- Business, Economics & Management (AREA)
- Engineering & Computer Science (AREA)
- Human Resources & Organizations (AREA)
- Economics (AREA)
- Entrepreneurship & Innovation (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Strategic Management (AREA)
- Educational Administration (AREA)
- Development Economics (AREA)
- General Physics & Mathematics (AREA)
- Marketing (AREA)
- Game Theory and Decision Science (AREA)
- Quality & Reliability (AREA)
- Operations Research (AREA)
- Tourism & Hospitality (AREA)
- General Business, Economics & Management (AREA)
- Data Mining & Analysis (AREA)
- Software Systems (AREA)
- Mathematical Physics (AREA)
- General Engineering & Computer Science (AREA)
- Computing Systems (AREA)
- Molecular Biology (AREA)
- General Health & Medical Sciences (AREA)
- Evolutionary Computation (AREA)
- Computational Linguistics (AREA)
- Biophysics (AREA)
- Biomedical Technology (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Health & Medical Sciences (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明特别涉及一种行业风险指标体系风险指数生成方法及系统。该行业风险指标体系风险指数生成方法及系统,首先设定行业风险指标关联,并判断级别指标要素的合理性以及是否已经列举完全,形成行业风险指标体系;然后构建BP神经网络模型,并利用BP神经网络模型得到指标参数造成的风险的参数值,对指标要素的风险值进行计算,并将计算值存入指数存储模块。该行业风险指标体系风险指数生成方法及系统,基于行业经验和专家知识,采用迭代法确定行业风险指标体系,并使用BP神经网络模型计算指标要素风险值,克服了线性方程在计算指标要素风险值时的不合理性,并基于风险要素值最终计算得出该行业风险指数,提升了行业风险指数的准确性和合理性。
Description
技术领域
本发明涉及数据处理技术领域,特别涉及一种行业风险指标体系风险指数生成方法及系统。
背景技术
随着经济社会不断发展,尤其随着信息技术在行业融合、交叉发展方面作用的凸显,在各行业获得快速发展的同时,也逐渐面临更多的不可控风险。而目前对行业风险分析较多关注于发展趋势等定性分析方面,分析手段不统一、不合理,缺乏合理、有效的指标体系和量化的指数来进行行业风险确定,从而导致无法更为直观和准确的对行业的风险进行干预。
同时,对于指标要素对应风险值的计算,传统的都是采用线性方程的方式来进行,而由于很多的指标要素与风险值并非线性对应关系,导致计算得出的风险值存在一定的误差。
基于此,本发明设计了一种行业风险指标体系风险指数生成方法及系统。
发明内容
本发明为了弥补现有技术的缺陷,提供了一种简单高效的行业风险指标体系风险指数生成方法及系统。
本发明是通过如下技术方案实现的:
一种行业风险指标体系风险指数生成方法,其特征在于:包括以下步骤:
第一步,生成行业风险指标体系
首先设定行业风险指标关联,并判断级别指标要素的合理性以及是否已经列举完全,若合理并已经列举完全,则进行迭代次数判断,确认行业风险指标体系各级要素,形成行业风险指标体系;
第二步,构建BP神经网络模型,并利用BP神经网络模型得到指标参数造成的风险的参数值
构造输入层神经元个数与生成的行业风险指标体系最后一级指标要素数一致的BP神经网络模型,并采用批量指标要素数据,通过线下方式对BP神经网络模型进行训练;然后,将指标参数输入训练好的BP神经网络模型,利用BP神经网络模型得到指标参数造成的风险的参数值;
第三步,计算生成各指标要素的风险指数
利用训练好的BP神经网络模型输出的参数值,对指标要素的风险值进行计算,并将计算值存入指数存储模块。
所述第一步中,根据输入的行业信息,设定关联的指标级数并设定初始指标;由行业专家组建的行业专家委员会判断级别指标要素的合理性以及是否已经列举完全,若不合理或没有列举完全,则继续对指标要素的合理性进行调整、并继续补充完善该级别指标要素;
