一種基于時間序列生成對抗網(wǎng)絡的企業(yè)經(jīng)營異常預警方法技術(shù)

本申請涉及一種基于時間序列生成對抗網(wǎng)絡的企業(yè)經(jīng)營異常預警方法，該方法包括：獲取企業(yè)內(nèi)部經(jīng)營活動數(shù)據(jù)，并對企業(yè)內(nèi)部經(jīng)營活動數(shù)據(jù)中的銷量數(shù)據(jù)進行歸一化處理；將歸一化后的銷量數(shù)據(jù)轉(zhuǎn)化為時間序列數(shù)據(jù)，并對時間序列數(shù)據(jù)進行特征提取，得到銷量數(shù)據(jù)特征向量；基于銷量數(shù)據(jù)特征向量組成銷量數(shù)據(jù)特征矩陣；構(gòu)建時間序列生成對抗網(wǎng)絡，基于時間序列生成對抗網(wǎng)絡對銷量數(shù)據(jù)特征矩陣進行特征增強，得到增強特征矩陣；采用三次指數(shù)平滑算法對增強特征矩陣進行預測，得到預測值；計算出預測值與銷量數(shù)據(jù)特征向量之間的誤差，基于誤差進行數(shù)據(jù)異常預警。該方法實現(xiàn)了企業(yè)異常經(jīng)營活動的提前預判，提高了企業(yè)內(nèi)部風險控制水平。提高了企業(yè)內(nèi)部風險控制水平。提高了企業(yè)內(nèi)部風險控制水平。

【技術(shù)實現(xiàn)步驟摘要】
一種基于時間序列生成對抗網(wǎng)絡的企業(yè)經(jīng)營異常預警方法


[0001]本申請涉及企業(yè)經(jīng)營異常預警
，特別是涉及一種基于時間序列生成對抗網(wǎng)絡的企業(yè)經(jīng)營異常預警方法。

技術(shù)介紹

[0002]企業(yè)經(jīng)營異常預警是保障企業(yè)正常經(jīng)營、減少企業(yè)經(jīng)營風險的重要手段之一。傳統(tǒng)做法通常依據(jù)管理者自身經(jīng)驗，通過查看統(tǒng)計數(shù)據(jù)報表，對比歷史企業(yè)經(jīng)營狀況，判斷企業(yè)當前經(jīng)營狀況是否存在異常；然而，隨著企業(yè)規(guī)模不斷增加，經(jīng)營數(shù)據(jù)規(guī)模和關(guān)聯(lián)復雜程度急劇增大，異常情況潛伏周期較長，導致傳統(tǒng)的依據(jù)人工經(jīng)驗或統(tǒng)計報表檢查的方式已經(jīng)難以對異常的經(jīng)營狀況進行提前預判和及時預警。

