CN115358838A - 一种基于卷积神经网络的信贷时序数据建模方法及装置 - Google Patents

一种基于卷积神经网络的信贷时序数据建模方法及装置 Download PDF

Info

Publication number
CN115358838A
CN115358838A CN202211005194.5A CN202211005194A CN115358838A CN 115358838 A CN115358838 A CN 115358838A CN 202211005194 A CN202211005194 A CN 202211005194A CN 115358838 A CN115358838 A CN 115358838A
Authority
CN
China
Prior art keywords
data
neural network
dimensional matrix
client
training
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
CN202211005194.5A
Other languages
English (en)
Inventor
惠康
上官玉将
李文超
温子萱
张晋鹏
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.)
Jinshang Consumer Finance Co ltd
Original Assignee
Jinshang Consumer Finance 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 Jinshang Consumer Finance Co ltd filed Critical Jinshang Consumer Finance Co ltd
Priority to CN202211005194.5A priority Critical patent/CN115358838A/zh
Publication of CN115358838A publication Critical patent/CN115358838A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • 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

Landscapes

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

Abstract

本发明公开了一种基于卷积神经网络的信贷时序数据建模方法及装置，包括：获取历史数据，所述历史数据包括业务数据和时序数据，对所述业务数据和时序数据进行转化，得到客户数据二维矩阵；获取初始神经网络模型，根据所述客户数据二维矩阵对所述初始神经网络模型进行训练，并在每次训练时，对输入的二维矩阵进行卷积、激活和池化操作，更新每次训练后的模型参数；直至达到预设条件后，停止训练迭代，保存模型参数，以完成神经网络模型的构建。本发明通过将客户的历史时序数据和业务数据转化为客户数据二维矩阵，挖掘了时序相关数据与客户标签之间的联系，提升客户标签的预测准确度。

