CN113077271A - 一种基于bp神经网络的企业信用评级方法及装置 - Google Patents
一种基于bp神经网络的企业信用评级方法及装置 Download PDFInfo
- Publication number
- CN113077271A CN113077271A CN202110528948.4A CN202110528948A CN113077271A CN 113077271 A CN113077271 A CN 113077271A CN 202110528948 A CN202110528948 A CN 202110528948A CN 113077271 A CN113077271 A CN 113077271A
- Authority
- CN
- China
- Prior art keywords
- enterprise
- data
- neural network
- credit
- 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
- 238000013528 artificial neural network Methods 0.000 title claims abstract description 33
- 238000000034 method Methods 0.000 title claims abstract description 22
- 238000003062 neural network model Methods 0.000 claims abstract description 39
- 238000012549 training Methods 0.000 claims abstract description 22
- 238000000556 factor analysis Methods 0.000 claims abstract description 10
- 238000000513 principal component analysis Methods 0.000 claims abstract description 10
- 230000006870 function Effects 0.000 claims description 7
- 238000007781 pre-processing Methods 0.000 claims description 6
- 238000012545 processing Methods 0.000 claims description 6
- 238000012797 qualification Methods 0.000 claims description 4
- 238000004590 computer program Methods 0.000 claims description 3
- 238000013075 data extraction Methods 0.000 claims description 3
- 230000007547 defect Effects 0.000 abstract description 3
- 230000000694 effects Effects 0.000 description 3
- 238000011156 evaluation Methods 0.000 description 3
- 210000002569 neuron Anatomy 0.000 description 2
- 238000005457 optimization Methods 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000003066 decision tree Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000012850 discrimination method Methods 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 230000001788 irregular Effects 0.000 description 1
- 238000007477 logistic regression Methods 0.000 description 1
- 238000002360 preparation method Methods 0.000 description 1
- 238000012216 screening Methods 0.000 description 1
- 238000004088 simulation Methods 0.000 description 1
- 239000002002 slurry Substances 0.000 description 1
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
- G06Q30/00—Commerce
