CN117217867A - 一种基于量子遗传算法的企业信用预测与优化系统 - Google Patents
一种基于量子遗传算法的企业信用预测与优化系统 Download PDFInfo
- Publication number
- CN117217867A CN117217867A CN202311180786.5A CN202311180786A CN117217867A CN 117217867 A CN117217867 A CN 117217867A CN 202311180786 A CN202311180786 A CN 202311180786A CN 117217867 A CN117217867 A CN 117217867A
- Authority
- CN
- China
- Prior art keywords
- enterprise
- credit
- factors
- affecting
- enterprise credit
- 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
- 238000005457 optimization Methods 0.000 title claims abstract description 52
- 238000004422 calculation algorithm Methods 0.000 title claims abstract description 46
- 230000002068 genetic effect Effects 0.000 title claims abstract description 33
- 238000007726 management method Methods 0.000 claims description 54
- 238000012797 qualification Methods 0.000 claims description 40
- 238000004458 analytical method Methods 0.000 claims description 31
- 239000011159 matrix material Substances 0.000 claims description 30
- 230000006870 function Effects 0.000 claims description 25
- 238000000034 method Methods 0.000 claims description 23
- 230000008569 process Effects 0.000 claims description 16
- 238000010586 diagram Methods 0.000 claims description 15
- 238000000605 extraction Methods 0.000 claims description 12
- 230000006978 adaptation Effects 0.000 claims description 7
- 230000002596 correlated effect Effects 0.000 claims description 6
- 230000035772 mutation Effects 0.000 claims description 6
- 238000012216 screening Methods 0.000 claims description 5
- 238000004364 calculation method Methods 0.000 claims description 4
- 230000000875 corresponding effect Effects 0.000 claims description 3
- 238000011008 operational qualification Methods 0.000 claims description 3
- 230000019771 cognition Effects 0.000 abstract description 4
- 238000004590 computer program Methods 0.000 description 5
- 238000012545 processing Methods 0.000 description 4
- 230000006399 behavior Effects 0.000 description 3
- 230000009286 beneficial effect Effects 0.000 description 3
- 238000010276 construction Methods 0.000 description 3