若合理并已经列举完全,则判断该级别指标是否是最后一级指标,若不是,则进入下一级指标要素生成过程;若是,则对指标要素及指标体系进行存储。
所述第二步中,行业风险指标体系包括n级,且最后一级指标要素包括m个指标参数时,BP神经网络模型的输入层包括m个神经元,中间层包括m+2个神经元,输出层包括3个神经元;
所述输入层的每个神经元负载1个指标参数,所述输出层的3个神经元分别代表基于该级指标参数输入值经计算得出的指标参数造成的风险的危害性、可能性和可控性。
所述第三步中,指标要素的风险值P计算公式如下:
其中,A、B和C分别为BP神经网络模型输出层3个神经元的参数值,a、b和c分别为用户自定义的BP神经网络模型输出层3个神经元的权重比例参数。
该行业风险指标体系风险指数生成系统,包括:
1)行业风险指标关联设定模块:负责根据输入的行业信息设定关联的指标级数,并设定初始指标;
2)专家判断模块:由行业专家组建的行业专家委员会依次对该级别指标要素的合理性和该级别指标要素是否已经列举完全等进行判断;若否,则继续对指标要素的合理性进行调整、并继续补充完善该级别指标要素;若是,则进入迭代次数判断模块;
3)迭代次数判断模块:负责判断该级别指标是否是最后一级指标,若否,则进入下一级指标要素生成过程;若是,则完成该行业风险指标体系各级要素确认,形成行业风险指标体系;
4)指标要素及指标体系存储模块:负责存储形成的行业风险指标体系;
6)BP神经网络模型计算模块:负责构造输入层神经元个数与生成的行业风险指标体系最后一级指标要素数一致的BP神经网络模型,并采用批量指标要素数据对BP神经网络模型进行训练,用于指标要素的风险值计算;
6)指数计算模块:负责根据BP神经网络模型计算模块输出的三个维度的参数值来进行指数计算;
7)指数存储模块:负责存储生成的风险指数、行业类别和时间信息,以备调用。
本发明的有益效果是:该行业风险指标体系风险指数生成方法及系统,基于行业经验和专家知识,采用迭代法确定行业风险指标体系,并使用BP神经网络模型计算指标要素风险值,克服了线性方程在计算指标要素风险值时的不合理性,并基于风险要素值最终计算得出该行业风险指数,提升了行业风险指数的准确性和合理性,为行业风险的干预、处置及其他方面的工作奠定了基础。
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附图。
附图1为本发明行业风险指标体系风险指数生成方法示意图。
附图2为本发明BP神经网络模型示意图。
具体实施方式
为了使本技术领域的人员更好的理解本发明中的技术方案,下面将结合本发明实施例,对本发明实施例中的技术方案进行清楚,完整的描述。显然,所描述的实施例仅仅是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都应当属于本发明保护的范围。
人工神经网络是一种模仿动物神经网络行为特征,进行分布式并行信息处理的算法数学模型。这种网络依靠系统的复杂程度,通过调整内部大量节点之间相互连接的关系,从而达到处理信息的目的,并具有自学习和自适应的能力。
BP神经网络是一种按误差逆传播算法训练的多层前馈网络,能学习和存贮大量的输入-输出模式映射关系,而无需事前揭示描述这种映射关系的数学方程,是目前应用最广泛的神经网络模型之一。
该行业风险指标体系风险指数生成方法,包括以下步骤:
第一步,生成行业风险指标体系
首先设定行业风险指标关联,并判断级别指标要素的合理性以及是否已经列举完全,若合理并已经列举完全,则进行迭代次数判断,确认行业风险指标体系各级要素,形成行业风险指标体系;
第二步,构建BP神经网络模型,并利用BP神经网络模型得到指标参数造成的风险的参数值
构造输入层神经元个数与生成的行业风险指标体系最后一级指标要素数一致的BP神经网络模型,并采用批量指标要素数据,通过线下方式对BP神经网络模型进行训练;然后,将指标参数输入训练好的BP神经网络模型,利用BP神经网络模型得到指标参数造成的风险的参数值;
第三步,计算生成各指标要素的风险指数
利用训练好的BP神经网络模型输出的参数值,对指标要素的风险值进行计算,并将计算值存入指数存储模块。
所述第一步中,根据输入的行业信息,设定关联的指标级数并设定初始指标;由行业专家组建的行业专家委员会判断级别指标要素的合理性以及是否已经列举完全,若不合理或没有列举完全,则继续对指标要素的合理性进行调整、并继续补充完善该级别指标要素;
若合理并已经列举完全,则判断该级别指标是否是最后一级指标,若不是,则进入下一级指标要素生成过程;若是,则对指标要素及指标体系进行存储。
所述第二步中,行业风险指标体系包括n级,且最后一级指标要素包括m个指标参数时,BP神经网络模型的输入层包括m个神经元,中间层包括m+2个神经元,输出层包括3个神经元;
所述输入层的每个神经元负载1个指标参数,所述输出层的3个神经元分别代表基于该级指标参数输入值经计算得出的指标参数造成的风险的危害性、可能性和可控性。
所述第三步中,指标要素的风险值P计算公式如下:
其中,A、B和C分别为BP神经网络模型输出层3个神经元的参数值,分别代表指标体系中指标元素风险值的危害性、可能性、可控性三个维度值;a、b和c分别为BP神经网络模型输出层3个神经元输出值的权重比例参数,分别代表与行业相关的(不同行业的权重参数不一样)、并根据行业历史经验得出的权重比例参数(分别对应危害性、可能性、可控性)。
