本發(fā)明涉及計(jì)算機(jī)，特別是涉及一種風(fēng)險(xiǎn)預(yù)測(cè)方法、計(jì)算設(shè)備及可計(jì)算機(jī)讀存儲(chǔ)介質(zhì)。

背景技術(shù)：

1、隨著數(shù)據(jù)量的爆炸式增長(zhǎng)和數(shù)據(jù)環(huán)境的復(fù)雜化，傳統(tǒng)方法在處理大規(guī)模數(shù)據(jù)和捕捉復(fù)雜模式方面顯得力不從心。

2、例如，現(xiàn)有的稅務(wù)風(fēng)險(xiǎn)預(yù)測(cè)技術(shù)在特別提取、模型訓(xùn)練優(yōu)化等方面均存在顯著不足，難以滿足當(dāng)前復(fù)雜稅務(wù)環(huán)境下對(duì)于稅務(wù)風(fēng)險(xiǎn)預(yù)測(cè)的高效性、準(zhǔn)確性和適應(yīng)性的需求。

3、因此，亟需一種能準(zhǔn)確、高效地進(jìn)行風(fēng)險(xiǎn)預(yù)測(cè)的方法。

技術(shù)實(shí)現(xiàn)思路

1、本技術(shù)的目的在于提供一種風(fēng)險(xiǎn)預(yù)測(cè)方法、計(jì)算設(shè)備及可讀存儲(chǔ)介質(zhì)，準(zhǔn)確且高效地進(jìn)行風(fēng)險(xiǎn)預(yù)測(cè)。

2、為達(dá)到上述目的：

3、第一方面，本技術(shù)實(shí)施例提供了一種風(fēng)險(xiǎn)預(yù)測(cè)方法，包括：從參考數(shù)據(jù)集中，獲取與風(fēng)險(xiǎn)信息關(guān)聯(lián)的關(guān)鍵特征集；通過第一層生成器根據(jù)所述關(guān)鍵特征集，生成初始虛擬數(shù)據(jù)集，并通過第二層生成器根據(jù)所述初始虛擬數(shù)據(jù)集，生成優(yōu)化虛擬數(shù)據(jù)集；通過第一判別器，對(duì)所述初始虛擬數(shù)據(jù)集與所述參考數(shù)據(jù)集進(jìn)行分類，以得到第一分類結(jié)果，并通過第二判別器對(duì)所述優(yōu)化虛擬數(shù)據(jù)集和所述參考數(shù)據(jù)集進(jìn)行分類，以得到第二分類結(jié)果；根據(jù)所述第一分類結(jié)果和所述第二分類結(jié)果，優(yōu)化所述第一層生成器和所述第二層生成器，以得到最終虛擬數(shù)據(jù)集；基于所述最終虛擬數(shù)據(jù)集，優(yōu)化風(fēng)險(xiǎn)預(yù)測(cè)模型，以得到優(yōu)化后的風(fēng)險(xiǎn)預(yù)測(cè)模型；基于所述優(yōu)化后的風(fēng)險(xiǎn)預(yù)測(cè)模型，得到風(fēng)險(xiǎn)預(yù)測(cè)結(jié)果。

4、在一實(shí)施方式中，通過第一層生成器根據(jù)所述關(guān)鍵特征集，生成初步虛擬數(shù)據(jù)集的步驟，包括：通過所述第一層生成器根據(jù)所述關(guān)鍵特征集，基于公式(1)的所述第一層生成器的生成函數(shù)，生成所述初步虛擬數(shù)據(jù)集：其中，z1是從標(biāo)準(zhǔn)正態(tài)分布中采樣的第一噪聲向量，σ1是第一非線性激活函數(shù)，w1是第一層生成器的權(quán)重矩陣，t1是所述第一層生成器的權(quán)重矩陣的轉(zhuǎn)置，b1是第一偏置向量，αi是與所述關(guān)鍵特征集中的關(guān)鍵特征k′i相關(guān)的權(quán)重系數(shù)，r是所述關(guān)鍵特征集中的所述關(guān)鍵特征的數(shù)量，i為所述關(guān)鍵特征的序號(hào)；和/或通過第二層生成器根據(jù)所述初步虛擬數(shù)據(jù)集，生成優(yōu)化虛擬數(shù)據(jù)集的步驟，包括：所述第二層生成器根據(jù)所述初步虛擬數(shù)據(jù)集，基于公式(2)的所述第二層生成器的生成函數(shù)，生成所述優(yōu)化虛擬數(shù)據(jù)集：其中，z1是從標(biāo)準(zhǔn)正態(tài)分布中采樣的第二噪聲向量，σ2是第二非線性激活函數(shù)，w2是第二層生成器的權(quán)重矩陣，t2是所述第二層生成器的權(quán)重矩陣的轉(zhuǎn)置，b2是第二層生成器的偏置向量，βj是與初步虛擬數(shù)據(jù)相關(guān)的權(quán)重系數(shù)，vi,j表示初步虛擬數(shù)據(jù)集中的數(shù)據(jù)，s1是初始虛擬數(shù)據(jù)集中的數(shù)據(jù)的數(shù)量，j為初始虛擬數(shù)據(jù)集中的數(shù)據(jù)的序號(hào)。

