基于人工智能的金融大数据处理方法及系统技术方案

本发明专利技术提供一种基于人工智能的金融大数据处理方法及系统，涉及人工智能领域，包括基于所获取的目标对象的结构化金融数据对其进行数据预处理，将其转换为结构化特征向量集合，通过特征选择算法对所述结构化特征向量集合进行筛选，确定第一特征向量集合；基于所获取的目标对象的非结构化金融数据对其进行标签编码，通过向量映射将所述非结构化金融数据映射为第二特征向量集合；将所述第一特征向量集合和所述第二特征向量集合输入预先构建的金融风险评估模型，将所述第一特征向量集合和所述第二特征向量集合融合为综合特征向量集合，为所述综合特征向量集合分配隐藏权重，输出风险预测值。出风险预测值。出风险预测值。

【技术实现步骤摘要】
基于人工智能的金融大数据处理方法及系统


[0001]本专利技术涉及人工智能技术，尤其涉及一种基于人工智能的金融大数据处理方法及系统。

技术介绍

[0002]金融风险识别能力是关系金融企业健康、快速发展的重要因素，由于金融行业受环境、政策和行业的整体发展趋势等因素影响，存在一定的周期波动性，实时把控金融风险指标，针对风险指标的风险态势预判，对潜在的风险提早采取措施，是防止金融企业发生系统性风险的主要方法。
[0003]目前，金融的风险指标计算主要反映历史的风险情况，风险的识别具有一定的滞后性，依据历史数据进行风险指标计算，借助专家经验对未来短中期的风险进行预判，该方法是目前主要的风险预测方法，其缺点较为明显，一则需要经验丰富的专家根据历史风险指标数据预判后期风险，二则建立在专家经验的预判缺乏理论支撑，判断的本身就存在风险性。

