[发明专利]一种基于融合神经网络的个人信用评估方法及系统

说明书

本发明公开了一种基于融合神经网络的个人信用评估方法，包括：数据预处理，获取用于反映个人信用情况的行为数据，并进行抽取、清洗、归一化处理；对不同行为数据进行分解获得多层局部特征信息；将分解后的行为数据输入第一神经网络获得行为数据的预测数据值，预测实时行为数据的变化趋势，用于辅助评估个人信用等级；基于第一神经网络获取的预测数据值，输入第二神经网络进行拟合获取个人信用判断结果，实现了采用LSTM神经网络对行为数据的特征提取，并经过BP神经网络进行多种行为数据权重的拟合，提高了个人信用评估的准确性。

技术领域

本发明涉及数据挖掘处理技术领域，特别涉及一种基于融合神经网络的个人信用评估方法及系统。

背景技术

互联网、大数据和人工智能等技术正引发金融行业的深刻变革，随着大数据时代的来临，金融行业数据量日益增大，数据类型越来越多，数据更新速度日益加快，这为金融机构的个人信用风险评估工作带来了挑战，传统的个人信用风险评估方式已经无法适应环境的不断变化，无法满足金融行业的发展需要，因此迫切需要构建一套智能的信用风险评估体系，进而帮助金融机构进行贷款审批决策。

现有技术中用于评估个人信用的特征数据多为静态信息，基于多种特征数据进行建模，拟合各种特征数据的权重分配，获得个人信用评估结果，但是，静态信息数据例如个人特征、职业信息、家庭信息、受教育程度等均不会在短期得到改变，并不能反映个人的收入波动和信用波动情况，对个人信用动态评估的研究较少。

发明内容

针对上述现有技术存在的问题，本发明提供了一种基于融合神经网络的个人信用评估方法，对个人的历史行为数据进行建模，基于历史行为数据的时间序列，对个人信用进行预测，包括：

数据预处理，获取用于反映个人信用情况的行为数据，并进行抽取、清洗、归一化处理；

对不同行为数据进行分解获得多层局部特征信息；

将分解后的行为数据输入第一神经网络获得行为数据的预测数据值，预测实时行为数据的变化趋势，用于辅助评估个人信用等级；

基于第一神经网络获取的预测数据值，输入第二神经网络进行拟合获取个人信用判断结果。

作为上述方案的进一步优化，所述用于反映个人信用情况的行为数据，包括银行流水记录、信用卡记录、电商数据。

作为上述方案的进一步优化，所述对不同行为数据进行分解采用自适应噪声完整聚合经验模态分解方法，每次分解将原序列加入正态分布白噪声序列共同分解，当n次分解后的剩余分量不满足EMD分解条件时，分解层数自适应确定为n，获得多个子序列和残余分量。

作为上述方案的进一步优化，所述第一神经网络采用长短期记忆网络LSTM，所述LSTM网络的输入为预设时间段内的行为数据的分解序列，输出为下一时间段的行为数据的分解序列；

所述LSTM网络训练时以n个连续时间段的行为数据的分解序列作为输入，其中前n-1个时间段的数据划分为训练数据，第n个时间段的数据划分为目标预测数据，用于计算损失函数值，所述训练完成条件为预设模型损失函数值趋于收敛或达到预设最大迭代次数。

作为上述方案的进一步优化，所述第二神经网络采用BP神经网络，所述BP神经网络包括一个输入层和一个输出层，以及位于所述输入层和输出层之间的m个隐藏层，所述输出节点个数为1，输入节点个数a由所有行为数据的所有分解序列总数确定，隐藏层节点个数为其中，a为输入节点个数，l为常数，l∈[1,10]。

作为上述方案的进一步优化，BP神经网络的训练过程为：

(61)对采集的多个行为数据进行分解获得分解序列，以预设时间段内的多个行为数据的多个分解序列为训练样本数据，携带标注数据输入到BP神经网络；

(62)在获得输出层数据后，以预设损失函数计算输出数据和标注数据的损失数值；