(19)中华 人民共和国 国家知识产权局 (12)发明 专利申请 (10)申请公布号 (43)申请公布日 (21)申请 号 202111590586.8 (22)申请日 2021.12.23 (71)申请人 山东师范大学 地址 250014 山东省济南市历下区文化 东 路88号 (72)发明人 于晓梅　毛倩　车雪玉　付文响　 宫兆坤　 (74)专利代理 机构 济南圣达知识产权代理有限 公司 372 21 代理人 闫伟姣 (51)Int.Cl. G06N 3/04(2006.01) G06N 20/00(2019.01) G06Q 40/00(2012.01) (54)发明名称 一种基于CNN-LSTM的财务造假识别方法及 系统 (57)摘要 本发明属于人工智能领域， 提供了一种基于 CNN‑LSTM的财务造假识别方法及系统。 该方法包 括， 基于财务数据抽取特征， 根据特征是否时序 相关， 把特征分成时序相关特征和时序无关特 征； 基于所述时序相关特征， 采用CNN ‑LSTM模型， 得到第一特征； 基于所述时序无关特征， 采用CNN 模型， 得到第二特征； 将所述第一特征和第二特 征进行拼接， 得到融合特征； 基于所述融合特征 确定财务数据造假是否 造假。 权利要求书1页 说明书6页 附图4页 CN 114418061 A 2022.04.29 CN 114418061 A 1.一种基于 CNN‑LSTM的财务造假识别方法， 其特 征在于， 包括： 基于财务数据抽取特征， 根据特征是否时序相关， 把特征分成时序相关特征和时序无 关特征； 基于所述时序相关特 征， 采用CN N‑LSTM模型， 得到第一特 征； 基于所述时序无关特 征， 采用CN N模型， 得到第二特 征； 将所述第一特 征和第二特 征进行拼接， 得到融合特 征； 基于所述融合特 征确定财务数据造假是否 造假。 2.根据权利要求1所述的基于CNN ‑LSTM的财务造假识别方法， 其特征在于， 其中， 时序 相关特征是与时序信息高度相关的特征， 该特征在实际每个股票数据中会不断产生； 时序 无关特征是一类相对稳定的特 征。 3.根据权利 要求1所述的基于CNN ‑LSTM的财务造假识别方法， 其特征在于， 所述基于所 述时序相关特征， 采用CNN ‑LSTM模型， 得到第一特征的过程包括： 采用CNN提取时序相关特 征的卷积特 征， 然后对所述卷积特 征进行批标准 化处理。 4.根据权利 要求3所述的基于CNN ‑LSTM的财务造假识别方法， 其特征在于， 在卷积特征 批标准化处理后， 进入LSTM中， 得到一定尺寸的特 征后， 经过全连接层， 得到第二特 征。 5.根据权利 要求1所述的基于CNN ‑LSTM的财务造假识别方法， 其特征在于， 所述将所述 第一特征和第二特征进行拼接， 得到融合特征 的过程包括： 将所述第一特征和第二特征进 行拼接， 然后经 过一个全连接层， 得到融合特 征。 6.根据权利 要求1所述的基于CNN ‑LSTM的财务造假识别方法， 其特征在于， 所述基于所 述融合特征确定财务数据造假是否造假的过程包括： 基于所述融合特征， 采用Softmax激活 函数， 得到上市公司的股票数据造假的概 率和不造假的概 率。 7.根据权利 要求1所述的基于CNN ‑LSTM的财务造假识别方法， 其特征在于， 在所述基于 所述融合特 征确定财务数据造假是否 造假的过程， 采用损失函数 预测财务数据造假 概率。 8.一种基于 CNN‑LSTM的财务造假识别系统， 其特 征在于， 包括： 特征提取模块， 其被配置为： 基于财务数据抽取特征， 根据特征是否时序相关， 把特征 分成时序相关特 征和时序无关特 征； CNN‑LSTM模块， 其被配置为： 基于所述时序相关特征， 采用CNN ‑LSTM模型， 得到第一特 征； CNN模块， 其被 配置为： 基于所述时序无关特 征， 采用CN N模型， 得到第二特 征； 融合模块， 其被 配置为： 将所述第一特 征和第二特 征进行拼接， 得到融合特 征； 财务数据检测模块， 其被 配置为： 基于所述融合特 征确定财务数据造假是否 造假。 