CN117010697A - 一种基于人工智能的可视化企业风险评估方法 - Google Patents
一种基于人工智能的可视化企业风险评估方法 Download PDFInfo
- Publication number
- CN117010697A CN117010697A CN202311241906.8A CN202311241906A CN117010697A CN 117010697 A CN117010697 A CN 117010697A CN 202311241906 A CN202311241906 A CN 202311241906A CN 117010697 A CN117010697 A CN 117010697A
- Authority
- CN
- China
- Prior art keywords
- enterprise risk
- enterprise
- data
- risk
- risk assessment
- 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.)
- Granted
Links
- 238000012502 risk assessment Methods 0.000 title claims abstract description 53
- 238000000034 method Methods 0.000 title claims abstract description 36
- 230000000007 visual effect Effects 0.000 title claims abstract description 24
- 238000013473 artificial intelligence Methods 0.000 title claims abstract description 14
- 238000012800 visualization Methods 0.000 claims abstract description 29
- 230000004927 fusion Effects 0.000 claims abstract description 21
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 18
- 238000010168 coupling process Methods 0.000 claims abstract description 15
- 238000005859 coupling reaction Methods 0.000 claims abstract description 15
- 230000003993 interaction Effects 0.000 claims abstract description 12
- 238000005065 mining Methods 0.000 claims description 32
- 239000011159 matrix material Substances 0.000 claims description 26
- 238000012549 training Methods 0.000 claims description 17
- 238000005315 distribution function Methods 0.000 claims description 11
- 230000008569 process Effects 0.000 claims description 10
- 238000012545 processing Methods 0.000 claims description 10
- 238000004140 cleaning Methods 0.000 claims description 9
- 238000013138 pruning Methods 0.000 claims description 8
- 230000002452 interceptive effect Effects 0.000 claims description 4
- 238000004458 analytical method Methods 0.000 claims description 3
- 238000013480 data collection Methods 0.000 claims description 3
- 238000012544 monitoring process Methods 0.000 claims description 3
- 238000010606 normalization Methods 0.000 claims description 3
- 238000011160 research Methods 0.000 claims description 3
- 238000000638 solvent extraction Methods 0.000 claims description 3
- 230000007480 spreading Effects 0.000 claims description 3
- 230000002829 reductive effect Effects 0.000 abstract description 7
- 230000008859 change Effects 0.000 description 9
- 230000008878 coupling Effects 0.000 description 6
- 238000004891 communication Methods 0.000 description 4
- 238000013461 design Methods 0.000 description 4
- 230000000694 effects Effects 0.000 description 4
- 230000009471 action Effects 0.000 description 3
