[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

说明书

本发明公开了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，包括以下的步骤：首先，选取有还款或逾期表现的客户作为建模样本，获取客户信用数据；对信用数据进行预处理，随机切分训练集和测试集；根据建模样本的数据特征构建递归神经网络拓扑结构，确定网络的参数，初始化递归神经网络的权值和偏置；构建递归神经网络的权值偏置与引力搜索算法算法的映射关系，通过引力搜索算法算法得到最优权值和偏置，并使用训练集对递归神经网络进行训练；本发明利用引力搜索算法确定了循环神经网络最优的权值和偏置，加快了神经网络的收敛速度，并提高了预测模型的准度，可满足互联网金融信用实时评估的需求。

技术领域

本发明涉及互联网金融行业的风控技术领域，具体为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。

背景技术

随着互联网金融的发展，消费信贷业务不断扩展，对贷款申请人的违约概率预测的重要性日益加强。违约概率分析是对信贷申请者的准确信用评估，可帮助信贷平台有效规避违约概率。

目前，常用的违约概率预测方法主要有逻辑回归、贝叶斯网络、决策树、BP和RBF神经网络等机器学习算法，但这些方法主要用于客户申请时点的静态预测，无法监控到贷款客户的潜在的还款违约，当前对于违约概率的预测需要更多结合客户时间序列的表现，而时间序列呈现呈现出更为复杂的非线性特征，从而导致时间序列预测方法难以选取合适的输入变量个数，

递归神经网络(Recursive Neural Network)是一种具有树状阶层结构且网络节点按其连接顺序对输入信息进行递归的人工神经网络，采用递归神经网络来实现用户行为预测，减少了训练预测模型的特征工程工作量，能够较好地捕捉特征之间的关联关系，特别适用于贷款客户还款违约概率的监督预测。

但递归神经网络的初始权值和偏置存在很大的随机化，初始参数的设定不当，可能导致模型收敛速度慢、预测精度不高和稳定性差等问题。实验证明，通过对递归神经网络的初始权值和偏置合理选择和优化来提高预测准确性并减少预测时间，目前对递归神经网络初始参数的选择较为广泛的智能优化算法主要有遗传算法和粒子群算法，但在寻优的过程中均会不同程度地陷入局部最优。如何确定递归神经网络的最佳初始权值和阀值，是提高递归神经网络性能的关键。

因此，针对上述问题提出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。

发明内容

本发明的目的在于提供一种基于蜻蜓算法优化多核支持向量机的逾期风险预测方法，以解决上述背景技术中提出的问题。

为实现上述目的，本发明提供如下技术方案：

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，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。