一种基于深度循环神经网络的审计意见预测方法及装置制造方法及图纸

本发明专利技术提供了一种基于深度循环神经网络的审计意见预测方法，属于数据分析技术领域，用于基于财务数据预测企业的审计意见，其特征在于，包括如下步骤：步骤S1，对收集到的财务数据进行预处理得到财务审计数据；步骤S2，对步骤S1中的财务审计数据进行标准化处理建立训练集以及测试集；步骤S3，建立包括双向长短期记忆网络的深度循环神经网络模型作为审计意见预测模型；步骤S4，将训练集输入审计意见预测模型进行训练；步骤S5，将测试集输入训练完成的审计意见预测模型，预测审计意见。审计意见预测模型中包括多个堆叠的双向长短期记忆网络以及Dropout层。

【技术实现步骤摘要】
一种基于深度循环神经网络的审计意见预测方法及装置
本专利技术属于数据分析
，具体涉及一种基于深度循环神经网络的审计意见预测的方法及装置
技术介绍
审计意见类型往往能向外界传递很多关于企业的有用信息，准确的审计意见披露能对企业过去的经营状况评价与对企业未来的发展预测给予重要支持。注册会计师所出具的审计意见很大程度上能够帮助利益相关者，包括投资人、债权人和监管方对上市企业经营状况做出正确评估。探究影响审计意见的相关因素以及构建一个能准确预测审计意见的模型对于优化市场的资源配置和维护证券市场的经济秩序稳定有很大的帮助。目前，统计学习和机器学习已经逐渐成为企业审计意见预测的主流方法，如逻辑回归、遗传算法、神经网络、支持向量机等，这些方法可以在一定程度上对企业的审计意见进行预测，但预测准确率都不高，应用价值较低。
技术实现思路
为解决上述问题，提供一种基于深度循环神经网络的审计意见预测方法以及装置，本专利技术采用了如下技术方案：本专利技术提供了一种基于深度循环神经网络的审计意见预测方法，用于基于财务数据预测企业的审计意见，其特征在于，包括如下步骤：步骤S1，对收集到的财务数据进行预处理得到财务审计数据；步骤S2，对步骤S1中的财务审计数据进行标准化处理建立训练集以及测试集；步骤S3，建立深度循环神经网络模型作为审计意见预测模型，该审计意见预测模型包括双向长短期记忆网络；步骤S4，将训练集输入审计意见预测模型进行训练；步骤S5，将测试集输入训练完成的审计意见预测模型，预测审计意见。>本专利技术提供的基于深度循环神经网络的审计意见预测方法，还可以具有这样的特征，其中，审计意见预测模型中包括多个堆叠的双向长短期记忆网络。本专利技术提供的基于深度循环神经网络的审计意见预测方法，还可以具有这样的特征，其中，审计意见预测模型还包括Dropout层。本专利技术提供的基于深度循环神经网络的审计意见预测方法，还可以具有这样的特征，其中，步骤S1包括如下步骤：步骤S1-1，对收集到的财务数据分析审计的影响因素得到原始财务审计数据；步骤S1-2，对原始财务审计数据进行数据清洗得到财务审计数据。本专利技术提供的基于深度循环神经网络的审计意见预测方法，还可以具有这样的特征，其中，步骤S1-2中，数据清洗包括平均值填补以及中位数填补。本专利技术提供的基于深度循环神经网络的审计意见预测方法，还可以具有这样的特征，其中，步骤S1-1中，对收集到的财务数据从财务指标、非财务指标、市场环境以及市场相对价值的方向分析审计的影响因素。本专利技术提供的基于深度循环神经网络的审计意见预测方法，还可以具有这样的特征，其中，步骤S2中，对财务审计数据采用Z-score标准化方法以及SMOTE过采样方法进行标准化处理。本专利技术提供的基于深度循环神经网络的审计意见预测方法，还可以具有这样的特征，其中，步骤S5中，采用梯度下降法调整权重参数以及偏置参数减小误差。本专利技术提供了一种基于深度循环神经网络的审计意见预测装置，用于基于财务数据预测企业的审计意见，其特征在于，包括：预处理部，用于将收集到的企业的财务数据基于预定分析方向分析审计的影响因素并进行数据清洗得到财务审计数据；以及审计意见预测部，用于基于财务审计数据进行审计意见的预测，其中，审计意见预测部包括审计意见预测模型，该审计意见预测模型包括双向长短期记忆网络。专利技术作用与效果根据本专利技术的一种基于深度循环神经网络的审计意见预测方法以及装置，用于基于财务数据预测企业的审计意见，该方法采用了包括有双向长短期记忆网络的审计意见预测模型，并将财务审计数据输入该模型中，进行训练以及预测。本专利技术的审计意见预测方法可以能够实现对审计意见的准确预测，可以帮助管理者及时识别企业的经营风险。进一步，本专利技术实施例的审计意见预测模型中的双向长短期记忆网络不仅解决了普通循环神经网络的梯度消失与梯度爆炸的问题，实现对时序数据的准确预测，还可以从前后两个方向考虑数据的历史信息，提高了特征学习和预测的能力。该审计意见预测模型可以对审计和财务数据进行有效地特征提取，具有较高的泛化能力，相较于现有技术中的审计意见预测方法，有着更高的精确度。附图说明图1是本专利技术实施例的基于深度循环神经网络的审计意见预测方法的流程图；图2是本专利技术实施例的审计意见预测模型的模型结构图；图3是本专利技术实施例的长短期记忆网络的单元结构图。具体实施方式以下结合附图以及实施例来说明本专利技术的具体实施方式。<实施例>本实施例提供一种基于深度循环神经网络的审计意见预测方法以及装置，用于基于财务数据预测企业的审计意见。本实施例的实验环境为：使用GPU的是NVIDIARTX1050Ti(4G内存)、CUDA10.2.89和cuDNN7.6.5.32、基于python开源工具箱Keras。本实施例以预测电网公司的审计意见为例。本实施例的审计意见预测装置包括预处理部以及审计意见预测部。预处理部用于将收集到的企业的财务数据基于预定分析方向分析审计的影响因素并进行数据清洗得到财务审计数据。审计意见预测部用于基于财务审计数据进行审计意见的预测。审计意见预测装置的工作流程即为本实施例的基于深度循环神经网络的审计意见预测方法。图1是本专利技术实施例的基于深度循环神经网络的审计意见预测方法的流程图。以下结合图1对本实施例的基于深度循环神经网络的审计意见预测方法的流程进行说明。步骤S1，收集电网公司的相关财务数据，对收集到的财务数据进行预处理得到财务审计数据。步骤S1包括以下子步骤：步骤S1-1，对收集到的财务数据分析审计的影响因素得到原始财务审计数据；步骤S1-2，对步骤S1-1中得到的原始财务审计数据进行数据清洗得到财务审计数据。本实施例中，步骤S1-1中，对财务数据从财务指标、非财务指标、市场环境以及市场相对价值四个方向进行审计的影响因素分析。具体地，企业财务指标包括经营能力、偿债能力、盈利能力、发展能力以及现金流分析。其中，经营能力包括应收账款周转率、存活周转率以及流动资产与收入比等变量值；偿债能力包括流动比率、速动比率以及权益对负债比率等变量值；盈利能力包括资产报酬率、总资产利润率以及流动资产净利润率等变量值；发展能力包括总资产增长率、营业收入增长率以及每股净资产增长率等变量值；现金流分析包括公司现金流等变量值。上市企业非财务指标包括独立懂事比例、股权集中度等指标。市场环境指标包括注册会计师相关指标以及预期使用者相关指标。注册会计师相关指标包括事务所规模以及上一年度审计意见等；预期使用者相关指标包括被分析师关注度等。市场相对价值指标包括托宾Q值以及账面市值比等。本实施例中，步骤S1-2中，对步骤S1-1中得到的各个影响审计意见的变量值，即原始财务审计数据进行数据清洗，即针对数据中的缺失值、重复值以及异常值等，采用平均值填补、中位数填补等方本文档来自技高网...

