CN115147208A - 一种基于人工智能的供应链金融信用风险评价方法及系统 - Google Patents
一种基于人工智能的供应链金融信用风险评价方法及系统 Download PDFInfo
- Publication number
- CN115147208A CN115147208A CN202210860697.4A CN202210860697A CN115147208A CN 115147208 A CN115147208 A CN 115147208A CN 202210860697 A CN202210860697 A CN 202210860697A CN 115147208 A CN115147208 A CN 115147208A
- Authority
- CN
- China
- Prior art keywords
- risk
- evaluation
- supply chain
- data set
- 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
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/004—Artificial life, i.e. computing arrangements simulating life
- G06N3/006—Artificial life, i.e. computing arrangements simulating life based on simulated virtual individual or collective life forms, e.g. social simulations or particle swarm optimisation [PSO]
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- General Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Health & Medical Sciences (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种基于人工智能的供应链金融信用风险评价方法及系统,涉及金融风险评价领域,其中,所述方法包括:确定供应链金融信用风险的评价特征集合;获得目标风险评价数据集合;对其进行数据预处理,可将预处理后的数据作为标准样本数据集合;利用动态变异的粒子群算法得到最优支持向量机参数值,并根据其构建优化后支持向量机模型;利用集成学习算法,对优化后支持向量机模型进行训练,得到强分类器模型;将标准样本数据集合输入至强分类器模型,构建智能信用评价模型,进行后续供应链金融信用风险的评价。达到了提高供应链金融信用风险评价的准确性和精确度,进而提升供应链金融信用风险评价的质量等技术效果。
Description
技术领域
本发明涉及金融风险评价领域,具体地,涉及一种基于人工智能的供应链金融信用风险评价方法及系统。
背景技术
为了解决中小企业融资难的问题,供应链金融应运而生。通过将核心企业与供应链的运营状况引用到供应链金融中,提高了位于供应链上的融资企业的信用水平,有利于融资企业获得贷款。虽然供应链金融解决了中小企业融资难的问题,但是由于供应链金融将多个企业联系在一起,业务复杂,信用风险也随之增大。研究设计一种对供应链金融信用风险进行评价的方法。具有十分重要的现实意义。
现有技术中,存在针对供应链金融信用风险评价的准确性不足,进而造成供应链金融信用风险评价的效果不佳的技术问题。
发明内容
本申请提供了一种基于人工智能的供应链金融信用风险评价方法及系统。解决了现有技术中针对供应链金融信用风险评价的准确性不足,进而造成供应链金融信用风险评价的效果不佳的技术问题。
鉴于上述问题,本申请提供了一种基于人工智能的供应链金融信用风险评价方法及系统。
第一方面,本申请提供了一种基于人工智能的供应链金融信用风险评价方法,其中,所述方法应用于一种基于人工智能的供应链金融信用风险评价系统,所述方法包括:确定供应链金融信用风险的评价特征集合;利用所述评价特征集合,对目标供应链进行金融信用风险的评价数据采集,得到目标风险评价数据集合;对所述目标风险评价数据集合进行数据预处理,可将预处理后的数据作为标准样本数据集合,其中,所述标准样本数据集合包括所述金融信用风险的各供应链节点风险评价数据、及其对应的各数据风险评价等级;利用动态变异的粒子群算法,对支持向量机模型进行参数优化,得到最优支持向量机参数值,且基于所述最优支持向量机参数值,构建优化后支持向量机模型;利用集成学习算法,对所述优化后支持向量机模型进行训练,得到强分类器模型;将所述标准样本数据集合输入至所述强分类器模型进行模型的数据训练,可构建智能信用评价模型,进行后续所述供应链金融信用风险的评价。
