风险预测方法、装置、计算机设备和存储介质与流程

1.本技术涉及人工智能技术领域，特别是涉及一种风险预测方法、装置、计算机设备和存储介质，可应用于金融领域或其他技术领域。


背景技术：

2.项目风险是实施项目时需要去重点关注的因素。针对不同的领域，其可能的项目风险不同，如在金融领域，项目风险可以是金融投资风险，在互联网领域，项目风险可以是软件开发风险。针对不同的项目风险，其均可能产生大幅度或小幅度的非线性风险波动，此外，风险情况还有可能受到时间距离较久远的历史风险情况的影响。
3.常规的rnn(recurrent neural network，循环神经网络)模型只能基于线性的波动对未来数据进行预测，并且其对长记忆性的时间序列数据的刻画能力较弱，在时间序列过长的时候，存在梯度消散和梯度爆炸的现象。因此，目前无法基于常规的rnn模型对项目风险有一个合理准确的预测。


技术实现要素：

4.基于此，有必要针对上述技术问题，提供一种能够兼顾线性风险波动和非线性风险波动，从而对项目风险进行合理预测的风险预测方法、装置、计算机设备和存储介质。
5.第一方面，本技术提供了一种风险预测方法，该方法包括：
6.获取目标项目在各历史时间区间内的历史风险数据；
7.提取各历史风险数据的线性数据特征和非线性数据特征；
8.根据各历史风险数据的线性数据特征和非线性数据特征，构建目标项目的历史特征序列；
9.通过风险预测模型，根据历史特征序列，预测在未来时段实施目标项目的风险信息。
10.在其中一个实施例中，提取各历史风险数据的线性数据特征和非线性数据特征，包括：
11.针对每一历史风险数据，根据目标项目在该历史风险数据对应的历史时间区间内的参考发展趋势，提取该历史风险数据的线性数据和非线性数据；
12.对线性数据进行特征提取，得到线性数据对应的线性数据特征，以及对非线性数据进行特征提取，得到非线性数据对应的非线性数据特征。
13.在其中一个实施例中，根据目标项目在该历史风险数据对应的历史时间区间内的参考发展趋势，提取该历史风险数据的线性数据和非线性数据，包括：
14.将历史风险数据中，与目标项目在该历史风险数据对应的历史时间区间内的参考发展趋势相符的数据，作为该历史风险数据的线性数据；
15.将历史风险数据中，与目标项目在该历史风险数据对应的历史时间区间内的参考发展趋势不相符的数据，作为该历史风险数据的非线性数据。
16.在其中一个实施例中，将历史风险数据中，与目标项目在该历史风险数据对应的历史时间区间内的参考发展趋势不相符的数据，作为该历史风险数据的非线性数据，包括：
17.判断该历史风险数据中，是否存在与目标项目在该历史风险数据对应的历史时间区间内的参考发展趋势不相符的数据；
18.若存在，则将历史风险数据中，与目标项目在该历史风险数据对应的历史时间区间内的参考发展趋势不相符的数据，作为该历史风险数据的非线性数据；
19.若不存在，则将目标项目的相似项目在该历史风险数据对应的历史时间区间内的非线性数据，作为该历史风险数据的非线性数据。
20.在其中一个实施例中，根据各历史风险数据的线性数据特征和非线性数据特征，构建目标项目的历史特征序列，包括：
21.将每一历史风险数据的线性数据特征和非线性数据特征进行拼接，得到每一历史风险数据对应的历史特征；
22.对各历史风险数据的历史特征进行拼接，得到目标项目的历史特征序列。
23.在其中一个实施例中，风险预测模型包括编码器和解码器；通过风险预测模型，根据历史特征序列，预测在未来时段实施目标项目的风险信息，包括：
24.将历史特征序列输入至编码器中，得到目标项目在各历史时间区间对应的风险特征；
25.将各历史时间区间对应的风险特征输入至解码器中，得到预测的目标项目在各历史时间区间对应的未来时间区间的风险特征；
26.根据目标项目在各未来时间区间的风险特征，预测在未来时段实施目标项目的风险信息；其中，未来时段由各未来时间区间构成。
27.在其中一个实施例中，将历史特征序列输入至编码器中，得到目标项目在各历史时间区间对应的风险特征，包括：
28.针对每一历史时间区间，将该历史时间区间对应的历史特征，或该历史时间区间对应的历史特征以及该历史时间区间的上一历史时间区间的风险特征，输入至编码器中，得到目标项目在该历史时间区间对应的风险特征。
29.在其中一个实施例中，该方法还包括：
30.响应于对目标项目在未来时段的风险预测请求，根据未来时段确定对应的历史时段；
31.将历史时段均匀划分为至少两个历史时间区间。
32.第二方面，本技术还提供了一种风险预测装置，该装置包括：
33.获取模块，用于获取目标项目在各历史时间区间内的历史风险数据；
34.提取模块，用于提取各历史风险数据的线性数据特征和非线性数据特征；
35.构建模块，用于根据各历史风险数据的线性数据特征和非线性数据特征，构建目标项目的历史特征序列；
