CN106529729A - 基于BP_Adaboost模型的信用卡用户违约的预测方法及系统 - Google Patents

基于BP_Adaboost模型的信用卡用户违约的预测方法及系统 Download PDF

Info

Publication number
CN106529729A
CN106529729A CN201611024047.7A CN201611024047A CN106529729A CN 106529729 A CN106529729 A CN 106529729A CN 201611024047 A CN201611024047 A CN 201611024047A CN 106529729 A CN106529729 A CN 106529729A
Authority
CN
China
Prior art keywords
sample
credit card
card user
neural network
module
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Pending
Application number
CN201611024047.7A
Other languages
English (en)
Inventor
蒋昌俊
闫春钢
丁志军
张亚英
许朴
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Tongji University
Original Assignee
Tongji University
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Tongji University filed Critical Tongji University
Priority to CN201611024047.7A priority Critical patent/CN106529729A/zh
Publication of CN106529729A publication Critical patent/CN106529729A/zh
Priority to PCT/CN2017/093803 priority patent/WO2018090657A1/zh
Pending legal-status Critical Current

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q10/00—Administration; Management
    • G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
    • G06F18/2148—Generating training patterns; Bootstrap methods, e.g. bagging or boosting characterised by the process organisation or structure, e.g. boosting cascade
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q40/00—Finance; Insurance; Tax strategies; Processing of corporate or income taxes
    • G06Q40/03—Credit; Loans; Processing thereof

Landscapes

  • Engineering & Computer Science (AREA)
  • Business, Economics & Management (AREA)
  • Theoretical Computer Science (AREA)
  • Strategic Management (AREA)
  • General Physics & Mathematics (AREA)
  • Economics (AREA)
  • Physics & Mathematics (AREA)
  • Finance (AREA)
  • Human Resources & Organizations (AREA)
  • Marketing (AREA)
  • Accounting & Taxation (AREA)
  • Data Mining & Analysis (AREA)
  • Development Economics (AREA)
  • General Business, Economics & Management (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Quality & Reliability (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Artificial Intelligence (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Tourism & Hospitality (AREA)
  • Evolutionary Biology (AREA)
  • Evolutionary Computation (AREA)
  • General Engineering & Computer Science (AREA)
  • Operations Research (AREA)
  • Game Theory and Decision Science (AREA)
  • Technology Law (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本发明提供一种基于BP_Adaboost模型的信用卡用户违约的预测方法及系统，包括获取信用卡用户的属性数据，并进行归一化处理，得到训练样本集和测试样本集；初始化训练样本的分布权值，确定BP神经网络结构，初始化BP神经网络的参数；利用训练样本，训练T个BP神经网络弱分类器；根据T个弱分类器得到强分类器，即用于信用卡用户违约预测的BP_Adaboost模型，以根据信用卡用户的属性数据预测是否会违约。本发明的基于BP_Adaboost模型的信用卡用户违约的预测方法及系统根据银行信用卡用户的历史信用信息进行数据分析、训练，建立BP_AdaBoost模型，提升了信用卡用户违约预测的准确度。

