[发明专利]一种基于LSTM的借贷风险时效性预测系统及方法

说明书

本发明提供了一种基于LSTM的借贷风险时效性预测系统，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。基于上述系统，本发明还公开了一种基于LSTM的借贷风险时效性预测方法。本发明通过结合用户时效性数据，对借贷用户的个人固定资产、身份信息和行为特点进行统计分析，使用LSTM以及GBDT进行回归预测，以确定在符合用户个人属性及行为特征的基础上，能够根据用户的个人信息以及行为历史进行分析，对再次借款时可能发生风险的几率进行预测，从而提供给金融机构推荐此次借贷交易的结果，降低借贷风险。

技术领域

本发明涉及计算机数据处理技术领域，尤其涉及一种基于LSTM的借贷风险时效性预测系统及方法。

背景技术

随着电子商务给大家带来足不出户的便利，手机支付也成为了主流的付款平台。与此同时，各大借贷平台和手机支付一起成为人们常用的付款方式，例如连同支付平台捆绑的借款组件，专门的app以及信用卡等。然而对于金融机构来说，在放款赚取利息的同时，也不可避免会发生用户不能在规定的时间内还清欠款，产生较高的循环利息而引发各种财务纠纷的事件，因此借款用户能否在规定时间内还清贷款，以及该给用户设定多少借款额度成为至关重要的问题。

在借贷平台运营过程中，基于借款用户个人信息以及历史行为的已知数据，了解和分析用户借款还款的行为周期规律，在此基础上建立起有效的借贷用户画像模型，可以较好地建立用户进行贷款的仿真环境来模拟真实环境，从而为金融机构的借贷平台在运营过程中的信息组织和营销策略的制订提供重要的依据。

关于借贷风险预测方法，已经有了很多的相关工作，但是，现有的方法都基于构造一个静态的用户画像模型，该模型需要基于静态的用户画像特征工程的方法进行构建，即：(1)该画像方法所对应的用户属性是固定的；(2)该平台对应的用户借款总额度是固定的；而真实情况很难做到用户的属性一成不变，或是用户的社交信息不发生变化，这样就大大降低了借贷风险的管控力度。由此引起的问题有：(1)用户的职业或是固定资产发生变化或是社交圈产生变化会对个人财务引起较大影响，无法及时反映由此类影响对用户造成还款行为的变化。(2)用户由于不确定因素提前还款、未及时还款或是不能全额还款，虽然现有的方法考虑进这方面因素，但也仅仅使用特征工程对其进行固定的分析，没有考虑时间因素，对借贷风险预测的准确性偏低。

发明内容

针对现有技术中的上述不足，本发明提供的一种基于LSTM的借贷风险时效性预测系统及方法，能够根据用户的个人信息、社交网络以及行为历史进行分析，对再次借款时可能发生风险的几率进行预测，从而提供给金融机构推荐此次借贷交易的结果，降低借贷风险。

为了达到以上目的，本发明采用的技术方案为：

本方案提供一种基于LSTM的借贷风险时效性预测系统，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。

进一步地，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；