36.预测模块，用于通过风险预测模型，根据历史特征序列，预测在未来时段实施目标项目的风险信息。
37.第三方面，本技术还提供了一种计算机设备，该计算机设备包括存储器和处理器，该存储器存储有计算机程序，该处理器执行该计算机程序时实现以下步骤：
38.获取目标项目在各历史时间区间内的历史风险数据；
39.提取各历史风险数据的线性数据特征和非线性数据特征；
40.根据各历史风险数据的线性数据特征和非线性数据特征，构建目标项目的历史特征序列；
41.通过风险预测模型，根据历史特征序列，预测在未来时段实施目标项目的风险信息。
42.第四方面，本技术还提供了一种计算机可读存储介质，该计算机可读存储介质，其上存储有计算机程序，该计算机程序被处理器执行时实现以下步骤：
43.获取目标项目在各历史时间区间内的历史风险数据；
44.提取各历史风险数据的线性数据特征和非线性数据特征；
45.根据各历史风险数据的线性数据特征和非线性数据特征，构建目标项目的历史特征序列；
46.通过风险预测模型，根据历史特征序列，预测在未来时段实施目标项目的风险信息。
47.第五方面，本技术还提供了一种计算机程序产品，该计算机程序产品，包括计算机程序，该计算机程序被处理器执行时实现以下步骤：
48.获取目标项目在各历史时间区间内的历史风险数据；
49.提取各历史风险数据的线性数据特征和非线性数据特征；
50.根据各历史风险数据的线性数据特征和非线性数据特征，构建目标项目的历史特征序列；
51.通过风险预测模型，根据历史特征序列，预测在未来时段实施目标项目的风险信息。
52.上述风险预测方法、装置、计算机设备和存储介质，获取目标项目在各历史时间区间内的历史风险数据；提取各历史风险数据的线性数据特征和非线性数据特征；进而根据各历史风险数据的线性数据特征和非线性数据特征，构建目标项目的历史特征序列；进一步的，通过风险预测模型，根据历史特征序列，预测在未来时段实施目标项目的风险信息。相较于现有技术而言，本技术通过兼顾历史风险数据的线性数据特征和非线性数据特征，对目标项目在历史时间区间内的历史风险数据进行分析，能够实现同时对目标项目的线性风险波动和非线性风险波动进行预测，进而合理预测目标项目在较久远的未来时段的风险信息，有效提升了风险预测的可靠性和准确性。
附图说明
53.图1为一个实施例中风险预测方法的应用环境图；
54.图2为一个实施例中风险预测方法的流程示意图；
55.图3为一个实施例中提取线性数据特征和非线性数据特征的流程示意图；
56.图4为一个实施例中提取线性数据和非线性数据的流程示意图；
57.图5为一个实施例中预测风险信息的流程示意图；
58.图6为另一个实施例中风险预测方法的流程示意图；
59.图7为一个实施例中风险预测装置的结构框图；
60.图8为另一个实施例中风险预测装置的结构框图；
61.图9为又一个实施例中风险预测装置的结构框图；
62.图10为再一个实施例中风险预测装置的结构框图；
63.图11为一个实施例中计算机设备的内部结构图。
具体实施方式
64.为了使本技术的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本技术进行进一步详细说明。应当理解，此处描述的具体实施例仅用以解释本技术，并不用于限定本技术。
65.本技术实施例提供的风险预测方法，可以应用于如图1所示的应用环境中。其中，终端102通过网络与服务器104进行通信。数据存储系统可以存储服务器104需要处理的数据，例如历史风险数据的线性数据和历史风险数据的非线性数据等。数据存储系统可以集成在服务器104上，也可以放在云上或其他网络服务器上。具体的，服务器104获取目标项目在各历史时间区间内的历史风险数据，然后提取各历史风险数据的线性数据特征和非线性数据特征，进而根据各历史风险数据的线性数据特征和非线性数据特征，构建目标项目的历史特征序列，进一步的，通过风险预测模型，根据历史特征序列，预测在未来时段实施目标项目的风险信息。服务器104还可以通过与终端102交互，将未来时段实时目标项目的风险信息反馈至终端102，由终端102向项目管理人员反馈目标项目的风险预测结果。
66.其中，终端102可以但不限于是各种个人计算机、笔记本电脑、智能手机、平板电脑、物联网设备和便携式可穿戴设备，物联网设备可为智能音箱、智能电视、智能空调、智能车载设备等。便携式可穿戴设备可为智能手表、智能手环、头戴设备等。服务器104可以用独立的服务器或者是多个服务器组成的服务器集群来实现。
67.可以理解的是，项目在实施过程中常常面临着项目风险，其项目风险可能是线性的风险波动，也可能是突发性因素造成的非线性的风险波动，而常规的风险预测方法，没有考虑到非线性的风险波动对项目的影响。此外，rnn模型对长记忆性的时间序列数据的刻画能力较弱，在时间序列过长的时候，存在梯度消散和梯度爆炸的现象，只能基于近期的风险数据对短时间内的风险情况进行预测，其准确性和实用性均较为有限。
