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技术方案

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。数据更为科学合理。数据更为科学合理。

【技术实现步骤摘要】
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


[0001]本专利技术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。

技术介绍

[0002]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。
[0003]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。

技术实现思路

[0004]针对
技术介绍
中存在的技术缺陷，本专利技术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：根据本专利技术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。
[0005]本专利技术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。
[0006]根据本专利技术的一些实施例，所述目标涉诉概率计算模型由以下步骤确定：获取目标涉诉概率训练数据集，所述目标涉诉概率训练数据集包括历史诉讼训练数据、经营参数训练数据、经营范围训练数据、管理人员诉讼训练数据、关联关系训练数据、目标涉诉状况训练数据；将所述历史诉讼训练数据输入基于时间序列模型的所述初始诉讼概率预测模型，得到初始诉讼训练概率；将所述经营参数训练数据、所述经营范围训练数据输入所述行业诉讼概率预测模型，得到行业诉讼训练概率；将所述管理人员诉讼训练数据输入所述人员诉讼概率预测模型，得到人员诉讼训练概率；将所述关联关系训练数据输入所述公司树诉讼概率预测模型，得到公司树诉讼训练概率；以所述初始诉讼训练概率、所述行业诉讼训练概率、所述人员诉讼训练概率、所述公司树诉讼训练概率为自变量，所述目标涉诉状况训练数据为因变量，训练逻辑回归模型，得到所述目标涉诉概率计算模型。
[0007]根据本专利技术的一些实施例，所述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，包括：根据所述历史诉讼数据中的所述时间和所述对应的诉讼数量得到诉讼时间序列；将所述诉讼时间序列输入基于神经网络的时间序列模型，得到第一预设周期的预测诉讼时间序列；根据所述第一预设周期的预测诉讼时间序列计算所述初始诉讼概率。
[0008]根据本专利技术的一些实施例，所述行业诉讼概率预测模型由以下步骤确定：获取目标经营状况数据集，所述目标经营状况数据集包括训练目标名称、训练涉诉情况、训练经营参数、训练经营范围；以所述训练经营参数为自变量，所述训练涉诉情况为因变量，进行主成分分析，得到预设数量个作为主成分的目标经营参数；以所述预设数量个作为主成分的目标经营参数和目标的经营范围为特征，对目标
进行聚类；根据聚类得到的聚类类别，得到不同经营范围和目标经营参数的目标类型的行业涉诉概率。
[0009]根据本专利技术的一些实施例，所述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，包括：根据所述管理人员诉讼数据中的所述管理人员和对应的所述涉诉时间、所述诉讼数量得到管理人员涉诉诉讼时间序列；将每个所述管理人员对应的所述涉诉时间、所述诉讼数量输入ARIMA模型，得到每个所述管理人员在第二预设周期的预测涉诉时间序列；根据所述管理人员在第二预设周期的预测涉诉时间序列得到所述管理人员的涉诉概率。
[0010]根据本专利技术的一些实施例，所述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，包括：根据管理人员岗位的涉诉情况计算每个岗位权重；根据所述岗位权重和所述每个管理人员的诉讼概率得到目标的人员诉讼概率。
[0011]根据本专利技术的一些实施例，所述公司树诉讼概率预测模型由以下步骤确定：获取公司树诉讼数据集，公司树诉讼数据集包括公司树参数和公司涉诉情况，其中，公司树参数包括公司名称、母公司数量、母公司涉诉情况、子公司数量、子公司涉诉情况、兄弟公司数量和兄弟公司涉诉情况；以母公司数量、母公司涉诉情况、子公司数量、子公司涉诉情况、兄弟公司数量、兄弟公司涉诉情况为基础，构造公司树特征，以公司树特征为自变量，以公司涉诉情况为因变量，进行主成分分析，得到预设数量个作为主成分的公司树参数；以预设数量个作为主成分的公司树特征为聚类特征，对目标进行聚类；根据聚类结果，得到不同公司树特征的目标的公司树诉讼概率。
[0012]根据本专利技术第二方面实施例的基于人工智能的目标涉诉风险计算系统，包括：数据本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于人工智能的目标涉诉风险计算方法，其特征在于，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，将所述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。2.根据权利要求1所述的基于人工智能的目标涉诉风险计算方法，其特征在于，所述目标涉诉概率计算模型由以下步骤确定：获取目标涉诉概率训练数据集，所述目标涉诉概率训练数据集包括历史诉讼训练数据、经营参数训练数据、经营范围训练数据、管理人员诉讼训练数据、关联关系训练数据、目标涉诉状况训练数据；将所述历史诉讼训练数据输入基于时间序列模型的所述初始诉讼概率预测模型，得到初始诉讼训练概率；将所述经营参数训练数据、所述经营范围训练数据输入所述行业诉讼概率预测模型，得到行业诉讼训练概率；将所述管理人员诉讼训练数据输入所述人员诉讼概率预测模型，得到人员诉讼训练概率；将所述关联关系训练数据输入所述公司树诉讼概率预测模型，得到公司树诉讼训练概率；以所述初始诉讼训练概率、所述行业诉讼训练概率、所述人员诉讼训练概率、所述公司树诉讼训练概率为自变量，所述目标涉诉状况训练数据为因变量，训练逻辑回归模型，得到所述目标涉诉概率计算模型。3.根据权利要求1所述的基于人工智能的目标涉诉风险计算方法，其特征在于，根据所述历史诉讼数据得到诉讼时间序列，将所述管理人员涉诉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，具体包括：根据所述历史诉讼数据中的所述时间和所述对应的诉讼数量得到诉讼时间序列；将所述诉讼时间序列输入基于神经网络的时间序列模型，得到第一预设周期的预测诉
讼时间序列；根据所述第一预设周期的预测诉讼时间序列计算所述初始诉讼概率。4.根据权利要求1所述的基于人工智能的目标涉诉风险计算方法，其特征在于，所述行业诉讼概率...

【专利技术属性】
技术研发人员：王燕玲，
申请(专利权)人：广东博维创远科技有限公司，
类型：发明
国别省市：