- G06Q30/018—Certifying business or products
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/213—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods
- G06F18/2135—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods based on approximation criteria, e.g. principal component analysis
-
- 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
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- 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
-
- 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
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Human Resources & Organizations (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Entrepreneurship & Innovation (AREA)
- Strategic Management (AREA)
- Evolutionary Computation (AREA)
- Economics (AREA)
- Development Economics (AREA)
- Life Sciences & Earth Sciences (AREA)
- General Engineering & Computer Science (AREA)
- Artificial Intelligence (AREA)
- Marketing (AREA)
- Computational Linguistics (AREA)
- Educational Administration (AREA)
- Computer Vision & Pattern Recognition (AREA)
- General Health & Medical Sciences (AREA)
- General Business, Economics & Management (AREA)
- Mathematical Physics (AREA)
- Biophysics (AREA)
- Computing Systems (AREA)
- Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Software Systems (AREA)
- Molecular Biology (AREA)
- Financial Or Insurance-Related Operations Such As Payment And Settlement (AREA)
- Game Theory and Decision Science (AREA)
- Evolutionary Biology (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Tourism & Hospitality (AREA)
- Bioinformatics & Computational Biology (AREA)
- Accounting & Taxation (AREA)
- Finance (AREA)
- Bioinformatics & Cheminformatics (AREA)
Abstract
本发明提供的一种基于BP神经网络的企业信用评级方法及装置,通过采集企业的信用数据,并进行预处理,得到处理后的数据;对所述处理后的数据进行因子分析和主成分分析,得到因子数据;根据预设的规则设置BP神经网络模型权值的初始值,并通过所述处理后的数据和因子数据进行训练,得到训练好的BP神经网络模型;将所有待评级企业的信用数据输入所述训练好的BP神经网络模型,得到每个企业的信用等级,不仅对输入因子的选择进行改进,提高了训练速度和收敛速度,还优BP神经网络中输出层,并优化和改进隐含层的权值,使它不易陷入局部极小的缺陷,进而提高预测准确性。
Description
技术领域
本发明涉及数据处理技术领域,特别涉及一种基于BP神经网络的企业信用评级方法及装置。
背景技术
法人企业信用等级的评定,是一个技术和业务都相对复杂的过程,需要考量企业成立年份、罚款金额、奖励金额、企业所属行业等诸多诸多因素。
市面上用的比较多的办法是专家判别法,此方法基本是通过个人的经验,对每个指标进行人为的设置权重,全部因素统一设置成百分制。此方法的不足之处在于过于依靠人的经验,假设人的经验不足或者有偏差的情况下,对结果有致命的影响。