68.为了兼顾线性风险波动和非线性风险波动，从而对项目风险进行长期合理预测，在一个实施例中，如图2所示，提供了一种风险预测方法，包括以下步骤：
69.s201，获取目标项目在各历史时间区间内的历史风险数据。
70.目标项目为当前需要进行风险预测的项目，目标项目在不同领域对应的项目类型不同。例如，在金融领域，目标项目可以为投资项目，其项目类型可以包括股票、基金和债券等；在互联网领域，目标项目可以为软件开发项目，其项目类型可以包括系统开发、小程序开发等。
71.多个历史时间区间为一段历史时段内连贯的时间区间，例如，历史时段为过去六个月，那么各历史时间区间可以为这六个月对应的每一个月，考虑到每一个月的天数可能不同，也可以将这六个月分为固定天数的若干个历史时间区间，本实施例对历史时间区间的时间步长不做限制。
72.历史风险数据包括与目标项目可能出现的风险相关的各项指标数据，如交易数
memory，长短期记忆)神经网络来实现，lstm神经网络可用于对长时间序列的数据特征进行处理。
86.可以理解的是，风险预测模型能够自动分析历史特征序列中前后历史时间区间的历史特征之间的相关性，从而基于这种相关性对未来时间区间的未来特征进行预测。
87.例如，用a-b-c-d表示根据四个历史时间区间对应的线性数据特征和非线性数据特征构成的历史特征序列，将该历史特征序列输入至风险预测模型，以使风险预测模型预测得到目标项目在一个未来时间区间的风险特征，并根据该目标项目在一个未来时间区间的风险特征，确定在未来时段实施目标项目的风险信息。
88.可选地，风险信息可以为风险类型、风险概率和风险变化等信息；进一步地，可以通过文本或图像的形式进行表示。
89.上述方案，相较于现有技术而言，获取目标项目在各历史时间区间内的历史风险数据；提取各历史风险数据的线性数据特征和非线性数据特征；进而根据各历史风险数据的线性数据特征和非线性数据特征，构建目标项目的历史特征序列；进一步的，通过风险预测模型，根据历史特征序列，预测在未来时段实施目标项目的风险信息。通过兼顾历史风险数据的线性数据特征和非线性数据特征，对目标项目在历史时间区间内的历史风险数据进行分析，能够实现同时对目标项目的线性风险波动和非线性风险波动进行预测，进而合理预测目标项目在较久远的未来时段的风险信息，有效提升了风险预测的可靠性和准确性。
90.作为本技术实施例的一种可实现方式，可以响应于对目标项目在未来时段的风险预测请求，根据未来时段确定对应的历史时段；将历史时段均匀划分为至少两个历史时间区间。
91.例如，用户选择期望实施目标项目的未来时段，响应于用户对目标项目在未来时段的风险预测请求，根据未来时段确定对应的历史时段，历史时段的时间长短应与未来时段的时间长短同处于一个合理的范围。未来时段为未来一年，那么未来时段对应的历史时段可以为过去一年，或者过去半年，而不能是过去三天。将历史时段划分为相同时间补偿的至少两个历史时间区间。
92.可选地，将未来时段均匀划分为至少两个未来时间区间，其中，未来时间区间的时间步长与历史时间区间的时间步长相同。
93.可以理解的是，根据风险预测请求确定历史时段，并将历史时段均匀划分为历史时间区间，能够更合理地确定目标项目的历史时间区间，提升在历史时间区间进行特征提取的准确性，从而提升风险预测的准确性。
94.为了更合理地基于历史风险数据的线性数据特征和非线性数据特征，对目标项目的未来风险进行预测，在上述实施例的基础上，在一个实施例中，可以根据历史风险数据对应的发展趋势，将其划分为线性数据和非线性数据，进而分别提取特征，针对每一历史风险数据，对上述s202的方法进行细化。如图3所示，具体可以包括以下步骤：
95.s301，根据目标项目在该历史风险数据对应的历史时间区间内的参考发展趋势，提取该历史风险数据的线性数据和非线性数据。
96.目标项目在每一历史事件区间内的历史风险数据，均存在对应的参考发展趋势。目标项目在历史风险数据对应的历史时间区间内的参考发展趋势，是指为目标项目在对应的历史时间区间内正常的发展趋势。
97.例如，目标项目为空调销售项目，该项目在夏季的发展趋势将明显区别于该项目在冬季的发展趋势，因此，该项目在夏季对应的历史时间区间内的参考发展趋势，也明显区别于该项目在冬季对应的历史时间区间内的参考发展趋势。
98.针对每一历史风险数据，将历史风险数据与对应的历史时间区间内的参考发展趋势进行对比，从而将历史风险数据划分为线性的历史风险数据和非线性的历史风险数据，分别提取线性数据和非线性数据。
99.s302，对线性数据进行特征提取，得到线性数据对应的线性数据特征，以及对非线性数据进行特征提取，得到非线性数据对应的非线性数据特征。
