(19)国家知识产权局 (12)发明 专利申请 (10)申请公布号 (43)申请公布日 (21)申请 号 202210860697.4 (22)申请日 2022.07.21 (71)申请人 上海安能 聚创物流科技有限公司 地址 200000 上海市青浦区华 新镇华腾路 1288号1幢 (72)发明人 廖俊杰　张强　蔡兵兵　陈哲　 刘洪东　 (74)专利代理 机构 上海大为知卫知识产权代理 事务所(普通 合伙) 31390 专利代理师 何银南 (51)Int.Cl. G06Q 40/02(2012.01) G06K 9/62(2022.01) G06N 3/00(2006.01) (54)发明名称 一种基于人工智能的供应链金融信用风险 评价方法及系统 (57)摘要 本发明公开了一种基于人工智能的供应链 金融信用风险评价方法及系统， 涉及金融风险评 价领域， 其中， 所述方法包括： 确定供应链金融信 用风险的评价特征集合； 获得目标风险评价数据 集合； 对其进行数据预处理， 可将预处理后的数 据作为标准样本数据集合； 利用动态变异的粒子 群算法得到最优支持向量机参数值， 并根据其构 建优化后支持向量机模型； 利用集成学习算法， 对优化后支持向量机模型进行训练， 得到强分类 器模型； 将标准样本数据集合输入至强分类器模 型， 构建智 能信用评价模型， 进行后续供应链金 融信用风险的评价。 达到了提高供应链金融信用 风险评价的准确性和精确度， 进而提升供应链金 融信用风险评价的质量 等技术效果。 权利要求书3页 说明书10页 附图2页 CN 115147208 A 2022.10.04 CN 115147208 A 1.一种基于人工智能的供应链金融信用风险评价方法， 其特征在于， 所述方法应用于 风险评价系统， 所述方法包括： 确定供应链金融信用风险的评价特 征集合； 利用所述评价特征集合， 对目标供应链进行金融信用风险的评价数据采集， 得到目标 风险评价数据集 合； 对所述目标风险评价数据集合进行数据预处理， 可将预处理后的数据作为标准样本数 据集合， 其中， 所述标准样本数据集合包括所述金融信用风险的各供应链节点风险评价数 据、 及其对应的各 数据风险评价 等级； 利用动态变异 的粒子群算法， 对支持向量机模型进行参数优化， 得到最优支持向量机 参数值， 且基于所述 最优支持向量机参数值， 构建优化后支持向量机模型； 利用集成学习算法， 对所述优化后支持向量机模型进行训练， 得到强分类 器模型； 将所述标准样本数据集合输入至所述强分类器模型进行模型的数据训练， 可构建智能 信用评价模型， 进行后续所述供应链金融信用风险的评价。 2.如权利要求1所述的方法， 其特征在于， 所述确定供应链金融信用风险的评价特征集 合， 包括： 对所述供应链金融信用风险的各供应链节点进行风险评价特征采集， 获得初步风险评 价特征集合； 通过对所述初步风险评价特征集合， 进行供应链前后节点的风险影响性分析， 可得到 风险影响性分析 结果分布； 通过对所述初步风险评价特征集合， 进行风险特征的频率分析， 可得到各风险频率分 布； 基于所述 风险影响性分析 结果分布和所述各风险频率分布， 确定所述评价特 征集合。 3.如权利要求2所述的方法， 其特 征在于， 所述方法包括： 通过对所述风险影响性分析结果分布进行极值筛选， 可得到 高风险影响性分析结果对 应的风险影响性供应链 节点； 通过对所述各风险频率分布进行极值筛选， 可得到高频率风险对应的频率影响性供应 链节点； 通过对所述风险影响性供应链节点和所述频率影响性供应链节点， 进行节点重合筛 选， 可得到风险 ‑频率影响性重合节点 集合； 采集所述风险 ‑频率影响性重合节点集合的风险评价特征， 并标记为所述评价特征集 合。 