技术上的预测模型,不仅限于BP神经网络、逻辑回归、时间序列、决策树等,可是这些算法对数据有很强的依赖性,需要有完整的源数据进行分析,预测准确率有待提高。
基于企业信用等级的分析因子的数据复杂度和多样性等原因,决定对BP神经网络进行改进和优化,可以适用没有规律的源数据,进而提高预测的准确度,为未来类似企业评定做好准备,也为了做好企业信用等级的评定做好预警工作。
缺点1:传统BP算法存在着训练速度慢,收敛速度慢的缺陷;
缺点2:传统BP算法迭代时间过长,在算法运行性能上存在不佳的情况;
缺点3:传统BP算法存在比较容易陷入局部最小点的困惑,对预测后的效果会有大误差;
缺点4:传统BP算法的网络结构比如网络层数、每层节点数比较难确定的问题。
发明内容
(一)要解决的技术问题
为了解决现有技术的上述问题,本发明提供一种基于BP神经网络的企业信用评级方法及装置,能够提高训练速度和收敛速度,信用评级准确度高。
(二)技术方案
为了达到上述目的,本发明采用的一种技术方案为:
一种基于BP神经网络的企业信用评级方法,包括步骤:
S1、采集企业的信用数据,并进行预处理,得到处理后的数据;
S2、对所述处理后的数据进行因子分析和主成分分析,得到因子数据;
S3、根据预设的规则设置BP神经网络模型权值的初始值,并通过所述处理后的数据和因子数据进行训练,得到训练好的BP神经网络模型;
S4、将所有待评级企业的信用数据输入所述训练好的BP神经网络模型,得到每个企业的信用等级。
为了达到上述目的,本发明采用的另一种技术方案为:
一种基于BP神经网络的企业信用评级装置,包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,所述处理器执行所述程序时实现以下步骤:
S1、采集企业的信用数据,并进行预处理,得到处理后的数据;
S2、对所述处理后的数据进行因子分析和主成分分析,得到因子数据;
S3、根据预设的规则设置BP神经网络模型权值的初始值,并通过所述处理后的数据和因子数据进行训练,得到训练好的BP神经网络模型;
S4、将所有待评级企业的信用数据输入所述训练好的BP神经网络模型,得到每个企业的信用等级。
(三)有益效果
本发明的有益效果在于:通过采集企业的信用数据,并进行预处理,得到处理后的数据;对所述处理后的数据进行因子分析和主成分分析,得到因子数据;根据预设的规则设置BP神经网络模型权值的初始值,并通过所述处理后的数据和因子数据进行训练,得到训练好的BP神经网络模型;将所有待评级企业的信用数据输入所述训练好的BP神经网络模型,得到每个企业的信用等级,不仅对输入因子的选择进行改进,提高了训练速度和收敛速度,还优BP神经网络中输出层,并优化和改进隐含层的权值,使它不易陷入局部极小的缺陷,进而提高预测准确性。
附图说明
图1为本发明实施例的基于BP神经网络的企业信用评级方法流程图;
图2为本发明实施例的基于BP神经网络的企业信用评级装置的整体结构示意图。
【附图标记说明】
1:基于BP神经网络的企业信用评级装置;
2:存储器;
3:处理器。
具体实施方式
为了更好的解释本发明,以便于理解,下面结合附图,通过具体实施方式,对本发明作详细描述。
实施例一
请参照图1,一种基于BP神经网络的企业信用评级方法,包括步骤:
S1、采集企业的信用数据,并进行预处理,得到处理后的数据;
步骤S1具体为:
设置目标宽表采集企业的信用数据,并进行数据抽取和校准处理,得到处理后的数据。
所述企业的信用数据包括企业信用代码、评分年份、企业注册金额、企业注册年份、是否被罚款、是否被奖励、是否加入红名单、企业行政许可数量、企业资质许可数量、是否失信被执行、企业所属行业类型和近3年企业利润比例。
S2、对所述处理后的数据进行因子分析和主成分分析,得到因子数据;
步骤S2具体包括:
S21、对所述待处理的数据进行因子分析,得到所有的输入因子;
S22、通过主成分分析计算得到每个输入因子的权重,确定对输出结果影响排名在前百分20的因子,作为输入层的输入变量。
S3、根据预设的规则设置BP神经网络模型权值的初始值,并通过所述处理后的数据和因子数据进行训练,得到训练好的BP神经网络模型;
所述的根据预设的规则设置BP神经网络模型权值的初始值具体为:
可在选定的初始值区域内,将对该区域进行N等分,得到各个小区域;
选取所有小区域中误差函数最小的区域继续N等分,直到误差函数不再减少为止,此时得到的最优点即为BP神经网络模型的初始值。
所述的通过所述处理后的数据和因子数据进行训练,得到训练好的BP神经网络模型具体为:
根据所述输入变量,获取采集企业的信用数据中的百分80的数据作为训练数据对所述BP神经网络模型进行训练,得到训练好的BP神经网络模型。
S4、将所有待评级企业的信用数据输入所述训练好的BP神经网络模型,得到每个企业的信用等级。
所述训练好的BP神经网络模型包括1个隐含层的3层网络,且隐含层数量为20,隐含层结点数量为16。
实施例二
本实施例和实施例一的区别在于,本实施例将结合具体的应用场景进一步说明本发明上述基于BP神经网络的企业信用评级方法是如何实现的:
1、数据采集和处理
设置目标宽表采集企业的信用数据,并使用Kettle或其他采集处理工具进行数据抽取和校准处理,得到处理后的数据,以确保处理后的数据准确无误,提高后续企业信用评级的准确性。
