[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

说明书

技术领域

本发明涉及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。

背景技术

近年来，随着第三方支付机构的兴起与发展，商业银行现金业务受到了一定的冲击，商业银行中间业务首当其冲。商业银行中间业务主要包括支付结算、担保、承诺、交易、查询等，作为传统媒介的支付结算业务是最重要的部分。商业银行财务绩效体系主要衡量流动性、安全性、盈利性三个指标，其中，备付金比例是影响三大指标的关键因素。

对银行网点而言，备付金代表其辐射范围的现金业务活跃度，这一活跃度受日期属性的影响。通常，银行网点在工作日交易较为频繁，尤其是对公业务需求旺盛，而在节假日期间，银行网点通常只提供自助存取款服务，大额交易较少。因此，预测银行网点备付金需求时，需要首先考虑日期属性。

一方面，银行网点备付金预测基于以往一段时间内银行网点的现金交易情况，主要依据银行网点的现金业务日净额，对备付金需求进行预测。在一段时间内，银行网点营业日净额是一组时间序列，因此，银行网点备付金预测可以转换成时间序列预测问题。国内外研究人员在时间序列方向上进行了相关研究。传统构建时间序列模型的方法，例如自回归模型、线性动态模型，这一类方法通常是模拟时间序列是线性相关的，并不适用于银行备付金这种非线性结构数据的预测。

另一方面，随着深度学习的飞速发展，神经网络技术也在不断更新。递归神经网络(RNNs,Recurrent Neural Networks)由于具有自学习特性，且其展开模型就是时间依赖模型，因此其特别适合时间序列预测。自然语言处理(NLP)中就通过使用RNNs来预测单词。理论上而言，RNNs可以记住长久的信息，来预测时间序列，但实际上，RNNs对长远依赖信息处理能力不足。

可见，不管是在实际应用还是科学研究中，时间序列有着重要的研究价值。然而，已有的研究成果还不能满足越来越复杂的应用场景对时间序列预测提出的新需求，目前的备付金预测大多采用统计学方法，难以高效、精准地应对备付金预测需求。因此，设计一种能够高效且精准预测银行网点备付金需求的方法具有重大的研究意义。

发明内容

本发明所解决的技术问题是，针对现有技术不足，提出一种基于长短期记忆循环神经网络(Long Short Term Memory,LSTM)的银行网点备付金预测系统，将银行网点日净额作为备付金需求的参考标准，并结合预测日期的日期属性为银行网点建立LSTM预测模型，有效地从银行网点过往的现金交易记录中挖掘出银行网点指定日期的备付金需求，能有效提高银行网点备付金预测精度。

为解决上述技术问题，本发明所采用的技术方案是：

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，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。

进一步地，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。

进一步地，所述N_CLASS取值为5。