CN113506039A - 一种基于智能ai机器学习的用于风险预测方法及装置 - Google Patents
一种基于智能ai机器学习的用于风险预测方法及装置 Download PDFInfo
- Publication number
- CN113506039A CN113506039A CN202110888042.3A CN202110888042A CN113506039A CN 113506039 A CN113506039 A CN 113506039A CN 202110888042 A CN202110888042 A CN 202110888042A CN 113506039 A CN113506039 A CN 113506039A
- Authority
- CN
- China
- Prior art keywords
- project
- feature set
- risk prediction
- data
- risk
- 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
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
- G06F18/2415—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on parametric or probabilistic models, e.g. based on likelihood ratio or false acceptance rate versus a false rejection rate
-
- 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
- G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Business, Economics & Management (AREA)
- Human Resources & Organizations (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Economics (AREA)
- Strategic Management (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- Entrepreneurship & Innovation (AREA)
- Health & Medical Sciences (AREA)
- Mathematical Physics (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Biomedical Technology (AREA)
- Software Systems (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Development Economics (AREA)
- Tourism & Hospitality (AREA)
- Marketing (AREA)
- General Business, Economics & Management (AREA)
- Game Theory and Decision Science (AREA)
- Evolutionary Biology (AREA)
- Educational Administration (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Probability & Statistics with Applications (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明提供了一种基于智能AI机器学习的用于风险预测方法及装置,运用于项目风险预测领域;抽取项目数据并清洗,获取多个项目的样本数据,根据样本数据得到每个项目的特征集合,包括项目基本特征集、项目工作量特征集、项目计划特征集、项目跟踪特征集和项目变更特征集;利用各个样本项目的特征集合训练得到风险预测模型;将待验证项目的特征集合输入到风险预测模型中,得到验证结果,即为项目风险预测结果;比较项目风险预测结果和项目的实际风险情况,训练风险预测模型;以提前预测软件研发项目风险。
Description
技术领域
本发明涉及项目风险预测领域,特别涉及为一种基于智能AI机器学习的用于风险预测方法及装置。
背景技术
随着科学技术的不断发展,软件研发项目的复杂性不断增大,研发周期不断增长、且不确定性因素较多,为了减小风险发生概率并有效避免潜在风险对整个研发项目的损失,有必要对软件研发项目风险进行预测。现有文献提出基于粗糙集理论对电网建设项目的风险关系进行分析,计算风险因素的相关系数,为软件项目的风险管理提供依据,但存在项目风险因素两两之间相关项不高的问题。在上述基础上还提出了将粗糙集理论与AHP理论相结合,利用粗糙集分析项目风险群决策实现属性约简,结合层次分析法实现项目风险的定量研究分析。现有文献还提出了将RBS故障树理论、粗糙集与信息熵相结合对建筑项目施工进度进行风险评估,但构造故障树的多余量相当繁重,难度也较大,易发生错误。并且每个分析人员所取的研究范围各有不同,其所得结论的可信性也就有所不同。
