[發明專利]一種基于LSTM和邏輯斯諦回歸的金融用戶交易行為監控模型

在審

• 申請號: 202211074812.1
• 申請日: 2022-09-02
• 公開（公告）號: CN115409118A
• 公開（公告）日: 2022-11-29
• 發明（設計）人: 陳平華;何思達
• 申請（專利權）人: 廣東工業大學
• 主分類號: G06K9/62
• 分類號: G06K9/62;G06N3/04;G06N3/08;G06Q40/04
• 代理公司: 長沙軒榮專利代理有限公司 43235
• 代理人: 張慧敏

現如今在金融業，隨著企業數量的不斷增加，尤其是小微商戶的規模不斷擴大，發生非法交易和欺詐行為的風險商戶也越來越多。本發明公開一種基于LSTM和Logistic Regression的金融用戶交易行為監控模型，通過組合模型的方式，有效地對用戶的交易行為安全性進行預測，步驟包括：步驟1、采集用戶交易行為歷史數據并進行預處理；步驟2、將步驟1處理的數據來訓練擁有交易指標時間序列的LSTM模型；步驟3、將LSTM模型的輸出結果輸入Logistic回歸模型中訓練；步驟4、根據步驟3的輸出結果進行分類預測。

技術領域

本發明涉及金融領域，主要涉及一種基于LSTM和Logistic Regression的金融用戶交易行為監控模型。

背景技術

隨著機器學習時代的到來，金融行業在這一時代背景下呈現出飛速發展狀態。在這樣的時代背景下，互聯網金融借助機器學習模型的優勢提升風險防控能力，確?；ヂ摼W金融企業能夠實現健康可持續發展。

現如今在金融業，商戶的交易行為逐漸通過數據來反映，這類數據是金融企業十分關注的。因為不同用戶的交易行為對金融企業的業務會產生不同的影響，尤其是當某個用戶的交易行為發生異常時，及時地發現并響應問題是關鍵。

循環神經網絡(Recurrent Neural Network，RNN)是針對處理時域序列數據而提出的深度學習模型，其具有特殊的網絡結構可以使神經元的輸出在下一個時刻狀態作為輸入直接作用到自身，實現神經網絡的輸出是該時刻的輸入與歷史所有時刻狀態共同作用的結果，以此達到對序列建模的目的。它能夠從序列和時序數據中學習特征和長期依賴關系。長短期記憶神經網絡(Long Short Term Memory，LSTM)是由Hochreiter和Schmidhuber在1997年提出來的。LSTM不是標準的RNN網絡，每個單元不僅僅只有一個網絡層，而是采用擁有四個網絡層并且具有記憶功能的單元。LSTM單元通過遺忘門，輸入門，輸出門等功能節點解決RNN存在的梯度消失和爆炸的問題。其中輸入門的輸入是由前一個時間點的隱藏層節點的輸出和當前時間節點的隱藏層節點的輸入構成。其激活函數采用sigmoid函數。根據sigmoid計算結果決定其輸出：如果sigmoid函數輸出為1則表示信息全部都保存；如果輸出為0則表示信息全部丟棄，而在0，1之間則意味著只保存部分信息。它決定了當前時間點網絡的輸入有多少保存到單元狀態。而遺忘門則是讀取輸入層的信息并更新單元狀態內部的信息。其激活函數同樣采用sigmoid。實際上，它決定了長期的記憶流的保留程度。最后輸出門讀取遺忘門輸出的內容，并采用sigmoid函數，起到控制輸出內容的作用。LSTM已經在科技領域有了多種應用?；贚STM的系統可以完成學習翻譯語言、控制機器人、圖像分析、文檔摘要、語音識別圖像識別、手寫識別、點擊率和股票等等任務。

邏輯斯蒂回歸是一種二分類模型，由條件概率分布P(Y|X)表示，形式就是參數化的邏輯斯蒂分布。其中自變量X取值為實數，因變量Y為0或者1。利用回歸的思想來解決分類問題，輸出也是一個連續值，通過設定閾值來實現分類。邏輯回歸的假設函數形式如下：h_θ(x)＝g(θ^Tx)，即其中x是輸入，θ為要求取的參數。一個機器學習的模型，實際上是把決策函數限定在某一組條件下，這組限定條件就決定了模型的假設空間，而邏輯回歸模型所做的假設是：

即，在給定x和θ的條件下，y＝1的概率。

發明內容

本發明的目的在于針對現有技術存在的問題，創造性地提出一種基于LSTM和Logistic Regression的金融用戶交易行為監控模型。