CN110163616A - 一种基于bp神经网络的移动支付风险预警方法 - Google Patents

Abstract

一种基于BP神经网络的移动支付风险预警方法，包括：S1、初始化BP神经网络，设定连接权值初始值、节点阈值初始值和误差预设精度值，并且搜集训练样本和预测样本；S2、利用训练样本对BP神经网络进行训练；S3、计算预测样本的在BP神经网络中隐含层和输出层的输入值与实际输出值；S4、计算BP神经网络的预测误差实际值；S5、若预测误差实际值小于或者等于误差预设精度值则训练过程结束，否则返回S2；S6、对连接权值训练值进行转换，得到影响因素对移动支付交易规模的影响权重；S7、采集影响因素分析值，并且结合影响权重得到移动支付交易规模分析值。本发明能够准确地对移动支付交易规模进行预测，进而对移动支付风险进行预警。

Description

一种基于BP神经网络的移动支付风险预警方法

技术领域

本发明涉及网络安全技术领域，具体的说是一种基于BP神经网络的移动支付风险预警方法。

背景技术

据最新统计，近几年移动支付行业迅猛发展。作为互联网信息技术所衍生的新兴产物，移动支付已成为人们生活中不可或缺的一部分，一方面它给人们的生活或带来了方便和快捷，另一方面，这个行业的高速发展也推动着社会经济和其他行业的进步。同时，移动支付也面临着新的挑战和变化，经济因素的变动、国家政策的出台都会影响这个行业的发展并带来新的风险。所以，当前的首要任务是深入研究移动支付与当前社会经济的关系并做好风险预警，从而更好的面对移动支付行业的新发展趋势。

目前关于移动支付风险预警的研究并不算多，王立岩(2016)等将保险制度引入移动支付领域，在研究保险制度的基础上进一步强化移动支付的风险预警；顾海峰(2017)等运用层次分析法与模糊分析法构建移动支付风险评价模型；蒋先玲(2014)等聚焦于研究第三方支付的固有风险和市场发展的态势风险。上述方法大多是从微观角度对移动支付过程的风险进行研究。但是移动支付的发展不仅与其自身的固有风险有关，也受到经济发展的宏观因素的影响，宏观因素对移动支付的影响主要体现在移动支付交易规模上，如果移动支付交易规模出现意料之外的波动，会对现有的金融秩序产生冲击，因此除了从微观角度对移动支付的风险进行预警之外，还必须从宏观角度来进行风险预警，而上述方法均存在局限性。

发明内容

为了解决现有技术中的不足，本发明提供一种基于BP神经网络的移动支付风险预警方法，能够准确地对移动支付交易规模进行预测，进而对移动支付风险进行预警。

为了实现上述目的，本发明采用的具体方案为：一种基于BP神经网络的移动支付风险预警方法，所述BP神经网络包括输入层、隐含层和输出层，所述方法包括如下步骤：

S1、初始化BP神经网络，设定连接权值初始值、节点阈值初始值和误差预设精度值，并且搜集训练样本和预测样本，训练样本和预测样本均包含移动支付交易规模和若干个影响因素；

S2、利用训练样本对BP神经网络进行训练，训练过程中连接权值初始值转化为连接权值训练值，节点阈值初始值转化为节点阈值训练值；

S3、计算预测样本在BP神经网络中隐含层和输出层的输入值与实际输出值；

S4、计算BP神经网络的预测误差实际值；

S5、若预测误差实际值小于或者等于误差预设精度值则训练过程结束，并且输出连接权值训练值、节点阈值训练值和预测误差实际值，否则返回S2；

S6、对连接权值训练值进行转换，得到影响因素对移动支付交易规模的影响权重；

S7、采集影响因素分析值，并且结合影响权重得到移动支付交易规模分析值。

作为一种优选方案，S1中，连接权值初始值W(0)和节点阈值初始值θ(0)的取值区间均设置为[-1.1]，误差预设精度值GE_min＝0.5。

作为一种优选方案，S3中，计算隐含层第i个节点的输入值HI_i与实际输出值HO_i的方法为：

计算输出层第k个节点的输入值I_k与实际输出值O_k的方法为：

其中，W_ij为由隐含层的第i个节点到达输入层的第j个节点的连接权值训练值，W_ki为输出层第k个节点到隐含层第i个节点的连接权值训练值，表示BP神经网络中的激励函数，X_j表示输入层的第j个节点的训练数据，θ_i为隐含层的节点阈值训练值，α_k为输出层的节点阈值训练值。

作为一种优选方案，激励函数采用Sigmoid函数，即

作为一种优选方案，S4中，计算预测误差实际值的方法为：

其中，O_k(x_p)为预测样本在输出层第k个节点的计算输出，D_k(x_p)为预测样本在输出层第k个节点的实际值，l为预测样本的个数。

作为一种优选方案，S6的具体方法为：

S6.1、从所有连接权值训练值中提取输入层的部分，并且组合成矩阵IW_p×p，p为影响因素个数和训练样本个数；

S6.2、选取单位向量E_1×p和C_1×p，并且有C_1×p＝E_1×p×IW_p×p；

S6.3、计算 即为影响权重。

有益效果：本发明基于BP神经网络对可能影响移动支付交易规模的各个因素进行分析，从而准确地得到了各影响因素的影响权重，进而能够通过获取各个影响因素分析值来对移动支付交易规模进行分析，从而实现对移动支付风险的预警。

附图说明

图1是本发明的流程图；

图2是BP神经网络的结构示意图；

图3是具体实施方式中仿真实验的网络训练收敛图；

图4是具体实施方式中仿真实验的BP神经网络预测误差走势图。

具体实施方式

下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。

请参阅图1和2，一种基于BP神经网络的移动支付风险预警方法，BP神经网络包括输入层、隐含层和输出层，方法包括S1至S7。

S1、初始化BP神经网络，设定连接权值初始值、节点阈值初始值和误差预设精度值，并且搜集训练样本和预测样本，训练样本和预测样本均包含移动支付交易规模和若干个影响因素。连接权值初始值W(0)和节点阈值初始值θ(0)的取值区间均设置为[-1.1]，误差预设精度值GE_min＝0.5。

S2、利用训练样本对BP神经网络进行训练，训练过程中连接权值初始值转化为连接权值训练值，节点阈值初始值转化为节点阈值训练值。

S3、计算预测样本在BP神经网络中隐含层和输出层的输入值与实际输出值。

计算隐含层第i个节点的输入值HI_i与实际输出值HO_i的方法为：

计算输出层第k个节点的输入值I_k与实际输出值O_k的方法为：

其中，W_ij为由隐含层的第i个节点到达输入层的第j个节点的连接权值训练值，W_ki为输出层第k个节点到隐含层第i个节点的连接权值训练值，表示BP神经网络中的激励函数，激励函数采用Sigmoid函数，即X_j表示输入层的第j个节点的训练数据，θ_i为隐含层的节点阈值训练值，α_k为输出层的节点阈值训练值。

S4、计算BP神经网络的预测误差实际值。计算预测误差实际值的方法为：

其中，O_k(x_p)为预测样本在输出层第k个节点的计算输出，D_k(x_p)为预测样本在输出层第k个节点的实际值，l为预测样本的个数。

S5、若预测误差实际值小于或者等于误差预设精度值则训练过程结束，并且输出连接权值训练值、节点阈值训练值和预测误差实际值，否则返回S2。

S6、对连接权值训练值进行转换，得到影响因素对移动支付交易规模的影响权重。S6的具体方法为S6.1至S6.3。

S6.1、从所有连接权值训练值中提取输入层的部分，并且组合成矩阵IW_p×p，p为影响因素个数和训练样本个数。

S6.2、选取单位向量E_1×p和C_1×p，并且有C_1×p＝E_1×p×IW_p×p。

S6.3、计算 即为影响权重。

S7、采集影响因素分析值，并且结合影响权重得到移动支付交易规模分析值。

以下通过仿真实验对本发明进行验证。

首先，搜集训练样本，具体如表1所示。

表1近十年移动支付风险预警影响因素数据表

将表1中的样本分为两部分，编号1-9的为训练样本，编号10的为预测样本。其中，国内生产总值X₁、中国流通现金增长率X₂、中国线下最终消费总额X₃、银行借记卡发行量X₄、网购用户规模X₅、网络购物用户增速X₆、中国网民规模X₇、中国互联网普及率X₈、中国移动购物市场交易规模X₉用BP神经网络的输入节点表达，移动支付的交易规模Y用BP神经网络的输出节点表达，BP神经网络的输入层与输出层之间的隐含层为6个。并且，设置输入层到隐含层的传递函数为tansig函数，隐含层到输出层的传递函数为logsig函数，输出层的传递函数为purelin函数，训练函数为trainlm函数，设置最大迭代次数为50000，精度为0.00001。

