[发明专利]基于逻辑回归模型的银行网点效益预测方法及装置

说明书

本发明实施例公开了一种基于逻辑回归模型的银行网点效益预测方法及装置，涉及人工智能领域，该方法包括：获取目标银行网点的网点数据特征，其中，所述网点数据特征包括：网点内部数据特征以及网点周边数据特征；将所述网点数据特征输入到预设的效益预测模型中，得到所述效益预测模型输出的所述目标银行网点的效益数据预测值，其中，所述预测模型为采用数据样本对逻辑回归模型进行训练得到的，所述数据样本为打上效益数据标签的网点数据特征。本发明实现了准确的预测银行网点的效益数据的有益效果。

技术领域

本发明涉及人工智能领域，具体而言，涉及一种基于逻辑回归模型的银行网点效益预测方法及装置。

背景技术

银行网点的资源(人员、设备、资金等)配置通常由银行网点的效益来决定，银行网点的效益越高，给该银行网点的资源配置就会越高。为了防止资源浪费，提高银行网点的资源利用率，需要较为准确的对各银行网点的效益进行预测。而目前银行网点的效益主要由人为主观来判定，准确性难以保证。现有技术缺少一种更为准确的确定银行网点的效益的方案。

发明内容

本发明为了解决上述背景技术中的至少一个技术问题，提出了一种基于逻辑回归模型的银行网点效益预测方法及装置。

为了实现上述目的，根据本发明的一个方面，提供了一种基于逻辑回归模型的银行网点效益预测方法，该方法包括：

获取目标银行网点的网点数据特征，其中，所述网点数据特征包括：网点内部数据特征以及网点周边数据特征；

将所述网点数据特征输入到预设的效益预测模型中，得到所述效益预测模型输出的所述目标银行网点的效益数据预测值，其中，所述预测模型为采用数据样本对逻辑回归模型进行训练得到的，所述数据样本为打上效益数据标签的网点数据特征。

可选的，该基于逻辑回归模型的银行网点效益预测方法，还包括：

获取训练样本集和测试样本集，其中，所述训练样本集和所述测试样本集均包含多个所述数据样本；

通过采用所述训练样本集对逻辑回归模型进行训练以及采用所述测试样本集对模型的训练结果进行测试，得到所述效益预测模型。

可选的，所述网点周边数据特征具体包括：以所述目标银行网点为中心的预设范围中的每种兴趣点类型各自对应的兴趣点数量，以及所述目标银行网点的周边客流量热度数据。

可选的，该基于逻辑回归模型的银行网点效益预测方法，还包括：

在预设的地图模型中以所述目标银行网点为中心的预设范围内设置多个兴趣点范围；

确定出每个所述兴趣点范围中包含的所有兴趣点；

对每个所述兴趣点范围中兴趣点进行统计，得到以所述目标银行网点为中心的预设范围中的每种兴趣点类型各自对应的兴趣点数量。

可选的，该基于逻辑回归模型的银行网点效益预测方法，还包括：

获取用于模型训练的网点数据特征；

对用于模型训练的网点数据特征进行数据处理，并对处理后的数据打上效益数据标签，得到所述数据样本。

可选的，所述对用于模型训练的网点数据特征进行数据处理，具体包括：

基于Pearson系数，对用于模型训练的网点数据特征中的连续变量进行筛选；

使用MinMax方法对用于模型训练的网点数据特征中的变量进行标准化处理；

用VIF值去除用于模型训练的网点数据特征中的变量之间的多重共线性。

可选的，在所述将所述网点数据特征输入到预设的效益预测模型中之前，还包括：