100.针对每一历史风险数据，可以采用多维尺度分析法，或者数据特征提取网络，来分别提取历史风险数据的线性数据对应的线性数据特征，以及历史风险数据的非线性数据对应的非线性数据特征。其中，非线性数据特征可以为向量特征，也可以为用于衡量历史风险数据的非线性波动的特定参数。
101.本实施例中，通过将历史风险数据在历史时间区间内的发展趋势，与对应时间的参考发展趋势进行对比，从而确定出历史发展数据中的线性数据和非线性数据，贴合了目标项目的历史风险数据在不同时间的发展趋势的特征，能够更合理地划分线性数据和非线性数据，从而提取出线性数据特征和非线性数据特征。
102.为了进一步提升风险预测方法中特征提取的有效性和准确性，在上述实施例的基础上，在一个实施例中，可以根据历史风险数据中的各项数据是否与参考发展趋势相符，从中划分出线性数据和非线性数据，如图4所示，上述s301具体包括以下步骤：
103.s401，将历史风险数据中，与目标项目在该历史风险数据对应的历史时间区间内的参考发展趋势相符的数据，作为该历史风险数据的线性数据。
104.根据历史风险数据对应的历史时间区间，确定目标项目在该历史时间区间内的参考发展趋势，进而将历史风险数据中发展趋势与该参考发展趋势相符的数据作为线性数据。
105.例如，目标项目的某一指标数据在历史时间区间内的参考发展趋势为至少增长5％，若在对应的历史时间区间内，历史风险数据中的该指标数据的实际发展趋势为增长6％，那么可以确定该指标数据为线性数据，即将其作为历史风险数据的线性数据。
106.s402，将历史风险数据中，与目标项目在该历史风险数据对应的历史时间区间内的参考发展趋势不相符的数据，作为该历史风险数据的非线性数据。
107.基于同样的思路，将历史风险数据中发展趋势与该参考发展趋势不相符的数据作为非线性数据。
108.例如，目标项目的某一指标数据在历史时间区间内的参考发展趋势为至少增长5％，若在对应的历史时间区间内，历史风险数据中的该指标数据的实际发展趋势为下降2％，则可以确定该指标数据为非线性数据，即将其作为历史风险数据的非线性数据。
109.可选地，在历史风险数据仅包含一种指标数据的情况下，也可以将历史风险数据直接划分为线性数据或非线性数据。
110.这样，将历史风险数据中的不同指标数据划分为线性数据和非线性数据，为风险预测方法提供了兼顾目标项目的线性波动和非线性波动的数据处理过程，有效提升了风险预测的可靠性。
111.为了贴合目标项目对应的历史风险数据的数据特征，在一个实施例中，可以为不存在非线性数据的历史风险数据提供补充的非线性数据，以使得该历史风险数据能够后续用于预测目标项目可能出现的非线性波动，提供一种风险预测方法。上述s402具体可以包括以下步骤：
112.第一步骤，判断该历史风险数据中，是否存在与目标项目在该历史风险数据对应的历史时间区间内的参考发展趋势不相符的数据。若存在，则执行第二步骤；若不存在，则执行第三步骤。
113.可以理解的是，历史风险数据可以包括一项指标数据，也可以包括多项指标数据。根据目标项目在历史时间区间内每一项指标数据的参考发展趋势，分别判断该历史上风险数据中的每一项指标数据是否存在与其对应的参考发展趋势不相符的数据。
114.例如，历史风险数据中，目标项目在对应的历史时间区间内第一指标数据的参考发展趋势为至少增长5％，那么判断第一指标数据是否与该参考发展趋势不相符；目标项目在对应的历史时间区间内第二指标数据的参考发展趋势为至多增长10％，那么判断第二指标数据是否与该参考发展趋势不相符。
115.第二步骤，将历史风险数据中，与目标项目在该历史风险数据对应的历史时间区间内的参考发展趋势不相符的数据，作为该历史风险数据的非线性数据。
116.在第一指标数据的实际发展趋势为下降2％的情况下，可以判断该第一指标数据为与目标项目在该历史风险数据对应的历史时间区间内的参考发展趋势不相符的数据，换言之，历史风险数据中存在与目标项目在该历史风险数据对应的历史时间区间内的参考发展趋势不相符的数据。进一步的，将第一指标数据作为历史风险数据的非线性数据。
117.可选地，在预设的风险数据库中查询历史风险数据对应的历史时间区间内，是否发生了针对目标项目的突发性的因素，如新的项目政策，若发生，则将历史风险数据作为非线性数据。例如，在2022年1月至2月，由于发生了针对目标项目的突发性的因素，目标项目的历史风险数据中存在非线性数据，而在2023年1月至2月，目标项目的历史风险数据中不存在非线性数据，可以将2022年1月至2月对应的非线性数据，确定为2023年1月至2月的非线性数据。
118.第三步骤，将目标项目的相似项目在该历史风险数据对应的历史时间区间内的非线性数据，作为该历史风险数据的非线性数据。