所述企业的信用数据包括企业信用代码、评分年份、企业注册金额、企业注册年份、是否被罚款、是否被奖励、是否加入红名单、企业行政许可数量、企业资质许可数量、是否失信被执行、企业所属行业类型和近3年企业利润比例。
使用Navicat或者PowerDesigner设一个目标宽表,包括字段有:企业信用代码、评分年份、企业注册金额等,如下表所示:
2、输入因子变量的筛选
对企业信用评级的输出产生影响的因素会有很多,这些影响因素有主要的,也有次要的,如果把这些因素都作为BP神经网络输入层的输入,则会导致网络性能的下降,也有可能增加计算复杂性等。为解决BP网络输入层的输入因子难以确定的问题,所以需要对影响预测企业等级输出的众多因素进行筛选。
对所述待处理的数据进行因子分析,得到所有的输入因子;
通过主成分分析计算得到每个输入因子的权重,确定对输出结果影响排名在前百分20的因子,得出的输入因子有:企业注册年份、是否被罚款、是否被奖励、是否失信被执行、注册金额等8个指标,作为输入层的输入变量,其中,近3年企业利润比例、企业注册年份、企业注册金额排在最后几名,强制被筛选掉。
3、BP神经网络权值的初始化
根据预设的规则设置BP神经网络模型权值的初始值;
使用Python或者百度飞浆平台PaddlePaddle,设计和实现算法逻辑,对BP神经网络的权值设置初始值。网络权值的初始值,一般都采用随机产生的初始化的小权重,但即便如此,仍有可能陷入局部最小点,进行下面3小步,可以解决局部最小点的问题。
(1)所述的根据预设的规则设置BP神经网络模型权值的初始值具体为:
(2)可在选定的初始值区域内,将对该区域进行N等分,得到各个小区域;
(3)选取所有小区域中误差函数最小的区域继续N等分,直到误差函数不再减少为止,此时得到的最优点即为BP神经网络模型的初始值。
4、神经网络隐含层的优化
对含有1个隐含层的3层前向神经网络从理论上已经证明了可以逼近任意连续函数,因此,在设计优化神经网络时应优先考虑包含有1个隐含层的3层网络。隐含层数和隐含层神经元数目的选择对BP神经网络的运行性能和误差率都会产生很大的影响。需要通过如下步骤进行:
(1)通过不断增加隐含层数可进一步降低误差E,使精度得以提高,但同时也增加了网络的复杂性,使得网络训练时间提高,通过尝试,将隐含层数设置成20比较合适;
(2)不断增加隐含层中神经元数目,则可以减少误差E,但同时也提高了网络训练时间,通过尝试,将隐含层节点数设置成16比较合适;
5、输入数据的优化
导致实验效果不佳的原因可能在于训练数据中含有噪音的干扰和影响。对于这个问题,希望更换其它训练样本(无噪音)重新进行实验,若现实生活中没有更多的可供选择的训练数据,可以通过如下方式解决:
(1)不断增加数据量,不断增加不同类型的数据,去除一些脏数据,去除一些不连续的数据;
(2)对缺失的数据进行模拟仿真,比如缺失电力行业企业的原始数据,可以通过使用相似的企业,比如旅游行业企业的数据乘以0.97作为电力行业企业的数据。
所述的通过所述处理后的数据和因子数据进行训练,得到训练好的BP神经网络模型具体为:
根据所述输入变量,获取采集企业的信用数据中的百分80的数据作为训练数据对所述BP神经网络模型进行训练,得到训练好的BP神经网络模型。
S4、将所有待评级企业的信用数据输入所述训练好的BP神经网络模型,得到每个企业的信用等级。
实施例三
请参照图2,一种基于BP神经网络的企业信用评级装置1,包括存储器2、处理器3及存储在存储器2上并可在处理器3上运行的计算机程序,所述处理器3执行所述程序时实现实施例一中的各个步骤。
以上所述仅为本发明的实施例,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同变换,或直接或间接运用在相关的技术领域,均同理包括在本发明的专利保护范围内。
Claims (10)
1.一种基于BP神经网络的企业信用评级方法,其特征在于,包括步骤:
S1、采集企业的信用数据,并进行预处理,得到处理后的数据;
S2、对所述处理后的数据进行因子分析和主成分分析,得到因子数据;
S3、根据预设的规则设置BP神经网络模型权值的初始值,并通过所述处理后的数据和因子数据进行训练,得到训练好的BP神经网络模型;
S4、将所有待评级企业的信用数据输入所述训练好的BP神经网络模型,得到每个企业的信用等级。
2.根据权利要求1所述的种基于BP神经网络的企业信用评级方法,其特征在于,步骤S1具体为:
设置目标宽表采集企业的信用数据,并进行数据抽取和校准处理,得到处理后的数据。
3.根据权利要求1所述的种基于BP神经网络的企业信用评级方法,其特征在于,所述企业的信用数据包括企业信用代码、评分年份、企业注册金额、企业注册年份、是否被罚款、是否被奖励、是否加入红名单、企业行政许可数量、企业资质许可数量、是否失信被执行、企业所属行业类型和近3年企业利润比例。
4.根据权利要求1所述的种基于BP神经网络的企业信用评级方法,其特征在于,步骤S2具体包括:
S21、对所述待处理的数据进行因子分析,得到所有的输入因子;
S22、通过主成分分析计算得到每个输入因子的权重,确定对输出结果影响排名在前百分20的因子,作为输入层的输入变量。