- 230000007246 mechanism Effects 0.000 description 3
- 238000003058 natural language processing Methods 0.000 description 2
- 239000002096 quantum dot Substances 0.000 description 2
- 238000003860 storage Methods 0.000 description 2
- 238000013500 data storage Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000001105 regulatory effect Effects 0.000 description 1
Classifications
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
- Y02P80/00—Climate change mitigation technologies for sector-wide applications
- Y02P80/10—Efficient use of energy, e.g. using compressed air or pressurized fluid as energy carrier
Landscapes
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种基于量子遗传算法的企业信用预测与优化系统,包括企业信息溯源模块、企业信用预测模块和企业信用优化模块。针对目前企业信用难以获取和信用能力不匹配等问题,利用信息溯源数据库结合量子遗传算法基于企业信用行为预测和优化企业信用,帮助企业完成信用风险的认知,实现应用层面广,经济成本低。
Description
技术领域
本发明涉及跨境电商交易领域,具体地说,涉及一种基于量子遗传算法的企业信用预测与优化系统。
背景技术
我国的社会信用体系建设工作开展十多年来,各地市在体制机制建设、信息平台构建、信用市场培育以及信用产品创新等方面均进行了尝试。企业信用预测有助于企业分析和研究现有或潜在的交易对象,企业信用预测不仅能够满足企业在信息上的需求,更能够使这种需求的满足建立在快捷、专业和低成本的基础之上。信用预测报告可针对委托方指定的交易对象,提供注册信息、运营能力及业务现状等方面信息,以便企业更好的对其进行分析,进而选择适当的合作伙伴。同时企业信用预测有助于预测和研究交易对象的信用状况,通过企业信用预测就可以对交易对象在信用方面有一个全方位、真实客观的了解。近年来,信用交易的应用越来越广泛,在大多数行业,赊销已成为主要的结算方式。通过企业信用预测最大限度掌握被预测企业的信用信息,并将上述信息通过数据库和专业经验进行处理,给出授信建议,可为企业提供有一个客观的第三方参考意见。企业信用预测同时可以提供目标行业和相关行业的纵向对比,也可以做出同行业内企业的横向对比,从而帮助委托方及时掌握目标行业的最新信息和发展动向。但目前企业信用难以获取和信用能力不匹配等问题仍然存在,本发明利用信息溯源数据库结合量子遗传算法基于企业信用行为预测和优化企业信用,帮助企业完成信用风险的认知,实现应用层面广,经济成本低,可以推广至社会应用,带来良好的社会和经济效益。
发明内容
本发明的目的在于提供一种基于量子遗传算法的企业信用预测与优化系统,以解决上述背景技术中提出的问题。
为实现上述目的,提供了一种基于量子遗传算法的企业信用预测与优化系统,包括企业信息溯源模块、企业信用预测模块和企业信用优化模块;具体过程描述如下:
S1.基于企业管理架构,运营资质,交易和服务状况采集影响企业信用的各环节信息,并且构建企业信用因素网络图模型,得到影响企业信用因素的溯源关系;
S2.基于影响企业信用因素的溯源关系中的关键属性,构建企业信用系统数据库,以存储企业运营中各个环节涉及信用的量化数据;
S3.将影响企业信用的因素进行排序,确定各个因素的权重占比,按照从高到低的方式进行特征提取和分析;
S4.将提取好的特征作为变量构建要预测的目标函数,以此构建量子遗传算法对目标函数进行预测求解,依据企业运营力度规定预测周期,定周期自动化预测时间段内的信用趋势和分数;
S5.设定符合企业运营的标准分数,当预测的企业信用值低于标准值时,将影响企业信用因素的溯源关系中的关键属性作为多目标优化的变量,构建多目标优化模型,基于调参形式迭代计算,得到最优化的Pareto解析,按照解析反演制定企业运营方案,以保证企业信用保持在标准值之上。
进一步的,所述S1中构建影响企业信用因素网络图模型,得到影响企业信用因素的溯源关系,详细过程如下:
结合管理架构,运营资质,交易和服务状况以及三者之间存在的关系,构建影响企业信用影响因素网络图模型;M为影响企业信用因素网络图模型矩阵,P、A、F分别为管理架构,运营资质,交易和服务状况的数据集合,M矩阵为管理架构,运营资质,交易和服务状况之间的关系矩阵;