Description

一种基于卷积神经网络的信贷时序数据建模方法及装置
技术领域
本发明涉及金融风控建模领域，尤其涉及一种基于卷积神经网络的信贷时序数据建模方法及装置。
背景技术
在传统金融风控建模中，面对征信及三方大数据信源所提供的大批量高纬度的历史查询及贷款明细数据，一般会使用业务经验衍生，或采用对不同时间周期的业务变量进行聚合的方式进行暴力衍生，形成许多多维度的变量，例如近15天银行查询次数、近30天银行查询次数、近90天新开立账户数等，然后通过皮尔逊相关系数及IV等统计学方法，对变量与客户标签的关联性进行计算，对关联性较差的变量进行剔除。筛选出关联性较高的变量，采用逻辑回归、集成学习等算法进行训练建模，以得到可以对客户标签进行预测的模型。
现有一种业务预测方法，基于暴力衍生的模型变量衍生方式，显示出了各维度频次与客户质量之间一定的相关性，但无法挖掘出数据的时序关系，预测客户标签的准确度有待提升。
发明内容
本发明提供了一种基于卷积神经网络的信贷时序数据建模方法及装置，以解决现有技术无法挖掘数据之间的时序关系，预测客户标签准确度不高的技术问题。
为了解决上述技术问题，第一方面，本发明实施例提供了一种基于卷积神经网络的信贷时序数据建模方法，包括
获取历史数据，所述历史数据包括业务数据和时序数据，对所述业务数据和时序数据进行转化，得到客户数据二维矩阵；其中，所述客户数据二维矩阵是根据所述业务数据对应的业务一维矩阵和时序一维矩阵而转换获得；
获取初始神经网络模型，根据所述客户数据二维矩阵对所述初始神经网络模型进行训练，并在每次训练时，对输入的二维矩阵进行卷积、激活和池化操作，更新每次训练后的模型参数；
直至达到预设条件后，停止训练迭代，保存模型参数，以完成神经网络模型的构建。
本发明通过将客户的历史时序数据和业务数据转化为客户数据二维矩阵，并通过卷积神经网络自适应的提取特征，形成特征矩阵，通过池化层对特征图进行特征的筛选，去除掉非重要特征，会精准的提取出高维度特征中对识别客户有用的变量，对客户群体进行分类，挖掘了时序相关数据与客户标签之间的联系，提升客户标签的预测准确度。
进一步地，所述获取历史数据，所述历史数据包括业务数据和时序数据，对所述业务数据和时序数据进行转化，得到客户数据二维矩阵；其中，所述客户数据二维矩阵是根据所述业务数据对应的业务一维矩阵和时序一维矩阵而转换获得，具体为：
获取业务数据和时序数据，将所述业务数据和时序数据分别转化为一维矩阵，获得业务一维矩阵和时序一维矩阵；
将所述业务一维矩阵和时序一维矩阵进行转化，得到客户数据二维矩阵。
本发明通过将一维的业务数据和时序数据进行转化，并根据转化后的数据进行训练模型，体现了各维度频次与客户质量之间的相关性，挖掘了数据之间的时序关系，提升了客户标签的预测准测度。
进一步地，在所述获取初始神经网络模型，根据所述客户数据二维矩阵对所述初始神经网络模型进行训练，并在每次训练时，对输入的二维矩阵进行卷积、激活和池化操作，更新每次训练后的模型参数之前，还包括：
构建初始神经网络模型，所述初始神经网络模型包括预设的卷积核值和全连接权重。
进一步地，所述获取初始神经网络模型，根据所述客户数据二维矩阵对所述初始神经网络模型进行训练，并在每次训练时，对输入的二维矩阵进行卷积、激活和池化操作，更新每次训练后的模型参数，具体为：
将所述客户数据二维矩阵以前向传播的方式输入到神经网络模型中；
对所述客户数据二维矩阵多次进行卷积、激活和池化操作，得到第一目标矩阵；
根据所述第一目标矩阵，计算输出值，并根据所述输出值对模型参数进行更新。
本发明通过对客户数据二维矩阵进行多次卷积、激活和池化操作，自适应的提取特征，形成特征矩阵，通过激活函数增加数据的噪音，提高模型的鲁棒性；通过池化层对特征图进行特征的筛选，去除掉非重要特征，挖掘数据之间的关系，提升客户标签准确度。
进一步地，所述对所述客户数据二维矩阵多次进行卷积、激活和池化操作，得到第一目标矩阵，具体为：
使用卷积滤波器以滑动窗口的方式对所述客户数据二维矩阵进行卷积；
根据Relu激活函数对卷积后的结果矩阵进行激活；
采用最大池化对激活后的矩阵进行池化处理，得到第一目标矩阵。
本发明通过卷积滤波器，精准地提取出高维度特征中对识别客户标签有用的变量，采用最大池化的方式在下采样中提取出显著性更强的最值特征，选出对客户标签预测更有分类识别度的特征。
进一步地，所述根据所述第一目标矩阵，计算输出值，具体为：
对所述第一目标矩阵进行张量扁平化，得到一维目标数组；
对所述一维目标数组进行全连接，并根据sigmoid函数对全连接后的值进行激活，得到输出值。
本发明通过全连接层减少特征位置对客户标签分类的影响。
进一步地，所述根据所述输出值对模型参数进行更新，具体为：
根据输出值计算交叉信息熵，根据交叉信息熵和链式法则对所述模型参数进行更新，所述模型参数包括各卷积核值及全连接权重。
本发明通过输出值和真实值计算交叉信息熵，不断更新模型参数，提高模型精度，提升模型预测客户标签的准确度。
第二方面，本发明实施例提供了一种客户标签预测方法，包括：
