基于人工智能的承包商履约信用风险预测方法研究

The performance credit of construction contractors is directly related to the quality and safety of construction works, and eventually the achievement of the investment objectives of the construction. Forecasting the contractor's performance credit risk is both essential for a healthy construction surety industry and a healthy construction market. It helps minimize surety companies’ underwriting risks and avoid losses and accidents caused by unqualified contractors. Thus, it provides more market opportunities for the honest and qualified ones, helping them to build the “China Build” brand. ..This study intends to adopt the artificial intelligence method to realize the automatic forecast of the construction contractor's performance risk. There are two major challenges to overcome: 1) the heterogeneous, noisy and limited data; 2) the rather complicate domain knowledge of construction risk management. This research intends to overcome these challenges by creating an innovative artificial intelligence framework by combining knowledge graph, machine learning, and hybrid-augmented intelligence...Based on theoretic research and deep domain knowledge of the impact factors and mechanism of contractor’s performance credit, we will create a knowledge graph to realize data characterization and data fusion; Then, we will adopt deep learning and other unsupervised machine learning methods to create a forecast model. We will use extreme learning machine and gray model method to tolerate the imperfect datasets. We will also adopt Hybrid-augmented intelligence method to integrate the human knowledge and statistical machine learning，so as to continuously enhance the knowledge graph and the AI-based forecast system , and an deeper and wider theoretic recognition on the contractor’s performance credit risk.

有效预测承包商履约信用风险，可让优质承包商获得更多市场机会，规避不合格承包商带来的质量安全风险和投资目标损失，并使专业担保机构更好控制承保风险，从而培育一个健康的建筑市场和专业工程担保市场，及打造“中国建造”品牌。. 本研究拟提出一种将知识图谱、机器学习和混合增强智能相结合的人工智能新方法，来实现对承包商履约信用风险的自动预测，并应对数据集异源多维且有限和不完备，以及复杂专业领域知识所带来的挑战。首先将基于对承包商信用影响因子和作用机理的理论认知，创建一个可以支持数据特征化和数据融合的知识图谱；再采用深度学习与极限学习及灰度模型相结合的方法，来实现机器无监督学习和人工智能预测模型的建构，并提高机器学习的效率和降低数据量需求；并采用人机结合的混合增强智能方法，经迭代实现对知识图谱和预测模型的不断增强，以达成令人满意的预测准确率，并深化和拓展承包商履约信用风险的理论认知。

本项目的核心目标是提出一套基于人工智能的承包商履约信用风险预测方法，并系统梳理并深化对建筑承包商履约信用行为规律和影响因素认知，探索融合异源多维数据的承包商履约信用风险知识图谱的建构方法，以及探索承包商履约信用风险领域知识与人工智能算法的人机结合方法。课题组结合人工智能、知识图谱、混合增强学习和数据市场等多种技术手段的综合应用，形成了一条既支持局部多点突破，又支持模型的系统整合和持续优化的技术路径方法。.基于化整为零的思路，对工程项目成败经验研究识别关键成功因素，系统划定影响承包商履约信用的六大风险领域，再结合各领域特点和数据可获得性，首先从企业失败风险预测、低价中标风险评估和安全事故预警等三个方向，分别选择适用的人工智能技术，并结合建筑业的特点不断优化数据驱动和机器学习算法，分别初步建立了预测建筑企业失败风险的ZPP-LSTM模型和RF-TMF模型，以及基于SOM-DBSCAN的企业财务数据失真检测模型、基于BP神经网络的投标报价合理性评价模型、和基于知识图谱的工程安全事故风险预警系统等，以及施工合同纠纷裁判文书语义分析工具、基于人机交互的施工专家知识挖掘工具、和营造细则辅助编辑工具的设计。.其次，课题组对基于区块链和多方安全计算的数据共享平台建构进行了探索，并在多方安全计算方法、隐私保护和相关智能合约等方面取得了不错的技术突破，还结合具体应用场景对联邦学习和数据市场定价机制做了初步探索。.另一方面，课题组又从项目组织系统风险、专业协作风险和主观履约意愿风险等方面，借助扎根理论、演化博弈分析、实验经济学、结构方程模型、社会网络分析、NK-Network模型、多主体仿真等多种方法，持续深化对承包商履约机制的理论认知。并尝试将相关理论发现与基于数据驱动和人工智能方法的因果发现进行相互校验，并结合语义分析和人机互动等持续进行领域知识挖掘，以此不断丰富知识图谱，并期望未来能借助基于区块链和多方安全计算的数据共享平台持续支持人机混合增强的人工智能模型优化。

内容获取失败，请点击重试