【技术保护点】
1.一种基于深度循环神经网络的审计意见预测方法，用于基于财务数据预测企业的审计意见，其特征在于，包括如下步骤：/n步骤S1，对收集到的所述财务数据进行预处理得到财务审计数据；/n步骤S2，对所述步骤S1中的所述财务审计数据进行标准化处理建立训练集以及测试集；/n步骤S3，建立深度循环神经网络模型作为审计意见预测模型，该审计意见预测模型包括双向长短期记忆网络；/n步骤S4，将所述训练集输入所述审计意见预测模型进行训练；/n步骤S5，将所述测试集输入训练完成的所述审计意见预测模型，预测所述审计意见。/n

【技术特征摘要】
1.一种基于深度循环神经网络的审计意见预测方法，用于基于财务数据预测企业的审计意见，其特征在于，包括如下步骤：
步骤S1，对收集到的所述财务数据进行预处理得到财务审计数据；
步骤S2，对所述步骤S1中的所述财务审计数据进行标准化处理建立训练集以及测试集；
步骤S3，建立深度循环神经网络模型作为审计意见预测模型，该审计意见预测模型包括双向长短期记忆网络；
步骤S4，将所述训练集输入所述审计意见预测模型进行训练；
步骤S5，将所述测试集输入训练完成的所述审计意见预测模型，预测所述审计意见。


2.根据权利要求1所述的基于深度循环神经网络的电网公司审计意见预测的方法，其特征在于：
其中，所述审计意见预测模型中包括多个堆叠的双向长短期记忆网络。


3.根据权利要求1所述的基于深度循环神经网络的审计意见预测的方法，其特征在于：
其中，所述审计意见预测模型还包括Dropout层。


4.根据权利要求1所述的基于深度循环神经网络的电网公司审计意见预测的方法，其特征在于：
其中，所述步骤S1包括如下步骤：
步骤S1-1，对收集到的所述财务数据分析审计的影响因素得到原始财务审计数据；
步骤S1-2，对所述原始财务审计数据进行数据清洗得到所述财务审计数据。


...

【专利技术属性】
技术研发人员：曹丽霞，董岳，张博宇，蔡涵宇，余建波，刘兴，
申请(专利权)人：国家电网有限公司，国网山东省电力公司济宁供电公司，同济大学，
类型：发明
国别省市：北京;11