第二方面,本申请还提供了一种基于人工智能的供应链金融信用风险评价系统,其中,所述系统包括:评价特征确定模块,所述评价特征确定模块用于确定供应链金融信用风险的评价特征集合;评价数据采集模块,所述评价数据采集模块用于利用所述评价特征集合,对目标供应链进行金融信用风险的评价数据采集,得到目标风险评价数据集合;数据预处理模块,所述数据预处理模块用于对所述目标风险评价数据集合进行数据预处理,可将预处理后的数据作为标准样本数据集合,其中,所述标准样本数据集合包括所述金融信用风险的各供应链节点风险评价数据、及其对应的各数据风险评价等级;构建模块,所述构建模块用于利用动态变异的粒子群算法,对支持向量机模型进行参数优化,得到最优支持向量机参数值,且基于所述最优支持向量机参数值,构建优化后支持向量机模型;训练模块,所述训练模块用于利用集成学习算法,对所述优化后支持向量机模型进行训练,得到强分类器模型;评价模块,所述评价模块用于将所述标准样本数据集合输入至所述强分类器模型进行模型的数据训练,可构建智能信用评价模型,进行后续所述供应链金融信用风险的评价。
本申请中提供的一个或多个技术方案,至少具有如下技术效果或优点:
通过评价特征集合对目标供应链进行金融信用风险的评价数据采集,得到目标风险评价数据集合;对目标风险评价数据集合进行数据预处理,将预处理后的目标风险评价数据集合作为标准样本数据集合;利用动态变异的粒子群算法对支持向量机模型进行参数优化,得到最优支持向量机参数值,基于最优支持向量机参数值构建优化后支持向量机模型;利用集成学习算法对优化后支持向量机模型进行训练,得到强分类器模型;将标准样本数据集合输入至强分类器模型进行模型的数据训练,获得智能信用评价模型,并根据其进行后续供应链金融信用风险的评价。达到了构建稳定性强、准确性高的智能信用评价模型,提高供应链金融信用风险评价的准确性和精确度,进而提升供应链金融信用风险评价的质量;同时,提高供应链金融信用风险评价的智能性、科学性,加快金融领域供给侧结构性改革的技术效果。
附图说明
图1为本申请一种基于人工智能的供应链金融信用风险评价方法的流程示意图;
图2为本申请一种基于人工智能的供应链金融信用风险评价方法中确定评价特征集合的流程示意图;
图3为本申请一种基于人工智能的供应链金融信用风险评价方法中将第一降维数据集标记为标准样本数据集合的流程示意图;
图4为本申请一种基于人工智能的供应链金融信用风险评价系统的结构示意图。
附图标记说明:评价特征确定模块11,评价数据采集模块12,数据预处理模块13,构建模块14,训练模块15,评价模块16。
具体实施方式
本申请通过提供一种基于人工智能的供应链金融信用风险评价方法及系统,解决了现有技术中针对供应链金融信用风险评价的准确性不足,进而造成供应链金融信用风险评价的效果不佳的技术问题。达到了构建稳定性强、准确性高的智能信用评价模型,提高供应链金融信用风险评价的准确性和精确度,进而提升供应链金融信用风险评价的质量;同时,提高供应链金融信用风险评价的智能性、科学性,加快金融领域供给侧结构性改革的技术效果。
实施例一
请参阅附图1,本申请提供一种基于人工智能的供应链金融信用风险评价方法,其中,所述方法应用于一种基于人工智能的供应链金融信用风险评价系统,所述方法具体包括如下步骤:
步骤S100:确定供应链金融信用风险的评价特征集合;
进一步的,本申请步骤S100还包括:
步骤S110:对所述供应链金融信用风险的各供应链节点进行风险评价特征采集,获得初步风险评价特征集合;
步骤S120:通过对所述初步风险评价特征集合,进行供应链前后节点的风险影响性分析,可得到风险影响性分析结果分布;
步骤S130:通过对所述初步风险评价特征集合,进行风险特征的频率分析,可得到各风险频率分布;
具体而言,由所述一种基于人工智能的供应链金融信用风险评价系统通过大数据查询等方式,对供应链金融信用风险的各供应链节点的风险评价特征进行数据采集,获得初步风险评价特征集合,并对其进行供应链前后节点的风险影响性分析,确定风险影响性分析结果分布。进一步,通过对初步风险评价特征集合的风险特征的频率进行分析,确定各风险频率分布。其中,供应链金融是银行等金融机构围绕核心企业,管理上下游中小企业的资金流和物流,把单个企业的不可控风险转变为供应链企业整体的可控风险,并将风险控制在最低的金融服务。所述各供应链节点包括供应链金融信用风险的企业采购节点、企业生产节点、企业销售节点等。所述初步风险评价特征集合包括企业资本评价特征、企业盈利能力评价特征、企业发展能力评价特征、企业信用评价特征等多个风险评价特征。所述风险影响性分析结果分布包括初步风险评价特征集合对供应链前后节点的风险影响性参数、风险影响性参数的分布情况等数据信息。所述各风险频率分布包括初步风险评价特征集合的多个风险评价特征的频率、频率分布情况等数据信息。达到了确定风险影响性分析结果分布和各风险频率分布,为后续获得供应链金融信用风险的评价特征集合提供数据支持的技术效果。
步骤S140:基于所述风险影响性分析结果分布和所述各风险频率分布,确定所述评价特征集合。
进一步的,如附图2所示,本申请步骤S140还包括:
步骤S141:通过对所述风险影响性分析结果分布进行极值筛选,可得到高风险影响性分析结果对应的风险影响性供应链节点;
步骤S142:通过对所述各风险频率分布进行极值筛选,可得到高频率风险对应的频率影响性供应链节点;
步骤S143:通过对所述风险影响性供应链节点和所述频率影响性供应链节点,进行节点重合筛选,可得到风险-频率影响性重合节点集合;