Description

基于BP_Adaboost模型的信用卡用户违约的预测方法及系统
技术领域
本发明涉及一种预测方法及系统，特别是涉及一种基于BP_Adaboost模型的信用卡用户违约的预测方法及系统。
背景技术
随着金融业、银行业的发展，信用卡的使用也越来越广泛，给消费者的生活带来了很多便利。然而，信用卡的不安全因素也暴露无遗，例如，很多信用卡发行银行为了增加市场份额，超额发行现金和信用卡给不合格的申请者。同时，大多数的信用卡持有者不考虑其偿还能力，在消费上过度使用信用卡，积累了大量的信用卡债务，给发卡银行造成了巨大的损失。
信用卡违约风险是由持卡人做出部分或全部支付的承诺时潜在的支付失败驱动的，它在持卡人在还款期限内出现资金紧张或不愿意偿还时发生。在一个健全的财务系统中，风险管理是在下游，而风险预测是在上游。风险预测的主要目的是利用企业绩效或者个人客户的信用风险，来降低风险和不确定性，因而具有很大的现实意义和价值。
目前，对于违约风险，银行往往是利用传统的“评分系统”或者所谓“专家评分”来确定申请者风险水平。具体地，对信用卡持有人的信息数据进行评分，对不同的属性如年龄、职业、学历、收入及其在外部征信系统中的信用历史记录信息，根据其在违约预测方面的重要程度不同，予以不同的分值，以评分结果来预测持卡人在未来一定时期内用卡发生违约拖欠的概率。这种传统的评分方法，因为人的参与程度很大，所以具有很大的随意性和不稳定性。
数据挖掘作为一种发现驱动型的知识发现技术，主要针对非常大型的数据进行研究和分析，采用自动或半自动的程序找出先前未知的、有趣的、可理解的隐含信息。利用数据挖掘方法，银行可以方便地部署一个预测模型，快速而有效地分析大量信用卡持有者的违约状况，已成为信用卡分析的重要工具。
为了降低信用评价中的主观因素影响和反映信用的动态变化，判别分析、逻辑回归、分类树和神经网络法等方法逐渐被应用到信用评价领域，对信用卡用户的违约行为进行预测。
判别分析(Discriminant analysis，DA)又称分辨法，是在分类确定的条件下，根据某一研究对象的各种特征值判别其类型归属问题的一种多变量统计分析方法。判别分析的基本原理是按照一定的判别准则，建立一个或多个判别函数，用研究对象的大量资料确定判别函数中的待定系数，并计算判别指标，据此即可预测某一客户样本属于“好”客户还是违约用户。
逻辑回归(Logistic regression LR)可以被看作是线性回归模型的一种特例。该方法能产生一个简单的分类概率公式，判断样本属于各个类别的概率，但其缺点在于不能很好的处理非线性问题以及解释变量之间的交互性影响。
分类树方法(Classification Trees，CTs)是一种非参数统计方法，利用这种方法建立的信用卡违约预测模型并不是生成一个线性的评分表，其基本思想是按照某个特征变量的取值将客户总体分成两个子组，使得在不同组之间客户的违约概率差距尽量地大，而同一组内客户的违约概率尽量一致，然后再对这些子组进行而划分，达到一定的要求前，一直不断的重复这一过程，最后终止。整个过程可以用一个树状结构来表示，按照一定的规则，将每个根节点划分为“好”客户或“违约”客户。
人工神经网络具备其他很多数据挖掘方法不具备的优势，因其非线性假设、泛化能力和映射能力等，在很多领域都得到了应用。其中BP(Back Propagation，反向传播)神经网络的应用最为广泛。BP网络是1986年由Rinehart和McClelland为首的科学家小组提出，是一种按误差逆传播算法训练的多层前馈网络，它具有强大并行处理机制，高度自学习、自适应能力。而且BP神经网络算法非常的灵活，因为其内部的很多参数都是可以调节的。BP神经网络算法的主要设计思想是：首先输入信号通过隐藏层和输出层节点的处理计算，得到网络的实际输出，随后将其与期望得到的输出相比较，并计算实际输出与期望输出的误差；然后将误差作为修改权值的依据反向传播至输入层。这一过程中，计算输出层、隐藏层的权值、阈值增益，并更新权值、阈值，反复这一过程，直到实际输出与期望输出的误差达到预先设定的误差收敛标准或者达到最高迭代次数，从而获得最终的网络权值，构建信用卡违约预测模型，对样本进行预测。
上述方法在信用卡违约预测方面，都能实现一定的准确率，但都忽略了信用卡数据的不均衡性，也就是违约客户的样本与诚实客户的样本数目相差太大的问题。
Boosting是一种提高任意给定学习算法准确度的方法，其思想起源于Valiant提出的PAC(Probably Approximately Correct)学习模型。1995年，Freund和Schapire改进了Boosting算法，提出了AdaBoost(Adaptive Boosting)算法，Adaboost算法的核心思想是针对同一个训练集训练不同的分类器(弱分类器)，然后把这些弱分类器集合起来，构成一个更强的最终分类器(强分类器)。因此，Adaboost算法对不平衡数据集有着很好的鲁棒性，同时可以加强分类效果，进一步提高神经网络的泛化能力。该算法效率和Freund于1991年提出的Boosting算法几乎相同，但不需要任何关于弱学习器的先验知识，因而更容易应用到实际问题当中。使用Adaboost分类器可以排除一些不必要的训练数据特征，并将重点放在关键的训练数据上面。在产生单个的基分类器时可用相同的分类算法，也可用不同的分类算法。这些算法一般是不稳定的弱分类算法，如BP算法。
因此，如何结合BP算法和Adaboosting算法来对信用卡用户进行违约预测成为一个极具前景的课题。
发明内容
鉴于以上所述现有技术的缺点，本发明的目的在于提供一种基于BP_Adaboost模型的信用卡用户违约的预测方法及系统，基于BP算法和Adaboosting算法，根据银行信用卡用户的历史信用信息进行数据分析、训练，建立BP_AdaBoost模型，从而实现对新的信用卡用户是否会违约的预测。
为实现上述目的及其他相关目的，本发明提供一种基于BP_Adaboost模型的信用卡用户违约的预测方法，包括以下步骤：获取信用卡用户的属性数据，所述信用卡用户的属性为信用卡用户的信用评价指标；对信用卡用户的属性数据进行归一化处理，并将归一化后的每个用户的属性数据作为一个样本，将所有样本分为训练样本集和测试样本集；初始化训练样本的分布权值D1(i)＝1/m，m为训练样本总数，i＝1,2...m表示训练样本序号，根据训练样本输入、输出维数确定BP神经网络结构，初始化BP神经网络的权值、阈值、学习精度、最大迭代次数、学习率；第t次迭代时，利用m个训练样本训练BP神经网络弱分类器ft；根据BP神经网络弱分类器ft预测训练样本得到的预测序列gt，计算预测误差和其中i为gt(xi)≠yi时所对应的训练样本序号，xi为m个训练样本中第i个样本点；gt(xi)为BP神经网络弱分类器ft对样本点xi的预测分类结果；yi为BP神经网络弱分类器ft对样本点xi的期望分类结果；根据预测序列的预测误差和et计算预测序列的权重根据预测序列的权重at调整下一轮训练样本的分布权值为i＝1,2...m，其中Bt是归一化因子；利用m个训练样本迭代训练BP神经网络弱分类器，迭代T次后得到T个BP神经网络弱分类器；T为自定义参数；根据T个弱分类器得到强分类器即用于信用卡用户违约预测的BP_Adaboost模型，以根据信用卡用户的属性数据预测是否会违约。
于本发明一实施例中，所述信用卡用户的属性包括个人信贷额度、性别、教育程度、婚姻状况、年龄、近几个月的偿还记录、近几个月的账单金额和近几个月的实际还款金额。
于本发明一实施例中，对信用卡用户的属性数据进行归一化处理时，采用如下公式：
其中i＝1,2,3,…m；j＝1,2,3,…n；m为样本总数，n为属性个数；xij'表示归一化后第i个样本的第j个属性值，xij表示第i个样本的第j个属性值；max(j)表示m个样本中第j个属性的最大值，max(i)表示m个样本中第i个样本的最大值；min(j)表示m个样本中第j个属性的最小值，min(i)表示m个样本中第i个样本的最小值。
于本发明一实施例中，还包括利用测试样本，检测所述用于信用卡用户违约预测的BP_Adaboost模型的性能。
于本发明一实施例中，所述最大迭代次数为50次，T取值为10。
同时，本发明还提供一种基于BP_Adaboost模型的信用卡用户违约的预测系统，包括获取模块、归一化模块、初始化模块、训练模块、预测误差和计算模块、权重计算模块、分布权值计算模块、迭代模块和预测模块；
所述获取模块用于获取信用卡用户的属性数据，所述信用卡用户的属性为信用卡用户的信用评价指标；
所述归一化模块用于对信用卡用户的属性数据进行归一化处理，并将归一化后的每个用户的属性数据作为一个样本，将所有样本分为训练样本集和测试样本集；
所述初始化模块用于初始化训练样本的分布权值D1(i)＝1/m，m为训练样本总数，i＝1,2...m表示训练样本序号，根据训练样本输入、输出维数确定BP神经网络结构，初始化BP神经网络的权值、阈值、学习精度、最大迭代次数、学习率；
所述训练模块用于在第t次迭代时，利用m个训练样本训练BP神经网络弱分类器ft；
