[发明专利]一种基于引力搜索算法优化递归神经网络的违约概率预测方法

权利要求书

1.一种基于引力搜索算法优化递归神经网络的违约概率预测方法，其特征在于，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客户，并采集客户的注册信息、贷款及历史还款行为信息、操作埋点数据作为多维信用数据，还款是否逾期作为标签数据；

S2、数据预处理，对信用数据进行信息提取、预处理和归一化，去除不规则数据和填补缺失数据，将数据组按照7：3比例随机划分为训练集和测试集；

S3、根据建模样本数据特征，搭建递归神经网络模型，设置递归神经网络超参数，将训练集样本输入模型进行训练，信用数据作为输入，标签数据作为输出数据，通过梯度下降算法训练递归神经网络模型；

S4、构建递归神经网络的权值和偏置与引力搜索算法的映射关系，优化得到初始权值与偏置，并用训练集样本进行训练；

S5、使用测试集的数据对训练好的递归神经网络模型进行测试，评估递归神经网络预测模型的性能，与遗传算法、粒子群算法优化的模型对比评价；

S6、将递归神经网络预测模型部署至贷款平台后端，获取客户的信用数据，使用递归神经网络模型对当前客户还款进行预测。

2.根据权利要求1所述的一种基于引力搜索算法优化递归神经网络的违约概率预测方法，其特征在于，在S1中，从互联网金融平台后端根据贷后表现选取一定比例和数量正常还款和逾期客户作为建模样本，采集样本客户账户注册申请时的个人基本信息、监测软件中获取操作行为埋点数据。信用数据包括：个人信息、贷款信息和操作埋点数据，采集的个人信息数据包括客户号、性别、出生日期、联系方式、居住地、家庭信息、学历、收入情况、负债情况、风险偏好、房屋和车辆的情况、工作所处行业、征信情况等；贷款信息数据分为已有贷款及申请贷款信息，主要包括贷款额度、贷款类型、贷款利率、贷款期限、每月归还额度；所述埋点数据包括埋点时采集的设备行为数据和日志数据，其中设备行为数据包括：登录本平台的次数、点击次数、点击频率、输入总耗时及平均耗时、手机号数据、GPS位置、MAC地址、IP地址数据、地理信息申请频次、IP的申请频次、设备电量占比、陀螺仪的平均加速度，另外日志数据包括：7天内登录次数、首次点击到申请授信时长、一天内最多的session数、申请授信前一周的行为统计等。另外在合规要求下，不限于获取移动互联网行为数据、贷款APP内行为数据、信贷历史、运营商数据在内的全域多维度大数据。

3.根据权利要求1所述的一种基于引力搜索算法优化递归神经网络的违约概率预测方法，其特征在于，在S2中，首先，结合常识和统计学规律对于原始数据进行预处理，剔除错误数据；其次，由于神经网络复杂，网络对于输入数据比较敏感以及输入数据有着不同的单位和取值范围，各神经网络的激活函数、学习规则不同，在进行递归神经网络模型预测前，需先对数据进行归一化处理，计算公式如下：

其中，x_max为样本数据中的最大值；x_min为样本数据中的最小值；x_i为原始数据；归一化后结果的取值范围为[-1,1]。