步骤S144:采集所述风险-频率影响性重合节点集合的风险评价特征,并标记为所述评价特征集合。
具体而言,通过对已获得的风险影响性分析结果分布进行极值筛选,获得高风险影响性分析结果,并根据其确定风险影响性供应链节点。通过对已获得的各风险频率分布进行极值筛选,获得高频率风险,并根据其确定频率影响性供应链节点。进一步,将风险影响性供应链节点、频率影响性供应链节点进行比较,获得风险-频率影响性重合节点集合,并根据其进行风险评价特征的采集,获得评价特征集合。其中,所述高风险影响性分析结果为风险影响性分析结果分布中,最大的风险影响性参数。所述风险影响性供应链节点为高风险影响性分析结果对应的供应链节点。所述高频率风险为各风险频率分布中,频率最高的风险评价特征。所述频率影响性供应链节点为高频率风险对应的供应链节点。所述风险-频率影响性重合节点集合包括风险影响性供应链节点与频率影响性供应链节点之间的重合供应链节点。所述评价特征集合包括风险-频率影响性重合节点集合对应的风险评价特征。达到了确定合理性较高的评价特征集合,进而提高后续获得的目标风险评价数据集合的准确性的技术效果。
步骤S200:利用所述评价特征集合,对目标供应链进行金融信用风险的评价数据采集,得到目标风险评价数据集合;
具体而言,通过评价特征集合采集目标供应链的金融信用风险的评价数据,获得目标风险评价数据集合。其中,所述目标供应链可以为使用所述一种基于人工智能的供应链金融信用风险评价系统进行智能化金融信用风险评价的任意供应链。所述目标风险评价数据集合包括目标供应链对应的金融信用风险的各供应链节点风险评价数据、各供应链节点风险评价数据的风险评价等级、各供应链节点风险评价数据的频率等数据信息。且,所述目标风险评价数据集合满足评价特征集合。达到了获得可靠的目标风险评价数据集合,进而提高后续供应链金融信用风险评价的准确性的技术效果。
步骤S300:对所述目标风险评价数据集合进行数据预处理,可将预处理后的数据作为标准样本数据集合,其中,所述标准样本数据集合包括所述金融信用风险的各供应链节点风险评价数据、及其对应的各数据风险评价等级;
进一步的,如附图3所示,本申请步骤S300还包括:
步骤S310:基于所述目标风险评价数据集合,获得第一特征数据集;
步骤S320:对所述第一特征数据集进行中心化处理,获得第二特征数据集;
步骤S330:获得所述第二特征数据集的第一协方差矩阵;
步骤S340:对所述第一协方差矩阵进行运算,获得所述第一协方差矩阵的第一特征值和第一特征向量;
步骤S350:将所述第一特征数据集投影到所述第一特征向量,获得第一降维数据集,其中,所述第一降维数据集为所述第一特征数据集降维之后获得的特征数据集,将所述第一降维数据集标记为所述标准样本数据集合。
具体而言,在获得目标风险评价数据集合的基础上,对其进行数值化处理,获得第一特征数据集。继而,对所述第一特征数据集中各特征数据进行去中心化处理。即,首先求解所述第一特征数据集中各特征数据的平均值,然后对于所有的样本,每一个特征数据都减去自身的均值,继而获得新的特征值,由新的特征数据集构成第二特征数据集,所述第二特征数据集为一数据矩阵。进而,通过协方差公式对所述第二特征数据集进行运算,获得第二特征数据集的第一协方差矩阵。进一步,通过矩阵运算,求出所述第一协方差矩阵的特征值及特征向量,且每一特征值对应一个特征向量,获得第一特征值和第一特征向量。所述第一特征值是由第一协方差矩阵进行矩阵运算后,获得的任一特征值。所述第一特征向量是与所述第一特征值对应的特征向量。进一步,将第一特征数据集投影到第一特征向量之上,获得第一降维数据集,并将第一降维数据集标记为标准样本数据集合。其中,所述第一降维数据集为所述第一特征数据集降维之后获得的特征数据集。所述标准样本数据集合包括金融信用风险的各供应链节点风险评价数据、各供应链节点风险评价数据对应的各数据风险评价等级。达到了通过对目标风险评价数据集合进行数据降维的预处理,获得冗余数据较少、特征维度较低的标准样本数据集合,进而提高后续构建智能信用评价模型的效率的技术效果。
步骤S400:利用动态变异的粒子群算法,对支持向量机模型进行参数优化,得到最优支持向量机参数值,且基于所述最优支持向量机参数值,构建优化后支持向量机模型;
进一步的,本申请步骤S400还包括:
步骤S410:构建含参数的SVM分类差别函数,且初始化粒子的位置和速度,计算初始适应度;
步骤S420:将所述粒子的个体极值设置为当前位置、群体极值设置为初始种群中粒子的最佳位置,并判断所述SVM分类差别函数是否满足收敛条件;
步骤S430:若所述SVM分类差别函数满足所述收敛条件,采用动态权重,更新所述粒子的位置和速度,并计算得到所述初始适应度的方差和变异概率;
步骤S440:判断产生的随机数是否小于所述变异概率;
步骤S450:若产生的随机数小于所述变异概率,执行变异操作,输出所述最优支持向量机参数值。
