CN117541060A - 一种基于人工智能的投资风险预警系统及方法 - Google Patents

Abstract

本发明公开了一种基于人工智能的投资风险预警系统及方法，包括：贝叶斯网络模型运算模块，贝叶斯网络模型运算模块包括输入层、学习层、构造层、运算层、输出层、子模型模块，输入层用于收集风险指标节点、风险预警阈值、风险信息，学习层用于节点变量顺序选择、贝叶斯结构学习、贝叶斯参数学习，子模型单元包括因果运算单元、果因运算单元、学习单元，本发明具有以下优点：采用科学可行的方法建立企业海外铁路项目投资风险预警系统，通过系统的运行为企业输出海外铁路项目投资的预警结果，为企业提供了理论的风险预警与处理方法。

Description

一种基于人工智能的投资风险预警系统及方法

技术领域

本发明涉及投资预警技术领域，具体涉及一种基于人工智能的投资风险预警系统及方法。

背景技术

目前海外铁路项目的开展，覆盖面积广，所面临的建设自然环境也不尽相同。随着时代的发展，各国对铁路项目在速度、性能等方面都有了更高的配置需求，由此对于相应的建设能力与建设技术也提出了新要求。不仅如此，海外工程、材料采购流程差异。

目前铁路项目由于其连接性与运输性的特征，项目整体以线形发散，导致项目征地任务困难而复杂，面临自然条件与地质条件情况多变，市场竞争与市场需求等条件动态变化，与其他类基础设施投资项目相比具有更多特殊影响风险因素，且由于铁路项目对于各项事业的发展都有正向促进作用，所以在海外市场同样存在庞大的铁路项目需求，但由于环境的欠缺将会带来相应的不确定风险。故提供一种基于人工智能的投资风险预警系统及方法，使其解决以上问题。

发明内容

本发明解决技术问题采用的技术方案是：一种基于人工智能的投资风险预警系统，其包括：贝叶斯网络模型运算模块，所述贝叶斯网络模型运算模块包括输入层、学习层、构造层、运算层、输出层、子模型模块，所述输入层用于收集风险指标节点、风险预警阈值、风险信息，所述学习层用于节点变量顺序选择、贝叶斯结构学习、贝叶斯参数学习，所述子模型单元包括因果运算单元、果因运算单元、学习单元。

进一步地，所述构造层用于负责项目贝叶斯网络构造，利用所述输入层输入的企业海外铁路项目投资风险指标节点，依据所述学习层基于样本数据的结构学习，对预警指标间因果逻辑关系进行进一步的梳理、调整与优化。

进一步地，所述运算层通过贝叶斯定理与贝叶斯概率定理，进行企业海外铁路项目投资风险指标概率正向演算与反向推导，得出各级指标的概率分布与各指标节点的风险概率得分，作为风险预警数据结果依据。

进一步地，所述输出层通过运算层的运算结果，输出层将运算结果与风险预警阈值标准值比对，判断警情程度，重点风险因素识别与贝叶斯网络、参数调整的职责，供决策方进行项目决策与贝叶斯网络模型运算模块优化。

进一步地，所述因果运算单元为正向逻辑运算，通过输入层、学习层、构造层、运算层与输出层运行，所述输入层作将风险指标节点体系中的一级指标、二级指标与三级指标信息纳入节点数据库，并同时对三级指标进行对应风险概率赋值输入，完成计算信息与数据收集工作。

进一步地，所述果因运算单元为逆向逻辑运算，可针对项目具体所处环境与阶段，基于大环境信息，在模型输入层预估、调整与输入一级指标风险概率，利用构造层的贝叶斯网络结构，通过运算层进行逆向贝叶斯推理原理推导，计算得出各项二级指标与三级指标的风险概率，从输出层得到不同风险场景发生的概率大小。

进一步地，所述学习单元是利用数据信息进行贝叶斯网络分析学习，找出一个对于特定数据组，持续、动态的对前期搭建的基础网络结构进行优化调整，使得风险预警模型能够得到不断的完善与升级，更加精确的对项目风险进行全生命周期预警提示。

进一步地，所述风险信息是风险预警系统进行分析预测的基础信息数据，其信息的真实性、准确性及有效性影响着整个系统的预警输出效果。

一种基于人工智能的投资风险预警方法，包括以下步骤：

S1：首先通过贝叶斯网络模型运算模块构建贝叶斯网络模型；

S2：贝叶斯网络模型通过相关渠道对信息进行统计与分析初步加工；

S3：在经过信息初收集以及信息筛选过程之后，对所有信息进行整理、归纳以及提炼，通过对风险信息的整理及归纳形成基础资料，根据基础资料对产生警情的根源进行寻找，对项目产生影响的各种风险因素进行分析，形成风险来源清单；

