[發(fā)明專利]基于前向傳播的催收預測方法、裝置、設(shè)備及存儲介質(zhì)

在審

• 申請?zhí)枺?/td>: 201910341653.9
• 申請日: 2019-04-24
• 公開（公告）號: CN110288460A
• 公開（公告）日: 2019-09-27
• 發(fā)明（設(shè)計）人: 蘭翔;田羽;岳帥;陳剛;鐘磊
• 申請（專利權(quán)）人: 武漢眾邦銀行股份有限公司
• 主分類號: G06Q40/02
• 分類號: G06Q40/02;G06N3/08;G06N3/04
• 代理公司: 深圳市世紀恒程知識產(chǎn)權(quán)代理事務所 44287
• 代理人: 胡海國

1.一種基于前向傳播的催收預測方法，其特征在于，所述基于前向傳播的催收預測方法包括：

獲取待預測用戶的交易數(shù)據(jù)，其中，所述交易數(shù)據(jù)包括用戶的當前申請資料信息以及當前貸后還款信息；

對所述當前申請資料信息進行預處理，得到所述當前申請資料信息的目標自變量特征信息；

采用預設(shè)高斯混合分布模型對所述當前貸后還款信息對應的待預測用戶進分類，并根據(jù)分類結(jié)果對所述待預測用戶標上相應的目標標簽信息；

將所述目標自變量特征信息以及目標標簽信息通過預設(shè)深度神經(jīng)網(wǎng)絡(luò)反向傳播催收模型進行催收預測，得到目標催收預測結(jié)果。

2.如權(quán)利要求1所述的基于前向傳播的催收預測方法，其特征在于，所述對所述當前申請資料信息進行預處理，得到所述當前申請資料信息的目標自變量特征信息，包括：

將所述當前申請資料信息與預設(shè)申請資料信息進行比較，根據(jù)比較結(jié)果得到所述當前申請資料信息中的缺省數(shù)據(jù)信息；

獲取所述缺省數(shù)據(jù)信息對應的預設(shè)填充信息，根據(jù)所述預設(shè)填充信息填充所述缺省數(shù)據(jù)信息，將填充后的當前申請資料信息作為所述目標自變量特征信息。

3.如權(quán)利要求1所述的基于前向傳播的催收預測方法，其特征在于，所述采用預設(shè)高斯混合分布模型對所述當前貸后還款信息對應的待預測用戶進分類，并根據(jù)分類結(jié)果對所述待預測用戶標上相應的目標標簽信息，包括：

獲取所述高斯混合分布模型的中心位置以及所述當前貸后還款信息對應的位置信息；

根據(jù)中心位置以及位置信息得到距離信息，將所述距離信息與預設(shè)閾值距離信息進行比較，根據(jù)比較結(jié)果得到所屬類別的初始概率；

根據(jù)所述初始概率對所述當前貸后還款信息對應的待預測用戶進行分類，并根據(jù)分類結(jié)果對所述待預測用戶標上相應的目標標簽信息。

4.如權(quán)利要求1至3中任一項所述的基于前向傳播的催收預測方法，其特征在于，所述將所述目標自變量特征信息以及目標標簽信息通過預設(shè)深度神經(jīng)網(wǎng)絡(luò)反向傳播催收模型進行催收預測，得到目標催收預測結(jié)果之前，所述方法還包括：

獲取預設(shè)激活函數(shù)、歷史自變量特征信息、歷史標簽信息、歷史偏倚向量、歷史神經(jīng)網(wǎng)絡(luò)的層數(shù)信息以及每層對應的歷史神經(jīng)元個數(shù)；

將所述歷史自變量特征信息以及歷史標簽信息進行組合，得到歷史線性系數(shù)矩陣以及歷史線性系數(shù)矩陣；

根據(jù)所述預設(shè)激活函數(shù)、歷史偏倚向量、歷史神經(jīng)網(wǎng)絡(luò)的層數(shù)信息、歷史神經(jīng)元個數(shù)、歷史線性系數(shù)矩陣以及歷史線性組合建立所述預設(shè)深度神經(jīng)網(wǎng)絡(luò)反向傳播催收模型。

5.如權(quán)利要求4所述的基于前向傳播的催收預測方法，其特征在于，根據(jù)所述預設(shè)激活函數(shù)、歷史偏倚向量、歷史神經(jīng)網(wǎng)絡(luò)的層數(shù)信息、歷史神經(jīng)元個數(shù)、歷史線性系數(shù)矩陣以及歷史線性組合采用如下公式建立所述預設(shè)深度神經(jīng)網(wǎng)絡(luò)反向傳播催收模型；

所述公式為：

其中，所述a_j表示第j個神經(jīng)元的輸出，l表示歷史神經(jīng)網(wǎng)絡(luò)的層數(shù)信息，σ表示預設(shè)激活函數(shù)，z表示歷史線性組合，w表示歷史線性系數(shù)矩陣，b表示歷史偏倚向量，m表示歷史神經(jīng)元個數(shù)。

6.如權(quán)利要求4所述的基于前向傳播的催收預測方法，其特征在于，所述根據(jù)所述預設(shè)激活函數(shù)、歷史偏倚向量、歷史神經(jīng)網(wǎng)絡(luò)的層數(shù)信息、歷史神經(jīng)元個數(shù)、歷史線性系數(shù)矩陣以及歷史線性組合建立所述預設(shè)深度神經(jīng)網(wǎng)絡(luò)反向傳播催收模型，包括：

根據(jù)所述預設(shè)激活函數(shù)、歷史偏倚向量、歷史神經(jīng)網(wǎng)絡(luò)的層數(shù)信息、歷史神經(jīng)元個數(shù)、歷史線性系數(shù)矩陣以及歷史線性組合建立參考深度神經(jīng)網(wǎng)絡(luò)反向傳播催收模型；

獲取樣本交易特征信息，將所述樣本交易特征信息通過所述參考深度神經(jīng)網(wǎng)絡(luò)反向傳播催收模型進行催收預測，得到參考催收預測結(jié)果；

獲取樣本交易特征信息對應的樣本催收結(jié)果，將所述樣本催收結(jié)果與所述參考催收預測結(jié)果進行比較，得到目標評價指標；

根據(jù)所述目標評價指標從所述參考深度神經(jīng)網(wǎng)絡(luò)反向傳播催收模型中選擇出目標深度神經(jīng)網(wǎng)絡(luò)反向傳播催收模型，將所述目標深度神經(jīng)網(wǎng)絡(luò)反向傳播催收模型作為所述預設(shè)深度神經(jīng)網(wǎng)絡(luò)反向傳播催收模型。