119.在历史风险数据中的所有指标数据，均符合各自对应的参考发展趋势，即不存在与目标项目在该历史风险数据对应的历史时间区间内的参考发展趋势不相符的数据的情况下，可以根据目标项目的项目类型确定对应的相似项目，并将相似项目在该历史风险数据对应的历史时间区间内的非线性数据，作为该历史风险数据的非线性数据。
120.例如，在2022年1月至2月，目标项目尚未开始实施，而目标项目的相似项目的历史风险数据中存在非线性数据，可以将相似项目的历史风险数据中存在的非线性数据，确定为目标项目在2023年1月至2月的非线性数据。
121.可以理解的是，为不存在非线性数据的历史风险数据提供补充的非线性数据，以使得该历史风险数据能够后续用于预测目标项目可能出现的非线性波动，能够使得最终的预测结果更贴合目标项目对应的历史风险数据的数据特征，提升风险预测的准确性。
122.为了能够预测时间间隔非常长的未来时段的风险信息，在上述实施例的基础上，
在一个实施例中，可以先后通过编码器和解码器分别提取历史的风险特征和预测未来的风险特征，对上述s204的方法进行细化。如图5所示，具体可以包括以下步骤：
123.s501，将历史特征序列输入至编码器中，得到目标项目在各历史时间区间对应的风险特征。
124.本实施例提供的风险预测模型可以为基于lstm(long short term memory，长短期记忆)算法确定的，包括解码器和编码器。其中，解码器用于对历史特征向量序列进行分析，提取出其中的隐藏状态特征，即风险特征，编码器用于根据历史时间区间对应的风险特征，对目标项目在未来时间区间的风险特征进行预测，进而预测得到目标项目在未来时段的风险信息，并给出相应的风险评分。
125.可选地，针对每一历史时间区间，将该历史时间区间对应的历史特征，或该历史时间区间对应的历史特征以及该历史时间区间的上一历史时间区间的风险特征，输入至编码器中，得到目标项目在该历史时间区间对应的风险特征。
126.目标项目在某一历史时间区间的风险特征为根据这一历史时间区间的历史特征，以及上一历史时间区间的风险特征确定的。
127.具体的，编码器为基于递归神经网络构建的，将历史特征序列输入至编码器中，编码器将会依次对历史特征序列中每一历史时间区间对应的历史特征进行分析处理，每一历史时间区间对应的历史特征作为该历史时间区间的输入特征，每一历史时间区间对应的风险特征作为该历史时间区间的输出特征，以及下一历史时间区间的输入特征。
128.为便于描述，将目标项目在上一历史时间区间的历史特征表示为x1，目标项目在上一历史时间区间的风险特征表示为y1，目标项目在本历史时间区间的历史特征表示为x2，目标项目在本历史时间区间的风险特征表示为y2，那么，目标项目在本历史时间区间的输入特征为y1和x2加权后的向量特征，y2为根据y1和x2加权后的向量特征确定的输出特征。
129.s502，将各历史时间区间对应的风险特征输入至解码器中，得到预测的目标项目在各历史时间区间对应的未来时间区间的风险特征。
130.解码器包括注意力机制模块，该注意力机制模块能够自动学习和计算各历史时间区间对应的风险特征对未来时间区间的风险特征的贡献大小。解码器学习长时间的历史特征序列之间各历史特征的联系，将这种联系与注意力机制模块相结合，得到预测的目标项目在各历史时间区间对应的未来时间区间的风险特征。
131.s503，根据目标项目在各未来时间区间的风险特征，预测在未来时段实施目标项目的风险信息。
132.风险信息包括风险评分和风险评分的置信度值，其中，风险评分的置信度值用于表征风险特征对风险评分的贡献度，风险评分的置信度值可以通过注意力机制模块确定。
133.风险预测模型根据目标项目在各未来时间区间的风险特征，确定目标项目在未来时间区间构成的未来时段的风险评分，以及风险评分对应的置信度值。
134.在一个实施例中，如图6所示，提供了一种风险预测方法的优选实例，具体过程如下：
135.s601，响应于对目标项目在未来时段的风险预测请求，根据未来时段确定对应的历史时段。
136.s602，将历史时段均匀划分为至少两个历史时间区间。
137.s603，获取目标项目在各历史时间区间内的历史风险数据。
138.s604，提取各历史风险数据的线性数据特征和非线性数据特征。
139.可选地，针对每一历史风险数据，将历史风险数据中，与目标项目在该历史风险数据对应的历史时间区间内的参考发展趋势相符的数据，作为该历史风险数据的线性数据。
140.进一步地，将历史风险数据中，与目标项目在该历史风险数据对应的历史时间区间内的参考发展趋势不相符的数据，作为该历史风险数据的非线性数据。
141.例如，判断该历史风险数据中，是否存在与目标项目在该历史风险数据对应的历史时间区间内的参考发展趋势不相符的数据；若存在，则将历史风险数据中，与目标项目在该历史风险数据对应的历史时间区间内的参考发展趋势不相符的数据，作为该历史风险数据的非线性数据；若不存在，则将目标项目的相似项目在该历史风险数据对应的历史时间区间内的非线性数据，作为该历史风险数据的非线性数据。
