[发明专利]一种基于LSTM的借贷风险时效性预测系统及方法

权利要求书

1.一种基于LSTM的借贷风险时效性预测系统，其特征在于，包括依次连接的服务器存储模块、长短记忆LSTM模块、强学习器GBDT训练模块、参数存储模块以及服务器选择模块；

所述服务器存储模块，用于存储具有时效性的用户个人信息和历史数据；

所述长短记忆LSTM模块，用于根据所述服务器存储模块中用户的历史数据，利用LSTM神经网络获取用户的周期性特征向量；

所述强学习GBDT训练模块，用于将用户的个人信息和周期性特征向量组成样本，并根据所述样本利用GBDT算法计算得到强学习器的拟合函数；

所述参数存储模块，用于存储所述长短记忆LSTM模块和强学习器GBDT训练模块的模型参数；

所述服务器选择模块，用于利用所述强学习器GBDT训练模块得到的拟合函数预测用户的借贷风险。

2.根据权利要求1所述的基于LSTM的借贷风险时效性预测系统，其特征在于，所述长短记忆LSTM模块包括若干个长短记忆LSTM单元；每个所述长短记忆LSTM单元包括：

遗忘门，用于控制是否遗忘上一层长短记忆LSTM单元的隐藏细胞状态；

输入门，用于处理当前序列位置的输入；

输出门，用于更新细胞状态，得到当前长短记忆LSTM单元的输出结果。

3.一种基于LSTM的借贷风险时效性预测方法，其特征在于，包括以下步骤：

S1、接收服务器发送的风险预测分析指令；

S2、将具有时效性的用户个人信息和历史数据分别作为长短期记忆LSTM模块和强学习GBDT训练模块的输入，并初始化参数，并将初始化后的参数传输至上述两个模块中；

S3、根据所述用户的历史数据，利用LSTM神经网络获取用户的周期性特征向量；

S4、将所述用户的个人信息和周期性特征向量组成样本，并根据所述样本利用GBDT算法计算得到强学习器的拟合函数，并根据所述拟合函数预测用户的借贷风险；

S5、存储所述长短记忆LSTM模块和强学习器GBDT训练模块的模型参数，并将所述借贷风险预测结果反馈至用户，完成对借贷风险的预测。

4.根据权利要求3所述的基于LSTM的借贷风险时效性预测方法，其特征在于，所述步骤S3包括以下步骤：

S301、初始化长短期记忆LSTM模块中的参数；

S302、根据所述用户的历史数据构建交叉熵损失函数；

S303、判断迭代控制变量是否大于提取迭代上限T1，若是，则进入步骤S305，否则进入步骤S304；

S304、根据判断所述交叉熵损失函数值是否小于收敛判定阈值，若是，则进入步骤S305，否则，返回步骤S303，直至所述交叉熵损失函数值小于收敛判定阈值或大于迭代上限T1；

S305、根据用户的历史数据,计算得到本轮长短记忆LSTM单元的权重矩阵，并根据所述权重矩阵计算得到用户的周期性特征向量。