4.如权利要求1所述的方法， 其特征在于， 对所述目标风险评价数据集合进行数据 预处 理， 包括： 基于所述目标风险评价数据集 合， 获得第一特 征数据集； 对所述第一特 征数据集进行中心化处 理， 获得第二特 征数据集； 获得所述第二特 征数据集的第一协方差矩阵； 对所述第一协方差矩阵进行运算， 获得所述第 一协方差矩阵的第 一特征值和第 一特征 向量； 将所述第 一特征数据集投影到所述第 一特征向量， 获得第 一降维数据集， 其中， 所述第权　利　要　求　书 1/3 页 2 CN 115147208 A 2一降维数据集为所述第一特征数据集降维之后获得的特征数据集， 将所述第一降维数据集 标记为所述标准样本数据集 合。 5.如权利要求1所述的方法， 其特 征在于， 所述对支持向量机模型进行参数优化， 包括： 构建含参数的SVM分类差别函数， 且初始化粒子的位置和速度， 计算初始适应度； 将所述粒子的个体极值设置为当前位置、 群体极值设置为初始种群中粒子的最佳位 置， 并判断所述SVM分类差别函数 是否满足收敛 条件； 若所述SVM分类差别函数满足所述收敛条件， 采用动态权重， 更新所述粒子的位置和速 度， 并计算得到所述初始适应度的方差和变异概 率； 判断产生的随机数 是否小于所述变异概 率； 若产生的随机数小于所述变异概 率， 执行变异操作， 输出 所述最优支持向量机参数值。 6.如权利要求1所述的方法， 其特 征在于， 所述得到强分类 器模型， 包括： 输入N个初始学习训练样本集D； 设定初始学习训练样本的权值矩阵； 通过具有权值分布的所述权值矩阵进行数据 学习， 将所述优化后支持向量机模型作为 基学习分类 器； 计算所述基学习分类 器的分类误差， 且判断所述分类误差是否大于预设误差值； 若所述分类误差大于所述预设误差值， 计算所述优化后支持向量机模型的分类器权 重， 并更新所述初始学习训练样本集D的权 重， 进行迭代学习； 对各个所述优化后支持向量机模型进行弱分类 器的组合， 可 得到所述强分类 器模型。 7.如权利要求1所述的方法， 其特征在于， 进行后续所述供应链金融信用风险的评价， 之前包括： 采集所述供应链金融信用风险的实时风险数据， 得到实时风险数据集合， 并标记为测 试集样本， 其中， 所述测试集样本包 含实际风险评价结果； 将所述测试集样本输入至构建好的所述智能信用评价模型进行信用评价的测试训练， 得到模型评价结果； 判断所述模型评价结果与所述实际风险评价结果是否一 致； 若所述模型评价结果与所述实际风险评价结果一致， 则进行后续所述供应链金融信用 风险的评价。 8.一种基于人工智能的供应链金融信用风险评价系统， 其特 征在于， 所述系统包括： 评价特征确定模块， 所述评价特征确定模块用于确定供应链金融信用风险的评价特征 集合； 评价数据采集模块， 所述评价数据采集模块用于利用所述评价特征集合， 对目标供应 链进行金融信用风险的评价数据采集， 得到目标风险评价数据集 合； 数据预处理模块， 所述数据 预处理模块用于对所述目标风险评价数据集合进行数据 预 处理， 可将预 处理后的数据作为标准样本数据集合， 其中， 所述标准样本数据集合包括所述 金融信用风险的各 供应链节点风险评价数据、 及其对应的各 数据风险评价 等级； 构建模块， 所述构建模块用于利用动态变异 的粒子群算法， 对支持向量机模型进行参 数优化， 得到最优支持向量机参数值， 且基于所述最优支持向量机参数值， 构建优化后支持 向量机模型；权　利　要　求　书 2/3 页 3 CN 115147208 A 3