基于近似个性化传递的项目风险等级评估方法

本技术涉及工程项目风险评估，尤其是一种基于近似个性化传递的项目风险等级评估方法。

背景技术：

1、电力工程项目的风险管理在项目管理中十分重要。目前的电力工程项目的风险等级评估大部分由基建工程人员根据以往的经验主观的判断风险等级。由于在项目施工过程中，存在关键信息识别难、考虑因素少、细节反映不足等问题，导致人为评估风险等级的准确率较低，并且人工评估的方式效率较低。

2、目前的电力工程项目的风险等级评估还有部分采用机器学习算法，利用卷积神经网络进行迭代训练模型，进而通过得到的模型进行风险等级的评估。但是该方法对模型超参数的依赖性较强，可能导致预测的风险等级准确率较差，并且计算过程较为复杂，对计算资源的要求较高，造成评估效率低的问题。

技术实现思路

1、本技术人针对上述问题及技术需求，提出了一种基于近似个性化传递的项目风险等级评估方法，用以解决现有技术中在进行项目风险等级评估中出现的准确率差和评估效率低的问题，实现提高项目风险等级评估的准确率和评估效率。

2、本技术实施例提供了一种基于近似个性化传递的项目风险等级评估方法，

3、获取电力工程建设项目的项目数据集合；

4、确定所述项目数据集合中各项目数据分别对应的风险等级评估结构的数据划分指标，并将所述数据划分指标确定为所述项目数据的数据特征，其中，所述风险等级评估结构基于电力工程建设项目的项目风险需求创建得到；

5、将各所述项目数据和所述数据特征输入预先训练的风险等级评估模型，得到所述风险等级评估模型输出的所述电力工程建设项目对应的风险分数，其中，所述风险等级评估模型为图神经网络模型，通过近似个性化传递机制在图神经网络模型的各节点中传输近似个性化传递值，所述风险等级评估模型基于项目数据样本、数据特征样本、风险分数样本和近似个性化传递值训练得到；

6、基于预先创建的风险分数和项目风险等级的对应关系，确定所述风险分数对应的项目风险等级。

7、根据本技术实施例提供的基于近似个性化传递的项目风险等级评估方法，所述风险等级评估模型包括：至少两个节点；

8、基于所述近似个性化传递机制对所述风险等级评估模型进行训练的训练过程包括：

9、获取至少两个训练数据样本集合，其中，每个所述训练数据样本集合包括：一个电力工程建设项目对应的项目数据样本、项目数据样本对应的数据特征样本和电力工程建设项目对应的风险分数样本，一个节点对应一个训练数据样本集合；

10、将所述训练数据样本输入所述风险等级评估模型，通过所述风险等级评估模型对每个节点进行以下数据处理操作：

11、基于当前节点对应的项目数据样本、所述数据特征样本和上一节点传递的上一近似个性化传递值样本，得到当前预测风险分数；基于所述项目数据样本、所述数据特征样本和所述当前预测风险分数，得到当前近似个性化传递值样本，并将所述当前近似个性化传递值样本输入下一节点；

12、基于各节点对应的预测风险分数和各节点对应的风险分数样本，优化所述风险等级评估模型的模型参数，直至节点跳转次数达到预设次数的情况下，确定所述风险等级评估模型训练完成。

13、根据本技术实施例提供的基于近似个性化传递的项目风险等级评估方法，对每个节点进行的数据处理操作还包括：

14、在当前节点为首个节点的情况下，基于首个节点对应的项目数据样本和所述数据特征样本，得到当前预测风险分数；基于所述项目数据样本、所述数据特征样本和所述当前预测风险分数，得到当前近似个性化传递值样本，并将所述当前近似个性化传递值样本输入下一节点。

15、根据本技术实施例提供的基于近似个性化传递的项目风险等级评估方法，对每个节点进行的数据处理操作还包括：

16、在当前节点为最后一个节点的情况下，基于最后一个节点对应的项目数据样本、所述数据特征样本和上一节点传递的上一近似个性化传递值样本，得到当前预测风险分数。

17、根据本技术实施例提供的基于近似个性化传递的项目风险等级评估方法，节点跳转次数π(ix)的确定过程包括：

18、对所述项目数据样本和所述数据特征样本进行向量化处理，得到节点特征矩阵ix；

19、将所述节点特征矩阵输入跳转次数计算公式，得到所述跳转次数计算公式输出的跳转次数；

20、其中，所述跳转次数计算公式包括：

21、

22、其中，π(ix)表示跳转次数，α表示从当前节点游走至下一节点的跳转概率，表示预设矩阵，ix表示节点特征矩阵。

23、根据本技术实施例提供的基于近似个性化传递的项目风险等级评估方法，所述基于所述项目数据样本、所述数据特征样本和所述当前预测风险分数，得到当前近似个性化传递值样本，包括：