所述预测误差和计算模块用于根据BP神经网络弱分类器ft预测训练样本得到的预测序列gt，计算预测误差和其中i为gt(xi)≠yi时所对应的训练样本序号，xi为m个训练样本中第i个样本点；gt(xi)为BP神经网络弱分类器ft对样本点xi的预测分类结果；yi为BP神经网络弱分类器ft对样本点xi的期望分类结果；
所述权重计算模块用于根据预测序列的预测误差和et计算预测序列的权重
所述分布权值计算模块用于根据预测序列的权重at调整下一轮训练样本的分布权值为其中Bt是归一化因子；
所述迭代模块用于利用m个训练样本迭代训练BP神经网络弱分类器，迭代T次后得到T个BP神经网络弱分类器；T为自定义参数；
所述预测模块用于根据T个弱分类器得到强分类器即用于信用卡用户违约预测的BP_Adaboost模型，以根据信用卡用户的属性数据预测是否会违约。
于本发明一实施例中，所述信用卡用户的属性包括个人信贷额度、性别、教育程度、婚姻状况、年龄、近几个月的偿还记录、近几个月的账单金额和近几个月的实际还款金额。
于本发明一实施例中，所述归一化模块对信用卡用户的属性数据进行归一化处理时，采用如下公式：
其中i＝1,2,3,…m；j＝1,2,3,…n；m为样本总数，n为属性个数；xij'表示归一化后第i个样本的第j个属性值，xij表示第i个样本的第j个属性值；max(j)表示m个样本中第j个属性的最大值，max(i)表示m个样本中第i个样本的最大值；min(j)表示m个样本中第j个属性的最小值，min(i)表示m个样本中第i个样本的最小值。
于本发明一实施例中，还包括检测模块，用于利用测试样本，检测所述用于信用卡用户违约预测的BP_Adaboost模型的性能。
于本发明一实施例中，所述最大迭代次数为50次，T取值为10。
如上所述，本发明的基于BP_Adaboost模型的信用卡用户违约的预测方法及系统，具有以下有益效果：
(1)基于BP算法和Adaboosting算法，根据银行信用卡用户的历史信用信息进行数据分析、训练，建立BP_AdaBoost模型，从而根据新的信用卡用户的相关信用指标，对其是否违约进行预测与判定；
(2)节省了银行人员的大量决策时间、并可辅助其做出最佳决策，从而有效地规避相关风险；
(3)BP_Adaboost模型对不平衡数据集有很好的处理能力，进一步提高神经网络的泛化能力，提升了信用卡用户违约预测的准确度。
附图说明
图1显示为单隐藏层BP神经网络模型的结构示意图；
图2显示为本发明的基于BP_Adaboost模型的信用卡用户违约的预测方法的流程图；
图3显示为本发明的基于BP_Adaboost模型的信用卡用户违约的预测方法的一个实施例中实验结果的ROC曲线示意图；
图4显示为本发明的基于BP_Adaboost模型的信用卡用户违约的预测系统的结构示意图。
元件标号说明
1 获取模块
2 归一化模块
3 初始化模块
4 训练模块
5 预测误差和计算模块
6 权重计算模块
7 分布权值计算模块
8 迭代模块
9 预测模块
具体实施方式
以下通过特定的具体实例说明本发明的实施方式，本领域技术人员可由本说明书所揭露的内容轻易地了解本发明的其他优点与功效。本发明还可以通过另外不同的具体实施方式加以实施或应用，本说明书中的各项细节也可以基于不同观点与应用，在没有背离本发明的精神下进行各种修饰或改变。需说明的是，在不冲突的情况下，以下实施例及实施例中的特征可以相互组合。
需要说明的是，以下实施例中所提供的图示仅以示意方式说明本发明的基本构想，遂图式中仅显示与本发明中有关的组件而非按照实际实施时的组件数目、形状及尺寸绘制，其实际实施时各组件的型态、数量及比例可为一种随意的改变，且其组件布局型态也可能更为复杂。
如图1所示，BP神经网络由输入层(I)、隐层(H)和输出层(O)组成。其中，X、Z分别表示网络的输入、输出，每一神经元用一个节点表示。
BP算法由信息的正向传递与误差的反向传播组成。信息的正向传递过程中，输入信息从输入层经隐含层逐层计算传向输出层，每一层神经元的状态只影响下一层神经元的状态。如果在输出层没有得到期望输出，则计算输出层的误差变化值，然后转向反向传播，通过网络将误差信号沿原来的连接通路反传回来修改各神经元的权值直至达到期望输出。神经网络理论已经证明BP神经网络具有强大的非线性映射能力和泛化功能，任一连续函数或映射均可采用三层网络加以实现。
BP学习算法的具体过程如下：
a)确定BP神经网络的架构，即确定输入层节点的个数、输出层节点的个数，以及隐藏层的层数和每层的节点个数。
其中，输入层节点的个数由样本属性的维度决定。输出层节点的个数由样本分类个数决定。隐藏层的层数和每层的节点个数由用户自定义。如图2中隐藏层数目为1，为单隐层。
1989年Robert Hecht-Nielsen证明了对于任何闭区间内的一个连续函数都可以用一个隐含层的BP网络来逼近，这就是万能逼近定理。所以一个三层的BP神经网络就可以完成任意的m维到n维的映射。其中，隐藏层节点数是影响神经网络性能的重要参数之一。隐藏层节点数少，那么网络则不能充分反映输入节点与输出节点之间的复杂函数关系；但隐藏层节点数过多时，又会出现过拟合现象。通过经验公式可以确定隐藏层节点数目。其中h为隐藏层节点数目，m为输入层节点数目，n为输出层节点数目，a为1-10之间的调节常数。
经过多次实验结果表明：当隐藏层节点数为9时，BP神经网络的性能较好。
b)对BP神经网络中的参数进行初始化。
权值wij表示前一层节点和后一层节点之间的权值，初始为[-1，1]的随机值。阈值θj用来改变节点的活性，初始为[0，1]随机值，前层节点至后层节点之间通过权值系数相连接。
c)正向传递
设节点i和节点j间的权值为wij，节点j的阀值为bj，每个节点的输出值为xj，而每个节点的输出值是根据上层所有节点的输出值、当前节点与上一层所有节点的权值和当前节点的阀值还有激活函数来实现的。
节点的输出值的计算方法如下：
隐藏层和输出层的输入表示为其中，Oi是上一层的单元i的输出；θj表示单元j的阈值。
神经元的输出是经由激活函数计算得到的，激活函数一般使用simoid函数。故输出表示为
故正向传递的过程比较简单，按照上述公式计算即可。在BP神经网络中，输入层节点没有阀值。
d)逆向反馈
BP神经网络的输出层的误差公式为Errj＝Oj(1-Oj)(Tj-Oj)。其中，Oj是节点j的实际输出，而Tj是节点j基于给定训练样本的已知类标号的真正输出。
隐藏层的每个节点的误差公式为Errj＝Oj(1-Oj)∑kErrk·wkj。其中，wkj是由下一较高层中节点k到节点j的连接权值，而Errk是节点k的误差。
在使误差不断减小的原则下，将输出层和隐藏层的误差公式依次展开至隐藏层和输入层，应使权值的调整量与误差的负梯度成正比。网络中每个权值、阈值的增量分别为Δwij＝(l)ErrjOj和Δθj＝(l)Errj，则分别更新权值、阈值为wij＝wij+Δwij和θj＝θj+Δθj。其中，l代表学习率，增量公式表示学习率乘以后面两个参数。
学习率也是BP网络训练中的一个重要参数，学习率过小，则收敛过慢；学习率过大，则可能修正过头，导致振荡甚至发散。经过多次实验，当BP神经网络的学习率设置为0.00004时，样本预测的正确率最高，少数类的F值最大。
至此完成一次了对权值、阈值的修正，在不满足算法终止条件，即算法误差达到预设精度或学习次数达到设定的最大次数之前，不断的进行正向与反向传播。
因此，BP神经网络的学习训练过程如下：
(1)初始化BP神经网络，对网络参数及各权值系数、阈值进行赋值，设定学习精度、最大迭代次数、学习率等。
(2)向前传播，输入训练样本，计算输出层的实际值，并与期望值相比较，计算出网络的输出误差。
(3)依据误差反向传播规则，调整隐藏层之间以及隐藏层与输入层之间的权值系数、节点的阈值。
(4)重复步骤(2)和(3)，直至预测误差满足预设学习精度或学习次数达到设定的最大迭代次数。
本发明将BP算法与Adboost算法结合，即通过BP_Adaboost模型预测信用卡用户是否违约。
参照图2，本发明的基于BP_Adaboost模型的信用卡用户违约的预测方法包括以下步骤：
步骤S1、获取信用卡用户的属性数据，其中信用卡用户的属性为信用卡用户的信用评价指标。
具体地，信用卡用户的信用评价指标构成信用卡用户的评价指标体系。为了尽量准确地对信用卡违约状况进行预测，该评价指标体系要全面、真实的反映信用卡持有者的信用状况。
其中，每个信用评价指标作为信用卡用户的一个属性。在本发明中，信用卡用户的属性包括个人信贷额度、性别、教育程度、婚姻状况、年龄、近几个月的偿还记录、近几个月的账单金额和近几个月的实际还款金额等23项。其中，优选为近6个月的偿还记录、近6个月的账单金额和近6个月的实际还款金额。
具体地，可以从网址http://archive.ics.uci.edu/ml/下载信用卡用户的属性数据。
步骤S2、对信用卡用户的属性数据进行归一化处理，并将归一化后的每个用户的属性数据作为一个样本，将所有样本分为训练样本集和测试样本集。
由于某些属性值如个人信贷额度、账单金额等的数值差别太大，影响分类效果，故需要对属性数据进行[-1,1]的归一化处理。
