[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

说明书

本发明公开了用于逾期金额预测的神经网络模型构建方法及预测系统，所述方法包括获取贷款客户名单，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；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；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；其中x为对应贷款客户的客户特征画像，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；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。本发明使最终被构建的模型能够达到理想的效果。

技术领域

本发明属于互联网金融技术领域，尤其涉及一种用于逾期金额预测的神经网络模型构建方法及预测系统。

背景技术

目前现有的金融系统中有很多贷款风险预测模型，目前现有的风险预测模型主要是判断客户是否会发生逾期，缺乏准确预测逾期金额的模型，另外，目前现有风险预测模型在构建时，是直接的将客户特征提取出来进行使用，没有进一步的进行特征演化，这样特征量如果过大，会导致训练模型变得难以控制，容易将一些特征丢失或被过滤，这导致使用太多的特征作为输入，最终不能获得理想的效果。

发明内容

本发明所要解决的技术问题在于针对上述现有技术中的不足，提供一种用于逾期金额预测的神经网络模型构建方法及预测系统，在构建模型时，能够根据大量的客户特征进一步的演化，降低最终用于训练模型时的特征量，提升了特征的质量，使最终被构建的模型能够达到理想的效果。

本发明第一方面公开了一种用于逾期金额预测的神经网络模型构建方法，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。

上述用于逾期金额预测的神经网络模型构建方法，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。

上述用于逾期金额预测的神经网络模型构建方法，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。

本发明第二方面公开了一种基于上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，包括用户端和服务端；