- 230000009286 beneficial effect Effects 0.000 description 3
- 238000004364 calculation method Methods 0.000 description 2
- 230000003247 decreasing effect Effects 0.000 description 2
- 238000011156 evaluation Methods 0.000 description 2
- 238000013210 evaluation model Methods 0.000 description 2
- 238000012423 maintenance Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000012546 transfer Methods 0.000 description 2
- 230000004075 alteration Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000007499 fusion processing Methods 0.000 description 1
- 230000000670 limiting effect Effects 0.000 description 1
- 230000003449 preventive effect Effects 0.000 description 1
- 238000009877 rendering Methods 0.000 description 1
- 238000013515 script Methods 0.000 description 1
- 238000006467 substitution reaction Methods 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
- G06F18/10—Pre-processing; Data cleansing
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
- G06F18/2415—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on parametric or probabilistic models, e.g. based on likelihood ratio or false acceptance rate versus a false rejection rate
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/25—Fusion techniques
-
- 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)
- Theoretical Computer Science (AREA)
- Business, Economics & Management (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Human Resources & Organizations (AREA)
- General Physics & Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Evolutionary Computation (AREA)
- Evolutionary Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- General Engineering & Computer Science (AREA)
- Artificial Intelligence (AREA)
- Economics (AREA)
- Strategic Management (AREA)
- Entrepreneurship & Innovation (AREA)
- Game Theory and Decision Science (AREA)
- Probability & Statistics with Applications (AREA)
- General Business, Economics & Management (AREA)
- Tourism & Hospitality (AREA)
- Quality & Reliability (AREA)
- Operations Research (AREA)
- Marketing (AREA)
- Educational Administration (AREA)
- Development Economics (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种基于人工智能的可视化企业风险评估方法,方法包括:数据采集、信息融合、企业风险评估和风险可视化。本发明属于企业风险管理技术领域,具体是指一种基于人工智能的可视化企业风险评估方法,本方案采用信息融合算法,将不同信息源的数据进行整合和综合分析,得到更全面、及时和准确的企业风险数据;采用易理解的弱分类器通过加权方式组合成强分类器,使分类错误的企业风险样本得到更多关注,有效地降低企业风险分类错误率且有助于解释企业风险评估模型的内部原理;采用低耦合企业风险可视化结构,将可视化结构分割为不同的模块,明确定义每个模块的接口和交互方式,将代码分离为不同的层级,灵活面对动态企业风险变化。
Description
技术领域
本发明属于企业风险管理技术领域,具体是一种基于人工智能的可视化企业风险评估方法。
背景技术
可视化企业风险评估是一种利用数据可视化技术展示企业风险信息的方法,通过可视化的方式,将企业的风险数据以图表、图像的形式呈现,使企业管理者能够直观地理解和分析企业面临的风险情况,及时采取预防和应对措施,降低风险带来的损失,同时可视化结果有助于各部门、利益相关者共享风险信息,进行及时沟通合作。但是现有的企业风险评估,存在来自各个信息源的企业风险数据存在局限性,主观性强且偏见严重,导致企业风险评估可靠性低的技术问题;存在企业风险评估模型解释性不足导致利益相关者对企业风险评估结果的可信度下降,对企业的内部沟通和信息共享造成影响的技术问题;存在企业风险可视化交互缺乏动态性和实时性,导致企业应对动态风险变化时决策效率低,容易造成较大经济损失的技术问题。
