[发明专利]基于深度学习的大宗资源类矿产品放行风险预测方法

权利要求书

1.一种基于深度学习的大宗资源类矿产品放行风险预测方法，其特征在于，包括：

根据统计学方法筛选对放行风险具有显著影响的变量；

根据历史数据训练预测模型；其中，所述历史数据包括各个企业历史检验检疫结果和所述变量的时间序列；

获取待测货物报检号，并查询所述待测货物所有相关特征数据；

将所述待测货物所有相关特征数据通过所述预测模型，得到放行安全指数值。

2.根据权利要求1所述的基于深度学习的大宗资源类矿产品放行风险预测方法，其特征在于，所述根据统计学方法筛选对放行风险具有显著影响的变量，具体为：采用相关系数分析、方差分析、Kruskal－Wallis检验和logistic回归方法来筛选对放行风险具有显著影响的变量。

3.根据权利要求1所述的基于深度学习的大宗资源类矿产品放行风险预测方法，其特征在于，所述根据历史数据训练预测模型，具体为：根据各个企业历史筛选所述变量和所述检验检疫结果的时间序列确定训练输入向量以及与训练输入向量对应的标签值；将所述训练输入向量输入预设的LSTM模型结构，得到训练值；按预设规则确定训练值与标签值的误差最小值。

4.根据权利要求1所述的基于深度学习的大宗资源类矿产品放行风险预测方法，其特征在于，所述预测模型包括：长短期记忆网络LSTM模型；具体算法公式如下：

f_t＝σ(W_fxXt+W_fhh_t-1+b_f)

i_t＝σ(W_ixXt+W_ihh_t-1+b_i)

g_t＝Φ(W_gxXt+W_ghh_t-1+b_g)

o_t＝σ(W_oxXt+W_ohh_t-1+b_o)

s_t＝g_t⊙i_t+s_t-1⊙f_t

h_t＝Φ(s_t⊙o_t)

其中，f_t表示遗忘门；i_t表示输入门；o_t表示输出门；g_t表示记忆单元；s_t为传给下一个LSTM block的输出结果；h_t为传给下一层神经元的输出结果；σ表示激活函数sigmoid；Φ表示激活函数tanh；W_x(包括W_fx、W_ix、W_gx、W_ox)为输入层的参数；W_h(包括W_fh、W_ih、W_gh、W_oh)为隐含层输入的参数；x_t为输入层输入值；h_t-1为上一时刻隐含层输入值；b(包括b_f、b_i、b_g、b_o)为常数。

5.根据权利要求1所述的基于深度学习的大宗资源类矿产品放行风险预测方法，其特征在于，所述历史数据用于确定训练输入向量以及与训练输入向量对应的标签值；其中，训练输入向量包括训练周期参数和特征参数，设置批尺寸batch_size为32，设置所述长短期记忆网络LSTM的层数设为2层，设置隐含层latent_size为64，设置训练周期参数epoch为30。