【技術(shù)實現(xiàn)步驟摘要】
本專利技術(shù)涉及經(jīng)營風(fēng)險評估系統(tǒng)，具體為一種基于人工智能的駕校經(jīng)營風(fēng)險預(yù)警評估方法。
技術(shù)介紹
1、駕培行業(yè)是預(yù)付費的長周期服務(wù)培訓(xùn)行業(yè)，由于對于市場信息的缺乏準(zhǔn)確的數(shù)據(jù)統(tǒng)計，十分容易出現(xiàn)經(jīng)營不善的情況，甚至因此發(fā)生破產(chǎn)。例如將預(yù)收費用于擴大經(jīng)營，擴大經(jīng)營會導(dǎo)致駕培市場處于過度飽和狀態(tài)，學(xué)員數(shù)量的稀釋最終會造成駕培機構(gòu)資金鏈斷裂；或者由于場地糾紛，學(xué)員學(xué)車不便引發(fā)學(xué)員退學(xué)退費擠兌等問題。
2、為了解決上述問題，政府管理部門通常采用完善相關(guān)的管理政策制度的方式實現(xiàn)規(guī)范引導(dǎo)駕培行業(yè)健康、有序發(fā)展。例如駕培機構(gòu)管理部門實地摸查。但實地摸查不僅耗時耗力，而且摸查缺乏效率，而市場情形又是瞬息萬變，難以及時地提供有效信息。此外，對于摸查的準(zhǔn)確性也難以保證，因此，急需一種能夠快速、準(zhǔn)確評估駕校經(jīng)營風(fēng)險的方法。
技術(shù)實現(xiàn)思路
1、本專利技術(shù)針對上述現(xiàn)有技術(shù)存在的問題，提供一種基于人工智能的駕校經(jīng)營風(fēng)險預(yù)警評估方法。
2、為實現(xiàn)以上目的，本專利技術(shù)通過以下技術(shù)方案予以實現(xiàn)：
3、一種基于人工智能的駕校經(jīng)營風(fēng)險預(yù)警評估方法，其特征在于：一種基于人工智能的駕校經(jīng)營風(fēng)險預(yù)警評估方法，其特征在于：包括
4、步驟1：定義n家駕校p個駕校風(fēng)險預(yù)警指標(biāo)x1，x2，……xp，計算駕校風(fēng)險預(yù)警指標(biāo)；
5、步驟2：基于駕校風(fēng)險預(yù)警指標(biāo)，利用kmeans聚類算法劃分不同的駕校簇；
6、步驟3：對同一簇的駕校利用因子分析法計算駕校風(fēng)險預(yù)警指標(biāo)的因子得分；
7、步驟4：基于駕校風(fēng)險預(yù)警指標(biāo)因子得分利用topsis方法計算駕校預(yù)警風(fēng)險綜合評分；
8、步驟5：利用秩和比(rsr)對駕校的風(fēng)險評分進(jìn)行分檔排序。
9、進(jìn)一步地，所述步驟1中的駕校風(fēng)險預(yù)警指標(biāo)包括單車?yán)麧櫍对V總量、百車投訴率、教練場面積變化量、教練車數(shù)量、在培學(xué)員數(shù)量、行政處罰金額其中的一種或者多種預(yù)警指標(biāo)。
10、進(jìn)一步地，所述步驟2包括步驟2-1：利用手肘法確定最佳聚類簇數(shù)k；步驟2-2：對n家駕校p個預(yù)警指標(biāo)x1,x2,......,xp進(jìn)行最大最小標(biāo)準(zhǔn)化處理；步驟2-3：利用聚類算法對歸一化后的駕校風(fēng)險指標(biāo)劃分為k個簇；步驟2-4：獲取每家駕校的對應(yīng)的聚類簇標(biāo)簽。
11、進(jìn)一步地，步驟3包括步驟3-1：對n家駕校p個預(yù)警指標(biāo)x1,x2,......,xp進(jìn)行標(biāo)準(zhǔn)化處理,；3-2：計算駕校不同等級預(yù)警指標(biāo)的相關(guān)系數(shù)矩陣r；步驟3-3：采用巴特利特球形度檢驗和抽樣適合性檢驗kmo檢驗判斷因子分析的可行性；3-4：基于rμ＝λμ利用主成分提取方法計算相關(guān)系數(shù)矩陣r的特征值λ和特征向量μ；步驟3-5：設(shè)定累計貢獻(xiàn)率h,利用確定公共因子的個數(shù)m；步驟3-6：計算駕校預(yù)警指標(biāo)的因子載荷矩陣；步驟3-7：利用對載荷因子矩陣a進(jìn)行因子旋轉(zhuǎn)，得到因子旋轉(zhuǎn)矩陣b，其中為a的前m列，t為正交矩陣；步驟3-8：利用計算p個駕校預(yù)警指標(biāo)的因子得分系數(shù)矩陣步驟3-9：基于步驟2-8的指標(biāo)因子得分系數(shù)矩陣?yán)糜嬎泷{校的預(yù)警風(fēng)險因子得分。
