[发明专利]一种银行大额存款业务处理方法及装置

权利要求书

1.一种银行大额存款业务处理方法，其特征在于，包括：

获取客户的大额存款特征值，所述大额存款特征值所对应的每个预设特征为预先根据主成分分析法从大额存款历史数据的多个特征中提取出来的影响大额存款利率的特征；

将所述大额存款特征值输入到大额存款利率预测模型中进行处理，得到大额存款利率预测值，所述大额存款利率预测模型为预先利用训练样本集对预设神经网络模型进行训练，并利用测试样本集对训练后的预设神经网络模型进行验证后得到的，所述训练样本集和所述测试样本集是通过从大额存款历史数据中提取每个所述预设特征对应的特征值以及大额存款利率后得到的；

根据所述大额存款利率预测值为客户办理大额存款业务。

2.根据权利要求1所述的方法，其特征在于，所述方法还包括：

对预先存储的大额存款历史数据进行预处理；

对预处理后的大额存款历史数据进行标准化处理，生成特征矩阵；

计算所述特征矩阵中特征件的相关系数，生成特征间的相关系数矩阵；

依据所述相关系数矩阵计算每个主成分的特征值与特征向量；

计算每个所述主成分的贡献率，并按贡献率由高到低对所述主成分进行排序，将前N个所述主成分确定为影响大额存款利率的预设特征，N为大于1的正整数。

3.根据权利要求2所述的方法，其特征在于，所述预设特征包括存款金额、存款期限、资产信息、信用情况、投资信息和基准利率。

4.根据权利要求1所述的方法，其特征在于，所述方法还包括：

从预先存储的每条大额存款历史数据中提取与每个所述预设特征对应的特征值以及大额存款利率，得到多个样本数据；

将多个样本数据按照预设比例划分为所述训练样本集和所述测试样本集；

利用所述训练样本集对预设神经网络模型进行训练；

利用所述测试样本集对训练后的预设神经网络模型的预测结果进行验证，在训练后的预设神经网络模型的预测结果的准确率大于预设值的情况下，得到所述大额存款利率预测模型。

5.根据权利要求4所述的方法，其特征在于，在所述利用所述训练样本集对预设神经网络模型进行训练之前，所述方法还包括：

根据所述预设特征的数量对BP神经网络模型的输入层进行配置，并根据利率预测值对BP神经网络模型的输出层进行配置；

采用试凑法确定BP神经网络模型中隐含层的最优数量；

利用遗传算法对BP神经网络模型的权值和阈值进行优化，得到预设神经网络模型。

6.一种银行大额存款业务处理装置，其特征在于，包括：

存款特征值获取单元，用于获取客户的大额存款特征值，所述大额存款特征值所对应的每个预设特征为预先根据主成分分析法从大额存款历史数据的多个特征中提取出来的影响大额存款利率的特征；

存款利率预测单元，用于将所述大额存款特征值输入到大额存款利率预测模型中进行处理，得到大额存款利率预测值，所述大额存款利率预测模型为预先利用训练样本集对预设神经网络模型进行训练，并利用测试样本集对训练后的预设神经网络模型进行验证后得到的，所述训练样本集和所述测试样本集是通过从大额存款历史数据中提取每个所述预设特征对应的特征值以及大额存款利率后得到的；

存款业务处理单元，用于根据所述大额存款利率预测值为客户办理大额存款业务。

7.根据权利要求6所述的装置，其特征在于，所述装置还包括预设特征确定单元，具体用于：

对预先存储的大额存款历史数据进行预处理；

对预处理后的大额存款历史数据进行标准化处理，生成特征矩阵；

计算所述特征矩阵中特征件的相关系数，生成特征间的相关系数矩阵；

依据所述相关系数矩阵计算每个主成分的特征值与特征向量；

计算每个所述主成分的贡献率，并按贡献率由高到低对所述主成分进行排序，将前N个所述主成分确定为影响大额存款利率的预设特征，N为大于1的正整数。