[發明專利]一種基于智能AI機器學習的用于風險預測方法及裝置

在審

• 申請號: 202110888042.3
• 申請日: 2021-08-03
• 公開（公告）號: CN113506039A
• 公開（公告）日: 2021-10-15
• 發明（設計）人: 龐中正;陳靖鴻;楊明
• 申請（專利權）人: 杭銀消費金融股份有限公司
• 主分類號: G06Q10/06
• 分類號: G06Q10/06;G06Q10/04;G06K9/62;G06N3/04;G06N3/08
• 代理公司: 南昌逸辰知識產權代理事務所(普通合伙) 36145
• 代理人: 劉林艷

本發明提供了一種基于智能AI機器學習的用于風險預測方法及裝置，運用于項目風險預測領域；抽取項目數據并清洗，獲取多個項目的樣本數據，根據樣本數據得到每個項目的特征集合，包括項目基本特征集、項目工作量特征集、項目計劃特征集、項目跟蹤特征集和項目變更特征集；利用各個樣本項目的特征集合訓練得到風險預測模型；將待驗證項目的特征集合輸入到風險預測模型中，得到驗證結果，即為項目風險預測結果；比較項目風險預測結果和項目的實際風險情況，訓練風險預測模型；以提前預測軟件研發項目風險。

技術領域

本發明涉及項目風險預測領域，特別涉及為一種基于智能AI機器學習的用于風險預測方法及裝置。

背景技術

隨著科學技術的不斷發展，軟件研發項目的復雜性不斷增大，研發周期不斷增長、且不確定性因素較多，為了減小風險發生概率并有效避免潛在風險對整個研發項目的損失，有必要對軟件研發項目風險進行預測。現有文獻提出基于粗糙集理論對電網建設項目的風險關系進行分析，計算風險因素的相關系數，為軟件項目的風險管理提供依據，但存在項目風險因素兩兩之間相關項不高的問題。在上述基礎上還提出了將粗糙集理論與AHP理論相結合，利用粗糙集分析項目風險群決策實現屬性約簡，結合層次分析法實現項目風險的定量研究分析。現有文獻還提出了將RBS故障樹理論、粗糙集與信息熵相結合對建筑項目施工進度進行風險評估，但構造故障樹的多余量相當繁重，難度也較大，易發生錯誤。并且每個分析人員所取的研究范圍各有不同，其所得結論的可信性也就有所不同。

隨著人工智能和大數據的發展，神經網絡受到了越來越多研究者的關注。由于神經網絡有很強的非線性擬合能力，對非線性關系的映射有較好的效果，因此近年來相關學者將神經網絡和軟件項目風險研究相結合，并取得了一定的成果。現有文獻提出了一種就支持向量機的軟件項目風險預測方法，能夠一定程度上對項目風險進行預測，但該向量機存在的指標權值問題沒有得到解決。現有文獻還提出一種基于BP神經網絡的軟件項目投資偏離預警模型。通過定義預警指標并結合神經網絡實現軟件項目的投資偏離程度預測，但BP神經網絡存在網絡參數較多、全局最優值難尋找和樣本的嚴重依賴性等特點，這些都限制了傳統BP神經網絡在實際軟件研發項目風險預測中的應用。

鑒于此，本發明提出一種基于智能AI機器學習的用于風險預測方法系統及其裝置，意為解決傳統項目風險預測精確度不高的問題，以提前預測項目風險。

發明內容

本發明旨在解決軟件項目預測精確度不高的問題，提供一種基于智能AI機器學習的用于風險預測方法系統及其裝置。

本發明提供一種基于智能AI機器學習的、用于風險預測方法，所述預測方法步驟包括：

實時獲得項目樣本數據，對項目樣本數據進行分析處理得出樣本數據；

將得出的樣本數據進行特征歸集，分類出項目基本特征集、項目工作量特征集、項目計劃特征集、項目跟蹤計劃集和項目變更特征集；

訓練所述基本特征集、項目工作量特征集、項目計劃特征集、項目跟蹤計劃集和項目變更特征集的特征集合以構造風險預測模型；

將尚未驗證的特征集合輸入至風險預測模型中，以此得到驗證結果，即為項目風險預測結果；

將項目風險預測結果與項目實際將發生的風險情況相比對，以訓練風險預測模型。

進一步地，實時獲得項目樣本數據，對項目樣本數據進行分析處理得出樣本數據的步驟中運用卷積神經網絡模型對項目樣本數據進行膨脹卷積操作。

進一步地，系統分類項目特征歸集的訓練過程包括：

系統分類項目特征歸集的訓練過程包括：

將得出的樣本數據輸入到卷積神經網絡模型中，進行特征向量提取；