[发明专利]一种基于深度融合的信贷额度预测方法、装置和介质

权利要求书

1.一种基于深度融合的信贷额度预测方法，其特征在于，包括：

获取各用户的信贷数据；

对所述信贷数据进行降维处理，得到稠密向量；

利用预先设定的多路径残差网络，对所述稠密向量进行训练，得到满足收敛要求的深度融合模型；多路径残差网络包括3条路径，通过3条路径对数据进行3种不同方式的处理，第一条路径使用1*1的卷积对稠密向量进行降维得到新的稠密向量；第二条路径使用1*1的卷积对稠密向量进行降维得到新的稠密向量，继续通过3*3的卷积得到稀疏向量；第三条路径使用1*1的卷积对稠密向量进行降维得到新的稠密向量，继续通过两层的3*3的卷积得到稀疏向量；

利用所述深度融合模型，对输入的待评估数据进行处理，得到信贷额度预测值；

所述对所述信贷数据进行降维处理，得到稠密向量包括：

依据预先设定的维度值，对各所述信贷数据进行划分，得到低维度信贷数据和高维度信贷数据；

按照如下公式，对各所述高维度信贷数据进行降维处理，得到输出特征；

X_j^O＝max(0,W_jX_j^I+b_j)；

其中，X_j^O表示第j个高维度信贷数据的输出特征，W_j表示m_j×n_j的矩阵，其中m_j＜n_j，X_j^I表示第j个高维度信贷数据，b表示第j个高维度信贷数据的偏置项，表示第j个高维度信贷数据对应的实数集；

将各所述低维度信贷数据和各所述输出特征作为稠密向量。

2.根据权利要求1所述的方法，其特征在于，所述利用预先设定的多路径残差网络，对所述稠密向量进行训练，得到满足收敛要求的深度融合模型包括：

将各所述稠密向量划分为训练集数据和校验集数据；

对所述训练集数据按照预先设定的多路径残差网络进行训练，得到预测数据；

依据所述校验集数据以及所述预测数据，检测所述多路径残差网络是否满足预设条件；

若否，则返回所述对所述训练集数据按照预先设定的多路径残差网络进行训练，得到预测数据的步骤；

若是，则将所述多路径残差网络作为满足收敛要求的深度融合模型。

3.根据权利要求2所述的方法，其特征在于，所述依据所述校验集数据以及所述预测数据，检测所述多路径残差网络是否满足预设条件包括：

利用如下公式，计算多路径残差网络的偏差值；

其中，y_i表示所述校验集数据中第i个用户的信贷额度值，表示第i个用户的预测信贷额度值，n表示用户总数；

判断所述偏差值是否小于预设值；

若是，则执行将所述多路径残差网络作为满足收敛要求的深度融合模型的步骤；

若否，则执行对所述训练集数据按照预先设定的多路径残差网络进行训练，得到预测数据的步骤。

4.根据权利要求1-3任意一项所述的方法，其特征在于，在利用所述深度融合模型，对输入的待评估数据进行处理，得到信贷额度预测值之后还包括：

计算所述信贷额度预测值与所述待评估数据中额度值的差值；

当所述差值大于预设限值时，则进行告警提示。