CN111652701A - 一种基于融合神经网络的个人信用评估方法及系统 - Google Patents

一种基于融合神经网络的个人信用评估方法及系统 Download PDF

Info

Publication number
CN111652701A
CN111652701A CN202010482047.1A CN202010482047A CN111652701A CN 111652701 A CN111652701 A CN 111652701A CN 202010482047 A CN202010482047 A CN 202010482047A CN 111652701 A CN111652701 A CN 111652701A
Authority
CN
China
Prior art keywords
data
neural network
personal credit
behavior data
decomposition
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
CN202010482047.1A
Other languages
English (en)
Inventor
孙西超
沙翠翠
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.)
Bengbu College
Original Assignee
Bengbu College
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 Bengbu College filed Critical Bengbu College
Priority to CN202010482047.1A priority Critical patent/CN111652701A/zh
Publication of CN111652701A publication Critical patent/CN111652701A/zh
Pending legal-status Critical Current

Links

Images

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
    • G06Q40/00—Finance; Insurance; Tax strategies; Processing of corporate or income taxes
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/044—Recurrent networks, e.g. Hopfield networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/045—Combinations of networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/049—Temporal neural networks, e.g. delay elements, oscillating neurons or pulsed inputs
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G06N3/084—Backpropagation, e.g. using gradient descent

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Computational Linguistics (AREA)
  • Mathematical Physics (AREA)
  • Biophysics (AREA)
  • Artificial Intelligence (AREA)
  • Data Mining & Analysis (AREA)
  • Evolutionary Computation (AREA)
  • General Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Biomedical Technology (AREA)
  • Software Systems (AREA)
  • Health & Medical Sciences (AREA)
  • Business, Economics & Management (AREA)
  • Accounting & Taxation (AREA)
  • Development Economics (AREA)
  • Economics (AREA)
  • Finance (AREA)
  • Marketing (AREA)
  • Strategic Management (AREA)
  • Technology Law (AREA)
  • General Business, Economics & Management (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本发明公开了一种基于融合神经网络的个人信用评估方法，包括：数据预处理，获取用于反映个人信用情况的行为数据，并进行抽取、清洗、归一化处理；对不同行为数据进行分解获得多层局部特征信息；将分解后的行为数据输入第一神经网络获得行为数据的预测数据值，预测实时行为数据的变化趋势，用于辅助评估个人信用等级；基于第一神经网络获取的预测数据值，输入第二神经网络进行拟合获取个人信用判断结果，实现了采用LSTM神经网络对行为数据的特征提取，并经过BP神经网络进行多种行为数据权重的拟合，提高了个人信用评估的准确性。