142.s605，将各历史风险数据的线性数据特征和非线性数据特征进行拼接，得到各历史风险数据对应的历史特征。
143.s606，对各历史风险数据的历史特征进行拼接，得到目标项目的历史特征序列。
144.s607，将历史特征序列输入至编码器中，得到目标项目在各历史时间区间对应的风险特征。
145.其中，针对每一历史时间区间，将该历史时间区间对应的历史特征，或该历史时间区间对应的历史特征以及该历史时间区间的上一历史时间区间的风险特征，输入至编码器中，得到目标项目在该历史时间区间对应的风险特征。
146.s608，将各历史时间区间对应的风险特征输入至解码器中，得到预测的目标项目在各历史时间区间对应的未来时间区间的风险特征。
147.s609，根据目标项目在各未来时间区间的风险特征，预测在未来时段实施目标项目的风险信息。
148.其中，未来时段由各未来时间区间构成。
149.上述s601至s609的具体过程可以参见上述方法实施例的描述，其实现原理和技术效果类似，在此不再赘述。
150.应该理解的是，虽然如上所述的各实施例所涉及的流程图中的各个步骤按照箭头的指示依次显示，但是这些步骤并不是必然按照箭头指示的顺序依次执行。除非本文中有明确的说明，这些步骤的执行并没有严格的顺序限制，这些步骤可以以其它的顺序执行。而且，如上所述的各实施例所涉及的流程图中的至少一部分步骤可以包括多个步骤或者多个阶段，这些步骤或者阶段并不必然是在同一时刻执行完成，而是可以在不同的时刻执行，这些步骤或者阶段的执行顺序也不必然是依次进行，而是可以与其它步骤或者其它步骤中的步骤或者阶段的至少一部分轮流或者交替地执行。
151.基于同样的发明构思，本技术实施例还提供了一种用于实现上述所涉及的风险预测方法的风险预测装置。该装置所提供的解决问题的实现方案与上述方法中所记载的实现方案相似，故下面所提供的一个或多个风险预测装置实施例中的具体限定可以参见上文中对于风险预测方法的限定，在此不再赘述。
152.在一个实施例中，如图7所示，提供了一种风险预测装置1，包括：获取模块10，提取
模块20，构建模块30和预测模块40，其中：
153.获取模块10，用于获取目标项目在各历史时间区间内的历史风险数据。
154.提取模块20，用于提取各历史风险数据的线性数据特征和非线性数据特征。
155.构建模块30，用于根据各历史风险数据的线性数据特征和非线性数据特征，构建目标项目的历史特征序列。
156.预测模块40，用于通过风险预测模型，根据历史特征序列，预测在未来时段实施目标项目的风险信息。
157.在一个实施例中，在图7的基础上，如图8所示，上述提取模块20包括：
158.第一提取单元21，用于针对每一历史风险数据，根据目标项目在该历史风险数据对应的历史时间区间内的参考发展趋势，提取该历史风险数据的线性数据和非线性数据。
159.第二提取单元22，用于对线性数据进行特征提取，得到线性数据对应的线性数据特征，以及对非线性数据进行特征提取，得到非线性数据对应的非线性数据特征。
160.在一个实施例中，上述第一提取单元21包括：
161.第一提取子单元，用于将历史风险数据中，与目标项目在该历史风险数据对应的历史时间区间内的参考发展趋势相符的数据，作为该历史风险数据的线性数据。
162.第二提取子单元，用于将历史风险数据中，与目标项目在该历史风险数据对应的历史时间区间内的参考发展趋势不相符的数据，作为该历史风险数据的非线性数据。
163.在一个实施例中，上述第二提取子单元具体用于：
164.判断该历史风险数据中，是否存在与目标项目在该历史风险数据对应的历史时间区间内的参考发展趋势不相符的数据；若存在，则将历史风险数据中，与目标项目在该历史风险数据对应的历史时间区间内的参考发展趋势不相符的数据，作为该历史风险数据的非线性数据；若不存在，则将目标项目的相似项目在该历史风险数据对应的历史时间区间内的非线性数据，作为该历史风险数据的非线性数据。
165.在一个实施例中，在图7的基础上，如图9所示，上述构建模块30包括：
166.第一拼接单元31，用于将每一历史风险数据的线性数据特征和非线性数据特征进行拼接，得到每一历史风险数据对应的历史特征。
167.第二拼接单元32，用于对各历史风险数据的历史特征进行拼接，得到目标项目的历史特征序列。
168.在一个实施例中，在图7的基础上，如图10所示，上述预测模块40包括：
169.编码单元41，用于将历史特征序列输入至编码器中，得到目标项目在各历史时间区间对应的风险特征。
170.解码单元42，用于将各历史时间区间对应的风险特征输入至解码器中，得到预测的目标项目在各历史时间区间对应的未来时间区间的风险特征。