随着人工智能和大数据的发展,神经网络受到了越来越多研究者的关注。由于神经网络有很强的非线性拟合能力,对非线性关系的映射有较好的效果,因此近年来相关学者将神经网络和软件项目风险研究相结合,并取得了一定的成果。现有文献提出了一种就支持向量机的软件项目风险预测方法,能够一定程度上对项目风险进行预测,但该向量机存在的指标权值问题没有得到解决。现有文献还提出一种基于BP神经网络的软件项目投资偏离预警模型。通过定义预警指标并结合神经网络实现软件项目的投资偏离程度预测,但BP神经网络存在网络参数较多、全局最优值难寻找和样本的严重依赖性等特点,这些都限制了传统BP神经网络在实际软件研发项目风险预测中的应用。
鉴于此,本发明提出一种基于智能AI机器学习的用于风险预测方法系统及其装置,意为解决传统项目风险预测精确度不高的问题,以提前预测项目风险。
发明内容
本发明旨在解决软件项目预测精确度不高的问题,提供一种基于智能AI机器学习的用于风险预测方法系统及其装置。
本发明提供一种基于智能AI机器学习的、用于风险预测方法,所述预测方法步骤包括:
实时获得项目样本数据,对项目样本数据进行分析处理得出样本数据;
将得出的样本数据进行特征归集,分类出项目基本特征集、项目工作量特征集、项目计划特征集、项目跟踪计划集和项目变更特征集;
训练所述基本特征集、项目工作量特征集、项目计划特征集、项目跟踪计划集和项目变更特征集的特征集合以构造风险预测模型;
将尚未验证的特征集合输入至风险预测模型中,以此得到验证结果,即为项目风险预测结果;
将项目风险预测结果与项目实际将发生的风险情况相比对,以训练风险预测模型。
进一步地,实时获得项目样本数据,对项目样本数据进行分析处理得出样本数据的步骤中运用卷积神经网络模型对项目样本数据进行膨胀卷积操作。
进一步地,系统分类项目特征归集的训练过程包括:
系统分类项目特征归集的训练过程包括:
将得出的样本数据输入到卷积神经网络模型中,进行特征向量提取;
把提取出的特征向量代入至项目基本特征集、项目工作量特征集、项目计划特征集、项目跟踪计划集和项目变更特征集中,得到数据完整的各个特征集,若提取的样本数据不足以使特征集数据完整,则通过进行下一步骤计算损失函数以得出数据完整的特征集;
计算卷积神经网络模型的损失函数,使用Adam优化器对损失函数进行优化,当损失函数为最小值时,完成该系统的模型训练。
进一步地,损失函数的求值公式为:
进一步地,该系统的卷积神经网络模型还包括计算层和提取层;所述计算层用于神经网络模型报告的项目数据计算,所述提取层用于根据提取层提取的项目数据计算得到软件项目数据。
进一步地,未验证的特征输入至风险预测模型的过程包括:
向待验证的特征集合输入提取好的项目数据;
向待验证的特征集合输入提取的软件项目数据;
得到验证后的项目风险预测结果。
进一步地,将项目风险预测结果与项目实际将发生的风险情况比对过程具有针对性和经济性,其中针对性主要体现为对项目主要风险因素提出必要的措施,经济性主要体现为在风险预测中应规避的风险与该风险可能造成的损失,寻求冒最小的风险获取最大的风险效益。
本发明还提供了一种基于智能AI机器学习的、用于风险预测方法的装置,包括:
数据录取模块,用于实时获得项目样本数据,对项目样本数据进行分析处理得出样本数据;
归集模块,用于将得出的样本数据进行特征归集,分类出项目基本特征集、项目工作量特征集、项目计划特征集、项目跟踪计划集和项目变更特征集;
训练模块,用于训练所述基本特征集、项目工作量特征集、项目计划特征集、项目跟踪计划集和项目变更特征集的特征集合以构造风险预测模型;
代入模块,用于将尚未验证的特征集合输入至风险预测模型中,以此得到验证结果,即为项目风险预测结果;
比对模块,用于将项目风险预测结果与项目实际将发生的风险情况相比对,以训练风险预测模型。
进一步地,训练模块包括:
提取子模块:将得出的样本数据输入到卷积神经网络模型中,进行特征向量提取;
代入子模块:把提取出的特征向量代入至项目基本特征集、项目工作量特征集、项目计划特征集、项目跟踪计划集和项目变更特征集中,得到数据完整的各个特征集,若提取的样本数据不足以使特征集数据完整,则添加步骤S33;
计算子模块:计算卷积神经网络模型的损失函数,使用Adam优化器对损失函数进行优化,当损失函数为最小值时,完成该系统的模型训练。
进一步地,代入模块包括:
第一输入子模块:向待验证的特征集合输入提取好的项目数据;
第二输入子模块:向待验证的特征集合输入提取的软件项目数据;
预测子模块:得到验证后的项目风险预测结果。
本发明提供了一种基于智能AI机器学习的用于风险预测方法系统及其装置,具有以下有益效果:
1、本发明运用了卷积神经网络对项目样本数据进行膨胀卷积操作,将项目数据的精确度逐渐从粗略转化为细致。