Description

一种基于融合神经网络的个人信用评估方法及系统
技术领域
本发明涉及数据挖掘处理技术领域，特别涉及一种基于融合神经网络的个人信用评估方法及系统。
背景技术
互联网、大数据和人工智能等技术正引发金融行业的深刻变革，随着大数据时代的来临，金融行业数据量日益增大，数据类型越来越多，数据更新速度日益加快，这为金融机构的个人信用风险评估工作带来了挑战，传统的个人信用风险评估方式已经无法适应环境的不断变化，无法满足金融行业的发展需要，因此迫切需要构建一套智能的信用风险评估体系，进而帮助金融机构进行贷款审批决策。
现有技术中用于评估个人信用的特征数据多为静态信息，基于多种特征数据进行建模，拟合各种特征数据的权重分配，获得个人信用评估结果，但是，静态信息数据例如个人特征、职业信息、家庭信息、受教育程度等均不会在短期得到改变，并不能反映个人的收入波动和信用波动情况，对个人信用动态评估的研究较少。
发明内容
针对上述现有技术存在的问题，本发明提供了一种基于融合神经网络的个人信用评估方法，对个人的历史行为数据进行建模，基于历史行为数据的时间序列，对个人信用进行预测，包括：
数据预处理，获取用于反映个人信用情况的行为数据，并进行抽取、清洗、归一化处理；
对不同行为数据进行分解获得多层局部特征信息；
将分解后的行为数据输入第一神经网络获得行为数据的预测数据值，预测实时行为数据的变化趋势，用于辅助评估个人信用等级；
基于第一神经网络获取的预测数据值，输入第二神经网络进行拟合获取个人信用判断结果。
作为上述方案的进一步优化，所述用于反映个人信用情况的行为数据，包括银行流水记录、信用卡记录、电商数据。
作为上述方案的进一步优化，所述对不同行为数据进行分解采用自适应噪声完整聚合经验模态分解方法，每次分解将原序列加入正态分布白噪声序列共同分解，当n次分解后的剩余分量不满足EMD分解条件时，分解层数自适应确定为n，获得多个子序列和残余分量。
作为上述方案的进一步优化，所述第一神经网络采用长短期记忆网络LSTM，所述LSTM网络的输入为预设时间段内的行为数据的分解序列，输出为下一时间段的行为数据的分解序列；
所述LSTM网络训练时以n个连续时间段的行为数据的分解序列作为输入，其中前n-1个时间段的数据划分为训练数据，第n个时间段的数据划分为目标预测数据，用于计算损失函数值，所述训练完成条件为预设模型损失函数值趋于收敛或达到预设最大迭代次数。
作为上述方案的进一步优化，所述第二神经网络采用BP神经网络，所述BP神经网络包括一个输入层和一个输出层，以及位于所述输入层和输出层之间的m个隐藏层，所述输出节点个数为1，输入节点个数a由所有行为数据的所有分解序列总数确定，隐藏层节点个数为
Figure BDA0002516181320000021
其中，a为输入节点个数，l为常数，l∈[1,10]。
作为上述方案的进一步优化，BP神经网络的训练过程为：
(61)对采集的多个行为数据进行分解获得分解序列，以预设时间段内的多个行为数据的多个分解序列为训练样本数据，携带标注数据输入到BP神经网络；
(62)在获得输出层数据后，以预设损失函数计算输出数据和标注数据的损失数值；
(63)判断损失函数值是否收敛，若收敛，则结束训练过程，将模型参数存储，否则，判断当前迭代次数是否等于预设最大迭代次数，若是，则结束训练过程，将模型参数存储，否则，迭代次数加1，并以预设参数优化方式对模型参数进行修正，并重复上述步骤。
作为上述方案的进一步优化，所述标注数据包括表示优秀、良好、中等、偏差、差的5个数字。
基于一种基于融合神经网络的个人信用评估方法本发明还提供了一种基于融合神经网络的个人信用评估系统，包括：
数据预处理模块，用于获取用于反映个人信用情况的行为数据，并进行抽取、清洗、归一化处理；
数据分解模块，用于对不同行为数据进行分解获得多层局部特征信息；
数据预测模块，用于将分解后的行为数据输入第一神经网络获得行为数据的预测数据值，预测实时行为数据的变化趋势，用于辅助评估个人信用等级；
信用评估模块，用于基于第一神经网络获取的预测数据值，输入第二神经网络进行拟合获取个人信用判断结果。
作为上述方案的进一步优化，所述数据分解模块采用自适应噪声完整聚合经验模态分解方法。