24、将所述项目数据样本、所述数据特征样本和所述当前预测风险分数输入预先创建的个性化传递值计算公式，得到个性化传递值计算公式输出的个性化传递值样本；

25、对个性化传递值样本进行近似化处理，得到近似个性化传递值样本；

26、其中，个性化传递值计算公式，包括：

27、

28、其中，z表示个性化传递值样本，softmax表示归一化指数函数，α表示从当前节点游走至下一节点的跳转概率，表示预设矩阵，h表示当前预测风险分数，ix表示节点特征矩阵。

29、根据本技术实施例提供的基于近似个性化传递的项目风险等级评估方法，所述对个性化传递值样本进行近似化处理，得到近似个性化传递值样本，包括：

30、获取近似个性化传递值样本的初始值；

31、基于节点的跳转，对图神经网络模型进行模型参数的优化，直至节点跳转次数达到预设次数；

32、基于每次迭代得到当前节点的近似个性化传递值样本计算公式，通过近似个性化传递值样本计算公式得到近似个性化传递值样本；

33、其中，近似个性化传递值样本计算公式包括：

34、

35、其中，z′(k)表示当前节点对应的近似个性化传递值样本，z′(k-1)表示上一节点对应的近似个性化传递值样本。

36、根据本技术实施例提供的基于近似个性化传递的项目风险等级评估方法，优化所述风险等级评估模型的模型参数，包括：

37、优化所述模型参数对应的参数权重，包括：

38、利用预设的权重计算公式，计算当前迭代过程中模型参数对应的参数权重；

39、其中，权重计算公式，包括：

40、

41、其中，qt表示当前迭代过程对应的当前参数权重，qt-1表示上一迭代过程对应的上一参数权重，γ表示参数乘数，β表示学习率，表示t梯度的一阶动量，表示t梯度的二阶动量，∈表示常数，λ表示正则化系数。

42、根据本技术实施例提供的基于近似个性化传递的项目风险等级评估方法，风险分数样本的确定过程包括：

43、基于预设的风险分数等级标准对项目数据样本进行风险分数的计算，得到计算结果；

44、将所述计算结果转换为对应的风险编码样本，将所述风险编码样本作为所述风险分数样本。

45、根据本技术实施例提供的基于近似个性化传递的项目风险等级评估方法，确定所述风险等级评估模型训练完成，包括：

46、获取至少两个测试数据样本集合，其中，每个所述测试数据样本集合包括：测试项目数据、测试数据样本对应的测试数据特征；

47、对每个测试数据样本集合执行以下测试过程：

48、将所述测试项目数据和所述测试数据样本输入所述风险等级评估模型，所述风险等级评估模型输出的测试风险分数；

49、确定所有所述测试数据样本集合对应的测试风险分数的准确率，在确定所述准确率大于预设准确率的情况下，确定所述风险等级评估模型训练完成。

50、本技术实施例提供的基于近似个性化传递的项目风险等级评估方法，通过获取电力工程建设项目的项目数据集合；确定项目数据集合中各项目数据分别对应的风险等级评估结构的数据划分指标，并将数据划分指标确定为项目数据的数据特征，其中，风险等级评估结构基于电力工程建设项目的项目需求创建得到，可见，本技术通过项目数据以及与电力工程建设项目的项目风险需求的数据特征，为后续项目风险等级评估提供了有效的数据基础；进而，将各项目数据和数据特征输入预先训练的风险等级评估模型，得到风险等级评估模型输出的电力工程建设项目对应的风险分数，其中，风险等级评估模型为图神经网络模型，通过近似个性化传递机制在图神经网络模型的各节点中传输近似个性化传递值，风险等级评估模型基于项目数据样本、数据特征样本、风险分数样本和近似个性化传递值训练得到；基于预先创建的风险分数和项目风险等级的对应关系，确定风险分数对应的项目风险等级，本技术通过利用个性化传递机制训练的图神经网络模型，不仅能够挖掘项目数据本身携带的关键信息，还能挖掘节点与节点之间的关联信息，保证了训练完成的图神经网络模型输出结果的准确性，并且图神经网络模型可以处理非结构化数据相对于现有技术中卷积神经网络仅能处理结构化数据而言，减少了数据处理的工作量，提高了图神经网络模型的训练速度，利用训练完成的图神经网络进行风险分数的预测，最终得到了电力工程建设项目的项目风险等级，实现了提高项目风险等级评估的准确率和评估效率的目的。