CN116468266A - 基于工程保函的申请人履约风险分析方法、装置及设备 - Google Patents
基于工程保函的申请人履约风险分析方法、装置及设备 Download PDFInfo
- Publication number
- CN116468266A CN116468266A CN202310326218.5A CN202310326218A CN116468266A CN 116468266 A CN116468266 A CN 116468266A CN 202310326218 A CN202310326218 A CN 202310326218A CN 116468266 A CN116468266 A CN 116468266A
- Authority
- CN
- China
- Prior art keywords
- warranty
- engineering
- data
- model
- data set
- 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
- 238000012502 risk assessment Methods 0.000 title claims abstract description 53
- 238000000034 method Methods 0.000 title claims abstract description 38
- 238000013058 risk prediction model Methods 0.000 claims abstract description 48
- 238000012549 training Methods 0.000 claims abstract description 47
- 230000006870 function Effects 0.000 claims description 29
- 238000003066 decision tree Methods 0.000 claims description 19
- 230000002159 abnormal effect Effects 0.000 claims description 10
- 238000004422 calculation algorithm Methods 0.000 claims description 10
- 238000010276 construction Methods 0.000 claims description 8
- 238000007637 random forest analysis Methods 0.000 claims description 8
- 238000012360 testing method Methods 0.000 claims description 8
- 230000008859 change Effects 0.000 claims description 6
- 238000010606 normalization Methods 0.000 claims description 6
- 238000004590 computer program Methods 0.000 claims description 5
- 238000012216 screening Methods 0.000 claims description 3
- 238000004458 analytical method Methods 0.000 abstract description 7
- 238000013145 classification model Methods 0.000 description 12
- 238000004891 communication Methods 0.000 description 8
- 238000007726 management method Methods 0.000 description 5
- 238000012545 processing Methods 0.000 description 5
- 238000013473 artificial intelligence Methods 0.000 description 4
- 238000010586 diagram Methods 0.000 description 4
- 238000011156 evaluation Methods 0.000 description 4
- 238000013528 artificial neural network Methods 0.000 description 3
- 230000008569 process Effects 0.000 description 3
- 238000004364 calculation method Methods 0.000 description 2
- 239000004973 liquid crystal related substance Substances 0.000 description 2
- 238000012015 optical character recognition Methods 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 230000002093 peripheral effect Effects 0.000 description 2
- 102100032202 Cornulin Human genes 0.000 description 1
- 101000920981 Homo sapiens Cornulin Proteins 0.000 description 1
- 238000007635 classification algorithm Methods 0.000 description 1
- 125000004122 cyclic group Chemical group 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000000802 evaporation-induced self-assembly Methods 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 238000011478 gradient descent method Methods 0.000 description 1
- 238000012417 linear regression Methods 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 238000012847 principal component analysis method Methods 0.000 description 1
