WO2018090657A1 - 基于BP_Adaboost模型的信用卡用户违约的预测方法及系统 - Google Patents

基于BP_Adaboost模型的信用卡用户违约的预测方法及系统 Download PDF

Info

Publication number
WO2018090657A1
WO2018090657A1 PCT/CN2017/093803 CN2017093803W WO2018090657A1 WO 2018090657 A1 WO2018090657 A1 WO 2018090657A1 CN 2017093803 W CN2017093803 W CN 2017093803W WO 2018090657 A1 WO2018090657 A1 WO 2018090657A1
Authority
WO
WIPO (PCT)
Prior art keywords
credit card
card user
sample
prediction
samples
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.)
Ceased
Application number
PCT/CN2017/093803
Other languages
English (en)
French (fr)
Inventor
蒋昌俊
闫春钢
丁志军
张亚英
许朴
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.)
Tongji University
Original Assignee
Tongji University
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 Tongji University filed Critical Tongji University
Publication of WO2018090657A1 publication Critical patent/WO2018090657A1/zh
Anticipated expiration legal-status Critical
Ceased legal-status Critical Current

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; 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 OR CALCULATING; 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
    • G06F18/2148—Generating training patterns; Bootstrap methods, e.g. bagging or boosting characterised by the process organisation or structure, e.g. boosting cascade
    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; 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