该行业风险指标体系风险指数生成系统,包括:
1)行业风险指标关联设定模块:负责根据输入的行业信息设定关联的指标级数(如输入金融行业,设定的风险指标级数为4级),并设定初始指标(即第1级指标参考,如设定资金、规模、舆情等三个指标要素);
2)专家判断模块:由行业专家组建的行业专家委员会依次对该级别指标要素的合理性和该级别指标要素是否已经列举完全等进行判断;若否,则继续对指标要素的合理性进行调整、并继续补充完善该级别指标要素,具体可采用机器采集与人工判定相结合的方式进行;若是,则进入迭代次数判断模块;
3)迭代次数判断模块:负责判断该级别指标是否是最后一级指标,若否,则进入下一级指标要素生成过程;若是,则完成该行业风险指标体系各级要素确认,形成行业风险指标体系;
4)指标要素及指标体系存储模块:负责存储形成的行业风险指标体系;
7)BP神经网络模型计算模块:负责构造输入层神经元个数与生成的行业风险指标体系最后一级指标要素数一致的BP神经网络模型,并采用批量指标要素数据对BP神经网络模型进行训练,用于指标要素的风险值计算;
6)指数计算模块:负责根据BP神经网络模型计算模块输出的三个维度的参数值来进行指数计算;
7)指数存储模块:负责存储生成的风险指数、行业类别和时间信息,以备调用。后续可根据行业类别、时间等维度生成不同维度的指数曲线,来反映指数变化趋势。
以上所述的实施例,只是本发明具体实施方式的一种,本领域的技术人员在本发明技术方案范围内进行的通常变化和替换都应包含在本发明的保护范围内。
Claims (5)
1.一种行业风险指标体系风险指数生成方法,其特征在于:包括以下步骤:
第一步,生成行业风险指标体系
首先设定行业风险指标关联,并判断级别指标要素的合理性以及是否已经列举完全,若合理并已经列举完全,则进行迭代次数判断,确认行业风险指标体系各级要素,形成行业风险指标体系;
第二步,构建BP神经网络模型,并利用BP神经网络模型得到指标参数造成的风险的参数值
构造输入层神经元个数与生成的行业风险指标体系最后一级指标要素数一致的BP神经网络模型,并采用批量指标要素数据,通过线下方式对BP神经网络模型进行训练;然后,将指标参数输入训练好的BP神经网络模型,利用BP神经网络模型得到指标参数造成的风险的参数值;
第三步,计算生成各指标要素的风险指数
利用训练好的BP神经网络模型输出的参数值,对指标要素的风险值进行计算,并将计算值存入指数存储模块。
2.根据权利要求1所述的行业风险指标体系风险指数生成方法,其特征在于:所述第一步中,根据输入的行业信息,设定关联的指标级数并设定初始指标;由行业专家组建的行业专家委员会判断级别指标要素的合理性以及是否已经列举完全,若不合理或没有列举完全,则继续对指标要素的合理性进行调整、并继续补充完善该级别指标要素;
若合理并已经列举完全,则判断该级别指标是否是最后一级指标,若不是,则进入下一级指标要素生成过程;若是,则对指标要素及指标体系进行存储。
3.根据权利要求1所述的行业风险指标体系风险指数生成方法,其特征在于:所述第二步中,行业风险指标体系包括n级,且最后一级指标要素包括m个指标参数时,BP神经网络模型的输入层包括m个神经元,中间层包括m+2个神经元,输出层包括3个神经元;
所述输入层的每个神经元负载1个指标参数,所述输出层的3个神经元分别代表基于该级指标参数输入值经计算得出的指标参数造成的风险的危害性、可能性和可控性。
5.一种行业风险指标体系风险指数生成系统,其特征在于:包括:
1)行业风险指标关联设定模块:负责根据输入的行业信息设定关联的指标级数,并设定初始指标;
2)专家判断模块:由行业专家组建的行业专家委员会依次对该级别指标要素的合理性和该级别指标要素是否已经列举完全等进行判断;若否,则继续对指标要素的合理性进行调整、并继续补充完善该级别指标要素;若是,则进入迭代次数判断模块;
3)迭代次数判断模块:负责判断该级别指标是否是最后一级指标,若否,则进入下一级指标要素生成过程;若是,则完成该行业风险指标体系各级要素确认,形成行业风险指标体系;
4)指标要素及指标体系存储模块:负责存储形成的行业风险指标体系;
5)BP神经网络模型计算模块:负责构造输入层神经元个数与生成的行业风险指标体系最后一级指标要素数一致的BP神经网络模型,并采用批量指标要素数据对BP神经网络模型进行训练,用于指标要素的风险值计算;
6)指数计算模块:负责根据BP神经网络模型计算模块输出的三个维度的参数值来进行指数计算;
7)指数存储模块:负责存储生成的风险指数、行业类别和时间信息,以备调用。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110405950.2A CN112990762A (zh) | 2021-04-15 | 2021-04-15 | 一种行业风险指标体系风险指数生成方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110405950.2A CN112990762A (zh) | 2021-04-15 | 2021-04-15 | 一种行业风险指标体系风险指数生成方法及系统 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN112990762A true CN112990762A (zh) | 2021-06-18 |