具体地，对信用卡用户的属性数据进行归一化处理时，采用如下公式：
其中i＝1,2,3,…m；j＝1,2,3,…n；m为样本总数，n为属性个数；xij'表示归一化后第i个样本的第j个属性值，xij表示第i个样本的第j个属性值；max(j)表示m个样本中第j个属性的最大值，max(i)表示m个样本中第i个样本的最大值；min(j)表示m个样本中第j个属性的最小值，min(i)表示m个样本中第i个样本的最小值。
经过上述归一化处理，每个属性值都限制在[-1,1]之间。
步骤S3、初始化训练样本的分布权值D1(i)＝1/m，m为训练样本总数，i＝1,2...m表示训练样本序号，根据训练样本输入、输出维数确定BP神经网络结构，初始化BP神经网络的权值、阈值、学习精度、最大迭代次数、学习率。
优选地，最大迭代次数为50。
在本发明中，每个样本的输入为23维，分别表示每个信用评价指标；输出为1维，表示个人违约状况预测结果。
步骤S4、第t次迭代时，利用m个训练样本训练BP神经网络弱分类器ft。
步骤S5、根据BP神经网络弱分类器ft预测训练样本得到的预测序列gt，计算预测误差和其中i为gt(xi)≠yi时所对应的训练样本序号，xi为m个训练样本中第i个样本点；gt(xi)为BP神经网络弱分类器ft对样本点xi的预测分类结果；yi为BP神经网络弱分类器ft对样本点xi的期望分类结果。
步骤S6、根据预测序列的预测误差和et计算预测序列的权重
步骤S7、根据预测序列的权重at调整下一轮训练样本的分布权值为其中Bt是归一化因子，目的是在权重比例不变的情况下使分布权值和为1。
步骤S8、利用m个训练样本迭代训练BP神经网络弱分类器，迭代T次后得到T个BP神经网络弱分类器；T为自定义参数。
优选地，本发明中T设置为10。
步骤S9、根据T个弱分类器得到强分类器即用于信用卡用户违约预测的BP_Adaboost模型，以根据信用卡用户的属性数据预测是否会违约。
优选地，在训练基于神经网络为弱分类器的Adaboost数学模型后，还包括输入测试样本集中的样本，检测该用于信用卡用户违约预测的BP_Adaboost模型的性能。具体地，通过与其他模型F值、ROC的对比实验来检测预测模型。
当有新的银行信用卡用户数据时，将数据进行归一化处理后，输入用于信用卡用户违约预测的BP_Adaboost模型，即可得到这部分信用卡用户的违约预测结果，预测客户未来的违约情况。
下面结合具体实施例来进一步阐述本发明的基于BP_Adaboost模型的信用卡用户违约的预测方法。
利用台湾某银行的信用卡交易数据为研究对象，共30000条记录，其中6636条违约记录，23364条诚实记录，每条记录包括23个解释变量，1个反映变量(违约与否)。信用卡用户的属性数据如表1所示。
表1、信用卡用户的属性数据表
该实施例中训练样本集和测试样本集的分布情况如表2所示。
表2、信用卡用户的样本集组成
样本集 样本总数 训练样本 测试样本
下个月违约 6636 5370 1266
下个月不违约 23364 18630 4734
在该实施例中，于BP_Adaboost模型的信用卡用户违约的预测方法包括以下步骤：
1)通过观察样本属性值可知，样本中某些属性，如信贷额度、账单金额等，数值差别太大，影响分类效果，故先对其进行[-1,1]的归一化处理。
2)建立基于BP神经网络为弱分类器的Adaboost数学模型，得到用于信用卡用户违约预测的BP_Adaboost模型。
如上所述，共有30000组客户信用状况数据，每组数据的输入为23维，分别代表表1中列出的前23个指标；输出为1维，代表个人违约状况预测结果。从中随机选取24000组数据作为训练数据，6000组数据作为测试数据。
3)输入6000个测试样本得到测试样本的分类结果，验证所得用于信用卡用户违约预测的BP_Adaboost模型的性能。
实验结果的受试者工作特征曲线(Rreceiver Operating Characteristiccurve，ROC)如图3所示。
参照图4，本发明的基于BP_Adaboost模型的信用卡用户违约的预测系统包括获取模块1、归一化模块2、初始化模块3、训练模块4、预测误差和计算模块5、权重计算模块6、分布权值计算模块7、迭代模块8和预测模块9。
获取模块1用于获取信用卡用户的属性数据，其中信用卡用户的属性为信用卡用户的信用评价指标。
具体地，信用卡用户的信用评价指标构成信用卡用户的评价指标体系。为了尽量准确地对信用卡违约状况进行预测，该评价指标体系要全面、真实的反映信用卡持有者的信用状况。
其中，每个信用评价指标作为信用卡用户的一个属性。在本发明中，信用卡用户的属性包括个人信贷额度、性别、教育程度、婚姻状况、年龄、近几个月的偿还记录、近几个月的账单金额和近几个月的实际还款金额等23项。其中，优选为近6个月的偿还记录、近6个月的账单金额和近6个月的实际还款金额。
具体地，可以从网址http://archive.ics.uci.edu/ml/下载信用卡用户的属性数据。
归一化模块2与获取模块1相连，用于对信用卡用户的属性数据进行归一化处理，并将归一化后的每个用户的属性数据作为一个样本，将所有样本分为训练样本集和测试样本集。
由于某些属性值如个人信贷额度、账单金额等的数值差别太大，影响分类效果，故需要对属性数据进行[-1,1]的归一化处理。
具体地，对信用卡用户的属性数据进行归一化处理时，采用如下公式：
其中i＝1,2,3,…m；j＝1,2,3,…n；m为样本总数，n为属性个数；xij'表示归一化后第i个样本的第j个属性值，xij表示第i个样本的第j个属性值；max(j)表示m个样本中第j个属性的最大值，max(i)表示m个样本中第i个样本的最大值；min(j)表示m个样本中第j个属性的最小值，min(i)表示m个样本中第i个样本的最小值。
经过上述归一化处理，每个属性值都限制在[-1,1]之间。
初始化模块3与归一化模块2相连，用于初始化训练样本的分布权值D1(i)＝1/m，m为训练样本总数，i＝1,2...m表示训练样本序号，根据训练样本输入、输出维数确定BP神经网络结构，初始化BP神经网络的权值、阈值、学习精度、最大迭代次数、学习率。
优选地，最大迭代次数为50。
在本发明中，每个样本的输入为23维，分别表示每个信用评价指标；输出为1维，表示个人违约状况预测结果。
训练模块4与归一化模块2和初始化模块3相连，用于在第t次迭代时，利用m个训练样本训练BP神经网络弱分类器ft。
预测误差和计算模块5与训练模块4相连，用于根据BP神经网络弱分类器ft预测训练样本得到的预测序列gt，计算预测误差和其中i为gt(xi)≠yi时所对应的训练样本序号，xi为m个训练样本中第i个样本点；gt(xi)为BP神经网络弱分类器ft对样本点xi的预测分类结果；yi为BP神经网络弱分类器ft对样本点xi的期望分类结果。
权重计算模块6与预测误差和计算模块5相连，用于根据预测序列的预测误差和et计算预测序列的权重
分布权值计算模块7与权重计算模块6相连，用于根据预测序列的权重at调整下一轮训练样本的分布权值为其中Bt是归一化因子，目的是在权重比例不变的情况下使分布权值和为1。
迭代模块8与训练模块4、预测误差和计算模块5、权重计算模块6和分布权值计算模块7相连，用于利用m个训练样本迭代训练BP神经网络弱分类器，迭代T次后得到T个BP神经网络弱分类器；T为自定义参数。
优选地，本发明中T设置为10。
预测模块9与迭代模块8相连，用于根据T个弱分类器得到强分类器即用于信用卡用户违约预测的BP_Adaboost模型，以根据信用卡用户的属性数据预测是否会违约。
优选地，还包括检测模块，用于在训练基于神经网络为弱分类器的Adaboost数学模型后，输入测试样本集中的样本，检测该用于信用卡用户违约预测的BP_Adaboost模型的性能。具体地，通过与其他模型F值、ROC的对比实验来检测预测模型。
当有新的银行信用卡用户数据时，将数据进行归一化处理后，输入用于信用卡用户违约预测的BP_Adaboost模型，即可得到这部分信用卡用户的违约预测结果，预测客户未来的违约情况。
综上所述，本发明的基于BP_Adaboost模型的信用卡用户违约的预测方法及系统基于BP算法和Adaboosting算法，根据银行信用卡用户的历史信用信息进行数据分析、训练，建立BP_AdaBoost模型，从而根据新的信用卡用户的相关信用指标，对其是否违约进行预测与判定；节省了银行人员的大量决策时间、并可辅助其做出最佳决策，从而有效地规避相关风险；BP_Adaboost模型对不平衡数据集有很好的处理能力，进一步提高神经网络的泛化能力，提升了信用卡用户违约预测的准确度。所以，本发明有效克服了现有技术中的种种缺点而具高度产业利用价值。
上述实施例仅例示性说明本发明的原理及其功效，而非用于限制本发明。任何熟悉此技术的人士皆可在不违背本发明的精神及范畴下，对上述实施例进行修饰或改变。因此，举凡所属技术领域中具有通常知识者在未脱离本发明所揭示的精神与技术思想下所完成的一切等效修饰或改变，仍应由本发明的权利要求所涵盖。

Claims (10)

1.一种基于BP_Adaboost模型的信用卡用户违约的预测方法，其特征在于：包括以下步骤：
获取信用卡用户的属性数据，所述信用卡用户的属性为信用卡用户的信用评价指标；
对信用卡用户的属性数据进行归一化处理，并将归一化后的每个用户的属性数据作为一个样本，将所有样本分为训练样本集和测试样本集；
初始化训练样本的分布权值D1(i)＝1/m，m为训练样本总数，i＝1,2...m表示训练样本序号，根据训练样本输入、输出维数确定BP神经网络结构，初始化BP神经网络的权值、阈值、学习精度、最大迭代次数、学习率；
第t次迭代时，利用m个训练样本训练BP神经网络弱分类器ft；
根据BP神经网络弱分类器ft预测训练样本得到的预测序列gt，计算预测误差和其中i为gt(xi)≠yi时所对应的训练样本序号，xi为m个训练样本中第i个样本点；gt(xi)为BP神经网络弱分类器ft对样本点xi的预测分类结果；yi为BP神经网络弱分类器ft对样本点xi的期望分类结果；
根据预测序列的预测误差和et计算预测序列的权重
根据预测序列的权重at调整下一轮训练样本的分布权值为i＝1,2...m，其中Bt是归一化因子；
利用m个训练样本迭代训练BP神经网络弱分类器，迭代T次后得到T个BP神经网络弱分类器；T为自定义参数；
根据T个弱分类器得到强分类器即用于信用卡用户违约预测的BP_Adaboost模型，以根据信用卡用户的属性数据预测是否会违约。
2.根据权利要求1所述的基于BP_Adaboost模型的信用卡用户违约的预测方法，其特征在于：所述信用卡用户的属性包括个人信贷额度、性别、教育程度、婚姻状况、年龄、近几个月的偿还记录、近几个月的账单金额和近几个月的实际还款金额。
3.根据权利要求1所述的基于BP_Adaboost模型的信用卡用户违约的预测方法，其特征在于：对信用卡用户的属性数据进行归一化处理时，采用如下公式：
x i j ′ = { max ( j ) - min ( j ) } * { x i j - min ( i ) } max ( i ) - min ( i ) + min ( j )
其中i＝1,2,3,…m；j＝1,2,3,…n；m为样本总数，n为属性个数；xij'表示归一化后第i个样本的第j个属性值，xij表示第i个样本的第j个属性值；max(j)表示m个样本中第j个属性的最大值，max(i)表示m个样本中第i个样本的最大值；min(j)表示m个样本中第j个属性的最小值，min(i)表示m个样本中第i个样本的最小值。
4.根据权利要求1所述的基于BP_Adaboost模型的信用卡用户违约的预测方法，其特征在于：还包括利用测试样本，检测所述用于信用卡用户违约预测的BP_Adaboost模型的性能。
5.根据权利要求1所述的基于BP_Adaboost模型的信用卡用户违约的预测方法，其特征在于：所述最大迭代次数为50次，T取值为10。
6.一种基于BP_Adaboost模型的信用卡用户违约的预测系统，其特征在于：包括获取模块、归一化模块、初始化模块、训练模块、预测误差和计算模块、权重计算模块、分布权值计算模块、迭代模块和预测模块；
所述获取模块用于获取信用卡用户的属性数据，所述信用卡用户的属性为信用卡用户的信用评价指标；
所述归一化模块用于对信用卡用户的属性数据进行归一化处理，并将归一化后的每个用户的属性数据作为一个样本，将所有样本分为训练样本集和测试样本集；
所述初始化模块用于初始化训练样本的分布权值D1(i)＝1/m，m为训练样本总数，i＝1,2...m表示训练样本序号，根据训练样本输入、输出维数确定BP神经网络结构，初始化BP神经网络的权值、阈值、学习精度、最大迭代次数、学习率；
所述训练模块用于在第t次迭代时，利用m个训练样本训练BP神经网络弱分类器ft；
所述预测误差和计算模块用于根据BP神经网络弱分类器ft预测训练样本得到的预测序列gt，计算预测误差和其中i为gt(xi)≠yi时所对应的训练样本序号，xi为m个训练样本中第i个样本点；gt(xi)为BP神经网络弱分类器ft对样本点xi的预测分类结果；yi为BP神经网络弱分类器ft对样本点xi的期望分类结果；
所述权重计算模块用于根据预测序列的预测误差和et计算预测序列的权重
所述分布权值计算模块用于根据预测序列的权重at调整下一轮训练样本的分布权值为i＝1,2...m，其中Bt是归一化因子；
所述迭代模块用于利用m个训练样本迭代训练BP神经网络弱分类器，迭代T次后得到T个BP神经网络弱分类器；T为自定义参数；
所述预测模块用于根据T个弱分类器得到强分类器即用于信用卡用户违约预测的BP_Adaboost模型，以根据信用卡用户的属性数据预测是否会违约。
7.根据权利要求6所述的基于BP_Adaboost模型的信用卡用户违约的预测系统，其特征在于：所述信用卡用户的属性包括个人信贷额度、性别、教育程度、婚姻状况、年龄、近几个月的偿还记录、近几个月的账单金额和近几个月的实际还款金额。
8.根据权利要求6所述的基于BP_Adaboost模型的信用卡用户违约的预测系统，其特征在于：所述归一化模块对信用卡用户的属性数据进行归一化处理时，采用如下公式：
x i j ′ = { max ( j ) - min ( j ) } * { x i j - min ( i ) } max ( i ) - min ( i ) + min ( j )
其中i＝1,2,3,…m；j＝1,2,3,…n；m为样本总数，n为属性个数；xij'表示归一化后第i个样本的第j个属性值，xij表示第i个样本的第j个属性值；max(j)表示m个样本中第j个属性的最大值，max(i)表示m个样本中第i个样本的最大值；min(j)表示m个样本中第j个属性的最小值，min(i)表示m个样本中第i个样本的最小值。
9.根据权利要求6所述的基于BP_Adaboost模型的信用卡用户违约的预测系统，其特征在于：还包括检测模块，用于利用测试样本，检测所述用于信用卡用户违约预测的BP_Adaboost模型的性能。
10.根据权利要求6所述的基于BP_Adaboost模型的信用卡用户违约的预测系统，其特征在于：所述最大迭代次数为50次，T取值为10。
CN201611024047.7A 2016-11-18 2016-11-18 基于BP_Adaboost模型的信用卡用户违约的预测方法及系统 Pending CN106529729A (zh)

