[发明专利]基于多源异步时序融合的企业财务状况预测方法及装置

权利要求书

1.一种基于多源异步时序融合的企业财务状况预测方法，其特征在于，包括：

获取多年度多企业财务相关的多源异步时序数据，并进行预处理；其中，所述多源异步时序数据包括至少一类数据间隔时间长的时间序列和至少一类数据间隔时间短的时间序列；所述进行预处理包括根据实际财务状态添加对应标签，以1标识财务困境、以0标识财务正常；

设置时间窗口，并通过滑动所述时间窗口，选取对应的所述多源异步时序数据，得到样本数据集；所述样本数据集包括多组样本数据，每组样本数据包括数据间隔时间长而序列长度短的时间序列以及数据间隔时间短而序列长度长的时间序列；

构建财务状况预测模型；所述财务状况预测模型用于先以不同深度学习网络分别提取数据间隔时间长而序列长度短的时间序列和数据间隔时间短而序列长度长的时间序列的多尺度特征，再在特征层面融合不同源时序数据的特征，最后根据融合的结果得到财务状况预测结果；

利用所述样本数据集，对所述财务状况预测模型进行训练；

获取待预测企业财务相关的多源异步时序数据并进行处理，以适应所述财务状况预测模型的输入要求；

将处理后的数据输入训练后的所述财务状况预测模型，得到财务状况预测结果。

2.根据权利要求1所述的方法，其特征在于，

所述财务状况预测模型包括多尺度信息表征层；

所述多尺度信息表征层包括至少一个基于LSTM的多尺度信息表征子模型和至少一个基于Transformer的多尺度信息表征子模型；

一个基于LSTM的多尺度信息表征子模型用于提取一类数据间隔时间长而序列长度短的时间序列的特征；基于LSTM的多尺度信息表征子模型以LSTM网络为主体构建，将单层LSTM的隐藏状态分解为多个子隐藏状态，每个子隐藏状态按照预设的更新频率独立更新，以提取对应尺度的信息；

一个基于Transformer的多尺度信息表征子模型用于提取一类数据间隔时间短而序列长度长的时间序列的特征；基于Transformer的多尺度信息表征子模型根据多头注意力机制构建，每个头对应学习一种尺度的信息。

3.根据权利要求1所述的方法，其特征在于，所述进行预处理还包括：

对获取的数据进行过滤，去除缺失率高于预设的缺失率阈值的特征项；

以对应公司的相应特征项均值补充保留下来的特征项中的空缺值；

对数据的每一维特征进行标准化处理，将每维特征转化为均值为0、方差为1的数值；

若每年度对应的数据间隔时间短的时间序列长度不等，则以最长的时间序列为基准，以0补足其他数据间隔时间短而序列长度长的时间序列。

4.根据权利要求2所述的方法，其特征在于，

基于LSTM的多尺度信息表征子模型还包括自适应尺度权重学习模块和多尺度融合模块；

所述自适应尺度权重学习模块用于利用交叉注意力机制调节不同尺度的重要程度；

所述多尺度融合模块用于通过全连接层融合独立更新的各尺度的信息。

5.根据权利要求2所述的方法，其特征在于，

所述财务状况预测模型还包括多尺度信息表征层和输出层；

所述多源异步时间序列融合层包括门控结构融合模块和至少一个多源信息交互模块；

每个所述多源信息交互模块用于基于交叉注意力机制，在特征层面融合所述多尺度信息表征层输出的两种不同源时序数据的特征；

所述门控结构融合模块与所有所述多源信息交互模块的输出端连接，用于基于门结构控制不同源时序数据的信息流动状态，得到最终的融合特征；

所述输出层用于基于所述融合特征分类得到财务状况预测结果。

6.根据权利要求5所述的方法，其特征在于，

所述财务状况预测模型在将所述多尺度信息表征层输出的不同源特征对应输入所述多源信息交互模块之前，还分别通过线性变换层统一不同源特征的特征维度。

7.根据权利要求1所述的方法，其特征在于，

所述多源异步时序数据中，一类数据间隔时间长的时间序列包括财务指标类数据，一类数据间隔时间短的时间序列包括股票指标类数据。