基于多源异构数据的决策参数生成方法及系统与流程

本发明涉及数据处理，尤其涉及一种基于多源异构数据的决策参数生成方法及系统。

背景技术：

1、融资租赁作为一种灵活的融资方式，广泛应用于各个行业，为企业提供设备和资产的使用权，同时降低了企业的资本支出，而在融资租赁过程中，涉及多方参与者，涉及各类不同渠道、不同模态的数据，现有技术中无法实现数据的有效整合，从而影响风险评估的准确性和时效性，如果无法准确从数据中提取有效信息，将会导致决策结果的不准确性。

2、决策面临多种因素交织产生的系统性影响。这些影响并非孤立存在，它们之间具有复杂的非线性关联，并且随着时间动态演变。传统的决策生确定往往基于简化的假设和静态参数，难以捕捉动态关联性和风险的传染效应。例如，一次国际贸易政策的突然调整，可能通过供应链、汇率、市场情绪等多个渠道，间接影响一个看似不相关的项目的融资成本和可行性。现有分析方法对这种风险传导路径缺乏有效的模拟和追踪能力，无法根据上游冲击动态更新，进而使生成参数在面对产业链冲击时严重滞后，导致风险评估不够全面，决策依据不足，决策结果不准确。

技术实现思路

1、发明目的：针对以上缺点，本发明提供一种提高决策参数准确性的基于多源异构数据的决策参数生成方法，本发明还提供一种基于多源异构数据的决策参数生成系统。

2、技术方案：本发明中所述的一种基于多源异构数据的决策参数生成方法，包括以下步骤：

3、获取多源异构数据；

4、根据多源异构数据中的区域信息构建图结构，对图结构进行特征提取，生成空间特征向量，根据空间特征向量计算区域修正系数；

5、从多源异构数据中抽取实体及实体之间的关系，根据实体及实体之间的关系构建有向知识图谱，利用图注意力网络学习有向知识图谱的节点特征，对于传导关系的实体确定传导路径，并基于注意力权重及路径长度进行传导路径强度确定，根据传导路径强度计算传导评分；所述节点特征包括实体节点的静态属性、综合语义特征和位置编码；所述综合语义特征通过对多源异构数据中与实体相关的不同模态数据进行特征融合得到；

6、基于图注意力网络学习后的有向知识图谱的节点特征，根据竞争关系下相邻节点的特征相似度计算竞争关系评分；

7、对多源异构数据中的时间序列数据获取时序特征，并基于时序特征计算成长性评分；

8、以成长性评分、风险传导评分、竞争关系评分和区域修正系数作为条件向量进行决策参数生成。

9、进一步的，生成空间特征向量的具体步骤为：根据多源异构数据中的区域信息，确认目标对象的地理位置所关联的行政区，将行政区划层级结构映射为树形图结构，并对位于同一级且空间相邻的区划节点补充空间相邻边，构建扩展图；采用图卷积网络对扩展图的每个节点聚合空间相邻节点的特征，得到每个节点空间聚合后的节点特征，自下而上对每个节点聚合子节点的特征，每个节点的所有子节点空间聚合后的节点特征进行加权聚合得到子节点聚合中间特征，将子节点聚合中间特征与父节点空间聚合后的节点特征进行残差融合，得到各节点的空间特征向量，基于目标对象所对应的区划链，得到层级空间特征向量集合。

10、进一步的，所述区域修正系数的计算公式为：

11、；

12、其中，为区域修正系数，为双曲正切函数，为权重向量，为向量的转置，为偏置项，为所有层级的空间特征向量按层级顺序拼接得到的的区域特征向量。

13、进一步的，所述传导评分的计算公式为：

14、；

15、其中，为目标节点处的传导评分，为路径中的源节点，为沿supply关系边到达目标节点的所有源节点集合，为路径，为从源节点到目标节点沿supply关系边的所有可行路径集合， 为源节点的评分， 为从源节点到目标节点沿路径的路径传导强度，计算公式为：