- 230000000306 recurrent effect Effects 0.000 description 1
- 238000012706 support-vector machine Methods 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/063—Operations research, analysis or management
- G06Q10/0635—Risk analysis of enterprise or organisation activities
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/10—Services
- G06Q50/18—Legal services
-
- 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
- Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
- Y02P90/30—Computing systems specially adapted for manufacturing
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Theoretical Computer Science (AREA)
- Human Resources & Organizations (AREA)
- General Physics & Mathematics (AREA)
- Physics & Mathematics (AREA)
- Strategic Management (AREA)
- Tourism & Hospitality (AREA)
- Data Mining & Analysis (AREA)
- Economics (AREA)
- Artificial Intelligence (AREA)
- Computer Vision & Pattern Recognition (AREA)
- General Engineering & Computer Science (AREA)
- Software Systems (AREA)
- General Business, Economics & Management (AREA)
- Marketing (AREA)
- Evolutionary Computation (AREA)
- Entrepreneurship & Innovation (AREA)
- Technology Law (AREA)
- Computing Systems (AREA)
- Primary Health Care (AREA)
- Game Theory and Decision Science (AREA)
- Health & Medical Sciences (AREA)
- Quality & Reliability (AREA)
- Development Economics (AREA)
- Medical Informatics (AREA)
- Educational Administration (AREA)
- General Health & Medical Sciences (AREA)
- Operations Research (AREA)
- Mathematical Physics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Biology (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明涉及保函分析技术领域,揭露了一种基于工程保函的申请人履约风险分析方法、装置及设备,包括:对工程保函集中的数据进行标准化,得到标准工程保函数据集;对标准工程保函数据集进行数据平衡化,得到平衡数据集,根据平衡数据集进行特征选择,得到保函特征;根据保函特征对多个预构建的分类预测模型进行模型训练,得到多个预训练完成的分类预测模型;计算每个预训练完成的分类预测模型的模型权重,根据模型权重构建履约风险预测模型;获取目标工程保函,利用履约风险预测模型对目标工程保函进行履约风险分析,得到目标工程保函对应的申请人履约风险。本发明可以提高申请人履约风险的分析准确度。
Description
技术领域
本发明涉及保函分析技术领域,尤其涉及一种基于工程保函的申请人履约风险分析方法、装置及设备。
背景技术
工程保函是依据工程合同开出的,但又不依附于工程合同的法律文件,如果劳务方和承包方日后未能按时、按质、按量完成所承建的工程,则担保人(银行金融机构)必须向业主方支付一笔赔偿款项,因此根据工程保函对工程进度进行实时监控,确保劳务方和承包方日后能按时、按质、按量完成所承建的工程成为亟待解决的问题。
但现有的工程保函的申请人履约风险预测主要基于单一的机器学习模型,例如,神经网络、决策树等分类预测模型,但由于不同工程保函中的不同,对应的指标数据也不同,不同分类预测模型由于其原理及模型设定等问题,导致不能全面的对工程保函的申请人进行履约风险预测,进而导致对申请人履约风险分析的精确度较低。
发明内容
本发明提供一种基于工程保函的申请人履约风险分析方法、装置及设备,其主要目的在于解决申请人履约风险分析准确度较差的问题。
为实现上述目的,本发明提供的一种基于工程保函的申请人履约风险分析方法,包括:
获取工程保函集,对所述工程保函集中的数据进行标准化,得到标准工程保函数据集;
对所述标准工程保函数据集进行数据平衡化,得到平衡数据集,根据所述平衡数据集进行特征选择,得到所述标准工程保函数据集中的保函特征;
根据所述保函特征对多个预构建的分类预测模型进行模型训练,得到多个预训练完成的分类预测模型;
计算多个所述预训练完成的分类预测模型的模型权重,根据所述模型权重构建履约风险预测模型;
获取目标工程保函,利用所述履约风险预测模型对所述目标工程保函进行履约风险分析,得到所述目标工程保函对应的申请人履约风险。
可选地,所述对所述工程保函集中的数据进行标准化,得到标准工程保函数据集,包括:
对所述工程保函集中的每个工程保函进行文本识别,得到所述工程保函集的文本数据;
遍历所述文本数据的数据属性,根据每个所述数据属性识别所述文本数据中的数据属性缺失值及数据属性异常值,并根据所述数据属性从所述文本数据中选取正常属性数据;
利用所述正常属性数据对所述数据属性缺失值进行数据填充,得到第一数据集,并利用所述正常属性数据对所述数据属性异常值进行数据替换,得到第二数据集,根据所述第一数据集以及所述第二数据集生成完整工程保函数据集;