Definitions

  • the invention relates to a prediction method and system, in particular to a prediction method and system for credit card user default based on BP_Adaboost model.
  • the credit card default risk is driven by a potential payment failure when the cardholder makes a partial or full payment commitment, which occurs when the cardholder is in a tight or unwilling repayment period during the repayment period.
  • risk management is downstream and risk prediction is upstream.
  • the main purpose of risk forecasting is to use the performance of enterprises or the credit risk of individual customers to reduce risks and uncertainties, so it has great practical significance and value.
  • data mining mainly studies and analyzes very large data, and uses automatic or semi-automatic programs to find previously unknown, interesting and understandable implicit information.
  • banks can easily deploy a predictive model to quickly and efficiently analyze the default status of a large number of credit card holders, which has become an important tool for credit card analysis.
  • discriminant analysis In order to reduce the influence of subjective factors in credit evaluation and reflect the dynamic changes of credit, discriminant analysis, logistic regression, classification tree and neural network method are gradually applied to the field of credit evaluation to predict the default behavior of credit card users.
  • Discriminant analysis also known as the resolution method, is a multivariate statistical analysis method that discriminates its type attribution problem according to various eigenvalues of a certain research object under the condition of classification and determination.
  • the basic principle of discriminant analysis is to establish one or more discriminant functions according to certain discriminant criteria, determine the undetermined coefficients in the discriminant function with a large amount of data of the research object, and calculate the discriminant index, according to which a customer sample can be predicted to belong to “ Good, the customer is still a default user.
  • Logistic regression can be seen as a special case of linear regression models. This method can generate a simple classification probability formula to judge the probability that the sample belongs to each category, but its disadvantage is that it can not deal with nonlinear problems well and interpret the interaction between variables.
  • CTs Classification Trees
  • the credit card default prediction model established by this method does not generate a linear score table.
  • the basic idea is to follow the value of a certain characteristic variable.
  • the whole process can be represented by a tree structure, which is divided into "good” customers or "default” customers according to certain rules.
  • BP Back Propagation neural network
  • the BP network was proposed by a group of scientists led by Rinehart and McClelland in 1986. It is a multi-layer feedforward network trained by error inverse propagation algorithm. It has powerful parallel processing mechanism, high self-learning and self-adaptive ability.
  • the BP neural network algorithm is very flexible because many of its internal parameters are adjustable.
  • the main design idea of the BP neural network algorithm is: first, the input signal is calculated by the processing of the hidden layer and the output layer node, and the actual output of the network is obtained, and then compared with the expected output, and the error between the actual output and the expected output is calculated. The error is then propagated back to the input layer as a basis for modifying the weight. In this process, the output layer, the weight of the hidden layer, the threshold gain are calculated, and the weight and threshold are updated, and the process is repeated until the error between the actual output and the expected output reaches a preset error convergence criterion or reaches the highest iteration. The number of times, in order to obtain the final network weight, build a credit card default prediction model, and predict the sample.
  • the above method can achieve a certain accuracy rate in credit card default prediction, but ignores the imbalance of credit card data, that is, the difference between the sample of the default customer and the sample number of the honest customer is too large.
  • Boosting is a method to improve the accuracy of any given learning algorithm. Its idea originates from the PAC (Probably Approximately Correct) learning model proposed by Valiant. In 1995, Freund and Schapire improved the Boosting algorithm and proposed the AdaBoost (Adaptive Boosting) algorithm.
  • the core idea of the Adaboost algorithm is to train different classifiers (weak classifiers) for the same training set, and then combine these weak classifiers. To form a stronger final classifier (strong classifier). Therefore, the Adaboost algorithm is robust to unbalanced data sets, and can enhance the classification effect and further improve the generalization ability of neural networks.
  • the efficiency of this algorithm is almost the same as the Boosting algorithm proposed by Freund in 1991, but does not require any prior knowledge about weak learners, so it is easier to apply to practical problems.
  • the same classification algorithm can be used when generating a single base classifier, and different classification algorithms can be used. These algorithms are generally unstable weak classification algorithms, such as the BP algorithm.
  • an object of the present invention is to provide a method and system for predicting credit card user default based on BP_Adaboost model, based on BP algorithm and Adaboosting algorithm, performing data analysis according to historical credit information of bank credit card users. Train and build the BP_AdaBoost model to predict whether new credit card users will default.
  • the present invention provides a method for predicting credit card user default based on the BP_Adaboost model, comprising the steps of: obtaining attribute data of a credit card user, wherein the attribute of the credit card user is a credit evaluation index of the credit card user; The attribute data of the credit card user is normalized, and the attribute data of each user after normalization is taken as a sample, and all samples are divided into a training sample set and a test sample set; the distribution weight D of the initial training sample is initialized.
  • m represents the training sample number
  • BP neural network structure is determined according to the training sample input and output dimensions, and the weight of the BP neural network is initialized. Threshold value, learning precision, maximum number of iterations, learning rate; t-th iteration, training BP neural network weak classifier f t with m training samples; prediction sequence obtained by training samples based on BP neural network weak classifier f t g t , calculate the prediction error and
  • i is the training sample number corresponding to g t (x i ) ⁇ y i
  • x i is the ith sample point of m training samples;
  • g t (x i ) is the BP neural network weak classifier f t pair
  • the predicted classification result of the sample point x i ; y i is the expected classification result of the BP neural network weak classifier f t to the sample point x i ; the weight of the prediction sequence is calculated according to the prediction error of the prediction sequence and
  • the credit card user attributes include personal credit line, gender, education level, and marriage. Marriage status, age, reimbursement records in recent months, bill amounts in recent months, and actual repayments in recent months.
  • the method further includes detecting, by using the test sample, the performance of the BP_Adaboost model for credit card user default prediction.
  • the maximum number of iterations is 50 and the value of T is 10.
  • the present invention further provides a credit card user default prediction system based on the BP_Adaboost model, including an acquisition module, a normalization module, an initialization module, a training module, a prediction error and a calculation module, a weight calculation module, a distribution weight calculation module, Iterative module and prediction module;
  • the obtaining module is configured to obtain attribute data of a credit card user, where the attribute of the credit card user is a credit evaluation index of the credit card user;
  • the normalization module is configured to normalize the attribute data of the credit card user, and use the normalized attribute data of each user as a sample to divide all the samples into a training sample set and a test sample set;
  • the training module is configured to train the BP neural network weak classifier f t by using m training samples at the tth iteration;
  • i is the training sample number corresponding to g t (x i ) ⁇ y i
  • x i is the ith sample point of m training samples
  • g t (x i ) is the BP neural network weak classifier f t pair
  • y i is the expected classification result of the BP neural network weak classifier f t to the sample point x i ;
  • the weight calculation module is configured to calculate a weight of the prediction sequence according to the prediction error of the prediction sequence and e t
  • the distribution weight calculation module is configured to adjust a distribution weight of the next round training sample according to the weight a t of the prediction sequence Where B t is a normalization factor;
  • the iterative module is used to iteratively train the BP neural network weak classifier by using m training samples, and obtain T BP neural network weak classifiers after iterative T times; T is a custom parameter;
  • the prediction module is configured to obtain a strong classifier according to T weak classifiers That is, the BP_Adaboost model for credit card user default prediction, to predict whether it will default according to the credit card user's attribute data.
  • the credit card user attributes include personal credit line, gender, education level, marital status, age, repayment history in recent months, bill amount in recent months, and recent months Actual repayment amount.
  • a detection module is further included for detecting performance of the BP_Adaboost model for credit card user default prediction by using test samples.
  • the maximum number of iterations is 50 and the value of T is 10.
  • the BP_Adaboost model based credit card user default prediction method and system of the present invention have the following beneficial effects:
  • BP_Adaboost model has a good processing ability for unbalanced data sets, further improving the generalization ability of neural networks, and improving the accuracy of credit card users' default prediction.
  • Figure 1 shows a schematic diagram of the structure of a single hidden layer BP neural network model
  • FIG. 2 is a flow chart showing a method for predicting credit card user default based on the BP_Adaboost model of the present invention
  • FIG. 3 is a schematic diagram showing an ROC curve of an experimental result in an embodiment of a method for predicting credit card user default based on the BP_Adaboost model of the present invention
  • FIG. 4 is a schematic structural diagram of a prediction system for a credit card user default based on the BP_Adaboost model of the present invention.
  • the BP neural network is composed of an input layer (I), a hidden layer (H), and an output layer (O).
  • I input layer
  • H hidden layer
  • O output layer
  • X and Z respectively represent the input and output of the network
  • each neuron is represented by one node.
  • the BP algorithm consists of the forward transmission of information and the back propagation of errors.
  • the input information is transferred from the input layer to the output layer layer by layer through the hidden layer.
  • the state of each layer of neurons only affects the state of the next layer of neurons. If the desired output is not obtained at the output layer, the error change value of the output layer is calculated, then turned to backpropagation, and the error signal is passed back through the network along the original connection path to modify the weight of each neuron until the desired output is reached.