发明内容
针对上述情况,为克服现有技术的缺陷,本发明提供了一种基于人工智能的可视化企业风险评估方法,针对来自各个信息源的企业风险数据存在局限性,主观性强且偏见严重,导致企业风险评估可靠性低的技术问题,采用信息融合算法,将不同信息源的数据进行整合和综合分析,得到更全面、及时和准确的企业风险数据;针对企业风险评估模型解释性不足导致利益相关者对企业风险评估结果的可信度下降,对企业的内部沟通和信息共享造成影响的技术问题,采用易理解的弱分类器通过加权方式组合成强分类器,使分类错误的企业风险样本得到更多关注,有效地降低企业风险分类错误率且有助于解释企业风险评估模型的内部原理;针对企业风险可视化缺乏动态性和实时性,导致企业应对动态风险变化时决策效率低,容易造成较大经济损失的技术问题,采用低耦合企业风险可视化结构,将可视化结构分割为不同的模块,明确定义每个模块的接口和交互方式,将代码分离为不同的层级,灵活面对动态风险变化。
本发明采取的技术方案如下:本发明提供的一种基于人工智能的可视化企业风险评估方法,该方法包括以下步骤:
步骤S1:数据采集,具体为收集企业风险数据,进行数据整合和清洗;
步骤S2:信息融合,具体为基于概率对不同来源的企业风险数据进行融合处理,构建基于信息融合的企业风险框架,通过计算信任函数,使用融合算法对企业风险数据进行有效监控,并构建关联规则挖掘模型,使用企业风险挖掘算法得到强关联规则挖掘结果;
步骤S3:企业风险评估,具体为通过弱分类器进行迭代操作调整企业风险样本权重,使得分类错误的企业风险样本得到更多关注,计算最终的预测函数,通过对多个弱分类器进行加权组合,得到更准确的预测结果,从而提高整体的分类效果;
步骤S4:风险可视化,具体为采用低耦合企业风险可视化结构,将可视化结构分割为数据库、企业风险评估模型、视图和控制器四个模块,将代码分离为不同的层级,使结构具有模块化设计和松耦合性,面对动态风险变化,更容易地对不同层级进行修改、更新和扩展。
进一步地,在步骤S1中,所述数据采集,包括以下步骤:
步骤S11:数据采集,收集来自内部各种部门和***的信息,包括财务报表、运营数据和员工反馈,收集外部数据,包括市场研究、行业报告和政府统计数据;
步骤S12:数据整合与清洗,对收集到的企业风险数据进行整合和清洗,确保数据的完整性和准确性,包括删除重复数据、填充缺失数据和纠正错误数据。
进一步地,在步骤S2中,所述信息融合,包括以下步骤:
步骤S21:构建基于信息融合的企业风险框架,定义U是由多个企业风险元素组成的非空集合,U={U1,U2,…,Un};
步骤S22:设定信任结构,定义基本概率分布函数为m函数,评估企业风险元素集合之间的信任程度和信任关系的可靠性,所用公式如下:
;
式中,集合A是集合U的子集,m(A)是集合A的基本概率分布函数;
步骤S23:计算信任函数,所用公式如下:
;
式中,Bel(A)是集合A的信任函数,代表集合U的可靠性函数,集合B是集合A的子集,m(B)是集合B的基本概率分布函数;
步骤S24:计算信息融合算法,将企业风险数据进行融合,所用公式如下:
;
式中,,且集合C是属于集合U的非空子集,m1和m2分别表示集合U的两个可靠性函数的信任度,/>是不同企业风险元素之间的冲突程度;
步骤S25:信息挖掘,根据企业风险特点和问题需求,对融合的企业风险数据集进行特征工程处理,使融合的企业风险数据集适用于关联规则挖掘,构建关联规则挖掘模型,将企业风险挖掘算法应用于关联规则挖掘模型进行建模分析,得到强关联规则挖掘结果,减少扫描次数,从而提高效率,所述企业风险挖掘算法包括以下步骤:
步骤S251:输入企业风险数据集生成数值矩阵D,设置最小支持度和置信度阈值,扫描所有数据生成L1,L1是频繁项的集合;
步骤S252:将频繁项的集合L1的所有频繁项进行成对组合,生成2项集在水平方向上连接,得到矩阵E;
步骤S253:若E不是空集,根据最小支持度进行剪枝,得到频繁k项集合Lk;
步骤S254:若Lk不是空集,将集合Lk转换为矩阵,并将矩阵L与矩阵Lk水平连接,展开矩阵L,从频繁k项集合Lk生成候选k+1项集合Ek+1;
步骤S255:若Ek+1不是空集,转步骤S253根据最小支持度进行剪枝,继续迭代;否则输出矩阵L,矩阵L中包括所有频繁项集合和相应的支持度;
步骤S256:将矩阵L进行分块,分别处理不同项号的频繁项集合,逐层搜索后置规则项集,计算参数,所述参数包括支持度、最小支持度、置信度、最小置信度和提升度,得到强关联规则挖掘结果,减少不必要的连接、比较、去重和剪枝步骤。
进一步地,在步骤S3中,所述企业风险评估,包括以下步骤:
步骤S31:初始化训练数据点的权重分布,为每一个数据点赋予一个初始权重;
步骤S32:进行迭代操作,通过弱分类器进行T次迭代操作,每次迭代操作都生成一个弱假设h:企业风险特征x趋向于企业风险类别y,每次迭代后,根据最终强分类的误差曲线来选择T值;
步骤S33:计算分类错误率,所用公式如下:
;
式中,ht是第t次迭代时的弱假设,i是企业风险样本,ht(xi)≠yi表示i样本的企业风险特征x不趋向于企业风险类别y,Dt是第t次迭代时训练数据点的权重分布,ξt是分类错误率,表示在第t次迭代时,被弱假设ht错误分类的企业风险样本的权重总和,当ξt>0.5时,迭代终止;
步骤S34:更新训练数据点的权重分布,根据分类错误率,为每个弱假设重新分配权重,使得第t+1次迭代时被错误分类的企业风险样本的权重变大,被正确分类的企业风险样本的权重变小,使得下一次迭代时,被错误分类的企业风险样本更受关注,提高整体的分类效果,计算第t+1次迭代时训练数据点的权重分布,所用公式如下:
;
式中,,βt是企业风险特征x趋向于企业风险类别y时的权重系数,ht(xi)=yi表示i样本的企业风险特征x趋向于企业风险类别y,Zt是归一化常数,Dt+1(i)是第t+1次迭代时训练数据点的权重分布;
步骤S35:计算最终预测函数,所有带权重的弱假设被组合成最终的预测函数,所用公式如下:
;
式中,hfin(x)是最终的预测函数,argmax表示在一组值中找到使函数取得最大值的参数,T是迭代次数;
步骤S36:实际应用,将最终的预测函数应用于训练评估模型,得到当前企业的风险评估结果。
进一步地,在步骤S4中,所述风险可视化,包括以下步骤:
步骤S41:采用低耦合企业风险可视化结构,将可视化结构分割为数据库、企业风险评估模型、视图和控制器四个模块,明确定义每个模块的接口和交互方式,将代码分离为不同的层级;
步骤S42:查询企业风险可视化信息,当接收到数据库查询请求时,在模型内部解释查询请求,在数据库中运行查询操作并监控查询执行情况;
步骤S43:导出可视化结果,企业风险评估模型接收到查询结果之后,将查询结果编码为JSON格式发回视图;
步骤S44:交互式可视化展示,视图接收到编码为JSON格式的查询结果之后,根据数据特点和用户需求将查询结果进行交互式可视化展示。
采用上述方案本发明取得的有益成果如下:
(1)针对来自各个信息源的企业风险数据存在局限性,主观性强且偏见严重,导致企业风险评估可靠性低的技术问题,采用信息融合算法,将不同信息源的数据进行整合和综合分析,得到更全面、及时和准确的企业风险数据;
(2)针对企业风险评估模型解释性不足导致利益相关者对企业风险评估结果的可信度下降,对企业的内部沟通和信息共享造成影响的技术问题,采用易理解的弱分类器通过加权方式组合成强分类器,使分类错误的企业风险样本得到纠正,有助于解释企业风险评估模型的内部原理,显著提高企业风险分类的准确性;
(3)针对企业风险可视化交互缺乏动态性和实时性,导致企业应对动态风险变化时决策效率低,容易造成较大经济损失的技术问题,采用低耦合企业风险可视化结构,将应用程序分割为不同的模块,明确定义每个模块的接口和交互方式,将代码分离为不同的层级,使结构具有模块化设计和松耦合性,面对动态风险变化,更容易地对不同层级进行修改、更新和扩展,降低维护成本,提高企业风险处理的灵活性和效率。
附图说明
图1为本发明提供的一种基于人工智能的可视化企业风险评估方法的流程示意图;
图2为步骤S2的流程示意图;
图3为步骤S3的流程示意图;
图4为步骤S4的流程示意图。
附图用来提供对本发明的进一步理解,并且构成说明书的一部分,与本发明的实施例一起用于解释本发明,并不构成对本发明的限制。
具体实施方式
下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本发明一部分实施例,而不是全部的实施例;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。
在本发明的描述中,需要理解的是,术语“上”、“下”、“前”、“后”、“左”、“右”、“顶”、“底”、“内”、“外”等指示方位或位置关系为基于附图所示的方位或位置关系,仅是为了便于描述本发明和简化描述,而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作,因此不能理解为对本发明的限制。
实施例一,参阅图1,本发明提供的一种基于人工智能的可视化企业风险评估方法,该方法包括以下步骤:
步骤S1:数据采集,具体为收集内部和外部企业风险数据,进行数据整合和清洗;
步骤S2:信息融合,具体为处理来自不同来源的数据,基于概率进行融合处理,构建基于信息融合的企业风险框架,通过计算信任函数,使用融合算法对企业风险数据进行有效监控,并构建关联规则挖掘模型,使用企业风险挖掘算法得到强关联规则挖掘结果,提高模型可靠性;
步骤S3:企业风险评估,具体为通过弱分类器进行迭代操作调整企业风险样本权重,使得分类错误的企业风险样本得到更多关注,计算最终的预测函数,通过对多个弱分类器进行加权组合,得到更准确的预测结果,从而提高整体的分类效果;
步骤S4:风险可视化,具体为采用低耦合企业风险可视化结构,将可视化结构分割为数据库、企业风险评估模型、视图和控制器,将代码分离为不同的层级,使结构具有模块化设计和松耦合性,面对动态风险变化,更容易地对不同层级进行修改、更新和扩展。
实施例二,参阅图1,该实施例基于上述实施例,在步骤S1中,所述数据采集,包括以下步骤:
步骤S11:数据采集,收集来自内部各种部门和***的信息,包括财务报表、运营数据和员工反馈,收集外部数据,包括市场研究、行业报告和政府统计数据;
步骤S12:数据整合与清洗,对收集到的企业风险数据进行整合和清洗,确保数据的完整性和准确性,包括删除重复数据、填充缺失数据和纠正错误数据。
实施例三,参阅图1和图2,该实施例基于上述实施例,在步骤S2中,所述信息融合,包括以下步骤:
步骤S21:构建基于信息融合的企业风险框架,定义U是由多个企业风险元素组成的非空集合,U={U1,U2,…,Un};
步骤S22:设定信任结构,定义基本概率分布函数为m函数,在信任结构中,根据企业风险元素集合之间的信任程度和信任关系,将m函数应用于信任传递的计算中,通过计算和分析信任传递过程中的基本概率分布函数,评估企业风险元素集合之间的信任程度和信任关系的可靠性,这有助于了解信任结构的特征和性能,并支持信任管理和决策的过程,所述定义基本概率分布函数为m函数,所用公式如下:
;
式中,集合A是集合U的子集,m(A)是集合A的基本概率分布函数;
步骤S23:计算信任函数,所用公式如下:
;
式中,Bel(A)是集合A的信任函数,代表集合U的可靠性函数,集合B是集合A的子集,m(B)是集合B的基本概率分布函数;
步骤S24:计算信息融合算法,将企业风险数据进行融合,所用公式如下:
;
式中,,且集合C是属于集合U的非空子集,m1和m2分别表示集合U的两个可靠性函数的信任度,/>是不同企业风险元素之间的冲突程度;
步骤S25:信息挖掘,根据企业风险特点和问题需求,对融合的企业风险数据集进行特征工程处理,使融合的企业风险数据集适用于关联规则挖掘,构建关联规则挖掘模型,将企业风险挖掘算法应用于关联规则挖掘模型进行建模分析,得到强关联规则挖掘结果,减少扫描次数,从而提高效率,所述企业风险挖掘算法包括以下步骤:
步骤S251:输入企业风险数据集生成数值矩阵D,设置最小支持度和置信度阈值,扫描所有数据生成L1,L1是频繁项的集合;
步骤S252:将频繁项的集合L1的所有频繁项进行成对组合,生成2项集在水平方向上连接,得到矩阵E;