S4：根据风险来源清单，提炼警情构成指标，明确预警对象及其预警评判标准，完成风险信息初加工，形成预警系统基础，并准确性及有效性影响着整个系统的预警输出效果。

本发明具有以下优点：贝叶斯网络模型作为风险预警主体，利用贝叶斯网络软件进行了模型集体功能的运转与分析，采用科学可行的方法建立企业海外铁路项目投资风险预警系统，通过系统的运行为企业输出海外铁路项目投资的预警结果，并匹配针对性的风险防范措施与风险预案，为企业提供了理论的风险预警与处理方法，有助于高效和科学的分析风险，减少人工风险分析的失误，降低风险带来的不必要损失，提高企业海外铁路项目投资的成功率。

附图说明

图1是本发明优选实施例的贝叶斯网络模型运算模块的风险预警运行原理示意图；

图2是本发明优选实施例的因果运算单元运行流程示意图；

图3是本发明优选实施例的果因运算单元运行流程示意图；

图4是本发明优选实施例的学习单元运行流程示意图。

具体实施方式

下面对本发明实施例中的技术方案进行清楚、完整地描述。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，都属于本发明保护的范围，在下面的描述中阐述了很多具体细节以便于充分理解本发明，但是，本发明还可以采用其他不同于在此描述的其他方式来实施，因此，本发明的保护范围并不受下面公开的具体实施例的限制。

为了能够更清楚地理解本发明的上述目的、特征和优点，下面结合附图和具体实施方式对本发明进行进一步的详细描述。

请结合参阅图1-图4，本发明一种基于人工智能的投资风险预警系统，包括：贝叶斯网络模型运算模块，贝叶斯网络模型运算模块包括输入层、学习层、构造层、运算层、输出层、子模型模块，输入层用于收集风险指标节点、风险预警阈值、风险信息，学习层用于节点变量顺序选择、贝叶斯结构学习、贝叶斯参数学习，子模型单元包括因果运算单元、果因运算单元、学习单元，输入层一方面吸纳信息结点进入系统，使其成为定性化预警指标结点基础,另一方面吸纳外部对应数据进入系统，包括标准企业海外铁路项目投资风险预警阈值、指标风险概率样本数据以及动态监测的风险信息，成为模型的信息处理基础，以对应映射的方式将指标风险概率样本数据与指标结点一对应,并连接学习层，成为构造项目贝叶斯网络与参数运算的前置条件。

构造层用于负责项目贝叶斯网络构造，利用输入层输入的企业海外铁路项目投资风险指标节点，依据学习层基于样本数据的结构学习，对预警指标间因果逻辑关系进行进一步的梳理、调整与优化，运算层通过贝叶斯定理与贝叶斯概率定理，进行企业海外铁路项目投资风险指标概率正向演算与反向推导，得出各级指标的概率分布与各指标节点的风险概率得分，作为风险预警数据结果依据，输出层通过运算层的运算结果，输出层将运算结果与风险预警阈值标准值比对，判断警情程度，重点风险因素识别与贝叶斯网络、参数调整的职责，供决策方进行项目决策与贝叶斯网络模型运算模块优化。

结合图2和图3所示，其中因果运算单元为正向逻辑运算，通过输入层、学习层、构造层、运算层与输出层运行，输入层作将风险指标节点体系中的一级指标、二级指标与三级指标信息纳入节点数据库，并同时对三级指标进行对应风险概率赋值输入，完成计算信息与数据收集工作，果因运算单元为逆向逻辑运算，可针对项目具体所处环境与阶段，基于大环境信息，在模型输入层预估、调整与输入一级指标风险概率，利用构造层的贝叶斯网络结构，通过运算层进行逆向贝叶斯推理原理推导，计算得出各项二级指标与三级指标的风险概率，从输出层得到不同风险场景发生的概率大小。由此得到重点风险因素,可针对具体风险场景的开展风险防控，设置对应风险预防措施，一方面可在项目前期对相关投资风险有针对性的进行重点关注，另一方面也可以弥补风险预警系统在项目中后期对风险监控不足的痛点。

其中，学习单元是利用数据信息进行贝叶斯网络分析学习，找出一个对于特定数据组，持续、动态的对前期搭建的基础网络结构进行优化调整，使得风险预警模型能够得到不断的完善与升级，更加精确的对项目风险进行全生命周期预警提示。另一方面对样本信息数据进行风险先验概率调整，并利用调整后的贝叶斯网络结构,进行基于大数据的贝叶斯参数学习，以客观获得各项风险指标的概率分布情况，输出更精确的项目风险概率值，减少对历史经验与主观判断的依赖性。同时，由于贝叶斯网络结构学习是基于同类或同质数据的累积输入，风险信息是风险预警系统进行分析预测的基础信息数据，其信息的真实性、准确性及有效性影响着整个系统的预警输出效果。