对所述完整工程保函数据集进行数据归一化,得到标准工程保函数据集。
可选地,所述对所述标准工程保函数据集进行数据平衡化,得到平衡数据集,包括:
根据所述标准工程保函数据集中每个标准工程保函数据的数据类别计算所述标准工程保函数据集的不平衡比例,根据所述不平衡比例从所述标准工程保函数据集中选取目标少数类样本;
计算每个目标少数类样本之间的欧式距离,根据所述欧式距离选取每个目标少数类样本的近邻样本;
根据所述近邻样本构建补充样本,将所述补充样本添加到所述标准工程保函数据集中,得到补充数据集;
利用如下公式构建补充样本:
Sp=Xp+rand(0,1)×(Yq-Xp)
其中,Sp为第p个目标少数类样本的补充样本,Xp为第p个目标少数类样本,rand(0,1)为(0,1)之间的随机函数,Yq为第p个目标少数类样本的近邻样本;
计算所述补充数据集中每个补充数据之间欧式距离最小的最近邻样本,根据所述最近邻样本对所述补充数据进行筛选,得到平衡数据集。
可选地,所述根据所述平衡数据集进行特征选择,得到所述标准工程保函数据集中的保函特征,包括:
提取所述平衡数据集中的数据特征,从所述数据特征中随机选取多组特征组,并根据所述多组特征组计算预设的随机森林算法中每个决策树的初始误差值;
逐个对所述特征组中的每个保函特征添加噪声干扰,得到干扰特征,并根据所述干扰特征计算每个决策树的干扰误差值;
根据所述初始误差值以及所述干扰误差值之间的误差变化计算得到每个所述保函特征的特征重要性;
利用如下公式计算每个保函特征的重要性:
其中,importancej为第j个数据特征的特征重要性,N为所述特征组的组数,i为随机森林算法中的第i个决策树,error2ji为第j个数据特征在第i个决策树的干扰误差值,error1i为第i个决策树的初始误差值;
根据每个所述保函特征的特征重要性,从所述保函特征中选取预设数量的数据特征,得到所述标准工程保函数据集中的保函特征。
可选地,所述根据所述保函特征对多个预构建的分类预测模型进行模型训练,得到多个预训练完成的分类预测模型,包括:
根据所述保函特征从所述平衡数据集提取特征平衡数据,利用预设的划分比例将所述特征平衡数据划分为训练集及测试集;
分别利用多个所述预构建的分类预测模型对所述训练集进行预测,得到预测风险标签,计算所述风险预测标签与所述训练集对应的真实风险标签之间的标签损失值;
利用如下公式计算所述风险预测标签与所述训练集对应的真实风险标签之间的标签损失值:
其中,L表示标签损失值,f表示第f个风险预测标签,n表示风险预测标签的总数,表示第f个风险预测标签对应的真实风险标签,yf表示第f个风险预测标签与真实风险标签一致的概率;
利用所述测试集对多个所述预构建的分类预测模型的模型参数进行优化,直至所述标签损失值小于预设损失值阈值,得到多个预训练完成的分类预测模型。
可选地,所述计算多个所述预训练完成的分类预测模型的模型权重,包括:
根据预设的权重约束条件初始化初始模型权重组合,根据所述初始模型权重组合构建初始履约风险预测模型;
计算所述初始履约风险预测模型的模型损失值,根据所述模型损失值对所述初始模型权重组合进行优化,直至所述模型损失值小于预设模型损失值阈值,得到最优权重组合;
根据所述最优权重组合为多个所述预训练完成的分类预测模型分配权重,得到多个所述预训练完成的分类预测模型的模型权重。
可选地,所述根据所述模型权重构建履约风险预测模型,包括:
利用如下公式构建履约风险预测模型:
其中,H表示履约风险预测模型,k表示第k个预训练完成的分类预测模型,m表示预训练完成的分类预测模型总数,wj表示第j个预训练完成的分类预测模型对应的模型权重,Hk表示利用第k个预训练完成的分类预测模型的分类预测结果。
可选地,所述利用所述履约风险预测模型对所述目标工程保函进行履约风险分析,得到所述目标工程保函对应的申请人履约风险,包括:
提取所述目标工程保函中的目标保函特征;
利用所述履约风险预测模型对所述目标工程保函特征进行风险分类;
根据所述风险分类确定所述目标工程保函对应的申请人履约风险。
为了解决上述问题,本发明还提供一种基于工程保函的申请人履约风险分析装置,所述装置包括:
数据标准化模块,用于获取工程保函集,对所述工程保函集中的数据进行标准化,得到标准工程保函数据集;
保函特征选择模块,用于对所述标准工程保函数据集进行数据平衡化,得到平衡数据集,根据所述平衡数据集进行特征选择,得到所述标准工程保函数据集中的保函特征;
分类预测模型训练模块,用于根据所述保函特征对多个预构建的分类预测模型进行模型训练,得到多个预训练完成的分类预测模型;
履约风险分析模型构建模块,用于计算多个所述预训练完成的分类预测模型的模型权重,根据所述模型权重构建履约风险预测模型;
申请人履约风险分析模块,用于获取目标工程保函,利用所述履约风险预测模型对所述目标工程保函进行履约风险分析,得到所述目标工程保函对应的申请人履约风险。
为了解决上述问题,本发明还提供一种电子设备,所述电子设备包括:
至少一个处理器;以及,
与所述至少一个处理器通信连接的存储器;其中,
所述存储器存储有可被所述至少一个处理器执行的计算机程序,所述计算机程序被所述至少一个处理器执行,以使所述至少一个处理器能够执行上述所述的基于工程保函的申请人履约风险分析方法。
本发明实施例通过提取工程保函集中的数据并对所述数据进行标准化,能够避免数据的缺失同时保证数据的完整性,使得标准工程保函数据集的数据更准确;同时对标准工程保函数据集进行数据平衡,能够提高模型数据的平衡性并去除干扰数据,通过平衡数据进行特征选择能够减少不重要特征对工程保函分析的影响;利用保函特征对多个预构建的分类预测模型进行模型训练,实现每个风险分类模型的精确预测;通过计算每个预训练完成的风险分类模型的模型权重构建履约风险预测模型,综合多个模型所提供的的有效信息,避免由单一分类模型评价错误所带来的风险,从而通过履约风险预测模型对目标工程保函进行履约风险分析,能够更精确地对申请人的履约风险进行分析。因此本发明提出的基于工程保函的申请人履约风险分析方法、装置及设备,可以解决申请人履约风险分析准确度较差的问题。
附图说明
图1为本发明一实施例提供的基于工程保函的申请人履约风险分析方法的流程示意图;
图2为本发明一实施例提供的数据平衡化的流程示意图;
图3为本发明一实施例提供的基于工程保函的申请人履约风险分析装置的功能模块图;
图4为本发明一实施例提供的实现所述基于工程保函的申请人履约风险分析方法的电子设备的结构示意图。
本发明目的的实现、功能特点及优点将结合实施例,参照附图做进一步说明。
具体实施方式
应当理解,此处所描述的具体实施例仅仅用以解释本发明,并不用于限定本发明。