管理架构,运营资质,交易和服务状况之间的连接权重由影响企业信用因素网络图模型的邻接矩阵A'表明:(变量没解释)
其中管理架构网络之间的影响权重用ωPP表示,管理架构与运营业务之间的影响权重用ωPA、ωAP表示,管理架构与服务状况之间的影响权重用ωPF、ωFP表示,运营业务网络之间的影响权重用ωAA表示。
(1)管理架构网络:若ωPP=0则表示管理架构之间不存在重叠关系,若ωPP=1则表示管理架构之间存在重叠关系;
(2)管理架构与运营资质关系:若ωPA=ωAP=0则表示管理架构与运营资质之间无关联关系,若ωPA=ωAP=1则表示管理架构与运营资质之间存在关联关系;
(3)管理架构与交易和服务状况关系:若ωFP=ωPF=1表示管理架构与交易和服务状况之间存在关联关系;若ωFP=ωPF=0,则表示管理架构与交易和服务状况之间不存在关联关系;。
(4)运营资质网络:若ωAA=0则表示运营资质之间不存在资质关联关系,若ωAA=1则表示运营资质之间存在资质关联关系;
根据收集到的管理架构,运营资质,交易和服务状况数据集,本发明进行影响企业信用因素网络图模型的构建,通过获取管理架构,运营资质,交易和服务状况信息,并通过三者的关联关系构建影响企业信用因素网络图模型。主要过程如下:
(1)首先对收集到的初始数据进行预处理将数据保存成Python字典结构。并对数据进行剔除缺失值的操作;
(2)对数据中的每条记录进行自然语言处理,构建管理架构清单、运营资质清单以及交易和服务状况清单;
(3)根据三者存在的关系,进行关联矩阵的构建,构建矩阵MAA、MPP、MAP和MPF。最终形成影响企业信用因素网络图模型的构建。
进一步的,所述S2中系统数据库以关系型数据库为基础,主要以MySQL数据库为基础方式。
进一步的,所述S3中将影响企业信用的因素进行排序,确定各个因素的权重占比,按照从高到低的方式进行特征提取和分析,详细过程如下:
将基于矩阵与权重的改进Apriori算法应用到特征提取和分析领域,用将影响企业信用的因素集合I1构建0-1矩阵M:
其中,Ti表示第i个影响企业信用的因素;i=1,2,3…,m;j=1,2,3,…,n;I={I1,I2,I3,…,IN}表示N个影响企业信用的因素集合;Ij在影响企业信用的因素数据库中出现的概率为p(Ij),计算如下式所示,Ij的权重记为w(Ij),与p(Ij)有关,w(Ij)的计算如下式所示:
w(Ij)=1/p(Ij)
其中,l表示Ij在影响企业信用的因素数据库中出现的次数,即上述矩阵中第j列中1的个数,m是影响企业信用的因素的总条数;
原Apriori算法仅用支持度S、置信度C筛选因素数据集间强关联规则,若设定的最小支持度和最小置信度太小,则会产生无用冗余的规则,而太大则会遗漏有意义的规则。因此,引入提升度L、兴趣度I两个阈值来完善规则特征提取机制。
提升度反映了Apriori关联规则中的X与Y的相关性,目前普遍采用的提升度计算公式为
其中,L(X→Y)>1表明X与Y呈正相关,L(X→Y)<1表明X与Y呈负相关,L(X→Y)=1表明X与Y不相关。
兴趣度反映了关联规则正负相关的程度。基于差值的兴趣度模型,记为
其中,I(X→Y)越大于0,说明X与Y正相关程度越高;I(X→Y)越小于0,说明X与Y负相关程度越高。
进一步的,所述S4中量子遗传算法,详细过程如下:
将提取好的特征作为变量构建要预测的目标函数,以此构建量子遗传算法对目标函数进行预测求解,依据企业运营力度规定预测周期,定周期自动化预测时间段内的信用趋势和信用分数;
首先初始时刻令t=0,选取量子遗传算法种群为提取好的影响企业信用的因素特征集合,得到初始种群Q(t),对于种群中第i(i=1,2,…,n)号个体中的第j(j=1,2,…,m)对概率幅,若概率幅Aij 2>randij,则该量子位为0态,否则为1态。其中randij为[0,1]内的随机数。
并通过量子旋转门进行种群更新,对更新的种群通过旋转矩阵C(θij)进行交叉变异操作,其中:
量子旋转角θij=P(Aij,Bij)Δθij,其中P(Aij,Bij)为第i号个体中的第j对概率幅,Δθij为第i号个体中的第j对概率幅对应的旋转矩阵中的旋转角的大小。
通过交叉变异操作后对个体都实施测量得到的状态P(t)进行记录,并计算其适应值,找出最佳个体,当不满足输出当前最优个体时,返回初始状态继续进行迭代,当满足输出条件时,记录最佳个体及其适应值,当算法运行迭代多次之后,种群中的最优个体不再发生变化,并持续一段时间,都不再产生更好地个体,这时判定为终止标准,结束算法。
进一步的,所述S5中设定符合企业运营信用的标准分数,满分为100分,设定70分为及格分,80分为良好分,90分为优秀分。
进一步的,所述S5中多目标优化模型,详细过程如下:
设定符合企业运营信用的标准分数,当预测的企业信用值低于标准值时,将影响企业信用因素的溯源关系中的关键属性作为多目标优化的变量,构建多目标优化模型,基于调参形式迭代计算,得到最优化的Pareto解析,按照解析反演制定企业运营方案,以保证企业信用保持在标准值之上,将影响企业信用因素的溯源关系中的关键属性作为多目标优化的变量,构建多目标优化模型、进行多目标求解时,筛选出一个相对较优的解的集合,利用Pareto在这个集合里找出相对优的解或者最优解:
其中,V表示企业运营信用标准值,f1(x),f2(x),……,fn(x)表示n个最优化目标函数,目标是都使之达到最小,是其变量的约束集合,Rm是符合企业运营信用的标准分数集合。
Pareto最优解为,同样假设两个目标函数,对于解A而言,在变量空间中找不到其他的解能够优于解A,那么解A就是帕累托最优解;得到最优化的Pareto解析后,按照解析反演制定企业运营方案,以保证企业信用保持在标准值之上。
本发明有益效果:本发明阐述了一种基于量子遗传算法的企业信用预测与优化系统,包括企业信息溯源模块、企业信用预测模块和企业信用优化模块。基于企业管理架构,运营资质,交易和服务状况采集影响企业信用的各环节信息,通过结合管理架构,运营资质,交易和服务状况这三点以及三者之间存在的关系来构建影响企业信用因素网络图模型,得到影响企业信用因素的溯源关系,并基于影响企业信用因素的溯源关系中的关键属性,以MySQL数据库为基础构建企业信用系统数据库,以存储企业运营中各个环节涉及信用的量化数据,将影响企业信用的因素进行排序,将基于矩阵与权重的改进Apriori算法应用到特征提取和分析领域,确定各个因素的权重占比,按照从高到低的方式进行特征提取和分析。同时以提取好的特征作为变量构建要预测的目标函数,以此构建量子遗传算法对目标函数进行预测求解,依据企业运营力度规定预测周期,定周期自动化预测时间段内的信用趋势和信用分数,设定符合企业运营信用的标准分数,当预测的企业信用值低于标准值时,将影响企业信用因素的溯源关系中的关键属性作为多目标优化的变量;构建多目标优化模型,基于调参形式迭代计算,得到最优化的Pareto解析,按照解析反演制定企业运营方案,以保证企业信用保持在标准值之上。最后将影响企业信用因素的溯源关系中的关键属性作为多目标优化的变量,构建多目标优化模型、进行多目标求解时,筛选出一个相对较优的解的集合,利用Pareto在这个集合里找出相对优的解或者最优解。本发明针对目前企业信用难以获取和信用能力不匹配等问题,利用信息溯源数据库结合量子遗传算法基于企业信用行为预测和优化企业信用,帮助企业完成信用风险的认知,实现应用层面广,经济成本低,可以推广至社会应用,带来良好的社会和经济效益。
附图说明
利用附图对发明创造作进一步说明,但附图中的实施例不构成对本发明创造的任何限制,对于本领域的普通技术人员,在不付出创造性劳动的前提下,还可以根据以下附图获得其它的附图。
图1是本发明结构示意图。
具体实施方式
结合以下实例对本发明作进一步描述。
参见图1,本发明旨在提供一种基于量子遗传算法的企业信用预测与优化系统,以解决上述背景技术中提出的问题。
为实现上述目的,提供了一种基于量子遗传算法的企业信用预测与优化系统,包括企业信息溯源模块、企业信用预测模块和企业信用优化模块;具体过程描述如下:
S1.基于企业管理架构,运营资质,交易和服务状况采集影响企业信用的各环节信息,并且构建企业信用因素网络图模型,得到影响企业信用因素的溯源关系,详细过程如下:
结合管理架构,运营资质,交易和服务状况以及三者之间存在的关系,构建影响企业信用影响因素网络图模型;M为影响企业信用因素网络图模型矩阵,P、A、F分别为管理架构,运营资质,交易和服务状况的数据集合,M矩阵为管理架构,运营资质,交易和服务状况之间的关系矩阵;
管理架构,运营资质,交易和服务状况之间的连接权重由影响企业信用因素网络图模型的邻接矩阵A'表明:(变量没解释)
其中管理架构网络之间的影响权重用ωPP表示,管理架构与运营业务之间的影响权重用ωPA、ωAP表示,管理架构与服务状况之间的影响权重用ωPF、ωFP表示,运营业务网络之间的影响权重用ωAA表示。
(1)管理架构网络:若ωPP=0则表示管理架构之间不存在重叠关系,若ωPP=1则表示管理架构之间存在重叠关系;
(2)管理架构与运营资质关系:若ωPA=ωAP=0则表示管理架构与运营资质之间无关联关系,若ωPA=ωAP=1则表示管理架构与运营资质之间存在关联关系;
(3)管理架构与交易和服务状况关系:若ωFP=ωPF=1表示管理架构与交易和服务状况之间存在关联关系;若ωFP=ωPF=0,则表示管理架构与交易和服务状况之间不存在关联关系;。
(4)运营资质网络:若ωAA=0则表示运营资质之间不存在资质关联关系,若ωAA=1则表示运营资质之间存在资质关联关系;
根据收集到的管理架构,运营资质,交易和服务状况数据集,本发明进行影响企业信用因素网络图模型的构建,通过获取管理架构,运营资质,交易和服务状况信息,并通过三者的关联关系构建影响企业信用因素网络图模型。主要过程如下:
(1)首先对收集到的初始数据进行预处理将数据保存成Python字典结构。并对数据进行剔除缺失值的操作;
(2)对数据中的每条记录进行自然语言处理,构建管理架构清单、运营资质清单以及交易和服务状况清单;
(3)根据三者存在的关系,进行关联矩阵的构建,构建矩阵MAA、MPP、MAP和MPF。最终形成影响企业信用因素网络图模型的构建;
S2.基于影响企业信用因素的溯源关系中的关键属性,构建企业信用系统数据库,以存储企业运营中各个环节涉及信用的量化数据;
S3.将影响企业信用的因素进行排序,确定各个因素的权重占比,按照从高到低的方式进行特征提取和分析,详细过程如下:
将基于矩阵与权重的改进Apriori算法应用到特征提取和分析领域,用将影响企业信用的因素集合I1构建0-1矩阵M:
其中,Ti表示第i个影响企业信用的因素;i=1,2,3…,m;j=1,2,3,…,n;I={I1,I2,I3,…,IN}表示N个影响企业信用的因素集合;Ij在影响企业信用的因素数据库中出现的概率为p(Ij),计算如下式所示,Ij的权重记为w(Ij),与p(Ij)有关,w(Ij)的计算如下式所示:
w(Ij)=1/p(Ij)
其中,l表示Ij在影响企业信用的因素数据库中出现的次数,即上述矩阵中第j列中1的个数,m是影响企业信用的因素的总条数;
原Apriori算法仅用支持度S、置信度C筛选因素数据集间强关联规则,若设定的最小支持度和最小置信度太小,则会产生无用冗余的规则,而太大则会遗漏有意义的规则。因此,引入提升度L、兴趣度I两个阈值来完善规则特征提取机制。
提升度反映了Apriori关联规则中的X与Y的相关性,目前普遍采用的提升度计算公式为
其中,L(X→Y)>1表明X与Y呈正相关,L(X→Y)<1表明X与Y呈负相关,L(X→Y)=1表明X与Y不相关。
兴趣度反映了关联规则正负相关的程度。基于差值的兴趣度模型,记为
其中,I(X→Y)越大于0,说明X与Y正相关程度越高;I(X→Y)越小于0,说明X与Y负相关程度越高。S4.将提取好的特征作为变量构建要预测的目标函数,以此构建量子遗传算法对目标函数进行预测求解,详细过程如下:
将提取好的特征作为变量构建要预测的目标函数,以此构建量子遗传算法对目标函数进行预测求解,依据企业运营力度规定预测周期,定周期自动化预测时间段内的信用趋势和信用分数;
首先初始时刻令t=0,选取量子遗传算法种群为提取好的影响企业信用的因素特征集合,得到初始种群Q(t),对于种群中第i(i=1,2,…,n)号个体中的第j(j=1,2,…,m)对概率幅,若概率幅Aij 2>randij,则该量子位为0态,否则为1态。其中randij为[0,1]内的随机数。
并通过量子旋转门进行种群更新,对更新的种群通过旋转矩阵C(θij)进行交叉变异操作,其中:
量子旋转角θij=P(Aij,Bij)Δθij,其中P(Aij,Bij)为第i号个体中的第j对概率幅,Δθij为第i号个体中的第j对概率幅对应的旋转矩阵中的旋转角的大小。
通过交叉变异操作后对个体都实施测量得到的状态P(t)进行记录,并计算其适应值,找出最佳个体,当不满足输出当前最优个体时,返回初始状态继续进行迭代,当满足输出条件时,记录最佳个体及其适应值,当算法运行迭代多次之后,种群中的最优个体不再发生变化,并持续一段时间,都不再产生更好地个体,这时判定为终止标准,结束算法。
S5.设定符合企业运营的标准分数,当预测的企业信用值低于标准值时,将影响企业信用因素的溯源关系中的关键属性作为多目标优化的变量,构建多目标优化模型,基于调参形式迭代计算,得到最优化的Pareto解析,按照解析反演制定企业运营方案,以保证企业信用保持在标准值之上,详细过程如下:
设定符合企业运营信用的标准分数,当预测的企业信用值低于标准值时,将影响企业信用因素的溯源关系中的关键属性作为多目标优化的变量,构建多目标优化模型,基于调参形式迭代计算,得到最优化的Pareto解析,按照解析反演制定企业运营方案,以保证企业信用保持在标准值之上,将影响企业信用因素的溯源关系中的关键属性作为多目标优化的变量,构建多目标优化模型、进行多目标求解时,筛选出一个相对较优的解的集合,利用Pareto在这个集合里找出相对优的解或者最优解:
其中,V表示企业运营信用标准值,f1(x),f2(x),……,fn(x)表示n个最优化目标函数,目标是都使之达到最小,是其变量的约束集合,Rm是符合企业运营信用的标准分数集合。
Pareto最优解为,同样假设两个目标函数,对于解A而言,在变量空间中找不到其他的解能够优于解A,那么解A就是帕累托最优解;得到最优化的Pareto解析后,按照解析反演制定企业运营方案,以保证企业信用保持在标准值之上。
