[发明专利]一种供应商违约风险预测方法

权利要求书

1.一种供应商违约风险预测方法，其特征在于，包括如下步骤：

获取供应商的历史数据，以及爬取互联网上供应商的相关数据；

基于所述历史数据和所述相关数据构建供应商知识图谱；

基于知识图谱链接预测技术预测所述供应商知识图谱的缺失信息，构建供应商时序知识图谱；

确定供应商供货风险的参数指标，并基于所述参数指标对供应商违约风险预测模型的输入数据进行分析和整形；

构建并训练基于知识图谱的供应商违约风险预测模型；

基于所述供应商违约风险预测模型得到供应商违约风险预测结果。

2.根据权利要求1所述的供应商违约风险预测方法，其特征在于，构建供应商知识图谱，具体包括：

本体构建，定义知识图谱中的概念类别、属性和关系；

数据获取，基于所述本体构建步骤中的定义对所述历史数据和所述相关数据进行识别；

知识抽取和融合，对识别的知识进行实体抽取、关系抽取和属性抽取，采用基于命名实体属性关系相似性比较法完成供应商数据的实体对齐，形成知识图谱。

3.根据权利要求1所述的供应商违约风险预测方法，其特征在于，对输入数据进行分析和整形，具体包括：

分析：将单一零部件的供应商的相关信息，以违约处理记录、产品交付情况、产品运营情况、产品验收及服务、消费者评价指标、互联网关注指数、企业股票市场股价跌涨、国家宏观经济GDP与CPI作为九类影响因素指标构建3*3影响因素矩阵，其中，产品运营情况为矩阵中心；

整形：挑选所述单一零部件的供应商产品运营情况最接近的八种供应商的3*3影响因素矩阵，将分析步骤中所述单一零部件的供应商对应的3*3影响因素矩阵扩展为9*9的相关供应商影响因素矩阵，其中，所述八种供应商的3*3影响因素矩阵依据消费者评价指标从高到低排列在所述单一零部件的供应上的3*3影响因素矩阵周围。

4.根据权利要求1所述的供应商违约风险预测方法，其特征在于，构建并训练基于知识图谱的供应商违约风险预测模型，具体包括：

采用归一化输入数据；其中，t是时间，x_t表示在t时刻当前的输入数据，x_t(max)和x_t(min)分别表示时序数据中数据的最大值与最小值，y_t(max)和y_t(min)分别表示映射之后的数据的最大值与最小值；

构建RLSTM神经网络模型；

使用SGD算法训练所述RLSTM神经网络模型。

5.根据权利要求4所述的供应商违约风险预测方法，其特征在于，所述方法还包括：

采用将供应商违约风险预测结果进行数据还原；其中，t是时间，x_t表示在t时刻实际的预测值，x_t(max)和x_t(min)分别表示整个训练的时序数据中数据的最大值与最小值，y_t(max)和y_t(min)分别表示映射之后的数据的最大值与最小值。