本申请实施例提供一种基于工程保函的申请人履约风险分析方法。所述基于工程保函的申请人履约风险分析方法的执行主体包括但不限于服务端、终端等能够被配置为执行本申请实施例提供的该方法的电子设备中的至少一种。换言之,所述基于工程保函的申请人履约风险分析方法可以由安装在终端设备或服务端设备的软件或硬件来执行,所述软件可以是区块链平台。所述服务端包括但不限于:单台服务器、服务器集群、云端服务器或云端服务器集群等。所述服务器可以是独立的服务器,也可以是提供云服务、云数据库、云计算、云函数、云存储、网络服务、云通信、中间件服务、域名服务、安全服务、内容分发网络(Content Delivery Network,CDN)、以及大数据和人工智能平台等基础云计算服务的云服务器。
参照图1所示,为本发明一实施例提供的基于工程保函的申请人履约风险分析方法的流程示意图。在本实施例中,所述基于工程保函的申请人履约风险分析方法包括:
S1、获取工程保函集,对所述工程保函集中的数据进行标准化,得到标准工程保函数据集;
本发明实施例中,可以通过获取预设的历史时间段内多个工程保函来生成工程保函集,其中,所述工程保函集包括最终按要求履约的工程对应的工程保函以及未能按要求履约的工程对应的工程保函,所述工程保函集包括工程投标保函、履约保证证明、履约保函、预付款保函、支付保函等;因此,根据工程保函集能够对需要进行风险分析的工程保函进行准确地风险分析。
本发明实施例中,标准化的执行步骤包括对数据进行缺失值以及异常值的处理,并对缺失值以及异常值的处理后的数据进行归一化,以去除不同数据之间的量纲。
本发明实施例中,所述对所述工程保函集中的数据进行标准化,得到标准工程保函数据集,包括:
对所述工程保函集中的每个工程保函进行文本识别,得到所述工程保函集的文本数据;
遍历所述文本数据的数据属性,根据每个所述数据属性识别所述文本数据中的数据属性缺失值及数据属性异常值,并根据所述数据属性从所述文本数据中选取正常属性数据;
利用所述正常属性数据对所述数据属性缺失值进行数据填充,得到第一数据集,并利用所述正常属性数据对所述数据属性异常值进行数据替换,得到第二数据集,根据所述第一数据集以及所述第二数据集生成完整工程保函数据集;
对所述完整工程保函数据集进行数据归一化,得到标准工程保函数据集。
本发明实施例中,可以利用OCR(Optical Character Recognition,光学字符识别)算法、卷积循环神经网络(Convolutional Recurrent Neural Network,简称为CRNN)算法等人工智能算法进行文本识别。
本发明一可选实施例中,所述数据属性可以为工程保函数据集中数据的不同属性来源,例如,工程的计划建造时间、预付款、赔偿条款等数据属性;由于不同的工程对应的保函不同且为了避免文本提取过程中数据出错,因此对数据进行标准化,能够提高数据的准确性。
本发明实施例中,通过遍历数据中的数据属性进行数据识别,再利用正常数据进行缺失值填充以及异常值替换,例如,可以利用正常数据的平均值进行缺失值填充以及异常值替换,能够保证数据的连贯性;进而再进行归一化,可以消除不同数据之间的量纲,实现数据的平衡,提高后续模型分类的准确度。
S2、对所述标准工程保函数据集进行数据平衡化,得到平衡数据集,根据所述平衡数据集进行特征选择,得到所述标准工程保函数据集中的保函特征;
本发明实施例中,由于在工程保函的履约风险预测领域,无法正常履约的风险性较大,导致标准工程保函数据中数据分布不均匀,进而导致标准工程保函数据集数据不平衡,而数据的不平衡会使模型较难识别少数类样本,进而造成模型的识别精度下降,因此需要进行数据平衡化。
本发明实施例中,参阅图2所示,所述对所述标准工程保函数据集进行数据平衡化,得到平衡数据集,包括:
S21、根据所述标准工程保函数据集中每个标准工程保函数据的数据类别计算所述标准工程保函数据集的不平衡比例,根据所述不平衡比例从所述标准工程保函数据集中选取目标少数类样本;
S22、计算每个目标少数类样本之间的欧式距离,根据所述欧式距离选取每个目标少数类样本的近邻样本;
S23、根据所述近邻样本构建补充样本,将所述补充样本添加到所述标准工程保函数据集中,得到补充数据集;
S24、计算所述补充数据集中每个补充数据之间欧式距离最小的最近邻样本,根据所述最近邻样本对所述补充数据进行筛选,得到平衡数据集。
本发明实施例中,所述数据类别是标准工程保函数据集中对应的申请人履约风险类别,例如,标准工程保函数据集中不能按时履约的工程保函数据较少,则不能按时履约的工程保函数据为少数类样本,再计算少数类样本占标准工程保函数据集的比例,得到不平衡比例,从而根据不平衡比例选取目标少数类样本,能够填充少数类样本所缺失的数据,进而对标准工程保函数据进行补充,得到补充数据集。
本发明实施例中,通过欧式距离计算每个补充数据的最近邻,例如,分属于少数类和多数类的补充数据A和B,此时它们的最近邻样本都是对方,即A的最近邻是B,B的最近邻是A,则补充数据A和B会影响模型的判断,补充数据A和B即为噪声补充数据,需要将补充数据A和B作为噪声补充数据删除,以得到最终的平衡数据集,提高后续模型训练的准确度。
本发明实施例中,利用如下公式构建补充样本::
Sp=Xp+rand(0,1)×(Yq-Xp)
其中,Sp为第p个目标少数类样本的补充样本,Xp为第p个目标少数类样本,rand(0,1)为(0,1)之间的随机函数,Yq为第p个目标少数类样本的近邻样本。
本发明实施例中,特征选择是选择平衡数据集中的重要性更高的特征,从而避免无用特征对后续分类预测模型的干扰,提高模型训练的准确度。
本发明实施例中,特征选择是选择平衡数据集中的重要性更高的特征,从而避免无用特征对后续分类预测模型的干扰,提高模型训练的准确度。
本发明实施例中,所述根据所述平衡数据集进行特征选择,得到所述标准工程保函数据集中的保函特征,包括:
提取所述平衡数据集中的数据特征,从所述数据特征中随机选取多组特征组,并根据所述多组特征组计算预设的随机森林算法中每个决策树的初始误差值;
逐个对所述特征组中的每个保函特征添加噪声干扰,得到干扰特征,并根据所述干扰特征计算每个决策树的干扰误差值;
根据所述初始误差值以及所述干扰误差值之间的误差变化计算得到每个所述保函特征的特征重要性;
根据每个所述保函特征的特征重要性,从所述保函特征中选取预设数量的数据特征作为所述标准工程保函数据集中的保函特征。
本发明实施例中,所述随机森林是以决策树为基本单位的分类算法,在构建决策树时,通过有放回地从数据特征中提取M个特征,共抽取N次,其中每次未被抽到的样本称为袋外数据(Out Of Bag,OOB),利用随机森林算法进行特征重要性选择时,基本思想是袋外数据中的一个特征加入噪声后,决策树预测准确率会降低,准确率的变化决定了这个特征的重要性程度,因此,能够对特征重要性进行排序,得到保函特征序列。
本发明实施例中,多组特征组可以是大于两组的特征组,通过不放回的选取特征组并逐个对特征组中的保函特征添加噪声干扰,从而能够计算得到每个保函特征的误差变化,误差变化越大,表示对应的保函特征对决策的影响越大,因此保函特征的重要性越高;反之,误差变化越小,则保函特征的重要性越低,从而能够实现对保函特征进行重要性选择。
