[發(fā)明專利]一種基于FOA-RBF神經(jīng)網(wǎng)絡(luò)的信用評(píng)分方法

在審

• 申請(qǐng)?zhí)枺?/td>: 202010819195.8
• 申請(qǐng)日: 2020-08-14
• 公開（公告）號(hào): CN112037011A
• 公開（公告）日: 2020-12-04
• 發(fā)明（設(shè)計(jì)）人: 江遠(yuǎn)強(qiáng);韓璐;李蘭
• 申請(qǐng)（專利權(quán)）人: 百維金科（上海）信息科技有限公司
• 主分類號(hào): G06Q40/02
• 分類號(hào): G06Q40/02;G06N3/00;G06N3/04;G06N3/08
• 代理公司: 暫無信息
• 代理人: 暫無信息

1.一種基于FOA-RBF神經(jīng)網(wǎng)絡(luò)的信用評(píng)分方法，其特征在于：包括以下步驟：

步驟1：采集數(shù)據(jù)，從互聯(lián)網(wǎng)金融平臺(tái)后端根據(jù)貸后表現(xiàn)選取額定比例的正常還款和逾期還款的客戶作為建模樣本，采集樣本客戶賬戶注冊(cè)申請(qǐng)時(shí)的個(gè)人基本信息、監(jiān)測(cè)軟件中獲取操作行為埋點(diǎn)數(shù)據(jù)；

步驟2：數(shù)據(jù)預(yù)處理，對(duì)采集的數(shù)據(jù)進(jìn)行缺失補(bǔ)全、異常值處理和歸一化處理后按照7:3的比例切分成訓(xùn)練集和測(cè)試集；

步驟3：初始化基本RBF神經(jīng)網(wǎng)絡(luò)模型參數(shù)，在訓(xùn)練集上利用迭代誤差收斂速度和精度穩(wěn)定性確定RBF網(wǎng)絡(luò)隱藏層節(jié)點(diǎn)數(shù)；

步驟4：采用果蠅優(yōu)化算法迭代隱藏層神經(jīng)元的中心向量c_i和激勵(lì)函數(shù)的中心寬度σ_i，構(gòu)造FOA-RBF神經(jīng)網(wǎng)絡(luò)信用評(píng)分預(yù)測(cè)模型；

步驟5：將測(cè)試集數(shù)據(jù)輸入FOA-RBF神經(jīng)網(wǎng)絡(luò)模型得到預(yù)測(cè)結(jié)果，并進(jìn)一步訓(xùn)練RBF網(wǎng)絡(luò)，以預(yù)測(cè)準(zhǔn)確率為指標(biāo)，與最小均方誤差法、遺傳算法、粒子群算法優(yōu)化的RBF神經(jīng)網(wǎng)絡(luò)模型的進(jìn)行對(duì)比；

步驟6：將FOA-RBF神經(jīng)網(wǎng)絡(luò)的信用評(píng)分模型部署至申請(qǐng)平臺(tái)輸出實(shí)時(shí)申請(qǐng)信用評(píng)分，實(shí)現(xiàn)申請(qǐng)客戶的實(shí)時(shí)審批，并定期將有表現(xiàn)數(shù)據(jù)輸入到模型訓(xùn)練，實(shí)現(xiàn)模型的在線更新。

2.根據(jù)權(quán)利要求1所述的一種基于FOA-RBF神經(jīng)網(wǎng)絡(luò)的信用評(píng)分方法，其特征在于：在步驟1中，從互聯(lián)網(wǎng)金融平臺(tái)后端根據(jù)貸后表現(xiàn)選取額定比例的正常還款和逾期客戶作為建模樣本，采集樣本客戶賬戶注冊(cè)申請(qǐng)時(shí)的個(gè)人基本信息、監(jiān)測(cè)軟件中獲取操作行為埋點(diǎn)數(shù)據(jù)；

所述個(gè)人基本信息包括：手機(jī)號(hào)、學(xué)歷、婚姻狀況、工作單位、住址、聯(lián)系人信息，征信報(bào)告獲取的個(gè)人基本信息、信用交易信息、公共信息、特別記錄數(shù)據(jù)；所述埋點(diǎn)數(shù)據(jù)包括埋點(diǎn)時(shí)采集的設(shè)備行為數(shù)據(jù)和日志數(shù)據(jù)；

所述設(shè)備行為數(shù)據(jù)包括：登錄本平臺(tái)次數(shù)、點(diǎn)擊次數(shù)、點(diǎn)擊頻率、輸入總耗時(shí)及平均耗時(shí)、手機(jī)號(hào)數(shù)據(jù)、GPS位置、地理信息申請(qǐng)頻次、MAC地址、IP地址數(shù)據(jù)、IP申請(qǐng)頻次、設(shè)備電量占比、陀螺儀平均加速度；

所述日志數(shù)據(jù)包括：7天內(nèi)登錄次數(shù)、首次點(diǎn)擊到申請(qǐng)授信時(shí)長(zhǎng)、一天內(nèi)最多的session數(shù)、申請(qǐng)授信前一周的行為統(tǒng)計(jì)，其還包括，在合規(guī)要求下，不限于獲取移動(dòng)互聯(lián)網(wǎng)行為數(shù)據(jù)、貸款A(yù)PP內(nèi)行為數(shù)據(jù)、信貸歷史、運(yùn)營(yíng)商數(shù)據(jù)在內(nèi)的全域多維度大數(shù)據(jù)。

3.根據(jù)權(quán)利要求1所述的一種基于FOA-RBF神經(jīng)網(wǎng)絡(luò)的信用評(píng)分方法，其特征在于：在步驟2中，采用離差(Min-Max)標(biāo)準(zhǔn)化法來對(duì)數(shù)值歸一化處理將其映射到[0,1]區(qū)間，可以有效地消除原變量因量綱不同和數(shù)值差異太大而帶來數(shù)據(jù)噪音的影響，實(shí)現(xiàn)了建模數(shù)據(jù)特征的提取，Min-Max標(biāo)準(zhǔn)化的公式如下：

其中，是歸一化后的值，x_min是特征中的最小值，x_max是特征中的最大值，x為特征的初始值；

將歸一化處理的數(shù)據(jù)集按照申請(qǐng)時(shí)間按照7：3比例進(jìn)行劃分為訓(xùn)練集數(shù)據(jù)和測(cè)試集。