5.根据权利要求1所述的种基于BP神经网络的企业信用评级方法,其特征在于,所述的根据预设的规则设置BP神经网络模型权值的初始值具体为:
可在选定的初始值区域内,将对该区域进行N等分,得到各个小区域;
选取所有小区域中误差函数最小的区域继续N等分,直到误差函数不再减少为止,此时得到的最优点即为BP神经网络模型的初始值。
6.根据权利要求4所述的种基于BP神经网络的企业信用评级方法,其特征在于,所述的通过所述处理后的数据和因子数据进行训练,得到训练好的BP神经网络模型具体为:
根据所述输入变量,获取采集企业的信用数据中的百分80的数据作为训练数据对所述BP神经网络模型进行训练,得到训练好的BP神经网络模型。
7.根据权利要求1所述的种基于BP神经网络的企业信用评级方法,其特征在于,所述训练好的BP神经网络模型包括1个隐含层的3层网络,且隐含层数量为20,隐含层结点数量为16。
8.一种基于BP神经网络的企业信用评级装置,包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,其特征在于,所述处理器执行所述程序时实现以下步骤:
S1、采集企业的信用数据,并进行预处理,得到处理后的数据;
S2、对所述处理后的数据进行因子分析和主成分分析,得到因子数据;
S3、根据预设的规则设置BP神经网络模型权值的初始值,并通过所述处理后的数据和因子数据进行训练,得到训练好的BP神经网络模型;
S4、将所有待评级企业的信用数据输入所述训练好的BP神经网络模型,得到每个企业的信用等级。
9.根据权利要求1所述的种基于BP神经网络的企业信用评级装置,其特征在于,步骤S1具体为:
设置目标宽表采集企业的信用数据,并进行数据抽取和校准处理,得到处理后的数据。
10.根据权利要求1所述的种基于BP神经网络的企业信用评级装置,其特征在于,所述企业的信用数据包括企业信用代码、评分年份、企业注册金额、企业注册年份、是否被罚款、是否被奖励、是否加入红名单、企业行政许可数量、企业资质许可数量、是否失信被执行、企业所属行业类型和近3年企业利润比例。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110528948.4A CN113077271A (zh) | 2021-05-14 | 2021-05-14 | 一种基于bp神经网络的企业信用评级方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110528948.4A CN113077271A (zh) | 2021-05-14 | 2021-05-14 | 一种基于bp神经网络的企业信用评级方法及装置 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN113077271A true CN113077271A (zh) | 2021-07-06 |
Family
ID=76616931
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110528948.4A Pending CN113077271A (zh) | 2021-05-14 | 2021-05-14 | 一种基于bp神经网络的企业信用评级方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113077271A (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113590807A (zh) * | 2021-08-05 | 2021-11-02 | 苏州工业园区企业发展服务中心 | 一种基于大数据挖掘的科技企业信用评价方法 |
CN115511506A (zh) * | 2022-09-30 | 2022-12-23 | 中国电子科技集团公司第十五研究所 | 企业信用的评级方法、装置、终端设备和存储介质 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107506941A (zh) * | 2017-09-09 | 2017-12-22 | 杭州数立方征信有限公司 | 一种基于大数据技术的建筑施工企业信用评价方法和系统 |
CN108399453A (zh) * | 2018-01-24 | 2018-08-14 | 国家电网公司 | 一种电力客户信用等级评价方法和装置 |
US20210117776A1 (en) * | 2019-10-22 | 2021-04-22 | Baidu Usa Llc | Method, electronic device and computer readable medium for information processing for accelerating neural network training |
-
2021
- 2021-05-14 CN CN202110528948.4A patent/CN113077271A/zh active Pending
