用于经营决策的资产减值预测方法和系统

技术领域

本申请涉及数据分析技术领域，且更为具体地，涉及一种用于经营决策的资产减值预测方法和系统。

背景技术

资产减值在会计核算中属于损益类科目。资产减值是指企业在资产负债表日，经过对资产的测试，判断资产的可收回金额低于其账面价值而计提资产减值损失准备所确认的相应损失，也就是，资产减值损失=资产账面价值-资产可回收金额。

在进行资产减值预测中，最重要的是资产可回收金额的预测与评估。现行的做法是基于时间的损耗法，但这种做法忽略了资产的市场属性价值，导致在进行预测与评估时出现较大偏差。

因此，期待一种优化的用于经营决策的资产减值预测方案。

发明内容

为了解决上述技术问题，提出了本申请。本申请的实施例提供了一种用于经营决策的资产减值预测方法和系统，其采用基于深度学习的人工智能技术，通过编码器+解码器来进行预测，也就是，基于所述编码器来提取出第一资产在二手交易市场的历史成交价格在不同时间跨度下的多尺度隐含关联特征，并基于所述解码器来进行解码回归以提高所述第一资产的可回收金额的预测的精准度。这样，能够对于所述资产可回收金额进行精准地预测估计。

根据本申请的一个方面，提供了一种用于经营决策的资产减值预测方法，其包括：

训练阶段，包括：

获取训练数据，所述训练数据包括第一资产在二手交易市场的历史成交价格数据和第一资产的可回收金额的真实值；

将所述历史成交价格数据按照月和星期分别进行划分以得到多个月历史数据和多个星期历史数据；

将所述多个月历史数据中各个月历史数据通过多尺度邻域特征提取模块以得到多个月历史特征向量；

将所述多个月历史特征向量通过双向长短期记忆神经网络模型以得到月动态历史特征向量；

通过所述多尺度邻域特征提取模块和所述双向长短期记忆神经网络模型，从所述多个星期历史数据得到星期动态历史特征向量；

计算所述月动态历史特征向量和所述星期动态历史特征向量的关联矩阵以得到解码特征矩阵；

对所述解码特征矩阵进行平滑最大函数近似性调制以得到校正后解码特征矩阵；

将所述校正后解码特征矩阵通过解码器以得到解码损失函数值；

以所述解码损失函数值作为损失函数值，对所述多尺度邻域特征提取模块、所述双向长短期记忆神经网络模型和所述解码器进行训练；以及推断阶段，包括：

获取推断数据，所述推断数据包括第一资产在二手交易市场的历史成交价格数据；

将所述推断数据输入训练完成的所述多尺度邻域特征提取模块、所述双向长短期记忆神经网络模型和所述解码器以得到用于表示第一资产的可回收金额的解码值；以及基于所述解码值和所述第一资产的资产账面价值，确定资产减值损失值。

在上述用于经营决策的资产减值预测方法中，所述将所述多个月历史数据中各个月历史数据通过多尺度邻域特征提取模块以得到多个月历史特征向量，包括：将所述月历史数据输入所述多尺度邻域特征提取模块的第一卷积层以得到第一尺度月历史特征向量，其中，所述第一卷积层具有第一长度的第一一维卷积核；将所述月历史数据输入所述多尺度邻域特征提取模块的第二卷积层以得到第二尺度月历史特征向量，其中，所述第二卷积层具有第二长度的第二一维卷积核，所述第一长度不同于所述第二长度；以及，将所述第一尺度月历史特征向量和所述第二尺度月历史特征向量进行级联以得到所述月历史特征向量。

在上述用于经营决策的资产减值预测方法中，所述将所述月历史数据输入所述多尺度邻域特征提取模块的第一卷积层以得到第一尺度月历史特征向量，包括：使用所述多尺度邻域特征提取模块的第一卷积层以如下公式对所述月历史数据进行一维卷积编码以得到所述第一尺度月历史特征向量；其中，所述公式为：

其中，

在上述用于经营决策的资产减值预测方法中，所述将所述月历史数据输入所述多尺度邻域特征提取模块的第二卷积层以得到第二尺度月历史特征向量，包括：使用所述多尺度邻域特征提取模块的第二卷积层以如下公式对所述月历史数据进行一维卷积编码以得到所述第二尺度月历史特征向量；其中，所述公式为：

其中，b为第二卷积核在

在上述用于经营决策的资产减值预测方法中，所述计算所述月动态历史特征向量和所述星期动态历史特征向量的关联矩阵以得到解码特征矩阵，包括：以如下公式计算所述月动态历史特征向量和所述星期动态历史特征向量的关联矩阵以得到解码特征矩阵；其中，所述公式为：

其中

在上述用于经营决策的资产减值预测方法中，所述对所述解码特征矩阵进行平滑最大函数近似性调制以得到校正后解码特征矩阵，包括：以如下公式对所述解码特征矩阵进行平滑最大函数近似性调制以得到所述校正后解码特征矩阵；其中，所述公式为：

其中

在上述用于经营决策的资产减值预测方法中，所述将所述校正后解码特征矩阵通过解码器以得到解码损失函数值，包括：使用所述解码器以如下公式对所述校正后解码特征矩阵进行解码回归以获得训练解码值，所述公式为：

