【技术实现步骤摘要】
本专利技术涉及经营风险评估系统，具体为一种基于人工智能的驾校经营风险预警评估方法。
技术介绍
1、驾培行业是预付费的长周期服务培训行业，由于对于市场信息的缺乏准确的数据统计，十分容易出现经营不善的情况，甚至因此发生破产。例如将预收费用于扩大经营，扩大经营会导致驾培市场处于过度饱和状态，学员数量的稀释最终会造成驾培机构资金链断裂；或者由于场地纠纷，学员学车不便引发学员退学退费挤兑等问题。
2、为了解决上述问题，政府管理部门通常采用完善相关的管理政策制度的方式实现规范引导驾培行业健康、有序发展。例如驾培机构管理部门实地摸查。但实地摸查不仅耗时耗力，而且摸查缺乏效率，而市场情形又是瞬息万变，难以及时地提供有效信息。此外，对于摸查的准确性也难以保证，因此，急需一种能够快速、准确评估驾校经营风险的方法。
技术实现思路
1、本专利技术针对上述现有技术存在的问题，提供一种基于人工智能的驾校经营风险预警评估方法。
2、为实现以上目的，本专利技术通过以下技术方案予以实现：
3、一种基于人工智能的驾校经营风险预警评估方法，其特征在于：一种基于人工智能的驾校经营风险预警评估方法，其特征在于：包括
4、步骤1：定义n家驾校p个驾校风险预警指标x1，x2，……xp，计算驾校风险预警指标；
5、步骤2：基于驾校风险预警指标，利用kmeans聚类算法划分不同的驾校簇；
6、步骤3：对同一簇的驾校利用因子分析法计算驾校风险预警指标的因子得分；
7、步骤4：基于驾校风险预警指标因子得分利用topsis方法计算驾校预警风险综合评分；
8、步骤5：利用秩和比(rsr)对驾校的风险评分进行分档排序。
9、进一步地，所述步骤1中的驾校风险预警指标包括单车利润，投诉总量、百车投诉率、教练场面积变化量、教练车数量、在培学员数量、行政处罚金额其中的一种或者多种预警指标。
10、进一步地，所述步骤2包括步骤2-1：利用手肘法确定最佳聚类簇数k；步骤2-2：对n家驾校p个预警指标x1,x2,......,xp进行最大最小标准化处理；步骤2-3：利用聚类算法对归一化后的驾校风险指标划分为k个簇；步骤2-4：获取每家驾校的对应的聚类簇标签。
11、进一步地，步骤3包括步骤3-1：对n家驾校p个预警指标x1,x2,......,xp进行标准化处理,；3-2：计算驾校不同等级预警指标的相关系数矩阵r；步骤3-3：采用巴特利特球形度检验和抽样适合性检验kmo检验判断因子分析的可行性；3-4：基于rμ＝λμ利用主成分提取方法计算相关系数矩阵r的特征值λ和特征向量μ；步骤3-5：设定累计贡献率h,利用确定公共因子的个数m；步骤3-6：计算驾校预警指标的因子载荷矩阵；步骤3-7：利用对载荷因子矩阵a进行因子旋转，得到因子旋转矩阵b，其中为a的前m列，t为正交矩阵；步骤3-8：利用计算p个驾校预警指标的因子得分系数矩阵步骤3-9：基于步骤2-8的指标因子得分系数矩阵利用计算驾校的预警风险因子得分。
12、进一步地，所述步骤中你3-1中标准化处理的计算公式为其中为第i家驾校的第j个预警指标值，sj和分别为标准差和均值。
13、进一步地，所述步骤3-2中相关系数矩阵r的计算公式为r＝(rij)p×p，其中为为第i指标与第j指标的相关系数。
14、进一步地，所述步骤3-6中因子载荷矩阵计算公式为其中λ1≥λ2≥......≥λm≥0和μ1,μ2......,μm为相关系数矩阵r的特征值和特征向量。
15、进一步地，所述步骤4包括步骤4-1：基于驾校预警指标的因子得分，将所有的指标转化为极大型指标，指标正向化,包括利用极小型指标的正向处理；步骤4-2：将正向化后的矩阵标准化步骤4-3：从步骤3-2获取的矩阵中分别取出每个指标最大值和最小值，构成理想最优解向量z+和理想最劣解向量z-；步骤4-4：计算每个驾校预警风险的理想最优解距离其中wi为不同指标等级对应的权重；步骤4-5：计算每个驾校预警风险的理想最劣解距离其中wi为不同指标等级对应的权重；步骤4-6：根据每个驾校的理想最优解与理想最劣解计算得分得分越高，则经营异常风险越大。
16、进一步地，所述步骤5包括步骤5-1：将n家驾校的c个综合评价指标排列成n行c列的原始数据表，按其指标值从大到小进行排序，得到秩次矩阵r＝(rij)n*c；步骤5-2：利用计算秩和比rsr值，并按rsr值对驾校的经营风险大小进行直接排序；步骤5-3：将rsr值按照从小到大的顺序排列，统计各组频数，并计算各组累计频数；步骤5-4：根据各组累计频数，确定各组rsr的秩次r-，计算向下累计频率最后一项用修正；步骤5-5：根据累计频率，查询“百分数与概率单位对照表”，求其所对应概率单位probit值；步骤5-6：以累计频率所对应的概率单位值probit为自变量，以rsr值为因变量，计算回归方程；步骤5-7：按照回归方程推算得到的rsr估计值对评价对象进行分档排序。
17、本专利技术的有益效果：
18、本专利技术提供的本专利技术通过定义多加驾校的多个风险预警指标，并通过将多家驾校划分成不同的簇，对同一簇的驾校利用因子分析法对不同驾校的预警指标进行分析计算因子得分，最后基于得到的因子得分计算驾校的风险评分，再对驾校的风险评分进行分档排序，进而自动获取驾校风险排名，用户可以根据风险排名对驾校经营进行干预，避免损失的发生。本方法不仅效率高，减少了人力物力的浪费，而且更具可靠性，为驾校的经营提供了精准及时的信息参考。
本文档来自技高网...【技术保护点】
1.一种基于人工智能的驾校经营风险预警评估方法，其特征在于：包括
2.根据权利要求1所述的基于人工智能的驾校经营风险预警评估方法，其特征在于：所述步骤1中的驾校风险预警指标包括单车利润，投诉总量、百车投诉率、教练场面积变化量、教练车数量、在培学员数量、行政处罚金额其中的一种或者多种预警指标。
3.根据权利要求1所述的基于人工智能的驾校经营风险预警评估方法，其特征在于：所述步骤2包括步骤2-1：利用手肘法确定最佳聚类簇数K；步骤2-2：对n家驾校p个预警指标x1,x2,......,xp进行最大最小标准化处理；步骤2-3：利用聚类算法对归一化后的驾校风险指标划分为K个簇；步骤2-4：获取每家驾校的对应的聚类簇标签。
4.根据权利要求1所述的基于人工智能的驾校经营风险预警评估方法，其特征在于：步骤3包括步骤3-1：对n家驾校p个预警指标x1,x2,......,xp进行标准化处理,；3-2：计算驾校不同等级预警指标的相关系数矩阵R；步骤3-3：采用巴特利特球形度检验和抽样适合性检验KMO检验判断因子分析的可行性；3-4：基于Rμ＝λμ利用主成分提取
5.根据权利要求4所述的基于人工智能的驾校经营风险预警评估方法，其特征在于：所述步骤中你3-1中标准化处理的计算公式为其中为第i家驾校的第j个预警指标值，sj和分别为标准差和均值。
6.根据权利要求4所述的基于人工智能的驾校经营风险预警评估方法，其特征在于：所述步骤3-2中相关系数矩阵R的计算公式为R＝(rij)p×p，其中为为第i指标与第j指标的相关系数。
7.根据权利要求4所述的基于人工智能的驾校经营风险预警评估方法，其特征在于：所述步骤3-6中因子载荷矩阵计算公式为其中λ1≥λ2≥......≥λm≥0和μ1,μ2......,μm为相关系数矩阵R的特征值和特征向量。
8.根据权利要求1所述的基于人工智能的驾校经营风险预警评估方法，其特征在于：所述步骤4包括步骤4-1：基于驾校预警指标的因子得分，将所有的指标转化为极大型指标，指标正向化,包括利用极小型指标的正向处理；步骤4-2：将正向化后的矩阵标准化步骤4-3：从步骤3-2获取的矩阵中分别取出每个指标最大值和最小值，构成理想最优解向量z+和理想最劣解向量z-；步骤4-4：计算每个驾校预警风险的理想最优解距离其中wi为不同指标等级对应的权重；步骤4-5：计算每个驾校预警风险的理想最劣解距离其中wi为不同指标等级对应的权重；步骤4-6：根据每个驾校的理想最优解与理想最劣解计算得分得分越高，则经营异常风险越大。
9.根据权利要求1所述的基于人工智能的驾校经营风险预警评估方法，其特征在于：所述步骤5包括步骤5-1：将n家驾校的c个综合评价指标排列成n行c列的原始数据表，按其指标值从大到小进行排序，得到秩次矩阵R＝(Rij)n*c；步骤5-2：利用计算秩和比RSR值，并按RSR值对驾校的经营风险大小进行直接排序；步骤5-3：将RSR值按照从小到大的顺序排列，统计各组频数，并计算各组累计频数；步骤5-4：根据各组累计频数，确定各组RSR的秩次R-，计算向下累计频率最后一项用修正；步骤5-5：根据累计频率，查询“百分数与概率单位对照表”，求其所对应概率单位Probit值；步骤5-6：以累计频率所对应的概率单位值Probit为自变量，以RSR值为因变量，计算回归方程；步骤5-7：按照回归方程推算得到的RSR估计值对评价对象进行分档排序。
...【技术特征摘要】
1.一种基于人工智能的驾校经营风险预警评估方法，其特征在于：包括
2.根据权利要求1所述的基于人工智能的驾校经营风险预警评估方法，其特征在于：所述步骤1中的驾校风险预警指标包括单车利润，投诉总量、百车投诉率、教练场面积变化量、教练车数量、在培学员数量、行政处罚金额其中的一种或者多种预警指标。
3.根据权利要求1所述的基于人工智能的驾校经营风险预警评估方法，其特征在于：所述步骤2包括步骤2-1：利用手肘法确定最佳聚类簇数k；步骤2-2：对n家驾校p个预警指标x1,x2,......,xp进行最大最小标准化处理；步骤2-3：利用聚类算法对归一化后的驾校风险指标划分为k个簇；步骤2-4：获取每家驾校的对应的聚类簇标签。
4.根据权利要求1所述的基于人工智能的驾校经营风险预警评估方法，其特征在于：步骤3包括步骤3-1：对n家驾校p个预警指标x1,x2,......,xp进行标准化处理,；3-2：计算驾校不同等级预警指标的相关系数矩阵r；步骤3-3：采用巴特利特球形度检验和抽样适合性检验kmo检验判断因子分析的可行性；3-4：基于rμ＝λμ利用主成分提取方法计算相关系数矩阵r的特征值λ和特征向量μ；步骤3-5：设定累计贡献率h,利用确定公共因子的个数m；步骤3-6：计算驾校预警指标的因子载荷矩阵；步骤3-7：利用对载荷因子矩阵a进行因子旋转，得到因子旋转矩阵b，其中为a的前m列，t为正交矩阵；步骤3-8：利用计算p个驾校预警指标的因子得分系数矩阵步骤3-9：基于步骤2-8的指标因子得分系数矩阵利用计算驾校的预警风险因子得分。
5.根据权利要求4所述的基于人工智能的驾校经营风险预警评估方法，其特征在于：所述步骤中你3-1中标准化处理的计算公式为其中为第i家驾校的第j个预警指标值，sj和分别为标准差和均值。
6.根据权利要求4所述的基于人工智能的驾校经营风险预警评估方法，其特征在于：所述步骤3-2中...
【专利技术属性】
技术研发人员：陈欢，尹杰丽，罗建平，喻莲，赖炤宇，
申请(专利权)人：广州交信投科技股份有限公司，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。