171.预测单元43，用于根据目标项目在各未来时间区间的风险特征，预测在未来时段实施目标项目的风险信息；其中，未来时段由各未来时间区间构成。
172.在一个实施例中，上述编码单元41具体用于：
173.针对每一历史时间区间，将该历史时间区间对应的历史特征，或该历史时间区间对应的历史特征以及该历史时间区间的上一历史时间区间的风险特征，输入至编码器中，得到目标项目在该历史时间区间对应的风险特征。
174.在一个实施例中，上述装置1还包括：
175.确定模块，用于响应于对目标项目在未来时段的风险预测请求，根据未来时段确定对应的历史时段。
176.划分模块，用于将历史时段均匀划分为至少两个历史时间区间。
177.上述风险预测装置中的各个模块可全部或部分通过软件、硬件及其组合来实现。上述各模块可以硬件形式内嵌于或独立于计算机设备中的处理器中，也可以以软件形式存储于计算机设备中的存储器中，以便于处理器调用执行以上各个模块对应的操作。
178.在一个实施例中，提供了一种计算机设备，该计算机设备可以是服务器，其内部结构图可以如图11所示。该计算机设备包括通过系统总线连接的处理器、存储器和网络接口。其中，该计算机设备的处理器用于提供计算和控制能力。该计算机设备的存储器包括非易失性存储介质和内存储器。该非易失性存储介质存储有操作系统、计算机程序和数据库。该内存储器为非易失性存储介质中的操作系统和计算机程序的运行提供环境。该计算机设备的数据库用于存储历史风险数据的线性数据和历史风险数据的非线性数据等数据。该计算机设备的网络接口用于与外部的终端通过网络连接通信。该计算机程序被处理器执行时以实现一种风险预测方法。
179.本领域技术人员可以理解，图11中示出的结构，仅仅是与本技术方案相关的部分结构的框图，并不构成对本技术方案所应用于其上的计算机设备的限定，具体的计算机设备可以包括比图中所示更多或更少的部件，或者组合某些部件，或者具有不同的部件布置。
180.本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程，是可以通过计算机程序来指令相关的硬件来完成，所述的计算机程序可存储于一非易失性计算机可读取存储介质中，该计算机程序在执行时，可包括如上述各方法的实施例的流程。其中，本技术所提供的各实施例中所使用的对存储器、数据库或其它介质的任何引用，均可包括非易失性和易失性存储器中的至少一种。非易失性存储器可包括只读存储器(read-only memory，rom)、磁带、软盘、闪存、光存储器、高密度嵌入式非易失性存储器、阻变存储器(reram)、磁变存储器(magnetoresistive random access memory，mram)、铁电存储器(ferroelectric random access memory，fram)、相变存储器(phase change memory，pcm)、石墨烯存储器等。易失性存储器可包括随机存取存储器(random access memory，ram)或外部高速缓冲存储器等。作为说明而非局限，ram可以是多种形式，比如静态随机存取存储器(static random access memory，sram)或动态随机存取存储器(dynamic random access memory，dram)等。本技术所提供的各实施例中所涉及的数据库可包括关系型数据库和非关系型数据库中至少一种。非关系型数据库可包括基于区块链的分布式数据库等，不限于此。本技术所提供的各实施例中所涉及的处理器可为通用处理器、中央处理器、图形处理器、数字信号处理器、可编程逻辑器、基于量子计算的数据处理逻辑器等，不限于此。
181.以上实施例的各技术特征可以进行任意的组合，为使描述简洁，未对上述实施例中的各个技术特征所有可能的组合都进行描述，然而，只要这些技术特征的组合不存在矛盾，都应当认为是本说明书记载的范围。
182.以上所述实施例仅表达了本技术的几种实施方式，其描述较为具体和详细，但并不能因此而理解为对本技术专利范围的限制。应当指出的是，对于本领域的普通技术人员来说，在不脱离本技术构思的前提下，还可以做出若干变形和改进，这些都属于本技术的保
护范围。因此，本技术的保护范围应以所附权利要求为准。

技术特征：