根据本申请的另一方面，提供了一种用于经营决策的资产减值预测系统，包括：

训练模块，包括：

训练数据获取单元，用于获取训练数据，所述训练数据包括第一资产在二手交易市场的历史成交价格数据和第一资产的可回收金额的真实值；

划分单元，用于将所述历史成交价格数据按照月和星期分别进行划分以得到多个月历史数据和多个星期历史数据；

月多尺度编码单元，用于将所述多个月历史数据中各个月历史数据通过多尺度邻域特征提取模块以得到多个月历史特征向量；

月理解单元，用于将所述多个月历史特征向量通过双向长短期记忆神经网络模型以得到月动态历史特征向量；

星期多尺度编码与理解单元，用于通过所述多尺度邻域特征提取模块和所述双向长短期记忆神经网络模型，从所述多个星期历史数据得到星期动态历史特征向量；

关联单元，用于计算所述月动态历史特征向量和所述星期动态历史特征向量的关联矩阵以得到解码特征矩阵；

校正单元，用于对所述解码特征矩阵进行平滑最大函数近似性调制以得到校正后解码特征矩阵；

解码损失单元，用于将所述校正后解码特征矩阵通过解码器以得到解码损失函数值；

训练单元，用于以所述解码损失函数值作为损失函数值，对所述多尺度邻域特征提取模块、所述双向长短期记忆神经网络模型和所述解码器进行训练；以及推断模块，包括：

推断数据获取单元，用于获取推断数据，所述推断数据包括第一资产在二手交易市场的历史成交价格数据；

数据处理单元，用于将所述推断数据输入训练完成的所述多尺度邻域特征提取模块、所述双向长短期记忆神经网络模型和所述解码器以得到用于表示第一资产的可回收金额的解码值；以及资产减值损失确定单元，用于基于所述解码值和所述第一资产的资产账面价值，确定资产减值损失值。

在上述用于经营决策的资产减值预测系统中，所述月多尺度编码单元，进一步用于：将所述月历史数据输入所述多尺度邻域特征提取模块的第一卷积层以得到第一尺度月历史特征向量，其中，所述第一卷积层具有第一长度的第一一维卷积核；将所述月历史数据输入所述多尺度邻域特征提取模块的第二卷积层以得到第二尺度月历史特征向量，其中，所述第二卷积层具有第二长度的第二一维卷积核，所述第一长度不同于所述第二长度；以及，将所述第一尺度月历史特征向量和所述第二尺度月历史特征向量进行级联以得到所述月历史特征向量。

在上述用于经营决策的资产减值预测系统中，所述关联单元，进一步用于：以如下公式计算所述月动态历史特征向量和所述星期动态历史特征向量的关联矩阵以得到解码特征矩阵；其中，所述公式为：

其中

在上述用于经营决策的资产减值预测系统中，所述校正单元，进一步用于：以如下公式对所述解码特征矩阵进行平滑最大函数近似性调制以得到所述校正后解码特征矩阵；其中，所述公式为：

其中

在上述用于经营决策的资产减值预测系统中，所述将解码损失单元，进一步用于：使用所述解码器以如下公式对所述校正后解码特征矩阵进行解码回归以获得训练解码值，所述公式为：

根据本申请的再一方面，提供了一种电子设备，包括：处理器；以及，存储器，在所述存储器中存储有计算机程序指令，所述计算机程序指令在被所述处理器运行时使得所述处理器执行如上所述的用于经营决策的资产减值预测方法。

根据本申请的又一方面，提供了一种计算机可读介质，其上存储有计算机程序指令，所述计算机程序指令在被处理器运行时使得所述处理器执行如上所述的用于经营决策的资产减值预测方法。

与现有技术相比，本申请提供的用于经营决策的资产减值预测方法和系统，其采用基于深度学习的人工智能技术，通过编码器+解码器来进行预测，也就是，基于所述编码器来提取出第一资产在二手交易市场的历史成交价格在不同时间跨度下的多尺度隐含关联特征，并基于所述解码器来进行解码回归以提高所述第一资产的可回收金额的预测的精准度。这样，能够对于所述资产可回收金额进行精准地预测估计。

附图说明

通过结合附图对本申请实施例进行更详细的描述，本申请的上述以及其他目的、特征和优势将变得更加明显。附图用来提供对本申请实施例的进一步理解，并且构成说明书的一部分，与本申请实施例一起用于解释本申请，并不构成对本申请的限制。在附图中，相同的参考标号通常代表相同部件或步骤。

图1A为根据本申请实施例的用于经营决策的资产减值预测方法中训练阶段的流程图。

图1B为根据本申请实施例的用于经营决策的资产减值预测方法中推断阶段的流程图。

图2A为根据本申请实施例的用于经营决策的资产减值预测方法中训练阶段的架构图。

图2B为根据本申请实施例的用于经营决策的资产减值预测方法中推断阶段的架构图。

图3为根据本申请实施例的用于经营决策的资产减值预测方法中将所述多个月历史数据中各个月历史数据通过多尺度邻域特征提取模块以得到多个月历史特征向量的流程图。

图4A为根据本申请实施例的用于经营决策的资产减值预测系统中训练模块的框图。

图4B为根据本申请实施例的用于经营决策的资产减值预测系统中推断模块的框图。

图5为根据本申请实施例的电子设备的框图。

具体实施方式

下面，将参考附图详细地描述根据本申请的示例实施例。显然，所描述的实施例仅仅是本申请的一部分实施例，而不是本申请的全部实施例，应理解，本申请不受这里描述的示例实施例的限制。

申请概述

如上述背景技术所言，资产减值在会计核算中属于损益类科目。资产减值是指企业在资产负债表日，经过对资产的测试，判断资产的可收回金额低于其账面价值而计提资产减值损失准备所确认的相应损失，也就是，资产减值损失=资产账面价值-资产可回收金额。

