[发明专利]一种基于AFSA-ELM的信用评估方法

权利要求书

1.一种基于AFSA-ELM的信用评估方法，其特征在于：包括有以下步骤：

S1：根据互联网金融平台所获取客户的信息选择影响信用评分的参数，构建建模样本集；

S2：对建模样本集进行归一化处理后切分训练集和测试集，切分训练集和测试集；

S3：根据训练集构建ELM模型，初始化神经网络参数，包括各层的节点个数、连接权值和阈值；

S4：在训练集上利用AFSA算法对ELM的隐层权值和阈值进行优化，将最优个体给ELM模型赋值，完成模型的建立；

S5：采用优化后的ELM模型对测试集进行预测后验证模型的准确率，以均方根误差为指标，与遗传算法、粒子群算法优化的ELM模型的进行对比；

S6：将AFSA-ELM的信用评分模型部署至申请平台输出实时申请信用评分，实现申请客户的实时审批，并定期将有表现数据输入到模型训练，实现模型的在线更新。

2.根据权利要求1所述的一种基于AFSA-ELM的信用评估方法，其特征在于：所述S1中从互联网金融平台后端根据贷后表现选取相同数量正常还款和逾期客户作为建模样本，采集样本客户账户注册申请时的个人基本信息、监测软件中获取操作行为埋点数据。

3.根据权利要求2所述的一种基于AFSA-ELM的信用评估方法，其特征在于：所述个人基本信息包括有手机号、学历、婚姻状况、工作单位、住址、联系人信息，征信报告获取的个人基本信息、信用交易信息、公共信息、特别记录数据；所述埋点数据包括有埋点时采集的设备行为数据和日志数据，其中设备行为数据包括有登录本平台的次数、点击次数、点击频率、输入总耗时及平均耗时、手机号数据、GPS位置、MAC地址、IP地址数据、地理信息申请频次、IP的申请频次、设备电量占比、陀螺仪的平均加速度，所述日志数据包括有7天内登录次数、首次点击到申请授信时长、一天内最多的session数、申请授信前一周的行为统计；并且合规要求下，不限于获取移动互联网行为数据、贷款APP内行为数据、信贷历史、运营商数据在内的全域多维度大数据。

4.根据权利要求1所述的一种基于AFSA-ELM的信用评估方法，其特征在于：所述S2中利用最大最小法将特征值中选出的有用的字段进行归一化处理，把所有数据都转化为[0，1]之间的数值，取消各维数据间的数量级差别，采用离差(Min-Max)标准化法来对数值归一化处理将其映射到[0,1]区间，Min-Max标准化的公式如下：

其中，x'是归一化后的值，x_min是特征中的最小值，x_max是特征中的最大值，x为特征的初始值。

对归一化后的数据集根据申请时间按照7：3比例切分为训练集和测试集。

5.根据权利要求1所述的一种基于AFSA-ELM的信用评估方法，其特征在于：所述S3中在根据所述根据训练集构建ELM模型，初始化神经网络参数，所述ELM是一种单隐层前向神经网络，通过利用Moore-Penrose广义逆求解网络权重，随机产生输入层与隐层间的连接权值及隐层节点的阈值，在训练过程中无需调整，只需要设置隐层节点的个数，便可以获得唯一的最优解，ELM具有网络结构简单，学习速度快，泛化性能好等优点。