[发明专利]一种基于多梯核深度神经网络模型积分预警方法以及系统

权利要求书

1.一种基于多梯核深度神经网络模型积分预警方法，其特征在于：

数据存储，用于从多种数据源采集多种结构的数据并进行存储，所述的数据根据内容分为基本信息数据，财务信息数据和社会信息数据；

数据处理，用于将数据存储模块中保存的数据统一结构化，所述统一结构化的数据经过特征量化、特征分箱、特征提取、特征分梯后导入多梯核神经网络模型中生成具体的预警积分；

阈值生成，用于产生多个动态的风险预警阈值区间；

通过如下步骤，产生风险预警信息：

步骤一：数据分类，将数据根据数据形态分成非数值特征数据和数值特征数据两种类别；

步骤二：特征量化，对步骤一中的非数值特征值数据进行特征量化，并将非数值特征数据根据行为特征划分为依据频次为量化指标的行为数据和依据行为程度为量化指标的行为数据；

特征分箱，对步骤一中的数值特征数据进行离散化处理；

步骤三：特征提取，对步骤二获取的数据通过方差过滤算法和F检验算法进行特征提取，并对所分别提取的数据特征进行数据特征交集获得数据特征集合；

步骤四：特征分梯，将步骤三所获取的数据特征集合通过特征相关算法将具有相关性的数据特征组合为若干个数据特征组合，其中所述特征相关算法如下：

x²值表示观察值与理论值之间的偏离程度，设A代表某个类别的观察频数，E表示期望频数，A与E之差为残差；

将残差平方除以期望频数求和，估计观察频数与期望频数的差别；

步骤五：将步骤四所获取的数据特征组合输入构建的多梯核神经网络模型当中获取预警积分，其中构建多梯核神经网络模型的方法如下：

所述多梯核神经网络模型包括多个层级的神经网络单元，上一层神经网络单元与多个下一层神经网络单元链接；

每一层神经网络单元均由一个全连接层、一个第一dropout层、多个多梯核和一个第二dropout层依次链接，其中，

所述全连接层用于将输入的多组数据特征进行分析，

所述第一dropout层用于随机删除数据连接的特征关系，

所述多梯核接收所述第一dropout层制造的新的数据特征进行处理产生新的数据特征组合，

所述第二dropout层接收由所述多梯核产生的数据结果再次进行多组数据特征的连接关系随机删除重复的特征并制造新的数据特征；

上一层神经网络单元的全连接层将会接收下一层神经网络单元的第二dropout层所产生的数据特征的连接关系，并依次传递给该层的第一dropout层和多个多梯核和第二dropout层；

最低层的神经网络单元中的全连接层将会接收由步骤四所产生的数据特征组合；

步骤六：区间估计，构建动态的预警状态的置信区间；

步骤七：预警判断，将步骤五中获取的预警积分与步骤六中的置信区间进行比较，得出预警信息。

2.根据权利要求1所述的一种基于多梯核深度神经网络模型积分预警方法，其特征在于：所述步骤二中依据频次为量化指标的行为数据采用统计结果量化法进行量化步骤为：

步骤A1：统计一种行为发生的频次；

步骤A2：计算该种行为在全部行为中的发生率；

步骤A3：并根据发生率依据赋值规则给予具体的数值；

所述步骤二中依据行为程度为量化指标的行为数据采用分段赋值法进行量化步骤为：

步骤B1：统计一种行为发生的程度；

步骤B2：预设行为程度区间所赋予的具体的数值；

步骤B3：将步骤B1中的该种行为发生的程度与步骤B2中的程度区间进比较后得出该种行为发生程度对应的具体数值；

所述步骤二中的特征分箱的步骤为：

步骤C1：将连续的数值特征数据分成N个区间，且N≥2；

步骤C2：对相邻的组中的数据包进行卡方检验，

卡方检验的公式为：

A为相关数据特征的数值，T为相关特征落在区间内的概率值，n为关注对象的总数；

步骤C3：对相邻两组数据卡方检验后的数值进行差值计算，差值的绝对值小于设定系数则判定两组数据可以合并；

步骤C4：改变N值，重复步骤C1至步骤C3直至确定最优数据包个数；

步骤C5：分箱完成后，按照当前箱的最大值结果给于每个箱的权重值，得出每个箱的最大值结果。