由图3可知，在训练次数达到75次时，BP神经网络的误差达到0.00001，网络收敛达到稳定，训练达标。由图4可知，BP神经网络的移动支付交易规模预测误差率最大值为0.0075，可知BP神经网络训练效果良好。

运用训练好的bp神经网络对预测样本进行预测，预测结果如表2所示，误差率仅为5.66％。常见的经济学模型在预测数据时，预测结果达到80％已说明模型的预测效果较好，而BP神经网络的预测精度高于80％，故可以认为训练后的BP神经网络能够较为更好的对移动支付交易规模进行预警。

IW_9×9的具体结果如表2所示。

表2

选取单位向量E＝{1,1,1,1,1,1,1,1,1}及C_1×9，其中C＝{c₁,c₂,c₃,c₄,c₅,c₆,c₇,c₈,c₉}，其中C_1×9＝E_1×9×IW_9×9， 为各影响因素对移动支付交易规模的影响权重，具体如表3所示。

表3各影响因素的影响权重

本发明基于BP神经网络对可能影响移动支付交易规模的各个因素进行分析，从而准确地得到了各影响因素的影响权重，进而能够通过获取各个影响因素分析值来对移动支付交易规模进行分析，从而实现对移动支付风险的预警。

对所公开的实施例的上述说明，使本领域专业技术人员能够实现或使用本发明。对这些实施例的多种修改对本领域的专业技术人员来说将是显而易见的，本文中所定义的一般原理可以在不脱离本发明的精神或范围的情况下，在其它实施例中实现。因此，本发明将不会被限制于本文所示的这些实施例，而是要符合与本文所公开的原理和新颖特点相一致的最宽的范围。

Claims (6)

1.一种基于BP神经网络的移动支付风险预警方法，所述BP神经网络包括输入层、隐含层和输出层，其特征在于：所述方法包括如下步骤：

S1、初始化BP神经网络，设定连接权值初始值、节点阈值初始值和误差预设精度值，并且搜集训练样本和预测样本，训练样本和预测样本均包含移动支付交易规模和若干个影响因素；

S2、利用训练样本对BP神经网络进行训练，训练过程中连接权值初始值转化为连接权值训练值，节点阈值初始值转化为节点阈值训练值；

S3、计算预测样本在BP神经网络中隐含层和输出层的输入值与实际输出值；

S4、计算BP神经网络的预测误差实际值；

S5、若预测误差实际值小于或者等于误差预设精度值则训练过程结束，并且输出连接权值训练值、节点阈值训练值和预测误差实际值，否则返回S2；

S6、对连接权值训练值进行转换，得到影响因素对移动支付交易规模的影响权重；

S7、采集影响因素分析值，并且结合影响权重得到移动支付交易规模分析值。

2.如权利要求1所述的一种基于BP神经网络的移动支付风险预警方法，其特征在于：S1中，连接权值初始值W(0)和节点阈值初始值θ(0)的取值区间均设置为[-1.1]，误差预设精度值GE_min＝0.5。

3.如权利要求2所述的一种基于BP神经网络的移动支付风险预警方法，其特征在于：S3中，计算隐含层第i个节点的输入值HI_i与实际输出值HO_i的方法为：

计算输出层第k个节点的输入值I_k与实际输出值O_k的方法为：

其中，W_ij为由隐含层的第i个节点到达输入层的第j个节点的连接权值训练值，W_ki为输出层第k个节点到隐含层第i个节点的连接权值训练值，表示BP神经网络中的激励函数，X_j表示输入层的第j个节点的训练数据，θ_i为隐含层的节点阈值训练值，α_k为输出层的节点阈值训练值。

4.如权利要求3所述的一种基于BP神经网络的移动支付风险预警方法，其特征在于：激励函数采用Sigmoid函数，即

5.如权利要求4所述的一种基于BP神经网络的移动支付风险预警方法，其特征在于：S4中，计算预测误差实际值的方法为：

其中，O_k(x_p)为预测样本在输出层第k个节点的计算输出，D_k(x_p)为预测样本在输出层第k个节点的实际值，l为预测样本的个数。

6.如权利要求5所述的一种基于BP神经网络的移动支付风险预警方法，其特征在于：S6的具体方法为：

S6.1、从所有连接权值训练值中提取输入层的部分，并且组合成矩阵IW_p×p，p为影响因素个数和训练样本个数；

S6.2、选取单位向量E_1×p和C_1×p，并且有C_1×p＝E_1×p×IW_p×p；

S6.3、计算 即为影响权重。