2、本发明利用了损失函数来训练该系统模型,以使可预测风险程度逐渐降低。
3、本发明利用了卷积神经网络对项目数据的计算,以得到验证后的精确风险预测结果。
附图说明
图1为本发明一种基于智能AI机器学习的用于风险预测方法系统一个实施例的整体流程图;
图2为本发明一种基于智能AI机器学习的用于风险预测方法系统及其装置另一个实施例的整体流程图;
本发明为目的的实现、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。
下面将结合本发明的实施例中的附图,对本发明的实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本发明的一部分实施例,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作出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
参考附图1,为本发明一实施例中的一种基于智能AI机器学习的、用于风险预测方法,步骤包括:
实时获得项目样本数据,对项目样本数据进行分析处理得出样本数据;
将得出的样本数据进行特征归集,分类出项目基本特征集、项目工作量特征集、项目计划特征集、项目跟踪计划集和项目变更特征集;
训练所述基本特征集、项目工作量特征集、项目计划特征集、项目跟踪计划集和项目变更特征集的特征集合以构造风险预测模型;
将尚未验证的特征集合输入至风险预测模型中,以此得到验证结果,即为项目风险预测结果;
将项目风险预测结果与项目实际将发生的风险情况相比对,以训练风险预测模型。
在具体实施例中:该系统通过互联网连接实时录入软件项目样本数据,并对录入的软件项目样本数据通过卷积神经网络分析处理以得出样本数据;卷积神经网络进而对样本数据进行膨胀卷积操作,以促进样本数据的精确度逐渐精密;同时卷积神经网络将样本数据输入至自身的神经网络模型中,以提取该样本数据的特征向量;将提出的特征向量代入至基本特征集、项目工作量特征集、项目计划特征集、项目跟踪计划集和项目变更特征集的特征集合中,以得到各个数据完整的特征集;若得出的数据不足以使特征集的数据完整,则通过卷积神经网络计算其损失函数,以使特征集的数据收集完整;通过Adam优化器对损失函数进行逐步优化,以求损失函数的最小值,重新得到数据完整的特征集,同时完成系统对该模型的训练;而后,卷积神经网络模型通过计算模型报告的项目数据,提取其计算结果以得到软件项目数据;将通过计算的项目数据和软件项目数据输入至需要验证的特征集合中,以得到验证后的风险预测结果;将验证后的风险预测结果与实际将发生的结果比对,规避风险、降低损失,以寻求最小的风险值换取最大的风险效益。
在一个实施例中:实时获得项目样本数据,对项目样本数据进行分析处理得出样本数据的步骤中运用卷积神经网络模型对项目样本数据进行膨胀卷积操作。
在本实施例中:卷积神经网络模型作用于对项目样本数据进行膨胀卷积操作,使项目数据的精确度逐渐精细。
在具体实施例中:一种基于智能AI机器学习的用于风险预测方法系统,录入的软件项目样本数据通过卷积神经网络分析处理以得出样本数据,卷积神经网络进而对样本数据进行膨胀卷积操作,以促进样本数据的精确度逐渐精密。
在一个实施例中:系统分类项目特征归集的训练过程包括:
将得出的样本数据输入到卷积神经网络模型中,进行特征向量提取;
把提取出的特征向量代入至项目基本特征集、项目工作量特征集、项目计划特征集、项目跟踪计划集和项目变更特征集中,得到数据完整的各个特征集,若提取的样本数据不足以使特征集数据完整,则通过进行下一步骤计算损失函数以得出数据完整的特征集;
计算卷积神经网络模型的损失函数,使用Adam优化器对损失函数进行优化,当损失函数为最小值时,完成该系统的模型训练。
在本实施例中:训练该系统分类项目特征归集作用于使卷积神经网络模型积累分类特征归集,以使分类效率越来越高;Adam优化器作用于在项目参数的更新不受向量的伸缩变换影响下优化损失函数。
在具体实施例中:一种基于智能AI机器学习的用于风险预测方法系统,卷积神经网络将样本数据输入至自身的神经网络模型中,以提取该样本数据的特征向量;将提出的特征向量代入至项目基本特征集、项目工作量特征集、项目计划特征集、项目跟踪计划集和项目变更特征集中,以得到数据完整的特征集;若得出的数据不足以使特征集的数据完整,则通过卷积神经网络计算其损失函数,以使特征集的数据收集完整;通过Adam优化器对损失函数进行逐步优化,以求损失函数的最小值,重新得到数据完整的特征集,同时完成系统对该模型的训练。
在一个实施例中:损失函数的求值公式为:
在本实施例中:损失函数作用于训练该系统模型,以使可预测风险程度逐渐随着损失函数的最小值变小而降低;
在具体实施例中:一种基于智能AI机器学习的用于风险预测方法系统,通过卷积神经网络计算其损失函数,以使特征集的数据收集完整;通过Adam优化器对损失函数进行逐步优化,以求损失函数的最小值。
在一个实施例中:该系统的卷积神经网络模型还包括计算层和提取层;所述计算层用于神经网络模型报告的项目数据计算,所述提取层用于根据提取层提取的项目数据计算得到软件项目数据。