Priority Applications (2)

Application Number Priority Date Filing Date Title
CN201611024047.7A CN106529729A (zh) 2016-11-18 2016-11-18 基于BP_Adaboost模型的信用卡用户违约的预测方法及系统
PCT/CN2017/093803 WO2018090657A1 (zh) 2016-11-18 2017-07-21 基于BP_Adaboost模型的信用卡用户违约的预测方法及系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201611024047.7A CN106529729A (zh) 2016-11-18 2016-11-18 基于BP_Adaboost模型的信用卡用户违约的预测方法及系统

Publications (1)

Publication Number Publication Date
CN106529729A true CN106529729A (zh) 2017-03-22

Family

ID=58352537

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201611024047.7A Pending CN106529729A (zh) 2016-11-18 2016-11-18 基于BP_Adaboost模型的信用卡用户违约的预测方法及系统

Country Status (2)

Country Link
CN (1) CN106529729A (zh)
WO (1) WO2018090657A1 (zh)

Cited By (24)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107346515A (zh) * 2017-06-01 2017-11-14 银联智策顾问（上海）有限公司 一种信用卡账户分期预测方法及装置
CN107506852A (zh) * 2017-08-01 2017-12-22 佛山科学技术学院 一种基于数据挖掘的欠税预测方法及预测装置
CN107992982A (zh) * 2017-12-28 2018-05-04 上海氪信信息技术有限公司 一种基于深度学习的非结构化数据的违约概率预测方法
WO2018090657A1 (zh) * 2016-11-18 2018-05-24 同济大学 基于BP_Adaboost模型的信用卡用户违约的预测方法及系统
CN108153835A (zh) * 2017-12-14 2018-06-12 新疆大学 一种维-汉文可比语料自动获取方法
CN108197936A (zh) * 2017-12-29 2018-06-22 新开普电子股份有限公司 基于脚本的卡片加密系统
CN108363754A (zh) * 2018-01-30 2018-08-03 武汉蓝星软件技术有限公司 一种数据分析模型
CN108647714A (zh) * 2018-05-09 2018-10-12 平安普惠企业管理有限公司 负面标签权重的获取方法、终端设备及介质
CN109543925A (zh) * 2019-01-07 2019-03-29 平安科技（深圳）有限公司 基于机器学习的风险预测方法、装置、计算机设备和存储介质
CN109657837A (zh) * 2018-11-19 2019-04-19 平安科技（深圳）有限公司 违约概率预测方法、装置、计算机设备和存储介质
CN109840335A (zh) * 2017-11-27 2019-06-04 上海交通大学 基于强化t-s模糊神经网络的径向锻造凹坑预测优化方法
CN110555148A (zh) * 2018-05-14 2019-12-10 腾讯科技（深圳）有限公司 一种用户行为评估方法、计算设备及存储介质
CN110956543A (zh) * 2019-11-06 2020-04-03 上海应用技术大学 异常交易检测的方法
CN111709831A (zh) * 2020-06-16 2020-09-25 中国银行股份有限公司 黑名单的分析方法及装置
CN111784080A (zh) * 2020-07-28 2020-10-16 南方电网能源发展研究院有限责任公司 售电公司客户信用预测方法、装置、设备及存储介质
CN111899093A (zh) * 2020-09-30 2020-11-06 苏宁金融科技(南京)有限公司 一种违约损失率的预测方法及装置
CN112073147A (zh) * 2020-04-08 2020-12-11 成都理工大学 一种基于网络结构的特征选择方法
CN112231621A (zh) * 2020-10-13 2021-01-15 电子科技大学 基于BP-adaboost降低元素检出限的方法
CN112270994A (zh) * 2020-10-14 2021-01-26 中国医学科学院阜外医院 一种风险预测模型的构建方法、设备、终端及存储介质
CN112308295A (zh) * 2020-10-10 2021-02-02 北京贝壳时代网络科技有限公司 违约概率预测方法及装置
CN113155767A (zh) * 2020-12-31 2021-07-23 长春理工大学 基于紫外光谱法的分布式水质检测系统及水质评价方法
CN113514743A (zh) * 2021-08-03 2021-10-19 广东电网有限责任公司 一种基于多维特征的gis局部放电模式识别系统构建方法
TWI759620B (zh) * 2018-10-30 2022-04-01 開曼群島商創新先進技術有限公司 確定用戶金融違約風險的方法及裝置與電腦可讀儲存媒體及計算設備
CN117094762A (zh) * 2023-10-17 2023-11-21 北京中奥通宇科技股份有限公司 一种基于ai人工智能的用户权益推荐方法和系统

