[发明专利]一种基于蚁群算法优化循环神经网络的逾期监控方法

权利要求书

1.一种基于蚁群算法优化循环神经网络的逾期监控方法，其特征在于，包括以下六个步骤：

S1、采集一定比例数量的正常和逾期还款表现客户作为建模样本，并采集建模样本的客户账户注册个人基本信息、用户的还款、逾期、消费等行为数据作为信用数据，根据正常和逾期还款表现对客户做标签化处理；

S2、对步骤S1中采集到的信用数据进行预处理，包括剔除异常数据、降低噪声和归一化处理，得到预处理的数据随机切分训练集和测试集；

S3、根据训练集特征确定循环神经网络拓扑结构及初始化网络参数，以归一化后的信用数据作为输入，客户标签表现数据作为输出，建立循环神经网络模型；

S4、采用蚁群算法对循环神经网络中的权重和偏置进行预训练，达到最优的初始权重和偏置赋给循环神经网络模型，输入训练集样本使用梯度下降算法对循环神经网络进行训练；

S5、输入测试集样本到训练后的循环神经网络进行预测，以模型精度评价指标与遗传算法、粒子群算法优化的循环神经网络预测模型的进行对比和评估；

S6、将优化循环神经网络模型部署至在线监测系统，将实时监测得到数据作为训练好的循环神经网络模型的输入数据，将循环神经网络模型的输出数据作为客户逾期的预测，实现客户逾期的监控，并定期对模型迭代更新。

2.根据权利要求1所述的一种基于蚁群算法优化循环神经网络的逾期监控方法，其特征在于，在S1中，从互联网金融平台后端根据贷后表现选取一定比例和数量正常还款和逾期客户作为建模样本，采集样本客户账户注册申请时的个人基本信息、用户的还款、逾期、消费等行为数据。其中用户的个人申请信息包括：手机号、学历、婚姻状况、工作单位、住址、联系人信息；所述贷款行为数据包括申贷行为、活跃行为、账户特征、负债压力、消费行为、还款行为等。申贷行为：本平台历史申请次数、拒绝次数；活跃行为：登录APP的频率、社交行为、营销响应行为；账户特征：授信额度使用率，代偿余额；消费行为：消费金额、类目、笔数；负债压力：用户在内部所在产品的总负债，外部负债；还款行为：提前还款、月还款率、习惯性逾期、催收响应行为、还款金额和期限；另外在合规要求下，不限于获取移动互联网行为数据、贷款APP内行为数据、信贷历史、运营商数据在内的全域多维度大数据。

3.根据权利要求1所述的一种基于蚁群算法优化循环神经网络的逾期监控方法，其特征在于，在S2中，由于循环神经网络对于输入数据比较敏感，需要填充缺失值，输入数据有着不同的单位和取值范围，所以必须对预处理后的数据进行归一化处理，使其值在[0,1]范围之内，具体包括以下步骤：

S21、利用部分填补缺失值法对初始信用数据样本集D中的特征数据进行数据清理；

S22、利用直接赋值法对初始信用数据样本集D中的特征数据进行数据赋值；

S23、采用Min-Max标准化法，利用最大最小归一化方法对初始信用数据样本集D中的特征数据进行数据归一化，将其映射到[0,1]区间，归一化计算公式如下：

其中，d_ij'是第i个信用数据样本的第j个特征数据的归一化结果，mind_ij和maxd_ij分别是d_ij的极小值和极大值；

S24、利用d_ij'构建信用数据样本集D'，记为：X＝{x₁,x₂,…,x_n}，x_i表示X中第i个信用数据样本，表示为x_i＝{x_i1,x_i2,…,x_iD}，特征维数记作D。