一种基于人工智能的投资风险预警方法，包括以下步骤：

S1：首先通过贝叶斯网络模型运算模块构建贝叶斯网络模型；

S2：贝叶斯网络模型通过相关渠道对信息进行统计与分析初步加工；

S3：在经过信息初收集以及信息筛选过程之后，对所有信息进行整理、归纳以及提炼，通过对风险信息的整理及归纳形成基础资料，根据基础资料对产生警情的根源进行寻找，对项目产生影响的各种风险因素进行分析，形成风险来源清单；

S4：根据风险来源清单，提炼警情构成指标，明确预警对象及其预警评判标准，完成风险信息初加工，形成预警系统基础，并准确性及有效性影响着整个系统的预警输出效果。

以上显示和描述了本发明的基本原理和主要特征和本发明的优点,对于本领域技术人员而言，显然本发明不限于上述示范性实施例的细节，而且在不背离本发明的精神或基本特征的情况下，能够以其他的具体形式实现本发明。因此，无论从哪一点来看，均应将实施例看作是示范性的，而且是非限制性的，本发明的范围由所附权利要求而不是上述说明限定，因此旨在将落在权利要求的等同要件的含义和范围内的所有变化囊括在本发明内。不应将权利要求中的任何附图标记视为限制所涉及的权利要求。

本发明中其他未详述部分均属于现有技术，故在此不再赘述。

最后应说明的是：以上各实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述各实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分或者全部技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的范围。

Claims (9)

1.一种基于人工智能的投资风险预警系统，其特征在于，包括：贝叶斯网络模型运算模块，所述贝叶斯网络模型运算模块包括输入层、学习层、构造层、运算层、输出层、子模型模块，所述输入层用于收集风险指标节点、风险预警阈值、风险信息，所述学习层用于节点变量顺序选择、贝叶斯结构学习、贝叶斯参数学习，所述子模型单元包括因果运算单元、果因运算单元、学习单元。

2.如权利要求1所述的一种基于人工智能的投资风险预警系统，其特征在于，所述构造层用于负责项目贝叶斯网络构造，利用所述输入层输入的企业海外铁路项目投资风险指标节点，依据所述学习层基于样本数据的结构学习，对预警指标间因果逻辑关系进行进一步的梳理、调整与优化。

3.如权利要求1所述的一种基于人工智能的投资风险预警系统，其特征在于，所述运算层通过贝叶斯定理与贝叶斯概率定理，进行企业海外铁路项目投资风险指标概率正向演算与反向推导，得出各级指标的概率分布与各指标节点的风险概率得分，作为风险预警数据结果依据。

4.如权利要求1所述的一种基于人工智能的投资风险预警系统，其特征在于，所述输出层通过运算层的运算结果，输出层将运算结果与风险预警阈值标准值比对，判断警情程度，重点风险因素识别与贝叶斯网络、参数调整的职责，供决策方进行项目决策与贝叶斯网络模型运算模块优化。

5.如权利要求1所述的一种基于人工智能的投资风险预警系统及，其特征在于，所述因果运算单元为正向逻辑运算，通过输入层、学习层、构造层、运算层与输出层运行，所述输入层作将风险指标节点体系中的一级指标、二级指标与三级指标信息纳入节点数据库，并同时对三级指标进行对应风险概率赋值输入，完成计算信息与数据收集工作。

6.如权利要求1所述的一种基于人工智能的投资风险预警系统，其特征在于，所述果因运算单元为逆向逻辑运算，可针对项目具体所处环境与阶段，基于大环境信息，在模型输入层预估、调整与输入一级指标风险概率，利用构造层的贝叶斯网络结构，通过运算层进行逆向贝叶斯推理原理推导，计算得出各项二级指标与三级指标的风险概率，从输出层得到不同风险场景发生的概率大小。

7.如权利要求1所述的一种基于人工智能的投资风险预警系统，其特征在于，所述学习单元是利用数据信息进行贝叶斯网络分析学习，找出一个对于特定数据组，持续、动态的对前期搭建的基础网络结构进行优化调整，使得风险预警模型能够得到不断的完善与升级，更加精确的对项目风险进行全生命周期预警提示。

8.如权利要求1所述的一种基于人工智能的投资风险预警系统，其特征在于，所述风险信息是风险预警系统进行分析预测的基础信息数据，其信息的真实性、准确性及有效性影响着整个系统的预警输出效果。

9.如权利要求1-8任一所述的一种基于人工智能的投资风险预警方法，其特征在于，包括以下步骤：

S1：首先通过贝叶斯网络模型运算模块构建贝叶斯网络模型；

S2：贝叶斯网络模型通过相关渠道对信息进行统计与分析初步加工；

S3：在经过信息初收集以及信息筛选过程之后，对所有信息进行整理、归纳以及提炼，通过对风险信息的整理及归纳形成基础资料，根据基础资料对产生警情的根源进行寻找，对项目产生影响的各种风险因素进行分析，形成风险来源清单；

S4：根据风险来源清单，提炼警情构成指标，明确预警对象及其预警评判标准，完成风险信息初加工，形成预警系统基础，并准确性及有效性影响着整个系统的预警输出效果。