步骤S253:若E不是空集,根据最小支持度进行剪枝,得到频繁k项集合Lk;
步骤S254:若Lk不是空集,将集合Lk转换为矩阵,并将矩阵L与矩阵Lk水平连接,展开矩阵L,从频繁k项集合Lk生成候选k+1项集合Ek+1;
步骤S255:若Ek+1不是空集,转步骤S253根据最小支持度进行剪枝,继续迭代;否则输出矩阵L,矩阵L中包括所有频繁项集合和相应的支持度;
步骤S256:将矩阵L进行分块,分别处理不同项号的频繁项集合,逐层搜索后置规则项集,计算参数,所述参数包括支持度、最小支持度、置信度、最小置信度和提升度,得到强关联规则挖掘结果,减少不必要的连接、比较、去重和剪枝步骤。
通过执行上述操作,采用信息融合算法,将不同信息源的数据进行整合和综合分析,得到更全面、及时和准确的企业风险数据,解决了各个信息源的企业风险数据存在局限性,主观性强且偏见严重,导致企业风险评估可靠性低的技术问题。
实施例四,参阅图1和图3,该实施例基于上述实施例,在步骤S3中,所述企业风险评估,包括以下步骤:
步骤S31:初始化训练数据点的权重分布,数据点是用于企业风险评估的单个数据样本,每个数据点都包含着一组特征和属性,衡量和分析企业的风险状况,为每一个数据点赋予一个初始权重,这个权重表示该数据点在风险评估中的重要程度;
步骤S32:进行迭代操作,通过弱分类器进行T次迭代操作,每次迭代操作都生成一个弱假设h:企业风险特征x趋向于企业风险类别y,每次迭代后,根据最终强分类的误差曲线来选择T值;
步骤S33:计算分类错误率,所用公式如下:
;
式中,ht是第t次迭代时的弱假设,i是企业风险样本,ht(xi)≠yi表示i样本的企业风险特征x不趋向于企业风险类别y,Dt是第t次迭代时训练数据点的权重分布,ξt是分类错误率,表示在第t次迭代时,被弱假设ht错误分类的企业风险样本的权重总和,当ξt>0.5时,迭代终止;
步骤S34:更新训练数据点的权重分布,根据分类错误率,为每个弱假设重新分配权重,使得第t+1次迭代时被错误分类的企业风险样本的权重变大,被正确分类的企业风险样本的权重变小,使得下一次迭代时,被错误分类的企业风险样本更受关注,提高整体的分类效果,计算第t+1次迭代时训练数据点的权重分布,所用公式如下:
;
式中,,βt是企业风险特征x趋向于企业风险类别y时的权重系数,ht(xi)=yi表示i样本的企业风险特征x趋向于企业风险类别y,Zt是归一化常数,Dt+1(i)是第t+1次迭代时训练数据点的权重分布;
步骤S35:计算最终预测函数,所有带权重的弱假设被组合成最终的预测函数,所用公式如下:
;
式中,hfin(x)是最终的预测函数,argmax表示在一组值中找到使函数取得最大值的参数,T是迭代次数;
步骤S36:实际应用,将最终的预测函数应用于训练评估模型,得到当前企业的风险评估结果。
通过执行上述操作,采用易理解的弱分类器通过加权方式组合成强分类器,使分类错误的企业风险样本得到更多关注,有助于解释模型内部原理,显著提高企业风险分类的准确性,解决了风险评估模型解释性不足导致利益相关者对风险评估结果的可信度下降,对企业的内部沟通和信息共享造成影响的技术问题。
实施例五,参阅图1和图4,该实施例基于上述实施例,在步骤S4中,所述风险可视化,包括以下步骤:
步骤S41:采用低耦合企业风险可视化结构,将可视化结构分割为数据库、企业风险评估模型、视图和控制器四个模块,企业风险评估模型是与数据库交互的关键模块,视图负责用户界面的展示和交互,控制器协调企业风险评估模型和视图之间的传递和处理,还负责将查询脚本和结果保存到JSON缓冲区中,明确定义每个模块的接口和交互方式,将代码分离为不同的层级确保用户交互式地创建查询并直观地探索结果,具有更高的生产力和多级用户层级结构,有效应对企业风险动态变化;
步骤S42:查询企业风险可视化信息,当接收到数据库查询请求时,在模型内部解释查询请求,在数据库中运行查询操作并监控查询执行情况;
步骤S43:导出可视化结果,企业风险评估模型接收到查询结果之后,将查询结果编码为JSON格式发回视图,视图界面支持多种类型的查询条件输入格式和输出渲染选项,将数据库处理和图表绘制分离使数据和视图之间的耦合程度降低,提高结构灵活性;
步骤S44:交互式可视化展示,视图接收到编码为JSON格式的查询结果之后,根据数据特点和用户需求将查询结果进行交互式可视化展示。
通过执行上述操作,采用低耦合企业风险可视化结构,将可视化结构分割为不同的模块,明确定义每个模块的接口和交互方式,将代码分离为不同的层级,使结构具有模块化设计和松耦合性,面对动态风险变化,更容易地对不同层级进行修改、更新和扩展,降低维护成本,提高企业风险处理的灵活性和效率,解决了企业风险可视化交互缺乏动态性和实时性,导致企业应对动态风险变化时处理效率低的技术问题。
需要说明的是,在本文中,诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来,而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且,术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含,从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素,而且还包括没有明确列出的其他要素,或者是还包括为这种过程、方法、物品或者设备所固有的要素。
尽管已经示出和描述了本发明的实施例,对于本领域的普通技术人员而言,可以理解在不脱离本发明的原理和精神的情况下可以对这些实施例进行多种变化、修改、替换和变型,本发明的范围由所附权利要求及其等同物限定。
以上对本发明及其实施方式进行了描述,这种描述没有限制性,附图中所示的也只是本发明的实施方式之一,实际的结构并不局限于此。总而言之如果本领域的普通技术人员受其启示,在不脱离本发明创造宗旨的情况下,不经创造性的设计出与该技术方案相似的结构方式及实施例,均应属于本发明的保护范围。
Claims (5)
1.一种基于人工智能的可视化企业风险评估方法,其特征在于:该方法包括以下步骤:
步骤S1:数据采集,具体为收集企业风险数据,进行数据整合和清洗;