本发明有益效果:本发明阐述了一种基于量子遗传算法的企业信用预测与优化系统,包括企业信息溯源模块、企业信用预测模块和企业信用优化模块。基于企业管理架构,运营资质,交易和服务状况采集影响企业信用的各环节信息,通过结合管理架构,运营资质,交易和服务状况这三点以及三者之间存在的关系来构建影响企业信用因素网络图模型,得到影响企业信用因素的溯源关系,并基于影响企业信用因素的溯源关系中的关键属性,以MySQL数据库为基础构建企业信用系统数据库,以存储企业运营中各个环节涉及信用的量化数据,将影响企业信用的因素进行排序,将基于矩阵与权重的改进Apriori算法应用到特征提取和分析领域,确定各个因素的权重占比,按照从高到低的方式进行特征提取和分析。同时以提取好的特征作为变量构建要预测的目标函数,以此构建量子遗传算法对目标函数进行预测求解,依据企业运营力度规定预测周期,定周期自动化预测时间段内的信用趋势和信用分数,设定符合企业运营信用的标准分数,当预测的企业信用值低于标准值时,将影响企业信用因素的溯源关系中的关键属性作为多目标优化的变量,构建多目标优化模型,基于调参形式迭代计算,得到最优化的Pareto解析,按照解析反演制定企业运营方案,以保证企业信用保持在标准值之上。最后将影响企业信用因素的溯源关系中的关键属性作为多目标优化的变量,构建多目标优化模型、进行多目标求解时,筛选出一个相对较优的解的集合,利用Pareto在这个集合里找出相对优的解或者最优解。本发明针对目前企业信用难以获取和信用能力不匹配等问题,利用信息溯源数据库结合量子遗传算法基于企业信用行为预测和优化企业信用,帮助企业完成信用风险的认知,实现应用层面广,经济成本低,可以推广至社会应用,带来良好的社会和经济效益。
本发明还提供了一种计算机可读存储介质,该存储介质中存储有至少一条指令,该指令由处理器加载并执行,以实现上述方法。其中,该计算机可读存储介质可以是ROM、随机存取存储器、CD-ROM、磁带、软盘和光数据存储设备等。其内存储的指令可由终端中的处理器加载并执行上述方法。
本发明实施方式是参照根据本发明实施例的方法、终端设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、嵌入式处理机或其他可编程数据处理终端设备的处理器以产生一个机器,使得通过计算机或其他可编程数据处理终端设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理终端设备以特定方式工作的计算机可读存储器中,使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品,该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。这些计算机程序指令也可装载到计算机或其他可编程数据处理终端设备上,使得在计算机或其他可编程终端设备上执行一系列操作步骤以产生计算机实现的处理,从而在计算机或其他可编程终端设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
对所公开的实施例的上述说明,使本领域专业技术人员能够实现或使用本发明。对这些实施例的多种修改对本领域的专业技术人员来说将是显而易见的,本文中所定义的一般原理可以在不脱离本发明的精神或范围的情况下,在其它实施例中实现。因此,本发明将不会被限制于本文所示的这些实施例,而是要符合与本文所公开的原理和新颖特点相一致的最宽的范围。
Claims (7)
1.一种基于量子遗传算法的企业信用预测与优化系统,其特征在于,包括企业信用溯源模块、企业信用预测模块和企业信用优化模块;系统运行具体过程描述如下:
S1.基于企业管理架构,运营资质,交易和服务状况采集影响企业信用的各环节信息,并且构建影响企业信用因素网络图模型,得到影响企业信用因素的溯源关系;
S2.基于影响企业信用因素的溯源关系中的关键属性,构建企业信用系统数据库,以存储企业运营中各个环节涉及信用的量化数据;
S3.将影响企业信用的因素进行排序,确定各个因素的权重占比,按照从高到低的方式进行特征提取和分析;
S4.将提取好的特征作为变量构建要预测的目标函数,以此构建量子遗传算法对目标函数进行预测求解,依据企业运营力度规定预测周期,定周期自动化预测时间段内的信用趋势和信用分数;
S5.设定符合企业运营信用的标准分数,当预测的企业信用值低于标准值时,将影响企业信用因素的溯源关系中的关键属性作为多目标优化的变量,构建多目标优化模型,基于调参形式迭代计算,得到最优化的Pareto解析,按照解析反演制定企业运营方案,以保证企业信用保持在标准值之上。
2.根据权利要求1所述一种基于量子遗传算法的企业信用预测与优化系统,其特征在于,所述S1中构建影响企业信用因素网络图模型,得到影响企业信用因素的溯源关系,详细过程如下:
结合管理架构,运营资质,交易和服务状况以及三者之间存在的关系,构建影响企业信用影响因素网络图模型;M为影响企业信用因素网络图模型矩阵,P、A、F分别为管理架构,运营资质,交易和服务状况的数据集合,M矩阵为管理架构,运营资质,交易和服务状况之间的关系矩阵;
