[发明专利]一种基于知识指导的时序数据风险预测方法、系统及其应用

权利要求书

1.一种基于知识指导的时序数据风险预测方法，其特征在于，包括以下步骤：

步骤1，采集预设数量的样本时序数据，所述样本时序数据包括风险事件及风险事件的发生时间；将每条样本时序数据转换为输入序列矩阵，根据风险事件关系知识图获得距离权重矩阵、风险事件及事件关系的特征信息；

步骤2，将步骤1获得的距离权重矩阵、风险事件及事件关系的特征信息输入到预先构建的网络模型中，进行特征提取获得两个上下文向量；将获得的两个上下文向量进行全连接操作后，经过线性层和softmax，获得发生风险的概率；

步骤3，通过步骤1的样本时序数据、步骤2获得的两个上下文向量训练预先构建的网络模型，得到发生风险的概率后训练至预设收敛条件，获得训练好的风险预测模型；

步骤4，通过步骤1的方法获得待预测的时序数据的向量化表示；将待预测的时序数据的向量化表示输入步骤3获得的训练好的风险预测模型中，获得待预测的时序数据的风险预测结果。

2.根据权利要求1所述的一种基于知识指导的时序数据风险预测方法，其特征在于，步骤1具体包括：

步骤1.1，采集预设数量的样本时序数据，将每条样本时序数据进行全连接转换为一个输入序列矩阵；

步骤1.2，根据风险事件关系知识图，初始化距离权重矩阵；

步骤1.3，利用TransE将风险事件关系知识图中的风险事件及其关系转化为实体嵌入和关系嵌入，获得每个风险事件的表示形式向量以及关系向量。

3.根据权利要求2所述的一种基于知识指导的时序数据风险预测方法，其特征在于，步骤2中，所述预先构建的网络模型结构包括：

输入层，用于将每条样本时序数据转换为输入序列矩阵；

编码层，用于将知识图中风险事件及其关联关系转化为距离权重矩阵，并利用距离权重矩阵经过Word2vec和GlobalPooling层操作，得到编码后的距离权重矩阵；

图注意力模块层，用于获得知识图中每个风险事件的邻域信息；其中，首先使用TransE来表示知识图中的风险事件和其关系，获得实体嵌入与关系嵌入；将实体嵌入与关系嵌入输入图注意力模块，挖掘每个风险事件的潜在信息，获得潜在信息矩阵；

访问注意力模块层，用于计算输入序列矩阵中每次访问的重要性权重；其中，首先使用LSTM层通过每次访问的距离权重编码来捕获不同访问之间的依赖性，获得隐藏状态矩阵；再将LSTM层的输出隐藏状态矩阵输入访问注意力模块，进行attention机制的操作，计算获得关注权重，表示为注意力向量a；

潜在注意力模块层，用于获得每次访问的不同潜在信息的注意力权重；其中，使用LSTM层捕获不同访问的潜在信息之间的依赖关系，获得隐藏状态矩阵；使用每个潜在信息的隐藏状态来获得相应的关注权重，表示为注意力向量b；

输出层，用于将访问注意力模块层获得的注意力向量a和潜在注意力模块层获得的注意力向量b进行全连接，输入线性层来获取对数；使用softmax层输出风险事件发生的最终可能性。

4.根据权利要求3所述的一种基于知识指导的时序数据风险预测方法，其特征在于，步骤2具体包括：

步骤2.1，利用学习的嵌入矩阵乘以输入矩阵，获得输入嵌入矩阵；

步骤2.2，将步骤1.2获得的距离权重矩阵，利用word2vec和Global Pooling编码为输入序列，嵌入到输入嵌入矩阵，获得矩阵E；

步骤2.3，将步骤1.3获得的每个风险事件的表示形式向量以及关系向量输入到图注意力机制模块，获得潜在信息矩阵；

步骤2.4，将步骤2.2获得的矩阵E和步骤2.3获得的潜在信息矩阵分别输入到长短期记忆网络中，得到两个隐藏状态矩阵；

步骤2.5，将步骤2.4获得的两个隐藏状态矩阵分别输入访问注意力模块和潜在注意力模块，得到两个注意力向量；

步骤2.6，利用步骤2.1获得的输入嵌入矩阵、步骤2.3获得的潜在信息矩阵和步骤2.5获得的两个注意力向量获得两个上下文向量。