[发明专利]家庭经济状况评价模型建立方法以及监测管理方法

说明书

本发明涉及一种家庭经济状况评价模型建立方法以及监测管理方法，筛选出有效反映家庭经济状况特征的特征因素样本数据，建立特征因素层次关系；利用标准化公式将特征因素样本数据转化为无纲量的标准化数据；将标准化数据模糊化处理，根据隶属函数求出每一输入的各等级隶属度值；通过遗传算法对模糊神经网络初始化权重进行优化；确定基于遗传算法的模糊神经网络的结构以及层数，确定模糊神经网络模型训练步骤和过程；通过基于遗传算法的模糊神经网络进行训练获取反映特征因素之间的相对权重的权重信息；将训练完成的模糊神经网络模型通过验证集、测试集来确定是否合格，合格则输出模型，反之，则重复训练过程。减少了调研工作的人力和物力投入，提高了家庭经济状况的准确性与科学性，弥补了大数据在动态家庭经济状况监测领域的空白。

技术领域

本发明涉及家庭经济状况领域，特别是一种家庭经济状况评价模型建立方法以及监测管理方法。

背景技术

目前，家庭经济状况数据收集大都是通过问卷调查和走访等形式完成的，走访对象会因自身利益，提供不真实的数据，影响数据分析处理的准确性。此外，问卷调查和走访需要大量的人力和物力，工作量大且容易出错，致使数据分析的结果不完善。这些问题导致调查效果失真、措施针对性不强、成效对外展示不充分、经济状况时效性有待进一步观察。

发明内容

本发明针对上述现有技术存在的问题，提供了一种家庭经济状况评价模型建立方法以及监测管理方法，本发明能够科学有效的对用户信息进行分析，得出家庭经济状况程度的评价结论，减少家庭经济状况监测工作的人力和物力投入。

本发明公开了一种家庭经济状况评价模型建立方法，包括：

S1：筛选出有效反映家庭经济状况特征的特征因素样本数据，建立特征因素层次关系；

S2：利用标准化公式将特征因素样本数据转化为无纲量的标准化数据；

S3：将标准化数据模糊化处理，根据隶属函数求出每一输入的各等级隶属度值；

S4：通过遗传算法对模糊神经网络初始化权重进行优化；

S5：确定基于遗传算法的模糊神经网络的结构以及层数，确定模糊神经网络模型训练步骤和过程；

S6：通过基于遗传算法的模糊神经网络进行训练获取反映特征因素之间的相对权重的权重信息；

S7：将训练完成的模糊神经网络模型通过验证集、测试集来确定是否合格，合格则输出模型，反之，则重复训练过程。

进一步地，所述步骤S1包括：

S101：从电力类和社会类两方面选取相关因素；

S102：通过距离相关系数法从各种电力类和社会类的相关因素中筛选出有效反映家庭经济状况特征的特征因素；

S103：若所述相关因素的距离相关系数越接近1，则表示与家庭经济状况的相关性越大，若所述距离相关系数越接近0，则表示与家庭经济状况的相关性越小，筛选所述距离相关系数大的相关因素作为家庭经济状况特征因素；

S104：以家庭经济状况评价结果为顶层元素，以所述电力类和所述社会类的相关因素为中间层元素，以所述电力类和社会类的相关因素分别对应的所述特征因素为底层元素，建立分类递阶层次关系。

进一步地，所述步骤S2包括：

S201：所述标准化公式由家庭经济状况特征因素的阈值和其参数值确定，分为连续和离散两类；

S202：当样本数据为连续类时，判断所述特征因素样本数据的参数值与参数阈值的关系，若所述参数值处于参数阈值的范围内，则确定标准化值为100％；若参数值超过参数阈值的上限，则通过以下表达式计算所述标准化值：