[發(fā)明專利]一種基于智能AI機(jī)器學(xué)習(xí)的用于風(fēng)險(xiǎn)預(yù)測(cè)方法及裝置

在審

• 申請(qǐng)?zhí)枺?/td>: 202110888042.3
• 申請(qǐng)日: 2021-08-03
• 公開（公告）號(hào): CN113506039A
• 公開（公告）日: 2021-10-15
• 發(fā)明（設(shè)計(jì)）人: 龐中正;陳靖鴻;楊明
• 申請(qǐng)（專利權(quán)）人: 杭銀消費(fèi)金融股份有限公司
• 主分類號(hào): G06Q10/06
• 分類號(hào): G06Q10/06;G06Q10/04;G06K9/62;G06N3/04;G06N3/08
• 代理公司: 南昌逸辰知識(shí)產(chǎn)權(quán)代理事務(wù)所(普通合伙) 36145
• 代理人: 劉林艷

1.一種基于智能AI機(jī)器學(xué)習(xí)的用于風(fēng)險(xiǎn)預(yù)測(cè)方法，其特征在于，所述預(yù)測(cè)方法步驟包括：

實(shí)時(shí)獲得項(xiàng)目樣本數(shù)據(jù)，對(duì)項(xiàng)目樣本數(shù)據(jù)進(jìn)行分析處理得出樣本數(shù)據(jù)；

將得出的樣本數(shù)據(jù)進(jìn)行特征歸集，分類出項(xiàng)目基本特征集、項(xiàng)目工作量特征集、項(xiàng)目計(jì)劃特征集、項(xiàng)目跟蹤計(jì)劃集和項(xiàng)目變更特征集；

訓(xùn)練所述基本特征集、項(xiàng)目工作量特征集、項(xiàng)目計(jì)劃特征集、項(xiàng)目跟蹤計(jì)劃集和項(xiàng)目變更特征集的特征集合以構(gòu)造風(fēng)險(xiǎn)預(yù)測(cè)模型；

將尚未驗(yàn)證的特征集合輸入至風(fēng)險(xiǎn)預(yù)測(cè)模型中，以此得到驗(yàn)證結(jié)果，即為項(xiàng)目風(fēng)險(xiǎn)預(yù)測(cè)結(jié)果；

將項(xiàng)目風(fēng)險(xiǎn)預(yù)測(cè)結(jié)果與項(xiàng)目實(shí)際將發(fā)生的風(fēng)險(xiǎn)情況相比對(duì)，以訓(xùn)練風(fēng)險(xiǎn)預(yù)測(cè)模型。

2.根據(jù)權(quán)利要求1所述的一種基于智能AI機(jī)器學(xué)習(xí)的用于風(fēng)險(xiǎn)預(yù)測(cè)方法，其特征在于，所述實(shí)時(shí)獲得項(xiàng)目樣本數(shù)據(jù)，對(duì)項(xiàng)目樣本數(shù)據(jù)進(jìn)行分析處理得出樣本數(shù)據(jù)的步驟中運(yùn)用卷積神經(jīng)網(wǎng)絡(luò)模型對(duì)項(xiàng)目樣本數(shù)據(jù)進(jìn)行膨脹卷積操作。

3.根據(jù)權(quán)利要求1所述的一種基于智能AI機(jī)器學(xué)習(xí)的用于風(fēng)險(xiǎn)預(yù)測(cè)方法，其特征在于，所述系統(tǒng)分類項(xiàng)目特征歸集的訓(xùn)練過程包括：

將得出的樣本數(shù)據(jù)輸入到卷積神經(jīng)網(wǎng)絡(luò)模型中，進(jìn)行特征向量提取；

把提取出的特征向量代入至項(xiàng)目基本特征集、項(xiàng)目工作量特征集、項(xiàng)目計(jì)劃特征集、項(xiàng)目跟蹤計(jì)劃集和項(xiàng)目變更特征集中，得到數(shù)據(jù)完整的各個(gè)特征集，若提取的樣本數(shù)據(jù)不足以使特征集數(shù)據(jù)完整，則通過進(jìn)行下一步驟計(jì)算損失函數(shù)以得出數(shù)據(jù)完整的特征集；

計(jì)算卷積神經(jīng)網(wǎng)絡(luò)模型的損失函數(shù)，使用Adam優(yōu)化器對(duì)損失函數(shù)進(jìn)行優(yōu)化，當(dāng)損失函數(shù)為最小值時(shí)，完成該系統(tǒng)的模型訓(xùn)練。