在本实施例中:卷积神经网络模型的计算层作用于计算卷积神经网络模型报告中的项目数据,卷积神经网络模型的提取层作用于提取已计算完成的项目数据以换算得到软件项目数据。
在具体实施例中:一种基于智能AI机器学习的用于风险预测方法系统,卷积神经网络模型通过计算模型报告的项目数据,提取其计算结果以得到软件项目数据。
在一个实施例中:未验证的特征输入至风险预测模型的过程包括:
向待验证的特征集合输入提取好的项目数据;
向待验证的特征集合输入提取的软件项目数据;
得到验证后的项目风险预测结果。
在本实施例中:输入未验证的特征集合至风险预测模型中作用于得到其验证结果,以得出项目风险预测结果。
在具体实施例中:一种基于智能AI机器学习的用于风险预测方法系统,将通过计算的项目数据和软件项目数据输入至需要验证的特征集合中,以得到验证后的风险预测结果。
在一个实施例中:将项目风险预测结果与项目实际将发生的风险情况比对过程具有针对性和经济性,其中针对性主要体现为对项目主要风险因素提出必要的措施,经济性主要体现为在风险预测中应规避的风险与该风险可能造成的损失,寻求冒最小的风险获取最大的风险效益。
在本实施例中:将项目风险预测结果与项目实际将发生的风险情况比对作用于提前规范可以规避的风险和损失。
在具体实施例中:一种基于智能AI机器学习的用于风险预测方法系统,将项目风险预测结果与项目实际将发生的风险情况做比对,在即将发生的风险中规避该风险可能造成的损失,以寻求冒最小的风险获取最大的风险效益。
参考附图2,为本发明一实施例中的一种基于智能AI机器学习的用于风险预测方法装置,包括:
数据录取模块1,用于实时获得项目样本数据,对项目样本数据进行分析处理得出样本数据;
归集模块2,用于将得出的样本数据进行特征归集,分类出项目基本特征集、项目工作量特征集、项目计划特征集、项目跟踪计划集和项目变更特征集;
训练模块3,用于训练所述基本特征集、项目工作量特征集、项目计划特征集、项目跟踪计划集和项目变更特征集的特征集合以构造风险预测模型;
代入模块4,用于将尚未验证的特征集合输入至风险预测模型中,以此得到验证结果,即为项目风险预测结果;
比对模块5,用于将项目风险预测结果与项目实际将发生的风险情况相比对,以训练风险预测模型。
在具体实施例中:该系统通过互联网连接,数据录取模块1实时录入软件项目样本数据,并对录入的软件项目样本数据通过卷积神经网络分析处理以得出样本数据;卷积神经网络进而对样本数据进行膨胀卷积操作,以促进样本数据的精确度逐渐精密;同时卷积神经网络将样本数据输入至自身的神经网络模型中,以提取该样本数据的特征向量;即归集模块2和训练模块3将提出的特征向量代入至项目基本特征集、项目工作量特征集、项目计划特征集、项目跟踪计划集和项目变更特征集中,以得到数据完整的特征集,若得出的数据不足以使特征集的数据完整,则通过卷积神经网络计算其损失函数,以使特征集的数据收集完整;通过Adam优化器对损失函数进行逐步优化,以求损失函数的最小值,重新得到数据完整的特征集,同时完成系统对该模型的训练;而后,卷积神经网络模型通过计算模型报告的项目数据,提取其计算结果以得到软件项目数据;即代入模块4将计算的项目数据和软件项目数据输入至需要验证的特征集合中,以得到验证后的风险预测结果;即比对模块5将验证后的风险预测结果与实际将发生的结果比对,规避风险、降低损失,以寻求最小的风险值换取最大的风险效益。
在一个实施例中:训练模块包括:
提取子模块:将得出的样本数据输入到卷积神经网络模型中,进行特征向量提取;
代入子模块:把提取出的特征向量代入至项目基本特征集、项目工作量特征集、项目计划特征集、项目跟踪计划集和项目变更特征集中,得到数据完整的各个特征集,若提取的样本数据不足以使特征集数据完整,则添加步骤S33;
计算子模块:计算卷积神经网络模型的损失函数,使用Adam优化器对损失函数进行优化,当损失函数为最小值时,完成该系统的模型训练。
在本实施例中:提取子模块作用于将得出的样本数据输入到卷积神经网络模型中,进行特征向量提取;代入子模块作用于把提取出的特征向量代入至项目基本特征集、项目工作量特征集、项目计划特征集、项目跟踪计划集和项目变更特征集中,得到数据完整的特征集;计算子模块作用于计算卷积神经网络模型的损失函数。
在具体实施例中:一种基于智能AI机器学习的用于风险预测方法装置,提取子模块将得出的样本数据输入到卷积神经网络模型中,进行特征向量提取,代入子模块把提取出的特征向量代入至项目基本特征集、项目工作量特征集、项目计划特征集、项目跟踪计划集和项目变更特征集中,得到数据完整的特征集,若提取的样本数据不足以使特征集数据完整,则计算卷积神经网络模型中的损失函数最小值以得到完整数据的特征集;
在一个实施例中:代入模块包括:
第一输入子模块:向待验证的特征集合输入提取好的项目数据;
第二输入子模块:向待验证的特征集合输入提取的软件项目数据;
预测子模块:得到验证后的项目风险预测结果。
在本实施例中:第一输入子模块作用于将提取好的项目数据输入至待验证的特征集合中;第二输入子模块作用于将提取好的软件项目数据输入至待验证的特征集合中;预测子模块作用于获取验证过的项目风险预测结果。