技术实现思路

[0004]本专利技术实施例提供一种基于人工智能的金融大数据处理方法及系统，能够至少解决现有技术中部分问题。
[0005]本专利技术实施例的第一方面，提供一种基于人工智能的金融大数据处理方法，包括：基于所获取的目标对象的结构化金融数据对其进行数据预处理，将其转换为结构化特征向量集合，通过特征选择算法对所述结构化特征向量集合进行筛选，确定第一特征向量集合；基于所获取的目标对象的非结构化金融数据对其进行标签编码，通过向量映射将所述非结构化金融数据映射为第二特征向量集合；将所述第一特征向量集合和所述第二特征向量集合输入预先构建的金融风险评估模型，将所述第一特征向量集合和所述第二特征向量集合融合为综合特征向量集合，为所述综合特征向量集合分配隐藏权重，输出风险预测值，其中，所述金融风险评估模型是基于极限学习机结合粒子群算法构建而成的。
[0006]在一种可选的实施方式中，所述通过特征选择算法对所述结构化特征向量集合进行筛选，确定第一特征向量集合包括：随机选择所述结构化特征向量集合中任一特征向量作为分裂点，分别确定所述分裂点的邻近特征向量集合以及所述分裂点对应的第一权重值；分别确定所述邻近特征向量集合中所述分裂点的左节点的第二权重值以及所述分裂点的右节点的第三权重值；根据所述第一权重值、所述第二权重值、所述第三权重值以及所述分裂点的特征值确定所述分裂点的分裂增益值；
遍历所述结构化特征向量集合，确定所述结构化特征向量集合中每一个特征向量对应的分裂增益值，并按照分裂增益值的大小进行排序，将分裂增益值大于预设筛选阈值的特征向量保留，作为第一特征向量集合。
[0007]在一种可选的实施方式中，所述方法还包括训练金融风险评估模型：随机初始化种群，所述初始化种群包括多个粒子，所述粒子的位置和速度分别对应所述金融风险评估模型的输入层到隐藏层的权重值以及隐藏层到输出层的权重值；根据所述金融风险评估模型的损失函数设置适应度函数，确定每个粒子对应的适应度值，根据所述适应度值动态设置交叉率和变异率，基于所述交叉率和变异率对所述初始化种群中个体进行交叉和变异操作，将交叉和变异操作后适应度值最高的粒子作为初始最优个体；迭代随机产生随机因子和收敛因子直至满足预设迭代条件，若所述随机因子大于等于随机阈值，则按照第一位置更新方式更新所述初始最优个体的位置；若所述随机因子小于所述随机阈值，进一步判断所述收敛因子与收敛阈值的关系：若所述收敛因子大于等于所述收敛阈值，则按照第二位置更新方式更新所述初始最优个体的位置；若所述收敛因子小于所述收敛阈值，则按照第三位置更新方式更新所述初始最优个体的位置；将满足预设迭代条件的最优个体的位置和速度分别作为输入层到隐藏层的权重值以及隐藏层到输出层的权重值。
[0008]在一种可选的实施方式中，根据所述金融风险评估模型的损失函数设置适应度函数包括：；其中，FIT表示适应度函数，N表示节点数量，G()表示激励函数，W
i
表示输入层到隐藏层第i个节点的权重值，X表示综合特征向量集合，b
i
表示第i个偏置参数，h
i
表示隐藏层到输出层第i个节点的权重值。
[0009]在一种可选的实施方式中，根据所述适应度值动态设置交叉率和变异率如下公式所示：；；其中，表示第j个交叉率，L表示适应度值的数量，表示表示第j个种群多样性指标，、分别表示适应度值的标准差和方差，、、分别表示适应度值的最大值、最小值和平均值；其中，表示第v个变异率，表示变异调整系数，用于控制调整的速度和幅度。
[0010]在一种可选的实施方式中，所述第一位置更新方式用于指示按照螺旋上升的方式更新所述初始最优个体的位置；
所述第二位置更新方式用于指示以所述初始最优个体的当前位置为基准，随机进行位置调整；所述第三位置更新方式用于指示以所述初始最优个体的当前位置为基准，朝向预设的全局最优位置进行位置调整。
[0011]在一种可选的实施方式中，所述第一位置更新方式如下公式所示：；其中，pos(t+1)表示t+1时刻的位置信息，pos(t)表示t时刻的位置信息，D表示初始最优个体的初始位置，l表示螺旋上升系数；所述第二位置更新方式如下公式所示：；其中，RAND表示随机因子；所述第三位置更新方式如下公式所示：；其中，表示t时刻的全局最优位置，r表示初始最优个体与所述全局最优位置的空间距离，a表示摆动因子。
[0012]本专利技术实施例的第二方面，提供一种基于人工智能的金融大数据处理系统，包括：第一单元，用于基于所获取的目标对象的结构化金融数据对其进行数据预处理，将其转换为结构化特征向量集合，通过特征选择算法对所述结构化特征向量集合进行筛选，确定第一特征向量集合；第二单元，用于基于所获取的目标对象的非结构化金融数据对其进行标签编码，通过向量映射将所述非结构化金融数据映射为第二特征向量集合；第三单元，用于将所述第一特征向量集合和所述第二特征向量集合输入预先构建的金融风险评估模型，将所述第一特征向量集合和所述第二特征向量集合融合为综合特征向量集合，为所述综合特征向量集合分配隐藏权重，输出风险预测值，其中，所述金融风险评估模型是基于极限学习机结合粒子群算法构建而成的。
[0013]本专利技术实施例的第三方面，提供一种电子设备，包括：处理器；用于存储处理器可执行指令的存储器；其中，所述处理器被配置为调用所述存储器存储的指令，以执行前述所述的方法。
[0014]本专利技术实施例的第四方面，提供一种计算机可读存储介质，其上存储有计算机程序指令，所述计算机程序指令被处理器执行时实现前述所述的方法。
[0015]本申请通过将输入层到隐藏层的权重值以及隐藏层到输出层的权重值映射为种群中每个个体的位置和速度，将训练金融风险评估模型的权重值的过程转换为寻找最优个体的过程，充分利用了粒子群算法的全局搜索和局部搜索能力。
[0016]对所述初始化种群中个体进行交叉和变异操作，将交叉和变异操作后适应度值最高的粒子作为初始最优个体；通过动态交叉和变异操作，能够有效避免整体算法陷入局部最优。
[0017]当随机因子大于或等于随机阈值时，使用第一位置更本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于人工智能的金融大数据处理方法，其特征在于，包括：基于所获取的目标对象的结构化金融数据对其进行数据预处理，将其转换为结构化特征向量集合，通过特征选择算法对所述结构化特征向量集合进行筛选，确定第一特征向量集合；基于所获取的目标对象的非结构化金融数据对其进行标签编码，通过向量映射将所述非结构化金融数据映射为第二特征向量集合；将所述第一特征向量集合和所述第二特征向量集合输入预先构建的金融风险评估模型，将所述第一特征向量集合和所述第二特征向量集合融合为综合特征向量集合，为所述综合特征向量集合分配隐藏权重，输出风险预测值，其中，所述金融风险评估模型是基于极限学习机结合粒子群算法构建而成的。2.根据权利要求1所述的方法，其特征在于，所述通过特征选择算法对所述结构化特征向量集合进行筛选，确定第一特征向量集合包括：随机选择所述结构化特征向量集合中任一特征向量作为分裂点，分别确定所述分裂点的邻近特征向量集合以及所述分裂点对应的第一权重值；分别确定所述邻近特征向量集合中所述分裂点的左节点的第二权重值以及所述分裂点的右节点的第三权重值；根据所述第一权重值、所述第二权重值、所述第三权重值以及所述分裂点的特征值确定所述分裂点的分裂增益值；遍历所述结构化特征向量集合，确定所述结构化特征向量集合中每一个特征向量对应的分裂增益值，并按照分裂增益值的大小进行排序，将分裂增益值大于预设筛选阈值的特征向量保留，作为第一特征向量集合。3.根据权利要求1所述的方法，其特征在于，所述方法还包括训练金融风险评估模型：随机初始化种群，所述初始化种群包括多个粒子，所述粒子的位置和速度分别对应所述金融风险评估模型的输入层到隐藏层的权重值以及隐藏层到输出层的权重值；根据所述金融风险评估模型的损失函数设置适应度函数，确定每个粒子对应的适应度值，根据所述适应度值动态设置交叉率和变异率，基于所述交叉率和变异率对所述初始化种群中个体进行交叉和变异操作，将交叉和变异操作后适应度值最高的粒子作为初始最优个体；迭代随机产生随机因子和收敛因子直至满足预设迭代条件，若所述随机因子大于等于随机阈值，则按照第一位置更新方式更新所述初始最优个体的位置；若所述随机因子小于所述随机阈值，进一步判断所述收敛因子与收敛阈值的关系：若所述收敛因子大于等于所述收敛阈值，则按照第二位置更新方式更新所述初始最优个体的位置；若所述收敛因子小于所述收敛阈值，则按照第三位置更新方式更新所述初始最优个体的位置；将满足预设迭代条件的最优个体的位置和速度分别作为输入层到隐藏层的权重值以及隐藏层到输出层的权重值。4.根据权利要求3所述的方法，其特征在于，根据所述金融风险评估模型的损失函数设置适应度函数包括：
；其中，F...

【专利技术属性】
技术研发人员：张一超，
申请(专利权)人：张一超，
类型：发明
国别省市：