在进行资产减值预测中，最重要的是资产可回收金额的预测与评估。现行的做法是基于时间的损耗法，但这种做法忽略了资产的市场属性价值，导致在进行预测与评估时出现较大偏差。因此，期待一种优化的用于经营决策的资产减值预测方案。

目前，深度学习以及神经网络已经广泛应用于计算机视觉、自然语言处理、语音信号处理等领域。此外，深度学习以及神经网络在图像分类、物体检测、语义分割、文本翻译等领域，也展现出了接近甚至超越人类的水平。

近年来，深度学习以及神经网络的发展为经营决策的资产减值预测提供了新的解决思路和方案。

相应地，由于现有对于资产可回收金额的预测与评估方案大多数是基于时间的损耗法，但是这种方案忽略了资产的市场属性价值，导致在进行预测与评估时出现较大偏差。基于此，在本申请的技术方案中，采用基于深度学习的人工智能技术，通过编码器+解码器来进行预测，也就是，基于所述编码器来提取出第一资产在二手交易市场的历史成交价格在不同时间跨度下的多尺度隐含关联特征，并基于所述解码器来进行解码回归以提高所述第一资产的可回收金额的预测的精准度。这样，能够对于所述资产可回收金额进行精准地预测估计，进而能够对于资产减值损失进行精准预测，以避免确认资产重估增值和操纵利润，限制了利润的人为波动。

具体地，在本申请的技术方案中，首先，获取训练数据，所述训练数据包括第一资产在二手交易市场的历史成交价格数据和第一资产的可回收金额的真实值。接着，考虑到在所述第一资产在二手交易市场的历史成交价格数据中，会存在多个月历史数据和多个星期的历史数据，其在以月为周期的变化特征和以星期为周期的变化特征有所不同，并且其在各个月中的不同时间跨度下以及在各个星期中的不同时间跨度下也具有不同动态变化特征。因此，为了能够充分地提取出所述第一资产在二手交易市场的历史成交价格数据的历史动态变化特征，需要将所述第一资产在二手交易市场的历史成交价格数据分别按月和星期进行划分来挖掘其在各个月中的动态变化特征以及在各个星期中的动态变化特征，并且进一步挖掘所述历史数据在月周期下的动态特征分布信息以及在星期周期下的动态特征分布信息。也就是，具体地，首先，将所述历史成交价格数据按照月和星期分别进行划分以得到多个月历史数据和多个星期历史数据，以便于后续对其进行动态变化特征提取。

然后，对于所述第一资产在二手交易市场的历史成交价格数据中的多个月历史数据，考虑到其在各个月中的不同时间周期跨度下具有不同的模式特征，因此，将所述多个月历史数据中各个月历史数据通过多尺度邻域特征提取模块中进行编码，以提取出所述多个月历史数据中各个月历史数据在不同时间跨度下的动态多尺度邻域关联特征，从而得到多个月历史特征向量，以此来表示所述各个月的历史数据的多尺度动态变化特征。

进一步地，考虑到对于所述各个月的历史数据在不同时间跨度下的多尺度动态变化特征来说，需要对其进行各个月的关联性提取来挖掘出所述历史数据在以月为周期下的变化特征。因此，在本申请的技术方案中，将所述多个月历史特征向量通过双向长短期记忆神经网络模型以得到月动态历史特征向量。应可以理解，所述双向长短期记忆神经网络模型（LSTM，Long Short-Term Memory）通过增加输入门、输出门和遗忘门，使得神经网络的权重能够自我更新，在网络模型参数固定的情况下，不同通道的权重尺度可以动态改变，从而能够避免梯度消失或者梯度膨胀的问题。特别地，所述双向长短期记忆神经网络模型是由前向LSTM与后向LSTM组合而成，前向LSTM可以学习到当前月前局部区域的各个月的历史数据动态变化特征的关联特征信息而后向LSTM可以学习到当前月后续局部区域的各个月的历史数据动态变化特征的关联特征信息，因此，通过所述双向长短期记忆神经网络模型获得的所述月动态历史特征向量学习到了所述各个月局部区域的历史数据动态变化特征的中短距离依赖的隐含关联特征信息。

然后，对于所述第一资产在二手交易市场的历史成交价格数据中的多个星期历史数据，为了能够提取出所述历史数据在以星期为周期下的动态变化特征，同样地，也将所述多个星期历史数据通过所述多尺度邻域特征提取模块和所述双向长短期记忆神经网络模型中进行编码，以提取出所述历史数据在以星期为周期下的变化特征，从而得到星期动态历史特征向量。

接着，进一步计算所述月动态历史特征向量和所述星期动态历史特征向量的关联矩阵来表示所述历史数据在以月为周期下的动态变化特征和所述历史数据在以星期为周期下的动态变化特征之间的关联性特征分布信息，即所述历史数据的总体变化特征分布表示，并以此作为解码特征矩阵来通过解码器中进行解码处理，从而得到用于表示第一资产的可回收金额的解码值。进而，基于所述解码值和所述第一资产的资产账面价值，确定资产减值损失值。也就是，具体地，根据资产减值损失=资产的资产账面价值-资产的可回收金额来确定所述资产减值损失值。这样，能够对于所述资产可回收金额进行精准地预测估计，进而能够对于资产减值损失进行精准预测。