步骤S2:信息融合,具体为基于概率对不同来源的企业风险数据进行融合处理,并构建关联规则挖掘模型,使用企业风险挖掘算法得到强关联规则挖掘结果;
步骤S3:企业风险评估,具体为通过弱分类器进行迭代操作调整企业风险样本权重,计算最终的预测函数,得到当前企业的风险评估结果;
步骤S4:风险可视化,具体为采用低耦合企业风险可视化结构,将可视化结构分割为数据库、企业风险评估模型、视图和控制器四个模块,明确定义每个模块的接口和交互方式,将代码分离为不同的层级。
2.根据权利要求1所述的一种基于人工智能的可视化企业风险评估方法,其特征在于:在步骤S2中,所述信息融合,包括以下步骤:
步骤S21:构建基于信息融合的企业风险框架,定义U是由多个企业风险元素组成的非空集合,U={U1,U2,…,Un};
步骤S22:设定信任结构,定义基本概率分布函数为m函数,所用公式如下:
;
式中,集合A是集合U的子集,m(A)是集合A的基本概率分布函数;
步骤S23:计算信任函数,所用公式如下:
;
式中,Bel(A)是集合A的信任函数,代表集合U的可靠性函数,集合B是集合A的子集,m(B)是集合B的基本概率分布函数;
步骤S24:计算信息融合算法,将企业风险数据进行融合,所用公式如下:
;
式中,,且集合C是属于集合U的非空子集,m1和m2分别表示集合U的两个可靠性函数的信任度,/>是不同企业风险元素之间的冲突程度;
步骤S25:信息挖掘,根据企业风险特点和问题需求,对融合的企业风险数据集进行特征工程处理,构建关联规则挖掘模型,将企业风险挖掘算法应用于关联规则挖掘模型进行建模分析,得到强关联规则挖掘结果,所述企业风险挖掘算法,包括以下步骤:
步骤S251:输入企业风险数据集生成数值矩阵D,设置最小支持度和置信度阈值,扫描所有数据生成L1,L1是频繁项的集合;
步骤S252:将频繁项的集合L1的所有频繁项进行成对组合,生成2项集在水平方向上连接,得到矩阵E;
步骤S253:若E不是空集,根据最小支持度进行剪枝,得到频繁k项集合Lk;
步骤S254:若Lk不是空集,将集合Lk转换为矩阵,并将矩阵L与矩阵Lk水平连接,展开矩阵L,从频繁k项集合Lk生成候选k+1项集合Ek+1;
步骤S255:若Ek+1不是空集,转步骤S253根据最小支持度进行剪枝,继续迭代;否则输出矩阵L,矩阵L中包括所有频繁项集合和相应的支持度;
步骤S256:将矩阵L进行分块,分别处理不同项号的频繁项集合,逐层搜索后置规则项集,计算参数,所述参数包括支持度、最小支持度、置信度、最小置信度和提升度,得到强关联规则挖掘结果。
3.根据权利要求1所述的一种基于人工智能的可视化企业风险评估方法,其特征在于:在步骤S3中,所述企业风险评估,包括以下步骤:
步骤S31:初始化训练数据点的权重分布,为每一个数据点赋予一个初始权重;
步骤S32:进行迭代操作,通过弱分类器进行T次迭代操作,每次迭代操作都生成一个弱假设h:企业风险特征x趋向于企业风险类别y;
步骤S33:计算分类错误率,所用公式如下:
;
式中,ht是第t次迭代时的弱假设,i是企业风险样本,ht(xi)≠yi表示i样本的企业风险特征x不趋向于企业风险类别y,Dt是第t次迭代时训练数据点的权重分布,ξt是分类错误率,表示在第t次迭代时,被弱假设ht错误分类的企业风险样本的权重总和,当ξt>0.5时,迭代终止;
步骤S34:更新训练数据点的权重分布,根据分类错误率,为每个弱假设重新分配权重,计算第t+1次迭代时训练数据点的权重分布,所用公式如下:
;
式中,,βt是企业风险特征x趋向于企业风险类别y时的权重系数,ht(xi)=yi表示i样本的企业风险特征x趋向于企业风险类别y,Zt是归一化常数,Dt+1(i)是第t+1次迭代时训练数据点的权重分布;
步骤S35:计算最终预测函数,所有带权重的弱假设被组合成最终的预测函数,所用公式如下:
;
式中,hfin(x)是最终的预测函数,argmax表示在一组值中找到使函数取得最大值的参数,T是迭代次数;
步骤S36:实际应用,将最终的预测函数应用于训练企业风险评估模型,得到当前企业的风险评估结果。
4.根据权利要求1所述的一种基于人工智能的可视化企业风险评估方法,其特征在于:在步骤S4中,所述风险可视化,包括以下步骤:
步骤S41:采用低耦合企业风险可视化结构,将可视化结构分割为数据库、企业风险评估模型、视图和控制器,明确定义每个模块的接口和交互方式,将代码分离为不同的层级;
步骤S42:查询企业风险可视化信息,当接收到数据库查询请求时,在模型内部解释查询请求,在数据库中运行查询操作并监控查询执行情况;
步骤S43:导出可视化结果,企业风险评估模型接收到查询结果之后,将查询结果编码为JSON格式发回视图;
步骤S44:交互式可视化展示,视图接收到编码为JSON格式的查询结果之后,根据数据特点和用户需求将查询结果进行交互式可视化展示。
5.根据权利要求1所述的一种基于人工智能的可视化企业风险评估方法,其特征在于:在步骤S1中,所述数据采集,包括以下步骤:
步骤S11:数据采集,收集来自内部各种部门和***的信息,包括财务报表、运营数据和员工反馈,收集外部数据,包括市场研究、行业报告和政府统计数据;
步骤S12:数据整合与清洗,对收集到的企业风险数据进行整合和清洗。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311241906.8A CN117010697B (zh) | 2023-09-25 | 2023-09-25 | 一种基于人工智能的可视化企业风险评估方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311241906.8A CN117010697B (zh) | 2023-09-25 | 2023-09-25 | 一种基于人工智能的可视化企业风险评估方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN117010697A true CN117010697A (zh) | 2023-11-07 |
CN117010697B CN117010697B (zh) | 2023-12-19 |
Family
ID=88572963