本发明实施例中,所述保函特征表示标准工程保函数据集中数据特征,本发明实施例可以利用主成分分析法提取平衡数据集中的数据特征,并选取数据特征的重要性最大的10个或15个数据特征作为标准工程保函数据集的保函特征。
本发明实施例中,利用如下公式计算每个保函特征的重要性:
其中,importancej为第j个数据特征的特征重要性,N为所述特征组的组数,i为随机森林算法中的第i个决策树,error2ji为第j个数据特征在第i个决策树的干扰误差值,error1i为第i个决策树的初始误差值。
本发明实施例中,通过对平衡数据集进行特征选择,能够避免不重要特征对后续分析的影响,同时能够提高计算的效率,提高保函分析风险的准确度。
S3、根据所述保函特征对多个预构建的分类预测模型进行模型训练,得到多个预训练完成的分类预测模型。
本发明实施例中,所述多个预构建的分类预测模型可以是预构建的基于套索回归(最小绝对收缩和选择算子least absolute shrinkage and selection operator)的信用风险模型、广义线性回归信用风险模型、基于贝叶斯的信用风险分类模型以及基于支持向量机的信用风险分类模型,通过多个不同的能够适应不同的保函风险情形和限定条件,综合不同风险分类模型的优势,分散单一模型分类错误所产生的风险。
本发明实施例中,所述根据所述保函特征对多个预构建的分类预测模型进行模型训练,得到多个预训练完成的分类预测模型,包括:
根据所述保函特征从所述平衡数据集提取特征平衡数据,利用预设的划分比例将所述特征平衡数据划分为训练集及测试集;
分别利用多个所述预构建的分类预测模型对所述训练集进行预测,得到预测风险标签,计算所述风险预测标签与所述训练集对应的真实风险标签之间的标签损失值;
利用所述测试集对多个所述预构建的分类预测模型的模型参数进行优化,直至所述标签损失值小于预设损失值阈值,得到多个预训练完成的分类预测模型。
本发明实施例中,利用如下公式计算所述风险预测标签与所述训练集对应的真实风险标签之间的标签损失值:
其中,L表示标签损失值,f表示第f个风险预测标签,n表示风险预测标签的总数,表示第f个风险预测标签对应的真实风险标签,yf表示第f个风险预测标签与真实风险标签一致的概率。
本发明实施例中,通过训练集对多个预构建的风险分类模型进行训练,进而得到每个训练数据的预测风险标签,通过预测的风险标签与每个训练数据对应的真实风险标签能够计算每个预构建的分类预测的损失值,再通过测试集将每个预构建的分类预测的损失值降到最低,得到预测精度更高的分类预测模型,例如,通过梯度下降法对每个预构建的分类预测的模型参数进行优化,沿着损失函数的梯度对模型参数进行优化,直至到损失函数的最小值处,将模型损失值降到最低,进而得到每个预构建的分类预测的最优参数,得到预训练完成的分类预测模型。
本发明实施例中,通过平衡特征数据分别对每个风险分类模型进行训练,直至每个风险分类模型的损失值满足预设的损失值阈值,实现每个风险分类模型的精确预测,从而能够提高对目标工程保函履约风险预测的精确度。
S4、计算多个所述预训练完成的分类预测模型的模型权重,根据所述模型权重构建履约风险预测模型。
本发明实施例中,由于不同的分类预测模型的原理及模型设定等问题,导致在对测试样本进行分类时,不同模型对工程保函是否违约的预测精度“忽高忽低”,因此,为了提高风险预测的精度,同时分散由单一分类预测模型评价错误所带来的风险,综合利用各分类预测模型所提供的有效信息,计算每个分类预测模型的模型权重,进而构建更精确地履约风险预测模型。
本发明实施例中,所述计算多个所述预训练完成的分类预测模型的模型权重,包括:
根据预设的权重约束条件初始化初始模型权重组合,根据所述初始模型权重组合构建初始履约风险预测模型;
计算所述初始履约风险预测模型的模型损失值,根据所述模型损失值对所述初始模型权重组合进行优化,直至所述模型损失值小于预设模型损失值阈值,得到最优权重组合;
根据所述最优权重组合为多个所述预训练完成的分类预测模型分配权重,得到多个所述预训练完成的分类预测模型的模型权重。
本发明实施例中,所述权重约束条件为多个预训练完成的分类预测模型的模型权重之和为1,从而保证构建得到的履约风险预测模型的准确度,本发明可以根据上述保函特征对应的特征平衡数据计算初始履约风险预测模型的模型损失值,进而对初始模型权重组合进行优化,得到最优权重组合。
本发明实施例中,对初始模型权重组合进行优化,直至模型损失值小于预设的模型损失值阈值,得到最优权重组合,从而实现履约风险预测模型的精确预测,本发明实施例中,可以利用网格搜索算法进行权重组合算法,通过遍历给定的权重组合来优化模型表现,直至模型损失值小于预设模型损失值阈值。
本发明实施例中,所述根据所述模型权重构建履约风险预测模型,包括:
利用如下公式构建履约风险预测模型:
其中,H表示履约风险预测模型,k表示第k个预训练完成的分类预测模型,m表示预训练完成的分类预测模型总数,wj表示第j个预训练完成的分类预测模型对应的模型权重,Hk表示利用第k个预训练完成的分类预测模型的分类预测结果。
本发明实施例中,通过计算每个预训练完成的分类预测模型的模型权重,能够平衡各个模型所提供的的有效信息,避免由单一分类模型评价错误所带来的风险,从而提高履约风险预测模型计算的精确度。
S5、获取目标工程保函,利用所述履约风险预测模型对所述目标工程保函进行履约风险分析,得到所述目标工程保函对应的申请人履约风险。
本发明实施例中,所述目标工程保函是需要进行申请人履约风险分析的工程保函,则利用训练完成的履约风险预测模型可对目标工程保函进行履约风险分析。
本发明实施例中,所述利用所述履约风险预测模型对所述目标工程保函进行履约风险分析,得到所述目标工程保函对应的申请人履约风险,包括:
提取所述目标工程保函中的目标保函特征;
利用所述履约风险预测模型对所述目标工程保函特征进行风险分类;
根据所述风险分类确定所述目标工程保函对应的申请人履约风险。
本发明实施例中,所述履约风险预测模型即为训练完成的LightGBM模型,通过所述履约风险预测模型能够对目标工程保函的目标保函特征进行风险分类,从而得到目标工程保函的履约风险,例如,风险分类的结果是高级警报,则目标工程保函对应的申请人无法履约,风险分类的结果是中级警报,则目标工程保函对应的申请人有大于50%的概率履约,低级警报则申请人有大于80%的概率履约,安全则表示申请人不会违约。
本发明实施例中,通过所述准确度较高的履约风险分析模型对目标工程保函对应的申请人进行履约风险分析,实现对申请人履约风险更准确地分析,确保工程按时、按量完成,提高申请人履约的完成度。