具体而言,由所述一种基于人工智能的供应链金融信用风险评价系统通过大数据查询,获得含参数的SVM分类差别函数,按照SVM分类差别函数中初始化粒子的位置和速度进行初始适应度的计算。进一步,将初始化粒子的个体极值确定为当前位置,将初始化粒子的群体极值确定为初始种群中粒子的最佳位置,根据当前位置、最佳位置对SVM分类差别函数是否满足收敛条件进行判断。如果SVM分类差别函数满足收敛条件,根据预先设置的动态权重对初始化粒子的位置和速度进行更新,按照更新后的初始化粒子的位置和速度对初始适应度的方差、变异概率进行计算。根据初始适应度的方差和变异概率确定随机数,并对随机数是否小于预设变异概率进行判断。如果随机数小于预设变异概率,通过变异操作获得最优支持向量机参数值。进一步,将最优支持向量机参数值输入支持向量机模型,对支持向量机模型进行迭代优化后,获得优化后支持向量机模型。其中,所述动态变异的粒子群算法参考遗传算法变异的思想,将变异操作引入粒子群算法中,使粒子进入其他新的领域进行搜索,通过循环变异操作,获得最优支持向量机参数值。所述支持向量机模型是根据监督学习方式对数据进行二元分类的广义线性分类模型。达到了通过动态变异的粒子群算法构建稳定性较强的优化后支持向量机模型,进而提高后续获得的强分类器模型的准确性的技术效果。
步骤S500:利用集成学习算法,对所述优化后支持向量机模型进行训练,得到强分类器模型;
进一步的,本申请步骤S500还包括:
步骤S510:输入N个初始学习训练样本集D;
步骤S520:设定初始学习训练样本的权值矩阵;
步骤S530:通过具有权值分布的所述权值矩阵进行数据学习,将所述优化后支持向量机模型作为基学习分类器;
步骤S540:计算所述基学习分类器的分类误差,且判断所述分类误差是否大于预设误差值;
步骤S550:若所述分类误差大于所述预设误差值,计算所述优化后支持向量机模型的分类器权重,并更新所述初始学习训练样本集D的权重,进行迭代学习;
步骤S560:对各个所述优化后支持向量机模型进行弱分类器的组合,可得到所述强分类器模型。
具体而言,将优化后支持向量机模型设置为基学习分类器,将权值矩阵中的权值添加至初始学习训练样本集D,并根据其对基学习分类器进行数据学习,获得基学习分类器的分类误差。进一步,对分类误差是否大于预设误差值进行判断,如果分类误差大于预设误差值,对优化后支持向量机模型的分类器权重进行计算,并对初始学习训练样本集D的权重更新,迭代学习直至基学习分类器的分类误差不大于预设误差值。进而,由所述一种基于人工智能的供应链金融信用风险评价系统对各个优化后支持向量机模型进行弱分类器的组合后,获得强分类器模型。其中,所述N个初始学习训练样本集D由所述一种基于人工智能的供应链金融信用风险评价系统通过数据采集获得。所述N个初始学习训练样本集D包括N个初始学习训练样本。所述权值矩阵由所述一种基于人工智能的供应链金融信用风险评价系统根据权值分配的需要预先设置确定。所述权值矩阵包括N个权值,与所述N个初始学习训练样本具有对应关系。所述分类误差是用于表征基学习分类器的分类误差大小的参数信息。所述预设误差值由所述一种基于人工智能的供应链金融信用风险评价系统根据强分类器模型的精度要求、迭代学习需要自适应设置确定。所述强分类器模型可用于表征各个优化后支持向量机模型的组合结果。达到了利用集成学习算法获得精确度较高的强分类器模型,为后续构建智能信用评价模型夯实基础的技术效果。
步骤S600:将所述标准样本数据集合输入至所述强分类器模型进行模型的数据训练,可构建智能信用评价模型,进行后续所述供应链金融信用风险的评价。
进一步的,本申请步骤S600还包括:
步骤S610:采集所述供应链金融信用风险的实时风险数据,得到实时风险数据集合,并标记为测试集样本,其中,所述测试集样本包含实际风险评价结果;
步骤S620:将所述测试集样本输入至构建好的所述智能信用评价模型进行信用评价的测试训练,得到模型评价结果;
步骤S630:判断所述模型评价结果与所述实际风险评价结果是否一致;
步骤S640:若所述模型评价结果与所述实际风险评价结果一致,则进行后续所述供应链金融信用风险的评价。
具体而言,将已获得的标准样本数据集合作为输入信息,输入已构建完成的强分类器模型进行数据训练,获得智能信用评价模型。进一步,由所述一种基于人工智能的供应链金融信用风险评价系统对供应链金融信用风险的实时风险数据进行数据采集,获得实时风险数据集合,并将其标记为测试集样本。进而,将测试集样本作为输入信息,输入已构建完成的智能信用评价模型进行测试,获得模型评价结果,并将模型评价结果与实际风险评价结果进行比较,如果模型评价结果与实际风险评价结果一致,使用智能信用评价模型进行后续供应链金融信用风险的评价。其中,所述智能信用评价模型为通过标准样本数据集合在强分类器模型中进行数据训练,获得的智能化信用评价网络模型。所述实时风险数据集合包括供应链金融信用风险的实时风险数据、以及实时风险数据对应的实际风险评价结果。所述测试集样本即为实时风险数据集合。所述模型评价结果包括测试集样本对应的信用评价测试结果。达到了通过强分类器模型获得稳定性较高的智能信用评价模型,并通过测试集样本对智能信用评价模型进行测试,提高智能信用评价模型的准确性,进而提高供应链金融信用风险评价的质量的技术效果。
综上所述,本申请所提供的一种基于人工智能的供应链金融信用风险评价方法具有如下技术效果:
