[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

说明书

本发明公开了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，包括以下步骤：采集样本时序数据，将每个样本时序数据转换为输入序列矩阵，从知识图中获取风险事件及事件关系的特征信息；将距离权重矩阵、风险事件及事件关系的特征信息输入到预先设定的网络模型中，获得两个上下文向量，将两个上下文向量进行全连接，进行风险预测；根据各样本时序数据序列以及两个上下文向量训练预先设定的网络模型，进行有监督的训练，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；通过得到的风险预测模型进行风险预测。本发明对时序序列数据表示更加合理有效，能够提升时序数据风险预测的准确性。

技术领域

本发明属于时序数据的数据挖掘技术领域，特别涉及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。

背景技术

近年来产生了各种以数据为依据的预测方法，基于时序数据的风险预测是数据挖掘和机器学习中的重要应用之一。它可以广泛应用于医疗治疗、数据检索、队列分析等多个应用领域。在过去的十年中，该领域吸引了广泛的研究兴趣并取得了长足的进步，但时序数据的时间性、异质性、高维和不规则性为该领域的研究提出了极大的挑战。

由于有限数量的数据无法满足最新方法所需的大量样本，尤其是针对深度学习模型，数据量的不足使得模型准确率无法达到预期理想。此外，在数据收集过程中，某些丢失的数据记录可能包含重要的数据信息，该类数据信息可能对实验结果产生了重要的引导作用，如果忽略此类数据信息，则将导致预测偏差。时序数据存在稀疏性、高维度、不等维、时序性和不规则性，大多数现有的风险预测模型是纯粹由数据驱动的，无法纳入相关辅助知识的缺陷，未将风险事件与事件间的关系纳入考虑，无法从不足的数据输入中提取更多信息的功能，影响了预测结果的可靠性和准确性。基于深度学习的方法无法确定每个事件对最终结果的贡献，这阻止了此类模型在实际应用中被广泛接受。

综上，亟需一种新的面向时序数据知识指导的风险预测方法及系统。

发明内容

本发明的目的在于提供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，以解决上述存在的一个或多个技术问题。本发明中，通过对时序数据有效表示，可弥补传统方法中忽视数据中事件之间以及事件与发生时间之间潜在关系的缺陷，提升时序数据风险预测的准确性，有效弥补预测偏差；可解释性强。

为达到上述目的，本发明采用以下技术方案：

本发明的一种基于知识指导的时序数据风险预测方法，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。

本发明的进一步改进在于，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；