本发明实施例通过提取工程保函集中的数据并对所述数据进行标准化,能够避免数据的缺失同时保证数据的完整性,使得标准工程保函数据集的数据更准确;同时对标准工程保函数据集进行数据平衡,能够提高模型数据的平衡性并去除干扰数据,通过平衡数据进行特征选择能够减少不重要特征对工程保函分析的影响;利用保函特征对多个预构建的分类预测模型进行模型训练,实现每个风险分类模型的精确预测;通过计算每个预训练完成的风险分类模型的模型权重构建履约风险预测模型,综合多个模型所提供的的有效信息,避免由单一分类模型评价错误所带来的风险,从而通过履约风险预测模型对目标工程保函进行履约风险分析,能够更精确地对申请人的履约风险进行分析。因此本发明提出的基于工程保函的申请人履约风险分析方法,可以解决申请人履约风险分析准确度较差的问题。
如图3所示,是本发明一实施例提供的基于工程保函的申请人履约风险分析装置的功能模块图。
本发明所述基于工程保函的申请人履约风险分析装置300可以安装于电子设备中。根据实现的功能,所述基于工程保函的申请人履约风险分析装置300可以包括数据标准化模块301、特征重要性选择模块302、数据集更新模块303、履约风险分析模型构建模块304及申请人履约风险分析模块305。本发明所述模块也可以称之为单元,是指一种能够被电子设备处理器所执行,并且能够完成固定功能的一系列计算机程序段,其存储在电子设备的存储器中。
在本实施例中,关于各模块/单元的功能如下:
所述数据标准化模块301,用于获取工程保函集,对所述工程保函集中的数据进行标准化,得到标准工程保函数据集;
所述保函特征选择模块302,用于对所述标准工程保函数据集进行数据平衡化,得到平衡数据集,根据所述平衡数据集进行特征选择,得到所述标准工程保函数据集中的保函特征;
所述分类预测模型训练模块303,用于根据所述保函特征对多个预构建的分类预测模型进行模型训练,得到多个预训练完成的分类预测模型;
所述履约风险分析模型构建模块304,用于计算多个所述预训练完成的分类预测模型的模型权重,根据所述模型权重构建履约风险预测模型;
所述申请人履约风险分析模块305,用于获取目标工程保函,利用所述履约风险预测模型对所述目标工程保函进行履约风险分析,得到所述目标工程保函对应的申请人履约风险。
详细地,本发明实施例中所述基于工程保函的申请人履约风险分析装置300中所述的各模块在使用时采用与上述图1至图2中所述的基于工程保函的申请人履约风险分析方法一样的技术手段,并能够产生相同的技术效果,这里不再赘述。
如图4所示,是本发明一实施例提供的实现基于工程保函的申请人履约风险分析方法的电子设备的结构示意图。
所述电子设备400可以包括处理器401、存储器402、通信总线403以及通信接口404,还可以包括存储在所述存储器402中并可在所述处理器401上运行的计算机程序,如基于工程保函的申请人履约风险分析程序。
其中,所述处理器401在一些实施例中可以由集成电路组成,例如可以由单个封装的集成电路所组成,也可以是由多个相同功能或不同功能封装的集成电路所组成,包括一个或者多个中央处理器(Central Processing unit,CPU)、微处理器、数字处理芯片、图形处理器及各种控制芯片的组合等。所述处理器401是所述电子设备的控制核心(ControlUnit),利用各种接口和线路连接整个电子设备的各个部件,通过运行或执行存储在所述存储器402内的程序或者模块(例如执行基于工程保函的申请人履约风险分析程序等),以及调用存储在所述存储器402内的数据,以执行电子设备的各种功能和处理数据。
所述存储器402至少包括一种类型的可读存储介质,所述可读存储介质包括闪存、移动硬盘、多媒体卡、卡型存储器(例如:SD或DX存储器等)、磁性存储器、磁盘、光盘等。所述存储器402在一些实施例中可以是电子设备的内部存储单元,例如该电子设备的移动硬盘。所述存储器402在另一些实施例中也可以是电子设备的外部存储设备,例如电子设备上配备的插接式移动硬盘、智能存储卡(Smart Media Card,SMC)、安全数字(Secure Digital,SD)卡、闪存卡(Flash Card)等。进一步地,所述存储器402还可以既包括电子设备的内部存储单元也包括外部存储设备。所述存储器402不仅可以用于存储安装于电子设备的应用软件及各类数据,例如基于工程保函的申请人履约风险分析程序的代码等,还可以用于暂时地存储已经输出或者将要输出的数据。
所述通信总线403可以是外设部件互连标准(Peripheral ComponentInterconnect,简称PCI)总线或扩展工业标准结构(Extended Industry StandardArchitecture,简称EISA)总线等。该总线可以分为地址总线、数据总线、控制总线等。所述总线被设置为实现所述存储器402以及至少一个处理器401等之间的连接通信。
所述通信接口404用于上述电子设备与其他设备之间的通信,包括网络接口和用户接口。可选地,所述网络接口可以包括有线接口和/或无线接口(如WI-FI接口、蓝牙接口等),通常用于在该电子设备与其他电子设备之间建立通信连接。所述用户接口可以是显示器(Display)、输入单元(比如键盘(Keyboard)),可选地,用户接口还可以是标准的有线接口、无线接口。可选地,在一些实施例中,显示器可以是LED显示器、液晶显示器、触控式液晶显示器以及OLED(Organic Light-Emitting Diode,有机发光二极管)触摸器等。其中,显示器也可以适当的称为显示屏或显示单元,用于显示在电子设备中处理的信息以及用于显示可视化的用户界面。
图中仅示出了具有部件的电子设备,本领域技术人员可以理解的是,图中示出的结构并不构成对所述电子设备的限定,可以包括比图示更少或者更多的部件,或者组合某些部件,或者不同的部件布置。
例如,尽管未示出,所述电子设备还可以包括给各个部件供电的电源(比如电池),优选地,电源可以通过电源管理装置与所述至少一个处理器401逻辑相连,从而通过电源管理装置实现充电管理、放电管理、以及功耗管理等功能。电源还可以包括一个或一个以上的直流或交流电源、再充电装置、电源故障检测电路、电源转换器或者逆变器、电源状态指示器等任意组件。所述电子设备还可以包括多种传感器、蓝牙模块、Wi-Fi模块等,在此不再赘述。
应该了解,所述实施例仅为说明之用,在专利申请范围上并不受此结构的限制。
所述电子设备400中的所述存储器402存储的基于工程保函的申请人履约风险分析程序是多个指令的组合,在所述处理器401中运行时,可以实现:
获取工程保函集,对所述工程保函集中的数据进行标准化,得到标准工程保函数据集;
对所述标准工程保函数据集进行数据平衡化,得到平衡数据集,根据所述平衡数据集进行特征选择,得到所述标准工程保函数据集中的保函特征;
根据所述保函特征对多个预构建的分类预测模型进行模型训练,得到多个预训练完成的分类预测模型;
计算多个所述预训练完成的分类预测模型的模型权重,根据所述模型权重构建履约风险预测模型;
获取目标工程保函,利用所述履约风险预测模型对所述目标工程保函进行履约风险分析,得到所述目标工程保函对应的申请人履约风险。
具体地,所述处理器401对上述指令的具体实现方法可参考附图对应实施例中相关步骤的描述,在此不赘述。