Family
ID=76340622
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110405950.2A Pending CN112990762A (zh) | 2021-04-15 | 2021-04-15 | 一种行业风险指标体系风险指数生成方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112990762A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115222303A (zh) * | 2022-09-20 | 2022-10-21 | 北京共识数信科技有限公司 | 基于大数据的行业风险数据分析方法、系统及存储介质 |
-
2021
- 2021-04-15 CN CN202110405950.2A patent/CN112990762A/zh active Pending
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115222303A (zh) * | 2022-09-20 | 2022-10-21 | 北京共识数信科技有限公司 | 基于大数据的行业风险数据分析方法、系统及存储介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN106529820A (zh) | 一种运营指标的预测方法及系统 | |
CN110059887B (zh) | 基于自适应遗传算法的bp神经网络风险识别方法及系统 | |
CN104503420B (zh) | 一种基于新型fde‑elm和时延efsm的非线性过程工业故障预测方法 | |
CN110244557B (zh) | 一种工业过程多阶惯性闭环系统的闭环建模方法 | |
WO2019160138A1 (ja) | 因果推定装置、因果推定方法、及びプログラム | |
CN111967655A (zh) | 一种短期负荷预测方法及系统 | |
CN114707712A (zh) | 一种发电机组备件需求的预测方法 | |
CN111340236A (zh) | 一种基于债券估值数据与集成机器学习的债券违约预测方法 | |
Chen et al. | A multivariate grey RBF hybrid model for residual useful life prediction of industrial equipment based on state data | |
CN112803398A (zh) | 基于经验模态分解和深度神经网络的负荷预测方法及系统 | |
CN112990762A (zh) | 一种行业风险指标体系风险指数生成方法及系统 | |
CN115809596A (zh) | 一种数字孪生故障诊断方法和装置 | |
CN112288140A (zh) | 一种基于Keras的短期电力负荷预测方法、存储介质和设备 | |
CN108053136A (zh) | 一种基于神经网络的汽车经销商业绩分析专家系统 | |
CN114648178B (zh) | 一种基于ddpg算法的电能计量装置运维策略优化方法 | |
Borysenko et al. | Intelligent forecasting in multi-criteria decision-making. | |
CN116304089A (zh) | 一种融合权重与时态信息的知识图谱补全方法 | |
CN115640893A (zh) | 一种产业链的产业数据预测方法、装置及存储介质 | |
CN114638421A (zh) | 一种发电机组备件需求的预测方法 | |
CN112801558B (zh) | 一种工艺参数调节动作决策模型的优化方法以及装置 | |
JP3354593B2 (ja) | ネットワーク型情報処理装置の学習システム | |
CN115630979A (zh) | 日前电价的预测方法、装置、存储介质及计算机设备 | |
CN112862211A (zh) | 通信管理系统动环缺陷派单方法及装置 | |
CN114066250A (zh) | 一种输电项目修理成本测算方法、装置、设备及存储介质 | |
CN113159330A (zh) | 基于层次任务网规划模型学习的专业学习路径系统及方法 |
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 | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20210618 |
|
RJ01 | Rejection of invention patent application after publication |