9.一种计算机可读存储介质， 其上存储有计算机程序， 其特征在于， 该程序被处理器执 行时实现如权利要求1 ‑7中任一项所述的基于 CNN‑LSTM的财务造假识别方法中的步骤。 10.一种计算机设备， 包括存储器、 处理器及存储在存储器上并可在处理器上运行的计 算机程序， 其特征在于， 所述处理器执行所述程序时实现如权利要求 1‑7中任一项 所述的基 于CNN‑LSTM的财务造假识别方法中的步骤。权　利　要　求　书 1/1 页 2 CN 114418061 A 2一种基于CN N‑LSTM的财 务造假识别方 法及系统 技术领域 [0001]本发明属于人工智能技术领域， 尤其涉及一种基于CNN ‑LSTM的财务造假识别方法 及系统。 背景技术 [0002]本部分的陈述仅仅是提供了与本发明相关的背景技术信息， 不必然构成在先技 术。 [0003]近年来， 随着大数据技术的不断发展以及计算机运算能力的提升， 深度学习技术 受到了国内外学者的广泛关注。 与传统的神经网络相比， 深度学习模 型层数更多， 特征提取 能力更强。 以深度神经网络(Deep  Neural Networks， DNN)、 卷积神经网络(Convolutional   Neural Networks， CNN)、 循环神经网络(Recurrent  Neural Network， RNN)等为代表的深度 学习技术， 在上市公司财务数据造假识别领域取得了进展。 但由于上市公司财务数据的复 杂性及其存在的长期依赖问题， 使传统的RNN模 型的预测性能无法进一步提升， 因此长 短期 记忆网络(L ong Short Term Memory Network， LSTM)成为了目前股票预测的主流模型。 [0004]在上市公司财务数据造假的识别中， 其目的是根据各行业与财务数据造假相关的 数据指标确定出第6年财务数据造假的上市公司。 对上市公司财务数据研究来说是重要的 一步。 因此上市公司财务数据造假识别的研究具有非常重要的意 义。 [0005]在实现本公开的过程中， 发明人发现 现有技术中存在以下技 术问题： [0006]在上市公司财务数据造假识别中的研究大都使用机器学习的算法， 例如逻辑回 归， 支持向量机， 朴素贝叶斯， 决策树等算法。 通过单个算法或者利用St acking算法对几个 机器学习的算法进行融合进行 上市公司财务数据造假识别， 得不到高准确度的结果。 发明内容 [0007]为了解决上述背景技术中存在的技术问题， 本 发明提供一种基于CNN ‑LSTM的财务 造假识别方法及系统， 其能够对上市公司财务数据造假进行精准、 快速的识别。 [0008]为了实现上述目的， 本发明采用如下技 术方案： [0009]本发明的第一个方面 提供一种基于 CNN‑LSTM的财务造假识别方法。 [0010]一种基于 CNN‑LSTM的财务造假识别方法， 包括： [0011]基于财务数据抽 取特征， 根据特征是否时序相关， 把特征分成时序相关特征和时 序无关特 征； [0012]基于所述时序相关特 征， 采用CN N‑LSTM模型， 得到第一特 征； [0013]基于所述时序无关特 征， 采用CN N模型， 得到第二特 征； [0014]将所述第一特 征和第二特 征进行拼接， 得到融合特 征； [0015]基于所述融合特 征确定财务数据造假是否 造假。 [0016]本发明的第二个方面 提供一种基于 CNN‑LSTM的财务造假识别系统。 [0017]一种基于 CNN‑LSTM的财务造假识别系统， 包括：说　明　书 1/6 页 3 CN 114418061 A 3