进一步地,所述电子设备400集成的模块/单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时,可以存储在一个计算机可读存储介质中。所述计算机可读存储介质可以是易失性的,也可以是非易失性的。例如,所述计算机可读介质可以包括:能够携带所述计算机程序代码的任何实体或装置、记录介质、U盘、移动硬盘、磁碟、光盘、计算机存储器、只读存储器(ROM,Read-Only Memory)。
在本发明所提供的几个实施例中,应该理解到,所揭露的设备,装置和方法,可以通过其它的方式实现。例如,以上所描述的装置实施例仅仅是示意性的,例如,所述模块的划分,仅仅为一种逻辑功能划分,实际实现时可以有另外的划分方式。
所述作为分离部件说明的模块可以是或者也可以不是物理上分开的,作为模块显示的部件可以是或者也可以不是物理单元,即可以位于一个地方,或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。
另外,在本发明各个实施例中的各功能模块可以集成在一个处理单元中,也可以是各个单元单独物理存在,也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现,也可以采用硬件加软件功能模块的形式实现。
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涵括在本发明内。不应将权利要求中的任何附关联图标记视为限制所涉及的权利要求。
本申请实施例可以基于人工智能技术对相关的数据进行获取和处理。其中,人工智能(Artificial Intelligence,AI)是利用数字计算机或者数字计算机控制的机器模拟、延伸和扩展人的智能,感知环境、获取知识并使用知识获得最佳结果的理论、方法、技术及应用***。
此外,显然“包括”一词不排除其他单元或步骤,单数不排除复数。***权利要求中陈述的多个单元或装置也可以由一个单元或装置通过软件或者硬件来实现。第一、第二等词语用来表示名称,而并不表示任何特定的顺序。
最后应说明的是,以上实施例仅用以说明本发明的技术方案而非限制,尽管参照较佳实施例对本发明进行了详细说明,本领域的普通技术人员应当理解,可以对本发明的技术方案进行修改或等同替换,而不脱离本发明技术方案的精神和范围。
Claims (10)
1.一种基于工程保函的申请人履约风险分析方法,其特征在于,所述方法包括:
获取工程保函集,对所述工程保函集中的数据进行标准化,得到标准工程保函数据集;
对所述标准工程保函数据集进行数据平衡化,得到平衡数据集,根据所述平衡数据集进行特征选择,得到所述标准工程保函数据集中的保函特征;
根据所述保函特征对多个预构建的分类预测模型进行模型训练,得到多个预训练完成的分类预测模型;
计算多个所述预训练完成的分类预测模型的模型权重,根据所述模型权重构建履约风险预测模型;
获取目标工程保函,利用所述履约风险预测模型对所述目标工程保函进行履约风险分析,得到所述目标工程保函对应的申请人履约风险。
2.如权利要求1所述的基于工程保函的申请人履约风险分析方法,其特征在于,所述对所述工程保函集中的数据进行标准化,得到标准工程保函数据集,包括:
对所述工程保函集中的每个工程保函进行文本识别,得到所述工程保函集的文本数据;
遍历所述文本数据的数据属性,根据每个所述数据属性识别所述文本数据中的数据属性缺失值及数据属性异常值,并根据所述数据属性从所述文本数据中选取正常属性数据;
利用所述正常属性数据对所述数据属性缺失值进行数据填充,得到第一数据集,并利用所述正常属性数据对所述数据属性异常值进行数据替换,得到第二数据集,根据所述第一数据集以及所述第二数据集生成完整工程保函数据集;
对所述完整工程保函数据集进行数据归一化,得到标准工程保函数据集。
3.如权利要求1所述的基于工程保函的申请人履约风险分析方法,其特征在于,所述对所述标准工程保函数据集进行数据平衡化,得到平衡数据集,包括:
根据所述标准工程保函数据集中每个标准工程保函数据的数据类别计算所述标准工程保函数据集的不平衡比例,根据所述不平衡比例从所述标准工程保函数据集中选取目标少数类样本;
计算每个目标少数类样本之间的欧式距离,根据所述欧式距离选取每个目标少数类样本的近邻样本;
根据所述近邻样本构建补充样本,将所述补充样本添加到所述标准工程保函数据集中,得到补充数据集;
利用如下公式构建补充样本:
Sp=Xp+rand(0,1)×(Yq-Xp)
其中,Sp为第p个目标少数类样本的补充样本,Xp为第p个目标少数类样本,rand(0,1)为(0,1)之间的随机函数,Yq为第p个目标少数类样本的近邻样本;
计算所述补充数据集中每个补充数据之间欧式距离最小的最近邻样本,根据所述最近邻样本对所述补充数据进行筛选,得到平衡数据集。
4.如权利要求1所述的基于工程保函的申请人履约风险分析方法,其特征在于,所述根据所述平衡数据集进行特征选择,得到所述标准工程保函数据集中的保函特征,包括:
提取所述平衡数据集中的数据特征,从所述数据特征中随机选取多组特征组,并根据所述多组特征组计算预设的随机森林算法中每个决策树的初始误差值;
逐个对所述特征组中的每个保函特征添加噪声干扰,得到干扰特征,并根据所述干扰特征计算每个决策树的干扰误差值;
根据所述初始误差值以及所述干扰误差值之间的误差变化计算得到每个所述保函特征的特征重要性;
利用如下公式计算每个保函特征的重要性:
其中,importancej为第j个数据特征的特征重要性,N为所述特征组的组数,i为随机森林算法中的第i个决策树,error2ji为第j个数据特征在第i个决策树的干扰误差值,error1i为第i个决策树的初始误差值;
根据每个所述保函特征的特征重要性,从所述保函特征中选取预设数量的数据特征,得到所述标准工程保函数据集中的保函特征。
5.如权利要求1所述的基于工程保函的申请人履约风险分析方法,其特征在于,所述根据所述保函特征对多个预构建的分类预测模型进行模型训练,得到多个预训练完成的分类预测模型,包括:
根据所述保函特征从所述平衡数据集提取特征平衡数据,利用预设的划分比例将所述特征平衡数据划分为训练集及测试集;
分别利用多个所述预构建的分类预测模型对所述训练集进行预测,得到预测风险标签,计算所述风险预测标签与所述训练集对应的真实风险标签之间的标签损失值;
利用如下公式计算所述风险预测标签与所述训练集对应的真实风险标签之间的标签损失值:
其中,L表示标签损失值,f表示第f个风险预测标签,n表示风险预测标签的总数,表示第f个风险预测标签对应的真实风险标签,yf表示第f个风险预测标签与真实风险标签一致的概率;
利用所述测试集对多个所述预构建的分类预测模型的模型参数进行优化,直至所述标签损失值小于预设损失值阈值,得到多个预训练完成的分类预测模型。
6.如权利要求1所述的基于工程保函的申请人履约风险分析方法,其特征在于,所述计算多个所述预训练完成的分类预测模型的模型权重,包括:
根据预设的权重约束条件初始化初始模型权重组合,根据所述初始模型权重组合构建初始履约风险预测模型;
