[发明专利]预测模型训练方法、金融风险预测方法及电子设备

说明书

本申请提供一种预测模型训练方法、金融风险预测方法及电子设备，通过根据模型信息，得到网络结构对应的结构参数，并基于结构参数，生成初始种群；通过用户数据，利用基于抛物线交叉算子和目标适应值函数的遗传算法，对初始种群进行迭代，直至达到预设条件，得到结构参数对应的优化参数值，其中，目标适应性函数为非线性函数，抛物线交叉算子用于通过二次多项式逼近目标适应性函数；基于结构参数和优化参数值，构造待训练模型，并对待训练模型进行训练，得到预测模型。由于在基于遗传算法生成训练模型的参数的过程中，使用了能够更好的逼近非线性的目标适应值函数的抛物线交叉算子进行种群迭代，提高了对预测模型的参数的搜索速度和准确性。

技术领域

本申请涉及人工智能技术领域，尤其涉及一种预测模型训练方法、金融风险预测方法及电子设备。

背景技术

当前，针对商业银行所面临的风险挑战，智能化的风险管理应运而生，各种智能算法被应用于银行的风险管理。其中，通过引入神经网络并进行训练，来构建智能化的金融风险预测模型，成为了一种常用的用户金融风险管控的技术手段。

传统的神经网络技术，一般通过BP(误差反向传播)算法来训练权重和阈值，该算法是基于确定性的梯度方向进行搜索，很容易陷入局部极小值，对初始值的依赖度高，鲁棒性差，初始权值的设定大大影响训练模型的准确性和效率，现有方法大多使用随机初始权重和阈值，当初始权值选择不当，训练出来的网络模型预测效果很差。

针对上述不足，现有技术中通过遗传算法来确定神经网络的初始结构参数，从而提高神经网络在训练过程中的收敛效率和模型预测准确性，然而，发明人发现，现有技术中基于遗传算法来确定神经网络的初始结构参数并进行训练的过程中，存在神经网络的初始结构参数搜索效率低以及确定的结构参数准确性差的问题，从而导致神经网络预测模型在训练过程中出现收敛速度慢以及模型的预测能力差的问题。

发明内容

本申请提供一种预测模型训练方法、金融风险预测方法及电子设备，用以解决神经网络预测模型在训练过程中出现收敛速度慢以及模型的预测能力差的问题。

第一方面，本申请提供了一种预测模型训练方法，包括：

获取用户数据和模型信息，所述模型信息用于表征预测模型的网络结构；

根据所述模型信息，得到所述网络结构对应的结构参数，并基于所述结构参数，生成初始种群，所述初始种群表征随机生成的所述结构参数对应的参数值；通过所述用户数据，利用基于抛物线交叉算子和目标适应值函数的遗传算法，对所述初始种群进行迭代，直至达到预设条件，得到所述结构参数对应的优化参数值，其中，所述目标适应性函数为非线性函数，所述抛物线交叉算子用于通过二次多项式逼近所述目标适应性函数；基于所述结构参数和所述优化参数值，构造待训练模型，并对所述待训练模型进行训练，直至所述待训练模型收敛，得到所述预测模型；所述预测模型用于预测用户的金融风险发生概率。

在一种可能的实现方式中，通过所述用户数据，利用基于抛物线交叉算子和目标适应值函数的遗传算法，对所述初始种群进行迭代，直至达到预设条件，得到所述优化参数值结构参数对应的优化参数值，包括：从所述初始种群中获得父代个体，所述父代个体表征所述结构参数的一组参数值；循环执行以下步骤，直至循环次数到达预设循环次数：基于所述用户数据和目标适应值函数，计算父代个体的适应值，其中，所述适应值表征以所述父代个体为所述结构参数对应的参数值时，所对应的预测模型对金融风险的预测能力；基于轮盘赌算法，从所述父代个体中确定进入下一代的优势个体；基于所述抛物线交叉算子，对所述优势个体进行交叉处理，生成子代个体；对所述子代个体进行变异，生成所述优化参数值，其中，若所述迭代未结束，所述优化参数值作为下一轮迭代过程中的父代个体进行迭代。