作为上述方案的进一步优化，所述数据预测模块采用长短期记忆网络LSTM，包括长短期记忆网络LSTM的模型训练单元和模型参数存储单元，所述信用评估模块采用BP神经网络，包括BP神经网络的模型训练单元和模型参数存储单元。
本发明的一种基于融合神经网络的个人信用评估方法，具备如下有益效果：
1.本发明的一种基于融合神经网络的个人信用评估方法，采用LSTM神经网络对多个个人行为数据进行预测，并基于预测结果通过BP神经网络进行拟合，获得个人信用等级，实现了采用LSTM神经网络对时间序列的行为数据的特征提取，并经过BP神经网络进行多种行为数据权重的拟合，实现了对个人信用的动态评估。
2.本发明的一种基于融合神经网络的个人信用评估方法，在采用LSTM神经网络对多个个人行为数据进行预测之前，考虑到行为数据时间序列的时变性、非线性、非平稳，将行为数据经过自适应噪声完整聚合经验模态分解方法进行分解，获取多层局部特征信息，降低了数据的时变性、非线性和非平稳性，而且，分解后的各个分量序列具有多层局部特征信息，充分提取采集数据的特征信息，并将分解得到的多层特征信息分别输入LSTM神经网络进行分量预测，提高了对分解分量的预测结果，从而实现了LSTM神经网络对完整的行为数据预测的准确性。
附图说明
图1为本发明的一种基于融合神经网络的个人信用评估方法的流程框图；
图2为本发明的一种基于融合神经网络的个人信用评估方法的第一神经网络的训练流程；
图3为本发明的一种基于融合神经网络的个人信用评估方法的第二神经网络的训练流程；
图4为本发明的一种基于融合神经网络的个人信用评估系统的结构图。
具体实施方式
下面结合具体实施例和附图对本发明的技术方案进一步说明。
本发明提供了一种基于融合神经网络的个人信用评估方法，采用LSTM神经网络对多个个人行为数据进行预测，并基于预测结果通过BP神经网络进行拟合，获得个人信用等级，基于LSTM神经网络对时间序列的行为数据的特征提取，并经过BP神经网络进行多种行为数据权重的拟合，实现了对个人信用的动态评估，具体包括：
数据预处理，获取用于反映个人信用情况的行为数据，并进行抽取、清洗、归一化处理；
其中，用于反映个人信用情况的行为数据具有多种类型，本实施例采用了银行流水记录、信用卡记录、电商数据，通过用户在银行、客户端、网站的注册信息进行银行流水记录、信用卡记录、电商数据获取，并抽取其中的交易时间、交易金额和交易方式等数据。
考虑到行为数据时间序列的时变性、非线性、非平稳，对不同行为数据进行分解获得多层局部特征信息，降低数据的时变性、非线性和非平稳性；本实施例中对不同行为数据进行分解采用自适应噪声完整聚合经验模态分解方法，每次分解将原序列加入正态分布白噪声序列共同分解，当n次分解后的剩余分量不满足EMD分解条件时，分解层数自适应确定为n，获得多个子序列和残余分量，将各子序列和残余分量分别输入到各自对应的训练好的LSTM模型中，获取各子序列和残余分量的预测序列。
分解的各个子序列分量包括低阶本征模式分量和高阶本征模式分量，低阶本征模式分量主要包括随机性影响因素；高阶本征模式分量主要包括趋势性影响因素，残余分量表示行为数据的变化趋势。
其中，自适应噪声完整聚合经验模态分解方法CEEMDAN的分解过程为：将行为数据时间序列表示为x(n)，wi(n)表示第i次添加的具有标准正态分布的白噪声序列，正态分布的白噪声序列的标准差设为0.2，则第i次添加白噪声后的行为数据时间序列表示为xi(n)＝x(n)+λw(n)(i＝1，2，...，I)，其中I表示分解次数，将xi(n)进行经验模态分解，获得各个子序列分量，直至剩余分量不满足EMD分解条件为止，即当剩余分量为一单调变化的信号，极值点个数小于3时，EMD分解停止，采用自适应噪声完整聚合经验模态分解方法不需要设置分解层数，根据数据本身特点自适应确定分解层数，提高了对行为数据序列的分解效果，从而提高第一神经网络的预测准确性。
将分解后的行为数据输入第一神经网络获得行为数据的预测数据值，预测实时行为数据的变化趋势，用于辅助评估个人信用等级；
其中，第一神经网络采用长短期记忆网络LSTM，LSTM网络的输入为预设时间段内的行为数据的分解序列，输出为下一时间段的行为数据的分解序列；