  • Neural network theory has proved that BP neural network has powerful nonlinear mapping ability and generalization function, and any continuous function or mapping can be realized by three-layer network.
  • a) Determine the architecture of the BP neural network, that is, determine the number of input layer nodes, the number of output layer nodes, and the number of layers of the hidden layer and the number of nodes per layer.
  • the number of input layer nodes is determined by the dimension of the sample attribute.
  • the number of output layer nodes is determined by the number of sample classifications.
  • the number of layers in the hidden layer and the number of nodes in each layer are user-defined. As shown in Figure 2, the number of hidden layers is 1, which is a single hidden layer.
  • Weights w ij is the weight between the front layer and the rear layer of the node node, initially [1,1] random value.
  • the threshold ⁇ j is used to change the activity of the node, initially a random value of [0, 1], and the nodes from the front layer to the back nodes are connected by a weight coefficient.
  • the weight between node i and node j be w ij
  • the threshold of node j be b j
  • the output value of each node be x j
  • the output value of each node is based on the output value of all nodes in the upper layer, current
  • the node and the weight of all nodes in the upper layer and the threshold of the current node are also implemented by an activation function.
  • the output value of the node is calculated as follows:
  • the input of the hidden layer and the output layer is expressed as Where O i is the output of the unit i of the previous layer; ⁇ j represents the threshold of the unit j.
  • the output of the neuron is calculated via the activation function, which typically uses the simoid function. Therefore, the output is expressed as
  • the process of forward transfer is relatively simple, and can be calculated according to the above formula.
  • the input layer nodes have no threshold.
  • w kj is the connection weight from node k to node j in the next higher layer
  • Err k is the error of node k.
  • the error formulas of the output layer and the hidden layer are sequentially expanded to the hidden layer and the input layer, and the adjustment amount of the weight should be proportional to the negative gradient of the error.
  • l represents the learning rate
  • the incremental formula represents the learning rate multiplied by the last two parameters.
  • the correction of the weight and the threshold is completed once, and the forward and reverse propagation is continuously performed until the algorithm termination condition is satisfied, that is, before the algorithm error reaches the preset precision or the learning number reaches the set maximum number.
  • the invention combines the BP algorithm with the Adboost algorithm, that is, predicts whether the credit card user defaults through the BP_Adaboost model.
  • the BP_Adaboost model based credit card user default prediction method of the present invention includes the following steps:
  • Step S1 Obtain attribute data of the credit card user, wherein the attribute of the credit card user is a credit evaluation index of the credit card user.
  • the credit rating index of the credit card user constitutes an evaluation index system of the credit card user.
  • the evaluation index system should comprehensively and truthfully reflect the credit status of credit card holders.
  • each credit evaluation indicator is an attribute of a credit card user.
  • credit card user attributes include personal credit line, gender, education level, marital status, age, repayment history in recent months, bill amount in recent months, and actual repayment amount in recent months. 23 items. Among them, the repayment record of nearly 6 months, the bill amount of the past 6 months, and the actual repayment amount of the past 6 months are preferable.
  • the attribute data of the credit card user can be downloaded from the website http://archive.ics.uci.edu/ml/ .
  • Step S2 normalizing the attribute data of the credit card user, and using the normalized attribute data of each user as a sample, dividing all the samples into a training sample set and a test sample set.
  • each attribute value is limited to [-1, 1].
  • the neural network structure initializes the weight, threshold, learning accuracy, maximum iteration number, and learning rate of the BP neural network.
  • the maximum number of iterations is 50.
  • the input of each sample is 23 dimensions, respectively representing each credit evaluation index; the output is 1 dimension, indicating the prediction result of the individual default situation.
  • step S4 and the t-th iteration the BP neural network weak classifier f t is trained using m training samples.
  • Step S5 the prediction sequence g t BP neural network prediction weak classifier f t training samples obtained, and calculates a prediction error
  • i is the training sample number corresponding to g t (x i ) ⁇ y i
  • x i is the ith sample point of m training samples
  • g t (x i ) is the BP neural network weak classifier f t pair
  • y i is the expected classification result of the BP neural network weak classifier f t to the sample point x i .
  • Step S6 calculating the weight of the prediction sequence according to the prediction error of the prediction sequence and e t
  • Step S7 adjusting the distribution weight of the next training sample according to the weight a t of the prediction sequence
  • B t is a normalization factor
  • the purpose is to make the distribution weight sum 1 as the weight ratio is constant.
  • Step S8 Iteratively trains the BP neural network weak classifier by using m training samples, and obtains T BP neural network weak classifiers after T times iteration; T is a custom parameter.
  • T is set to 10 in the present invention.
  • Step S9 obtaining a strong classifier according to T weak classifiers That is, the BP_Adaboost model for credit card user default prediction, to predict whether it will default according to the credit card user's attribute data.
  • the method further includes inputting samples in the test sample set to detect performance of the BP_Adaboost model for credit card user default prediction.
  • the prediction model is detected by a comparison experiment with other model F values and ROC.
  • the BP_Adaboost model for credit card user default prediction is input, and the default prediction result of the credit card users can be obtained, and the future default of the customer is predicted.
  • the distribution of the training sample set and the test sample set in this embodiment is as shown in Table 2.
  • the method for predicting credit card user defaults in the BP_Adaboost model includes the following steps:
  • each set of data is 23 dimensions, representing the first 23 indicators listed in Table 1 respectively; the output is 1 dimension, representing the prediction result of personal default status.
  • 24000 sets of data were randomly selected as training data, and 6000 sets of data were used as test data.
  • the BP_Adaboost model based credit card user default prediction system of the present invention includes an acquisition module 1, a normalization module 2, an initialization module 3, a training module 4, a prediction error and calculation module 5, a weight calculation module 6, and a distribution right.
  • the obtaining module 1 is configured to obtain attribute data of a credit card user, wherein the attribute of the credit card user is a credit evaluation index of the credit card user.
  • the credit rating index of the credit card user constitutes an evaluation index system of the credit card user.
  • the evaluation index system should comprehensively and truthfully reflect the credit status of credit card holders.
  • each credit evaluation indicator is an attribute of a credit card user.
  • credit card user attributes include personal credit line, gender, education level, marital status, age, repayment history in recent months, bill amount in recent months, and actual repayment amount in recent months. 23 items. Among them, the repayment record of nearly 6 months, the bill amount of the past 6 months, and the actual repayment amount of the past 6 months are preferable.
  • the attribute data of the credit card user can be downloaded from the website http://archive.ics.uci.edu/ml/ .
  • the normalization module 2 is connected to the acquisition module 1 for normalizing the attribute data of the credit card user, and classifying all the samples of the normalized user attribute data into a training sample set. And test sample sets.
  • each attribute value is limited to [-1, 1].
  • the BP neural network structure is determined according to the input and output dimensions of the training sample, and the weight, threshold, learning precision, maximum iteration number, and learning rate of the BP neural network are initialized.
  • the maximum number of iterations is 50.
  • the input of each sample is 23 dimensions, respectively representing each credit evaluation index; the output is 1 dimension, indicating the prediction result of the individual default situation.
  • the training module 4 is connected to the normalization module 2 and the initialization module 3 for training the BP neural network weak classifier f t with m training samples at the tth iteration.
  • Prediction error calculation module 5 is connected with the training module 4, for predicting the sequence g t obtained by the neural network BP weak classifier f t prediction training samples, and calculates a prediction error
  • i is the training sample number corresponding to g t (x i ) ⁇ y i
  • x i is the ith sample point of m training samples
  • g t (x i ) is the BP neural network weak classifier f t pair
  • y i is the expected classification result of the BP neural network weak classifier f t to the sample point x i .
  • Weight calculation module 6 is connected to the prediction error calculation module 5 for calculating the prediction based on the prediction error e t and the predicted sequence of the heavy weights of the sequence
  • the distribution weight calculation module 7 is connected to the weight calculation module 6 for adjusting the distribution weight of the next training sample according to the weight a t of the prediction sequence.
  • B t is a normalization factor
  • the purpose is to make the distribution weight sum 1 as the weight ratio is constant.
  • the iterative module 8 is connected to the training module 4, the prediction error and calculation module 5, the weight calculation module 6 and the distribution weight calculation module 7, for iteratively training the BP neural network weak classifier with m training samples, and iterative T times to obtain T BP neural network weak classifier; T is a custom parameter.
  • T is set to 10 in the present invention.
  • the prediction module 9 is connected to the iterative module 8 for obtaining a strong classifier according to the T weak classifiers That is, the BP_Adaboost model for credit card user default prediction, to predict whether it will default according to the credit card user's attribute data.
  • a detection module is further configured to: after training the Adaboost mathematical model based on the neural network as a weak classifier, input the samples in the test sample set to detect the performance of the BP_Adaboost model for credit card user default prediction. Specifically, the prediction model is detected by a comparison experiment with other model F values and ROC.
  • the BP_Adaboost model for credit card user default prediction is input, and the default prediction result of the credit card users can be obtained, and the future default of the customer is predicted.
  • the BP_Adaboost model based credit card user default prediction method and system based on the BP algorithm and the Adaboosting algorithm perform data analysis and training according to the historical credit information of the bank credit card user, and establish a BP_AdaBoost model, thereby based on the new credit card.
  • BP_Adaboost model has very much on unbalanced data sets Good processing power, further improve the generalization ability of the neural network, and improve the accuracy of credit card user default prediction. Therefore, the present invention effectively overcomes various shortcomings in the prior art and has high industrial utilization value.