Families Citing this family (37)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109214436A (zh) * 2018-08-22 2019-01-15 阿里巴巴集团控股有限公司 一种针对目标场景的预测模型训练方法及装置
CN110858309B (zh) * 2018-08-22 2023-04-18 中国信息通信研究院 一种多基准时钟加权合成方法
CN109146055A (zh) * 2018-09-03 2019-01-04 北京珈信科技有限公司 基于正交化实验和人工神经网络的改进粒子群优化方法
CN109685242B (zh) * 2018-11-02 2022-11-08 国网浙江省电力有限公司宁波供电公司 基于Adaboost算法的光伏超短期组合预测方法
CN109784387A (zh) * 2018-12-29 2019-05-21 天津南大通用数据技术股份有限公司 基于神经网络和贝叶斯模型的多层次递进分类方法及系统
CN111127184B (zh) * 2019-11-01 2023-05-30 复旦大学 一种分布式组合信用评估方法
CN110956503B (zh) * 2019-11-29 2024-02-23 上海观安信息技术股份有限公司 基于用户网络行为的具有借贷需求的用户识别方法及装置
CN113011624A (zh) * 2019-12-18 2021-06-22 中移(上海)信息通信科技有限公司 用户违约预测方法、装置、设备及介质
CN111458471B (zh) * 2019-12-19 2023-04-07 中国科学院合肥物质科学研究院 一种基于图神经网络的水域检测预警方法
CN111191825A (zh) * 2019-12-20 2020-05-22 北京淇瑀信息科技有限公司 用户违约预测方法、装置及电子设备
CN111062444B (zh) * 2019-12-21 2023-12-08 湖南大学 信用风险预测方法、系统、终端及存储介质
CN112331274A (zh) * 2020-03-06 2021-02-05 西安工程大学 基于相重构和神经网络的变压器油中溶解气体预测方法
CN111625988A (zh) * 2020-03-10 2020-09-04 河北工程大学 基于深度学习的桥梁健康管理分析与预测系统及方法
CN111400964B (zh) * 2020-03-16 2023-12-22 中国人民解放军海军航空大学 一种故障发生时间预测方法及装置
CN111415099A (zh) * 2020-03-30 2020-07-14 西北大学 一种基于多分类BP-Adaboost的贫困生认定方法
CN111259573B (zh) * 2020-04-08 2023-06-16 攀枝花学院 一种磁疗服装使用寿命预测方法
CN111930601A (zh) * 2020-05-14 2020-11-13 国家电网有限公司客户服务中心 一种基于深度学习的数据库状态综合评分方法及其系统
CN111612610A (zh) * 2020-05-27 2020-09-01 深圳壹账通智能科技有限公司 风险预警方法及系统、电子设备及存储介质
CN111652430A (zh) * 2020-05-29 2020-09-11 蚌埠学院 一种互联网金融平台违约率的预测方法及系统
CN111797365B (zh) * 2020-06-09 2022-11-25 中国南方电网有限责任公司超高压输电公司检修试验中心 一种换流变压器温度异常判断方法及系统
CN111915437A (zh) * 2020-06-30 2020-11-10 深圳前海微众银行股份有限公司 基于rnn的反洗钱模型的训练方法、装置、设备及介质
CN111815196B (zh) * 2020-07-23 2023-11-24 中国环境科学研究院 基于ga-bp神经网络的页岩气开发区水资源承载力评价方法
CN112153000B (zh) * 2020-08-21 2023-04-18 杭州安恒信息技术股份有限公司 网络流量异常的检测方法、装置、电子装置和存储介质
CN112115644A (zh) * 2020-09-16 2020-12-22 西安建筑科技大学 一种基于神经网络的预测复合结构开孔泡沫铝的中频吸声系数的方法
CN112418520B (zh) * 2020-11-22 2022-09-20 同济大学 一种基于联邦学习的信用卡交易风险预测方法
CN112465042B (zh) * 2020-12-02 2023-10-24 中国联合网络通信集团有限公司 一种分类网络模型的生成方法及装置
CN112686380A (zh) * 2020-12-28 2021-04-20 江苏宝航能源技术有限公司 基于神经网络的梯次动力电芯一致性评估方法和系统
CN112909954B (zh) * 2020-12-30 2023-12-15 燕山大学 一种基于生成对抗神经网络的微电网分层控制策略
CN113177840A (zh) * 2021-05-20 2021-07-27 中国建设银行股份有限公司 一种客户风险的识别方法及装置
CN113392897B (zh) * 2021-06-10 2022-09-27 济南市公安局交通警察支队 一种计算机动车查验机构和安检机构耦合度的方法和系统
CN113592140A (zh) * 2021-06-22 2021-11-02 国网宁夏电力有限公司吴忠供电公司 电费缴纳预测模型训练系统和电费缴纳预测模型
CN113379536A (zh) * 2021-06-29 2021-09-10 百维金科(上海)信息科技有限公司 一种基于引力搜索算法优化递归神经网络的违约概率预测方法
CN113449819A (zh) * 2021-08-27 2021-09-28 中国测绘科学研究院 一种基于胶囊网络的信用评估模型方法及其存储介质
CN115545088B (zh) * 2022-02-22 2023-10-24 北京百度网讯科技有限公司 模型构建方法、分类方法、装置和电子设备
CN115358475B (zh) * 2022-08-29 2023-05-30 河南农业大学 基于支持向量机和灰色bp神经网络的灾害预测方法和系统
CN116074658B (zh) * 2023-03-06 2023-08-25 成都大汇物联科技有限公司 一种基于物联网的水电站坝基监控方法及系统
CN116416056B (zh) * 2023-04-04 2023-10-03 深圳征信服务有限公司 一种基于机器学习的征信数据处理方法及系统

Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104240720A (zh) * 2013-06-24 2014-12-24 北京大学深圳研究生院 一种基于多重分形和信息融合的语音情感识别方法
CN106022229A (zh) * 2016-05-11 2016-10-12 北京航空航天大学 基于视频运动信息特征提取与自适应增强算法的误差反向传播网络的异常行为识别方法

Family Cites Families (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106529729A (zh) * 2016-11-18 2017-03-22 同济大学 基于BP_Adaboost模型的信用卡用户违约的预测方法及系统

Patent Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104240720A (zh) * 2013-06-24 2014-12-24 北京大学深圳研究生院 一种基于多重分形和信息融合的语音情感识别方法
CN106022229A (zh) * 2016-05-11 2016-10-12 北京航空航天大学 基于视频运动信息特征提取与自适应增强算法的误差反向传播网络的异常行为识别方法

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
王娜: "基于BP-Adaboost的上市公司财务危机预警实证研究", 《中国集体经济》 *
陆正华 等: "基于BP-Adaboost算法的上市公司财务预警研究", 《财会通讯》 *