分解后各个行为数据由多个子序列IMF和残余分量组成，从硬盘中加载已训练好的LSTM模型到内存中，将每一个IMF和残余分量序列带入到各自的LSTM模型,输出每一一个IMF和残差分量的预测时间段的预测结果，然后将各子序列和残余分量的预测序列输入第二神经网络进行处理。采用将各子序列和残余分量采用不同的LSTM模型进行预测,各自的LSTM模型对各个分量序列的特征提取和预测精度更为可靠。
在LSTM网络训练时以n个连续时间段的行为数据的分解序列作为输入，其中前n-1个时间段的数据划分为训练数据，第n个时间段的数据划分为目标预测数据，用于计算损失函数值，所述训练完成条件为预设模型损失函数值趋于收敛或达到预设最大迭代次数。
其中，损失函数采用均方误差，最大迭代次数设为20000，当损失函数值趋于收敛则直接停止训练，并对训练完成的模型参数进行存储，否则，判断当前迭代次数是否达到最大迭代次数，如果达到最大迭代次数，则停止训练，并对训练完成的模型参数进行存储，否则，对模型参数进行修正，继续进行训练。
基于第一神经网络获取的预测数据值，输入第二神经网络进行拟合获取个人信用判断结果。
第二神经网络采用BP神经网络，所述BP神经网络包括一个输入层和一个输出层，以及位于所述输入层和输出层之间的m个隐藏层，所述输出节点个数为1，输入节点个数a由所有行为数据的所有分解序列总数确定，隐藏层节点个数为
Figure BDA0002516181320000051
其中，a为输入节点个数，l为常数，l∈[1,10]。
即BP神经网络的输入为第一神经网络输出的预设时间段内的多个行为数据的多个分解序列，输入层节点个数为银行流水记录、信用卡记录、电商数据3个行为数据的所有分解序列和。
对于BP神经网络的训练过程为：
(61)对采集的多个行为数据进行分解获得分解序列，以预设时间段内的多个行为数据的多个分解序列为训练样本数据，携带标注数据输入到BP神经网络，标注数据包括表示优秀、良好、中等、偏差、差的5个数字；
(62)在获得输出层数据后，以预设损失函数计算输出数据和标注数据的损失数值；
(63)判断损失函数值是否收敛，若收敛，则结束训练过程，将模型参数存储，否则，判断当前迭代次数是否等于预设最大迭代次数，若是，则结束训练过程，将模型参数存储，否则，迭代次数加1，并以预设参数优化方式对模型参数进行修正，并重复上述步骤。
基于一种基于融合神经网络的个人信用评估方法本发明还提供了一种基于融合神经网络的个人信用评估系统，包括：
数据预处理模块，用于获取用于反映个人信用情况的行为数据，并进行抽取、清洗、归一化处理；
数据分解模块，用于对不同行为数据进行分解获得多层局部特征信息；
数据预测模块，用于将分解后的行为数据输入第一神经网络获得行为数据的预测数据值，预测实时行为数据的变化趋势，用于辅助评估个人信用等级；
信用评估模块，用于基于第一神经网络获取的预测数据值，输入第二神经网络进行拟合获取个人信用判断结果。
其中，数据分解模块采用自适应噪声完整聚合经验模态分解方法，每次分解将原序列加入正态分布白噪声序列共同分解，当n次分解后的剩余分量不满足EMD分解条件时，分解层数自适应确定为n，获得多个子序列和残余分量，将各子序列和残余分量分别输入到各自对应的训练好的第一神经网络模型中，获取各子序列和残余分量的预测序列。
数据预测模块采用长短期记忆网络LSTM，包括长短期记忆网络LSTM的模型训练单元和模型参数存储单元，所述信用评估模块采用BP神经网络，包括BP神经网络的模型训练单元和模型参数存储单元。
LSTM网络的输入为预设时间段内的行为数据的分解序列，输出为下一时间段的行为数据的分解序列；分解序列由多个子序列IMF和残余分量组成，从硬盘中加载已训练好的LSTM模型到内存中，将每一个IMF和残余分量序列带入到各自的LSTM模型,输出每以个IMF和残差分量的预测时间段的预测结果，然后将各子序列和残余分量的预测序列输入第二神经网络进行处理。BP神经网络输出个人评估结果，包括优秀、良好、中等、偏差、差5个等级。
本发明不局限于上述具体的实施方式，本领域的普通技术人员从上述构思出发，不经过创造性的劳动，所做出的种种变换，均落在本发明的保护范围之内。

Claims (10)

1.一种基于融合神经网络的个人信用评估方法，其特征在于：包括：
数据预处理，获取用于反映个人信用情况的行为数据，并进行抽取、清洗、归一化处理；
对不同行为数据进行分解获得多层局部特征信息；
将分解后的行为数据输入第一神经网络获得行为数据的预测数据值，预测实时行为数据的变化趋势，用于辅助评估个人信用等级；
基于第一神经网络获取的预测数据值，输入第二神经网络进行拟合获取个人信用判断结果。
2.根据权利要求1所述的一种基于融合神经网络的个人信用评估方法，其特征在于：所述用于反映个人信用情况的行为数据，包括银行流水记录、信用卡记录、电商数据。
3.根据权利要求2所述的一种基于融合神经网络的个人信用评估方法，其特征在于：所述对不同行为数据进行分解采用自适应噪声完整聚合经验模态分解方法，每次分解将原序列加入正态分布白噪声序列共同分解，当n次分解后的剩余分量不满足EMD分解条件时，分解层数自适应确定为n，获得多个子序列和残余分量。
4.根据权利要求3所述的一种基于融合神经网络的个人信用评估方法，其特征在于：所述第一神经网络采用长短期记忆网络LSTM，所述LSTM网络的输入为预设时间段内的行为数据的分解序列，输出为下一时间段的行为数据的分解序列；
所述LSTM网络训练时以n个连续时间段的行为数据的分解序列作为输入，其中前n-1个时间段的数据划分为训练数据，第n个时间段的数据划分为目标预测数据，用于计算损失函数值，训练完成条件为预设模型损失函数值趋于收敛或达到预设最大迭代次数。
5.根据权利要求4所述的一种基于融合神经网络的个人信用评估方法，其特征在于：所述第二神经网络采用BP神经网络，所述BP神经网络包括一个输入层和一个输出层，以及位于所述输入层和输出层之间的m个隐藏层，所述输出节点个数为1，输入节点个数a由所有行为数据的所有分解序列总数确定，隐藏层节点个数为
Figure FDA0002516181310000011
其中，a为输入节点个数，l为常数，l∈[1,10]。
6.根据权利要求5所述的一种基于融合神经网络的个人信用评估方法，其特征在于：BP神经网络的训练过程为：
(61)对采集的多个行为数据进行分解获得分解序列，以预设时间段内的多个行为数据的多个分解序列为训练样本数据，携带标注数据输入到BP神经网络；
(62)在获得输出层数据后，以预设损失函数计算输出数据和标注数据的损失数值；
(63)判断损失函数值是否收敛，若收敛，则结束训练过程，将模型参数存储，否则，判断当前迭代次数是否等于预设最大迭代次数，若是，则结束训练过程，将模型参数存储，否则，迭代次数加1，并以预设参数优化方式对模型参数进行修正，并重复上述步骤。
7.根据权利要求6所述的一种基于融合神经网络的个人信用评估方法，其特征在于：所述标注数据包括表示优秀、良好、中等、偏差、差的5个数字。
8.一种基于融合神经网络的个人信用评估系统，其特征在于：包括：
数据预处理模块，用于获取用于反映个人信用情况的行为数据，并进行抽取、清洗、归一化处理；
数据分解模块，用于对不同行为数据进行分解获得多层局部特征信息；
数据预测模块，用于将分解后的行为数据输入第一神经网络获得行为数据的预测数据值，预测实时行为数据的变化趋势，用于辅助评估个人信用等级；
信用评估模块，用于基于第一神经网络获取的预测数据值，输入第二神经网络进行拟合获取个人信用判断结果。
9.根据权利要求8所述的一种基于融合神经网络的个人信用评估系统，其特征在于：所述数据分解模块采用自适应噪声完整聚合经验模态分解方法。
10.根据权利要求8所述的一种基于融合神经网络的个人信用评估系统，其特征在于：所述数据预测模块采用长短期记忆网络LSTM，包括长短期记忆网络LSTM的模型训练单元和模型参数存储单元，所述信用评估模块采用BP神经网络，包括BP神经网络的模型训练单元和模型参数存储单元。
CN202010482047.1A 2020-05-29 2020-05-29 一种基于融合神经网络的个人信用评估方法及系统 Pending CN111652701A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010482047.1A CN111652701A (zh) 2020-05-29 2020-05-29 一种基于融合神经网络的个人信用评估方法及系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010482047.1A CN111652701A (zh) 2020-05-29 2020-05-29 一种基于融合神经网络的个人信用评估方法及系统

Publications (1)

Publication Number Publication Date
CN111652701A true CN111652701A (zh) 2020-09-11

Family

ID=72348736

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010482047.1A Pending CN111652701A (zh) 2020-05-29 2020-05-29 一种基于融合神经网络的个人信用评估方法及系统

Country Status (1)

Country Link
CN (1) CN111652701A (zh)

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112819604A (zh) * 2021-01-19 2021-05-18 浙江省农村信用社联合社 基于融合神经网络特征挖掘的个人信用评估方法与系统
CN113554507A (zh) * 2021-07-23 2021-10-26 中信银行股份有限公司 一种基于反向传播神经网络的个人信用评估方法及系统
CN119784484A (zh) * 2025-03-11 2025-04-08 北京可利邦信息技术股份有限公司 收入评估模型的训练方法、系统、计算机设备及介质