特别地，在本申请的技术方案中，这里，通过多尺度邻域特征提取模块和双向长短期记忆神经网络模型，可以分别获得所述月历史数据和所述星期历史数据的不同时间粒度下的时序关联特征，这样，再进一步计算所述月动态历史特征向量和所述星期动态历史特征向量的关联矩阵得到所述解码特征矩阵，所述解码特征矩阵可以包含所述历史成交价格数据在丰富的时间尺度下的跨周期价格关联表达信息，从而提高解码值的准确性。

但是，与此同时，由于所述解码特征矩阵包含了不同时间粒度下的跨周期价格关联特征，这就影响了所述解码特征矩阵内的全局-局部关联特征语义表达的单调性，从而增大了所述解码特征矩阵通过解码器获得所述解码值的训练难度。

因此，优选地在训练过程中，对所述解码特征矩阵进行平滑最大函数近似性调制，表示为：

这里，通过用沿所述解码特征矩阵

基于此，本申请提出了一种用于经营决策的资产减值预测方法，其包括：训练阶段，包括：获取训练数据，所述训练数据包括第一资产在二手交易市场的历史成交价格数据和第一资产的可回收金额的真实值；将所述历史成交价格数据按照月和星期分别进行划分以得到多个月历史数据和多个星期历史数据；将所述多个月历史数据中各个月历史数据通过多尺度邻域特征提取模块以得到多个月历史特征向量；将所述多个月历史特征向量通过双向长短期记忆神经网络模型以得到月动态历史特征向量；通过所述多尺度邻域特征提取模块和所述双向长短期记忆神经网络模型，从所述多个星期历史数据得到星期动态历史特征向量；计算所述月动态历史特征向量和所述星期动态历史特征向量的关联矩阵以得到解码特征矩阵；对所述解码特征矩阵进行平滑最大函数近似性调制以得到校正后解码特征矩阵；将所述校正后解码特征矩阵通过解码器以得到解码损失函数值；以所述解码损失函数值作为损失函数值，对所述多尺度邻域特征提取模块、所述双向长短期记忆神经网络模型和所述解码器进行训练；以及，推断阶段，包括：获取推断数据，所述推断数据包括第一资产在二手交易市场的历史成交价格数据；将所述推断数据输入训练完成的所述多尺度邻域特征提取模块、所述双向长短期记忆神经网络模型和所述解码器以得到用于表示第一资产的可回收金额的解码值；以及，基于所述解码值和所述第一资产的资产账面价值，确定资产减值损失值。

在介绍了本申请的基本原理之后，下面将参考附图来具体介绍本申请的各种非限制性实施例。

示例性方法

图1A为根据本申请实施例的用于经营决策的资产减值预测方法中训练阶段的流程图。如图1A所示，根据本申请实施例的用于经营决策的资产减值预测方法，包括：训练阶段，包括步骤：S110，获取训练数据，所述训练数据包括第一资产在二手交易市场的历史成交价格数据和第一资产的可回收金额的真实值；S120，将所述历史成交价格数据按照月和星期分别进行划分以得到多个月历史数据和多个星期历史数据；S130，将所述多个月历史数据中各个月历史数据通过多尺度邻域特征提取模块以得到多个月历史特征向量；S140，将所述多个月历史特征向量通过双向长短期记忆神经网络模型以得到月动态历史特征向量；S150，通过所述多尺度邻域特征提取模块和所述双向长短期记忆神经网络模型，从所述多个星期历史数据得到星期动态历史特征向量；S160，计算所述月动态历史特征向量和所述星期动态历史特征向量的关联矩阵以得到解码特征矩阵；S170，对所述解码特征矩阵进行平滑最大函数近似性调制以得到校正后解码特征矩阵；S180，将所述校正后解码特征矩阵通过解码器以得到解码损失函数值；以及，S190，以所述解码损失函数值作为损失函数值，对所述多尺度邻域特征提取模块、所述双向长短期记忆神经网络模型和所述解码器进行训练。

图1B为根据本申请实施例的用于经营决策的资产减值预测方法中推断阶段的流程图。如图1B所示，根据本申请实施例的用于经营决策的资产减值预测方法，包括：推断阶段，包括步骤：S210，获取推断数据，所述推断数据包括第一资产在二手交易市场的历史成交价格数据；S220，将所述推断数据输入训练完成的所述多尺度邻域特征提取模块、所述双向长短期记忆神经网络模型和所述解码器以得到用于表示第一资产的可回收金额的解码值；以及，S230，基于所述解码值和所述第一资产的资产账面价值，确定资产减值损失值。

图2A为根据本申请实施例的用于经营决策的资产减值预测方法中训练阶段的架构图。如图2A所示，在训练阶段中，在该架构中，首先，获取训练数据，所述训练数据包括第一资产在二手交易市场的历史成交价格数据和第一资产的可回收金额的真实值。接着，将所述历史成交价格数据按照月和星期分别进行划分以得到多个月历史数据和多个星期历史数据。然后，将所述多个月历史数据中各个月历史数据通过多尺度邻域特征提取模块以得到多个月历史特征向量。进而，将所述多个月历史特征向量通过双向长短期记忆神经网络模型以得到月动态历史特征向量，同时，通过所述多尺度邻域特征提取模块和所述双向长短期记忆神经网络模型，从所述多个星期历史数据得到星期动态历史特征向量。接着，计算所述月动态历史特征向量和所述星期动态历史特征向量的关联矩阵以得到解码特征矩阵。然后，对所述解码特征矩阵进行平滑最大函数近似性调制以得到校正后解码特征矩阵。接着，将所述校正后解码特征矩阵通过解码器以得到解码损失函数值。进而，以所述解码损失函数值作为损失函数值，对所述多尺度邻域特征提取模块、所述双向长短期记忆神经网络模型和所述解码器进行训练。