管理架构,运营资质,交易和服务状况之间的连接权重由影响企业信用因素网络图模型的邻接矩阵A'表明:
其中管理架构网络之间的影响权重用ωPP表示,管理架构与运营业务之间的影响权重用ωPA、ωAP表示,管理架构与服务状况之间的影响权重用ωPF、ωFP表示,运营业务网络之间的影响权重用ωAA表示。
3.根据权利要求1所述一种基于量子遗传算法的企业信用预测与优化系统,其特征在于,所述S2中企业信用系统数据库主要以MySQL数据库为基础方式。
4.根据权利要求1所述一种基于量子遗传算法的企业信用预测与优化系统,其特征在于,所述S3中将影响企业信用的因素进行排序,确定各个因素的权重占比,按照从高到低的方式进行特征提取和分析,详细过程如下:
将基于矩阵与权重的改进Apriori算法应用到特征提取和分析领域,用将影响企业信用的因素集合I1构建0-1矩阵M:
其中,Ti表示第i个影响企业信用的因素;i=1,2,3…,m;j=1,2,3,…,n;I={I1,I2,I3,…,IN}表示N个影响企业信用的因素集合;Ij在影响企业信用的因素数据库中出现的概率为p(Ij),Ij的权重记为w(Ij),与p(Ij)相关联,w(Ij)计算如下:
w(Ij)=1/p(Ij)
其中,l表示Ij在影响企业信用的因素数据库中出现的次数,即上述矩阵中第j列中1的个数,m是影响企业信用的因素的总条数;
提升度反映了Apriori关联规则中的X与Y的相关性,目前普遍采用的提升度计算公式为
其中,L(X→Y)>1表明X与Y呈正相关,L(X→Y)<1表明X与Y呈负相关,L(X→Y)=1表明X与Y不相关。
兴趣度反映了关联规则正负相关的程度。基于差值的兴趣度模型,记为
其中,I(X→Y)越大于0,说明X与Y正相关程度越高;I(X→Y)越小于0,说明X与Y负相关程度越高。
5.根据权利要求1所述一种基于量子遗传算法的企业信用预测与优化系统,其特征在于,所述S4中量子遗传算法,详细过程如下:
将提取好的特征作为变量构建要预测的目标函数,以此构建量子遗传算法对目标函数进行预测求解,依据企业运营力度规定预测周期,定周期自动化预测时间段内的信用趋势和信用分数;
首先初始时刻令t=0,选取量子遗传算法种群为提取好的影响企业信用的因素特征集合,得到初始种群Q(t),定义种群中第i(i=1,2,…,n)号个体中的第j(j=1,2,…,m)对概率幅记为Aij,若概率幅Aij 2>randij,其中randij为[0,1]内的随机数;并通过量子旋转门进行种群更新,对更新的种群通过旋转矩阵C(θij)进行交叉变异操作,其中:
量子旋转角θij=P(Aij,Bij)Δθij,其中P(Aij,Bij)为第i号个体中的第j对概率幅,Δθij为第i号个体中的第j对概率幅对应的旋转矩阵中的旋转角的大小,本发明中概率幅指描述种群适应值特征信息的函数。
通过交叉变异操作后对个体都实施测量得到的状态P(t)进行记录,并计算其适应值,找出最佳个体,当不满足输出当前最优个体时,返回初始状态继续进行迭代,当满足输出条件时,记录最佳个体及其适应值,当算法运行迭代多次之后,种群中的最优个体不再发生变化,并持续一段时间,都不再产生更好地个体,这时判定为终止标准,结束算法。
6.根据权利要求1所述一种基于量子遗传算法的企业信用预测与优化系统,其特征在于,所述S5中设定符合企业运营信用的标准分数,满分为100分,设定70分为及格分,80分为良好分,90分为优秀分。
7.根据权利要求1所述一种基于量子遗传算法的企业信用预测与优化系统,其特征在于,所述S5中多目标优化模型,详细过程如下:
设定符合企业运营信用的标准分数,当预测的企业信用值低于标准值时,将影响企业信用因素的溯源关系中的关键属性作为多目标优化的变量,构建多目标优化模型,基于调参形式迭代计算,得到最优化的Pareto解析,将影响企业信用因素的溯源关系中的关键属性作为多目标优化的变量,构建多目标优化模型、进行多目标求解时,筛选出一个相对较优的解的集合:
其中,V表示企业运营信用标准值,f1(x),f2(x),……,fn(x)表示n个最优化目标函数,目标是都使之达到最小,是其变量的约束集合,Rm是符合企业运营信用的标准分数集合。
得到最优化的Pareto解析后,按照解析反演制定企业运营方案,以保证企业信用保持在标准值之上。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311180786.5A CN117217867A (zh) | 2023-09-13 | 2023-09-13 | 一种基于量子遗传算法的企业信用预测与优化系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311180786.5A CN117217867A (zh) | 2023-09-13 | 2023-09-13 | 一种基于量子遗传算法的企业信用预测与优化系统 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN117217867A true CN117217867A (zh) | 2023-12-12 |