16、

17、其中，为节点和节点在关系边上的注意力权重，为距离衰减系数，为路径长度，exp是以自然常数e为底的指数函数。

18、进一步的，不同模态数据包括时间序列数据、图结构数据和半结构化文本数据，对所述时间序列数据，采用滑动窗口方法提取统计特征，得到时序特征；对所述图结构数据，基于数据的邻接矩阵和边权重矩阵采用半监督算法得到每个节点的嵌入向量，得到图嵌入特征；对所述半结构文本数据，采用预训练的语言模型进行语义编码，得到文本语义特征；通过三组投影网络分别将时序特征、图嵌入特征和文本语义特征投影到统一的语义空间，计算投影后多模态的平均表征，基于模态间的一致性得分对平均表征进行保留或衰减，得到综合语义表征。

19、进一步的，所述竞争关系评分的计算公式为：

20、；

21、其中，为节点的竞争关系评分，为节点在compete关系下的邻居集合，sim为余弦相似度函数,为节点的节点特征，为节点的节点特征；所述竞争关系评分基于竞争关系邻居的图注意力网络特征余弦相似度计算。

22、进一步的，所述对多源异构数据中的时间序列数据获取时序特征包括利用lstm和transformer双通道时序编码器分别对时间序列进行时序特征提取，通过门控融合机制将lstm和transformer双通道提取的时序特征进行融合，并将融合的时序特征通过全连接网络后输出成长性评分。

23、进一步的，所述以成长性评分、风险传导评分、竞争关系评分和区域修正系数作为条件向量进行决策参数生成具体包括：成长性评分、风险传导评分、竞争关系评分和区域修正系数为条件输入，利用条件变分自编码器生成决策参数分布，并通过多目标帕累托优化搜索最优决策参数组合，对最优决策参数组合基于膝点检测的方法选择最优决策参数。

24、进一步的，对选择的最优决策参数进行规则校验，基于预设规则对最终决策参数进行调整，得到调整后的决策参数；对多目标帕累托优化搜索得到的最优决策参数组合基于多臂老虎机进行参数优化选择，得到优化选择后的决策参数，将调整后的决策参数与优化选择后的决策参数进行加权融合，得到最终决策参数。

25、本发明所述一种基于多源异构数据的决策参数生成系统，包括：

26、数据采集模块，用于获取多源异构数据；

27、空间特征提取模块，用于根据多源异构数据中的区域信息构建图结构，对图结构进行特征提取，生成空间特征向量，根据空间特征向量计算区域修正系数；

28、传导特征提取模块，用于从多源异构数据中抽取实体及实体之间的关系，根据实体及实体之间的关系构建有向知识图谱，利用图注意力网络学习有向知识图谱的节点特征，对于传导关系的实体确定传导路径，并基于注意力权重及路径长度进行传导路径强度确定，根据传导路径强度计算传导评分；所述节点特征包括实体节点的静态属性、综合语义特征和位置编码；所述综合语义特征通过对多源异构数据中与实体相关的不同模态数据进行特征融合得到；

29、竞争特征提取模块，用于基于图注意力网络学习后的有向知识图谱的节点特征，根据竞争关系下相邻节点的特征相似度计算竞争关系评分；

30、成长性特征提取模块，用于对多源异构数据中的时间序列数据获取时序特征，并基于时序特征计算成长性评分；

31、参数生成模块，用于以成长性评分、风险传导评分、竞争关系评分和区域修正系数作为条件向量进行决策参数生成。

32、有益效果：本发明相对于现有技术，其显著优点是：

33、（1）基于图注意网络对具有传导关系的节点之间学习得到注意力权重，并沿传导关系路径叠加路径长度确定传导路径强度，根据传导路径强度得到传导评分，使评分结果能够定位到具体的传导路径（源节点、中间节点序列、路径长度），实现逐路径可追溯、强度随路径长度的动态传导建模，而非对静态特征值的加权汇总，表征风险从上游到下游节点的传导路径和强度衰减规律，为下游决策提供逐路径可追溯、可解释的风险传导量化依据。

34、（2）通过图卷积网络对空间层次结构（如行政区划层级）的树结构中的空间相邻节点进行特征聚合，使每个区域的特征表征包含相邻区域的关联信息。与现有技术中各区域独立编码的方式相比，gcn两层聚合将区域特征的空间自相关系数从0.32提升至0.78，有效消除区域间信息孤岛问题，使空间特征的表征能力获得实质性增强。