[发明专利]一种基于深度学习的客户流失预测方法

权利要求书

1.一种基于深度学习的客户流失预测方法，其特征在于，包括：

步骤1：获取银行客户的个人信息数据；所述真实个人信息数据包括客户编号、信用评分、地方区域特征、性别、年龄、开户时长、存款余额、平均资产增量、持有金融产品数量、负债额度、活跃度评分、现金平均流入流出比；

步骤2：利用生成式对抗填补网络模型，对步骤1中获取的个人信息数据进行缺失值填补，再对填补后的个人信息数据进行最大-最小归一化处理；

步骤3：搭建MSDCNN-LSTM预测模型，所述MSDCNN-LSTM预测模型由三层MSCNN和两层LSTM拼接而成；

步骤4：训练MSDCNN-LSTM预测模型；

步骤5：将客户数据输入到经步骤4训练好的MSDCNN-LSTM预测模型，得到待测客户的流失概率。

2.如权利要求1所述的一种基于深度学习的客户流失预测方法，其特征在于，所述步骤1中，对获取的个人信息数据进行缺失值填补的方法为：利用生成式对抗填补网络模型，生成与所述真实个人信息数据集分布规律相符的时间序列数据，通过判别生成个人信息数据与真实个人信息数据的差别，根据偏差训练生成器，如此交替直至判别器无法判别生成数据与真实数据的差别。

3.如权利要求1或2所述的一种基于深度学习的客户流失预测方法，其特征在于，所述步骤2中，对填补后的个人信息数据最大-最小归一化处理的具体方法为：假设所述个人信息数据为X＝[X₁,X₂,...,X_i,...,X_n]∈R^m×n，其中，m为数据特征个数，n为客户个数，X_i为第i个客户对应m个特征值，即X_i＝[x_i,1,x_i,2,...,x_i,j,...,x_i,m]∈R^m×1，

其中，x_i,j为第i个客户对应的第j个特征值；

每个值经过最大-最小归一化处理，表示为：

式中，表示归一化处理后的数据，和分别表示第j个特征值的最小值和最大值。