技術(shù)實現(xiàn)思路

[0003]基于此，有必要針對傳統(tǒng)企業(yè)經(jīng)營異常預警手段存在的問題，提供一種基于時間序列生成對抗網(wǎng)絡的企業(yè)經(jīng)營異常預警方法。
[0004]本申請?zhí)峁┝艘环N基于時間序列生成對抗網(wǎng)絡的企業(yè)經(jīng)營異常預警方法，該方法包括：S1：獲取企業(yè)內(nèi)部經(jīng)營活動數(shù)據(jù)，并對企業(yè)內(nèi)部經(jīng)營活動數(shù)據(jù)中的銷量數(shù)據(jù)進行歸一化處理；S2：將歸一化后的銷量數(shù)據(jù)轉(zhuǎn)化為時間序列數(shù)據(jù)，并對時間序列數(shù)據(jù)進行特征提取，得到銷量數(shù)據(jù)特征向量；基于所述銷量數(shù)據(jù)特征向量組成銷量數(shù)據(jù)特征矩陣；S3：構(gòu)建時間序列生成對抗網(wǎng)絡，基于所述時間序列生成對抗網(wǎng)絡對銷量數(shù)據(jù)特征矩陣進行特征增強，得到增強特征矩陣；S4：采用三次指數(shù)平滑算法對所述增強特征矩陣進行預測，得到預測值；計算出預測值與所述銷量數(shù)據(jù)特征向量之間的誤差，基于誤差進行數(shù)據(jù)異常預警。
[0005]優(yōu)選的，S2中，將歸一化后的銷量數(shù)據(jù)轉(zhuǎn)化為時間序列數(shù)據(jù)包括：采用滑動窗口方法將所述歸一化后的銷量數(shù)據(jù)按照時間順序進行劃分，劃分出多個時間段；每個滑動窗口表示一個時間段，得到時間序列數(shù)據(jù)；所述時間序列數(shù)據(jù)記為：Y={y1,y2,
…
,y
n
}；其中，y1表示第1個時間段內(nèi)的銷量數(shù)據(jù)，y
n
表示第n個時間段內(nèi)的銷量數(shù)據(jù)。
[0006]優(yōu)選的，S2中，對時間序列數(shù)據(jù)進行特征提取，得到銷量數(shù)據(jù)特征向量；基于所述銷量數(shù)據(jù)特征向量組成銷量數(shù)據(jù)特征矩陣；包括：從時間序列數(shù)據(jù)中提取出每一個時間段的銷量數(shù)據(jù)均值以及銷量數(shù)據(jù)偏度，并基于時間序列數(shù)據(jù)中所有時間段的銷量數(shù)據(jù)提取銷量數(shù)據(jù)峰度；對于每一個時間段，將提取出銷量數(shù)據(jù)均值、銷量數(shù)據(jù)偏度以及銷量數(shù)據(jù)峰度進行組合，得到所述銷量數(shù)據(jù)特征向量；第i個時間段的銷量數(shù)據(jù)特征向量記為：c
i
={Yi
average
,Yi
skewness
,Y
kurtosis
}；其中，Yi
average
表示第i個時間段的銷量數(shù)據(jù)均值；Yi
skewness
表示第i個時間段的銷量數(shù)據(jù)偏度；Y
kurtosis
表示銷量數(shù)據(jù)峰度；
將所有時間段的銷量數(shù)據(jù)特征向量組合，得到所述銷量數(shù)據(jù)特征矩陣；所述銷量數(shù)據(jù)特征矩陣記為：C={c1,c2,
…
,c
n
}；其中，c1表示第1個時間段的銷量數(shù)據(jù)特征向量；c
n
表示第n個時間段的銷量數(shù)據(jù)特征向量。
[0007]優(yōu)選的，S2中，銷量數(shù)據(jù)均值、銷量數(shù)據(jù)偏度以及銷量數(shù)據(jù)峰度的提取過程包括：計算出第一個滑動窗口對應時間段的銷量數(shù)據(jù)均值，將滑動窗口向右移動一個時間段，得到第二個滑動窗口，并計算出第一個滑動窗口對應時間段的銷量數(shù)據(jù)均值；重復移動以及計算，直至遍歷完所有時間段，得到所有滑動窗口對應時間段的銷量數(shù)據(jù)均值；將所有滑動窗口對應時間段的銷量數(shù)據(jù)均值記為：Y
average
={y1
avg
,y2