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311241906.8A Active CN117010697B (zh) | 2023-09-25 | 2023-09-25 | 一种基于人工智能的可视化企业风险评估方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117010697B (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117575827A (zh) * | 2024-01-16 | 2024-02-20 | 之江实验室科技控股有限公司 | 一种企业报告的智能可视化管理***及方法 |
Citations (15)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR20040042065A (ko) * | 2002-11-12 | 2004-05-20 | 하창승 | 사례기반추론기법과 연관규칙탐사기법을 이용한 지능형정보검색방법 |
CN108364124A (zh) * | 2018-01-26 | 2018-08-03 | 天津中科智能识别产业技术研究院有限公司 | 基于大数据的国际产能合作风险评估与决策服务*** |
CN110288200A (zh) * | 2019-05-29 | 2019-09-27 | 同济大学 | 一种危化品运输安全风险防控***及方法 |
WO2021103492A1 (zh) * | 2019-11-28 | 2021-06-03 | 福建亿榕信息技术有限公司 | 一种企业经营风险预测方法和*** |
CN113449046A (zh) * | 2021-06-29 | 2021-09-28 | 平安资产管理有限责任公司 | 基于企业知识图谱的模型训练方法、***及相关装置 |
CN113487223A (zh) * | 2021-07-23 | 2021-10-08 | 深圳市城市公共安全技术研究院有限公司 | 一种基于信息融合的风险评估方法和评估*** |
CN114266455A (zh) * | 2021-12-13 | 2022-04-01 | 国网雄安金融科技集团有限公司 | 一种基于知识图谱的可视化企业风险评估方法 |
CN114266472A (zh) * | 2021-12-21 | 2022-04-01 | 上海应用技术大学 | 基于Spark的地铁站疏散风险分析方法 |
CN114282733A (zh) * | 2021-12-29 | 2022-04-05 | 问策师信息科技南京有限公司 | 一种基于人工智能分析的企业经营风险评估方法及*** |
CN115423270A (zh) * | 2022-08-12 | 2022-12-02 | 淮北矿业股份有限公司 | 一种基于可视化管理模型的煤矿企业可视化安全管理*** |
CN115730830A (zh) * | 2022-12-12 | 2023-03-03 | 企知道网络技术有限公司 | 一种企业风险评估方法、装置、终端、***及存储介质 |
CN115796585A (zh) * | 2022-11-28 | 2023-03-14 | 南京市城市数字治理中心 | 一种企业经营风险评估方法及*** |
CN115994684A (zh) * | 2022-10-31 | 2023-04-21 | 京东方科技集团股份有限公司 | 一种企业风险的评估方法、装置、计算机设备及介质 |
CN116384551A (zh) * | 2023-03-10 | 2023-07-04 | 青岛理工大学 | 一种基于知识图谱的上市企业违法风险预测方法 |
CN116579618A (zh) * | 2023-07-13 | 2023-08-11 | 吉贝克信息技术(北京)有限公司 | 基于风险管理的数据处理方法、装置、设备及存储介质 |
-
2023
- 2023-09-25 CN CN202311241906.8A patent/CN117010697B/zh active Active
Patent Citations (15)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR20040042065A (ko) * | 2002-11-12 | 2004-05-20 | 하창승 | 사례기반추론기법과 연관규칙탐사기법을 이용한 지능형정보검색방법 |
CN108364124A (zh) * | 2018-01-26 | 2018-08-03 | 天津中科智能识别产业技术研究院有限公司 | 基于大数据的国际产能合作风险评估与决策服务*** |
CN110288200A (zh) * | 2019-05-29 | 2019-09-27 | 同济大学 | 一种危化品运输安全风险防控***及方法 |
WO2021103492A1 (zh) * | 2019-11-28 | 2021-06-03 | 福建亿榕信息技术有限公司 | 一种企业经营风险预测方法和*** |
CN113449046A (zh) * | 2021-06-29 | 2021-09-28 | 平安资产管理有限责任公司 | 基于企业知识图谱的模型训练方法、***及相关装置 |
CN113487223A (zh) * | 2021-07-23 | 2021-10-08 | 深圳市城市公共安全技术研究院有限公司 | 一种基于信息融合的风险评估方法和评估*** |
CN114266455A (zh) * | 2021-12-13 | 2022-04-01 | 国网雄安金融科技集团有限公司 | 一种基于知识图谱的可视化企业风险评估方法 |
CN114266472A (zh) * | 2021-12-21 | 2022-04-01 | 上海应用技术大学 | 基于Spark的地铁站疏散风险分析方法 |
CN114282733A (zh) * | 2021-12-29 | 2022-04-05 | 问策师信息科技南京有限公司 | 一种基于人工智能分析的企业经营风险评估方法及*** |
CN115423270A (zh) * | 2022-08-12 | 2022-12-02 | 淮北矿业股份有限公司 | 一种基于可视化管理模型的煤矿企业可视化安全管理*** |
