[发明专利]用于逾期金额预测的神经网络模型构建方法及预测系统

权利要求书

1.一种用于逾期金额预测的神经网络模型构建方法，其特征在于，包括以下步骤：

步骤1、获取贷款客户名单，筛选出同一表现期内发生逾期的客户名单A和未发生逾期的客户名单B，所述客户名单A中的客户数量和客户名单B中的客户数量相同；

步骤2、依据客户名单A和客户名单B采集贷款客户样本数据，得到样本数据集；

步骤3、对样本数据集进行特征工程处理，获得特征数据集中每个特征数据D(x,y)的客户特征画像x；所述客户特征画像x为客户的静态特征画像和动态特征画像直接的关联特征；所述静态特征画像用于对客户的定性特征进行刻画，所述动态特征画像用于对客户的变性特征进行刻画；y为贷款客户产生逾期金额；

步骤4、利用特征数据集对预设的BiLSTM神经网络模型进行训练，训练完成后得到逾期金额预测模型。

2.按照权利要求1所述的一种用于逾期金额预测的神经网络模型构建方法，其特征在于，所述基本特征画像包括客户工作信息、客户资产信息、客户信用信息、客户收入信息和客户贷款信息；所述交易特征画像包括客户交易流水信息。

3.按照权利要求2所述的一种用于逾期金额预测的神经网络模型构建方法，其特征在于，所述步骤3中进行特征工程处理包括以下步骤：

步骤3-1、对客户工作信息和客户资产信息进行简易热编码处理，整合客户工作信息、客户资产信息、客户信用信息、客户收入信息和客户贷款信息，生成客户画像信息值，以时间为横轴，客户画像信息值为纵轴建立特征矩阵，对特征矩阵进行降维处理，生成基本特征集；

步骤3-2、对客户交易流水信息以时间为横轴，交易额为纵轴建立特征矩阵，对特征矩阵进行降维处理，生成交易特征集；

步骤3-3、用基本特征集作为输入集，交易特征集作为真实值集训练LSTM神经网络模型；

步骤3-4、将训练好的LSTM神经网络模型的每个节点hi的权重softmax函数映射到[0，1]之间；再将每个节点hi映射后的权重与LSTM神经网络模型隐藏层的输出结果进行加和汇总，获得客户特征画像x。

4.一种基于如权利要求3所述用于逾期金额预测的神经网络模型构建方法构建的逾期金额预测模型的逾期金额预测系统，其特征在于，包括用户端和服务端；

所述用户端，用于获取授权，采集目标客户样本数据；

所述服务端，用于对客户样本数据执行步骤3所述的特征工程处理，获取客户特征画像x；还用于将获取到的客户特征画像x输入预置的逾期金额预测模型，将预测得到的预测逾期金额返回用户端。