1.通过评价特征集合对目标供应链进行金融信用风险的评价数据采集,得到目标风险评价数据集合;对目标风险评价数据集合进行数据预处理,将预处理后的目标风险评价数据集合作为标准样本数据集合;利用动态变异的粒子群算法对支持向量机模型进行参数优化,得到最优支持向量机参数值,基于最优支持向量机参数值构建优化后支持向量机模型;利用集成学习算法对优化后支持向量机模型进行训练,得到强分类器模型;将标准样本数据集合输入至强分类器模型进行模型的数据训练,获得智能信用评价模型,并根据其进行后续供应链金融信用风险的评价。达到了构建稳定性强、准确性高的智能信用评价模型,提高供应链金融信用风险评价的准确性和精确度,进而提升供应链金融信用风险评价的质量;同时,提高供应链金融信用风险评价的智能性、科学性,加快金融领域供给侧结构性改革的技术效果。
2.通过对目标风险评价数据集合进行数据降维的预处理,获得冗余数据较少、特征维度较低的标准样本数据集合,提高了构建智能信用评价模型的效率。
3.通过集成学习算法对优化后支持向量机模型进行训练,获得强分类器模型,并根据强分类器模型对标准样本数据集合进行数据训练,构建泛化能力较强的智能信用评价模型。
实施例二
基于与前述实施例中一种基于人工智能的供应链金融信用风险评价方法,同样发明构思,本发明还提供了一种基于人工智能的供应链金融信用风险评价系统,请参阅附图4,所述系统包括:
评价特征确定模块11,所述评价特征确定模块11用于确定供应链金融信用风险的评价特征集合;
评价数据采集模块12,所述评价数据采集模块12用于利用所述评价特征集合,对目标供应链进行金融信用风险的评价数据采集,得到目标风险评价数据集合;
数据预处理模块13,所述数据预处理模块13用于对所述目标风险评价数据集合进行数据预处理,可将预处理后的数据作为标准样本数据集合,其中,所述标准样本数据集合包括所述金融信用风险的各供应链节点风险评价数据、及其对应的各数据风险评价等级;
构建模块14,所述构建模块14用于利用动态变异的粒子群算法,对支持向量机模型进行参数优化,得到最优支持向量机参数值,且基于所述最优支持向量机参数值,构建优化后支持向量机模型;
训练模块15,所述训练模块15用于利用集成学习算法,对所述优化后支持向量机模型进行训练,得到强分类器模型;
评价模块16,所述评价模块16用于将所述标准样本数据集合输入至所述强分类器模型进行模型的数据训练,可构建智能信用评价模型,进行后续所述供应链金融信用风险的评价。
进一步的,所述系统还包括:
初步风险评价特征集合确定模块,所述初步风险评价特征集合确定模块用于对所述供应链金融信用风险的各供应链节点进行风险评价特征采集,获得初步风险评价特征集合;
风险影响性分析模块,所述风险影响性分析模块用于通过对所述初步风险评价特征集合,进行供应链前后节点的风险影响性分析,可得到风险影响性分析结果分布;
频率分析模块,所述频率分析模块用于通过对所述初步风险评价特征集合,进行风险特征的频率分析,可得到各风险频率分布;
评价特征集合确定模块,所述评价特征集合确定模块用于基于所述风险影响性分析结果分布和所述各风险频率分布,确定所述评价特征集合。
进一步的,所述系统还包括:
风险影响性供应链节点确定模块,所述风险影响性供应链节点确定模块用于通过对所述风险影响性分析结果分布进行极值筛选,可得到高风险影响性分析结果对应的风险影响性供应链节点;
频率影响性供应链节点确定模块,所述频率影响性供应链节点确定模块用于通过对所述各风险频率分布进行极值筛选,可得到高频率风险对应的频率影响性供应链节点;
节点重合筛选模块,所述节点重合筛选模块用于通过对所述风险影响性供应链节点和所述频率影响性供应链节点,进行节点重合筛选,可得到风险-频率影响性重合节点集合;
风险评价特征采集模块,所述风险评价特征采集模块用于采集所述风险-频率影响性重合节点集合的风险评价特征,并标记为所述评价特征集合。
进一步的,所述系统还包括:
第一特征数据集确定模块,所述第一特征数据集确定模块用于基于所述目标风险评价数据集合,获得第一特征数据集;
中心化处理模块,所述中心化处理模块用于对所述第一特征数据集进行中心化处理,获得第二特征数据集;
第一协方差矩阵确定模块,所述第一协方差矩阵确定模块用于获得所述第二特征数据集的第一协方差矩阵;
矩阵运算模块,所述矩阵运算模块用于对所述第一协方差矩阵进行运算,获得所述第一协方差矩阵的第一特征值和第一特征向量;
标准样本数据集合确定模块,所述标准样本数据集合确定模块用于将所述第一特征数据集投影到所述第一特征向量,获得第一降维数据集,其中,所述第一降维数据集为所述第一特征数据集降维之后获得的特征数据集,将所述第一降维数据集标记为所述标准样本数据集合。
进一步的,所述系统还包括:
函数计算模块,所述函数计算模块用于构建含参数的SVM分类差别函数,且初始化粒子的位置和速度,计算初始适应度;
第一判断模块,所述第一判断模块用于将所述粒子的个体极值设置为当前位置、群体极值设置为初始种群中粒子的最佳位置,并判断所述SVM分类差别函数是否满足收敛条件;
更新计算模块,所述更新计算模块用于若所述SVM分类差别函数满足所述收敛条件,采用动态权重,更新所述粒子的位置和速度,并计算得到所述初始适应度的方差和变异概率;
第二判断模块,所述第二判断模块用于判断产生的随机数是否小于所述变异概率;
最优支持向量机参数值输出模块,所述最优支持向量机参数值输出模块用于若产生的随机数小于所述变异概率,执行变异操作,输出所述最优支持向量机参数值。
