CN120278527A 一种基于深度学习的财务风险动态预测方法 （山东师范大学）.docxVIP

(19)国家知识产权局

(12)发明专利申请

(10)申请公布号CN120278527A(43)申请公布日2025.07.08

(21)申请号202510725272.6

(22)申请日2025.06.03

(71)申请人山东师范大学

地址250000山东省济南市历下区文化东

路88号

(72)发明人张欣怡

(74)专利代理机构广州科华知识产权代理事务所(普通合伙)44938

专利代理师郝丽萍

(51)Int.CI.

GO6N

3/08(2023.01)

说明书9页附图5页

GO6Q10/0635(2023.01)

GO6Q10/04(2023.01)

GO6N3/0442(2023.01)

GO6N3/049(2023.01)

GO6N3/048(2023.01)

权利要求书3页

(54)发明名称

收集影响财务风险的因素数据，构建财务风险预测数据_针对所述每种因素数据的时间序列数据，计算每个时间步监测值与历史时间步均值的偏差绝对值，得到偏差绝对值序列，并将时间序列数据与偏差绝对值序列通过加

收集影响财务风险的因素数据，构建财务风险预测数据_

针对所述每种因素数据的时间序列数据，计算每个时间

步监测值与历史时间步均值的偏差绝对值，得到偏差绝

对值序列，并将时间序列数据与偏差绝对值序列通过加

权非线性函数映射为高维嵌入向量序列

将高维嵌入向量序列中各时间步作为图节点，构建限定

最大跨度的有向图，计算节点的全局平均表示，结合节

点间方向一致性及位置偏离度量，引入结构共鸣因子，

构建路径聚合编码模块，对多条路径进行加权编码，获

得路径编码向量

对所述路径编码向量进行归一化权重计算，并按权重加权融合多条路径编码向量，形成每个时间步的聚合上下□

文向量

基于所述聚合上下文向量，采用线性映射及Sigmoid激

活函数计算风险得分，进一步利用加权差分获得变化趋势陡峭值，利用变化趋势陡峭值对相应的聚合上下文向一

量进行加权，结合双向长短期记忆网络，构建风险演化识别模块，获得因素数据的整体特征表示

将所有因素数据的整体特征表示进行拼接，输入全连接神经网络，计算得到最终的财务风险预测值

S5

(57)摘要

120278527A本发明提出一种基于深度学习的财务风险动态预测方法，涉及财务风险动态预测领域。本发明提出的财务风险动态预测流程包括构建财务风险预测数据集，计算因素数据时间序列的偏差绝对值序列，并通过加权非线性函数将时间序列与偏差绝对值序列融合映射为高维嵌入向量序列，将各时间步作为图节点构建有限跨度有向图，引入结构共鸣因子，对路径加权编码，加权融合后形成聚合上下文向量，计算风险得分，结合加权差分获得变化趋势陡峭值，以陡峭值调制聚合上下文向量，结合双向长短期记忆网络提取因素数据的整体特征表示，最终利用全连接神经网络计算得财务风险预测值。本方法融合局部偏差

120278527A

CN

CN

CN120278527A权利要求书1/3页

2

1.一种基于深度学习的财务风险动态预测方法，其特征在于，包括以下步骤：

S1、收集影响财务风险的因素数据，构建财务风险预测数据集；

S2、针对所述每种因素数据的时间序列数据，计算每个时间步监测值与历史时间步均值的偏差绝对值，得到偏差绝对值序列，并将时间序列数据与偏差绝对值序列通过加权非线性函数映射为高维嵌入向量序列；

S3、将高维嵌入向量序列中各时间步作为图节点，构建限定最大跨度的有向图，计算节点的全局平均表示，结合节点间方向一致性及位置偏离度量，引入结构共鸣因子，构建路径聚合编码模块，对多条路径进行加权编码，获得路径编码向量；

S4、对所述路径编码向量进行归一化权重计算，并按权重加权融合多条路径编码向量，形成每个时间步的聚合上下文向量；

S5、基于所述聚合上下文向量，采用线性映射及Sigmoid激活函数计算风险得分，进一步利用加权差分获得变化趋势陡峭值，利用变化趋势陡峭值对相应的聚合上下文向量进行加权，结合双向长短期记忆网络，构建风险演化识别模块，获得因素数据的整体特征表示；

S6、将所有因素数据的整体特征表示进行拼接，输入全连接神经网络，计算得到最终的财务风险预测值。

2.根据权利要求1所述的一种基于深度学习的财务风险动态预测方法，其特征在于，所述S1中，收集影响