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108985514A (zh) * 2018-07-17 2018-12-11 广东工业大学 基于eemd和lstm的负荷预测方法、装置及设备
CN109409693A (zh) * 2018-09-30 2019-03-01 深圳市元征科技股份有限公司 一种商业合作模式推荐方法及相关设备
CN109582974A (zh) * 2019-01-03 2019-04-05 合肥工业大学 一种基于深度学习的在校大学生信用评估方法及装置
CN110702418A (zh) * 2019-10-10 2020-01-17 山东超越数控电子股份有限公司 航空发动机故障预测方法
CN111144286A (zh) * 2019-12-25 2020-05-12 北京工业大学 一种融合emd和lstm的城市pm2.5浓度预测方法

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108985514A (zh) * 2018-07-17 2018-12-11 广东工业大学 基于eemd和lstm的负荷预测方法、装置及设备
CN109409693A (zh) * 2018-09-30 2019-03-01 深圳市元征科技股份有限公司 一种商业合作模式推荐方法及相关设备
CN109582974A (zh) * 2019-01-03 2019-04-05 合肥工业大学 一种基于深度学习的在校大学生信用评估方法及装置
CN110702418A (zh) * 2019-10-10 2020-01-17 山东超越数控电子股份有限公司 航空发动机故障预测方法
CN111144286A (zh) * 2019-12-25 2020-05-12 北京工业大学 一种融合emd和lstm的城市pm2.5浓度预测方法

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112819604A (zh) * 2021-01-19 2021-05-18 浙江省农村信用社联合社 基于融合神经网络特征挖掘的个人信用评估方法与系统
CN113554507A (zh) * 2021-07-23 2021-10-26 中信银行股份有限公司 一种基于反向传播神经网络的个人信用评估方法及系统
CN119784484A (zh) * 2025-03-11 2025-04-08 北京可利邦信息技术股份有限公司 收入评估模型的训练方法、系统、计算机设备及介质

Similar Documents

Publication Publication Date Title
US20200372342A1 (en) Systems and methods for predictive early stopping in neural network training
CN112270547A (zh) 基于特征构造的金融风险评估方法、装置和电子设备
CN107102969A (zh) 一种时间序列数据的预测方法和系统
CN111652701A (zh) 一种基于融合神经网络的个人信用评估方法及系统
CN114678080A (zh) 转炉终点磷含量预测模型及构建方法、磷含量预测方法
CN114255121A (zh) 信贷风险预测模型的训练方法和信贷风险预测方法
CN116595878A (zh) 基于改进神经网络模型的碳足迹预测方法、系统及介质
CN114118526B (zh) 一种企业风险预测方法、装置、设备及存储介质
KR102519878B1 (ko) 금융기관 신용공여 사업에서의 인공지능 기반 리스크 관리 솔루션을 제공하기 위한 장치, 방법 및 명령을 기록한 기록 매체
CN115374998A (zh) 基于注意力机制和CNN-BiGRU的负荷预测方法
CN119272897A (zh) 基于低秩分解的参数更新方法、装置、设备及存储介质
Myint et al. Time series forecasting system for stock market data
CN113723593A (zh) 一种基于神经网络的切负荷预测方法及系统
CN118429084A (zh) 基于gru神经网络信用风险模型训练、预测方法和装置
CN117635310A (zh) 贷款逾期风险的确定方法、装置、设备和介质
US12248534B2 (en) Automated feature engineering for predictive modeling using deep reinforcement learning
US11449743B1 (en) Dimensionality reduction for statistical modeling
CN115659599A (zh) 一种数据处理方法及装置
CN111291838B (zh) 实体对象分类结果的解释方法和装置
CN119848629B (zh) 针对数据动态变化的持续异常交易检测方法及系统
CN114418762B (zh) 一种数据处理方法、装置及电子设备
US12174897B2 (en) Generating synthetic data based on time series predictions and plural machine learning models
CN118365396A (zh) 一种基于自适应的股票价格走势预测系统及方法
Li et al. An asset evaluation method based on neural network
CN119250964A (zh) 结合lstm与多图卷积神经网络的选股方法及系统

Legal Events

Date Code Title Description
PB01 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: 20200911

RJ01 Rejection of invention patent application after publication