获取客户历史数据，所述客户历史数据包括业务数据和时序数据；
根据所述客户历史数据，应用所述的一种基于卷积神经网络的信贷时序数据建模方法所建立的神经网络模型对客户标签进行预测。
第三方面，本发明实施例提供了一种基于卷积神经网络的信贷时序数据建模装置，包括：数据预处理模块和训练迭代模块；
所述数据预处理模块，用于获取历史数据，所述历史数据包括业务数据和时序数据，对所述业务数据和时序数据进行转化，得到客户数据二维矩阵；
所述训练迭代模块，用于获取初始神经网络模型，根据所述客户数据二维矩阵对所述初始神经网络模型进行重复训练和评估，并更新模型参数；直至达到预设条件后，停止训练迭代，保存模型参数，以完成神经网络模型的构建。
第四方面，本发明实施例提供了一种客户标签预测装置，包括：数据获取模块和预测模块；
所述数据获取模块，用于获取客户历史数据，所述客户历史数据包括业务数据和时序数据；
所述预测模块，用于根据所述客户历史数据，应用所述的一种基于卷积神经网络的信贷时序数据建模装置所建立的神经网络模型对客户标签进行预测。
附图说明
图1为本发明实施例提供的基于卷积神经网络的信贷时序数据建模方法的一种流程示意图；
图2为本发明实施例提供的步骤101的一种矩阵转化示意图；
图3为本发明实施例提供的步骤102的一种卷积示意图；
图4为本发明实施例提供的步骤102的一种池化示意图；
图5为本发明实施例提供的步骤102的全连接示意图；
图6为本发明实施例提供的基于卷积神经网络的信贷时序数据建模方法的一种模型架构图；
图7为本发明实施例提供的客户标签预测方法的一种流程示意图；
图8为本发明实施例提供的基于卷积神经网络的信贷时序数据建模装置的一种结构示意图；
图9为本发明实施例提供的客户标签预测装置的一种结构示意图。
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作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。
实施例一
请参照图1，图1为本发明实施例提供的基于卷积神经网络的信贷时序数据建模方法的一种流程示意图，包括步骤101至步骤102，具体如下：
步骤101：获取历史数据，所述历史数据包括业务数据和时序数据，对所述业务数据和时序数据进行转化，得到客户数据二维矩阵；其中，所述客户数据二维矩阵是根据所述业务数据对应的业务一维矩阵和时序一维矩阵而转换获得；
作为本实施例的一种具体举例，请参照图2，图2为本发明实施例提供的步骤101的一种矩阵转化示意图。
在本实施例中，对所述历史数据进行整理，将将所述业务数据和时序数据分别转化为一维矩阵，获得业务一维矩阵和时序一维矩阵；将所述业务一维矩阵和时序一维矩阵进行转化，得到客户数据二维矩阵。
在本实施例中，本发明通过将一维的业务数据和时序数据进行转化，并根据转化后的数据进行训练模型，体现了各维度频次与客户质量之间的相关性，挖掘了数据之间的时序关系，提升了客户标签的预测准测度。
步骤102：获取初始神经网络模型，根据所述客户数据二维矩阵对所述初始神经网络模型进行训练，并在每次训练时，对输入的二维矩阵进行卷积、激活和池化操作，更新每次训练后的模型参数；直至达到预设条件后，停止训练迭代，保存模型参数，以完成神经网络模型的构建。
在本实施例中，在所述获取初始神经网络模型，根据所述客户数据二维矩阵对所述初始神经网络模型进行训练，并在每次训练时，对输入的二维矩阵进行卷积、激活和池化操作，更新每次训练后的模型参数之前，还包括：
构建初始神经网络模型，所述初始神经网络模型包括预设的卷积核值和全连接权重。
在本实施例中，所述获取初始神经网络模型，根据所述客户数据二维矩阵对所述初始神经网络模型进行训练，并在每次训练时，对输入的二维矩阵进行卷积、激活和池化操作，更新每次训练后的模型参数，具体为：
将所述客户数据二维矩阵以前向传播的方式输入到神经网络模型中；
对所述客户数据二维矩阵多次进行卷积、激活和池化操作，得到第一目标矩阵；
根据所述第一目标矩阵，计算输出值，并根据所述输出值对模型参数进行更新。
在本实施例中，使用卷积滤波器以滑动窗口的方式对所述客户数据二维矩阵进行卷积；请参照图3，图3为本发明实施例提供的步骤102的一种卷积示意图。
作为本实施例的一种具体举例，所述客户数据二维矩阵为N*T*1的矩阵，首先将所述二维矩阵以前项传播的方式传入到模型当中，其首先经过第一层卷积层，在这一层中，卷积滤波器为3*3的随机初始化的矩阵，使用3*3的滤波器以步长为1的方式，对整个输入矩阵进行卷积，其相当于将3*3的卷积滤波器依次与输入矩阵上的多个3*3矩阵进行矩阵相乘，卷积公式具体为：
Figure BDA0003808818430000061
在本实施例中，根据Relu激活函数对卷积后的结果矩阵进行激活；将矩阵各个值经过Relu激活，通过激活函数，增加数据的噪音，提高模型的鲁棒性，缓解在误差计算时的梯度消失问题；Relu激活的函数具体为：
y＝max(0,x) (2)
在本实施例中，采用最大池化对激活后的矩阵进行池化处理，得到第一目标矩阵；请参照图4，图4为本发明实施例提供的步骤102的一种池化示意图。
作为本实施例的一种具体举例，对经过激活后的矩阵进行池化处理，池化滤波器为2*2，步长为1，相较于averagepooling，maxpooling最大池化在下采样中提取出显著性更强的最值特征，能够选出分类辨识度更好的特征，故采用maxpooling最大池化的方式对输入矩阵进行计算，其过滤了部分不显性的信息，牺牲部分信息，换取运算速度的提升以及一定的空间不变性。
在本实施例中，所述根据所述第一目标矩阵，计算输出值，具体为：
对所述第一目标矩阵进行张量扁平化，得到一维目标数组；
对所述一维目标数组进行全连接，并根据sigmoid函数对全连接后的值进行激活，得到输出值。
作为本发明实施例的一种具体举例，对所述第一目标矩阵进行张量扁平化，将矩阵拉平为一维数组，再对此一维数组进行全连接，即对一维数组进行y＝w*x的操作，设定w’为权重w与张量扁平化后的矩阵相乘后的结果，wn’计算方式具体如下：
wn’＝a1*wn+a2*wn+a3*wn+…+an*wn (4)
其中，n为所述一维数组的元素总数。
作为本发明实施例的一种具体举例，请参照图5，图5为本发明实施例提供的步骤102的全连接示意图，全连接结果pred具体为：
pred＝w1’+w2’+w3’+…+wn’ (5)
作为本发明实施例的一种具体举例，据sigmoid函数对全连接后的值进行激活，得到输出值，所述输出值具体为：
Figure BDA0003808818430000071
在本实施例中，所述根据所述输出值对模型参数进行更新，具体为：
根据输出值计算交叉信息熵，根据交叉信息熵和链式法则对所述模型参数进行更新，所述模型参数包括各卷积核值及全连接权重。
在本实施例中，正向传播中，给定了随机预设的卷积核及全连接权重，计算出输出值y′则为模型的预测值，通过对训练集的预测，则可以得到真实值y与预测值y′的交叉信息熵，并将所述交叉信息熵作为整体样本的误差；所述交叉信息熵具体为：
Figure BDA0003808818430000081
在本实施例中，将所述交叉信息熵作为误差E，则E对网络中各卷积核及全连接权重可用E与w的偏导
Figure BDA0003808818430000082
进行表示，可以通过链式求导法则计算，所述链式求导法则，具体为：
Figure BDA0003808818430000083
在本实施例中，通过梯度下降法，更新后的wnew具体为：
Figure BDA0003808818430000084
在本实施例中，直至达到预设条件后，停止训练迭代，保存模型参数，以完成神经网络模型的构建。
作为本实施例的一种具体举例，在每一轮训练时，计算出各卷积核值及全连接权重后，重新进行正向传播，设定当偏导
Figure BDA0003808818430000085
小于0.0001时，认为到达最优，停止网络的更新，得到最终的网络模型。
作为本发明的一种具体举例，请参照图6，图6为本发明实施例提供的基于卷积神经网络的信贷时序数据建模方法的一种模型架构图。
在本实施例中，对所述输入矩阵进行两次卷积、激活何池化操作，得到结果矩阵，并对所述结果矩阵进行张量扁平化，将矩阵拉平为一维数组，再对此一维数组进行全连接，再通过sigmoid函数激活全连接结果，得到模型输出值。
请参照图7，图7为本发明实施例提供的客户标签预测方法的一种流程示意图，包括步骤701至步骤702，具体为：
步骤701：获取客户历史数据，所述客户历史数据包括业务数据和时序数据；
步骤702：根据所述客户历史数据，应用所述的一种基于卷积神经网络的信贷时序数据建模方法所建立的神经网络模型对客户标签进行预测。
请参照图8，图8本发明实施例提供的基于卷积神经网络的信贷时序数据建模装置的一种结构示意图，包括数据预处理模块801和训练迭代模块802；
所述数据预处理模块801，用于获取历史数据，所述历史数据包括业务数据和时序数据，对所述业务数据和时序数据进行转化，得到客户数据二维矩阵；
所述训练迭代模块802，用于获取初始神经网络模型，根据所述客户数据二维矩阵对所述初始神经网络模型进行重复训练和评估，并更新模型参数；直至达到预设条件后，停止训练迭代，保存模型参数，以完成神经网络模型的构建。
请参照图9，图9为本发明实施例提供的客户标签预测装置的一种结构示意图，包括数据获取模块901和预测模块902；
所述数据获取模块901，用于获取客户历史数据，所述客户历史数据包括业务数据和时序数据；
所述预测模块902，用于根据所述客户历史数据，应用所述的一种基于卷积神经网络的信贷时序数据建模装置所建立的神经网络模型对客户标签进行预测。
以上所述的具体实施例，对本发明的目的、技术方案和有益效果进行了进一步的详细说明，应当理解，以上所述仅为本发明的具体实施例而已，并不用于限定本发明的保护范围。特别指出，对于本领域技术人员来说，凡在本发明的精神和原则之内，所做的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。

Claims (10)

1.一种基于卷积神经网络的信贷时序数据建模方法，其特征在于，包括：
获取历史数据，所述历史数据包括业务数据和时序数据，对所述业务数据和时序数据进行转化，得到客户数据二维矩阵；其中，所述客户数据二维矩阵是根据所述业务数据对应的业务一维矩阵和时序一维矩阵而转换获得；
获取初始神经网络模型，根据所述客户数据二维矩阵对所述初始神经网络模型进行训练，并在每次训练时，对输入的二维矩阵进行卷积、激活和池化操作，更新每次训练后的模型参数；
直至达到预设条件后，停止训练迭代，保存模型参数，以完成神经网络模型的构建。
2.如权利要求1所述的基于卷积神经网络的信贷时序数据建模方法，其特征在于，所述获取历史数据，所述历史数据包括业务数据和时序数据，对所述业务数据和时序数据进行转化，得到客户数据二维矩阵；其中，所述客户数据二维矩阵是根据所述业务数据对应的业务一维矩阵和时序一维矩阵而转换获得，具体为：
获取业务数据和时序数据，将所述业务数据和时序数据分别转化为一维矩阵，获得业务一维矩阵和时序一维矩阵；
将所述业务一维矩阵和时序一维矩阵进行转化，得到客户数据二维矩阵。
3.如权利要求1所述的基于卷积神经网络的信贷时序数据建模方法，其特征在于，在所述获取初始神经网络模型，根据所述客户数据二维矩阵对所述初始神经网络模型进行训练，并在每次训练时，对输入的二维矩阵进行卷积、激活和池化操作，更新每次训练后的模型参数之前，还包括：
构建初始神经网络模型，所述初始神经网络模型包括预设的卷积核值和全连接权重。
4.如权利要求3所述的基于卷积神经网络的信贷时序数据建模方法，其特征在于，所述获取初始神经网络模型，根据所述客户数据二维矩阵对所述初始神经网络模型进行训练，并在每次训练时，对输入的二维矩阵进行卷积、激活和池化操作，更新每次训练后的模型参数，具体为：
将所述客户数据二维矩阵以前向传播的方式输入到神经网络模型中；
对所述客户数据二维矩阵多次进行卷积、激活和池化操作，得到第一目标矩阵；
根据所述第一目标矩阵，计算输出值，并根据所述输出值对模型参数进行更新。
5.如权利要求4所述的基于卷积神经网络的信贷时序数据建模方法，其特征在于，所述对所述客户数据二维矩阵多次进行卷积、激活和池化操作，得到第一目标矩阵，具体为：
使用卷积滤波器以滑动窗口的方式对所述客户数据二维矩阵进行卷积；
根据Relu激活函数对卷积后的结果矩阵进行激活；
采用最大池化对激活后的矩阵进行池化处理，得到第一目标矩阵。
6.如权利要求4所述的基于卷积神经网络的信贷时序数据建模方法，其特征在于，所述根据所述第一目标矩阵，计算输出值，具体为：
对所述第一目标矩阵进行张量扁平化，得到一维目标数组；
对所述一维目标数组进行全连接，并根据sigmoid函数对全连接后的值进行激活，得到输出值。
7.如权利要求6所述的基于卷积神经网络的信贷时序数据建模方法，其特征在于，所述根据所述输出值对模型参数进行更新，具体为：
根据输出值计算交叉信息熵，根据交叉信息熵和链式法则对所述模型参数进行更新，所述模型参数包括各卷积核值及全连接权重。
8.一种客户标签预测方法，其特征在于，包括：
获取客户历史数据，所述客户历史数据包括业务数据和时序数据；
根据所述客户历史数据，应用如权利要求1至7所述的一种基于卷积神经网络的信贷时序数据建模方法所建立的神经网络模型对客户标签进行预测。
9.一种基于卷积神经网络的信贷时序数据建模装置，其特征在于，包括：数据预处理模块和训练迭代模块；
所述数据预处理模块，用于获取历史数据，所述历史数据包括业务数据和时序数据，对所述业务数据和时序数据进行转化，得到客户数据二维矩阵；
所述训练迭代模块，用于获取初始神经网络模型，根据所述客户数据二维矩阵对所述初始神经网络模型进行重复训练和评估，并更新模型参数；直至达到预设条件后，停止训练迭代，保存模型参数，以完成神经网络模型的构建。
10.一种客户标签预测装置，其特征在于，包括：数据获取模块和预测模块；
所述数据获取模块，用于获取客户历史数据，所述客户历史数据包括业务数据和时序数据；
所述预测模块，用于根据所述客户历史数据，应用如权利要求8所述的一种基于卷积神经网络的信贷时序数据建模装置所建立的神经网络模型对客户标签进行预测。
CN202211005194.5A 2022-08-22 2022-08-22 一种基于卷积神经网络的信贷时序数据建模方法及装置 Pending CN115358838A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202211005194.5A CN115358838A (zh) 2022-08-22 2022-08-22 一种基于卷积神经网络的信贷时序数据建模方法及装置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202211005194.5A CN115358838A (zh) 2022-08-22 2022-08-22 一种基于卷积神经网络的信贷时序数据建模方法及装置

Publications (1)

Publication Number Publication Date
CN115358838A true CN115358838A (zh) 2022-11-18

Family

ID=84003256

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202211005194.5A Pending CN115358838A (zh) 2022-08-22 2022-08-22 一种基于卷积神经网络的信贷时序数据建模方法及装置

Country Status (1)

Country Link
CN (1) CN115358838A (zh)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116128130A (zh) * 2023-01-31 2023-05-16 广东电网有限责任公司 一种基于图神经网络的短期风能数据预测方法及装置
CN117522416A (zh) * 2023-12-28 2024-02-06 北京芯盾时代科技有限公司 一种交易账号的识别方法及装置

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116128130A (zh) * 2023-01-31 2023-05-16 广东电网有限责任公司 一种基于图神经网络的短期风能数据预测方法及装置
CN116128130B (zh) * 2023-01-31 2023-10-24 广东电网有限责任公司 一种基于图神经网络的短期风能数据预测方法及装置
CN117522416A (zh) * 2023-12-28 2024-02-06 北京芯盾时代科技有限公司 一种交易账号的识别方法及装置

Similar Documents

Publication Publication Date Title
Pasquadibisceglie et al. Using convolutional neural networks for predictive process analytics
CN110070183B (zh) 一种弱标注数据的神经网络模型训练方法及装置
Ogasawara et al. Adaptive normalization: A novel data normalization approach for non-stationary time series
CN115358838A (zh) 一种基于卷积神经网络的信贷时序数据建模方法及装置
US11551026B2 (en) Dynamic reconfiguration training computer architecture
Hrnjica et al. Energy demand forecasting using deep learning
CN113283590B (zh) 一种面向后门攻击的防御方法
CN112560948B (zh) 数据偏差下的眼底图分类方法及成像方法
US20200134429A1 (en) Computer architecture for multiplier-less machine learning
CN113962294A (zh) 多类型事件预测模型
CN111340107A (zh) 基于卷积神经网络代价敏感学习的故障诊断方法及系统
CN114299326A (zh) 一种基于转换网络与自监督的小样本分类方法
Harikrishnan et al. Handwritten digit recognition with feed-forward multi-layer perceptron and convolutional neural network architectures
CN113361590A (zh) 基于多元时间序列的特征融合方法
CN117078007A (zh) 一种融合尺度标签的多尺度风控系统及其方法
CN116303386A (zh) 一种基于关系图谱的缺失数据智能插补方法和系统
Rathore et al. Effect of learning rate on neural network and convolutional neural network
Ashtaiwi Artificial intelligence is transforming the world development indicators
Friedland et al. A practical approach to sizing neural networks
CN111402042B (zh) 一种用于股市大盘形态分析的数据分析与显示方法
Wirayasa et al. Comparison of Convolutional Neural Networks Model Using Different Optimizers for Image Classification
CN113033710A (zh) 一种时间序列分类方法、装置及计算机设备
Liao et al. Convolution filter pruning for transfer learning on small dataset
CN113935413A (zh) 一种基于卷积神经网的配网录波文件波形识别方法
CN114004992A (zh) 多标签分类模型的训练方法、图像的多标签分类方法

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