[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

说明书

本发明公开了一种基于蚁群算法优化循环神经网络的逾期监控方法，包括以下的步骤：首先，选取建模样本及采集样本的信用数据及表现数据标签化；对采集到的信用数据进行预处理，对建模样本随机切分训练集和测试集；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，建立循环神经网络模型；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，再使用梯度下降算法对循环神经网络进行训练；输入测试集样本到训练后的循环神经网络进行预测对比和评估；本发明利用蚁群算法确定了循环神经网络最优的权值和偏置，加快了神经网络的收敛速度，并提高了预测模型的准度，可满足互联网金融欺诈行为实时检测的需求。

技术领域

本发明涉及互联网金融行业的风控技术领域，具体为一种基于蚁群算法优化循环神经网络的逾期监控方法。

背景技术

深度学习体系包括深度神经网络、卷积神经网络、循环神经网络，深度学习的好处是可以自动利用非监督式或半监督式的特征学习和分层特征提取高效算法来替代手工获取特征，其应用效果已明显超过了传统的机器学习算法。

循环神经网络(Recurrent Neural Network，RNN)是一类以序列数据为输入，在序列的演进方向进行递归且所有循环单元按链式连接形成闭合回路的递归神经网络。循环神经网络具有记忆性、参数共享特点，在对序列的非线性特征进行学习时具有一定优势，适用于金融逾期及欺诈检测问题，因此，对一种基于蚁群算法优化循环神经网络的逾期监控方法的需求日益增长。

常见的循环神经网络训练学习算法以反向传播算法和实时递归神经网络算法为主，随着时间的推移数据量增大以及网络隐藏层神经元之自身的循环问题，算法误差会产生指数增长或消失的问题，容易出现梯度爆炸或梯度消失现象，从而陷入局部最优值，算法的收敛速度和预测精度降低很大。对权重矩阵进行合理的初始化可以减少梯度爆炸或梯度消失的影响。

目前常见的对循环神经网络优化的方式主要有粒子群算法和遗传算法等，在一定程度上，各类优化算法在对循环神经网络初始权值和偏置优化中取得一定的效果，但智能算法本身又存在自己的缺陷。使用遗传算法前期收敛速度过快，容易陷入局部最优解；使用粒子群算法虽然操作简单，且能够快速收敛，但是随着迭代次数的不断增加，在种群收敛集中的同时，各粒子也越来越相似，可能在局部最优解周边无法跳出，得到的模型的收敛速度和预测精度还是不够理想。如何选择一种更加适合的只能优化算法来优化循环神经网络初始权值和偏置一直是研究的难点，因此，针对上述问题提出一种基于蚁群算法优化循环神经网络的逾期监控方法。

发明内容

本发明的目的在于提供一种基于蚁群算法优化循环神经网络的逾期监控方法，以解决上述背景技术中提出的问题。

为实现上述目的，本发明提供如下技术方案：

一种基于蚁群算法优化循环神经网络的逾期监控方法，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；