在具体实施例中:一种基于智能AI机器学习的用于风险预测方法装置,第一输入子模块将提取好的项目数据输入至待验证的特征集合中,继而第二输入子模块作用于将提取好的软件项目数据输入至待验证的特征集合中,最后预测子模块即可获取验证过的项目风险预测结果。
综上所述,
对应的工作流程+有益效果:
该系统通过互联网连接,数据录取模块实时录入软件项目样本数据,并对录入的软件项目样本数据通过卷积神经网络分析处理以得出样本数据;卷积神经网络进而对样本数据进行膨胀卷积操作,以促进样本数据的精确度逐渐精密;同时卷积神经网络将样本数据输入至自身的神经网络模型中,以提取该样本数据的特征向量;即归集模块和训练模块将提出的特征向量代入至项目基本特征集、项目工作量特征集、项目计划特征集、项目跟踪计划集和项目变更特征集中,以得到数据完整的特征集,若得出的数据不足以使特征集的数据完整,则通过卷积神经网络计算其损失函数,以使特征集的数据收集完整;通过Adam优化器对损失函数进行逐步优化,以求损失函数的最小值,重新得到数据完整的特征集,同时完成系统对该模型的训练;而后,卷积神经网络模型通过计算模型报告的项目数据,提取其计算结果以得到软件项目数据;即代入模块将计算的项目数据和软件项目数据输入至需要验证的特征集合中,以得到验证后的风险预测结果;即比对模块将验证后的风险预测结果与实际将发生的结果比对,规避风险、降低损失,以寻求最小的风险值换取最大的风险效益。
1、本发明运用了卷积神经网络对项目样本数据进行膨胀卷积操作,使项目数据的精确度由粗至细进行过渡。
2、本发明利用了损失函数来训练该系统模型,以使可预测风险程度逐渐降低。
3、本发明利用了卷积神经网络对项目数据的计算,以得到验证后的精确风险预测结果。
尽管已经示出和描述了本发明的实施例,对于本领域的普通技术人员而言,可以理解在不脱离本发明的原理和精神的情况下可以对这些实施例进行多种变化、修改、替换和变型,本发明的范围由所附权利要求及其等同物限定。
Claims (10)
1.一种基于智能AI机器学习的用于风险预测方法,其特征在于,所述预测方法步骤包括:
实时获得项目样本数据,对项目样本数据进行分析处理得出样本数据;
将得出的样本数据进行特征归集,分类出项目基本特征集、项目工作量特征集、项目计划特征集、项目跟踪计划集和项目变更特征集;
训练所述基本特征集、项目工作量特征集、项目计划特征集、项目跟踪计划集和项目变更特征集的特征集合以构造风险预测模型;
将尚未验证的特征集合输入至风险预测模型中,以此得到验证结果,即为项目风险预测结果;
将项目风险预测结果与项目实际将发生的风险情况相比对,以训练风险预测模型。
2.根据权利要求1所述的一种基于智能AI机器学习的用于风险预测方法,其特征在于,所述实时获得项目样本数据,对项目样本数据进行分析处理得出样本数据的步骤中运用卷积神经网络模型对项目样本数据进行膨胀卷积操作。
3.根据权利要求1所述的一种基于智能AI机器学习的用于风险预测方法,其特征在于,所述系统分类项目特征归集的训练过程包括:
将得出的样本数据输入到卷积神经网络模型中,进行特征向量提取;
把提取出的特征向量代入至项目基本特征集、项目工作量特征集、项目计划特征集、项目跟踪计划集和项目变更特征集中,得到数据完整的各个特征集,若提取的样本数据不足以使特征集数据完整,则通过进行下一步骤计算损失函数以得出数据完整的特征集;
计算卷积神经网络模型的损失函数,使用Adam优化器对损失函数进行优化,当损失函数为最小值时,完成该系统的模型训练。
5.根据权利要求3所述的一种基于智能AI机器学习的用于风险预测方法,其特征在于,所述该系统的卷积神经网络模型还包括计算层和提取层;所述计算层用于神经网络模型报告的项目数据计算,所述提取层用于根据提取层提取的项目数据计算得到软件项目数据。
6.根据权利要求1所述的一种基于智能AI机器学习的用于风险预测方法,其特征在于,所述未验证的特征输入至风险预测模型的过程包括:
向待验证的特征集合输入提取好的项目数据;
向待验证的特征集合输入提取的软件项目数据;
得到验证后的项目风险预测结果。
7.根据权利要求1所述的一种基于智能AI机器学习的用于风险预测方法,其特征在于,所述将项目风险预测结果与项目实际将发生的风险情况比对过程具有针对性和经济性,其中针对性主要体现为对项目主要风险因素提出必要的措施,经济性主要体现为在风险预测中应规避的风险与该风险可能造成的损失,寻求冒最小的风险获取最大的风险效益。
8.一种基于智能AI机器学习的用于风险预测装置,其特征在于,包括:
数据录取模块,用于实时获得项目样本数据,对项目样本数据进行分析处理得出样本数据;
归集模块,用于将得出的样本数据进行特征归集,分类出项目基本特征集、项目工作量特征集、项目计划特征集、项目跟踪计划集和项目变更特征集;
训练模块,用于训练所述基本特征集、项目工作量特征集、项目计划特征集、项目跟踪计划集和项目变更特征集的特征集合以构造风险预测模型;
代入模块,用于将尚未验证的特征集合输入至风险预测模型中,以此得到验证结果,即为项目风险预测结果;
比对模块,用于将项目风险预测结果与项目实际将发生的风险情况相比对,以训练风险预测模型。