CN115994684A (zh) * | 2022-10-31 | 2023-04-21 | 京东方科技集团股份有限公司 | 一种企业风险的评估方法、装置、计算机设备及介质 |
CN115796585A (zh) * | 2022-11-28 | 2023-03-14 | 南京市城市数字治理中心 | 一种企业经营风险评估方法及*** |
CN115730830A (zh) * | 2022-12-12 | 2023-03-03 | 企知道网络技术有限公司 | 一种企业风险评估方法、装置、终端、***及存储介质 |
CN116384551A (zh) * | 2023-03-10 | 2023-07-04 | 青岛理工大学 | 一种基于知识图谱的上市企业违法风险预测方法 |
CN116579618A (zh) * | 2023-07-13 | 2023-08-11 | 吉贝克信息技术(北京)有限公司 | 基于风险管理的数据处理方法、装置、设备及存储介质 |
Non-Patent Citations (4)
Title |
---|
ÉMILIE LEPERCQ-BOST, ET AL.: ""Estimating the risk of coalescence in membrane emulsification"", 《JOURNAL OF MEMBRANE SCIENCE》, vol. 357, pages 36 - 46, XP027054006 * |
胡萍;: "大数据环境下基于信息融合的网络风险评估模型", 科技通报, no. 09, pages 220 - 223 * |
赵男男: ""基于人工智能的企业财务信息化风险控制算法"", 《廊坊师范学院学报(自然科学版)》, vol. 20, no. 1, pages 77 - 80 * |
闫华红;董旭;: "企业信息化风险的识别与评估", 中国科技论坛, no. 06, pages 70 - 74 * |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117575827A (zh) * | 2024-01-16 | 2024-02-20 | 之江实验室科技控股有限公司 | 一种企业报告的智能可视化管理***及方法 |
CN117575827B (zh) * | 2024-01-16 | 2024-05-03 | 之江实验室科技控股有限公司 | 一种企业报告的智能可视化管理***及方法 |
Also Published As
Publication number | Publication date |
---|---|
CN117010697B (zh) | 2023-12-19 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109062763B (zh) | 一种从svn日志事件流中动态实时挖掘软件过程活动的方法 | |
CN110990461A (zh) | 大数据分析模型算法选型方法、装置、电子设备及介质 | |
US10042912B2 (en) | Distributed clustering with outlier detection | |
CN113779272B (zh) | 基于知识图谱的数据处理方法、装置、设备及存储介质 | |
US9460236B2 (en) | Adaptive variable selection for data clustering | |
CN117010697B (zh) | 一种基于人工智能的可视化企业风险评估方法 | |
CN106022477A (zh) | 智能分析决策***及方法 | |
CN109857457B (zh) | 一种在双曲空间中学习源代码中的函数层次嵌入表示方法 | |
Yu et al. | Cost-based or learning-based? A hybrid query optimizer for query plan selection | |
CN110990718B (zh) | 一种公司形象提升***的社会网络模型构建模块 | |
CN112835570A (zh) | 一种基于机器学习的可视化数学建模方法和*** | |
WO2023108967A1 (zh) | 基于隐私保护计算和跨组织的联合信用评分方法及装置 | |
CN117391641A (zh) | 一种生发剂生产流程管理方法及*** | |
CN116340726A (zh) | 一种能源经济大数据清洗方法、***、设备及存储介质 | |
CN112087316A (zh) | 基于异常数据分析的网络异常根源定位方法 | |
CN114626886A (zh) | 一种调查问卷数据分析方法及*** | |
CN117093919B (zh) | 基于深度学习的岩土工程地质灾害预测方法及*** | |
CN117436768A (zh) | 一种基于数据治理的统一监管指标方法 | |
Shankar et al. | Analyzing attrition and performance of an employee using machine learning techniques | |
Wang et al. | Hierarchical graph convolutional network for data evaluation of dynamic graphs | |
CN110502669A (zh) | 基于n边dfs子图的轻量级无监督图表示学习方法及装置 | |
CN115062791A (zh) | 一种人工智能的解释方法、装置、设备及存储介质 | |
CN114820074A (zh) | 基于机器学习的目标用户群体预测模型构建方法 | |
CN116703321B (zh) | 一种基于绿色生产的药厂管理方法及*** | |
CN109977021A (zh) | 一种基于关联规则分析的软件质量管理方法及*** |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |