CN112581263A - 一种基于灰狼算法优化广义回归神经网络的信用评估方法 - Google Patents

一种基于灰狼算法优化广义回归神经网络的信用评估方法 Download PDF

Info

Publication number
CN112581263A
CN112581263A CN202011536708.0A CN202011536708A CN112581263A CN 112581263 A CN112581263 A CN 112581263A CN 202011536708 A CN202011536708 A CN 202011536708A CN 112581263 A CN112581263 A CN 112581263A
Authority
CN
China
Prior art keywords
wolf
data
layer
grnn
credit
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
CN202011536708.0A
Other languages
English (en)
Inventor
江远强
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.)
Baiweijinke Shanghai Information Technology Co ltd
Original Assignee
Baiweijinke Shanghai Information Technology Co ltd
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 Baiweijinke Shanghai Information Technology Co ltd filed Critical Baiweijinke Shanghai Information Technology Co ltd
Priority to CN202011536708.0A priority Critical patent/CN112581263A/zh
Publication of CN112581263A publication Critical patent/CN112581263A/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
    • G06Q40/03—Credit; Loans; Processing thereof
    • 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
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/004—Artificial life, i.e. computing arrangements simulating life
    • G06N3/006—Artificial life, i.e. computing arrangements simulating life based on simulated virtual individual or collective life forms, e.g. social simulations or particle swarm optimisation [PSO]
    • 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
    • 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"

Landscapes

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

Abstract

本发明涉及互联网金融行业的风控技术领域，尤其为一种基于灰狼算法优化广义回归神经网络的信用评估方法，包括六个步骤，相比于常用的BP和RBF神经网络，本发明选用的GRNN非线性映射能力强，逼近性能好，适用于处理不稳定数据，具有泛化能力好、拟合能力强、训练速度快和参数调节方便等优点，相比常用的遗传算法、粒子群等优化算法，灰狼算法的参数少和编程简单，具有收敛速度快、全局寻优能力强、潜在并行性与易实现等优点，采用灰狼算法优化GRNN网络模型预测精度和稳定性高，有效避免了GRNN预测结果不稳定及极易陷入局部最小值的缺点，实现申请用户信用评分的快速准确地在线实时预测。

Description

一种基于灰狼算法优化广义回归神经网络的信用评估方法
技术领域
本发明涉及互联网金融行业的风控技术领域，具体为一种基于灰狼算法优化广义回归神经网络的信用评估方法。
背景技术
在评估方法方面，互联网金融的海量数据和快速响应要求使得人工智能方法成为不二选择，逻辑回归、决策树、支持向量机和贝叶斯网络等机器学习算法在各类实证研究中都成功应用。随着人工智能技术的快速发展，误差逆向传播(BP)、径向基函数(RBF)、自组织映射(SOM)等神经网络等成为互联网金融信用评估的重要研究领域。但BP和RBF神经网络存在学习速度慢、易陷入局部极小值，预测结果精度不高的缺点，SOM网络采用无监督学习规则，缺乏分类信息，因此，对一种基于灰狼算法优化广义回归神经网络的信用评估方法的需求日益增长。
广义回归神经网络(Generalized Regression Neural Network，GRNN)是在RBF网络基础之上发展起来的一种基于非线性回归理论的前馈式神经网络。与常用的BP和RBF神经网络不同，对于GRNN来说，训练样本确定，则网络结构和各节点之间的连接权值也随之确定，无需反复迭代训练学习，只需要通过光滑因子σ来调整各单元的传递函数。GRNN通过寻找最佳平滑因子σ以获得最佳回归估计结果，极大简化了网络运算的性能，增加了网络模型的鲁棒性，GRNN具有非线性逼近能力强、网络结构简单和预测精度高等优点，在学习速率、稳定性与逼近能力等方面的性能均优于BP和RBF神经网络。
与一般的神经网络相比，GRNN模型比较简单，光滑因子σ是其唯一需要确定的参数，是影响GRNN网络性能的关键因素。光滑因子σ越小，网络对样本的逼近性能就越好，但需要许多节点来适应函数的缓慢变化，学习速率低且容易出现过拟合的现象；光滑因子σ越大，函数拟合就越平滑，需要非常多的节点以适应函数的快速变化，有可能会出现误差较大的现象。
传统技术通常采用凑试法、估计法，或者结合最小均方算法(Least Mean Square，LMS)法来选取GRNN的平滑因子数σ，但这些方法随机性和经验性影响比较大，效果一般。随着群智能优化算法的发展，通过种群(多个可行解)进行一定次数的迭代，不断提高种群适应度，迭代结束后将种群中适应度最高的个体作为最优解。现有技术采用遗传算法(GA)和粒子群算法(PSO)来优化平滑因子σ，但遗传算法存在编码、解码、交叉、变异等复杂操作、训练时间较长等缺点；粒子群算法在寻优过程的后期易陷入局部极值区域，出现收敛速度慢等问题。为了提高模型的性能，如何采用一种更加合适的智能算法来优化平滑因子σ尤为重要，因此，针对上述问题提出一种基于灰狼算法优化广义回归神经网络的信用评估方法。
发明内容
本发明的目的在于提供一种基于灰狼算法优化广义回归神经网络的信用评估方法，以解决上述背景技术中提出的问题。
为实现上述目的，本发明提供如下技术方案：
一种基于灰狼算法优化广义回归神经网络的信用评估方法，包括以下六个步骤：
S1、采集数据，从互联网金融平台后端根据贷后表现选取一定比例和数量正常还款和逾期客户作为建模样本，采集样本客户账户注册申请时的个人基本信息、监测软件中获取操作行为埋点数据作为信用数据，以及样本对应的正常还款或逾期表现作为标签数据；
S2、数据预处理，对采集的信用数据进行缺失补全、异常值处理和归一化处理后，通过随机森林算法对信用数据做特征选择，K折交叉验证数据划分训练集和测试集；
S3、构建GRNN，将随机森林筛选后的信用数据作为GRNN的输入，将标签数据作为GRNN模型的输出，确定网络拓扑结构及初始化网络参数；
S4、利用灰狼算法对GRNN的平滑因子寻优，得到GWO-GRNN预测模型；
S5、输入训练集样本，训练GWO-GRNN预测模型，将测试集样本输入训练后的模型得到预测结果，以模型精度评价指标与遗传算法、粒子群算法优化的GRNN预测模型进行对比和评估；
S6、将优化GRNN信用评分模型部署至申请平台，获取实时申请客户的数据并将作为待测样本导入预测模型中输出实时申请信用评分，实现申请客户的实时审批，并定期将有表现数据输入到模型训练，实现模型的在线更新。
优选的，在S1中，从互联网金融平台后端根据贷后表现选取一定比例和数量正常还款和逾期客户作为建模样本，采集样本客户账户注册申请时的个人基本信息、监测软件中获取操作行为埋点数据。其中用户的个人申请信息包括：手机号、学历、婚姻状况、工作单位、住址、联系人信息，征信报告获取的个人基本信息、信用交易信息、公共信息、特别记录数据；所述埋点数据包括埋点时采集的设备行为数据和日志数据，其中设备行为数据包括：登录本平台的次数、点击次数、点击频率、输入总耗时及平均耗时、手机号数据、GPS位置、MAC地址、IP地址数据、地理信息申请频次、IP的申请频次、设备电量占比、陀螺仪的平均加速度，另外日志数据包括：7天内登录次数、首次点击到申请授信时长、一天内最多的session数、申请授信前一周的行为统计等。另外在合规要求下，不限于获取移动互联网行为数据、贷款APP内行为数据、信贷历史、运营商数据在内的全域多维度大数据。
优选的，在S2中，将S1所收集的样本数据，使用归一化公式对剔除异常点和降低噪声后的数据归一化处理，对所有的数据转化到[0,1]，减少数据之间差值，使数据更平滑，归一化公式如下：
Figure BDA0002853277650000041
其中，Xnorm是归一化后的数据；Xmin、Xmax分别代表数据集中最小和最大值；X为原始数据。
优选的，在S2中，所采集的信用数据特征有很多，其中不乏有很多噪音，不利于神经网络的训练，通过随机森林算法对信用数据计算出每一个特征的重要性(VariableImportance，VI)并降序排序，选择出重要性靠前的特征完成变量降维。对降维后的数据集采用K折划分训练集和测试集，首先将数据集打乱，均匀分成K个不相交的子集，随机划分训练集和测试集，用于交叉验证。
优选的，在S3中，广义回归神经网络(General Regression Neural Network,GRNN)是在径向基函数(Radial Basis Function,RBF)神经网络基础之上发展起来的典型的前馈型神经网络，GRNN网络结构由四层组成：输入层、模式层(径向基层)、求和层、输出层。输入历史数据逐次通过四层运算得到网络预测输出，并根据输出的误差不断调节平滑参数σ，最终使误差最小。
设定GRNN网络的输入向量Xj＝[xj1,xj2,…,xjm]T，输出向量Y＝[Y1,Y2,…,Yk]，其中1≤j≤n，n为训练样本数，m代表网络输出向量X的维数，k代表网络输出变量Y的维数。
S31、输入层
输入层对输入训练样本数据不进行任何计算处理，该层节点数目等于输入训练样本数据的维数，各节点将输入变量直接传递给模式层。
S32、模式层
模式层使用非线性的传递函数处理从输入层传输的数据，该层节点数目为样本数目个数n，每个节点对应一个训练样本，传递函数通常选用高斯核函数，表达式如下：
Figure BDA0002853277650000042
式中，X是网络输入变量；Xi为第i节点对应的训练样本；σ是高斯核函数的光滑因子。
S33、求和层
求和层使用求和方式处理由模式层的计算结果得到分子层节点和分母层节点，该层的节点数目和模式层均与训练样本数目个数n相等。
分母层节点是对所有模式层的节点进行算数求和，计算方式为：
Figure BDA0002853277650000051
分子层节点是对所有模式层的节点输出进行加权求和，是节点预期结果与每个模式层节点的加权求和，计算方式为：
Figure BDA0002853277650000052
式中，Si是分母层节点；Swj是分子层节点；Pi是模式层第i个节点，i＝1,2…,n是模式层节点数，即训练样本数；yij是节点预期结果,j＝1,2,…,k是输出向量的维数。
S34、输出层
输出层是将求和层得到的分子层节点和分母层节点的输出相除，得到最终的估计值。该层的节点数目与训练样本的输出向量维数k相等，计算公式如下：
Figure BDA0002853277650000053
式中，yj是第j个网络输出值，j＝1,2,…,k是输出向量的维数；Si是分母层节点，i＝1,2…,n是求和层节点数，即训练样本数；Swj是分子层节点。
由上述分析可知，GRNN确定输入向量后，在训练过程中不需要调整节点之间的连接权值，只要改变平滑因子σ从而调整模式层中各单元的传递函数，确定最佳平滑因子σ的过程就是网络的训练过程，这是与传统的误差反向传统算法不同的地方。
优选的，在S4中，采用灰狼算法优化GRNN平滑因子σ，灰狼算法(GreyWolfOptimizer，GWO)一种模仿自然界中灰狼群领导层次和狩猎机制的优化方法。在一定数量的群体中，按照职责分工，灰狼被分为α狼、β狼、δ狼(表现最好的前三只狼，代表最优解、优解、次优解)及ω(跟随前三只狼，代表候选解)共4个等级，由α狼、β狼、δ狼负责对猎物的位置(全局最优解)进行评估定位，群内其余个体(ω狼)以此为标准计算自身与猎物之间的距离，并完成对猎物的全方位靠近、包围、攻击等行为，最终捕获猎物。
S41、初始化灰狼种群搜索空间
初始化人工狼的数目N，最大迭代次数Tmax，灰狼群体X＝(X1,X2,…,XN)，每个灰狼的位置Xi＝(xi1,xi2,…,xiD)T,(i＝1,2,…,N)在分散的狼群中不断转移注意直至检测到猎物后狼群合并,xi所在的空间由GRNN模型的光滑因子构成xi＝[σ1,σ2,…,σn]，灰狼初始位置x0；
S42、对猎物进行包围
该行为如公式表示如下:
D＝|C·Xp(t)-X(t)|
C＝2r1
X(t+1)＝Xp(t)-A·D
A＝2a·r2-a
a＝2-2(t/tmax)
式中，D代表灰狼与猎物距离；A和C为协同系数向量；Xp为猎物的位置，t为当前迭代次数，Xp(t)表示当前灰狼的位置，X(t+1)表示灰狼下一次移动的位置；a为收敛因子，随迭代次数的增加从2线性递减到0；r1、r2为[0,1]之间的随机数。
在等式中，A为系数矢量,当|A|>1时，说明灰狼正在远离猎物，灰狼群体需要将搜索范围扩大，进行全局搜索；当|A|<1时，说明灰狼正在接近猎物，狼群体将包围圈缩小，进行局部搜索。C为系数向量，是[0,2]之间的随机值，负责为猎物提供随机权重，避免陷入局部最优。
S43、对猎物进行狩猎
在狩猎中，头狼α带领β与δ指导狼群中其他个体(ω)向目标搜索，首先利用α狼、β狼、δ狼的位置判断目标的大致位置，逐渐逼近目标，数学描述如下:
Figure BDA0002853277650000071
式中，Dα、Dβ、Dδ分别表示灰狼个体与当前α狼、β狼、δ狼的距离；Xa、Xβ、Xδ表示当前种群中α狼、β狼、δ狼的位置向量；X(t)表示灰狼的位置向量；X1、X2、X3表示更新后的灰狼位置；A1、A2、A3与A相同都为协同向量，C1、C2、C3与C相同，都为协同向量。
ω狼朝向α狼、β狼、δ狼前进的向量为：
Figure BDA0002853277650000072
式中，A1、A2、A3为三个随机向量；X1为ω狼朝向α前进的向量；X2为ω狼朝向β前进的向量；X3为ω狼朝向δ前进的向量；ω狼的最终位置为：
Figure BDA0002853277650000073
S44、对猎物进行狩猎
不断迭代训练次数，更新收敛因子a、随机向量A及自适应向量C。
S45、设置适应度函数
把GRNN网络的输出误差作为适应度函数值来评估个体的优劣程度，适应度函数表达式如下：
Figure BDA0002853277650000081
式中，k为常数；m为输出层节点数；yj为网络输出值；oj为网络预输出值。
步骤4-6：迭代寻优
通过计算光滑因子σ个体的适应度函数值的大小，重复步骤S42至S45，直到达到最大迭代次数，输出α狼的最优位置。
优选的，在S5中，将得到最优化σ值作为GRNN网络的光滑因子代入GRNN构架中，再输入训练样本进行GWO-GRNN信用评估预测模型训练，并输入测试样本进行信用评估预测效果验证，若未达到设定误差则重新计算光滑因子的最优值，并再次进行预测，如此反复迭代，直至达到精度要求，输出最优的GWO-GRNN预测模型。
优选的，在S5中，训练样本根据实际和预测结果比较，得到混淆矩阵，可计算以下各指标的值，真正例率TPR(True Positive Rate)、假正例率FPR(False Postive Rate)、AUC(Area Under Curve)值和KS(Kolmogorov-Smirnov)值，计算公式如下：
Figure BDA0002853277650000082
Figure BDA0002853277650000083
KS＝max(TPR-FPR)
其中，真正例(True Positive,TP)是指模型将正类别样本正确地预测为正类别；真负例(True Negative,TN)是指模型将负类别样本正确地预测为负类别；假正例(FalsePositive,FP)是指模型将负类别样本错误地预测为正类别；假负例(False Negative,FN)是指模型将负类别样本正确地预测为负类别。
以TPR作为纵轴，以FPR作为横轴作图，得到ROC(receiver operatingcharacteristic curve，接收者操作特征曲线)，由ROC曲线得到AUC值(Area Under Curve，ROC曲线下的面积)作为衡量模型准确性的评价标准，AUC值越接近1模型的效果越好。
KS值是TPR与FPR的差的最大值，可以反映出模型的最优区分效果，此时所取的阈值一般作为定义好坏用户的最优阈值，一般KS大于0.2认为模型有比较好的预测准确性。
优选的，在S6中，将优化GRNN的信用评分模型部署至申请平台，获取实时申请客户的数据并将作为待测样本导入预测模型中输出实时申请信用评分，实现申请客户的实时审批，并定期将有表现数据输入到模型训练，实现模型的在线更新。
与现有技术相比，本发明的有益效果是：
1、相比于常用的BP和RBF神经网络，本发明选用的GRNN非线性映射能力强，逼近性能好，适用于处理不稳定数据，具有泛化能力好、拟合能力强、训练速度快和参数调节方便等优点。
2、相比常用的遗传算法、粒子群等优化算法，灰狼算法的参数少和编程简单，具有收敛速度快、全局寻优能力强、潜在并行性与易实现等优点。
3、本发明采用灰狼算法优化GRNN网络模型预测精度和稳定性高，有效避免了GRNN预测结果不稳定及极易陷入局部最小值的缺点，实现申请用户信用评分的快速准确地在线实时预测。
附图说明
图1为本发明整体流程示意图。
具体实施方式
请参阅图1，本发明提供一种技术方案：
一种基于灰狼算法优化广义回归神经网络的信用评估方法，包括以下六个步骤：
S1、采集数据，从互联网金融平台后端根据贷后表现选取一定比例和数量正常还款和逾期客户作为建模样本，采集样本客户账户注册申请时的个人基本信息、监测软件中获取操作行为埋点数据作为信用数据，以及样本对应的正常还款或逾期表现作为标签数据；
S2、数据预处理，对采集的信用数据进行缺失补全、异常值处理和归一化处理后，通过随机森林算法对信用数据做特征选择，K折交叉验证数据划分训练集和测试集；
S3、构建GRNN，将随机森林筛选后的信用数据作为GRNN的输入，将标签数据作为GRNN模型的输出，确定网络拓扑结构及初始化网络参数；
S4、利用灰狼算法对GRNN的平滑因子寻优，得到GWO-GRNN预测模型；
S5、输入训练集样本，训练GWO-GRNN预测模型，将测试集样本输入训练后的模型得到预测结果，以模型精度评价指标与遗传算法、粒子群算法优化的GRNN预测模型进行对比和评估；
S6、将优化GRNN信用评分模型部署至申请平台，获取实时申请客户的数据并将作为待测样本导入预测模型中输出实时申请信用评分，实现申请客户的实时审批，并定期将有表现数据输入到模型训练，实现模型的在线更新。
在S1中，从互联网金融平台后端根据贷后表现选取一定比例和数量正常还款和逾期客户作为建模样本，采集样本客户账户注册申请时的个人基本信息、监测软件中获取操作行为埋点数据。其中用户的个人申请信息包括：手机号、学历、婚姻状况、工作单位、住址、联系人信息，征信报告获取的个人基本信息、信用交易信息、公共信息、特别记录数据；所述埋点数据包括埋点时采集的设备行为数据和日志数据，其中设备行为数据包括：登录本平台的次数、点击次数、点击频率、输入总耗时及平均耗时、手机号数据、GPS位置、MAC地址、IP地址数据、地理信息申请频次、IP的申请频次、设备电量占比、陀螺仪的平均加速度，另外日志数据包括：7天内登录次数、首次点击到申请授信时长、一天内最多的session数、申请授信前一周的行为统计等。另外在合规要求下，不限于获取移动互联网行为数据、贷款APP内行为数据、信贷历史、运营商数据在内的全域多维度大数据，这种设置有利于全方面统计用户信息便于后续预测用户的信用风险。
在S2中，将S1所收集的样本数据，使用归一化公式对剔除异常点和降低噪声后的数据归一化处理，对所有的数据转化到[0,1]，减少数据之间差值，使数据更平滑，归一化公式如下：
Figure BDA0002853277650000111
其中，Xnorm是归一化后的数据；Xmin、Xmax分别代表数据集中最小和最大值；X为原始数据，这种设置将原始数据归一化，便于提升运算效率。
在S2中，所采集的信用数据特征有很多，其中不乏有很多噪音，不利于神经网络的训练，通过随机森林算法对信用数据计算出每一个特征的重要性(Variable Importance，VI)并降序排序，选择出重要性靠前的特征完成变量降维。对降维后的数据集采用K折划分训练集和测试集，首先将数据集打乱，均匀分成K个不相交的子集，随机划分训练集和测试集，用于交叉验证，这种设置弥补了噪音干扰过大的缺陷，使得预测结果符合预期。
在S3中，广义回归神经网络(General Regression Neural Network,GRNN)是在径向基函数(Radial Basis Function,RBF)神经网络基础之上发展起来的典型的前馈型神经网络，GRNN网络结构由四层组成：输入层、模式层(径向基层)、求和层、输出层。输入历史数据逐次通过四层运算得到网络预测输出，并根据输出的误差不断调节平滑参数σ，最终使误差最小。
设定GRNN网络的输入向量Xj＝[xj1,xj2,…,xjm]T，输出向量Y＝[Y1,Y2,…,Yk]，其中1≤j≤n，n为训练样本数，m代表网络输出向量X的维数，k代表网络输出变量Y的维数。
S31、输入层
输入层对输入训练样本数据不进行任何计算处理，该层节点数目等于输入训练样本数据的维数，各节点将输入变量直接传递给模式层。
S32、模式层
模式层使用非线性的传递函数处理从输入层传输的数据，该层节点数目为样本数目个数n，每个节点对应一个训练样本，传递函数通常选用高斯核函数，表达式如下：
Figure BDA0002853277650000121
式中，X是网络输入变量；Xi为第i节点对应的训练样本；σ是高斯核函数的光滑因子。
S33、求和层
求和层使用求和方式处理由模式层的计算结果得到分子层节点和分母层节点，该层的节点数目和模式层均与训练样本数目个数n相等。
分母层节点是对所有模式层的节点进行算数求和，计算方式为：
Figure BDA0002853277650000122
分子层节点是对所有模式层的节点输出进行加权求和，是节点预期结果与每个模式层节点的加权求和，计算方式为：
Figure BDA0002853277650000123
式中，Si是分母层节点；Swj是分子层节点；Pi是模式层第i个节点，i＝1,2…,n是模式层节点数，即训练样本数；yij是节点预期结果,j＝1,2,…,k是输出向量的维数。
S34、输出层
输出层是将求和层得到的分子层节点和分母层节点的输出相除，得到最终的估计值。该层的节点数目与训练样本的输出向量维数k相等，计算公式如下：
Figure BDA0002853277650000131
式中，yj是第j个网络输出值，j＝1,2,…,k是输出向量的维数；Si是分母层节点，i＝1,2…,n是求和层节点数，即训练样本数；Swj是分子层节点。
由上述分析可知，GRNN确定输入向量后，在训练过程中不需要调整节点之间的连接权值，只要改变平滑因子σ从而调整模式层中各单元的传递函数，确定最佳平滑因子σ的过程就是网络的训练过程，这是与传统的误差反向传统算法不同的地方，这种设置完成了广义回归神经网络信用风险预测模型的搭建，便于预测分析。
在S4中，采用灰狼算法优化GRNN平滑因子σ，灰狼算法(Grey Wolf Optimizer，GWO)一种模仿自然界中灰狼群领导层次和狩猎机制的优化方法。在一定数量的群体中，按照职责分工，灰狼被分为α狼、β狼、δ狼(表现最好的前三只狼，代表最优解、优解、次优解)及ω(跟随前3只狼，代表候选解)共4个等级，由α狼、β狼、δ狼负责对猎物的位置(全局最优解)进行评估定位，群内其余个体(ω狼)以此为标准计算自身与猎物之间的距离，并完成对猎物的全方位靠近、包围、攻击等行为，最终捕获猎物。
S41、初始化灰狼种群搜索空间
初始化人工狼的数目N，最大迭代次数Tmax，灰狼群体X＝(X1,X2,…,XN)，每个灰狼的位置Xi＝(xi1,xi2,…,xiD)T,(i＝1,2,…,N)在分散的狼群中不断转移注意直至检测到猎物后狼群合并，xi所在的空间由GRNN模型的光滑因子构成xi＝[σ1,σ2,…,σn]，灰狼初始位置x0；
S42、对猎物进行包围
该行为如公式表示如下:
D＝|C·Xp(t)-X(t)|
C＝2r1
X(t+1)＝Xp(t)-A·D
A＝2a·r2-a
a＝2-2(t/tmax)
式中，D代表灰狼与猎物距离；A和C为协同系数向量；Xp为猎物的位置，t为当前迭代次数，Xp(t)表示当前灰狼的位置，X(t+1)表示灰狼下一次移动的位置；a为收敛因子，随迭代次数的增加从2线性递减到0；r1、r2为[0,1]之间的随机数。
在等式中，A为系数矢量,当|A|>1时，说明灰狼正在远离猎物，灰狼群体需要将搜索范围扩大，进行全局搜索；当|A|<1时，说明灰狼正在接近猎物，狼群体将包围圈缩小，进行局部搜索。C为系数向量，是[0,2]之间的随机值，负责为猎物提供随机权重，避免陷入局部最优。
S43、对猎物进行狩猎
在狩猎中，头狼α带领β与δ指导狼群中其他个体(ω狼)向目标搜索，首先利用α狼、β狼、δ狼的位置判断目标的大致位置，逐渐逼近目标，数学描述如下：
Figure BDA0002853277650000141
式中，Dα、Dβ、Dδ分别表示灰狼个体与当前α狼、β狼、δ狼的距离；Xa、Xβ、Xδ表示当前种群中α狼、β狼、δ狼的位置向量；X(t)表示灰狼的位置向量；X1、X2、X3表示更新后的灰狼位置；A1、A2、A3与A相同都为协同向量，C1、C2、C3与C相同，都为协同向量。
ω狼朝向α狼、β狼、δ狼前进的向量为：
Figure BDA0002853277650000151
式中，A1、A2、A3为三个随机向量；X1为ω狼朝向α前进的向量；X2为ω狼朝向β前进的向量；X3为ω狼朝向δ前进的向量；ω狼的最终位置为：
Figure BDA0002853277650000152
S44、对猎物进行狩猎
不断迭代训练次数，更新收敛因子a、随机向量A及自适应向量C。
S45、设置适应度函数
把GRNN网络的输出误差作为适应度函数值来评估个体的优劣程度，适应度函数表达式如下：
Figure BDA0002853277650000153
式中，k为常数；m为输出层节点数；yj为网络输出值；oj为网络预输出值。
步骤4-6：迭代寻优
通过计算光滑因子σ个体的适应度函数值的大小，重复步骤S42至S45，直到达到最大迭代次数，输出α狼的最优位置，这种设置通过反复迭代便于提升预测精度。
在S5中，将得到α狼的最优位置作为最优化σ值作为GRNN网络的光滑因子代入GRNN构架中，再输入训练样本进行GWO-GRNN信用评估预测模型训练，并输入测试样本进行信用评估预测效果验证，若未达到设定误差则重新计算光滑因子的最优值，并再次进行预测，如此反复迭代，直至达到精度要求，输出最优的GWO-GRNN预测模型，这种设置有利于输出符合精度的预测结果。
在S5中，训练样本根据实际和预测结果比较，得到混淆矩阵，可计算以下各指标的值，真正例率TPR(True Positive Rate)、假正例率FPR(False Postive Rate)、AUC(AreaUnder Curve)值和KS(Kolmogorov-Smirnov)值，计算公式如下：
Figure BDA0002853277650000161
Figure BDA0002853277650000162
KS＝max(TPR-FPR)
其中，真正例(True Positive,TP)是指模型将正类别样本正确地预测为正类别；真负例(True Negative,TN)是指模型将负类别样本正确地预测为负类别；假正例(FalsePositive,FP)是指模型将负类别样本错误地预测为正类别；假负例(False Negative,FN)是指模型将负类别样本正确地预测为负类别。
以TPR作为纵轴，以FPR作为横轴作图，便得到了ROC(receiver operatingcharacteristic curve，接收者操作特征曲线)，AUC值(Area Under Curve，ROC曲线下的面积)作为衡量模型准确性的评价标准，AUC值越接近1模型的效果越好。
KS值是TPR与FPR的差的最大值，可以反映出模型的最优区分效果，此时所取的阈值一般作为定义好坏用户的最优阈值，一般KS大于0.2认为模型有比较好的预测准确性。
这种设置便于对比模型的误差，便于调整纠正预测算法。
在S6中，将优化GRNN的信用评分模型部署至申请平台，获取实时申请客户的数据并将作为待测样本导入预测模型中输出实时申请信用评分，实现申请客户的实时审批，并定期将有表现数据输入到模型训练，实现模型的在线更新，这种设置将第一时间将新用户数据更新到模型训练的数据库，便于预测新的风险。
本文中应用了具体个例对本发明的原理及实施方式进行了阐述，以上实例的说明只是用于帮助理解本发明的方法及其核心思想。以上所述仅是本发明的优选实施方式，应当指出，由于文字表达的有限性，而客观上存在无限的具体结构，对于本技术领域的普通技术人员来说，在不脱离本发明原理的前提下，还可以做出若干改进、润饰或变化，也可以将上述技术特征以适当的方式进行组合；这些改进润饰、变化或组合，或未经改进将发明的构思和技术方案直接应用于其它场合的，均应视为本发明的保护范围。

Claims (9)

1.一种基于灰狼算法优化广义回归神经网络的信用评估方法，其特征在于：包括以下六个步骤：
S1、采集数据，从互联网金融平台后端根据贷后表现选取一定比例和数量正常还款和逾期客户作为建模样本，采集样本客户账户注册申请时的个人基本信息、监测软件中获取操作行为埋点数据作为信用数据，以及样本对应的正常还款或逾期表现作为标签数据；
S2、数据预处理，对采集的信用数据进行缺失补全、异常值处理和归一化处理后，通过随机森林算法对信用数据做特征选择，K折交叉验证数据划分训练集和测试集；
S3、构建GRNN，将随机森林筛选后的信用数据作为GRNN的输入，将标签数据作为GRNN模型的输出，确定网络拓扑结构及初始化网络参数；
S4、利用灰狼算法对GRNN的平滑因子寻优，得到GWO-GRNN预测模型；
S5、输入训练集样本，训练GWO-GRNN预测模型，将测试集样本输入训练后的模型得到预测结果，以模型精度评价指标与遗传算法、粒子群算法优化的GRNN预测模型进行对比和评估；
S6、将优化GRNN信用评分模型部署至申请平台，获取实时申请客户的数据并将作为待测样本导入预测模型中输出实时申请信用评分，实现申请客户的实时审批，并定期将有表现数据输入到模型训练，实现模型的在线更新。
2.根据权利要求1所述的一种基于灰狼算法优化广义回归神经网络的信用评估方法，其特征在于，在S1中，从互联网金融平台后端根据贷后表现选取一定比例和数量正常还款和逾期客户作为建模样本，采集样本客户账户注册申请时的个人基本信息、监测软件中获取操作行为埋点数据。其中用户的个人申请信息包括：手机号、学历、婚姻状况、工作单位、住址、联系人信息，征信报告获取的个人基本信息、信用交易信息、公共信息、特别记录数据；所述埋点数据包括埋点时采集的设备行为数据和日志数据，其中设备行为数据包括：登录本平台的次数、点击次数、点击频率、输入总耗时及平均耗时、手机号数据、GPS位置、MAC地址、IP地址数据、地理信息申请频次、IP的申请频次、设备电量占比、陀螺仪的平均加速度，另外日志数据包括：7天内登录次数、首次点击到申请授信时长、一天内最多的session数、申请授信前一周的行为统计等。另外在合规要求下，不限于获取移动互联网行为数据、贷款APP内行为数据、信贷历史、运营商数据在内的全域多维度大数据。
3.根据权利要求1所述的一种基于灰狼算法优化广义回归神经网络的信用评估方法，其特征在于，在S2中，将S1所收集的样本数据，使用归一化公式对剔除异常点和降低噪声后的数据归一化处理，把所有的数据转化到[0,1]，减少数据之间差值，使数据更平滑，归一化公式如下：
Figure FDA0002853277640000021
其中，Xnorm是归一化后的数据；Xmin、Xmax分别代表数据集中最小和最大值；X为原始数据。
4.根据权利要求1所述的一种基于灰狼算法优化广义回归神经网络的信用评估方法，其特征在于，在S2中，所采集的信用数据特征有很多，其中不乏有很多噪音，不利于神经网络的训练，通过随机森林算法对信用数据计算出每一个特征的重要性(VariableImportance，VI)并降序排序，选择出重要性靠前的特征完成变量降维。对降维后的数据集采用K折划分训练集和测试集，首先将数据集打乱，均匀分成K个不相交的子集，随机划分训练集和测试集，用于交叉验证。
5.根据权利要求1所述的基一种基于灰狼算法优化广义回归神经网络的信用评估方法，其特征在于，在S3中，广义回归神经网络(General Regression Neural Network,GRNN)是在径向基函数(Radial Basis Function,RBF)神经网络基础之上发展起来的典型的前馈型神经网络，GRNN网络结构由四层组成：输入层、模式层(径向基层)、求和层、输出层。输入历史数据逐次通过四层运算得到网络预测输出，并根据输出的误差不断调节平滑参数σ，最终使误差最小。
设定GRNN输入向量Xj＝[xj1,xj2,…,xjm]T，输出向量Y＝[Y1,Y2,…,Yk]，其中1≤j≤n，n为训练样本数，m代表网络输出向量X的维数，k代表网络输出变量Y的维数。
S31、输入层
输入层对输入训练样本数据不进行任何计算处理，该层节点数目等于输入训练样本数据的维数，各节点将输入变量直接传递给模式层。
S32、模式层
模式层使用非线性的传递函数处理从输入层传输的数据，该层节点数目为样本数目个数n，每个节点对应一个训练样本，传递函数通常选用高斯核函数，计算表达式如下：
Figure FDA0002853277640000031
式中，X是网络输入变量；Xi为第i节点对应的训练样本；σ是高斯核函数的光滑因子。
S33、求和层
求和层使用求和方式处理由模式层的计算结果得到分子层节点和分母层节点，该层的节点数目和模式层均与训练样本数目个数n相等。
分母层节点是对所有模式层的节点进行算数求和，计算方式为：
Figure FDA0002853277640000032
分子层节点是对所有模式层的节点输出进行加权求和，是节点预期结果与每个模式层节点的加权求和，计算方式为：
Figure FDA0002853277640000041
式中，Si是分母层节点；Swj是分子层节点；Pi是模式层第i个节点，i＝1,2…,n是模式层节点数，即训练样本数；yij是节点预期结果,j＝1,2,…,k是输出向量的维数。
S34、输出层
输出层是将求和层得到的分子层节点和分母层节点的输出相除，得到最终的估计值。该层的节点数目与训练样本的输出向量维数k相等，计算公式如下：
Figure FDA0002853277640000042
式中，yj是第j个网络输出值，j＝1,2,…,k是输出向量的维数；Si是分母层节点，i＝1,2…,n是求和层节点数，即训练样本数；Swj是分子层节点。
由上述分析可知，GRNN确定输入向量后，在训练过程中不需要调整节点之间的连接权值，只要改变平滑因子σ从而调整模式层中各单元的传递函数，确定最佳平滑因子σ的过程就是网络的训练过程，这是与传统的误差反向传统算法不同的地方。
6.根据权利要求1所述的一种基于灰狼算法优化广义回归神经网络的信用评估方法，其特征在于，在S4中，采用灰狼算法优化GRNN平滑因子σ，灰狼算法(Grey Wolf Optimizer，GWO)一种模仿自然界中灰狼群领导层次和狩猎机制的优化方法。在一定数量的群体中，按照职责分工，灰狼被分为α狼、β狼、δ狼(表现最好的前三只狼，代表最优解、优解、次优解)及ω(跟随前三只狼，代表候选解)共4个等级，由α狼、β狼、δ狼负责对猎物的位置(全局最优解)进行评估定位，群内其余个体(ω狼)以此为标准计算自身与猎物之间的距离，并完成对猎物的全方位靠近、包围、攻击等行为，最终捕获猎物。
S41、初始化灰狼种群搜索空间
初始化人工狼的数目N，最大迭代次数Tmax，灰狼群体X＝(X1,X2,…,XN)，每个灰狼的位置Xi＝(xi1,xi2,…,xiD)T,(i＝1,2,…,N)在分散的狼群中不断转移注意直至检测到猎物后狼群合并，xi所在的空间由GRNN模型的光滑因子构成xi＝[σ1,σ2,…,σn]，灰狼初始位置x0；
S42、对猎物进行包围
该行为如公式表示如下:
D＝|C·Xp(t)-X(t)|
C＝2r1
X(t+1)＝Xp(t)-A·D
A＝2a·r2-a
a＝2-2(t/tmax)
式中，D代表灰狼与猎物距离；A和C为协同系数向量；Xp为猎物的位置，t为当前迭代次数，Xp(t)表示当前灰狼的位置，X(t+1)表示灰狼下一次移动的位置；a为收敛因子，随迭代次数的增加从2线性递减到0；r1、r2为[0,1]之间的随机数。
在等式中，A为系数矢量,当|A|>1时，说明灰狼正在远离猎物，灰狼群体需要将搜索范围扩大，进行全局搜索；当|A|<1时，说明灰狼正在接近猎物，狼群体将包围圈缩小，进行局部搜索。C为系数向量，是[0,2]之间的随机值，负责为猎物提供随机权重，避免算法陷入局部最优。
S43、对猎物进行狩猎
在狩猎中，头狼α带领β与δ指导狼群中其他个体(ω)向目标搜索，首先利用α狼、β狼、δ狼的位置判断目标的大致位置，逐渐逼近目标，数学描述如下:
Figure FDA0002853277640000061
式中，Dα、Dβ、Dδ分别表示灰狼个体与当前α狼、β狼、δ狼的距离；Xa、Xβ、Xδ表示当前种群中α狼、β狼、δ狼的位置向量；X(t)表示灰狼的位置向量；X1、X2、X3表示更新后的灰狼位置；A1、A2、A3与A相同都为协同向量，C1、C2、C3与C相同，都为协同向量。
ω狼朝向α狼、β狼、δ狼前进的向量为：
Figure FDA0002853277640000062
式中，A1、A2、A3为三个随机向量；X1为ω狼朝向α前进的向量；X2为ω狼朝向β前进的向量；X3为ω狼朝向δ前进的向量；ω狼的最终位置为：
Figure FDA0002853277640000063
S44、对猎物进行狩猎
不断迭代训练次数，更新收敛因子a、随机向量A及自适应向量C。
S45、设置适应度函数
把GRNN网络的输出误差作为适应度函数值来评估个体的优劣程度，适应度函数表达式如下：
Figure FDA0002853277640000064
式中，k为常数；m为输出层节点数；yj为网络输出值；oj为网络预输出值。
步骤4-6：迭代寻优
通过计算光滑因子σ个体的适应度函数值的大小，重复步骤S42至S45，直到达到最大迭代次数，输出α狼的最优位置。
7.根据权利要求1所述的基一种基于灰狼算法优化广义回归神经网络的信用评估方法，其特征在于，在S5中，将得到α狼的最优位置解码得到最优化σ值作为GRNN网络的光滑因子代入GRNN构架中，再输入训练样本进行GWO-GRNN信用评估预测模型训练，并输入测试样本进行信用评估预测效果验证，若未达到设定误差则重新计算光滑因子的最优值，并再次进行预测，如此反复迭代，直至达到精度要求，输出最优的GWO-GRNN预测模型。
8.根据权利要求1所述的基一种基于灰狼算法优化广义回归神经网络的信用评估方法，其特征在于，在S5中，训练样本根据实际和预测结果比较，得到混淆矩阵，可计算以下各指标的值，真正例率TPR(True Positive Rate)、假正例率FPR(False Postive Rate)、AUC(Area Under Curve)值和KS(Kolmogorov-Smirnov)值，计算公式如下：
Figure FDA0002853277640000071
Figure FDA0002853277640000072
KS＝max(TPR-FPR)
其中，真正例(True Positive,TP)是指模型将正类别样本正确地预测为正类别；真负例(True Negative,TN)是指模型将负类别样本正确地预测为负类别；假正例(FalsePositive,FP)是指模型将负类别样本错误地预测为正类别；假负例(False Negative,FN)是指模型将负类别样本正确地预测为负类别。
以TPR作为纵轴，以FPR作为横轴作图，得到ROC(receiver operating characteristiccurve，接收者操作特征曲线)，由ROC曲线得到AUC值(Area Under Curve，ROC曲线下的面积)作为衡量模型准确性的评价标准，AUC值越接近1模型的效果越好。
KS值是TPR与FPR的差的最大值，可以反映出模型的最优区分效果，此时所取的阈值一般作为定义好坏用户的最优阈值，一般KS大于0.2认为模型有比较好的预测准确性。
9.根据权利要求1所述的基一种基于灰狼算法优化广义回归神经网络的信用评估方法，其特征在于，在S6中，将优化GRNN的信用评分模型部署至申请平台，获取实时申请客户的数据并将作为待测样本导入预测模型中输出实时申请信用评分，实现申请客户的实时审批，并定期将有表现数据输入到模型训练，实现模型的在线更新。
CN202011536708.0A 2020-12-23 2020-12-23 一种基于灰狼算法优化广义回归神经网络的信用评估方法 Pending CN112581263A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202011536708.0A CN112581263A (zh) 2020-12-23 2020-12-23 一种基于灰狼算法优化广义回归神经网络的信用评估方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202011536708.0A CN112581263A (zh) 2020-12-23 2020-12-23 一种基于灰狼算法优化广义回归神经网络的信用评估方法