12、進(jìn)一步地，所述步驟中你3-1中標(biāo)準(zhǔn)化處理的計算公式為其中為第i家駕校的第j個預(yù)警指標(biāo)值，sj和分別為標(biāo)準(zhǔn)差和均值。
13、進(jìn)一步地，所述步驟3-2中相關(guān)系數(shù)矩陣r的計算公式為r＝(rij)p×p，其中為為第i指標(biāo)與第j指標(biāo)的相關(guān)系數(shù)。
14、進(jìn)一步地，所述步驟3-6中因子載荷矩陣計算公式為其中λ1≥λ2≥......≥λm≥0和μ1,μ2......,μm為相關(guān)系數(shù)矩陣r的特征值和特征向量。
15、進(jìn)一步地，所述步驟4包括步驟4-1：基于駕校預(yù)警指標(biāo)的因子得分，將所有的指標(biāo)轉(zhuǎn)化為極大型指標(biāo)，指標(biāo)正向化,包括利用極小型指標(biāo)的正向處理；步驟4-2：將正向化后的矩陣標(biāo)準(zhǔn)化步驟4-3：從步驟3-2獲取的矩陣中分別取出每個指標(biāo)最大值和最小值，構(gòu)成理想最優(yōu)解向量z+和理想最劣解向量z-；步驟4-4：計算每個駕校預(yù)警風(fēng)險的理想最優(yōu)解距離其中wi為不同指標(biāo)等級對應(yīng)的權(quán)重；步驟4-5：計算每個駕校預(yù)警風(fēng)險的理想最劣解距離其中wi為不同指標(biāo)等級對應(yīng)的權(quán)重；步驟4-6：根據(jù)每個駕校的理想最優(yōu)解與理想最劣解計算得分得分越高，則經(jīng)營異常風(fēng)險越大。
16、進(jìn)一步地，所述步驟5包括步驟5-1：將n家駕校的c個綜合評價指標(biāo)排列成n行c列的原始數(shù)據(jù)表，按其指標(biāo)值從大到小進(jìn)行排序，得到秩次矩陣r＝(rij)n*c；步驟5-2：利用計算秩和比rsr值，并按rsr值對駕校的經(jīng)營風(fēng)險大小進(jìn)行直接排序；步驟5-3：將rsr值按照從小到大的順序排列，統(tǒng)計各組頻數(shù)，并計算各組累計頻數(shù)；步驟5-4：根據(jù)各組累計頻數(shù)，確定各組rsr的秩次r-，計算向下累計頻率最后一項用修正；步驟5-5：根據(jù)累計頻率，查詢“百分?jǐn)?shù)與概率單位對照表”，求其所對應(yīng)概率單位probit值；步驟5-6：以累計頻率所對應(yīng)的概率單位值probit為自變量，以rsr值為因變量，計算回歸方程；步驟5-7：按照回歸方程推算得到的rsr估計值對評價對象進(jìn)行分檔排序。
17、本專利技術(shù)的有益效果：
18、本專利技術(shù)提供的本專利技術(shù)通過定義多加駕校的多個風(fēng)險預(yù)警指標(biāo)，并通過將多家駕校劃分成不同的簇，對同一簇的駕校利用因子分析法對不同駕校的預(yù)警指標(biāo)進(jìn)行分析計算因子得分，最后基于得到的因子得分計算駕校的風(fēng)險評分，再對駕校的風(fēng)險評分進(jìn)行分檔排序，進(jìn)而自動獲取駕校風(fēng)險排名，用戶可以根據(jù)風(fēng)險排名對駕校經(jīng)營進(jìn)行干預(yù)，避免損失的發(fā)生。本方法不僅效率高，減少了人力物力的浪費，而且更具可靠性，為駕校的經(jīng)營提供了精準(zhǔn)及時的信息參考。
本文檔來自技高網(wǎng)...【技術(shù)保護點】
