[发明专利]一种基于LSTM和逻辑斯谛回归的金融用户交易行为监控模型

说明书

现如今在金融业，随着企业数量的不断增加，尤其是小微商户的规模不断扩大，发生非法交易和欺诈行为的风险商户也越来越多。本发明公开一种基于LSTM和Logistic Regression的金融用户交易行为监控模型，通过组合模型的方式，有效地对用户的交易行为安全性进行预测，步骤包括：步骤1、采集用户交易行为历史数据并进行预处理；步骤2、将步骤1处理的数据来训练拥有交易指标时间序列的LSTM模型；步骤3、将LSTM模型的输出结果输入Logistic回归模型中训练；步骤4、根据步骤3的输出结果进行分类预测。

技术领域

本发明涉及金融领域，主要涉及一种基于LSTM和Logistic Regression的金融用户交易行为监控模型。

背景技术

随着机器学习时代的到来，金融行业在这一时代背景下呈现出飞速发展状态。在这样的时代背景下，互联网金融借助机器学习模型的优势提升风险防控能力，确保互联网金融企业能够实现健康可持续发展。

现如今在金融业，商户的交易行为逐渐通过数据来反映，这类数据是金融企业十分关注的。因为不同用户的交易行为对金融企业的业务会产生不同的影响，尤其是当某个用户的交易行为发生异常时，及时地发现并响应问题是关键。

循环神经网络(Recurrent Neural Network，RNN)是针对处理时域序列数据而提出的深度学习模型，其具有特殊的网络结构可以使神经元的输出在下一个时刻状态作为输入直接作用到自身，实现神经网络的输出是该时刻的输入与历史所有时刻状态共同作用的结果，以此达到对序列建模的目的。它能够从序列和时序数据中学习特征和长期依赖关系。长短期记忆神经网络(Long Short Term Memory，LSTM)是由Hochreiter和Schmidhuber在1997年提出来的。LSTM不是标准的RNN网络，每个单元不仅仅只有一个网络层，而是采用拥有四个网络层并且具有记忆功能的单元。LSTM单元通过遗忘门，输入门，输出门等功能节点解决RNN存在的梯度消失和爆炸的问题。其中输入门的输入是由前一个时间点的隐藏层节点的输出和当前时间节点的隐藏层节点的输入构成。其激活函数采用sigmoid函数。根据sigmoid计算结果决定其输出：如果sigmoid函数输出为1则表示信息全部都保存；如果输出为0则表示信息全部丢弃，而在0，1之间则意味着只保存部分信息。它决定了当前时间点网络的输入有多少保存到单元状态。而遗忘门则是读取输入层的信息并更新单元状态内部的信息。其激活函数同样采用sigmoid。实际上，它决定了长期的记忆流的保留程度。最后输出门读取遗忘门输出的内容，并采用sigmoid函数，起到控制输出内容的作用。LSTM已经在科技领域有了多种应用。基于LSTM的系统可以完成学习翻译语言、控制机器人、图像分析、文档摘要、语音识别图像识别、手写识别、点击率和股票等等任务。

逻辑斯蒂回归是一种二分类模型，由条件概率分布P(Y|X)表示，形式就是参数化的逻辑斯蒂分布。其中自变量X取值为实数，因变量Y为0或者1。利用回归的思想来解决分类问题，输出也是一个连续值，通过设定阈值来实现分类。逻辑回归的假设函数形式如下：h_θ(x)＝g(θ^Tx)，即其中x是输入，θ为要求取的参数。一个机器学习的模型，实际上是把决策函数限定在某一组条件下，这组限定条件就决定了模型的假设空间，而逻辑回归模型所做的假设是：

即，在给定x和θ的条件下，y＝1的概率。

发明内容

本发明的目的在于针对现有技术存在的问题，创造性地提出一种基于LSTM和Logistic Regression的金融用户交易行为监控模型。