9.根据权利要求8所述的一种基于智能AI机器学习的用于风险预测装置,其特征在于,所述训练模块包括:
提取子模块:将得出的样本数据输入到卷积神经网络模型中,进行特征向量提取;
代入子模块:把提取出的特征向量代入至项目基本特征集、项目工作量特征集、项目计划特征集、项目跟踪计划集和项目变更特征集中,得到数据完整的各个特征集,若提取的样本数据不足以使特征集数据完整,则通过进行下一步骤计算损失函数以得出数据完整的特征集;
计算子模块:计算卷积神经网络模型的损失函数,使用Adam优化器对损失函数进行优化,当损失函数为最小值时,完成该系统的模型训练。
10.根据权利要求8所述的一种基于智能AI机器学习的用于风险预测装置,其特征在于,所述代入模块包括:
第一输入子模块:向待验证的特征集合输入提取好的项目数据;
第二输入子模块:向待验证的特征集合输入提取的软件项目数据;
预测子模块:得到验证后的项目风险预测结果。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110888042.3A CN113506039A (zh) | 2021-08-03 | 2021-08-03 | 一种基于智能ai机器学习的用于风险预测方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110888042.3A CN113506039A (zh) | 2021-08-03 | 2021-08-03 | 一种基于智能ai机器学习的用于风险预测方法及装置 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN113506039A true CN113506039A (zh) | 2021-10-15 |
Family
ID=78015576
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110888042.3A Pending CN113506039A (zh) | 2021-08-03 | 2021-08-03 | 一种基于智能ai机器学习的用于风险预测方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113506039A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115841346A (zh) * | 2023-02-23 | 2023-03-24 | 杭银消费金融股份有限公司 | 用于经营决策的资产减值预测方法和系统 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107104978A (zh) * | 2017-05-24 | 2017-08-29 | 赖洪昌 | 一种基于深度学习的网络风险预警方法 |
CN111387938A (zh) * | 2020-02-04 | 2020-07-10 | 华东理工大学 | 一种基于特征重排一维卷积神经网络的病人心衰死亡风险预测系统 |
CN111667189A (zh) * | 2020-06-10 | 2020-09-15 | 西南石油大学 | 一种基于一维卷积神经网络的建筑工程项目风险预测方法 |
-
2021
- 2021-08-03 CN CN202110888042.3A patent/CN113506039A/zh active Pending
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107104978A (zh) * | 2017-05-24 | 2017-08-29 | 赖洪昌 | 一种基于深度学习的网络风险预警方法 |
CN111387938A (zh) * | 2020-02-04 | 2020-07-10 | 华东理工大学 | 一种基于特征重排一维卷积神经网络的病人心衰死亡风险预测系统 |
CN111667189A (zh) * | 2020-06-10 | 2020-09-15 | 西南石油大学 | 一种基于一维卷积神经网络的建筑工程项目风险预测方法 |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115841346A (zh) * | 2023-02-23 | 2023-03-24 | 杭银消费金融股份有限公司 | 用于经营决策的资产减值预测方法和系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Liu et al. | A new hybrid ensemble deep reinforcement learning model for wind speed short term forecasting | |
Nguyen et al. | Hourly day ahead wind speed forecasting based on a hybrid model of EEMD, CNN-Bi-LSTM embedded with GA optimization | |