进一步的,所述系统还包括:
训练样本输入模块,所述训练样本输入模块用于输入N个初始学习训练样本集D;
权值矩阵设定模块,所述权值矩阵设定模块用于设定初始学习训练样本的权值矩阵;
数据学习模块,所述数据学习模块用于通过具有权值分布的所述权值矩阵进行数据学习,将所述优化后支持向量机模型作为基学习分类器;
第三判断模块,所述第三判断模块用于计算所述基学习分类器的分类误差,且判断所述分类误差是否大于预设误差值;
迭代学习模块,所述迭代学习模块用于若所述分类误差大于所述预设误差值,计算所述优化后支持向量机模型的分类器权重,并更新所述初始学习训练样本集D的权重,进行迭代学习;
强分类器模型确定模块,所述强分类器模型确定模块用于对各个所述优化后支持向量机模型进行弱分类器的组合,可得到所述强分类器模型。
进一步的,所述系统还包括:
测试集样本确定模块,所述测试集样本确定模块用于采集所述供应链金融信用风险的实时风险数据,得到实时风险数据集合,并标记为测试集样本,其中,所述测试集样本包含实际风险评价结果;
模型评价结果确定模块,所述模型评价结果确定模块用于将所述测试集样本输入至构建好的所述智能信用评价模型进行信用评价的测试训练,得到模型评价结果;
第四判断模块,所述第四判断模块用于判断所述模型评价结果与所述实际风险评价结果是否一致;
后续评价模块,所述后续评价模块用于若所述模型评价结果与所述实际风险评价结果一致,则进行后续所述供应链金融信用风险的评价。
本申请提供了一种基于人工智能的供应链金融信用风险评价方法,其中,所述方法应用于一种基于人工智能的供应链金融信用风险评价系统,所述方法包括:通过评价特征集合对目标供应链进行金融信用风险的评价数据采集,得到目标风险评价数据集合;对目标风险评价数据集合进行数据预处理,将预处理后的目标风险评价数据集合作为标准样本数据集合;利用动态变异的粒子群算法对支持向量机模型进行参数优化,得到最优支持向量机参数值,基于最优支持向量机参数值构建优化后支持向量机模型;利用集成学习算法对优化后支持向量机模型进行训练,得到强分类器模型;将标准样本数据集合输入至强分类器模型进行模型的数据训练,获得智能信用评价模型,并根据其进行后续供应链金融信用风险的评价。解决了现有技术中针对供应链金融信用风险评价的准确性不足,进而造成供应链金融信用风险评价的效果不佳的技术问题。达到了构建稳定性强、准确性高的智能信用评价模型,提高供应链金融信用风险评价的准确性和精确度,进而提升供应链金融信用风险评价的质量;同时,提高供应链金融信用风险评价的智能性、科学性,加快金融领域供给侧结构性改革的技术效果。
以上实施例的各技术特征可以进行任意的组合,为使描述简洁,未对上述实施例中的各个技术特征所有可能的组合都进行描述,然而,只要这些技术特征的组合不存在矛盾,都应当认为是本说明书记载的范围。
本说明书和附图仅仅是本申请的示例性说明,如果本发明的修改和变型属于本发明及其等同技术的范围之内,则本发明也意图包含这些改动和变型在内。
Claims (8)
1.一种基于人工智能的供应链金融信用风险评价方法,其特征在于,所述方法应用于风险评价系统,所述方法包括:
确定供应链金融信用风险的评价特征集合;
利用所述评价特征集合,对目标供应链进行金融信用风险的评价数据采集,得到目标风险评价数据集合;
对所述目标风险评价数据集合进行数据预处理,可将预处理后的数据作为标准样本数据集合,其中,所述标准样本数据集合包括所述金融信用风险的各供应链节点风险评价数据、及其对应的各数据风险评价等级;
利用动态变异的粒子群算法,对支持向量机模型进行参数优化,得到最优支持向量机参数值,且基于所述最优支持向量机参数值,构建优化后支持向量机模型;
利用集成学习算法,对所述优化后支持向量机模型进行训练,得到强分类器模型;
将所述标准样本数据集合输入至所述强分类器模型进行模型的数据训练,可构建智能信用评价模型,进行后续所述供应链金融信用风险的评价。
2.如权利要求1所述的方法,其特征在于,所述确定供应链金融信用风险的评价特征集合,包括:
对所述供应链金融信用风险的各供应链节点进行风险评价特征采集,获得初步风险评价特征集合;
通过对所述初步风险评价特征集合,进行供应链前后节点的风险影响性分析,可得到风险影响性分析结果分布;
通过对所述初步风险评价特征集合,进行风险特征的频率分析,可得到各风险频率分布;
基于所述风险影响性分析结果分布和所述各风险频率分布,确定所述评价特征集合。
3.如权利要求2所述的方法,其特征在于,所述方法包括:
通过对所述风险影响性分析结果分布进行极值筛选,可得到高风险影响性分析结果对应的风险影响性供应链节点;
通过对所述各风险频率分布进行极值筛选,可得到高频率风险对应的频率影响性供应链节点;
通过对所述风险影响性供应链节点和所述频率影响性供应链节点,进行节点重合筛选,可得到风险-频率影响性重合节点集合;
采集所述风险-频率影响性重合节点集合的风险评价特征,并标记为所述评价特征集合。
4.如权利要求1所述的方法,其特征在于,对所述目标风险评价数据集合进行数据预处理,包括:
基于所述目标风险评价数据集合,获得第一特征数据集;
对所述第一特征数据集进行中心化处理,获得第二特征数据集;