avg
,
…
,y(n
?
w)
avg
}；其中，y1
avg
表示第一個滑動窗口對應時間段的銷量均值，y(n
?
w)
avg
表示第n
?
w個滑動窗口對應時間段的銷量均值，n表示時間段數(shù)量，表示滑動窗口的大小；基于所有滑動窗口對應時間段的銷量數(shù)據(jù)均值以及銷量數(shù)據(jù)的標準差，計算出所有滑動窗口對應時間的銷量數(shù)據(jù)偏度；計算公式為：；其中，表示所有滑動窗口對應時間的銷量數(shù)據(jù)偏度；u表示滑動窗口對應時間段內(nèi)銷量數(shù)據(jù)的樣本量；Yj表示滑動窗口對應時間段內(nèi)第j個銷量數(shù)據(jù)的值；Sd表示所有滑動窗口對應時間段的銷量數(shù)據(jù)的標準差；基于所有滑動窗口對應時間段的銷量數(shù)據(jù)均值以及銷量數(shù)據(jù)的標準差，計算出所有滑動窗口對應時間的銷量數(shù)據(jù)峰度；計算公式為：；其中，表示所有滑動窗口對應時間的銷量數(shù)據(jù)峰度；k為常數(shù)。
[0008]優(yōu)選的，S3中，所述時間序列生成對抗網(wǎng)絡包括自編碼器、生成器、判別器；時間序列生成對抗網(wǎng)絡的輸入為所述銷量數(shù)據(jù)特征矩陣；所述自編碼器用于對銷量數(shù)據(jù)特征矩陣進行編碼，得到自編碼數(shù)據(jù)；所述生成器用于基于所述自編碼數(shù)據(jù)生成銷量數(shù)據(jù)偽特征矩陣；所述判別器用于計算自編碼數(shù)據(jù)與銷量數(shù)據(jù)偽特征矩陣之間的殘差；時間序列生成對抗網(wǎng)絡的輸出為訓練完成的生成器生成的所述增強特征矩陣。
[0009]優(yōu)選的，S3中，還包括基于交叉熵損失函數(shù)，并采用梯度下降法修正所述判別器，采用梯度上升法更新生成器的網(wǎng)絡權(quán)重，直至判別器在迭代過程中出現(xiàn)連續(xù)十次不能正確分類，訓練完成；交叉熵損失函數(shù)計算公式為：；其中，表示交叉熵損失函數(shù)；C表示銷量數(shù)據(jù)特征矩陣；t表示時間段中的第t時刻；表示自編碼器基于銷量數(shù)據(jù)特征矩陣編碼得到的自編碼數(shù)據(jù)生成的第t時刻的向量；表示生成器基于銷量數(shù)據(jù)偽特征矩陣生成的第t時刻的向量；表示在概率分布
??
下，序列的數(shù)學期望，表示第T個時間段的銷量數(shù)據(jù)特征向量。
[0010]優(yōu)選的，S4中，采用三次指數(shù)平滑算法對所述增強特征矩陣進行預測，得到預測值；計算公式為：
；其中，表示預測值；t表示時間段中的第t時刻；表示增強特征矩陣中向量在第t時刻的趨勢預測值；表示增強特征矩陣中向量在第t時刻的季節(jié)性預測值；表示增強特征矩陣中向量在第t時刻的殘差預測值；趨勢預測值、季節(jié)性預測值以及殘差預測值的更新公式分別為：；；；；其中，表示增強特征矩陣中向量在第t+1時刻的趨勢預測值；表示增強特征矩陣中向量在第t+1時刻的季節(jié)性預測值；表示增強特征矩陣中向量在第t+1時刻的殘差預測值；表示t時刻的季節(jié)性偏差；α為第一平滑系數(shù)；β為第二平滑系數(shù)；γ為第三平滑系數(shù)；m表示一個季節(jié)內(nèi)包含的時間點數(shù)；v表示一個季節(jié)中第v個時間點；p為季節(jié)周期。
[0011]優(yōu)選的，S4中，采用平均絕對誤差計算出預測值與所述銷量數(shù)據(jù)特征向量之間的誤差，計算公式為：；其中，Diff表示誤差；N表示一個時間段中的時刻總數(shù)；表示第g時刻的預測值；c
g
表示第g時刻的銷量數(shù)據(jù)特征向量；設定閾值；當所述誤差大于所述閾值時，判定銷量數(shù)據(jù)異常，并進行銷量數(shù)據(jù)異常預警；否則判定銷量數(shù)據(jù)正常。
[0012]優(yōu)選的，所述自編碼器包括輸入層、第一門控本文檔來自技高網(wǎng)...