1.一種基于人工智能的駕校經(jīng)營風(fēng)險預(yù)警評估方法，其特征在于：包括
2.根據(jù)權(quán)利要求1所述的基于人工智能的駕校經(jīng)營風(fēng)險預(yù)警評估方法，其特征在于：所述步驟1中的駕校風(fēng)險預(yù)警指標(biāo)包括單車?yán)麧櫍对V總量、百車投訴率、教練場面積變化量、教練車數(shù)量、在培學(xué)員數(shù)量、行政處罰金額其中的一種或者多種預(yù)警指標(biāo)。
3.根據(jù)權(quán)利要求1所述的基于人工智能的駕校經(jīng)營風(fēng)險預(yù)警評估方法，其特征在于：所述步驟2包括步驟2-1：利用手肘法確定最佳聚類簇數(shù)K；步驟2-2：對n家駕校p個預(yù)警指標(biāo)x1,x2,......,xp進(jìn)行最大最小標(biāo)準(zhǔn)化處理；步驟2-3：利用聚類算法對歸一化后的駕校風(fēng)險指標(biāo)劃分為K個簇；步驟2-4：獲取每家駕校的對應(yīng)的聚類簇標(biāo)簽。
4.根據(jù)權(quán)利要求1所述的基于人工智能的駕校經(jīng)營風(fēng)險預(yù)警評估方法，其特征在于：步驟3包括步驟3-1：對n家駕校p個預(yù)警指標(biāo)x1,x2,......,xp進(jìn)行標(biāo)準(zhǔn)化處理,；3-2：計算駕校不同等級預(yù)警指標(biāo)的相關(guān)系數(shù)矩陣R；步驟3-3：采用巴特利特球形度檢驗和抽樣適合性檢驗KMO檢驗判斷因子分析的可行性；3-4：基于Rμ＝λμ利用主成分提取
5.根據(jù)權(quán)利要求4所述的基于人工智能的駕校經(jīng)營風(fēng)險預(yù)警評估方法，其特征在于：所述步驟中你3-1中標(biāo)準(zhǔn)化處理的計算公式為其中為第i家駕校的第j個預(yù)警指標(biāo)值，sj和分別為標(biāo)準(zhǔn)差和均值。
6.根據(jù)權(quán)利要求4所述的基于人工智能的駕校經(jīng)營風(fēng)險預(yù)警評估方法，其特征在于：所述步驟3-2中相關(guān)系數(shù)矩陣R的計算公式為R＝(rij)p×p，其中為為第i指標(biāo)與第j指標(biāo)的相關(guān)系數(shù)。
7.根據(jù)權(quán)利要求4所述的基于人工智能的駕校經(jīng)營風(fēng)險預(yù)警評估方法，其特征在于：所述步驟3-6中因子載荷矩陣計算公式為其中λ1≥λ2≥......≥λm≥0和μ1,μ2......,μm為相關(guān)系數(shù)矩陣R的特征值和特征向量。
8.根據(jù)權(quán)利要求1所述的基于人工智能的駕校經(jīng)營風(fēng)險預(yù)警評估方法，其特征在于：所述步驟4包括步驟4-1：基于駕校預(yù)警指標(biāo)的因子得分，將所有的指標(biāo)轉(zhuǎn)化為極大型指標(biāo)，指標(biāo)正向化,包括利用極小型指標(biāo)的正向處理；步驟4-2：將正向化后的矩陣標(biāo)準(zhǔn)化步驟4-3：從步驟3-2獲取的矩陣中分別取出每個指標(biāo)最大值和最小值，構(gòu)成理想最優(yōu)解向量z+和理想最劣解向量z-；步驟4-4：計算每個駕校預(yù)警風(fēng)險的理想最優(yōu)解距離其中wi為不同指標(biāo)等級對應(yīng)的權(quán)重；步驟4-5：計算每個駕校預(yù)警風(fēng)險的理想最劣解距離其中wi為不同指標(biāo)等級對應(yīng)的權(quán)重；步驟4-6：根據(jù)每個駕校的理想最優(yōu)解與理想最劣解計算得分得分越高，則經(jīng)營異常風(fēng)險越大。
