[发明专利]基于细菌觅食算法优化灰色神经网络的违约概率预测方法

说明书

本发明公开了基于细菌觅食算法优化灰色神经网络的违约概率预测方法，包括以下的步骤：首先，选取有还款或逾期表现的客户作为建模样本，获取客户信用数据；对信用数据进行预处理，随机切分训练集和测试集；根据建模样本的数据特征构建灰色神经网络拓扑结构，确定网络的参数，初始化灰色神经网络的权值和偏置；构建灰色神经网络的权值偏置与细菌觅食算法的映射关系，通过细菌觅食算法得到最优权值和偏置，并使用训练集对灰色神经网络进行训练；本发明利用细菌觅食算法确定了循环神经网络最优的权值和偏置，加快了神经网络的收敛速度，并提高了预测模型的准度，可满足互联网金融信用实时评估的需求。

技术领域

本发明涉及互联网金融行业的风控技术领域，具体为基于细菌觅食算法优化灰色神经网络的违约概率预测方法。

背景技术

随着互联网金融的发展，消费信贷业务不断扩展，对贷款申请人的违约概率预测的重要性日益加强。违约概率分析是对信贷申请者的准确信用评估可帮助信贷平台有效规避违约概率。

近年来，逻辑回归、贝叶斯网络、支持向量机和决策树等机器学习算法都被应用于个人违约概率分析，但这些传统的算法预测精度有限。贝叶斯网络等方法多依赖于专家经验,带有主观性；SVM算法借助二次规划，适用于小样本、高维模式识别，在大规模样本中难以实施；BP神经网络具有较强的非线性拟合能力,但其精度依赖于大规模样本，因此，对基于细菌觅食算法优化灰色神经网络的违约概率预测方法的需求日益增长。

灰色神经网络(Grey Neural Network，GNN)是一种融合灰色模型和BP神经网络的混合模型，思路是将将灰色模型微分方程的解映射到BP神经网络,然后通过神经网络的训练得到微分方程的系数，进而使用该微分方程进行数据预测。灰色神经网络结合了灰色模型有效处理小样本量，弱化系统随机性的能力与BP神经网络具有的自我学习、非线性映射的拟合能力，具有所需样本量小、学习能力强、容错性好、鲁棒性和预测精度高等优点。

但灰色神经网络的初始权值和偏置存在很大的随机化，网络在训练时容易陷入局部最优，无法进一步进行调整相关参数，导致模型收敛速度慢、预测精度不高和稳定性差等问题。目前对灰色神经网络初始参数的选择较为广泛的智能优化算法主要有遗传算法、粒子群算法、蚁群算法等，但都有其各自的局限性和不足。如何确定灰色神经网络的最佳初始权值和阀值，是提高灰色神经网络性能的关键，因此，针对上述问题提出基于细菌觅食算法优化灰色神经网络的违约概率预测方法。

发明内容

本发明的目的在于提供基于细菌觅食算法优化灰色神经网络的违约概率预测方法，以解决上述背景技术中提出的问题。

为实现上述目的，本发明提供如下技术方案：

一种基于细菌觅食算法优化灰色神经网络的违约概率预测方法，包括以下六个步骤：

S1、采集一定比例数量的正常和逾期还款客户作为建模样本，并采集建模样本的客户账户注册个人基本信息、监测软件中获取操作行为埋点数据作为信用数据，还款表现做标签化处理；

S2、数据预处理，对信用数据进行信息提取、预处理和归一化，去除不规则数据和填补缺失数据，将数据组按照7：3比例随机划分为训练集和测试集；

S3、根据建模样本的数据特征，构建灰色神经网络拓扑结构，确定网络的参数，初始化灰色神经网络的权值和偏置；

S4、构建灰色神经网络的权值偏置与细菌觅食算法的映射关系，通过细菌觅食算法得到最优权值和偏置赋给灰色神经网络，使用训练集对灰色神经网络进行训练；

S5、将测试集输入训练好的灰色神经网络模型进行测试，验证模型的准确性，并以模型精度评价指标与遗传算法、粒子群算法优化的模型进行对比与评价；