[发明专利]一种基于人工智能的目标涉诉风险计算方法、系统及计算机可读存储介质

说明书

一种基于人工智能的目标涉诉风险计算方法、系统及计算机可读存储介质，具体包括：根据目标名称，获取历史诉讼数据、经营参数数据、经营范围数据、管理人员数据、关联关系数据，并利用这些数据代入对应的概率预测模型，分别计算得到目标的初始诉讼概率、行业诉讼概率、人员诉讼概率以及公司树诉讼概率，将目标的初始诉讼概率、行业诉讼概率、人员诉讼概率、公司树诉讼概率输入目标涉诉概率计算模型，目标涉诉概率计算模型为不同的概率分配不同的权重，计算得到目标的涉诉概率。本方案通过对目标涉诉风险的影响因素进行分析，计算得到目标的涉诉概率，提高了计算结果的准确性，使得计算结果的数据更为科学合理。

技术领域

本发明属于涉诉风险计算领域，具体涉及一种基于人工智能的目标涉诉风险计算方法、系统及计算机可读存储介质。

背景技术

近几年来，涉诉案件的数量和涉诉的金额都大幅攀升，一些涉案金额已超过了涉案企业上一年的净利润甚至超过了其上一年的营业收入，这对经营产生了威胁，同时也严重损害了投资者利益，因此对涉诉风险的计算变得十分重要。

而在对涉诉风险进行计算时，往往仅仅是根据以往的诉讼情况进行分析，但是有的计算目标成立时间较短，历史上没有发生过诉讼案件，使得依据历史诉讼情况得到的计算结果不准确。

发明内容

针对背景技术中存在的技术缺陷，本发明提出一种基于人工智能的目标涉诉风险计算方法、系统及计算机可读存储介质，解决了上述技术问题以及满足了实际需求，具体的技术方案如下所示：

根据本发明第一方面实施例的基于人工智能的目标涉诉风险计算方法，包括以下步骤：

根据目标名称，获取历史诉讼数据、经营参数数据、经营范围数据、管理人员诉讼数据、关联关系数据；

根据所述历史诉讼数据得到诉讼时间序列，输入基于时间序列模型的初始诉讼概率预测模型，得到目标的初始诉讼概率，所述历史诉讼数据包括时间和对应的诉讼数量；

将所述经营参数数据、所述经营范围数据输入行业诉讼概率预测模型，得到目标的行业诉讼概率，所述行业诉讼概率预测模型可以根据所述经营参数数据、所述经营范围数据得到目标对应的聚类类别，并根据所述聚类类别得到目标的所述行业诉讼概率；

根据所述管理人员诉讼数据得到管理人员涉诉时间序列，输入人员诉讼概率预测模型，得到每个管理人员的诉讼概率，并根据所述每个管理人员的诉讼概率得到目标的人员诉讼概率，其中，所述管理人员诉讼数据包括管理人员与对应的涉诉时间、涉诉数量；

将所述关联关系数据输入公司树诉讼概率预测模型，得到目标的公司树诉讼概率，所述公司树诉讼概率预测模型可以根据所述关联关系数据得到作为主成分的公司树特征，根据所述公司树特征将目标归类到对应的公司树聚类类别，根据所述公司树聚类类别得到目标的所述公司树诉讼概率；

将目标的所述初始诉讼概率、所述行业诉讼概率、所述人员诉讼概率、所述公司树诉讼概率输入目标涉诉概率计算模型，计算并输出目标的涉诉概率。

本发明第一方面实施例的具有的有益效果在于：利用历史诉讼数据可以得到目标的初始诉讼概率，目标的初始诉讼概率最为直接且可靠；目标的经营参数数据和经营范围数据作为经营参数数据中的主成分，可以提高聚类的效率，对类别进行准确判断，利用根据所述聚类类别可以得到目标的行业诉讼概率；当目标具有相同的管理人员时，由于相同人员经营或者管理的方法相近或者类似，面临的诉讼风险也比较接近，利用管理人员诉讼数据可以得到目标的人员诉讼概率；由于具有关联关系的目标通常也有相近的管理制度，面临诉讼的概率也相似或接近，利用关联关系数据作为主成分构造的公司树特征可以提高聚类的效率，再根据聚类类别可以得到目标的公司树诉讼概率。目标涉诉是多种原因相互结合造成的结果，同时将由企业历史诉讼情况预测得到的涉诉概率、经过归类和统计得到的企业所处行业的涉诉概率、企业管理人员的涉诉概率、和公司具有上下游投资关系的公司的诉讼概率均输入到目标涉诉概率计算模型，对目标涉诉风险的影响因素进行分析，目标涉诉概率计算模型为每个诉讼概率分配了不同的权重，提高了计算结果的准确性，使得计算结果的数据更为科学合理。