【技術(shù)保護點】

【技術(shù)特征摘要】
1.一種基于時間序列生成對抗網(wǎng)絡的企業(yè)經(jīng)營異常預警方法，其特征在于，所述方法包括：S1：獲取企業(yè)內(nèi)部經(jīng)營活動數(shù)據(jù)，并對企業(yè)內(nèi)部經(jīng)營活動數(shù)據(jù)中的銷量數(shù)據(jù)進行歸一化處理；S2：將歸一化后的銷量數(shù)據(jù)轉(zhuǎn)化為時間序列數(shù)據(jù)，并對時間序列數(shù)據(jù)進行特征提取，得到銷量數(shù)據(jù)特征向量；基于所述銷量數(shù)據(jù)特征向量組成銷量數(shù)據(jù)特征矩陣；S3：構(gòu)建時間序列生成對抗網(wǎng)絡，基于所述時間序列生成對抗網(wǎng)絡對銷量數(shù)據(jù)特征矩陣進行特征增強，得到增強特征矩陣；S4：采用三次指數(shù)平滑算法對所述增強特征矩陣進行預測，得到預測值；計算出預測值與所述銷量數(shù)據(jù)特征向量之間的誤差，基于誤差進行數(shù)據(jù)異常預警。2.根據(jù)權(quán)利要求1所述的企業(yè)經(jīng)營異常預警方法，其特征在于，S2中，將歸一化后的銷量數(shù)據(jù)轉(zhuǎn)化為時間序列數(shù)據(jù)包括：采用滑動窗口方法將所述歸一化后的銷量數(shù)據(jù)按照時間順序進行劃分，劃分出多個時間段；每個滑動窗口表示一個時間段，得到時間序列數(shù)據(jù)；所述時間序列數(shù)據(jù)記為：Y={y1,y2,
…
,y
n
}；其中，y1表示第1個時間段內(nèi)的銷量數(shù)據(jù)，y
n
表示第n個時間段內(nèi)的銷量數(shù)據(jù)。3.根據(jù)權(quán)利要求2所述的企業(yè)經(jīng)營異常預警方法，其特征在于，S2中，對時間序列數(shù)據(jù)進行特征提取，得到銷量數(shù)據(jù)特征向量；基于所述銷量數(shù)據(jù)特征向量組成銷量數(shù)據(jù)特征矩陣；包括：從時間序列數(shù)據(jù)中提取出每一個時間段的銷量數(shù)據(jù)均值以及銷量數(shù)據(jù)偏度，并基于時間序列數(shù)據(jù)中所有時間段的銷量數(shù)據(jù)提取銷量數(shù)據(jù)峰度；對于每一個時間段，將提取出銷量數(shù)據(jù)均值、銷量數(shù)據(jù)偏度以及銷量數(shù)據(jù)峰度進行組合，得到所述銷量數(shù)據(jù)特征向量；第i個時間段的銷量數(shù)據(jù)特征向量記為：c
i
={Yi
average
,Yi
skewness
,Y
kurtosis
}；其中，Yi
average
表示第i個時間段的銷量數(shù)據(jù)均值；Yi
skewness
表示第i個時間段的銷量數(shù)據(jù)偏度；Y
kurtosis
表示銷量數(shù)據(jù)峰度；將所有時間段的銷量數(shù)據(jù)特征向量組合，得到所述銷量數(shù)據(jù)特征矩陣；所述銷量數(shù)據(jù)特征矩陣記為：C={c1,c2,
…
,c
n
}；其中，c1表示第1個時間段的銷量數(shù)據(jù)特征向量；c
n
表示第n個時間段的銷量數(shù)據(jù)特征向量。4.根據(jù)權(quán)利要求3所述的企業(yè)經(jīng)營異常預警方法，其特征在于，S2中，銷量數(shù)據(jù)均值、銷量數(shù)據(jù)偏度以及銷量數(shù)據(jù)峰度的提取過程包括：計算出第一個滑動窗口對應時間段的銷量數(shù)據(jù)均值，將滑動窗口向右移動一個時間段，得到第二個滑動窗口，并計算出第一個滑動窗口對應時間段的銷量數(shù)據(jù)均值；重復移動以及計算，直至遍歷完所有時間段，得到所有滑動窗口對應時間段的銷量數(shù)據(jù)均值；將所有滑動窗口對應時間段的銷量數(shù)據(jù)均值記為：Y
average
={y1
avg
,y2
avg
,
…
,y(n
?
w)
avg
}；其中，y1
avg
表示第一個滑動窗口對應時間段的銷量均值，y(n
?
w)
avg
表示第n
?
w個滑動窗口對應時間段的銷量均值，n表示時間段數(shù)量，表示滑動窗口的大小；基于所有滑動窗口對應時間...

【專利技術(shù)屬性】
技術(shù)研發(fā)人員：胡為民，
申請(專利權(quán))人：深圳市迪博企業(yè)風險管理技術(shù)有限公司，
類型：發(fā)明
國別省市：