[发明专利]打款风险预测模型训练方法、打款风险预测方法及其装置

权利要求书

1.一种打款风险预测模型训练方法，其特征在于，包括：

获取多条第一历史打款数据；

对所述多条第一历史打款数据进行处理，得到每一条所述历史打款数据的特征向量；

对所述多条第一历史打款数据进行聚类算法处理，获取每一条所述历史打款数据的标签，所述标签用于表示该条历史打款数据为无风险打款或有风险打款；

根据所述多条第一历史打款数据的特征向量以及所述多条第一历史打款数据的标签，对神经网络进行训练，得到训练后的神经网络。

2.根据权利要求1所述的打款风险预测模型训练方法，其特征在于，

所述多条第一历史打款数据包括收款人打款数据，所述神经网络包括循环神经网络；所述循环神经网络用来得到收款人打款数据的时间分布特征。

3.根据权利要求1所述的打款风险预测模型训练方法，其特征在于，

所述多条第一历史打款数据包括商户打款数据，所述神经网络采用循环神经网络和卷积神经网络；所述循环神经网络用于得到商户打款数据的时间分布特征；所述卷积神经网络用于得到商户打款数据的空间分布特征。

4.根据权利要求1所述的打款风险预测模型训练方法，其特征在于，对神经网络进行训练前，还包括：

对输入神经网络的所述多条第一历史打款数据的特征向量进行归一化处理。

5.一种打款风险预测方法，其特征在于，包括：

获取多条第二历史打款数据与待预测的打款数据；

对所述多条第二历史打款数据与待预测的打款数据进行处理，得到每一条所述第二历史打款数据与待预测的打款数据的特征向量；

将第二历史打款数据与待预测的打款数据的特征向量分别输入至聚类算法和神经网络，并输出采用聚类算法进行预测得到的第一预测结果和采用神经网络进行预测到的第二预测结果；所述神经网络采用多条第一历史打款数据训练得到；

对所述第一预测结果和第二预测结果进行融合，得到最终的打款风险预测结果。

6.根据权利要求5所述的打款风险预测方法，其特征在于，

当第二历史打款数据与待预测的打款数据为收款人打款数据时，所述神经网络包括循环神经网络；

其中，将第二历史打款数据与待预测的打款数据的特征向量输入至神经网络算法包括：

将第二历史打款数据与待预测的打款数据的特征向量按照时间升序输入至循环神经网络算法，使所述循环神经网络得到第二历史打款数据和待预测的打款数据的时间分布特征，并根据所述时间分布特征输出第一预测结果。

7.根据权利要求5所述的打款风险预测方法，其特征在于，

当第二历史打款数据与待预测的打款数据为打款商户打款数据时，所述神经网络包括循环神经网络和卷积神经网络；

其中，将第二历史打款数据与待预测的打款数据的特征向量输入至神经网络算法包括：

将第二历史打款数据与待预测的打款数据的特征向量按照时间升序输入至循环神经网络算法，使所述循环神经网络得到第二历史打款数据和待预测的打款数据的时间分布特征，并根据所述时间分布特征输出第三预测结果；

抽取m条打款数据并按统计量有序排布m条打款数据，将排布后的m条打款数据输入值卷积神经网络，使所述卷积神经网络得到第一历史打款数据和待预测的打款数据的空间分布特征，并根据所述空间分布特征输出第四预测结果；所述打款数据包括历史打款数据与待预测的打款数据；

将所述第三预测结果和所述第四预测结果作为所述第一预测结果。

8.根据权利要求5所述的打款风险预测方法，其特征在于，还包括：

比较打款风险预测结果和打款风险预测结果阈值；

若所述打款风险预测结果大于或等于所述打款风险预测结果阈值，则报警提示所述打款风险预测结果；

若所述打款风险预测结果小于所述打款风险预测结果阈值，则不进行报警。