【技術實現步驟摘要】
本專利技術涉及業務風險智能預測領域，具體是指業務風險控制策略智能預測與響應系統。
技術介紹
1、在金融行業中，業務風險的評估與預測是一項至關重要的任務，現有業務風險的評估大都運用大數據分析、機器學習算法及人工智能技術來構建高效的風險預測模型。現有的業務風險控制預測模型選擇正確的變量作為輸入對于提高模型表現至關重要。但是，現有的業務風險控制預測模型無法準確的從海量數據中提取出真正有用的特征，缺少深厚的領域知識及數據分析技能；現有的傳統模型在進行業務風險的預測和響應控制時通常存在泛化能力和魯棒性方面的局限，這些問題顯著影響了其預測準確性；傳統的特征選擇方法會忽略一些對預測至關重要的隱含信息，同時，現有的損失函數在評估業務風險時可能無法準確反映模型的預測性能。
技術實現思路
1、針對上述情況，為克服現有技術的缺陷，本專利技術提供了業務風險控制策略智能預測與響應系統，針對現有的業務風險控制預測模型無法準確的從海量數據中提取出真正有用的特征，缺少深厚的領域知識及數據分析技能的問題，本方案采用圖神經網絡建立鄰域噪聲凈化器、核心節點強化器和關系總結器，鄰域噪聲凈化器利用多層感知機構建一個相似性評估機制，使用核心節點強化機制在聚合鄰域信息時為核心節點實施加權策略，削弱殘余噪聲的不利影響；并使用卷積神經網絡和長短期記憶網絡解決圖神經網絡中的特征弱化問題；針對現有的傳統模型在進行業務風險的預測和響應控制時通常存在泛化能力和魯棒性方面的局限的問題，采用一種優化的stacking模型來預測和決策未來的業務
2、本專利技術提供的業務風險控制策略智能預測與響應系統包括數據收集與整合模塊、風險評估模塊、智能預測決策模塊、實時監控與響應模塊和用戶界面模塊；
3、所述數據收集與整合模塊收集金融行業中與業務風險相關的多源數據，并進行數據整合，得到初級多源數據；
4、所述風險評估模塊獲取歷史數據和行業知識建立業務風險評估模型，對初級多源數據進行分析處理，評估不同類型的業務活動中現存的風險水平，獲得業務的當前風險等級和評分；
5、所述智能預測決策模塊使用優化的stacking模型，根據當前風險等級和評分數據，對未來可能發生的業務風險進行精準預測，并輸出預測結果，根據預測結果提供給管理層決策管理方案，并直接應用于自動化流程中進行業務風險控制；
6、所述實時監控與響應模塊持續跟蹤業務風險中的關鍵指標的變化情況，一旦監測到異常活動立即觸發預警通知，并啟動相應的應急計劃，并具備一定的自我學習能力，能夠隨著外部環境的變化不斷優化自身的判斷標準；
7、所述用戶界面模塊為用戶提供友好易用的操作界面，非技術人員能夠根據簡單的操作查看風險評估模塊、智能預測決策模塊和實時監控與響應模塊的數據，并設置各模塊參數。
8、進一步的，所述風險評估模塊獲取歷史數據和行業知識建立業務風險評估模型，業務風險評估模型包括鄰域噪聲凈化器、核心節點強化器和關系聚合器，并使用圖神經網絡、卷積神經網絡和長短期記憶網絡進行構建；
9、所述鄰域噪聲凈化器將不同的歷史數據和行業知識中的信息作為節點進行處理，使用多層感知機預測節點特征，并利用l1距離來計算節點間的相似性，所用公式如下：
10、；
11、；
12、式中，和表示兩個不同的節點索引，和表示節點和節點在第層的特征嵌入，表示在第層時節點和節點之間的不相似性度量，表示多層感知機的第層的輸出，表示l1范式，表示節點和節點在第層時的相似性得分；
13、根據計算出的相似性對節點之間的鄰居進行排序，選擇中心節點，并選擇n個最相似鄰居作為中心節點的有效鄰域，得到鄰居集合，所用公式如下：
14、；
15、；
16、式中，表示節點的關系，表示在第層關系中節點的采樣數量，表示在第層關系設定的過濾閾值，表示節點在關系下的鄰居總數，表示在第層、關系下，節點經過相似性過濾后的鄰居集合，表示從排序后的列表中選擇元素的操作，為排序操作；
17、所述核心節點強化器包括加權聚合單元和強化學習單元，所述加權聚合單元在更新中心節點的信息時，聚合來自鄰居的信息，并增加中心節點自身的權重；