图2B为根据本申请实施例的用于经营决策的资产减值预测方法中推断阶段的架构图。如图2B所示，在推断阶段中，在该架构中，首先，获取推断数据，所述推断数据包括第一资产在二手交易市场的历史成交价格数据。接着，将所述推断数据输入训练完成的所述多尺度邻域特征提取模块、所述双向长短期记忆神经网络模型和所述解码器以得到用于表示第一资产的可回收金额的解码值。然后，基于所述解码值和所述第一资产的资产账面价值，确定资产减值损失值。

在训练阶段中，在步骤S110中，获取训练数据，所述训练数据包括第一资产在二手交易市场的历史成交价格数据和第一资产的可回收金额的真实值。如上述背景技术所言，资产减值在会计核算中属于损益类科目。资产减值是指企业在资产负债表日，经过对资产的测试，判断资产的可收回金额低于其账面价值而计提资产减值损失准备所确认的相应损失，也就是，资产减值损失=资产账面价值-资产可回收金额。在进行资产减值预测中，最重要的是资产可回收金额的预测与评估。现行的做法是基于时间的损耗法，但这种做法忽略了资产的市场属性价值，导致在进行预测与评估时出现较大偏差。因此，期待一种优化的用于经营决策的资产减值预测方案。

相应地，由于现有对于资产可回收金额的预测与评估方案大多数是基于时间的损耗法，但是这种方案忽略了资产的市场属性价值，导致在进行预测与评估时出现较大偏差。基于此，在本申请的技术方案中，采用基于深度学习的人工智能技术，通过编码器+解码器来进行预测，也就是，基于所述编码器来提取出第一资产在二手交易市场的历史成交价格在不同时间跨度下的多尺度隐含关联特征，并基于所述解码器来进行解码回归以提高所述第一资产的可回收金额的预测的精准度。这样，能够对于所述资产可回收金额进行精准地预测估计，进而能够对于资产减值损失进行精准预测，以避免确认资产重估增值和操纵利润，限制了利润的人为波动。因此，具体地，在本申请的技术方案中，首先，获取训练数据，所述训练数据包括第一资产在二手交易市场的历史成交价格数据和第一资产的可回收金额的真实值。在这里，所述训练数据为已有资料。

在训练阶段中，在步骤S120中，将所述历史成交价格数据按照月和星期分别进行划分以得到多个月历史数据和多个星期历史数据。考虑到在所述第一资产在二手交易市场的历史成交价格数据中，会存在多个月历史数据和多个星期的历史数据，其在以月为周期的变化特征和以星期为周期的变化特征有所不同，并且其在各个月中的不同时间跨度下以及在各个星期中的不同时间跨度下也具有不同动态变化特征。因此，为了能够充分地提取出所述第一资产在二手交易市场的历史成交价格数据的历史动态变化特征，需要将所述第一资产在二手交易市场的历史成交价格数据分别按月和星期进行划分来挖掘其在各个月中的动态变化特征以及在各个星期中的动态变化特征，并且进一步挖掘所述历史数据在月周期下的动态特征分布信息以及在星期周期下的动态特征分布信息。也就是，具体地，首先，将所述历史成交价格数据按照月和星期分别进行划分以得到多个月历史数据和多个星期历史数据，以便于后续对其进行动态变化特征提取。

在训练阶段中，在步骤S130中，将所述多个月历史数据中各个月历史数据通过多尺度邻域特征提取模块以得到多个月历史特征向量。对于所述第一资产在二手交易市场的历史成交价格数据中的多个月历史数据，考虑到其在各个月中的不同时间周期跨度下具有不同的模式特征，因此，将所述多个月历史数据中各个月历史数据通过多尺度邻域特征提取模块中进行编码，以提取出所述多个月历史数据中各个月历史数据在不同时间跨度下的动态多尺度邻域关联特征，从而得到多个月历史特征向量，以此来表示所述各个月的历史数据的多尺度动态变化特征。

图3为根据本申请实施例的用于经营决策的资产减值预测方法中将所述多个月历史数据中各个月历史数据通过多尺度邻域特征提取模块以得到多个月历史特征向量的流程图。如图3所示，所述将所述多个月历史数据中各个月历史数据通过多尺度邻域特征提取模块以得到多个月历史特征向量，包括：S310，将所述月历史数据输入所述多尺度邻域特征提取模块的第一卷积层以得到第一尺度月历史特征向量，其中，所述第一卷积层具有第一长度的第一一维卷积核；S320，将所述月历史数据输入所述多尺度邻域特征提取模块的第二卷积层以得到第二尺度月历史特征向量，其中，所述第二卷积层具有第二长度的第二一维卷积核，所述第一长度不同于所述第二长度；以及，S330，将所述第一尺度月历史特征向量和所述第二尺度月历史特征向量进行级联以得到所述月历史特征向量。

具体地，在本申请实施例中，所述将所述月历史数据输入所述多尺度邻域特征提取模块的第一卷积层以得到第一尺度月历史特征向量，包括：使用所述多尺度邻域特征提取模块的第一卷积层以如下公式对所述月历史数据进行一维卷积编码以得到所述第一尺度月历史特征向量；其中，所述公式为：