5、在一實(shí)施方式中，通過第一判別器，對(duì)所述初步虛擬數(shù)據(jù)集與參考數(shù)據(jù)集進(jìn)行分類，以得到第一分類結(jié)果的步驟，包括：通過所述第一判別器，基于公式(3)，得到所述第一分類結(jié)果：其中，d1(x1)是所述第一分類結(jié)果，x1是所述初步虛擬數(shù)據(jù)集中的虛擬數(shù)據(jù)，或是所述參考數(shù)據(jù)集中的參考數(shù)據(jù)，是所述第一判別器的權(quán)重矩陣，是第一判別器的偏置向量，σ3是第三非線性激活函數(shù)；和/或通過第二判別器對(duì)所述優(yōu)化虛擬數(shù)據(jù)集和所述參考數(shù)據(jù)集進(jìn)行分類，以得到第二分類結(jié)果的步驟，包括：通過所述第二判別器，基于公式(4)，得到所述第二分類結(jié)果：其中，d2(x2)是所述第二分類結(jié)果，x2是所述優(yōu)化虛擬數(shù)據(jù)集中的數(shù)據(jù)，或是所述參考數(shù)據(jù)集中的數(shù)據(jù)，是所述第二判別器的權(quán)重矩陣，是所述第二判別器的偏置向量，σ4是第四非線性激活函數(shù)。

6、在一實(shí)施方式中，根據(jù)所述第一分類結(jié)果和所述第二分類結(jié)果，優(yōu)化所述第一層生成器和所述第二層生成器，以得到最終虛擬數(shù)據(jù)集的步驟，包括：根據(jù)所述第一分類結(jié)果和所述第二分類結(jié)果，計(jì)算所述第一層生成器和所述第二層生成器的損失函數(shù)；通過最小化所述第一層生成器和所述第二層生成器的損失函數(shù)，優(yōu)化所述第一層生成器和所述第二層生成器，以得到優(yōu)化后的第一層生成器和優(yōu)化后的第二層生成器；基于所述優(yōu)化后的第一層生成器和所述優(yōu)化后的第二層生成器，得到所述最終虛擬數(shù)據(jù)集。

7、在一實(shí)施方式中，通過最小化所述第一層生成器和所述第二層生成器的損失函數(shù)，優(yōu)化所述第一層生成器和所述第二層生成器，以得到優(yōu)化后的第一層生成器和優(yōu)化后的第二層生成器的步驟，包括：基于公式(5)，通過最小化所述第一層生成器和所述第二層生成器的損失函數(shù)，優(yōu)化所述第一層生成器和所述第二層生成器，以得到優(yōu)化后的第一層生成器和優(yōu)化后的第二層生成器：其中，和分別為所述優(yōu)化后的第一層生成器和所述優(yōu)化后的第二層生成器，g1為所述第一層生成器，g2為所述第二層生成器，為所述第一層生成器的損失函數(shù)，為所述第二層生成器的損失函數(shù)。

8、在一實(shí)施方式中，基于所述最終虛擬數(shù)據(jù)集，優(yōu)化風(fēng)險(xiǎn)預(yù)測(cè)模型的步驟，包括如下至少一項(xiàng)：基于所述關(guān)鍵特征集，構(gòu)建所述風(fēng)險(xiǎn)預(yù)測(cè)模型；將所述風(fēng)險(xiǎn)預(yù)測(cè)模型進(jìn)行初始化訓(xùn)練；

9、基于所述最終虛擬數(shù)據(jù)集，對(duì)進(jìn)行初始化訓(xùn)練后的風(fēng)險(xiǎn)預(yù)測(cè)模型進(jìn)行對(duì)抗訓(xùn)練，以得到優(yōu)化后的風(fēng)險(xiǎn)預(yù)測(cè)模型。