Publications (1)

Publication Number Publication Date
CN112581263A true CN112581263A (zh) 2021-03-30

Family

ID=75138911

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202011536708.0A Pending CN112581263A (zh) 2020-12-23 2020-12-23 一种基于灰狼算法优化广义回归神经网络的信用评估方法

Country Status (1)

Country Link
CN (1) CN112581263A (zh)

Cited By (16)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113138555A (zh) * 2021-04-22 2021-07-20 哈尔滨理工大学 一种基于遗传算法优化的grnn电主轴热误差建模方法
CN113190931A (zh) * 2021-05-28 2021-07-30 辽宁大学 一种改进灰狼优化dbn-elm的亚健康状态识别方法
CN113239638A (zh) * 2021-06-29 2021-08-10 百维金科(上海)信息科技有限公司 一种基于蜻蜓算法优化多核支持向量机的逾期风险预测方法
CN113419425A (zh) * 2021-07-07 2021-09-21 哈尔滨理工大学 一种高速电主轴水冷系统智能调控方法
CN113459867A (zh) * 2021-07-19 2021-10-01 青岛科技大学 基于自适应深度置信网络的电动汽车充电过程故障预警方法
CN113542525A (zh) * 2021-06-30 2021-10-22 中国人民解放军战略支援部队信息工程大学 基于mmd残差的隐写检测特征选取方法
CN113569467A (zh) * 2021-07-12 2021-10-29 鞍钢股份有限公司 一种基于宽度学习的高炉风口回旋区温度软测量建模方法
CN114124517A (zh) * 2021-11-22 2022-03-01 码客工场工业科技(北京)有限公司 一种基于高斯过程的工业互联网入侵检测方法
CN114173280A (zh) * 2021-12-14 2022-03-11 徐州工业职业技术学院 一种基于广义回归神经网络的室内3d定位方法
CN114169640A (zh) * 2021-12-27 2022-03-11 中南大学 一种烧结流程冷却圆筒返粉料水分预测方法及预测系统
CN114663219A (zh) * 2022-03-28 2022-06-24 南通电力设计院有限公司 一种基于能源互联电力市场的主体征信评估方法及系统
CN114895206A (zh) * 2022-04-26 2022-08-12 合肥工业大学 基于改进灰狼优化算法的rbf神经网络的锂离子电池soh估计方法
CN116192206A (zh) * 2023-03-03 2023-05-30 电子科技大学 基于广义回归神经网络的大规模共形阵实时波束综合方法
CN116506307A (zh) * 2023-06-21 2023-07-28 大有期货有限公司 全链路的网络延时情况分析系统
CN116993490A (zh) * 2023-08-15 2023-11-03 广州佳新智能科技有限公司 一种基于人工智能的银行场景自动处理方法及系统
CN117252115A (zh) * 2023-11-20 2023-12-19 安徽建筑大学 基于神经网络的二次供水需水量软测量方法、设备及介质

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110455537A (zh) * 2019-09-18 2019-11-15 合肥工业大学 一种轴承故障诊断方法及系统
CN112037011A (zh) * 2020-08-14 2020-12-04 百维金科(上海)信息科技有限公司 一种基于foa-rbf神经网络的信用评分方法
CN112037012A (zh) * 2020-08-14 2020-12-04 百维金科(上海)信息科技有限公司 一种基于pso-bp神经网络的互联网金融信用评价方法

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110455537A (zh) * 2019-09-18 2019-11-15 合肥工业大学 一种轴承故障诊断方法及系统
CN112037011A (zh) * 2020-08-14 2020-12-04 百维金科(上海)信息科技有限公司 一种基于foa-rbf神经网络的信用评分方法
CN112037012A (zh) * 2020-08-14 2020-12-04 百维金科(上海)信息科技有限公司 一种基于pso-bp神经网络的互联网金融信用评价方法