其中，

具体地，在本申请实施例中，所述将所述月历史数据输入所述多尺度邻域特征提取模块的第二卷积层以得到第二尺度月历史特征向量，包括：使用所述多尺度邻域特征提取模块的第二卷积层以如下公式对所述月历史数据进行一维卷积编码以得到所述第二尺度月历史特征向量；其中，所述公式为：

其中，b为第二卷积核在

在训练阶段中，在步骤S140中，将所述多个月历史特征向量通过双向长短期记忆神经网络模型以得到月动态历史特征向量。考虑到对于所述各个月的历史数据在不同时间跨度下的多尺度动态变化特征来说，需要对其进行各个月的关联性提取来挖掘出所述历史数据在以月为周期下的变化特征。因此，在本申请的技术方案中，将所述多个月历史特征向量通过双向长短期记忆神经网络模型以得到月动态历史特征向量。

应可以理解，所述双向长短期记忆神经网络模型（LSTM，Long Short-TermMemory）通过增加输入门、输出门和遗忘门，使得神经网络的权重能够自我更新，在网络模型参数固定的情况下，不同通道的权重尺度可以动态改变，从而能够避免梯度消失或者梯度膨胀的问题。特别地，所述双向长短期记忆神经网络模型是由前向LSTM与后向LSTM组合而成，前向LSTM可以学习到当前月前局部区域的各个月的历史数据动态变化特征的关联特征信息而后向LSTM可以学习到当前月后续局部区域的各个月的历史数据动态变化特征的关联特征信息，因此，通过所述双向长短期记忆神经网络模型获得的所述月动态历史特征向量学习到了所述各个月局部区域的历史数据动态变化特征的中短距离依赖的隐含关联特征信息。

在训练阶段中，在步骤S150中，通过所述多尺度邻域特征提取模块和所述双向长短期记忆神经网络模型，从所述多个星期历史数据得到星期动态历史特征向量。对于所述第一资产在二手交易市场的历史成交价格数据中的多个星期历史数据，为了能够提取出所述历史数据在以星期为周期下的动态变化特征，同样地，也将所述多个星期历史数据通过所述多尺度邻域特征提取模块和所述双向长短期记忆神经网络模型中进行编码，以提取出所述历史数据在以星期为周期下的变化特征，从而得到星期动态历史特征向量。

在训练阶段中，在步骤S160中，计算所述月动态历史特征向量和所述星期动态历史特征向量的关联矩阵以得到解码特征矩阵。也就是，计算所述月动态历史特征向量和所述星期动态历史特征向量的关联矩阵来表示所述历史数据在以月为周期下的动态变化特征和所述历史数据在以星期为周期下的动态变化特征之间的关联性特征分布信息，即所述历史数据的总体变化特征分布表示，并以此作为解码特征矩阵。

具体地，在本申请实施例中，所述计算所述月动态历史特征向量和所述星期动态历史特征向量的关联矩阵以得到解码特征矩阵，包括：以如下公式计算所述月动态历史特征向量和所述星期动态历史特征向量的关联矩阵以得到解码特征矩阵；其中，所述公式为：

其中

在训练阶段中，在步骤S170中，对所述解码特征矩阵进行平滑最大函数近似性调制以得到校正后解码特征矩阵。特别地，在本申请的技术方案中，这里，通过多尺度邻域特征提取模块和双向长短期记忆神经网络模型，可以分别获得所述月历史数据和所述星期历史数据的不同时间粒度下的时序关联特征，这样，再进一步计算所述月动态历史特征向量和所述星期动态历史特征向量的关联矩阵得到所述解码特征矩阵，所述解码特征矩阵可以包含所述历史成交价格数据在丰富的时间尺度下的跨周期价格关联表达信息，从而提高解码值的准确性。

但是，与此同时，由于所述解码特征矩阵包含了不同时间粒度下的跨周期价格关联特征，这就影响了所述解码特征矩阵内的全局-局部关联特征语义表达的单调性，从而增大了所述解码特征矩阵通过解码器获得所述解码值的训练难度。因此，优选地，在训练过程中，对所述解码特征矩阵进行平滑最大函数近似性调制。

具体地，在本申请实施例中，所述对所述解码特征矩阵进行平滑最大函数近似性调制以得到校正后解码特征矩阵，包括：以如下公式对所述解码特征矩阵进行平滑最大函数近似性调制以得到所述校正后解码特征矩阵；其中，所述公式为：

其中

这里，通过用沿所述解码特征矩阵

在训练阶段中，在步骤S180中，将所述校正后解码特征矩阵通过解码器以得到解码损失函数值。具体地，在本申请实施例中，所述将所述校正后解码特征矩阵通过解码器以得到解码损失函数值，包括：使用所述解码器以如下公式对所述校正后解码特征矩阵进行解码回归以获得训练解码值，所述公式为：

在训练阶段中，在步骤S190中，以所述解码损失函数值作为损失函数值，对所述多尺度邻域特征提取模块、所述双向长短期记忆神经网络模型和所述解码器进行训练。

在训练完成后，进入推断阶段。也就是，按照上述方法可以得到经训练阶段训练完成的所述多尺度邻域特征提取模块、所述双向长短期记忆神经网络模型和所述解码器，然后，将所述经训练阶段训练完成的所述多尺度邻域特征提取模块、所述双向长短期记忆神经网络模型和所述解码器用于实际的推断中。