CN106650767B (zh) | 基于聚类分析和实时校正的洪水预报方法 | |
CN111461463B (zh) | 一种基于tcn-bp的短期负荷预测方法、系统及设备 | |
CN112396234A (zh) | 一种基于时域卷积神经网络的用户侧负荷概率预测方法 | |
Zhang et al. | A hybrid forecasting system with complexity identification and improved optimization for short-term wind speed prediction | |
CN110110915A (zh) | 一种基于cnn-svr模型的负荷集成预测方法 | |
Wang et al. | Wind speed interval prediction based on multidimensional time series of Convolutional Neural Networks | |
CN116959725A (zh) | 一种多模态数据融合的疾病风险预测方法 | |
He et al. | A cooperative ensemble method for multistep wind speed probabilistic forecasting | |
CN113506039A (zh) | 一种基于智能ai机器学习的用于风险预测方法及装置 | |
Dai et al. | Forecasting power load: A hybrid forecasting method with intelligent data processing and optimized artificial intelligence | |
Liu et al. | A multi-scale forecasting model for CPI based on independent component analysis and non-linear autoregressive neural network | |
Hu et al. | A hybrid prediction model of air quality for sparse station based on spatio-temporal feature extraction | |
CN109190800A (zh) | 一种基于spark框架的海面温度预测方法 | |
CN112132344A (zh) | 一种基于相似日和frs-svm的短期风电功率预测方法 | |
CN113268370A (zh) | 一种根因告警分析方法、系统、设备及存储介质 | |
Zhou et al. | Knowledge fusion and spatiotemporal data cleaning: A review | |
Liu et al. | A hybrid deep learning model based on parallel architecture TCN-LSTM with Savitzky-Golay filter for wind power prediction | |
CN106816871B (zh) | 一种电力系统状态相似性分析方法 | |
Uğuz et al. | A hybrid CNN-LSTM model for traffic accident frequency forecasting during the tourist season | |
Gong et al. | Short-term electricity price forecasting based on novel SVM using artificial fish swarm algorithm under deregulated power | |
Cai et al. | Short-Term Load Forecasting Based on Radam Optimized CNN-BiLSTM-AE Hybrid Model | |
Chen et al. | Online cleaning method of power grid energy anomaly data based on improved random forest | |
Wang et al. | Deep nonlinear ensemble framework for stock index forecasting and uncertainty analysis |
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: 20211015 |
|
RJ01 | Rejection of invention patent application after publication |