Cited By (33)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2018090657A1 (zh) * 2016-11-18 2018-05-24 同济大学 基于BP_Adaboost模型的信用卡用户违约的预测方法及系统
CN107346515A (zh) * 2017-06-01 2017-11-14 银联智策顾问（上海）有限公司 一种信用卡账户分期预测方法及装置
CN107506852A (zh) * 2017-08-01 2017-12-22 佛山科学技术学院 一种基于数据挖掘的欠税预测方法及预测装置
CN109840335A (zh) * 2017-11-27 2019-06-04 上海交通大学 基于强化t-s模糊神经网络的径向锻造凹坑预测优化方法
CN108153835A (zh) * 2017-12-14 2018-06-12 新疆大学 一种维-汉文可比语料自动获取方法
CN107992982B (zh) * 2017-12-28 2019-05-21 上海氪信信息技术有限公司 一种基于深度学习的非结构化数据的违约概率预测方法
CN107992982A (zh) * 2017-12-28 2018-05-04 上海氪信信息技术有限公司 一种基于深度学习的非结构化数据的违约概率预测方法
CN108197936A (zh) * 2017-12-29 2018-06-22 新开普电子股份有限公司 基于脚本的卡片加密系统
CN108363754A (zh) * 2018-01-30 2018-08-03 武汉蓝星软件技术有限公司 一种数据分析模型
CN108647714A (zh) * 2018-05-09 2018-10-12 平安普惠企业管理有限公司 负面标签权重的获取方法、终端设备及介质
CN110555148A (zh) * 2018-05-14 2019-12-10 腾讯科技（深圳）有限公司 一种用户行为评估方法、计算设备及存储介质
CN110555148B (zh) * 2018-05-14 2022-12-02 腾讯科技（深圳）有限公司 一种用户行为评估方法、计算设备及存储介质
TWI759620B (zh) * 2018-10-30 2022-04-01 開曼群島商創新先進技術有限公司 確定用戶金融違約風險的方法及裝置與電腦可讀儲存媒體及計算設備
CN109657837A (zh) * 2018-11-19 2019-04-19 平安科技（深圳）有限公司 违约概率预测方法、装置、计算机设备和存储介质
CN109543925A (zh) * 2019-01-07 2019-03-29 平安科技（深圳）有限公司 基于机器学习的风险预测方法、装置、计算机设备和存储介质
CN109543925B (zh) * 2019-01-07 2023-01-24 平安科技（深圳）有限公司 基于机器学习的风险预测方法、装置、计算机设备和存储介质
CN110956543A (zh) * 2019-11-06 2020-04-03 上海应用技术大学 异常交易检测的方法
CN112073147A (zh) * 2020-04-08 2020-12-11 成都理工大学 一种基于网络结构的特征选择方法
CN112073147B (zh) * 2020-04-08 2022-08-19 成都理工大学 一种基于网络结构特征选择的信用卡违约预测方法
CN111709831B (zh) * 2020-06-16 2023-07-25 中国银行股份有限公司 黑名单的分析方法及装置
CN111709831A (zh) * 2020-06-16 2020-09-25 中国银行股份有限公司 黑名单的分析方法及装置
CN111784080A (zh) * 2020-07-28 2020-10-16 南方电网能源发展研究院有限责任公司 售电公司客户信用预测方法、装置、设备及存储介质
CN111899093A (zh) * 2020-09-30 2020-11-06 苏宁金融科技(南京)有限公司 一种违约损失率的预测方法及装置
CN111899093B (zh) * 2020-09-30 2021-06-29 南京星云数字技术有限公司 一种违约损失率的预测方法及装置
CN112308295A (zh) * 2020-10-10 2021-02-02 北京贝壳时代网络科技有限公司 违约概率预测方法及装置
CN112231621B (zh) * 2020-10-13 2021-09-24 电子科技大学 基于BP-adaboost降低元素检出限的方法
CN112231621A (zh) * 2020-10-13 2021-01-15 电子科技大学 基于BP-adaboost降低元素检出限的方法
CN112270994A (zh) * 2020-10-14 2021-01-26 中国医学科学院阜外医院 一种风险预测模型的构建方法、设备、终端及存储介质
CN113155767A (zh) * 2020-12-31 2021-07-23 长春理工大学 基于紫外光谱法的分布式水质检测系统及水质评价方法
CN113514743A (zh) * 2021-08-03 2021-10-19 广东电网有限责任公司 一种基于多维特征的gis局部放电模式识别系统构建方法
CN113514743B (zh) * 2021-08-03 2024-01-30 广东电网有限责任公司 一种基于多维特征的gis局部放电模式识别系统构建方法
CN117094762A (zh) * 2023-10-17 2023-11-21 北京中奥通宇科技股份有限公司 一种基于ai人工智能的用户权益推荐方法和系统
CN117094762B (zh) * 2023-10-17 2024-01-23 北京中奥通宇科技股份有限公司 一种基于ai人工智能的用户权益推荐方法和系统

Also Published As

Publication number Publication date
WO2018090657A1 (zh) 2018-05-24

Similar Documents

Publication Publication Date Title
CN106529729A (zh) 基于BP_Adaboost模型的信用卡用户违约的预测方法及系统
Huang et al. Enterprise credit risk evaluation based on neural network algorithm
Souma et al. Enhanced news sentiment analysis using deep learning methods
Ala’raj et al. Modelling customers credit card behaviour using bidirectional LSTM neural networks
CN110751557B (zh) 一种基于序列模型的异常资金交易行为分析方法及系统
CN110599336B (zh) 一种金融产品购买预测方法及系统
CN106781489A (zh) 一种基于递归神经网络的路网状态预测方法
Purohit et al. Credit evaluation model of loan proposals for Indian Banks
Aphale et al. Predict loan approval in banking system machine learning approach for cooperative banks loan approval
Sawant et al. Study of Data Mining Techniques used for Financial Data Analysis
Zhu et al. Loan default prediction based on convolutional neural network and LightGBM
Rawat et al. Artificial Narrow Intelligence Techniques in Intelligent Digital Financial Inclusion System for Digital Society
Kadam et al. Loan Approval Prediction System using Logistic Regression and CIBIL Score
Peng Research on credit risk identification of Internet financial enterprises based on big data
Rahman et al. Nearest neighbor classifier method for making loan decision in commercial bank
CN114066602A (zh) 一种金融行业风险控制方法和装置
Chen et al. The credit scoring model based on logistic-bp-adaboost algorithm and its application in p2p credit platform
Pang et al. Wt model & applications in loan platform customer default prediction based on decision tree algorithms
Jan et al. Detection of fraudulent financial statements using decision tree and artificial neural network
Shen et al. Investment time series prediction using a hybrid model based on RBMs and pattern clustering
CN112785414B (zh) 一种基于知识图谱和本体推理机的信贷风险预测方法
Ma et al. Change Detection in Core-Periphery Networks: A Case Study on Detecting Financial Crises in the Interbank Market
Masouleh et al. Forecasting Stock Exchange Data using Group Method of Data Handling Neural Network Approach.
Zhang et al. An interpretable neural model with interactive stepwise influence
Lukashevich et al. The Credit Scoring System for Evaluating Personal Loans Based on the Fuzzy Sets Theory

Legal Events

Date Code Title Description
C06 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
RJ01 Rejection of invention patent application after publication

Application publication date: 20170322

RJ01 Rejection of invention patent application after publication