1.一种风险预测方法，其特征在于，包括：获取目标项目在各历史时间区间内的历史风险数据；提取各历史风险数据的线性数据特征和非线性数据特征；根据各历史风险数据的线性数据特征和非线性数据特征，构建所述目标项目的历史特征序列；通过风险预测模型，根据所述历史特征序列，预测在未来时段实施所述目标项目的风险信息。2.根据权利要求1所述的方法，其特征在于，所述提取各历史风险数据的线性数据特征和非线性数据特征，包括：针对每一历史风险数据，根据所述目标项目在该历史风险数据对应的历史时间区间内的参考发展趋势，提取该历史风险数据的线性数据和非线性数据；对所述线性数据进行特征提取，得到所述线性数据对应的线性数据特征，以及对所述非线性数据进行特征提取，得到所述非线性数据对应的非线性数据特征。3.根据权利要求2所述的方法，其特征在于，所述根据所述目标项目在该历史风险数据对应的历史时间区间内的参考发展趋势，提取该历史风险数据的线性数据和非线性数据，包括：将历史风险数据中，与所述目标项目在该历史风险数据对应的历史时间区间内的参考发展趋势相符的数据，作为该历史风险数据的线性数据；将历史风险数据中，与所述目标项目在该历史风险数据对应的历史时间区间内的参考发展趋势不相符的数据，作为该历史风险数据的非线性数据。4.根据权利要求3所述的方法，其特征在于，所述将历史风险数据中，与所述目标项目在该历史风险数据对应的历史时间区间内的参考发展趋势不相符的数据，作为该历史风险数据的非线性数据，包括：判断该历史风险数据中，是否存在与所述目标项目在该历史风险数据对应的历史时间区间内的参考发展趋势不相符的数据；若存在，则将历史风险数据中，与所述目标项目在该历史风险数据对应的历史时间区间内的参考发展趋势不相符的数据，作为该历史风险数据的非线性数据；若不存在，则将所述目标项目的相似项目在该历史风险数据对应的历史时间区间内的非线性数据，作为该历史风险数据的非线性数据。5.根据权利要求1所述的方法，其特征在于，所述根据各历史风险数据的线性数据特征和非线性数据特征，构建所述目标项目的历史特征序列，包括：将每一历史风险数据的线性数据特征和非线性数据特征进行拼接，得到每一历史风险数据对应的历史特征；对各历史风险数据的历史特征进行拼接，得到所述目标项目的历史特征序列。6.根据权利要求5所述的方法，其特征在于，所述风险预测模型包括编码器和解码器；所述通过风险预测模型，根据所述历史特征序列，预测在未来时段实施所述目标项目的风险信息，包括：将所述历史特征序列输入至所述编码器中，得到所述目标项目在各历史时间区间对应的风险特征；
将各历史时间区间对应的风险特征输入至所述解码器中，得到预测的所述目标项目在各历史时间区间对应的未来时间区间的风险特征；根据所述目标项目在各未来时间区间的风险特征，预测在未来时段实施所述目标项目的风险信息；其中，所述未来时段由各未来时间区间构成。7.根据权利要求6所述的方法，其特征在于，所述将所述历史特征序列输入至所述编码器中，得到所述目标项目在各历史时间区间对应的风险特征，包括：针对每一历史时间区间，将该历史时间区间对应的历史特征，或该历史时间区间对应的历史特征以及该历史时间区间的上一历史时间区间的风险特征，输入至所述编码器中，得到所述目标项目在该历史时间区间对应的风险特征。8.根据权利要求1至7中任一项所述的方法，其特征在于，所述方法还包括：响应于对目标项目在未来时段的风险预测请求，根据所述未来时段确定对应的历史时段；将所述历史时段均匀划分为至少两个历史时间区间。9.一种风险预测装置，其特征在于，包括：获取模块，用于获取目标项目在各历史时间区间内的历史风险数据；提取模块，用于提取各历史风险数据的线性数据特征和非线性数据特征；构建模块，用于根据各历史风险数据的线性数据特征和非线性数据特征，构建所述目标项目的历史特征序列；预测模块，用于通过风险预测模型，根据所述历史特征序列，预测在未来时段实施所述目标项目的风险信息。10.一种计算机设备，包括存储器和处理器，所述存储器存储有计算机程序，其特征在于，所述处理器执行所述计算机程序时实现权利要求1至8中任一项所述的方法的步骤。11.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现权利要求1至8中任一项所述的方法的步骤。12.一种计算机程序产品，包括计算机程序，其特征在于，该计算机程序被处理器执行时实现权利要求1至8中任一项所述的方法的步骤。

技术总结
本申请涉及一种风险预测方法、装置、计算机设备和存储介质，涉及人工智能技术领域。所述方法包括：获取目标项目在各历史时间区间内的历史风险数据；提取各历史风险数据的线性数据特征和非线性数据特征；进而根据各历史风险数据的线性数据特征和非线性数据特征，构建目标项目的历史特征序列；进一步的，通过风险预测模型，根据历史特征序列，预测在未来时段实施目标项目的风险信息。采用本方法能够兼顾历史风险数据的线性数据特征和非线性数据特征，实现同时对目标项目的线性风险波动和非线性风险波动进行预测，进而合理预测目标项目在较久远的未来时段的风险信息，有效提升了风险预测的可靠性和准确性。测的可靠性和准确性。测的可靠性和准确性。


技术研发人员：乔冠文 陈永录 王静 李璇
受保护的技术使用者：中国工商银行股份有限公司
技术研发日：2023.05.30
技术公布日：2023/8/23