[發明專利]基于GRU-LSTM神經網絡的電力金融業務風控方法及系統

在審

• 申請號: 202210087496.5
• 申請日: 2022-01-25
• 公開（公告）號: CN114580706A
• 公開（公告）日: 2022-06-03
• 發明（設計）人: 鄭祥華;畢曉蓉;張杰;李杰;王惠;王俊康;徐中中
• 申請（專利權）人: 國網江蘇省電力有限公司南京供電分公司
• 主分類號: G06Q10/04
• 分類號: G06Q10/04;G06Q10/06;G06Q50/06;G06N3/04;G06N3/08
• 代理公司: 南京天翼專利代理有限責任公司 32112
• 代理人: 奚銘

基于GRU?LSTM神經網絡的電力金融業務風控方法及系統，通過深度學習對電力金融業務歷史數據進行數據分析，得到電力金融業務的風險因素，根據風險因素建立風險預警指標體系，構建風險預警模型，其中深度學習為GRU?LSTM組合預測：先將金融業務數據通過GRU網絡進行分析，再放入LSTM網絡進行模擬分析。本發明方法利用深度學習技術對復雜的金融問題數據進行學習分析，并對相關的業務信息進行分析，剖析業務與問題數據之間的關聯，有利于規避風險，幫助提升決策管理能力。

技術領域

本發明屬于數據分析技術領域，涉及金融業務的風險分析，為一種基于GRU-LSTM神經網絡的電力金融業務風控方法及系統。

背景技術

隨著經濟水平不斷提高，金融業務量急速增長，金融市場規模會越來越大，潛力巨大，但同時也會帶來金融風險，如何進行風險控制是當前備受矚目的問題。

電力金融業務的發展與數據管理息息相關，隨著不斷市場化、信息化與數字化建設，大量數據涌入金融業務，需要從中挖掘出有價值的信息，對其復雜的形式進行深入探討，從而幫助用戶分析其中利弊，推進電力金融業務全面升級。

金融業務的數據與業務資源類型復雜且海量，雖然可以通過一些規則進行整理歸納，但仍需管理者通過主觀分析判斷，所做出的決策往往具有一定的局限性，從而無法準確有效地處理金融業務風險。近幾年隨著計算機人工智能技術的發展，利用機器學習輔助處理金融業務風險越來越常見。深度學習技術是從海量的原始數據中挖掘出潛在、有價值的信息的過程，它是一種數據處理技術，通過其定義可以得知：原始數據必須是真實、客觀且有噪聲的，最后挖掘出來的信息和知識是用戶感興趣、可接受、易理解的，也能夠在現實生活中運用的。收集過來的數據進行處理后選擇有效的分析工具或者算法，分解為多元數據集之后，進行深入挖掘分析，從而為用戶提供潛在的有價值的信息與知識。如何將深度學習技術應用到電力金融業務中，提高對業務數據的分析能力，是一個函待解決的問題。

發明內容

本發明的目的是針對金融業務的風控問題，通過深度學習技術對數據進行分析，結合GRU預測時間短與LSTM預測精度高的優點，兩者相結合，從而提出一種基于GRU-LSTM神經網絡的電力金融業務風控系統進行有效控制。

本發明的技術方案為：基于GRU-LSTM神經網絡的電力金融業務風控方法，通過深度學習對電力金融業務歷史數據進行數據分析，得到電力金融業務的風險因素，根據風險因素建立風險預警指標體系，構建得到風險預警模型；其中深度學習為GRU-LSTM網絡組合預測：先將金融業務數據通過GRU網絡進行分析，再輸入LSTM神經網絡，利用LSTM神經網絡對風險控制進行模擬，預測風險因素，根據風險預警指標判斷其對應的風險等級；利用歷史數據訓練GRU-LSTM網絡得到風險預警模型，利用風險預警模型對實時金融業務數據進行風險等級預測，實現金融業務風控。

作為優選方式，本發明包括以下步驟：

步驟一，數據收集：通過對金融業務的數據進行監測，記錄其中的金融數據，根據深度學習所要分析的金融業務風險，從相關的金融項目業務中搜集出所需要的目標金融業務歷史數據，訓練GRU網絡進行數據分析；

步驟二，綜合分析，風險評定：根據GRU分析的數據，利用LSTM神經網絡對風險控制進行模擬，通過歷史數據訓練LSTM神經網絡預測判斷金融數據所對應的風險因素及風險等級；

步驟三，實時檢測，風險防控：實時監測金融業務數據，輸入訓練好的GRU-LSTM網絡，輸出預測的風險因素及風險等級，實現金融業務風控。

進一步的，采集電力金融業務，對財務數據庫、業務數據庫和人力數據庫進行隨機抽取信息。

本發明還提出基于GRU-LSTM神經網絡的電力金融業務風控系統，其具有計算機可讀存儲介質，計算機可讀存儲介質中配置有計算機程序，所述計算機程序被執行時實現上述的風險預警模型。