4.根據(jù)權(quán)利要求3所述的一種基于智能AI機(jī)器學(xué)習(xí)的用于風(fēng)險(xiǎn)預(yù)測(cè)方法，其特征在于，損失函數(shù)的求值公式為：

其中和是層的參數(shù)（定值），是項(xiàng)目索引是特征索引，表示項(xiàng)目特征對(duì)應(yīng)的真實(shí)情況；表示項(xiàng)目集合對(duì)應(yīng)的真實(shí)情況。

5.根據(jù)權(quán)利要求3所述的一種基于智能AI機(jī)器學(xué)習(xí)的用于風(fēng)險(xiǎn)預(yù)測(cè)方法，其特征在于，所述該系統(tǒng)的卷積神經(jīng)網(wǎng)絡(luò)模型還包括計(jì)算層和提取層；所述計(jì)算層用于神經(jīng)網(wǎng)絡(luò)模型報(bào)告的項(xiàng)目數(shù)據(jù)計(jì)算，所述提取層用于根據(jù)提取層提取的項(xiàng)目數(shù)據(jù)計(jì)算得到軟件項(xiàng)目數(shù)據(jù)。

6.根據(jù)權(quán)利要求1所述的一種基于智能AI機(jī)器學(xué)習(xí)的用于風(fēng)險(xiǎn)預(yù)測(cè)方法，其特征在于，所述未驗(yàn)證的特征輸入至風(fēng)險(xiǎn)預(yù)測(cè)模型的過程包括：

向待驗(yàn)證的特征集合輸入提取好的項(xiàng)目數(shù)據(jù)；

向待驗(yàn)證的特征集合輸入提取的軟件項(xiàng)目數(shù)據(jù)；

得到驗(yàn)證后的項(xiàng)目風(fēng)險(xiǎn)預(yù)測(cè)結(jié)果。

7.根據(jù)權(quán)利要求1所述的一種基于智能AI機(jī)器學(xué)習(xí)的用于風(fēng)險(xiǎn)預(yù)測(cè)方法，其特征在于，所述將項(xiàng)目風(fēng)險(xiǎn)預(yù)測(cè)結(jié)果與項(xiàng)目實(shí)際將發(fā)生的風(fēng)險(xiǎn)情況比對(duì)過程具有針對(duì)性和經(jīng)濟(jì)性，其中針對(duì)性主要體現(xiàn)為對(duì)項(xiàng)目主要風(fēng)險(xiǎn)因素提出必要的措施，經(jīng)濟(jì)性主要體現(xiàn)為在風(fēng)險(xiǎn)預(yù)測(cè)中應(yīng)規(guī)避的風(fēng)險(xiǎn)與該風(fēng)險(xiǎn)可能造成的損失，尋求冒最小的風(fēng)險(xiǎn)獲取最大的風(fēng)險(xiǎn)效益。

8.一種基于智能AI機(jī)器學(xué)習(xí)的用于風(fēng)險(xiǎn)預(yù)測(cè)裝置，其特征在于，包括：

數(shù)據(jù)錄取模塊，用于實(shí)時(shí)獲得項(xiàng)目樣本數(shù)據(jù)，對(duì)項(xiàng)目樣本數(shù)據(jù)進(jìn)行分析處理得出樣本數(shù)據(jù)；

歸集模塊，用于將得出的樣本數(shù)據(jù)進(jìn)行特征歸集，分類出項(xiàng)目基本特征集、項(xiàng)目工作量特征集、項(xiàng)目計(jì)劃特征集、項(xiàng)目跟蹤計(jì)劃集和項(xiàng)目變更特征集；

訓(xùn)練模塊，用于訓(xùn)練所述基本特征集、項(xiàng)目工作量特征集、項(xiàng)目計(jì)劃特征集、項(xiàng)目跟蹤計(jì)劃集和項(xiàng)目變更特征集的特征集合以構(gòu)造風(fēng)險(xiǎn)預(yù)測(cè)模型；

代入模塊，用于將尚未驗(yàn)證的特征集合輸入至風(fēng)險(xiǎn)預(yù)測(cè)模型中，以此得到驗(yàn)證結(jié)果，即為項(xiàng)目風(fēng)險(xiǎn)預(yù)測(cè)結(jié)果；

比對(duì)模塊，用于將項(xiàng)目風(fēng)險(xiǎn)預(yù)測(cè)結(jié)果與項(xiàng)目實(shí)際將發(fā)生的風(fēng)險(xiǎn)情況相比對(duì)，以訓(xùn)練風(fēng)險(xiǎn)預(yù)測(cè)模型。