Landscapes

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

Abstract

一种基于BP_Adaboost模型的信用卡用户违约的预测方法及系统，包括获取信用卡用户的属性数据，并进行归一化处理，得到训练样本集和测试样本集；初始化训练样本的分布权值，确定BP神经网络结构，初始化BP神经网络的参数；利用训练样本，训练T个BP神经网络弱分类器；根据T个弱分类器得到强分类器，即用于信用卡用户违约预测的BP_Adaboost模型，以根据信用卡用户的属性数据预测是否会违约。基于BP_Adaboost模型的信用卡用户违约的预测方法及系统根据银行信用卡用户的历史信用信息进行数据分析、训练，建立BP_AdaBoost模型，提升了信用卡用户违约预测的准确度。

Description

基于BP_Adaboost模型的信用卡用户违约的预测方法及系统 技术领域
本发明涉及一种预测方法及系统，特别是涉及一种基于BP_Adaboost模型的信用卡用户违约的预测方法及系统。
背景技术
随着金融业、银行业的发展，信用卡的使用也越来越广泛，给消费者的生活带来了很多便利。然而，信用卡的不安全因素也暴露无遗，例如，很多信用卡发行银行为了增加市场份额，超额发行现金和信用卡给不合格的申请者。同时，大多数的信用卡持有者不考虑其偿还能力，在消费上过度使用信用卡，积累了大量的信用卡债务，给发卡银行造成了巨大的损失。
信用卡违约风险是由持卡人做出部分或全部支付的承诺时潜在的支付失败驱动的，它在持卡人在还款期限内出现资金紧张或不愿意偿还时发生。在一个健全的财务系统中，风险管理是在下游，而风险预测是在上游。风险预测的主要目的是利用企业绩效或者个人客户的信用风险，来降低风险和不确定性，因而具有很大的现实意义和价值。
目前，对于违约风险，银行往往是利用传统的“评分系统”或者所谓“专家评分”来确定申请者风险水平。具体地，对信用卡持有人的信息数据进行评分，对不同的属性如年龄、职业、学历、收入及其在外部征信系统中的信用历史记录信息，根据其在违约预测方面的重要程度不同，予以不同的分值，以评分结果来预测持卡人在未来一定时期内用卡发生违约拖欠的概率。这种传统的评分方法，因为人的参与程度很大，所以具有很大的随意性和不稳定性。
数据挖掘作为一种发现驱动型的知识发现技术，主要针对非常大型的数据进行研究和分析，采用自动或半自动的程序找出先前未知的、有趣的、可理解的隐含信息。利用数据挖掘方法，银行可以方便地部署一个预测模型，快速而有效地分析大量信用卡持有者的违约状况，已成为信用卡分析的重要工具。
为了降低信用评价中的主观因素影响和反映信用的动态变化，判别分析、逻辑回归、分类树和神经网络法等方法逐渐被应用到信用评价领域，对信用卡用户的违约行为进行预测。
判别分析(Discriminant analysis，DA)又称分辨法，是在分类确定的条件下，根据某一研究对象的各种特征值判别其类型归属问题的一种多变量统计分析方法。判别分析的基本原理是按照一定的判别准则，建立一个或多个判别函数，用研究对象的大量资料确定判别函数中的待定系数，并计算判别指标，据此即可预测某一客户样本属于“好”客户还是违约用户。
逻辑回归(Logistic regression LR)可以被看作是线性回归模型的一种特例。该方法能产生一个简单的分类概率公式，判断样本属于各个类别的概率，但其缺点在于不能很好的处理非线性问题以及解释变量之间的交互性影响。
分类树方法(Classification Trees，CTs)是一种非参数统计方法，利用这种方法建立的信用卡违约预测模型并不是生成一个线性的评分表，其基本思想是按照某个特征变量的取值将客户总体分成两个子组，使得在不同组之间客户的违约概率差距尽量地大，而同一组内客户的违约概率尽量一致，然后再对这些子组进行而划分，达到一定的要求前，一直不断的重复这一过程，最后终止。整个过程可以用一个树状结构来表示，按照一定的规则，将每个根节点划分为“好”客户或“违约”客户。
人工神经网络具备其他很多数据挖掘方法不具备的优势，因其非线性假设、泛化能力和映射能力等，在很多领域都得到了应用。其中BP(Back Propagation，反向传播)神经网络的应用最为广泛。BP网络是1986年由Rinehart和McClelland为首的科学家小组提出，是一种按误差逆传播算法训练的多层前馈网络，它具有强大并行处理机制，高度自学习、自适应能力。而且BP神经网络算法非常的灵活，因为其内部的很多参数都是可以调节的。BP神经网络算法的主要设计思想是：首先输入信号通过隐藏层和输出层节点的处理计算，得到网络的实际输出，随后将其与期望得到的输出相比较，并计算实际输出与期望输出的误差；然后将误差作为修改权值的依据反向传播至输入层。这一过程中，计算输出层、隐藏层的权值、阈值增益，并更新权值、阈值，反复这一过程，直到实际输出与期望输出的误差达到预先设定的误差收敛标准或者达到最高迭代次数，从而获得最终的网络权值，构建信用卡违约预测模型，对样本进行预测。
上述方法在信用卡违约预测方面，都能实现一定的准确率，但都忽略了信用卡数据的不均衡性，也就是违约客户的样本与诚实客户的样本数目相差太大的问题。
Boosting是一种提高任意给定学习算法准确度的方法，其思想起源于Valiant提出的PAC(Probably Approximately Correct)学习模型。1995年，Freund和Schapire改进了Boosting算法，提出了AdaBoost(Adaptive Boosting)算法，Adaboost算法的核心思想是针对同一个训练集训练不同的分类器(弱分类器)，然后把这些弱分类器集合起来，构成一个更强的最终分类器(强分类器)。因此，Adaboost算法对不平衡数据集有着很好的鲁棒性，同时可以加强分类效果，进一步提高神经网络的泛化能力。该算法效率和Freund于1991年提出的Boosting算法几乎相同，但不需要任何关于弱学习器的先验知识，因而更容易应用到实际问题当中。使用Adaboost分类器可以排除一些不必要的训练数据特征，并将重点放在关键的训 练数据上面。在产生单个的基分类器时可用相同的分类算法，也可用不同的分类算法。这些算法一般是不稳定的弱分类算法，如BP算法。
因此，如何结合BP算法和Adaboosting算法来对信用卡用户进行违约预测成为一个极具前景的课题。
发明内容
鉴于以上所述现有技术的缺点，本发明的目的在于提供一种基于BP_Adaboost模型的信用卡用户违约的预测方法及系统，基于BP算法和Adaboosting算法，根据银行信用卡用户的历史信用信息进行数据分析、训练，建立BP_AdaBoost模型，从而实现对新的信用卡用户是否会违约的预测。
为实现上述目的及其他相关目的，本发明提供一种基于BP_Adaboost模型的信用卡用户违约的预测方法，包括以下步骤：获取信用卡用户的属性数据，所述信用卡用户的属性为信用卡用户的信用评价指标；对信用卡用户的属性数据进行归一化处理，并将归一化后的每个用户的属性数据作为一个样本，将所有样本分为训练样本集和测试样本集；初始化训练样本的分布权值D1(i)＝1/m，m为训练样本总数，i＝1，2...m表示训练样本序号，根据训练样本输入、输出维数确定BP神经网络结构，初始化BP神经网络的权值、阈值、学习精度、最大迭代次数、学习率；第t次迭代时，利用m个训练样本训练BP神经网络弱分类器ft；根据BP神经网络弱分类器ft预测训练样本得到的预测序列gt，计算预测误差和
Figure PCTCN2017093803-appb-000001
其中i为gt(xi)≠yi时所对应的训练样本序号，xi为m个训练样本中第i个样本点；gt(xi)为BP神经网络弱分类器ft对样本点xi的预测分类结果；yi为BP神经网络弱分类器ft对样本点xi的期望分类结果；根据预测序列的预测误差和et计算预测序列的权重
Figure PCTCN2017093803-appb-000002
根据预测序列的权重at调整下一轮训练样本的分布权值为
Figure PCTCN2017093803-appb-000003
Figure PCTCN2017093803-appb-000004
其中Bt是归一化因子；利用m个训练样本迭代训练BP神经网络弱分类器，迭代T次后得到T个BP神经网络弱分类器；T为自定义参数；根据T个弱分类器得到强分类器
Figure PCTCN2017093803-appb-000005
即用于信用卡用户违约预测的BP_Adaboost模型，以根据信用卡用户的属性数据预测是否会违约。
于本发明一实施例中，所述信用卡用户的属性包括个人信贷额度、性别、教育程度、婚 姻状况、年龄、近几个月的偿还记录、近几个月的账单金额和近几个月的实际还款金额。
于本发明一实施例中，对信用卡用户的属性数据进行归一化处理时，采用如下公式：
Figure PCTCN2017093803-appb-000006
其中i＝1，2，3，...m；j＝1，2，3，...n；m为样本总数，n为属性个数；xij′表示归一化后第i个样本的第j个属性值，xij表示第i个样本的第j个属性值；max(j)表示m个样本中第j个属性的最大值，max(i)表示m个样本中第i个样本的最大值；min(j)表示m个样本中第j个属性的最小值，min(i)表示m个样本中第i个样本的最小值。
于本发明一实施例中，还包括利用测试样本，检测所述用于信用卡用户违约预测的BP_Adaboost模型的性能。
于本发明一实施例中，所述最大迭代次数为50次，T取值为10。
同时，本发明还提供一种基于BP_Adaboost模型的信用卡用户违约的预测系统，包括获取模块、归一化模块、初始化模块、训练模块、预测误差和计算模块、权重计算模块、分布权值计算模块、迭代模块和预测模块；
所述获取模块用于获取信用卡用户的属性数据，所述信用卡用户的属性为信用卡用户的信用评价指标；
所述归一化模块用于对信用卡用户的属性数据进行归一化处理，并将归一化后的每个用户的属性数据作为一个样本，将所有样本分为训练样本集和测试样本集；
所述初始化模块用于初始化训练样本的分布权值D1(i)＝1/m，m为训练样本总数，i＝1，2...m表示训练样本序号，根据训练样本输入、输出维数确定BP神经网络结构，初始化BP神经网络的权值、阈值、学习精度、最大迭代次数、学习率；
所述训练模块用于在第t次迭代时，利用m个训练样本训练BP神经网络弱分类器ft；
所述预测误差和计算模块用于根据BP神经网络弱分类器ft预测训练样本得到的预测序列gt，计算预测误差和
Figure PCTCN2017093803-appb-000007
其中i为gt(xi)≠yi时所对应的训练样本序号，xi为m个训练样本中第i个样本点；gt(xi)为BP神经网络弱分类器ft对样本点xi的预测分类结果；yi为BP神经网络弱分类器ft对样本点xi的期望分类结果；
所述权重计算模块用于根据预测序列的预测误差和et计算预测序列的权重
Figure PCTCN2017093803-appb-000008
所述分布权值计算模块用于根据预测序列的权重at调整下一轮训练样本的分布权值为
Figure PCTCN2017093803-appb-000009
其中Bt是归一化因子；
所述迭代模块用于利用m个训练样本迭代训练BP神经网络弱分类器，迭代T次后得到T个BP神经网络弱分类器；T为自定义参数；
所述预测模块用于根据T个弱分类器得到强分类器
Figure PCTCN2017093803-appb-000010
即用于信用卡用户违约预测的BP_Adaboost模型，以根据信用卡用户的属性数据预测是否会违约。
于本发明一实施例中，所述信用卡用户的属性包括个人信贷额度、性别、教育程度、婚姻状况、年龄、近几个月的偿还记录、近几个月的账单金额和近几个月的实际还款金额。
于本发明一实施例中，所述归一化模块对信用卡用户的属性数据进行归一化处理时，采用如下公式：
Figure PCTCN2017093803-appb-000011
其中i＝1，2，3，...m；j＝1，2，3，...n；m为样本总数，n为属性个数；xij′表示归一化后第i个样本的第j个属性值，xij表示第i个样本的第j个属性值；max(j)表示m个样本中第j个属性的最大值，max(i)表示m个样本中第i个样本的最大值；min(j)表示m个样本中第j个属性的最小值，min(i)表示m个样本中第i个样本的最小值。
于本发明一实施例中，还包括检测模块，用于利用测试样本，检测所述用于信用卡用户违约预测的BP_Adaboost模型的性能。
于本发明一实施例中，所述最大迭代次数为50次，T取值为10。
如上所述，本发明的基于BP_Adaboost模型的信用卡用户违约的预测方法及系统，具有以下有益效果：
(1)基于BP算法和Adaboosting算法，根据银行信用卡用户的历史信用信息进行数据分析、训练，建立BP_AdaBoost模型，从而根据新的信用卡用户的相关信用指标，对其是否违约进行预测与判定；
(2)节省了银行人员的大量决策时间、并可辅助其做出最佳决策，从而有效地规避相关风险；
(3)BP_Adaboost模型对不平衡数据集有很好的处理能力，进一步提高神经网络的泛化能力，提升了信用卡用户违约预测的准确度。
附图说明
图1显示为单隐藏层BP神经网络模型的结构示意图；
图2显示为本发明的基于BP_Adaboost模型的信用卡用户违约的预测方法的流程图；
图3显示为本发明的基于BP_Adaboost模型的信用卡用户违约的预测方法的一个实施例中实验结果的ROC曲线示意图；
图4显示为本发明的基于BP_Adaboost模型的信用卡用户违约的预测系统的结构示意图。
元件标号说明
1    获取模块
2    归一化模块
3    初始化模块
4    训练模块
5    预测误差和计算模块
6    权重计算模块
7    分布权值计算模块
8    迭代模块
9    预测模块
具体实施方式
以下通过特定的具体实例说明本发明的实施方式，本领域技术人员可由本说明书所揭露的内容轻易地了解本发明的其他优点与功效。本发明还可以通过另外不同的具体实施方式加以实施或应用，本说明书中的各项细节也可以基于不同观点与应用，在没有背离本发明的精神下进行各种修饰或改变。需说明的是，在不冲突的情况下，以下实施例及实施例中的特征可以相互组合。
需要说明的是，以下实施例中所提供的图示仅以示意方式说明本发明的基本构想，遂图式中仅显示与本发明中有关的组件而非按照实际实施时的组件数目、形状及尺寸绘制，其实际实施时各组件的型态、数量及比例可为一种随意的改变，且其组件布局型态也可能更为复杂。
如图1所示，BP神经网络由输入层(I)、隐层(H)和输出层(O)组成。其中，X、Z分别表示网络的输入、输出，每一神经元用一个节点表示。
BP算法由信息的正向传递与误差的反向传播组成。信息的正向传递过程中，输入信息从输入层经隐含层逐层计算传向输出层，每一层神经元的状态只影响下一层神经元的状态。如果在输出层没有得到期望输出，则计算输出层的误差变化值，然后转向反向传播，通过网络将误差信号沿原来的连接通路反传回来修改各神经元的权值直至达到期望输出。神经网络理论已经证明BP神经网络具有强大的非线性映射能力和泛化功能，任一连续函数或映射均可采用三层网络加以实现。
BP学习算法的具体过程如下：
a)确定BP神经网络的架构，即确定输入层节点的个数、输出层节点的个数，以及隐藏层的层数和每层的节点个数。
其中，输入层节点的个数由样本属性的维度决定。输出层节点的个数由样本分类个数决定。隐藏层的层数和每层的节点个数由用户自定义。如图2中隐藏层数目为1，为单隐层。
1989年Robert Hecht-Nielsen证明了对于任何闭区间内的一个连续函数都可以用一个隐含层的BP网络来逼近，这就是万能逼近定理。所以一个三层的BP神经网络就可以完成任意的m维到n维的映射。其中，隐藏层节点数是影响神经网络性能的重要参数之一。隐藏层节点数少，那么网络则不能充分反映输入节点与输出节点之间的复杂函数关系；但隐藏层节点数过多时，又会出现过拟合现象。通过经验公式
Figure PCTCN2017093803-appb-000012
可以确定隐藏层节点数目。其中h为隐藏层节点数目，m为输入层节点数目，n为输出层节点数目，a为1-10之间的调节常数。
经过多次实验结果表明：当隐藏层节点数为9时，BP神经网络的性能较好。
b)对BP神经网络中的参数进行初始化。
权值wij表示前一层节点和后一层节点之间的权值，初始为[-1，1]的随机值。阈值θj用来改变节点的活性，初始为[0，1]随机值，前层节点至后层节点之间通过权值系数相连接。
c)正向传递
设节点i和节点j间的权值为wij，节点j的阀值为bj，每个节点的输出值为xj，而每个节点的输出值是根据上层所有节点的输出值、当前节点与上一层所有节点的权值和当前节点的阀值还有激活函数来实现的。
节点的输出值的计算方法如下：
隐藏层和输出层的输入表示为
Figure PCTCN2017093803-appb-000013
其中，Oi是上一层的单元i的输出；θj表示单元j的阈值。
神经元的输出是经由激活函数计算得到的，激活函数一般使用simoid函数。故输出表示 为
Figure PCTCN2017093803-appb-000014
故正向传递的过程比较简单，按照上述公式计算即可。在BP神经网络中，输入层节点没有阀值。
d)逆向反馈
BP神经网络的输出层的误差公式为Errj＝Oj(1-Oj)(Tj-Oj)。其中，Oj是节点j的实际输出，而Tj是节点j基于给定训练样本的已知类标号的真正输出。
隐藏层的每个节点的误差公式为Errj＝Oj(1-Oj)∑kErrk·wkj。其中，wkj是由下一较高层中节点k到节点j的连接权值，而Errk是节点k的误差。
在使误差不断减小的原则下，将输出层和隐藏层的误差公式依次展开至隐藏层和输入层，应使权值的调整量与误差的负梯度成正比。网络中每个权值、阈值的增量分别为Δwij＝(l)ErrjOj和Δθj＝(l)Errj，则分别更新权值、阈值为wij＝wij+Δwij和θj＝θj+Δθj。其中，l代表学习率，增量公式表示学习率乘以后面两个参数。
学习率也是BP网络训练中的一个重要参数，学习率过小，则收敛过慢；学习率过大，则可能修正过头，导致振荡甚至发散。经过多次实验，当BP神经网络的学习率设置为0.00004时，样本预测的正确率最高，少数类的F值最大。
至此完成一次了对权值、阈值的修正，在不满足算法终止条件，即算法误差达到预设精度或学习次数达到设定的最大次数之前，不断的进行正向与反向传播。
因此，BP神经网络的学习训练过程如下：
(1)初始化BP神经网络，对网络参数及各权值系数、阈值进行赋值，设定学习精度、最大迭代次数、学习率等。
(2)向前传播，输入训练样本，计算输出层的实际值，并与期望值相比较，计算出网络的输出误差。
(3)依据误差反向传播规则，调整隐藏层之间以及隐藏层与输入层之间的权值系数、节点的阈值。
(4)重复步骤(2)和(3)，直至预测误差满足预设学习精度或学习次数达到设定的最大迭代次数。
本发明将BP算法与Adboost算法结合，即通过BP_Adaboost模型预测信用卡用户是否违约。
参照图2，本发明的基于BP_Adaboost模型的信用卡用户违约的预测方法包括以下步骤：
步骤S1、获取信用卡用户的属性数据，其中信用卡用户的属性为信用卡用户的信用评价指标。
具体地，信用卡用户的信用评价指标构成信用卡用户的评价指标体系。为了尽量准确地对信用卡违约状况进行预测，该评价指标体系要全面、真实的反映信用卡持有者的信用状况。
其中，每个信用评价指标作为信用卡用户的一个属性。在本发明中，信用卡用户的属性包括个人信贷额度、性别、教育程度、婚姻状况、年龄、近几个月的偿还记录、近几个月的账单金额和近几个月的实际还款金额等23项。其中，优选为近6个月的偿还记录、近6个月的账单金额和近6个月的实际还款金额。
具体地，可以从网址http：//archive.ics.uci.edu/ml/下载信用卡用户的属性数据。
步骤S2、对信用卡用户的属性数据进行归一化处理，并将归一化后的每个用户的属性数据作为一个样本，将所有样本分为训练样本集和测试样本集。
由于某些属性值如个人信贷额度、账单金额等的数值差别太大，影响分类效果，故需要对属性数据进行[-1，1]的归一化处理。
具体地，对信用卡用户的属性数据进行归一化处理时，采用如下公式：
Figure PCTCN2017093803-appb-000015
其中i＝1，2，3，...m；j＝1，2，3，...n；m为样本总数，n为属性个数；xij′表示归一化后第i个样本的第j个属性值，xij表示第i个样本的第j个属性值；max(j)表示m个样本中第j个属性的最大值，max(i)表示m个样本中第i个样本的最大值；min(j)表示m个样本中第j个属性的最小值，min(i)表示m个样本中第i个样本的最小值。
经过上述归一化处理，每个属性值都限制在[-1，1]之间。
步骤S3、初始化训练样本的分布权值D1(i)＝1/m，m为训练样本总数，i＝1，2...m表示训练样本序号，根据训练样本输入、输出维数确定BP神经网络结构，初始化BP神经网络的权值、阈值、学习精度、最大迭代次数、学习率。
优选地，最大迭代次数为50。
在本发明中，每个样本的输入为23维，分别表示每个信用评价指标；输出为1维，表示个人违约状况预测结果。
步骤S4、第t次迭代时，利用m个训练样本训练BP神经网络弱分类器ft。
步骤S5、根据BP神经网络弱分类器ft预测训练样本得到的预测序列gt，计算预测误差 和
Figure PCTCN2017093803-appb-000016
其中i为gt(xi)≠yi时所对应的训练样本序号，xi为m个训练样本中第i个样本点；gt(xi)为BP神经网络弱分类器ft对样本点xi的预测分类结果；yi为BP神经网络弱分类器ft对样本点xi的期望分类结果。
步骤S6、根据预测序列的预测误差和et计算预测序列的权重
Figure PCTCN2017093803-appb-000017
步骤S7、根据预测序列的权重at调整下一轮训练样本的分布权值为
Figure PCTCN2017093803-appb-000018
其中Bt是归一化因子，目的是在权重比例不变的情况下使分布权值和为1。
步骤S8、利用m个训练样本迭代训练BP神经网络弱分类器，迭代T次后得到T个BP神经网络弱分类器；T为自定义参数。
优选地，本发明中T设置为10。
步骤S9、根据T个弱分类器得到强分类器
Figure PCTCN2017093803-appb-000019
即用于信用卡用户违约预测的BP_Adaboost模型，以根据信用卡用户的属性数据预测是否会违约。
优选地，在训练基于神经网络为弱分类器的Adaboost数学模型后，还包括输入测试样本集中的样本，检测该用于信用卡用户违约预测的BP_Adaboost模型的性能。具体地，通过与其他模型F值、ROC的对比实验来检测预测模型。
当有新的银行信用卡用户数据时，将数据进行归一化处理后，输入用于信用卡用户违约预测的BP_Adaboost模型，即可得到这部分信用卡用户的违约预测结果，预测客户未来的违约情况。
下面结合具体实施例来进一步阐述本发明的基于BP_Adaboost模型的信用卡用户违约的预测方法。
利用台湾某银行的信用卡交易数据为研究对象，共30000条记录，其中6636条违约记录，23364条诚实记录，每条记录包括23个解释变量，1个反映变量(违约与否)。信用卡用户的属性数据如表1所示。
表1、信用卡用户的属性数据表
Figure PCTCN2017093803-appb-000020
Figure PCTCN2017093803-appb-000021
该实施例中训练样本集和测试样本集的分布情况如表2所示。
表2、信用卡用户的样本集组成
样本集 样本总数 训练样本 测试样本
下个月违约 6636 5370 1266
下个月不违约 23364 18630 4734
在该实施例中，于BP_Adaboost模型的信用卡用户违约的预测方法包括以下步骤：
1)通过观察样本属性值可知，样本中某些属性，如信贷额度、账单金额等，数值差别太大，影响分类效果，故先对其进行[-1，1]的归一化处理。
2)建立基于BP神经网络为弱分类器的Adaboost数学模型，得到用于信用卡用户违约预测的BP_Adaboost模型。
如上所述，共有30000组客户信用状况数据，每组数据的输入为23维，分别代表表1中列出的前23个指标；输出为1维，代表个人违约状况预测结果。从中随机选取24000组数据作为训练数据，6000组数据作为测试数据。
3)输入6000个测试样本得到测试样本的分类结果，验证所得用于信用卡用户违约预测的BP_Adaboost模型的性能。
实验结果的受试者工作特征曲线(Rreceiver Operating Characteristic curve，ROC)如图3所示。
参照图4，本发明的基于BP_Adaboost模型的信用卡用户违约的预测系统包括获取模块1、归一化模块2、初始化模块3、训练模块4、预测误差和计算模块5、权重计算模块6、分布权值计算模块7、迭代模块8和预测模块9。
获取模块1用于获取信用卡用户的属性数据，其中信用卡用户的属性为信用卡用户的信用评价指标。
具体地，信用卡用户的信用评价指标构成信用卡用户的评价指标体系。为了尽量准确地对信用卡违约状况进行预测，该评价指标体系要全面、真实的反映信用卡持有者的信用状况。
其中，每个信用评价指标作为信用卡用户的一个属性。在本发明中，信用卡用户的属性包括个人信贷额度、性别、教育程度、婚姻状况、年龄、近几个月的偿还记录、近几个月的账单金额和近几个月的实际还款金额等23项。其中，优选为近6个月的偿还记录、近6个月的账单金额和近6个月的实际还款金额。
具体地，可以从网址http：//archive.ics.uci.edu/ml/下载信用卡用户的属性数据。
归一化模块2与获取模块1相连，用于对信用卡用户的属性数据进行归一化处理，并将归一化后的每个用户的属性数据作为一个样本，将所有样本分为训练样本集和测试样本集。
由于某些属性值如个人信贷额度、账单金额等的数值差别太大，影响分类效果，故需要对属性数据进行[-1，1]的归一化处理。
具体地，对信用卡用户的属性数据进行归一化处理时，采用如下公式：
Figure PCTCN2017093803-appb-000022
其中i＝1，2，3，...m；j＝1，2，3，...n；m为样本总数，n为属性个数；xij′表示归一化后第i个样本的第j个属性值，xij表示第i个样本的第j个属性值；max(j)表示m个样本中第j个属性的最大值，max(i)表示m个样本中第i个样本的最大值；min(j)表示m个样本中第j个属性的最小值，min(i)表示m个样本中第i个样本的最小值。
经过上述归一化处理，每个属性值都限制在[-1，1]之间。
初始化模块3与归一化模块2相连，用于初始化训练样本的分布权值D1(i)＝1/m，m为训练样本总数，i＝1，2...m表示训练样本序号，根据训练样本输入、输出维数确定BP神经网络结构，初始化BP神经网络的权值、阈值、学习精度、最大迭代次数、学习率。
优选地，最大迭代次数为50。
在本发明中，每个样本的输入为23维，分别表示每个信用评价指标；输出为1维，表示个人违约状况预测结果。
训练模块4与归一化模块2和初始化模块3相连，用于在第t次迭代时，利用m个训练样本训练BP神经网络弱分类器ft。
预测误差和计算模块5与训练模块4相连，用于根据BP神经网络弱分类器ft预测训练样本得到的预测序列gt，计算预测误差和
Figure PCTCN2017093803-appb-000023
其中i为gt(xi)≠yi时所对应的训练样本序号，xi为m个训练样本中第i个样本点；gt(xi)为BP神经网络弱分类器ft对样本点xi的预测分类结果；yi为BP神经网络弱分类器ft对样本点xi的期望分类结果。
权重计算模块6与预测误差和计算模块5相连，用于根据预测序列的预测误差和et计算预测序列的权重
Figure PCTCN2017093803-appb-000024
分布权值计算模块7与权重计算模块6相连，用于根据预测序列的权重at调整下一轮训练样本的分布权值为
Figure PCTCN2017093803-appb-000025
其中Bt是归一化因子，目的是在权重比例不变的情况下使分布权值和为1。
迭代模块8与训练模块4、预测误差和计算模块5、权重计算模块6和分布权值计算模块7相连，用于利用m个训练样本迭代训练BP神经网络弱分类器，迭代T次后得到T个BP神经网络弱分类器；T为自定义参数。
优选地，本发明中T设置为10。
预测模块9与迭代模块8相连，用于根据T个弱分类器得到强分类器
Figure PCTCN2017093803-appb-000026
即用于信用卡用户违约预测的BP_Adaboost模型，以根据信用卡用户的属性数据预测是否会违约。
优选地，还包括检测模块，用于在训练基于神经网络为弱分类器的Adaboost数学模型后，输入测试样本集中的样本，检测该用于信用卡用户违约预测的BP_Adaboost模型的性能。具体地，通过与其他模型F值、ROC的对比实验来检测预测模型。
当有新的银行信用卡用户数据时，将数据进行归一化处理后，输入用于信用卡用户违约预测的BP_Adaboost模型，即可得到这部分信用卡用户的违约预测结果，预测客户未来的违约情况。
综上所述，本发明的基于BP_Adaboost模型的信用卡用户违约的预测方法及系统基于BP算法和Adaboosting算法，根据银行信用卡用户的历史信用信息进行数据分析、训练，建立BP_AdaBoost模型，从而根据新的信用卡用户的相关信用指标，对其是否违约进行预测与判定；节省了银行人员的大量决策时间、并可辅助其做出最佳决策，从而有效地规避相关风险；BP_Adaboost模型对不平衡数据集有很好的处理能力，进一步提高神经网络的泛化能力，提升了信用卡用户违约预测的准确度。所以，本发明有效克服了现有技术中的种种缺点而具高度产业利用价值。
上述实施例仅例示性说明本发明的原理及其功效，而非用于限制本发明。任何熟悉此技术的人士皆可在不违背本发明的精神及范畴下，对上述实施例进行修饰或改变。因此，举凡所属技术领域中具有通常知识者在未脱离本发明所揭示的精神与技术思想下所完成的一切等效修饰或改变，仍应由本发明的权利要求所涵盖。

Claims (10)

  1. 一种基于BP_Adaboost模型的信用卡用户违约的预测方法，其特征在于：包括以下步骤：
    获取信用卡用户的属性数据，所述信用卡用户的属性为信用卡用户的信用评价指标；
    对信用卡用户的属性数据进行归一化处理，并将归一化后的每个用户的属性数据作为一个样本，将所有样本分为训练样本集和测试样本集；
    初始化训练样本的分布权值D1(i)＝1/m，m为训练样本总数，i＝1，2...m表示训练样本序号，根据训练样本输入、输出维数确定BP神经网络结构，初始化BP神经网络的权值、阈值、学习精度、最大迭代次数、学习率；
    第t次迭代时，利用m个训练样本训练BP神经网络弱分类器ft；
    根据BP神经网络弱分类器ft预测训练样本得到的预测序列gt，计算预测误差和
    Figure PCTCN2017093803-appb-100001
    其中i为gt(xi)≠yi时所对应的训练样本序号，xi为m个训练样本中第i个样本点；gt(xi)为BP神经网络弱分类器ft对样本点xi的预测分类结果；yi为BP神经网络弱分类器ft对样本点xi的期望分类结果；
    根据预测序列的预测误差和et计算预测序列的权重
    Figure PCTCN2017093803-appb-100002
    根据预测序列的权重at调整下一轮训练样本的分布权值为
    Figure PCTCN2017093803-appb-100003
    i＝1，2...m，其中Bt是归一化因子；
    利用m个训练样本迭代训练BP神经网络弱分类器，迭代T次后得到T个BP神经网络弱分类器；T为自定义参数；
    根据T个弱分类器得到强分类器
    Figure PCTCN2017093803-appb-100004
    即用于信用卡用户违约预测的BP_Adaboost模型，以根据信用卡用户的属性数据预测是否会违约。
  2. 根据权利要求1所述的基于BP_Adaboost模型的信用卡用户违约的预测方法，其特征在于：所述信用卡用户的属性包括个人信贷额度、性别、教育程度、婚姻状况、年龄、近几个月的偿还记录、近几个月的账单金额和近几个月的实际还款金额。
  3. 根据权利要求1所述的基于BP_Adaboost模型的信用卡用户违约的预测方法，其特征在于：对信用卡用户的属性数据进行归一化处理时，采用如下公式：
    Figure PCTCN2017093803-appb-100005
    其中i＝1，2，3，...m；j＝1，2，3，...n；m为样本总数，n为属性个数；xij′表示归一化后第i个样本的第j个属性值，xij表示第i个样本的第j个属性值；max(j)表示m个样本中第j个属性的最大值，max(i)表示m个样本中第i个样本的最大值；min(j)表示m个样本中第j个属性的最小值，min(i)表示m个样本中第i个样本的最小值。
  4. 根据权利要求1所述的基于BP_Adaboost模型的信用卡用户违约的预测方法，其特征在于：还包括利用测试样本，检测所述用于信用卡用户违约预测的BP_Adaboost模型的性能。
  5. 根据权利要求1所述的基于BP_Adaboost模型的信用卡用户违约的预测方法，其特征在于：所述最大迭代次数为50次，T取值为10。
  6. 一种基于BP_Adaboost模型的信用卡用户违约的预测系统，其特征在于：包括获取模块、归一化模块、初始化模块、训练模块、预测误差和计算模块、权重计算模块、分布权值计算模块、迭代模块和预测模块；
    所述获取模块用于获取信用卡用户的属性数据，所述信用卡用户的属性为信用卡用户的信用评价指标；
    所述归一化模块用于对信用卡用户的属性数据进行归一化处理，并将归一化后的每个用户的属性数据作为一个样本，将所有样本分为训练样本集和测试样本集；
    所述初始化模块用于初始化训练样本的分布权值D1(i)＝1/m，m为训练样本总数，i＝1，2...m表示训练样本序号，根据训练样本输入、输出维数确定BP神经网络结构，初始化BP神经网络的权值、阈值、学习精度、最大迭代次数、学习率；
    所述训练模块用于在第t次迭代时，利用m个训练样本训练BP神经网络弱分类器ft；
    所述预测误差和计算模块用于根据BP神经网络弱分类器ft预测训练样本得到的预测序列gt，计算预测误差和
    Figure PCTCN2017093803-appb-100006
    其中i为gt(xi)≠yi时所对应的训练样本序号，xi为m个训练样本中第i个样本点；gt(xi)为BP神经网络弱分类器ft对样本点xi的预测分类结果；yi为BP神经网络弱分类器ft对样本点xi的期望分类结果；
    所述权重计算模块用于根据预测序列的预测误差和et计算预测序列的权重
    Figure PCTCN2017093803-appb-100007
    所述分布权值计算模块用于根据预测序列的权重at调整下一轮训练样本的分布权值为
    Figure PCTCN2017093803-appb-100008
    i＝1，2...m，其中Bt是归一化因子；
    所述迭代模块用于利用m个训练样本迭代训练BP神经网络弱分类器，迭代T次后得到T个BP神经网络弱分类器；T为自定义参数；
    所述预测模块用于根据T个弱分类器得到强分类器
    Figure PCTCN2017093803-appb-100009
    即用于信用卡用户违约预测的BP_Adaboost模型，以根据信用卡用户的属性数据预测是否会违约。
  7. 根据权利要求6所述的基于BP_Adaboost模型的信用卡用户违约的预测系统，其特征在于：所述信用卡用户的属性包括个人信贷额度、性别、教育程度、婚姻状况、年龄、近几个月的偿还记录、近几个月的账单金额和近几个月的实际还款金额。
  8. 根据权利要求6所述的基于BP_Adaboost模型的信用卡用户违约的预测系统，其特征在于：所述归一化模块对信用卡用户的属性数据进行归一化处理时，采用如下公式：
    Figure PCTCN2017093803-appb-100010
    其中i＝1，2，3，...m；j＝1，2，3，...n；m为样本总数，n为属性个数；xij′表示归一化后第i个样本的第j个属性值，xij表示第i个样本的第j个属性值；max(j)表示m个样本中第j个属性的最大值，max(i)表示m个样本中第i个样本的最大值；min(j)表示m个样本中第j个属性的最小值，min(i)表示m个样本中第i个样本的最小值。
  9. 根据权利要求6所述的基于BP_Adaboost模型的信用卡用户违约的预测系统，其特征在于：还包括检测模块，用于利用测试样本，检测所述用于信用卡用户违约预测的BP_Adaboost模型的性能。
  10. 根据权利要求6所述的基于BP_Adaboost模型的信用卡用户违约的预测系统，其特征在于：所述最大迭代次数为50次，T取值为10。
PCT/CN2017/093803 2016-11-18 2017-07-21 基于BP_Adaboost模型的信用卡用户违约的预测方法及系统 Ceased WO2018090657A1 (zh)

Applications Claiming Priority (2)

Application Number Priority Date Filing Date Title
CN2016110240477 2016-11-18
CN201611024047.7A CN106529729A (zh) 2016-11-18 2016-11-18 基于BP_Adaboost模型的信用卡用户违约的预测方法及系统

Publications (1)

Publication Number Publication Date
WO2018090657A1 true WO2018090657A1 (zh) 2018-05-24

Family

ID=58352537

Family Applications (1)

Application Number Title Priority Date Filing Date
PCT/CN2017/093803 Ceased WO2018090657A1 (zh) 2016-11-18 2017-07-21 基于BP_Adaboost模型的信用卡用户违约的预测方法及系统

Country Status (2)

Country Link
CN (1) CN106529729A (zh)
WO (1) WO2018090657A1 (zh)