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
LEIJIAO GE等: "A GWO-GRNN Based Model for Short-term Load Forecasting of Regional Distribution Network", 《CSEE JOURNAL OF POWER AND ENERGY SYSTEMS》 *

Cited By (26)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113138555A (zh) * 2021-04-22 2021-07-20 哈尔滨理工大学 一种基于遗传算法优化的grnn电主轴热误差建模方法
CN113190931A (zh) * 2021-05-28 2021-07-30 辽宁大学 一种改进灰狼优化dbn-elm的亚健康状态识别方法
CN113239638A (zh) * 2021-06-29 2021-08-10 百维金科(上海)信息科技有限公司 一种基于蜻蜓算法优化多核支持向量机的逾期风险预测方法
CN113542525A (zh) * 2021-06-30 2021-10-22 中国人民解放军战略支援部队信息工程大学 基于mmd残差的隐写检测特征选取方法
CN113419425A (zh) * 2021-07-07 2021-09-21 哈尔滨理工大学 一种高速电主轴水冷系统智能调控方法
CN113569467A (zh) * 2021-07-12 2021-10-29 鞍钢股份有限公司 一种基于宽度学习的高炉风口回旋区温度软测量建模方法
CN113569467B (zh) * 2021-07-12 2023-11-10 鞍钢股份有限公司 一种基于宽度学习的高炉风口回旋区温度软测量建模方法
CN113459867A (zh) * 2021-07-19 2021-10-01 青岛科技大学 基于自适应深度置信网络的电动汽车充电过程故障预警方法
CN114124517A (zh) * 2021-11-22 2022-03-01 码客工场工业科技(北京)有限公司 一种基于高斯过程的工业互联网入侵检测方法
CN114124517B (zh) * 2021-11-22 2024-05-28 码客工场工业科技(北京)有限公司 一种基于高斯过程的工业互联网入侵检测方法
CN114173280B (zh) * 2021-12-14 2023-10-27 徐州工业职业技术学院 一种基于广义回归神经网络的室内3d定位方法
CN114173280A (zh) * 2021-12-14 2022-03-11 徐州工业职业技术学院 一种基于广义回归神经网络的室内3d定位方法
CN114169640B (zh) * 2021-12-27 2024-05-28 中南大学 一种烧结流程冷却圆筒返粉料水分预测方法及预测系统
CN114169640A (zh) * 2021-12-27 2022-03-11 中南大学 一种烧结流程冷却圆筒返粉料水分预测方法及预测系统
CN114663219A (zh) * 2022-03-28 2022-06-24 南通电力设计院有限公司 一种基于能源互联电力市场的主体征信评估方法及系统
CN114663219B (zh) * 2022-03-28 2023-09-12 南通电力设计院有限公司 一种基于能源互联电力市场的主体征信评估方法及系统
CN114895206B (zh) * 2022-04-26 2023-04-28 合肥工业大学 基于改进灰狼优化算法的rbf神经网络的锂离子电池soh估计方法
CN114895206A (zh) * 2022-04-26 2022-08-12 合肥工业大学 基于改进灰狼优化算法的rbf神经网络的锂离子电池soh估计方法
CN116192206B (zh) * 2023-03-03 2023-09-12 电子科技大学 基于广义回归神经网络的大规模共形阵实时波束综合方法
CN116192206A (zh) * 2023-03-03 2023-05-30 电子科技大学 基于广义回归神经网络的大规模共形阵实时波束综合方法
CN116506307B (zh) * 2023-06-21 2023-09-12 大有期货有限公司 全链路的网络延时情况分析系统
CN116506307A (zh) * 2023-06-21 2023-07-28 大有期货有限公司 全链路的网络延时情况分析系统
CN116993490A (zh) * 2023-08-15 2023-11-03 广州佳新智能科技有限公司 一种基于人工智能的银行场景自动处理方法及系统
CN116993490B (zh) * 2023-08-15 2024-03-01 广州佳新智能科技有限公司 一种基于人工智能的银行场景自动处理方法及系统
CN117252115A (zh) * 2023-11-20 2023-12-19 安徽建筑大学 基于神经网络的二次供水需水量软测量方法、设备及介质
CN117252115B (zh) * 2023-11-20 2024-02-09 安徽建筑大学 基于神经网络的二次供水需水量软测量方法、设备及介质

Similar Documents

Publication Publication Date Title
CN112581263A (zh) 一种基于灰狼算法优化广义回归神经网络的信用评估方法
TWI769754B (zh) 基於隱私保護確定目標業務模型的方法及裝置
US11816183B2 (en) Methods and systems for mining minority-class data samples for training a neural network
CN112037012A (zh) 一种基于pso-bp神经网络的互联网金融信用评价方法
CN112581262A (zh) 一种基于鲸鱼算法优化lvq神经网络的欺诈行为检测方法
CN110336768B (zh) 一种基于联合隐马尔可夫模型与遗传算法的态势预测方法
CN112308288A (zh) 一种基于粒子群优化lssvm的违约用户概率预测方法
CN113538125A (zh) 一种基于萤火虫算法优化Hopfield神经网络的风险评级方法
Azzouz et al. Steady state IBEA assisted by MLP neural networks for expensive multi-objective optimization problems
CN112634018A (zh) 一种基于蚁群算法优化循环神经网络的逾期监控方法
CN112215446A (zh) 一种基于神经网络的单位动态火灾风险评估方法
CN112529685A (zh) 一种基于bas-fnn的贷款用户信用评级方法及系统
CN112529683A (zh) 一种基于cs-pnn的客户信贷风险的评估方法及系统
CN112581264A (zh) 一种基于蝗虫算法优化mlp神经网络的信用风险预测方法
CN112581265A (zh) 一种基于AdaBoost的互联网金融客户申请欺诈检测方法
CN112348655A (zh) 一种基于afsa-elm的信用评估方法
CN113239638A (zh) 一种基于蜻蜓算法优化多核支持向量机的逾期风险预测方法
CN114626585A (zh) 一种基于生成对抗网络的城市轨道交通短时客流预测方法
CN112651499A (zh) 一种基于蚁群优化算法和层间信息的结构化模型剪枝方法
CN116993548A (zh) 基于增量学习的LightGBM-SVM的教育培训机构信用评估方法及系统
CN116956160A (zh) 一种基于自适应树种算法的数据分类预测方法
CN115936773A (zh) 一种互联网金融黑产识别方法与系统
CN116415177A (zh) 一种基于极限学习机的分类器参数辨识方法
CN114897204A (zh) 一种海上风电场短期风速预测方法和装置
CN112348656A (zh) 一种基于ba-wnn的个人贷款信用评分方法

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
RJ01 Rejection of invention patent application after publication

Application publication date: 20210330