获得所述第二特征数据集的第一协方差矩阵;
对所述第一协方差矩阵进行运算,获得所述第一协方差矩阵的第一特征值和第一特征向量;
将所述第一特征数据集投影到所述第一特征向量,获得第一降维数据集,其中,所述第一降维数据集为所述第一特征数据集降维之后获得的特征数据集,将所述第一降维数据集标记为所述标准样本数据集合。
5.如权利要求1所述的方法,其特征在于,所述对支持向量机模型进行参数优化,包括:
构建含参数的SVM分类差别函数,且初始化粒子的位置和速度,计算初始适应度;
将所述粒子的个体极值设置为当前位置、群体极值设置为初始种群中粒子的最佳位置,并判断所述SVM分类差别函数是否满足收敛条件;
若所述SVM分类差别函数满足所述收敛条件,采用动态权重,更新所述粒子的位置和速度,并计算得到所述初始适应度的方差和变异概率;
判断产生的随机数是否小于所述变异概率;
若产生的随机数小于所述变异概率,执行变异操作,输出所述最优支持向量机参数值。
6.如权利要求1所述的方法,其特征在于,所述得到强分类器模型,包括:
输入N个初始学习训练样本集D;
设定初始学习训练样本的权值矩阵;
通过具有权值分布的所述权值矩阵进行数据学习,将所述优化后支持向量机模型作为基学习分类器;
计算所述基学习分类器的分类误差,且判断所述分类误差是否大于预设误差值;
若所述分类误差大于所述预设误差值,计算所述优化后支持向量机模型的分类器权重,并更新所述初始学习训练样本集D的权重,进行迭代学习;
对各个所述优化后支持向量机模型进行弱分类器的组合,可得到所述强分类器模型。
7.如权利要求1所述的方法,其特征在于,进行后续所述供应链金融信用风险的评价,之前包括:
采集所述供应链金融信用风险的实时风险数据,得到实时风险数据集合,并标记为测试集样本,其中,所述测试集样本包含实际风险评价结果;
将所述测试集样本输入至构建好的所述智能信用评价模型进行信用评价的测试训练,得到模型评价结果;
判断所述模型评价结果与所述实际风险评价结果是否一致;
若所述模型评价结果与所述实际风险评价结果一致,则进行后续所述供应链金融信用风险的评价。
8.一种基于人工智能的供应链金融信用风险评价系统,其特征在于,所述系统包括:
评价特征确定模块,所述评价特征确定模块用于确定供应链金融信用风险的评价特征集合;
评价数据采集模块,所述评价数据采集模块用于利用所述评价特征集合,对目标供应链进行金融信用风险的评价数据采集,得到目标风险评价数据集合;
数据预处理模块,所述数据预处理模块用于对所述目标风险评价数据集合进行数据预处理,可将预处理后的数据作为标准样本数据集合,其中,所述标准样本数据集合包括所述金融信用风险的各供应链节点风险评价数据、及其对应的各数据风险评价等级;
构建模块,所述构建模块用于利用动态变异的粒子群算法,对支持向量机模型进行参数优化,得到最优支持向量机参数值,且基于所述最优支持向量机参数值,构建优化后支持向量机模型;
训练模块,所述训练模块用于利用集成学习算法,对所述优化后支持向量机模型进行训练,得到强分类器模型;
评价模块,所述评价模块用于将所述标准样本数据集合输入至所述强分类器模型进行模型的数据训练,可构建智能信用评价模型,进行后续所述供应链金融信用风险的评价。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210860697.4A CN115147208A (zh) | 2022-07-21 | 2022-07-21 | 一种基于人工智能的供应链金融信用风险评价方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210860697.4A CN115147208A (zh) | 2022-07-21 | 2022-07-21 | 一种基于人工智能的供应链金融信用风险评价方法及系统 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN115147208A true CN115147208A (zh) | 2022-10-04 |
Family
ID=83412297
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210860697.4A Pending CN115147208A (zh) | 2022-07-21 | 2022-07-21 | 一种基于人工智能的供应链金融信用风险评价方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115147208A (zh) |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115660774A (zh) * | 2022-10-14 | 2023-01-31 | 国网山东省电力公司物资公司 | 一种基于区块链的物资供应链体系信用评价方法 |
CN116502898A (zh) * | 2023-06-28 | 2023-07-28 | 绿城科技产业服务集团有限公司 | 基于神经网络的企业风险画像生成方法及装置 |