计算所述初始履约风险预测模型的模型损失值,根据所述模型损失值对所述初始模型权重组合进行优化,直至所述模型损失值小于预设模型损失值阈值,得到最优权重组合;
根据所述最优权重组合为多个所述预训练完成的分类预测模型分配权重,得到多个所述预训练完成的分类预测模型的模型权重。
7.如权利要求1所述的基于工程保函的申请人履约风险分析方法,其特征在于,所述根据所述模型权重构建履约风险预测模型,包括:
利用如下公式构建履约风险预测模型:
其中,H表示履约风险预测模型,k表示第k个预训练完成的分类预测模型,m表示预训练完成的分类预测模型总数,wj表示第j个预训练完成的分类预测模型对应的模型权重,Hk表示利用第k个预训练完成的分类预测模型的分类预测结果。
8.如权利要求1所述的基于工程保函的申请人履约风险分析方法,其特征在于,所述利用所述履约风险预测模型对所述目标工程保函进行履约风险分析,得到所述目标工程保函对应的申请人履约风险,包括:
提取所述目标工程保函中的目标保函特征;
利用所述履约风险预测模型对所述目标工程保函特征进行风险分类;
根据所述风险分类确定所述目标工程保函对应的申请人履约风险。
9.一种基于工程保函的申请人履约风险分析装置,其特征在于,所述装置包括:
数据标准化模块,用于获取工程保函集,对所述工程保函集中的数据进行标准化,得到标准工程保函数据集;
保函特征选择模块,用于对所述标准工程保函数据集进行数据平衡化,得到平衡数据集,根据所述平衡数据集进行特征选择,得到所述标准工程保函数据集中的保函特征;
分类预测模型训练模块,用于根据所述保函特征对多个预构建的分类预测模型进行模型训练,得到多个预训练完成的分类预测模型;
履约风险分析模型构建模块,用于计算多个所述预训练完成的分类预测模型的模型权重,根据所述模型权重构建履约风险预测模型;
申请人履约风险分析模块,用于获取目标工程保函,利用所述履约风险预测模型对所述目标工程保函进行履约风险分析,得到所述目标工程保函对应的申请人履约风险。
10.一种电子设备,其特征在于,所述电子设备包括:
至少一个处理器;以及,
与所述至少一个处理器通信连接的存储器;其中,
所述存储器存储有可被所述至少一个处理器执行的计算机程序,所述计算机程序被所述至少一个处理器执行,以使所述至少一个处理器能够执行如权利要求1至8中任意一项所述的基于工程保函的申请人履约风险分析方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310326218.5A CN116468266A (zh) | 2023-03-22 | 2023-03-22 | 基于工程保函的申请人履约风险分析方法、装置及设备 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310326218.5A CN116468266A (zh) | 2023-03-22 | 2023-03-22 | 基于工程保函的申请人履约风险分析方法、装置及设备 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN116468266A true CN116468266A (zh) | 2023-07-21 |
Family
ID=87183452
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310326218.5A Pending CN116468266A (zh) | 2023-03-22 | 2023-03-22 | 基于工程保函的申请人履约风险分析方法、装置及设备 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116468266A (zh) |
-
2023
- 2023-03-22 CN CN202310326218.5A patent/CN116468266A/zh active Pending
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110995459B (zh) | 异常对象识别方法、装置、介质及电子设备 | |
CN110688536A (zh) | 一种标签预测方法、装置、设备和存储介质 | |
CN112241805A (zh) | 使用历史检验数据进行缺陷预测 | |
CN112116185A (zh) | 使用历史检验数据的检验风险估计 | |
CN112950344A (zh) | 数据评估方法、装置、电子设备及存储介质 | |
CN113706291A (zh) | 欺诈风险预测方法、装置、设备及存储介质 | |
CN114997263B (zh) | 基于机器学习的结训率分析方法、装置、设备及存储介质 | |
CN116797098A (zh) | 基于模型训练的工作质量评估方法、装置、设备及介质 | |
CN113658002B (zh) | 基于决策树的交易结果生成方法、装置、电子设备及介质 | |
CN113628043B (zh) | 基于数据分类的投诉有效性判断方法、装置、设备及介质 | |
CN117155771B (zh) | 一种基于工业物联网的设备集群故障溯源方法及装置 | |
CN114968816A (zh) | 基于数据模拟的策略测试方法、装置、设备及存储介质 | |
CN113313211B (zh) | 文本分类方法、装置、电子设备及存储介质 | |
CN111210332A (zh) | 贷后管理策略生成方法、装置及电子设备 | |
CN111651652B (zh) | 基于人工智能的情感倾向识别方法、装置、设备及介质 | |
CN116843481A (zh) | 知识图谱分析方法、装置、设备及存储介质 | |
CN116757476A (zh) | 一种风险预测模型的构建、风险防控方法和装置 | |
CN113657546B (zh) | 信息分类方法、装置、电子设备及可读存储介质 | |
CN113706019B (zh) | 基于多维数据的业务能力分析方法、装置、设备及介质 | |
CN116468266A (zh) | 基于工程保函的申请人履约风险分析方法、装置及设备 | |
CN117235480B (zh) | 基于大数据实现数据加工下的筛选方法及*** | |
CN113919962B (zh) | 保单出险的智能分析方法、装置、设备及存储介质 | |
CN114723488B (zh) | 课程推荐方法、装置、电子设备及存储介质 | |
CN116991364B (zh) | 基于大数据的软件开发***管理方法 | |
CN114781833B (zh) | 基于业务人员的能力测评方法、装置、设备及存储介质 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination |