[发明专利]互联网金融的风控预测方法

权利要求书

1.互联网金融的风控预测方法，其特征在于，包括：

S1、构建初始的预测模型，预测模型包括第一模型和第二模型，第一模型的输出作为第二模型的输入；

S2、获取数据集；

S3、数据集导入第一模型，获得预测结果并导入第二模型，对预测模型进行训练优化，获得最优预测模型。

2.根据权利要求1所述的互联网金融的风控预测方法，其特征在于，在S1中，第一模型包括至少两个基础模型，基础模型为GBDTs(梯度提升树类模型)模型，第二模型为LSTM模型。

3.根据权利要求2所述的互联网金融的风控预测方法，其特征在于，第二模型的遗忘门表示为f_t＝σ(W_f[h_t-1，x_t]+b_f)，输入门表示为i_t＝σ(W_i[h_t-1，x_t]+b_i)，单元状态表示为输出门表示为o_t＝σ(W_o[h_t-1，x_t]+b_o)，最终输出为h_t＝o_t⊙tanh(c_t），第二模型的完整输出表示为s(X)＝{h₁，h₂，...，h_t}，其中W_f是遗忘门的权重矩阵，[h_t-1，x_t]表示将其中的两个向量拼接成一个更长的向量，b_f是遗忘门的偏置项，σ是Sigmoid函数，W_i是输入门的权重矩阵；b_i是输入门的偏置项，单元状态c_t是由上一次的单元状态c_t-1按位乘以遗忘门f_t。

4.根据权利要求2所述的互联网金融的风控预测方法，其特征在于，在S3中包括：

S31、数据集导入当下第一模型的每个基础模型，并获得预测值，数据集表示为(X，Y_t)，其中X为基础模型的输入，Y_t为不同时刻的标签；

S32、对当下时刻所有的预测值进行加权累加，得到当下第一模型在当下时刻的预测结果，加权累加表示为其中x_i为第i条数据，为对应的预测结果，y_i为真实值，f_k为第k个基础模型，每个基础模型得到的AUC值记为α_i；w_k为每个基础模型的权值，

S33、第一模型的输出定义为其中t表示不同时刻，第二模型的输入定义为X′，表示为

S34、X′导入当下第二模型，并根据当下第二模型的输出对当下预测模型进行训练优化，得到下一预测模型；

S35、判断下一预测模型是否为最优的预测模型，若是，则令下一预测模型作为最优预测模型并进入S4；反之则令下一预测模型作为当下预测模型，更新X′和Y_t，X′更新为Y_t更新为Y_t+1，Y_t+1←X′-g_t(X)，返回S31。

5.根据权利要求4所述的互联网金融的风控预测方法，其特征在于，在S35中，通过判断当前的迭代次数t是否达到设定的迭代次数N来判断下一预测模型是否为最优的预测模型，若下一预测模型不是最优的预测模型，则令t＝t+1，再返回S31。

6.根据权利要求4所述的互联网金融的风控预测方法，其特征在于，计算每个模型的误差为∈_i，这个误差服从零均值方差为且协方差为的多维正态分布，所有模型的平均预测所得误差是最终的平方误差的期望为：

7.根据权利要求1所述的互联网金融的风控预测方法，其特征在于，在S2和S3之间还包括S0、预处理数据，具体包括：

S01、删除数据集的异常列、空值列和重复值列；

S02、删除后的数据集进行归一化处理和标准化处理，归一化表示为标准化表示为其中X为数据集D中的目标字段的集合，x为待处理值，x′为处理后的值，min(*)、max(*)、mean(*)和std(*)分别表示取该字段的最小值、最大值、平均值和标准差；

S03、对归一化和标准化处理后的数据集进行独热编码、组合特征、字段拆分、业务特征和特征衍生操作构建数据集的特征。