具体地，在推断阶段中，首先，获取推断数据，所述推断数据包括第一资产在二手交易市场的历史成交价格数据。接着，将所述推断数据输入训练完成的所述多尺度邻域特征提取模块、所述双向长短期记忆神经网络模型和所述解码器以得到用于表示第一资产的可回收金额的解码值。然后，基于所述解码值和所述第一资产的资产账面价值，确定资产减值损失值。也就是，具体地，根据资产减值损失=资产的资产账面价值-资产的可回收金额来确定所述资产减值损失值。这样，能够对于所述资产可回收金额进行精准地预测估计，进而能够对于资产减值损失进行精准，以避免确认资产重估增值和操纵利润，限制了利润的人为波动。

综上，基于本申请实施例的用于经营决策的资产减值预测方法被阐明，其采用基于深度学习的人工智能技术，通过编码器+解码器来进行预测，也就是，基于所述编码器来提取出第一资产在二手交易市场的历史成交价格在不同时间跨度下的多尺度隐含关联特征，并基于所述解码器来进行解码回归以提高所述第一资产的可回收金额的预测的精准度。这样，能够对于所述资产可回收金额进行精准地预测估计。

示例性系统

图4A为根据本申请实施例的用于经营决策的资产减值预测系统中训练模块的框图。如图4A所示，根据本申请实施例的用于经营决策的资产减值预测系统100，包括训练模块110；其中，所述训练模块110，包括：训练数据获取单元111，用于获取训练数据，所述训练数据包括第一资产在二手交易市场的历史成交价格数据和第一资产的可回收金额的真实值；划分单元112，用于将所述历史成交价格数据按照月和星期分别进行划分以得到多个月历史数据和多个星期历史数据；月多尺度编码单元113，用于将所述多个月历史数据中各个月历史数据通过多尺度邻域特征提取模块以得到多个月历史特征向量；月理解单元114，用于将所述多个月历史特征向量通过双向长短期记忆神经网络模型以得到月动态历史特征向量；星期多尺度编码与理解单元115，用于通过所述多尺度邻域特征提取模块和所述双向长短期记忆神经网络模型，从所述多个星期历史数据得到星期动态历史特征向量；关联单元116，用于计算所述月动态历史特征向量和所述星期动态历史特征向量的关联矩阵以得到解码特征矩阵；校正单元117，用于对所述解码特征矩阵进行平滑最大函数近似性调制以得到校正后解码特征矩阵；解码损失单元118，用于将所述校正后解码特征矩阵通过解码器以得到解码损失函数值；以及，训练单元119，用于以所述解码损失函数值作为损失函数值，对所述多尺度邻域特征提取模块、所述双向长短期记忆神经网络模型和所述解码器进行训练。

图4B为根据本申请实施例的用于经营决策的资产减值预测系统中推断模块的框图。如图4B所示，根据本申请实施例的用于经营决策的资产减值预测系统100，包括推断模块120；其中，所述推断模块120，包括：推断数据获取单元121，用于获取推断数据，所述推断数据包括第一资产在二手交易市场的历史成交价格数据；数据处理单元122，用于将所述推断数据输入训练完成的所述多尺度邻域特征提取模块、所述双向长短期记忆神经网络模型和所述解码器以得到用于表示第一资产的可回收金额的解码值；以及，资产减值损失确定单元123，用于基于所述解码值和所述第一资产的资产账面价值，确定资产减值损失值。

在一个示例中，在上述用于经营决策的资产减值预测系统100中，所述月多尺度编码单元113，进一步用于：将所述月历史数据输入所述多尺度邻域特征提取模块的第一卷积层以得到第一尺度月历史特征向量，其中，所述第一卷积层具有第一长度的第一一维卷积核；将所述月历史数据输入所述多尺度邻域特征提取模块的第二卷积层以得到第二尺度月历史特征向量，其中，所述第二卷积层具有第二长度的第二一维卷积核，所述第一长度不同于所述第二长度；以及，将所述第一尺度月历史特征向量和所述第二尺度月历史特征向量进行级联以得到所述月历史特征向量。

在一个示例中，在上述用于经营决策的资产减值预测系统100中，所述关联单元116，进一步用于：以如下公式计算所述月动态历史特征向量和所述星期动态历史特征向量的关联矩阵以得到解码特征矩阵；其中，所述公式为：

其中

在一个示例中，在上述用于经营决策的资产减值预测系统100中，所述校正单元117，进一步用于：以如下公式对所述解码特征矩阵进行平滑最大函数近似性调制以得到所述校正后解码特征矩阵；其中，所述公式为：

其中

在一个示例中，在上述用于经营决策的资产减值预测系统100中，所述将解码损失单元118，进一步用于：使用所述解码器以如下公式对所述校正后解码特征矩阵进行解码回归以获得训练解码值，所述公式为：

这里，本领域技术人员可以理解，上述用于经营决策的资产减值预测系统 100中的各个单元和模块的具体功能和操作已经在上面参考图1到图3的用于经营决策的资产减值预测方法的描述中得到了详细介绍，并因此，将省略其重复描述。

如上所述，根据本申请实施例的用于经营决策的资产减值预测系统 100可以实现在各种终端设备中，例如用于经营决策的资产减值预测的服务器等。在一个示例中，根据本申请实施例的用于经营决策的资产减值预测系统 100可以作为一个软件模块和/或硬件模块而集成到终端设备中。例如，该用于经营决策的资产减值预测系统100可以是该终端设备的操作系统中的一个软件模块，或者可以是针对于该终端设备所开发的一个应用程序；当然，该用于经营决策的资产减值预测系统 100同样可以是该终端设备的众多硬件模块之一。