Family
ID=89036529
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311180786.5A Pending CN117217867A (zh) | 2023-09-13 | 2023-09-13 | 一种基于量子遗传算法的企业信用预测与优化系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117217867A (zh) |
-
2023
- 2023-09-13 CN CN202311180786.5A patent/CN117217867A/zh active Pending
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Cho et al. | A hybrid approach based on the combination of variable selection using decision trees and case-based reasoning using the Mahalanobis distance: For bankruptcy prediction | |
CN111080338B (zh) | 用户数据的处理方法、装置、电子设备及存储介质 | |
CN114678080B (zh) | 转炉终点磷含量预测模型及构建方法、磷含量预测方法 | |
CN109919489B (zh) | 基于企业资产管理系统和ga-bp的企业设备寿命预测方法 | |
CN111401600A (zh) | 基于关联关系的企业信用风险评价方法和系统 | |
CN113642826B (zh) | 一种供应商违约风险预测方法 | |
CN110930038A (zh) | 一种贷款需求识别方法、装置、终端及存储介质 | |
Adeyemo et al. | Effects of normalization techniques on logistic regression in data science | |
CN116468536A (zh) | 一种自动化风险控制规则生成的方法 | |
CN115018562A (zh) | 用户预流失预测方法、装置及系统 | |
CN114202243A (zh) | 一种基于随机森林的工程项目管理风险预警方法及系统 | |
Adeyemo et al. | Effects of normalization techniques on logistic regression in data science | |
CN114626898A (zh) | 一种销量预测方法、工具、系统、设备及存储介质 | |
CN114548494A (zh) | 一种可视化造价数据预测智能分析系统 | |
CN116911994B (zh) | 对外贸易风险预警系统 | |
CN116303786B (zh) | 一种基于多维数据融合算法的区块链金融大数据管理系统 | |
CN117217867A (zh) | 一种基于量子遗传算法的企业信用预测与优化系统 | |
CN117252677A (zh) | 信贷额度确定方法和装置、电子设备及存储介质 | |
CN111179070A (zh) | 一种基于lstm的借贷风险时效性预测系统及方法 | |
KR102576143B1 (ko) | 거절자 추론 없이 대출 실행 데이터를 활용하여 신용 평가 모형을 연속 학습하는 방법 및 이 방법을 실행시키기 위한 컴퓨터 판독 가능한 프로그램을 기록한 기록 매체 | |
KR102596740B1 (ko) | 기계학습을 이용한 경제불확실성 뉴스심리에 따른 거시경제적 요인과 주식수익률 예측방법 | |
DANIALI et al. | Periodizing management’s risks of construction projects with gray relational analysis and fmea approach | |
Liu et al. | Dynamic credit scoring on consumer behavior using fuzzy Markov model | |
Huang | Big data processing and analysis platform based on deep neural network model | |
CN115170285A (zh) | 一种基于iot数据核定客户授信额度的方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication |