CN117892877A - 手机银行用户行为预测方法、装置、设备和介质 - Google Patents
手机银行用户行为预测方法、装置、设备和介质 Download PDFInfo
- Publication number
- CN117892877A CN117892877A CN202410081264.8A CN202410081264A CN117892877A CN 117892877 A CN117892877 A CN 117892877A CN 202410081264 A CN202410081264 A CN 202410081264A CN 117892877 A CN117892877 A CN 117892877A
- Authority
- CN
- China
- Prior art keywords
- user
- data
- predicted
- behavior
- behavior data
- 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
Links
- 238000000034 method Methods 0.000 title claims abstract description 74
- 230000006399 behavior Effects 0.000 claims abstract description 247
- 230000015654 memory Effects 0.000 claims abstract description 100
- 238000013528 artificial neural network Methods 0.000 claims abstract description 41
- 238000012545 processing Methods 0.000 claims abstract description 35
- 210000004027 cell Anatomy 0.000 claims description 45
- 230000006870 function Effects 0.000 claims description 31
- 238000012549 training Methods 0.000 claims description 27
- 238000003860 storage Methods 0.000 claims description 17
- 238000004590 computer program Methods 0.000 claims description 16
- 238000005457 optimization Methods 0.000 claims description 16
- 238000004088 simulation Methods 0.000 claims description 16
- 230000009471 action Effects 0.000 claims description 9
- 238000007726 management method Methods 0.000 claims description 8
- 230000008569 process Effects 0.000 claims description 8
- 238000013468 resource allocation Methods 0.000 claims description 7
- 238000012502 risk assessment Methods 0.000 claims description 7
- 238000012360 testing method Methods 0.000 claims description 7
- 230000004913 activation Effects 0.000 claims description 6
- 230000000694 effects Effects 0.000 claims description 6
- 230000007787 long-term memory Effects 0.000 claims description 6
- 239000011159 matrix material Substances 0.000 claims description 6
- 238000010606 normalization Methods 0.000 claims description 5
- ORILYTVJVMAKLC-UHFFFAOYSA-N Adamantane Natural products C1C(C2)CC3CC1CC2C3 ORILYTVJVMAKLC-UHFFFAOYSA-N 0.000 claims description 4
- 210000002569 neuron Anatomy 0.000 claims description 4
- 230000009467 reduction Effects 0.000 claims description 3
- 230000004044 response Effects 0.000 claims description 3
- 230000006403 short-term memory Effects 0.000 claims description 3
- 238000004891 communication Methods 0.000 description 8
- 238000010586 diagram Methods 0.000 description 7
- 230000003993 interaction Effects 0.000 description 6
- 238000011156 evaluation Methods 0.000 description 4
- 230000003287 optical effect Effects 0.000 description 3
- 230000003542 behavioural effect Effects 0.000 description 2
- 230000008901 benefit Effects 0.000 description 2
- 238000004140 cleaning Methods 0.000 description 2
- 238000013136 deep learning model Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000003672 processing method Methods 0.000 description 2
- 230000002159 abnormal effect Effects 0.000 description 1
- 238000003491 array Methods 0.000 description 1
- 238000013473 artificial intelligence Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000001413 cellular effect Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000009826 distribution Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 239000002360 explosive Substances 0.000 description 1
- 239000011521 glass Substances 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 239000013307 optical fiber Substances 0.000 description 1
- 230000000717 retained effect Effects 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 230000001953 sensory effect Effects 0.000 description 1
- 230000003997 social interaction Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 238000012546 transfer Methods 0.000 description 1
- 238000010200 validation analysis Methods 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
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
- G06F18/10—Pre-processing; Data cleansing
-
- 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
- G06N3/0442—Recurrent networks, e.g. Hopfield networks characterised by memory or gating, e.g. long short-term memory [LSTM] or gated recurrent units [GRU]
-
- 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
- G06Q30/00—Commerce
- G06Q30/02—Marketing; Price estimation or determination; Fundraising
- G06Q30/0201—Market modelling; Market analysis; Collecting market data
-
- 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
- G06Q40/02—Banking, e.g. interest calculation or account maintenance
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02D—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN INFORMATION AND COMMUNICATION TECHNOLOGIES [ICT], I.E. INFORMATION AND COMMUNICATION TECHNOLOGIES AIMING AT THE REDUCTION OF THEIR OWN ENERGY USE
- Y02D10/00—Energy efficient computing, e.g. low power processors, power management or thermal management
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Strategic Management (AREA)
- Development Economics (AREA)
- General Physics & Mathematics (AREA)
- Finance (AREA)
- Accounting & Taxation (AREA)
- Economics (AREA)
- Marketing (AREA)
- Data Mining & Analysis (AREA)
- General Business, Economics & Management (AREA)
- Entrepreneurship & Innovation (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- Human Resources & Organizations (AREA)
- General Engineering & Computer Science (AREA)
- Game Theory and Decision Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Technology Law (AREA)
- Computing Systems (AREA)
- Molecular Biology (AREA)
- General Health & Medical Sciences (AREA)
- Computational Linguistics (AREA)
- Biophysics (AREA)
- Biomedical Technology (AREA)
- Mathematical Physics (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Computational Biology (AREA)
- Health & Medical Sciences (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Software Systems (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Tourism & Hospitality (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明实施例公开一种手机银行用户行为预测方法、装置、设备和介质。该方法包括：获取待预测用户分别在手机银行中的历史行为数据；对各历史行为数据分别进行数据标准化处理，得到各待预测用户对应的目标历史行为数据；将各目标历史行为数据输入至长短期记忆神经网络LSTM中，以得到待预测用户的用户行为预测结果；其中，用户行为预测结果表征各待预测用户下一步分别产生各行为的概率占比，各概率占比表征为每个用户所创建的对应的数字孪生模型。本发明实施例，能够在手机银行中为每个用户创建一个“活”的、高度反映其实时行为的数字孪生模型，使得金融机构能够深入理解用户需求，更精准预测行为，提高用户体验、满意度和忠诚度。
Description
技术领域
本发明涉及金融大数据处理技术领域，尤其涉及一种手机银行用户行为预测方法、装置、设备和介质。
背景技术
随着数字化时代的到来，手机银行已成为金融机构与客户互动的重要渠道，且，由于手机银行的普及，用户行为数据在数量和多样性上都有了爆炸性的增长这种互动产生了大量的用户行为数据。但现有的方法往往只能利用其中的一部分数据，例如传统的客户画像用户的基本属性以及用户的动态行为，而忽视了其他有价值的数据，很难捕捉用户行为的实时变化和深层次需求，这导致了大量有价值的数据被浪费，同时也限制了用户行为预测的效果和精确度，从而不能够提供更加精准和高效的营销策略，也使得用户体验和满意度大大降低；另一方便，许多手机银行采用了通常需要大量的数据和复杂的特征工程，而且它们往往忽略了用户行为背后的深层次因素和社交网络结构，且，大多数现有的应用都集中在模拟物理系统和流程，而不是模拟和预测用户手机银行行为，从而不能够对用户的行为进行精准预测，因此亟需一种手机银行用户行为预测方法以解决上述技术问题。
发明内容
有鉴于此，本发明提供一种手机银行用户行为预测方法、装置、设备和介质，能够在手机银行中为每个用户创建一个“活”的、高度反映其实时行为的数字孪生模型，使得金融机构能够更加深入地理解用户的需求，更精准地预测其未来行为，从而提供更加精准和高效的营销策略，提高用户体验、满意度和忠诚度。
根据本发明的一方面，本发明实施例提供了一种手机银行用户行为预测方法，所述方法包括：
获取待预测用户分别在手机银行中的历史行为数据；其中，所述历史行为数据至少包括：所述手机银行的登录时间、注销时间、交易记录、浏览记录、用户反馈和评价、与客服互动记录以及所述手机银行中目标功能的用户访问频度；每个待预测用户与其对应的历史行为数据一一对应；
对各所述历史行为数据分别进行数据标准化处理，得到各所述待预测用户对应的目标历史行为数据；
将各所述目标历史行为数据输入至预先训练的长短期记忆神经网络LSTM中，以得到所述待预测用户的用户行为预测结果；其中，所述用户行为预测结果表征各所述待预测用户下一步分别产生各行为的概率占比，各所述概率占比表征为每个用户所创建的对应的数字孪生模型。
根据本发明的另一方面，本发明实施例还提供了一种手机银行用户行为预测装置，所述装置包括：
数据获取模块，用于获取待预测用户分别在手机银行中的历史行为数据；其中，所述历史行为数据至少包括：所述手机银行的登录时间、注销时间、交易记录、浏览记录、用户反馈和评价、与客服互动记录以及所述手机银行中目标功能的用户访问频度；每个待预测用户与其对应的历史行为数据一一对应；
数据处理模块，用于对各所述历史行为数据分别进行数据标准化处理，得到各所述待预测用户对应的目标历史行为数据；
行为模拟模块，用于将各所述目标历史行为数据输入至预先训练的长短期记忆神经网络LSTMLSTM中，以得到所述待预测用户的用户行为预测结果；其中，所述用户行为预测结果表征各所述待预测用户下一步分别产生各行为的概率占比，各所述概率占比表征为每个用户所创建的对应的数字孪生模型。
根据本发明的另一方面，本发明实施例还提供了一种电子设备，所述电子设备包括：
至少一个处理器；以及
与所述至少一个处理器通信连接的存储器；其中，
所述存储器存储有可被所述至少一个处理器执行的计算机程序，所述计算机程序被所述至少一个处理器执行，以使所述至少一个处理器能够执行本发明任一实施例所述的手机银行用户行为预测方法。
根据本发明的另一方面，本发明实施例还提供了一种计算机可读存储介质，所述计算机可读存储介质存储有计算机指令，所述计算机指令用于使处理器执行时实现本发明任一实施例所述的手机银行用户行为预测方法。
本发明实施例的技术方案，通过对获取的各历史行为数据分别进行数据标准化处理，并各待预测用户对应的目标历史行为数据输入至长短期记忆神经网络LSTM中，以得到待预测用户的用户行为预测结果，该用户行为预测结果表征各待预测用户下一步分别产生各行为的概率占比，各概率占比表征为每个用户所创建的对应的数字孪生模型，能够在手机银行中为每个用户创建一个“活”的、高度反映其实时行为的数字孪生模型，使得金融机构能够更加深入地理解用户的需求，更精准地预测其未来行为，从而提供更加精准和高效的营销策略，提高用户体验、满意度和忠诚度。
应当理解，本部分所描述的内容并非旨在标识本发明的实施例的关键或重要特征，也不用于限制本发明的范围。本发明的其它特征将通过以下的说明书而变得容易理解。
附图说明
为了更清楚地说明本发明实施例中的技术方案，下面将对实施例描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
图1为本发明一实施例提供的一种手机银行用户行为预测方法的流程图；
图2为本发明一实施例提供的一种LSTM结构的示意图；
图3为本发明一实施例提供的另一种手机银行用户行为预测方法的流程图；
图4为本发明一实施例提供的一种手机银行用户行为预测装置的结构框图；
图5为本发明实施例提供的一种电子设备的结构示意图。
具体实施方式
为了使本技术领域的人员更好地理解本发明方案，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的实施例，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，都应当属于本发明保护的范围。
需要说明的是，本发明的说明书和权利要求书及上述附图中的术语“第一”、“第二”等是用于区别类似的对象，而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换，以便这里描述的本发明的实施例能够以除了在这里图示或描述的那些以外的顺序实施。此外，术语“包括”和“具有”以及他们的任何变形，意图在于覆盖不排他的包含，例如，包含了一系列步骤或单元的过程、方法、系统、产品或设备不必限于清楚地列出的那些步骤或单元，而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。
本申请技术方案中对数据的获取、存储、使用、处理等均符合法律法规的相关规定，且经过用户的授权。
在一实施例中，图1为本发明一实施例提供的一种手机银行用户行为预测方法的流程图，本实施例可适用于对手机银行用户的用户行为进行预测与模拟时的情况，该方法可以由手机银行用户行为预测装置来执行，该手机银行用户行为预测装置可以采用硬件和/或软件的形式实现，该手机银行用户行为预测装置可配置于电子设备中。
如图1所示，本实施例中手机银行用户行为预测方法，该方法具体步骤包括：
S110、获取待预测用户分别在手机银行中的历史行为数据。
其中，待预测用户可以包括现实中使用手机银行的大量用户，每个使用手机银行的用户均对应相应的行为数据。手机银行是金融机构提供的一种服务，允许用户通过移动设备(如智能手机或平板电脑)进行金融交易。
在一实施例中，历史行为数据为用户所公开的手机银行的相关数据信息，可以包括但不限于手机银行的登录时间、注销时间、交易记录、浏览记录、用户反馈和评价、与客服互动记录以及手机银行中目标功能的用户访问频度；每个待预测用户与其对应的历史行为数据一一对应。其中，交易记录可以包括但不限于用户在手机银行上所进行的所有交易记录；浏览记录可以包括但不限于查看账户、产品浏览、帮助中心访问等；手机银行中目标功能的用户访问频度可以理解为用户点击手机银行中相关功能的热图，该热图可以表征用户对于某一功能的访问频度。
在本实施例中，可以通过每个手机银行用户的端口，以获取待预测用户分别在手机银行中的历史行为数据，除了上述的历史行为数据之外，该历史行为数据还可以包括用户的社交互动、位置信息和设备信息等有价值的信息。
S120、对各历史行为数据分别进行数据标准化处理，得到各待预测用户对应的目标历史行为数据。
其中，目标历史行为数据即为标准化处理后的用户行为数据。本实施例中，数据标准化处理的方式可以包括但不限于One-Hot编码方式、正态分布的方式等等。
在本实施例中，针对每个待预测用户的历史行为数据，可以对各历史行为数据分别进行数据标准化处理，以得到各待预测用户对应的目标历史行为数据，可以理解为，将不同的数据统一在同一维度，并同时统一格式，示例性的，不同来源的数据可以进行横向的比较；具体的，可以先确定出历史行为数据分别对应的数据类别，以基于该数据类别划分历史行为数据对应的数据特征，对连续型数据特征中的所有数据进行标准化处理，得到均值为0且方差为1的目标连续型数据特征数据，使用预设One-Hot编码方式对类别型数据特征中的所有数据进行转换得到目标类别型数据特征数据；在另一实施例中，也可以通过对用户交易数据进行清洗，包括对不利于模型训练的数据中的缺失值，异常值等进行清理，同时对时间特征统一格式；当然，也可以通过其他方式对各历史行为数据分别进行数据标准化处理，本实施例在此不做限制。
S130、将各目标历史行为数据输入至预先训练的长短期记忆神经网络LSTM中，以得到待预测用户的用户行为预测结果；其中，用户行为预测结果表征各待预测用户下一步分别产生各行为的概率占比，各概率占比表征为每个用户所创建的对应的数字孪生模型。
其中，数字孪生模型可以理解为用一种数字化的形式去模拟一个现实中的虚拟模型，即为能够模拟和预测其对应实体在真实环境中的行为和性能。
在本实施例中，用户行为预测结果表征各待预测用户下一步分别产生各行为的概率占比，可以理解为，每个待预测用户均对应相应的行为的概率占比，各概率占比表征为每个用户所创建的对应的数字孪生模型。
在一实施例中，长短期记忆神经网络LSTM中每一个记忆单元包含遗忘门ft、输入门it、输出门ot；遗忘门ft决定记忆单元的状态中需要被保留或舍弃；输入门it决定需要存储在记忆单元的状态中；输出门ot决定输出的预测值；在时刻t的记忆单元的输入为xt，输出为ht，记忆单元的状态为ct；其中，X＝[x1,...xt,...,xn]，表示为目标历史行为数据。
在本实施例中，LSTM网络由三个重要的门结构组成：输入门、遗忘门和输出门。这些门控制信息在网络中的流动。此外，LSTM有一个称为“cell state”的内部状态，它可以在时间步之间保存和传输信息。其中，输入门：决定哪些信息要存储在cell state中。遗忘门：决定cell state中的哪些信息应该被舍弃或保留。输出门：基于cell state确定输出什么值。本实施例中，为便于更好的理解LSTM的结构，图2为本发明一实施例提供的一种LSTM结构的示意图。
在一实施例中，长短期记忆神经网络LSTM的训练，包括：
获取训练样本集；其中，训练样本集中包括每个用户分别对应的行为数据，以及各所述行为数据对应的标签结果数据；每个用户的行为数据与其对应的标签结果数据相对应；在长短期记忆神经网络LSTM的训练过程中，将每个用户的行为数据与其对应的标签结果数据作为一个训练实例，每个训练实例至少配置16GB RAM；
基于反向传播算法和训练样本集计算每个神经元的误差项，优化损失函数，直至损失函数达到最小，得到训练好的最优长短期记忆神经网络LSTM；其中，损失函数以均方误差作为损失函数，并采用Adam优化器进行模型的参数优化；
其中，在用户行为预测结果与待预测用户所产生的真实行为数据不相符的情况下，则将真实行为数据更新至所述长短期记忆神经网络LSTM中，以确保预测的准确性。
在本实施例中，获取训练样本集，基于反向传播算法和训练样本集计算每个神经元的误差项，优化损失函数，直至损失函数达到最小，得到训练好的最优长短期记忆神经网络LSTM；其中，损失函数以均方误差作为损失函数，并采用Adam优化器进行模型的参数优化Adam优化器结合了AdaGrad和RMSProp的优点，采用Adam优化器进行模型的参数优化，适合处理大规模数据和参数。可以使用一个独立的验证数据集来调整模型的超参数，例如学习率、批次大小和LSTM层的数量。
在本实施例中，将每个用户的行为数据与其对应的标签结果数据作为一个训练实例，每个训练实例至少配置16GB RAM，这是由于考虑到每个用户的行为数据量，以及深度学习模型本身的参数量，便于训练过程顺利进行。
在本实施例中，可以将各目标历史行为数据输入至预先训练的长短期记忆神经网络LSTM中，以得到待预测用户的用户行为预测结果；该用户行为预测结果表征各待预测用户下一步分别产生各行为的概率占比，各概率占比表征为每个用户所创建的对应的数字孪生模型；具体的，可以将目标历史行为数据xt输入至长短期记忆神经网络LSTM中的记忆单元，每一个输入xt对应记忆单元的遗忘门ft、输入门it、输出门ot，计算各个时刻记忆单元的状态ct，计算各个时刻记忆单元的输出ht，将输出ht记为长短期记忆神经网络LSTM的输出y，即为待预测用户的用户行为预测结果。
本发明实施例的技术方案，通过对获取的各历史行为数据分别进行数据标准化处理，并各待预测用户对应的目标历史行为数据输入至长短期记忆神经网络LSTM中，以得到待预测用户的用户行为预测结果，该用户行为预测结果表征各待预测用户下一步分别产生各行为的概率占比，各概率占比表征为每个用户所创建的对应的数字孪生模型，能够在手机银行中为每个用户创建一个“活”的、高度反映其实时行为的数字孪生模型，使得金融机构能够更加深入地理解用户的需求，更精准地预测其未来行为，从而提供更加精准和高效的营销策略，提高用户体验、满意度和忠诚度。
在一实施例中，所述方法，还包括：
依据各数字孪生模型对待预测用户的未来行为进行第一预测；其中，第一预测至少包括：用户在预设时间段内进行交易行为和交易类型、用户对任一新推出的金融产品的兴趣程度、以及用户在预设时间和预设地点进行的支付或投资行为。
在本实施例中，可以依据各数字孪生模型对待预测用户的未来行为进行预测；其中，第一预测至少包括：用户在预设时间段内进行交易行为和交易类型、用户对任一新推出的金融产品的兴趣程度、以及用户在预设时间和预设地点进行的支付或投资行为。可以理解为，进一步预测用户的未来行为这，可以包括用户在未来一周内可能进行的交易行为，用户可能对某个新推出的银行产品的兴趣程度，或用户在特定时间、地点可能的支付或投资行为。
在一实施例中，所述方法，还包括：
依据各数字孪生模型对待预测用户进行金融产品营销、风险管理或用户体验优化。
在本实施例中，可以依据各数字孪生模型对待预测用户进行金融产品营销、风险管理或用户体验优化；其中，金融产品营销包括：为用户推荐最符合的银行产品；风险管理包括：识别风险行为；客户体验优化包括：模拟用户行为，优化产品和服务；可以理解为，基于数字孪生技术的行为模拟和预测，手机银行可以进行以下应用：精准营销：根据用户行为的预测，为用户推荐最符合其需求和兴趣的银行产品。风险管理：通过模拟和预测用户行为，提前识别可能的风险行为。客户体验优化：模拟用户行为，找出可能的使用痛点，从而优化产品和服务。
在一实施例中，所述方法，还包括：
将各数字孪生模型作为实验对象进行目标策略的模拟；
其中，目标策略的模拟和优化包括：策略模拟、AB测试、风险评估、策略优化、资源分配；其中，策略模拟为应用不同的营销策略，模拟用户的反应，以预测真实用户的下一步行为；AB测试包括：同时模拟两种或多种预设策略，对比不同策略的效果以确定最优策略；风险评估包括：模拟评估用户流失率、满意度下降；资源分配包括：预测策略执行所需的系统资源，系统资源包括：服务器负载和网络带宽，为真实手机银行中的应用做准备。
在本实施例中，可以将各数字孪生模型作为实验对象进行目标策略的模拟和优化，以使手机银行可以在没有真实风险的情况下预测策略的效果，从而为真实应用做出更明智的决策，具体可以进行的工作包括：策略模拟：在数字孪生模型中应用不同的营销策略，观察模拟用户的反应，从而预测真实用户可能的行为。AB测试：在模型中同时模拟两种或多种策略，对比它们的效果，帮助确定最优策略。风险评估：通过模型预测策略可能带来的风险，如用户流失率、满意度下降等。策略优化：基于模拟结果，持续调整和优化策略，以达到更好的效果。资源分配：预测策略执行所需的系统资源，如服务器负载、网络带宽等，为真实应用做好准备，通过这些工作，可以帮助手机银行更高效、更准确地制定和实施营销策略，从而更好地满足用户需求并提高其业务效益。
在一实施例中，图3为本发明一实施例提供的另一种手机银行用户行为预测方法的流程图，本实施例在上述各实施例的基础上，对对各历史行为数据分别进行数据标准化处理，得到各待预测用户对应的目标历史行为数据，以及将各目标历史行为数据输入至预先训练的长短期记忆神经网络LSTM中，以得到待预测用户的用户行为预测结果进行了进一步的细化。
如图3所示，本实施例中的手机银行用户行为预测方法，具体可以包含如下步骤：
S310、获取待预测用户分别在手机银行中的历史行为数据。
S320、针对每个待预测用户的历史行为数据，确定各历史行为数据分别对应的数据类别。
在本实施例中，针对每个待预测用户的历史行为数据，确定各历史行为数据分别对应的数据类别。其中，数据类别可以理解为行为数据所对应的特征。
S330、依据数据类别将各历史行为数据划分为连续型数据特征和类别型数据特征。
在本实施例中，依据数据类别将各历史行为数据划分为连续型数据特征和类别型数据特征，其中，连续型数据特征至少包括：交易金额、登录频率；类别型数据特征至少包括：交易类型、设备类型。
S340、对连续型数据特征中的所有数据进行标准化处理，得到均值为0且方差为1的目标连续型数据特征数据。
在本实施例中，针对连续型数据特征中的历史行为数据，对连续型数据特征中的所有数据进行标准化处理，得到均值为0且方差为1的目标连续型数据特征数据。
S350、使用预设One-Hot编码方式对类别型数据特征中的所有数据进行转换得到目标类别型数据特征数据。
在本实施例中，针对类别型数据特征中的历史行为数据，使用预设One-Hot编码方式对类别型数据特征中的所有数据进行转换得到目标类别型数据特征数据，其中，预设One-Hot编码方式onehot编码又叫独热编码，其为一位有效编码，主要是采用N位状态寄存器来对N个状态进行编码。
S360、将目标连续型数据特征数据和目标类别型数据特征数据作为目标历史行为数据。
在本实施例中，可以将均值为0且方差为1的目标连续型数据特征数据，以及使用预设One-Hot编码方式转化所得到的目标类别型数据特征数据作为目标历史行为数据。
S370、将目标历史行为数据xt输入至长短期记忆神经网络LSTM中的记忆单元，每一个输入xt对应记忆单元的遗忘门ft、输入门it、输出门ot。
其中，遗忘门ft表示为：ft＝σ(Wf[ht-1,xt]+bf)，所述输入门it表示为：it＝σ(Wi*[ht-1,xt]+bi)，所述输出门ot表示为：ot＝σ(Wo[ht-1,xt]+bo)；其中，σ表示激活函数，bf,bi,bo是偏置项，ht-1为第t-1时刻的记忆单元的输出，Wf,Wi,Wo均为权重矩阵，其中，Wf,Wi,Wo权重矩阵为随机初始化权重。
在一实施例中，将目标历史行为数据xt输入至长短期记忆神经网络LSTM中的记忆单元，每一个输入xt对应记忆单元的遗忘门ft、输入门it、输出门ot，长短期记忆神经网络LSTM中每一个记忆单元包含遗忘门ft、输入门it、输出门ot；遗忘门ft决定记忆单元的状态中需要被保留或舍弃；所述输入门it决定需要存储在记忆单元的状态中；所述输出门ot决定输出的预测值；在时刻t的记忆单元的输入为xt，输出为ht，记忆单元的状态为ct；其中，X＝[x1,...xt,...,xn]，表示为目标历史行为数据。
S380、计算各个时刻记忆单元的状态ct。
在本实施例中，计算各个时刻记忆单元的状态ct，其中，状态ct表示为：其中，ct-1为t-1时刻的记忆单元的状态，/>为t时刻记忆单元的候选状态，所述候选状态用公式表示为：/>其中，tanh()为激活函数，Wc表示为权重矩阵，bc是偏置项。
S390、计算各个时刻记忆单元的输出ht，将输出ht记为长短期记忆神经网络LSTM的输出y，即为待预测用户的用户行为预测结果。
在本实施例中，计算各个时刻记忆单元的输出ht，将输出ht记为所述长短期记忆神经网络LSTM的输出y，即为待预测用户的用户行为预测结果其中，输出ht表示为：ht＝ot*tanh(ct)。本实施例中，长短期记忆神经网络LSTM为每个用户分配至少10MB的存储空间，这是因为考虑到每个用户的行为数据量，以及深度学习模型本身的参数量。
本发明实施例的上述技术方案，通过对连续型数据特征中的所有数据进行标准化处理，得到均值为0且方差为1的目标连续型数据特征数据，使用预设One-Hot编码方式对类别型数据特征中的所有数据进行转换得到目标类别型数据特征数据，能够使得不同维度的数据统一，便于后续数据的处理；通过将目标历史行为数据xt输入至所述长短期记忆神经网络LSTM中的记忆单元，每一个输入xt对应记忆单元的遗忘门、输入门、输出门，计算各个时刻记忆单元的状态，计算各个时刻记忆单元的输出ht，将输出ht记为长短期记忆神经网络LSTM的输出y，即为待预测用户的用户行为预测结果，进一步能够在手机银行中为每个用户创建一个“活”的、高度反映其实时行为的数字孪生模型，使得金融机构能够更加深入地理解用户的需求，更精准地预测其未来行为，从而提供更加精准和高效的营销策略，提高用户体验、满意度和忠诚度。
在一实施例中，图4为本发明一实施例提供的一种手机银行用户行为预测装置的结构框图，该装置适用于对云任务进行调度以分配到最优资源时的情况，该装置可以由硬件/软件实现。可配置于电子设备中来实现本发明实施例中的一种手机银行用户行为预测方法。
如图4所示，该装置包括：数据获取模块410、数据处理模块420和行为模拟模块430。
其中，数据获取模块410，用于获取待预测用户分别在手机银行中的历史行为数据；其中，所述历史行为数据至少包括：所述手机银行的登录时间、注销时间、交易记录、浏览记录、用户反馈和评价、与客服互动记录以及所述手机银行中目标功能的用户访问频度；每个待预测用户与其对应的历史行为数据一一对应；
数据处理模块420，用于对各所述历史行为数据分别进行数据标准化处理，得到各所述待预测用户对应的目标历史行为数据；
行为模拟模块430，用于将各所述目标历史行为数据输入至预先训练的长短期记忆神经网络LSTMLSTM中，以得到所述待预测用户的用户行为预测结果；其中，所述用户行为预测结果表征各所述待预测用户下一步分别产生各行为的概率占比，各所述概率占比表征为每个用户所创建的对应的数字孪生模型。
本发明实施例，数据处理模块，通过对获取的各历史行为数据分别进行数据标准化处理，行为模拟模块，各待预测用户对应的目标历史行为数据输入至长短期记忆神经网络LSTM中，以得到待预测用户的用户行为预测结果，该用户行为预测结果表征各待预测用户下一步分别产生各行为的概率占比，各概率占比表征为每个用户所创建的对应的数字孪生模型，能够在手机银行中为每个用户创建一个“活”的、高度反映其实时行为的数字孪生模型，使得金融机构能够更加深入地理解用户的需求，更精准地预测其未来行为，从而提供更加精准和高效的营销策略，提高用户体验、满意度和忠诚度。
在一实施例中，所述装置，还包括：
第二预测模块，用于依据各所述数字孪生模型对所述待预测用户的未来行为进行预测；其中，所述预测至少包括：所述用户在预设时间段内进行交易行为和交易类型、所述用户对任一新推出的金融产品的兴趣程度、以及所述用户在预设时间和预设地点进行的支付或投资行为。
在一实施例中，所述装置，还包括：
第三预测模块，用于依据各所述数字孪生模型对所述待预测用户进行金融产品营销、风险管理或用户体验优化；其中，所述金融产品营销包括：为用户推荐最符合的银行产品；所述风险管理包括：识别风险行为；所述客户体验优化包括：模拟用户行为，优化产品和服务。
在一实施例中，所述装置，还包括：
模拟优化模块，用于将各所述数字孪生模型作为实验对象进行目标策略的模拟和优化；
其中，所述目标策略的模拟和优化包括：策略模拟、AB测试、风险评估、策略优化、资源分配；其中，所述策略模拟为应用不同的营销策略，模拟用户的反应，以预测真实用户的下一步行为；所述AB测试包括：同时模拟两种或多种预设策略，对比不同策略的效果以确定最优策略；所述风险评估包括：模拟评估用户流失率、满意度下降；所述资源分配包括：预测策略执行所需的系统资源，所述系统资源包括：服务器负载和网络带宽，为真实手机银行中的应用做准备。
在一实施例中，数据处理模块420，包括：
类别确定单元，用于针对每个待预测用户的历史行为数据，确定各所述历史行为数据分别对应的数据类别；
特征划分单元，用于依据所述数据类别将各所述历史行为数据划分为连续型数据特征和类别型数据特征；其中，所述连续型数据特征至少包括：交易金额、登录频率；所述类别型数据特征至少包括：交易类型、设备类型；
第一处理单元，用于对所述连续型数据特征中的所有数据进行标准化处理，得到均值为0且方差为1的目标连续型数据特征数据；
第二处理单元，用于使用预设One-Hot编码方式对所述类别型数据特征中的所有数据进行转换得到目标类别型数据特征数据；
将所述目标连续型数据特征数据和所述目标类别型数据特征数据作为目标历史行为数据。
在一实施例中，所述长短期记忆神经网络LSTM中每一个记忆单元包含遗忘门ft、输入门it、输出门ot；所述遗忘门ft决定记忆单元的状态中需要被保留或舍弃；所述输入门it决定需要存储在记忆单元的状态中；所述输出门ot决定输出的预测值；在时刻t的记忆单元的输入为xt，输出为ht，记忆单元的状态为ct；其中，X＝[x1,...xt,...,xn]，表示为所述目标历史行为数据；
相应的，行为模拟模块430，包括：
输入单元，用于将所述目标历史行为数据xt输入至所述长短期记忆神经网络LSTM中的记忆单元，每一个输入xt对应记忆单元的遗忘门ft、输入门it、输出门ot；其中，所述遗忘门ft表示为：ft＝σ(Wf[ht-1,xt]+bf)，所述输入门it表示为：it＝σ(Wi*[ht-1,xt]+bi)，所述输出门ot表示为：ot＝σ(Wo[ht-1,xt]+bo)；其中，σ表示激活函数，bf,bi,bo是偏置项，ht-1为第t-1时刻的记忆单元的输出，Wf,Wi,Wo均为权重矩阵，其中，Wf,Wi,Wo权重矩阵为随机初始化权重；
状态计算单元，用于计算各个时刻记忆单元的状态ct；其中，所述状态ct表示为：其中，ct-1为t-1时刻的记忆单元的状态，/>为t时刻记忆单元的候选状态，所述候选状态用公式表示为：/>其中，tanh()为激活函数，Wc表示为权重矩阵，bc是偏置项；
输出单元，用于计算各个时刻记忆单元的输出ht，将输出ht记为所述长短期记忆神经网络LSTM的输出y，即为待预测用户的用户行为预测结果；其中，所述输出ht表示为：ht＝ot*tanh(ct)；
其中，所述长短期记忆神经网络LSTM为每个用户分配至少10MB的存储空间。
在一实施例中，所述长短期记忆神经网络LSTM的训练，包括：
获取训练样本集；其中，所述训练样本集中包括每个用户分别对应的行为数据，以及各所述行为数据对应的标签结果数据；每个用户的行为数据与其对应的标签结果数据相对应；在所述长短期记忆神经网络LSTM的训练过程中，将每个用户的行为数据与其对应的标签结果数据作为一个训练实例，每个训练实例至少配置16GB RAM；
基于反向传播算法和所述训练样本集计算每个神经元的误差项，优化损失函数，直至所述损失函数达到最小，得到训练好的最优长短期记忆神经网络LSTM；其中，所述损失函数以均方误差作为损失函数，并采用Adam优化器进行模型的参数优化；
其中，在所述用户行为预测结果与所述待预测用户所产生的真实行为数据不相符的情况下，则将所述真实行为数据更新至所述长短期记忆神经网络LSTM中，以确保预测的准确性。
本发明实施例所提供的手机银行用户行为预测装置可执行本发明任意实施例所提供的手机银行用户行为预测方法，具备执行方法相应的功能模块和有益效果。
在一实施例中，图5为本发明实施例提供的一种电子设备的结构示意图。电子设备10旨在表示各种形式的数字计算机，诸如，膝上型计算机、台式计算机、工作台、个人数字助理、服务器、刀片式服务器、大型计算机、和其它适合的计算机。电子设备还可以表示各种形式的移动装置，诸如，个人数字处理、蜂窝电话、智能电话、可穿戴设备(如头盔、眼镜、手表等)和其它类似的计算装置。本文所示的部件、它们的连接和关系、以及它们的功能仅仅作为示例，并且不意在限制本文中描述的和/或者要求的本发明的实现。
如图5所示，电子设备10包括至少一个处理器11，以及与至少一个处理器11通信连接的存储器，如只读存储器(ROM)12、随机访问存储器(RAM)13等，其中，存储器存储有可被至少一个处理器执行的计算机程序，处理器11可以根据存储在只读存储器(ROM)12中的计算机程序或者从存储单元18加载到随机访问存储器(RAM)13中的计算机程序，来执行各种适当的动作和处理。在RAM 13中，还可存储电子设备10操作所需的各种程序和数据。处理器11、ROM 12以及RAM 13通过总线14彼此相连。输入/输出(I/O)接口15也连接至总线14。
电子设备10中的多个部件连接至I/O接口15，包括：输入单元16，例如键盘、鼠标等；输出单元17，例如各种类型的显示器、扬声器等；存储单元18，例如磁盘、光盘等；以及通信单元19，例如网卡、调制解调器、无线通信收发机等。通信单元19允许电子设备10通过诸如因特网的计算机网络和/或各种电信网络与其他设备交换信息/数据。
处理器11可以是各种具有处理和计算能力的通用和/或专用处理组件。处理器11的一些示例包括但不限于中央处理单元(CPU)、图形处理单元(GPU)、各种专用的人工智能(AI)计算芯片、各种运行机器学习模型算法的处理器、数字信号处理器(DSP)、以及任何适当的处理器、控制器、微控制器等。处理器11执行上文所描述的各个方法和处理，例如手机银行用户行为预测方法。
在一些实施例中，手机银行用户行为预测处理方法可被实现为计算机程序，其被有形地包含于计算机可读存储介质，例如存储单元18。在一些实施例中，计算机程序的部分或者全部可以经由ROM 12和/或通信单元19而被载入和/或安装到电子设备10上。当计算机程序加载到RAM 13并由处理器11执行时，可以执行上文描述的手机银行用户行为预测方法的一个或多个步骤。备选地，在其他实施例中，处理器11可以通过其他任何适当的方式(例如，借助于固件)而被配置为执行手机银行用户行为预测方法。
本文中以上描述的系统和技术的各种实施方式可以在数字电子电路系统、集成电路系统、场可编程门阵列(FPGA)、专用集成电路(ASIC)、专用标准产品(ASSP)、芯片上系统的系统(SOC)、负载可编程逻辑设备(CPLD)、计算机硬件、固件、软件、和/或它们的组合中实现。这些各种实施方式可以包括：实施在一个或者多个计算机程序中，该一个或者多个计算机程序可在包括至少一个可编程处理器的可编程系统上执行和/或解释，该可编程处理器可以是专用或者通用可编程处理器，可以从存储系统、至少一个输入装置、和至少一个输出装置接收数据和指令，并且将数据和指令传输至该存储系统、该至少一个输入装置、和该至少一个输出装置。
用于实施本发明的方法的计算机程序可以采用一个或多个编程语言的任何组合来编写。这些计算机程序可以提供给通用计算机、专用计算机或其他可编程手机银行用户行为预测装置的处理器，使得计算机程序当由处理器执行时使流程图和/或框图中所规定的功能/操作被实施。计算机程序可以完全在机器上执行、部分地在机器上执行，作为独立软件包部分地在机器上执行且部分地在远程机器上执行或完全在远程机器或服务器上执行。
在本发明的上下文中，计算机可读存储介质可以是有形的介质，其可以包含或存储以供指令执行系统、装置或设备使用或与指令执行系统、装置或设备结合地使用的计算机程序。计算机可读存储介质可以包括但不限于电子的、磁性的、光学的、电磁的、红外的、或半导体系统、装置或设备，或者上述内容的任何合适组合。备选地，计算机可读存储介质可以是机器可读信号介质。机器可读存储介质的更具体示例会包括基于一个或多个线的电气连接、便携式计算机盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦除可编程只读存储器(EPROM或快闪存储器)、光纤、便捷式紧凑盘只读存储器(CD-ROM)、光学储存设备、磁储存设备、或上述内容的任何合适组合。
为了提供与用户的交互，可以在电子设备上实施此处描述的系统和技术，该电子设备具有：用于向用户显示信息的显示装置(例如，CRT(阴极射线管)或者LCD(液晶显示器)监视器)；以及键盘和指向装置(例如，鼠标或者轨迹球)，用户可以通过该键盘和该指向装置来将输入提供给电子设备。其它种类的装置还可以用于提供与用户的交互；例如，提供给用户的反馈可以是任何形式的传感反馈(例如，视觉反馈、听觉反馈、或者触觉反馈)；并且可以用任何形式(包括声输入、语音输入或者、触觉输入)来接收来自用户的输入。
可以将此处描述的系统和技术实施在包括后台部件的计算系统(例如，作为数据服务器)、或者包括中间件部件的计算系统(例如，应用服务器)、或者包括前端部件的计算系统(例如，具有图形用户界面或者网络浏览器的用户计算机，用户可以通过该图形用户界面或者该网络浏览器来与此处描述的系统和技术的实施方式交互)、或者包括这种后台部件、中间件部件、或者前端部件的任何组合的计算系统中。可以通过任何形式或者介质的数字数据通信(例如，通信网络)来将系统的部件相互连接。通信网络的示例包括：局域网(LAN)、广域网(WAN)、区块链网络和互联网。
计算系统可以包括客户端和服务器。客户端和服务器一般远离彼此并且通常通过通信网络进行交互。通过在相应的计算机上运行并且彼此具有客户端-服务器关系的计算机程序来产生客户端和服务器的关系。服务器可以是云服务器，又称为云计算服务器或云主机，是云计算服务体系中的一项主机产品，以解决了传统物理主机与VPS服务中，存在的管理难度大，业务扩展性弱的缺陷。
应该理解，可以使用上面所示的各种形式的流程，重新排序、增加或删除步骤。例如，本发明中记载的各步骤可以并行地执行也可以顺序地执行也可以不同的次序执行，只要能够实现本发明的技术方案所期望的结果，本文在此不进行限制。
上述具体实施方式，并不构成对本发明保护范围的限制。本领域技术人员应该明白的是，根据设计要求和其他因素，可以进行各种修改、组合、子组合和替代。任何在本发明的精神和原则之内所作的修改、等同替换和改进等，均应包含在本发明保护范围之内。
Claims (10)
1.一种手机银行用户行为预测方法，其特征在于，包括：
获取待预测用户分别在手机银行中的历史行为数据；其中，每个待预测用户与其对应的历史行为数据一一对应；
对各所述历史行为数据分别进行数据标准化处理，得到各所述待预测用户对应的目标历史行为数据；
将各所述目标历史行为数据输入至预先训练的长短期记忆神经网络LSTM中，以得到所述待预测用户的用户行为预测结果；其中，所述用户行为预测结果表征各所述待预测用户下一步分别产生各行为的概率占比，各所述概率占比表征为每个用户所创建的对应的数字孪生模型。
2.根据权利要求1所述的方法，其特征在于，所述方法，还包括：
依据各所述数字孪生模型对所述待预测用户的未来行为进行第一预测；其中，所述第一预测至少包括：所述用户在预设时间段内进行交易行为和交易类型、所述用户对任一新推出的金融产品的兴趣程度、以及所述用户在预设时间和预设地点进行的支付或投资行为。
3.根据权利要求1所述的方法，其特征在于，所述方法，还包括：
依据各所述数字孪生模型对所述待预测用户进行金融产品营销、风险管理或用户体验优化。
4.根据权利要求1所述的方法，其特征在于，所述方法，还包括：
将各所述数字孪生模型作为实验对象进行目标策略的模拟；
其中，所述目标策略的模拟包括：策略模拟、AB测试、风险评估、策略优化、资源分配；其中，所述策略模拟为应用不同的营销策略，模拟用户的反应，以预测真实用户的下一步行为；所述AB测试包括：同时模拟两种或多种预设策略，对比不同策略的效果以确定最优策略；所述风险评估包括：模拟评估用户流失率、满意度下降；所述资源分配包括：预测策略执行所需的系统资源，所述系统资源包括：服务器负载和网络带宽，为真实手机银行中的应用做准备。
5.根据权利要求1所述的方法，其特征在于，所述对各所述历史行为数据分别进行数据标准化处理，得到各所述待预测用户对应的目标历史行为数据，包括：
针对每个待预测用户的历史行为数据，确定各所述历史行为数据分别对应的数据类别；
依据所述数据类别将各所述历史行为数据划分为连续型数据特征和类别型数据特征；其中，所述连续型数据特征至少包括：登录频率；所述类别型数据特征至少包括：设备类型；
对所述连续型数据特征中的所有数据进行标准化处理，得到均值为0且方差为1的目标连续型数据特征数据；
使用预设One-Hot编码方式对所述类别型数据特征中的所有数据进行转换得到目标类别型数据特征数据；
将所述目标连续型数据特征数据和所述目标类别型数据特征数据作为目标历史行为数据。
6.根据权利要求1所述的方法，其特征在于，所述长短期记忆神经网络LSTM中每一个记忆单元包含遗忘门ft、输入门it、输出门ot；所述遗忘门ft决定记忆单元的状态中需要被保留或舍弃；所述输入门it决定需要存储在记忆单元的状态中；所述输出门ot决定输出的预测值；在时刻t的记忆单元的输入为xt，输出为ht，记忆单元的状态为ct；其中，X＝[x1,...xt,...,xn]，表示为所述目标历史行为数据；
相应的，所述将各所述目标历史行为数据输入至预先训练的长短期记忆神经网络LSTMLSTM中，以得到所述待预测用户的用户行为预测结果，包括：
将所述目标历史行为数据xt输入至所述长短期记忆神经网络LSTM中的记忆单元，每一个输入xt对应记忆单元的遗忘门ft、输入门it、输出门ot；其中，所述遗忘门ft表示为：ft＝σ(Wf[ht-1,xt]+bf)，所述输入门it表示为：it＝σ(Wi*[ht-1,xt]+bi)，所述输出门ot表示为：ot＝σ(Wo[ht-1,xt]+bo)；其中，σ表示激活函数，bf,bi,bo是偏置项，ht-1为第t-1时刻的记忆单元的输出，Wf,Wi,Wo均为权重矩阵，其中，Wf,Wi,Wo权重矩阵为随机初始化权重；
计算各个时刻记忆单元的状态ct；其中，所述状态ct表示为：其中，ct-1为t-1时刻的记忆单元的状态，/>为t时刻记忆单元的候选状态，所述候选状态用公式表示为：/>其中，tanh()为激活函数，Wc表示为权重矩阵，bc是偏置项；
计算各个时刻记忆单元的输出ht，将输出ht记为所述长短期记忆神经网络LSTM的输出y，即为待预测用户的用户行为预测结果；其中，所述输出ht表示为：ht＝ot*tanh(ct)；
其中，所述长短期记忆神经网络LSTM为每个用户分配至少10MB的存储空间。
7.根据权利要求1所述的方法，其特征在于，所述长短期记忆神经网络LSTM的训练，包括：
获取训练样本集；其中，所述训练样本集中包括每个用户分别对应的行为数据，以及各所述行为数据对应的标签结果数据；每个用户的行为数据与其对应的标签结果数据相对应；在所述长短期记忆神经网络LSTM的训练过程中，将每个用户的行为数据与其对应的标签结果数据作为一个训练实例，每个训练实例至少配置16GB RAM；
基于反向传播算法和所述训练样本集计算每个神经元的误差项，优化损失函数，直至所述损失函数达到最小，得到训练好的最优长短期记忆神经网络LSTM；其中，所述损失函数以均方误差作为损失函数，并采用Adam优化器进行模型的参数优化；
其中，在所述用户行为预测结果与所述待预测用户所产生的真实行为数据不相符的情况下，则将所述真实行为数据更新至所述长短期记忆神经网络LSTM中，以确保预测的准确性。
8.一种手机银行用户行为预测装置，其特征在于，包括：
数据获取模块，用于获取待预测用户分别在手机银行中的历史行为数据；其中，每个待预测用户与其对应的历史行为数据一一对应；
数据处理模块，用于对各所述历史行为数据分别进行数据标准化处理，得到各所述待预测用户对应的目标历史行为数据；
行为模拟模块，用于将各所述目标历史行为数据输入至预先训练的长短期记忆神经网络LSTMLSTM中，以得到所述待预测用户的用户行为预测结果；其中，所述用户行为预测结果表征各所述待预测用户下一步分别产生各行为的概率占比，各所述概率占比表征为每个用户所创建的对应的数字孪生模型。
9.一种电子设备，其特征在于，所述电子设备包括：
至少一个处理器；以及
与所述至少一个处理器通信连接的存储器；其中，
所述存储器存储有可被所述至少一个处理器执行的计算机程序，所述计算机程序被所述至少一个处理器执行，以使所述至少一个处理器能够执行权利要求1-7中任一项所述的手机银行用户行为预测方法。
10.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质存储有计算机指令，所述计算机指令用于使处理器执行时实现权利要求1-7中任一项所述的手机银行用户行为预测方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202410081264.8A CN117892877A (zh) | 2024-01-19 | 2024-01-19 | 手机银行用户行为预测方法、装置、设备和介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202410081264.8A CN117892877A (zh) | 2024-01-19 | 2024-01-19 | 手机银行用户行为预测方法、装置、设备和介质 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN117892877A true CN117892877A (zh) | 2024-04-16 |
Family
ID=90650476
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202410081264.8A Pending CN117892877A (zh) | 2024-01-19 | 2024-01-19 | 手机银行用户行为预测方法、装置、设备和介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN117892877A (zh) |
-
2024
- 2024-01-19 CN CN202410081264.8A patent/CN117892877A/zh active Pending
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| TWI788529B (zh) | 基於ｌｓｔｍ模型的信用風險預測方法及裝置 | |
| US10691494B2 (en) | Method and device for virtual resource allocation, modeling, and data prediction | |
| JP6771751B2 (ja) | リスク評価方法およびシステム | |
| US20230148083A1 (en) | Interactive model performance monitoring | |
| CN111340616A (zh) | 线上贷款的审批方法、装置、设备及介质 | |
| CN111369344B (zh) | 一种动态生成预警规则的方法和装置 | |
| CN116402615B (zh) | 一种账户类型的识别方法、装置、电子设备及存储介质 | |
| CN117934135A (zh) | 一种网点运营管理方法、装置、电子设备及存储介质 | |
| CN117474669A (zh) | 一种贷款逾期预测方法、装置、设备及存储介质 | |
| CN117609921A (zh) | 异常检测模型的构建方法、装置、电子设备及存储介质 | |
| CN115759283A (zh) | 一种模型解释方法、装置、电子设备以及存储介质 | |
| CN115146997A (zh) | 基于电力数据的评估方法、装置、电子设备及存储介质 | |
| CN117892877A (zh) | 手机银行用户行为预测方法、装置、设备和介质 | |
| CN115310590A (zh) | 图结构学习方法和装置 | |
| CN114529399A (zh) | 用户数据处理方法、装置、计算机设备和存储介质 | |
| CN114239985A (zh) | 汇率预测方法、装置、电子设备及存储介质 | |
| CN118094444B (zh) | 异常账户检测模型训练方法、装置、电子设备及存储介质 | |
| WO2022259487A1 (ja) | 予測装置、予測方法およびプログラム | |
| US20240112257A1 (en) | Systems and methods for data monitoring | |
| CN117764712A (zh) | 一种用户标签确定方法及装置 | |
| CN114818892A (zh) | 一种信用等级确定方法、装置、设备及存储介质 | |
| CN117495529A (zh) | 一种用户识别方法、装置、电子设备和存储介质 | |
| CN115640461A (zh) | 一种产品的推荐方法、装置、电子设备及其存储介质 | |
| CN118446806A (zh) | 授信数据处理方法、装置、计算机设备和存储介质 | |
| CN115619537A (zh) | 一种银行用户贷款逾期预测方法、装置、系统和介质 |
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 |