替换地，在另一示例中，该用于经营决策的资产减值预测系统 100与该终端设备也可以是分立的设备，并且该用于经营决策的资产减值预测系统 100可以通过有线和/或无线网络连接到该终端设备，并且按照约定的数据格式来传输交互信息。

示例性电子设备

下面，参考图5来描述根据本申请实施例的电子设备。图5图示了根据本申请实施例的电子设备的框图。如图5所示，电子设备10包括一个或多个处理器11和存储器12。

处理器11可以是中央处理单元（CPU）或者具有数据处理能力和/或指令执行能力的其他形式的处理单元，并且可以控制电子设备10中的其他组件以执行期望的功能。

存储器12可以包括一个或多个计算机程序产品，所述计算机程序产品可以包括各种形式的计算机可读存储介质，例如易失性存储器和/或非易失性存储器。所述易失性存储器例如可以包括随机存取存储器（RAM）和/或高速缓冲存储器（cache）等。所述非易失性存储器例如可以包括只读存储器（ROM）、硬盘、闪存等。在所述计算机可读存储介质上可以存储一个或多个计算机程序指令，处理器11可以运行所述程序指令，以实现上文所述的本申请的各个实施例的用于经营决策的资产减值预测方法中的功能以及/或者其他期望的功能。在所述计算机可读存储介质中还可以存储诸如训练数据和推断数据等各种内容。

在一个示例中，电子设备10还可以包括：输入装置13和输出装置14，这些组件通过总线系统和/或其他形式的连接机构（未示出）互连。

该输入装置13可以包括例如键盘、鼠标等等。

该输出装置14可以向外部输出各种信息，包括解码值等。该输出装置14可以包括例如显示器、扬声器、打印机、以及通信网络及其所连接的远程输出设备等等。

当然，为了简化，图5中仅示出了该电子设备10中与本申请有关的组件中的一些，省略了诸如总线、输入/输出接口等等的组件。除此之外，根据具体应用情况，电子设备10还可以包括任何其他适当的组件。

示例性计算机程序产品和计算机可读存储介质

除了上述方法和设备以外，本申请的实施例还可以是计算机程序产品，其包括计算机程序指令，所述计算机程序指令在被处理器运行时使得所述处理器执行本说明书上述“示例性方法”部分中描述的根据本申请各种实施例的用于经营决策的资产减值预测方法中的功能中的步骤。

所述计算机程序产品可以以一种或多种程序设计语言的任意组合来编写用于执行本申请实施例操作的程序代码，所述程序设计语言包括面向对象的程序设计语言，诸如Java、C++等，还包括常规的过程式程序设计语言，诸如“C”语言或类似的程序设计语言。程序代码可以完全地在用户计算设备上执行、部分地在用户设备上执行、作为一个独立的软件包执行、部分在用户计算设备上部分在远程计算设备上执行、或者完全在远程计算设备或服务器上执行。

此外，本申请的实施例还可以是计算机可读存储介质，其上存储有计算机程序指令，所述计算机程序指令在被处理器运行时使得所述处理器执行本说明书上述“示例性方法”部分中描述的根据本申请各种实施例的用于经营决策的资产减值预测方法中的功能中的步骤。

所述计算机可读存储介质可以采用一个或多个可读介质的任意组合。可读介质可以是可读信号介质或者可读存储介质。可读存储介质例如可以包括但不限于电、磁、光、电磁、红外线、或半导体的系统、装置或器件，或者任意以上的组合。可读存储介质的更具体的例子（非穷举的列表）包括：具有一个或多个导线的电连接、便携式盘、硬盘、随机存取存储器（RAM）、只读存储器（ROM）、可擦式可编程只读存储器（EPROM或闪存）、光纤、便携式紧凑盘只读存储器(CD-ROM)、光存储器件、磁存储器件、或者上述的任意合适的组合。

以上结合具体实施例描述了本申请的基本原理，但是，需要指出的是，在本申请中提及的优点、优势、效果等仅是示例而非限制，不能认为这些优点、优势、效果等是本申请的各个实施例必须具备的。另外，上述公开的具体细节仅是为了示例的作用和便于理解的作用，而非限制，上述细节并不限制本申请为必须采用上述具体的细节来实现。

本申请中涉及的器件、装置、设备、系统的方框图仅作为例示性的例子并且不意图要求或暗示必须按照方框图示出的方式进行连接、布置、配置。如本领域技术人员将认识到的，可以按任意方式连接、布置、配置这些器件、装置、设备、系统。诸如“包括”、“包含”、“具有”等等的词语是开放性词汇，指“包括但不限于”，且可与其互换使用。这里所使用的词汇“或”和“和”指词汇“和/或”，且可与其互换使用，除非上下文明确指示不是如此。这里所使用的词汇“诸如”指词组“诸如但不限于”，且可与其互换使用。

还需要指出的是，在本申请的装置、设备和方法中，各部件或各步骤是可以分解和/或重新组合的。这些分解和/或重新组合应视为本申请的等效方案。

提供所公开的方面的以上描述以使本领域的任何技术人员能够做出或者使用本申请。对这些方面的各种修改对于本领域技术人员而言是非常显而易见的，并且在此定义的一般原理可以应用于其他方面而不脱离本申请的范围。因此，本申请不意图被限制到在此示出的方面，而是按照与在此公开的原理和新颖的特征一致的最宽范围。

为了例示和描述的目的已经给出了以上描述。此外，此描述不意图将本申请的实施例限制到在此公开的形式。尽管以上已经讨论了多个示例方面和实施例，但是本领域技术人员将认识到其某些变型、修改、改变、添加和子组合。