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107506941A (zh) * | 2017-09-09 | 2017-12-22 | 杭州数立方征信有限公司 | 一种基于大数据技术的建筑施工企业信用评价方法和系统 |
CN108399453A (zh) * | 2018-01-24 | 2018-08-14 | 国家电网公司 | 一种电力客户信用等级评价方法和装置 |
US20210117776A1 (en) * | 2019-10-22 | 2021-04-22 | Baidu Usa Llc | Method, electronic device and computer readable medium for information processing for accelerating neural network training |
Non-Patent Citations (2)
Title |
---|
赵囡: "基于PCA-BPNN的互联网公司信用风险预警模型", 《上海经济》 * |
马加宁: "协同产品创新中概念设计过程建模及关键技术研究", 知识产权出版社 * |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113590807A (zh) * | 2021-08-05 | 2021-11-02 | 苏州工业园区企业发展服务中心 | 一种基于大数据挖掘的科技企业信用评价方法 |
CN113590807B (zh) * | 2021-08-05 | 2023-07-25 | 苏州工业园区企业发展服务中心 | 一种基于大数据挖掘的科技企业信用评价方法 |
CN115511506A (zh) * | 2022-09-30 | 2022-12-23 | 中国电子科技集团公司第十五研究所 | 企业信用的评级方法、装置、终端设备和存储介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112017025B (zh) | 一种基于深度学习与逻辑回归相融合的企业信用评估方法 | |
CN106372952A (zh) | 一种基于主客观赋权多模型组合验证的企业信用评价方法及系统 | |
CN109325691A (zh) | 异常行为分析方法、电子设备及计算机程序产品 | |
CN107563645A (zh) | 一种基于大数据的金融风险分析方法 | |
CN106228389A (zh) | 基于随机森林算法的网络潜力用户挖掘方法及系统 | |
CN105354210A (zh) | 移动游戏支付账户行为数据处理方法和装置 | |
CN113077271A (zh) | 一种基于bp神经网络的企业信用评级方法及装置 | |
CN111199469A (zh) | 用户还款模型生成方法、装置及电子设备 | |
CN110047015A (zh) | 一种融合kpca和思维优化bp神经网络的用水总量预测方法 | |
CN111476274B (zh) | 一种大数据预测分析的方法、系统、装置及存储介质 | |
CN111027776A (zh) | 一种基于改进型长短期记忆lstm神经网络的污水处理水质预测方法 | |
CN116340746A (zh) | 一种基于随机森林改进的特征选择方法 | |
CN112184412A (zh) | 一种信用评分卡模型的建模方法、装置、介质及电子设备 | |
CN109977977B (zh) | 一种识别潜在用户的方法及对应装置 | |
CN114021612A (zh) | 一种新型个人信用评估方法及系统 | |
CN105741173A (zh) | 农业类公司投资价值评估方法及系统 | |
CN113065969A (zh) | 企业评分模型构建方法、企业评分方法、介质和电子设备 | |
CN116167629A (zh) | 一种分布式的策略自动化生成方法、系统及存储介质 | |
CN110196797A (zh) | 适于信用评分卡系统的自动优化方法和系统 | |
CN110750572A (zh) | 一种科技成果启发式评价的自适应方法和装置 | |
Nagaraj et al. | IPL Players Cost Pay Prediction using Machine Learning Techniques | |
CN114862092A (zh) | 一种基于神经网络的评标方法及设备 | |
CN108830726A (zh) | 基金池筛选方法及筛选装置 | |
CN113159634A (zh) | 一种金融产品管理方法、装置及电子设备 | |
Rosalina et al. | Maximal Overlap Discrete Wavelet Transform, Graph Theory And Backpropagation Neural Network In Stock Market Forecasting |
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 | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20210706 |