[发明专利]一种基于长短期记忆循环神经网络的银行网点备付金预测方法

权利要求书

1.一种基于长短期记忆循环神经网络的银行网点备付金预测方法，其特征在于，包括数据预处理阶段、模型训练阶段和预测阶段；

所述数据预处理阶段，收集银行网点若干天的现金交易记录作为训练集，构建交易数据库，数据库中包括根据每日的现金交易记录以日为单位构建的特征向量，以及根据每日的现金交易记录计算得到的日净额；

所述模型训练阶段，搭建具有若干个隐含层的长短期记忆循环神经网络模型，即LSTM模型，其中每个隐含层包含若干个神经元，利用交易数据库中的特征向量和日净额对LSTM模型进行训练，得到最优LSTM模型权重参数；

所述预测阶段，确定待预测的银行网点和预测日期，收集该银行网点前若干天的现金交易记录，然后分别转换成特征向量输入到LSTM预测模型中，输出预测结果，即备付金预测值。

2.根据权利要求1所述的基于长短期记忆循环神经网络的银行网点备付金预测方法，其特征在于，在数据预处理阶段，以日为单位，统计每日的总存款额、总取款额以及日期属性，建特征向量，格式如下：[月份，日期，总存款额，总取款额，日期属性]，其中，日期属性分为工作日、周六、周日和节假日，分别标记为0、1、2、3，并且节假日属性优于其他日期属性；

根据现金交易记录计算日净额；统计一段周期内银行网点的日净额分布，得到置信区间；并将置信区间作为预测总区间，将其划分成N_CLASS个子区间；根据每日的日净额所处子区间将其标记为一个N_CLASS维的one-hot向量，one-hot向量中的每一个维度对应一个子区间，该日的日净额所处子区间对应维度的向量元素标为1，其他维度的向量元素标为0。

3.根据权利要求2所述的基于长短期记忆循环神经网络的银行网点备付金预测方法，其特征在于，所述N_CLASS取值为5。

4.根据权利要求3所述的基于长短期记忆循环神经网络的银行网点备付金预测方法，其特征在于，所述预测阶段，依次将不同日期的特征向量输入到LSTM预测模型中，经过输入门层、遗忘门层、输出门层的三种矩阵变换，输出预测日的one-hot向量。

5.根据权利要求4所述的基于长短期记忆循环神经网络的银行网点备付金预测方法，其特征在于，所述预测阶段，根据预测日的one-hot向量得到预测日的日净额所处的子区间，并取该子区间内的随机值作为备付金预测值。

6.根据权利要求3所述的基于长短期记忆循环神经网络的银行网点备付金预测方法，其特征在于，所述模型训练阶段，迭代若干次对LSTM模型进行训练，使用随机小实数初始化LSTM模型的权重参数，应用随机失活进行正则化处理，以tanh非线性函数作为激活函数确定输出，并选取交叉熵作为损失函数，将预测得到one-hot向量与真实日净额对应的one-hot向量进行对比，计算损失，并使用随机梯度下降与反向传播方法相结合寻找使得损失最小的最优权重参数。

7.根据权利要求6所述的基于长短期记忆循环神经网络的银行网点备付金预测方法，其特征在于，所述模型训练阶段，隐含层个数为5，每个隐含层包含50个神经元，迭代100000次对LSTM模型进行训练。