10、在一實(shí)施方式中，基于所述優(yōu)化后的風(fēng)險(xiǎn)預(yù)測(cè)模型，得到風(fēng)險(xiǎn)預(yù)測(cè)結(jié)果的步驟，包括：利用遷移學(xué)習(xí)技術(shù)，將新特征集映射到所述優(yōu)化后的風(fēng)險(xiǎn)預(yù)測(cè)模型中，以得到遷移學(xué)習(xí)損失函數(shù)；通過最小化所述遷移學(xué)習(xí)損失函數(shù)，對(duì)所述優(yōu)化后的風(fēng)險(xiǎn)預(yù)測(cè)模型進(jìn)行調(diào)整，以得到最終的風(fēng)險(xiǎn)預(yù)測(cè)模型；根據(jù)所述最終的風(fēng)險(xiǎn)預(yù)測(cè)模型，得到所述風(fēng)險(xiǎn)預(yù)測(cè)結(jié)果。

11、在一實(shí)施方式中，根據(jù)所述最終的風(fēng)險(xiǎn)預(yù)測(cè)模型，得到所述風(fēng)險(xiǎn)預(yù)測(cè)結(jié)果的步驟，包括：通過所述最終的風(fēng)險(xiǎn)預(yù)測(cè)模型，得到多個(gè)高風(fēng)險(xiǎn)場(chǎng)景；對(duì)每個(gè)所述高風(fēng)險(xiǎn)場(chǎng)景進(jìn)行模擬分析，以得到模擬分析結(jié)果；基于所述模擬分析結(jié)果，得到所述風(fēng)險(xiǎn)預(yù)測(cè)結(jié)果中的風(fēng)險(xiǎn)評(píng)估報(bào)告。

12、第二方面，本技術(shù)實(shí)施例提供一種計(jì)算設(shè)備，包括：處理器和存儲(chǔ)有計(jì)算機(jī)程序的存儲(chǔ)器，在所述處理器運(yùn)行所述計(jì)算機(jī)程序時(shí)，實(shí)現(xiàn)上述風(fēng)險(xiǎn)預(yù)測(cè)方法。

13、第三方面，本技術(shù)實(shí)施例提供一種計(jì)算機(jī)可讀存儲(chǔ)介質(zhì)，所述計(jì)算機(jī)可讀存儲(chǔ)介質(zhì)中存儲(chǔ)有計(jì)算機(jī)程序，所述計(jì)算機(jī)程序被處理器執(zhí)行時(shí)實(shí)現(xiàn)上述風(fēng)險(xiǎn)預(yù)測(cè)方法。

14、本技術(shù)實(shí)施例提供的風(fēng)險(xiǎn)預(yù)測(cè)方法、計(jì)算設(shè)備及計(jì)算機(jī)可讀存儲(chǔ)介質(zhì)，所述方法包括從參考數(shù)據(jù)集中，獲取與風(fēng)險(xiǎn)信息關(guān)聯(lián)的關(guān)鍵特征集；通過第一層生成器根據(jù)所述關(guān)鍵特征集，生成初始虛擬數(shù)據(jù)集，并通過第二層生成器根據(jù)所述初始虛擬數(shù)據(jù)集，生成優(yōu)化虛擬數(shù)據(jù)集；通過第一判別器，對(duì)所述初始虛擬數(shù)據(jù)集與所述參考數(shù)據(jù)集進(jìn)行分類，以得到第一分類結(jié)果，并通過第二判別器對(duì)所述優(yōu)化虛擬數(shù)據(jù)集和所述參考數(shù)據(jù)集進(jìn)行分類，以得到第二分類結(jié)果；根據(jù)所述第一分類結(jié)果和所述第二分類結(jié)果，優(yōu)化所述第一層生成器和所述第二層生成器，以得到最終虛擬數(shù)據(jù)集；基于所述最終虛擬數(shù)據(jù)集，優(yōu)化風(fēng)險(xiǎn)預(yù)測(cè)模型，以得到優(yōu)化后的風(fēng)險(xiǎn)預(yù)測(cè)模型；基于所述優(yōu)化后的風(fēng)險(xiǎn)預(yù)測(cè)模型，得到風(fēng)險(xiǎn)預(yù)測(cè)結(jié)果。因此，本技術(shù)采用雙層生成對(duì)抗網(wǎng)絡(luò)(即第一層生成器、第二層生成器、第一判別器和第二判別器)生成初始虛擬數(shù)據(jù)集和優(yōu)化虛擬數(shù)據(jù)集，從而能有效提升特征選擇的準(zhǔn)確性和有效性，進(jìn)而能實(shí)現(xiàn)準(zhǔn)確且高效地進(jìn)行風(fēng)險(xiǎn)預(yù)測(cè)。