9.根據(jù)權(quán)利要求1所述的基于人工智能的駕校經(jīng)營風(fēng)險預(yù)警評估方法，其特征在于：所述步驟5包括步驟5-1：將n家駕校的c個綜合評價指標(biāo)排列成n行c列的原始數(shù)據(jù)表，按其指標(biāo)值從大到小進(jìn)行排序，得到秩次矩陣R＝(Rij)n*c；步驟5-2：利用計算秩和比RSR值，并按RSR值對駕校的經(jīng)營風(fēng)險大小進(jìn)行直接排序；步驟5-3：將RSR值按照從小到大的順序排列，統(tǒng)計各組頻數(shù)，并計算各組累計頻數(shù)；步驟5-4：根據(jù)各組累計頻數(shù)，確定各組RSR的秩次R-，計算向下累計頻率最后一項用修正；步驟5-5：根據(jù)累計頻率，查詢“百分?jǐn)?shù)與概率單位對照表”，求其所對應(yīng)概率單位Probit值；步驟5-6：以累計頻率所對應(yīng)的概率單位值Probit為自變量，以RSR值為因變量，計算回歸方程；步驟5-7：按照回歸方程推算得到的RSR估計值對評價對象進(jìn)行分檔排序。
...【技術(shù)特征摘要】
1.一種基于人工智能的駕校經(jīng)營風(fēng)險預(yù)警評估方法，其特征在于：包括
2.根據(jù)權(quán)利要求1所述的基于人工智能的駕校經(jīng)營風(fēng)險預(yù)警評估方法，其特征在于：所述步驟1中的駕校風(fēng)險預(yù)警指標(biāo)包括單車?yán)麧櫍对V總量、百車投訴率、教練場面積變化量、教練車數(shù)量、在培學(xué)員數(shù)量、行政處罰金額其中的一種或者多種預(yù)警指標(biāo)。
3.根據(jù)權(quán)利要求1所述的基于人工智能的駕校經(jīng)營風(fēng)險預(yù)警評估方法，其特征在于：所述步驟2包括步驟2-1：利用手肘法確定最佳聚類簇數(shù)k；步驟2-2：對n家駕校p個預(yù)警指標(biāo)x1,x2,......,xp進(jìn)行最大最小標(biāo)準(zhǔn)化處理；步驟2-3：利用聚類算法對歸一化后的駕校風(fēng)險指標(biāo)劃分為k個簇；步驟2-4：獲取每家駕校的對應(yīng)的聚類簇標(biāo)簽。
4.根據(jù)權(quán)利要求1所述的基于人工智能的駕校經(jīng)營風(fēng)險預(yù)警評估方法，其特征在于：步驟3包括步驟3-1：對n家駕校p個預(yù)警指標(biāo)x1,x2,......,xp進(jìn)行標(biāo)準(zhǔn)化處理,；3-2：計算駕校不同等級預(yù)警指標(biāo)的相關(guān)系數(shù)矩陣r；步驟3-3：采用巴特利特球形度檢驗和抽樣適合性檢驗kmo檢驗判斷因子分析的可行性；3-4：基于rμ＝λμ利用主成分提取方法計算相關(guān)系數(shù)矩陣r的特征值λ和特征向量μ；步驟3-5：設(shè)定累計貢獻(xiàn)率h,利用確定公共因子的個數(shù)m；步驟3-6：計算駕校預(yù)警指標(biāo)的因子載荷矩陣；步驟3-7：利用對載荷因子矩陣a進(jìn)行因子旋轉(zhuǎn)，得到因子旋轉(zhuǎn)矩陣b，其中為a的前m列，t為正交矩陣；步驟3-8：利用計算p個駕校預(yù)警指標(biāo)的因子得分系數(shù)矩陣步驟3-9：基于步驟2-8的指標(biāo)因子得分系數(shù)矩陣?yán)糜嬎泷{校的預(yù)警風(fēng)險因子得分。
5.根據(jù)權(quán)利要求4所述的基于人工智能的駕校經(jīng)營風(fēng)險預(yù)警評估方法，其特征在于：所述步驟中你3-1中標(biāo)準(zhǔn)化處理的計算公式為其中為第i家駕校的第j個預(yù)警指標(biāo)值，sj和分別為標(biāo)準(zhǔn)差和均值。
6.根據(jù)權(quán)利要求4所述的基于人工智能的駕校經(jīng)營風(fēng)險預(yù)警評估方法，其特征在于：所述步驟3-2中...
【專利技術(shù)屬性】
技術(shù)研發(fā)人員：陳歡，尹杰麗，羅建平，喻蓮，賴炤宇，
申請(專利權(quán))人：廣州交信投科技股份有限公司，
類型：發(fā)明
國別省市：
還沒有人留言評論。發(fā)表了對其他瀏覽者有用的留言會獲得科技券。