18、所述強化學習單元使用強化學習機制動態調整鄰居節點的過濾閾值，增強中心節點特征，強化學習機制通過觀察平均距離的變化，決定是否給予獎勵或懲罰，優化過濾閾值；
19、所述關系聚合器在增強中心節點特征之后，進行跨關系進行聚合，將不同關系下每個節點的嵌入特征與前一層的嵌入特征結合，生成一個綜合的嵌入特征；
20、進一步的，使用圖神經網絡構建鄰域噪聲凈化器、核心節點強化器和關系聚合器，得到最終的輸出，使用卷積神經網絡對圖神經網絡得到的最終的輸出進行卷積操作，提取局部特征，并進行池化操作，得到固定長度的特征向量；
21、所述長短期記憶網絡將卷積神經網絡輸出的固定長度的特征向量轉換為雙向lstm模型的輸入，結合前向和反向隱藏狀態得到集成隱藏層輸出。
22、進一步的，所述智能預測決策模塊使用優化的stacking模型，根據當前風險等級和評分數據，對未來可能發生的業務風險進行精準預測，所述優化的stacking模型，具體包括以下步驟：
23、步驟s1：初級學習層，將當前風險等級和評分數據整合為數據集d，將數據集d隨機分成k個子集用于交叉驗證，初級學習層包含t1個學習算法，使用k-1個子集作為訓練集，剩余一個子集作為測試集，重復k次，每個子集的數據通過所有t1個學習算法得到預測結果，構建新的數據集d′；
24、步驟s2：元學習層，使用svm作為元學習器，以新的數據集d′作為輸入進行訓練，學習更準確的決策邊界；
25、步驟s3：基于cnn的風險決策模型，獲取用戶數據，使用cnn從用戶數據中提取特征，并使用cfa方法生成額外的少數類樣本平衡數據集，使用svm進行分類；
26、步驟s4：特征組合與選擇，將新的數據集d′中的數據作為特征與cnn提取的特征進行結合，使用皮爾遜相關性過濾法、無監督方差膨脹因子的方法、遞歸特征消除方法三種特征選擇方法進行特征選擇，并調整參數閾值，并用邏輯回歸評估不同特征子集的表現；
27、步驟s5：損失函數優化，定義新的損失函數，所用公式如下：
28、；
29、式中，為原stacking模型損失函數，和為縮放因子，為基于cnn的風險決策模型的預測結果，為優化的stacking模型的預測結果；
30、步驟s6：調整系數和，根據距離d計算動態的和值，所用公式如下：
31、；
32、；
33、式中，為基于cnn的風險決策模型和優化的本文檔來自技高網...
【技術保護點】
1.業務風險控制策略智能預測與響應系統，其特征在于：包括數據收集與整合模塊、風險評估模塊、智能預測決策模塊、實時監控與響應模塊和用戶界面模塊；
2.根據權利要求1所述的業務風險控制策略智能預測與響應系統，其特征在于：所述風險評估模塊獲取歷史數據和行業知識建立業務風險評估模型，業務風險評估模型包括鄰域噪聲凈化器、核心節點強化器和關系聚合器，并使用圖神經網絡、卷積神經網絡和長短期記憶網絡進行構建；
3.根據權利要求2所述的業務風險控制策略智能預測與響應系統，其特征在于：使用圖神經網絡構建鄰域噪聲凈化器、核心節點強化器和關系聚合器，得到最終的輸出，使用卷積神經網絡對圖神經網絡得到的最終的輸出進行卷積操作，提取局部特征，并進行池化操作，得到固定長度的特征向量；
4.根據權利要求1所述的業務風險控制策略智能預測與響應系統，其特征在于：所述智能預測決策模塊使用優化的Stacking模型，根據當前風險等級和評分數據，對未來可能發生的業務風險進行精準預測，所述優化的Stacking模型，具體包括以下步驟：
【技術特征摘要】
1.業務風險控制策略智能預測與響應系統，其特征在于：包括數據收集與整合模塊、風險評估模塊、智能預測決策模塊、實時監控與響應模塊和用戶界面模塊；
2.根據權利要求1所述的業務風險控制策略智能預測與響應系統，其特征在于：所述風險評估模塊獲取歷史數據和行業知識建立業務風險評估模型，業務風險評估模型包括鄰域噪聲凈化器、核心節點強化器和關系聚合器，并使用圖神經網絡、卷積神經網絡和長短期記憶網絡進行構建；
3.根據權利要求2所述的業務風險控制策略智能預測...
【專利技術屬性】
技術研發人員：王亞騰，
申請(專利權)人：長沙淘順信息科技有限公司，
類型：發明
國別省市：
還沒有人留言評論。發表了對其他瀏覽者有用的留言會獲得科技券。