CN116578105A (zh) * | 2023-07-14 | 2023-08-11 | 华侨大学 | 一种基于迭代学习的扫地机器人轨迹控制方法 |
CN116843456A (zh) * | 2023-08-29 | 2023-10-03 | 北京燕知信科技服务有限公司 | 基于人工智能的金融大数据处理方法及系统 |
-
2022
- 2022-07-21 CN CN202210860697.4A patent/CN115147208A/zh active Pending
Cited By (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115660774A (zh) * | 2022-10-14 | 2023-01-31 | 国网山东省电力公司物资公司 | 一种基于区块链的物资供应链体系信用评价方法 |
CN115660774B (zh) * | 2022-10-14 | 2023-09-19 | 国网山东省电力公司物资公司 | 一种基于区块链的物资供应链体系信用评价方法 |
CN116502898A (zh) * | 2023-06-28 | 2023-07-28 | 绿城科技产业服务集团有限公司 | 基于神经网络的企业风险画像生成方法及装置 |
CN116578105A (zh) * | 2023-07-14 | 2023-08-11 | 华侨大学 | 一种基于迭代学习的扫地机器人轨迹控制方法 |
CN116578105B (zh) * | 2023-07-14 | 2023-10-31 | 华侨大学 | 一种基于迭代学习的扫地机器人轨迹控制方法 |
CN116843456A (zh) * | 2023-08-29 | 2023-10-03 | 北京燕知信科技服务有限公司 | 基于人工智能的金融大数据处理方法及系统 |
CN116843456B (zh) * | 2023-08-29 | 2023-11-07 | 北京燕知信科技服务有限公司 | 基于人工智能的金融大数据处理方法及系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN115147208A (zh) | 一种基于人工智能的供应链金融信用风险评价方法及系统 | |
Tang et al. | A pruning neural network model in credit classification analysis | |
CN104574220A (zh) | 基于最小二乘支持向量机的电力客户信用评估方法 | |
CN110263934B (zh) | 一种人工智能数据标注方法和装置 | |
CN113901977A (zh) | 一种基于深度学习的电力用户窃电识别方法及系统 | |
CN110598902A (zh) | 一种基于支持向量机与knn相结合的水质预测方法 | |
CN112633337A (zh) | 一种基于聚类和边界点的不平衡数据处理方法 | |
CN113177358B (zh) | 一种基于模糊细粒度特征提取的水泥质量软测量方法 | |
CN111046930A (zh) | 一种基于决策树算法的供电服务满意度影响因素识别方法 | |
CN113240527A (zh) | 基于可解释机器学习的债券市场违约风险预警方法 | |
CN110956543A (zh) | 异常交易检测的方法 | |
Rofik et al. | The Optimization of Credit Scoring Model Using Stacking Ensemble Learning and Oversampling Techniques | |
CN109920489A (zh) | 一种基于Lasso-CCF-CNN的加氢裂化模型及建立方法 | |
CN116883157A (zh) | 一种基于度量学习的小样本信用评估方法及系统 | |
CN112241808A (zh) | 路面技术状况预测方法、装置、电子设备及存储介质 | |
CN116611911A (zh) | 基于支持向量机的信用风险预测方法及装置 | |
CN110738565A (zh) | 基于数据集合的房产金融人工智能复合风控模型 | |
CN113361209B (zh) | 一种高温合金表面缺陷磁异常定量分析方法 | |
CN116150687A (zh) | 一种基于多分类g-wlstsvm模型的流体管道泄漏识别方法 | |
CN113177733B (zh) | 基于卷积神经网络的中小微企业数据建模方法及系统 | |
CN114091961A (zh) | 一种基于半监督svm的电力企业供应商评价方法 | |
CN113127342A (zh) | 基于电网信息系统特征选择的缺陷预测方法及装置 | |
CN111612626A (zh) | 一种债券评估数据预处理方法和装置 | |
CN111024557B (zh) | 一种纸页吸水性软测量方法 | |
CN116780524B (zh) | 一种基于lstm深度学习的工业企业短期负荷预测方法 |
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 |