[發明專利]基于卷積神經網絡的中小微企業數據建模方法及系統

有效

• 申請號: 202110554758.X
• 申請日: 2021-05-20
• 公開（公告）號: CN113177733B
• 公開（公告）日: 2023-05-02
• 發明（設計）人: 王鑫;王瑩;陳進東;張健;曹麗娜
• 申請（專利權）人: 北京信息科技大學
• 主分類號: G06Q10/067
• 分類號: G06Q10/067;G06Q40/03;G06Q40/12;G06N3/0464;G06N3/047;G06N3/048;G06N3/08;G06F18/2415
• 代理公司: 北京華際知識產權代理有限公司 11676
• 代理人: 袁瑞紅

本發明公開了一種基于卷積神經網絡的中小微企業數據建模方法及系統，本發明是卷積神經網絡在中小微企業信息處理領域的具體應用，進一步拓展了深度學習算法的應用范圍，方法具有較高的針對性和實用性，對于企業的信息既用到了時序信息(如財務信息等)，也用到了非時序信息(如企業信息等)，這在卷積神經網絡的具體應用中具有較高的創新性，并通過信用風險識別的應用場景說明了對時序信息與非時序信息特征提取與融合的具體方法及流程。

技術領域

本發明屬于企業數據處理技術領域，具體涉及基于卷積神經網絡的中小微企業數據建模方法及系統。

背景技術

企業的數據包括時間序列特征的數據和非時間序列特征的數據，其中，時間序列特征的數據主要是財務數據，非時間序列特征的數據主要是非財務數據，其中，財務數據是衡量一個公司償債能力、發展能力、盈利能力、經營能力的重要指標，非財務數據包括注冊資本、成立年限、教育背景、企業主從業年限等企業信息，能夠在一定程度上反應一個公司的實力。

大數據背景下，互聯網金融數據日益復雜化，通過使用在互聯網上采集到的中小微企業基本信息、動態財務指標，構建全面客觀的線上數據采集系統，使用深度學習方法，能夠有效處理具有時間序列特征的復雜金融數據和具有非時序特征的企業信息。卷積神經網絡作為深度學習方法，能夠對具有時間序列特點的財務數據與復雜的金融數據進行更深層準確地判斷。近年來，卷積神經網絡被引入到互聯網、金融領域，評估個人信用、客戶信用與企業信用風險。卷積神經網絡不僅可以從數據中自動提取特征，同時其網絡結構具有很強的學習能力。通過對網絡結構的調整，卷積神經網絡不僅可以對具有時間序列特征的數據進行深度學習，進行精準預測分析，還可以對企業信息等非財務數據進行分析。

針對現有技術中對于中小微企業的數據處理的模型存在不精確的問題，并且還存在成本高、復雜、時效低等問題，引入卷積神經網絡，將卷積神經網絡和時間序列數據、非時間序列數據的處理方法相結合，提出基于卷積神經網絡的中小微企業數據建模方法。

發明內容

本發明的目的在于提供基于卷積神經網絡的中小微企業數據建模方法及系統，從而解決企業信用風險評價的高成本、高復雜、低時效的問題，處理后的數據更精確，對衡量企業的主要指標具有更重要的指導意義。

為了實現上述目的，本發明采用如下技術方案：

一種基于卷積神經網絡的中小微企業數據建模方法，所述方法包括：

(1)采集中小微企業相關數據；

(2)對采集的數據進行預處理；

(3)構建卷積神經網絡模型；

(4)對構建的卷積神經網絡模型進行訓練和測試，優化和確定卷積神經網絡模型的參數。

優選地，步驟(2)中的所述預處理包括缺失值處理和數據標準化處理。所述缺失值處理為對下載的數據集進行缺失值填充，即用該指標序列的全局平均值填充當前缺失值，獲得一個完整數據集；所述數據標準化處理采用z-score標準化處理。

步驟(4)所述對構建的卷積神經網絡模型進行訓練和測試的方法為：對采集的企業數據進行隨機劃分，分為訓練集和測試集，以訓練集數據為輸入，對卷積神經網絡模型進行迭代訓練，然后以測試集對模型進行測試，并根據測試結果進行參數調整。

所述卷積神經網絡模型包括兩個并行的子卷積神經網絡，分別用于接收時間序列特征的數據和非時間序列特征的數據。

對于時間序列特征數據的子卷積神經網絡：第一層卷積層使用1×3和3×1兩個卷積核，提取不同指標間的相關特征和同一指標的時序特征，然后通過2×2的最大池化層，再接一層只包括3×3單卷積核的卷積層，來對特征進一步提取，最后再經過一層2×2最大池化層進行降采樣；

對于非時間序列特征數據的子卷積神經網絡：只使用了一層1×3的卷積核，之后使用一層2×2的池化層來進行特征提??；