Cited By (59)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109146055A (zh) * 2018-09-03 2019-01-04 北京珈信科技有限公司 基于正交化实验和人工神经网络的改进粒子群优化方法
CN109214436A (zh) * 2018-08-22 2019-01-15 阿里巴巴集团控股有限公司 一种针对目标场景的预测模型训练方法及装置
CN109685242A (zh) * 2018-11-02 2019-04-26 国网浙江省电力有限公司宁波供电公司 基于Adaboost算法的光伏超短期组合预测方法
CN109784387A (zh) * 2018-12-29 2019-05-21 天津南大通用数据技术股份有限公司 基于神经网络和贝叶斯模型的多层次递进分类方法及系统
CN110858309A (zh) * 2018-08-22 2020-03-03 中国信息通信研究院 一种多基准时钟加权合成方法
CN110956503A (zh) * 2019-11-29 2020-04-03 上海观安信息技术股份有限公司 基于用户网络行为的具有借贷需求的用户识别方法及装置
CN111062444A (zh) * 2019-12-21 2020-04-24 湖南大学 信用风险预测方法、系统、终端及存储介质
CN111127184A (zh) * 2019-11-01 2020-05-08 复旦大学 一种分布式组合信用评估方法
CN111191825A (zh) * 2019-12-20 2020-05-22 北京淇瑀信息科技有限公司 用户违约预测方法、装置及电子设备
CN111259573A (zh) * 2020-04-08 2020-06-09 攀枝花学院 一种磁疗服装使用寿命预测方法
CN111400964A (zh) * 2020-03-16 2020-07-10 中国人民解放军海军航空大学 一种故障发生时间预测方法及装置
CN111415099A (zh) * 2020-03-30 2020-07-14 西北大学 一种基于多分类BP-Adaboost的贫困生认定方法
CN111458471A (zh) * 2019-12-19 2020-07-28 中国科学院合肥物质科学研究院 一种基于图神经网络的水域检测预警方法
CN111612610A (zh) * 2020-05-27 2020-09-01 深圳壹账通智能科技有限公司 风险预警方法及系统、电子设备及存储介质
CN111625988A (zh) * 2020-03-10 2020-09-04 河北工程大学 基于深度学习的桥梁健康管理分析与预测系统及方法
CN111652430A (zh) * 2020-05-29 2020-09-11 蚌埠学院 一种互联网金融平台违约率的预测方法及系统
CN111709831A (zh) * 2020-06-16 2020-09-25 中国银行股份有限公司 黑名单的分析方法及装置
CN111797365A (zh) * 2020-06-09 2020-10-20 中国南方电网有限责任公司超高压输电公司检修试验中心 一种换流变压器温度异常判断方法及系统
CN111815196A (zh) * 2020-07-23 2020-10-23 中国环境科学研究院 基于ga-bp神经网络的页岩气开发区水资源承载力评价方法
CN111915437A (zh) * 2020-06-30 2020-11-10 深圳前海微众银行股份有限公司 基于rnn的反洗钱模型的训练方法、装置、设备及介质
CN111930601A (zh) * 2020-05-14 2020-11-13 国家电网有限公司客户服务中心 一种基于深度学习的数据库状态综合评分方法及其系统
CN112017025A (zh) * 2020-08-26 2020-12-01 天元大数据信用管理有限公司 一种基于深度学习与逻辑回归相融合的企业信用评估方法
CN112115644A (zh) * 2020-09-16 2020-12-22 西安建筑科技大学 一种基于神经网络的预测复合结构开孔泡沫铝的中频吸声系数的方法
CN112153000A (zh) * 2020-08-21 2020-12-29 杭州安恒信息技术股份有限公司 网络流量异常的检测方法、装置、电子装置和存储介质
CN112331274A (zh) * 2020-03-06 2021-02-05 西安工程大学 基于相重构和神经网络的变压器油中溶解气体预测方法
CN112418520A (zh) * 2020-11-22 2021-02-26 同济大学 一种基于联邦学习的信用卡交易风险预测方法
CN112465042A (zh) * 2020-12-02 2021-03-09 中国联合网络通信集团有限公司 一种分类网络模型的生成方法及装置
CN112686380A (zh) * 2020-12-28 2021-04-20 江苏宝航能源技术有限公司 基于神经网络的梯次动力电芯一致性评估方法和系统
CN112909954A (zh) * 2020-12-30 2021-06-04 燕山大学 一种基于生成对抗神经网络的微电网分层控制策略
CN113011624A (zh) * 2019-12-18 2021-06-22 中移(上海)信息通信科技有限公司 用户违约预测方法、装置、设备及介质
CN113065950A (zh) * 2021-04-22 2021-07-02 中国工商银行股份有限公司 信用卡额度评估方法及装置
CN113177840A (zh) * 2021-05-20 2021-07-27 中国建设银行股份有限公司 一种客户风险的识别方法及装置
CN113379049A (zh) * 2021-05-26 2021-09-10 广东电网有限责任公司 多技术融合的窃电行为识别方法及系统
CN113379536A (zh) * 2021-06-29 2021-09-10 百维金科(上海)信息科技有限公司 一种基于引力搜索算法优化递归神经网络的违约概率预测方法
CN113392897A (zh) * 2021-06-10 2021-09-14 济南市公安局交通警察支队 一种计算机动车查验机构和安检机构耦合度的方法和系统
CN113449819A (zh) * 2021-08-27 2021-09-28 中国测绘科学研究院 一种基于胶囊网络的信用评估模型方法及其存储介质
CN113592140A (zh) * 2021-06-22 2021-11-02 国网宁夏电力有限公司吴忠供电公司 电费缴纳预测模型训练系统和电费缴纳预测模型
CN114444798A (zh) * 2022-01-27 2022-05-06 成都唐源电气股份有限公司 一种基于时空分布技术的接触网运维方法和装置
CN114493023A (zh) * 2022-02-07 2022-05-13 中国水利水电科学研究院 一种基于RF-Adaboost模型在异常水情数据中的诊断与插补方法
CN114548676A (zh) * 2022-01-18 2022-05-27 中交第二航务工程局有限公司 一种隧道花岗岩断层涌水风险等级预测方法
CN114626934A (zh) * 2022-02-08 2022-06-14 天津大学 基于区块链的多层级风控系统及管控方法
CN115034884A (zh) * 2022-06-09 2022-09-09 中国工商银行股份有限公司 交易数据处理方法及装置
CN115115245A (zh) * 2022-07-07 2022-09-27 广西电网有限责任公司 一种基于Gauss-Adaboost的智能电表评价分析方法
CN115250493A (zh) * 2022-04-12 2022-10-28 国网福建省电力有限公司电力科学研究院 基于参数自适应降维神经网络的无线信道幅值预测方法
CN115270927A (zh) * 2022-06-28 2022-11-01 重庆长安新能源汽车科技有限公司 一种基于用户驾驶行为的违章预测方法
CN115358475A (zh) * 2022-08-29 2022-11-18 河南农业大学 基于支持向量机和灰色bp神经网络的灾害预测方法和系统
CN115526260A (zh) * 2022-09-30 2022-12-27 合肥工业大学 一种基于大规模dea快速求解算法的银行信用卡异常数据识别方法
CN115545088A (zh) * 2022-02-22 2022-12-30 北京百度网讯科技有限公司 模型构建方法、分类方法、装置和电子设备
CN115983978A (zh) * 2022-12-29 2023-04-18 重庆富民银行股份有限公司 一种基于神经网络的小样本数据测试方法
CN116074658A (zh) * 2023-03-06 2023-05-05 成都大汇物联科技有限公司 一种基于物联网的水电站坝基监控方法及系统
CN116416056A (zh) * 2023-04-04 2023-07-11 深圳征信服务有限公司 一种基于机器学习的征信数据处理方法及系统
CN116843341A (zh) * 2023-06-27 2023-10-03 湖南工程学院 信用卡异常数据检测方法、装置、设备及存储介质
CN117473433A (zh) * 2022-07-15 2024-01-30 腾讯科技（深圳）有限公司 对象数据的分析处理方法、装置、电子设备、介质及产品
CN117526374A (zh) * 2023-12-28 2024-02-06 国网浙江省电力有限公司电力科学研究院 匹配波动电源实时出力的新能源制氢系统控制方法及装置
CN117786538A (zh) * 2023-12-06 2024-03-29 国网上海市电力公司 基于代价敏感改进的CsAdaBoost集成学习算法
CN118378177A (zh) * 2024-06-20 2024-07-23 杭银消费金融股份有限公司 一种多分类模型预测分布调整方法
CN119048228A (zh) * 2024-11-01 2024-11-29 湖南工商大学 一种基于熵特征与自适应超参数的信用卡违约预测方法
CN119479876A (zh) * 2024-10-24 2025-02-18 厦门大学 一种基于AdaBoost的叶绿素浓度预报方法、装置及可读介质
CN119693125A (zh) * 2024-12-05 2025-03-25 中国工商银行股份有限公司 信贷风险等级评估方法、装置、设备以及存储介质

Families Citing this family (25)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106529729A (zh) * 2016-11-18 2017-03-22 同济大学 基于BP_Adaboost模型的信用卡用户违约的预测方法及系统
CN107346515A (zh) * 2017-06-01 2017-11-14 银联智策顾问（上海）有限公司 一种信用卡账户分期预测方法及装置
CN107506852A (zh) * 2017-08-01 2017-12-22 佛山科学技术学院 一种基于数据挖掘的欠税预测方法及预测装置
CN109840335A (zh) * 2017-11-27 2019-06-04 上海交通大学 基于强化t-s模糊神经网络的径向锻造凹坑预测优化方法
CN108153835A (zh) * 2017-12-14 2018-06-12 新疆大学 一种维-汉文可比语料自动获取方法
CN107992982B (zh) * 2017-12-28 2019-05-21 上海氪信信息技术有限公司 一种基于深度学习的非结构化数据的违约概率预测方法
CN108197936B (zh) * 2017-12-29 2021-11-09 新开普电子股份有限公司 基于脚本的卡片加密系统
CN108363754A (zh) * 2018-01-30 2018-08-03 武汉蓝星软件技术有限公司 一种数据分析模型
CN108647714A (zh) * 2018-05-09 2018-10-12 平安普惠企业管理有限公司 负面标签权重的获取方法、终端设备及介质
CN110555148B (zh) * 2018-05-14 2022-12-02 腾讯科技（深圳）有限公司 一种用户行为评估方法、计算设备及存储介质
CN109615454A (zh) * 2018-10-30 2019-04-12 阿里巴巴集团控股有限公司 确定用户金融违约风险的方法及装置
CN109657837A (zh) * 2018-11-19 2019-04-19 平安科技（深圳）有限公司 违约概率预测方法、装置、计算机设备和存储介质
CN109543925B (zh) * 2019-01-07 2023-01-24 平安科技（深圳）有限公司 基于机器学习的风险预测方法、装置、计算机设备和存储介质
CN110956543A (zh) * 2019-11-06 2020-04-03 上海应用技术大学 异常交易检测的方法
CN112073147B (zh) * 2020-04-08 2022-08-19 成都理工大学 一种基于网络结构特征选择的信用卡违约预测方法
CN111784080A (zh) * 2020-07-28 2020-10-16 南方电网能源发展研究院有限责任公司 售电公司客户信用预测方法、装置、设备及存储介质
CN111899093B (zh) * 2020-09-30 2021-06-29 南京星云数字技术有限公司 一种违约损失率的预测方法及装置
CN112308295B (zh) * 2020-10-10 2024-06-21 北京贝壳时代网络科技有限公司 违约概率预测方法及装置
CN112231621B (zh) * 2020-10-13 2021-09-24 电子科技大学 基于BP-adaboost降低元素检出限的方法
CN112270994B (zh) * 2020-10-14 2021-08-17 中国医学科学院阜外医院 一种风险预测模型的构建方法、设备、终端及存储介质
CN113155767A (zh) * 2020-12-31 2021-07-23 长春理工大学 基于紫外光谱法的分布式水质检测系统及水质评价方法
CN113514743B (zh) * 2021-08-03 2024-01-30 广东电网有限责任公司 一种基于多维特征的gis局部放电模式识别系统构建方法
CN115659827A (zh) * 2022-11-07 2023-01-31 南京航空航天大学 一种基于BP-Adaboost算法的制造成熟度等级确定方法
CN115688603B (zh) * 2022-11-16 2025-09-16 天津大学 一种地浸矿山抽注平衡预测系统及预测方法
CN117094762B (zh) * 2023-10-17 2024-01-23 北京中奥通宇科技股份有限公司 一种基于ai人工智能的用户权益推荐方法和系统

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104240720A (zh) * 2013-06-24 2014-12-24 北京大学深圳研究生院 一种基于多重分形和信息融合的语音情感识别方法
CN106022229A (zh) * 2016-05-11 2016-10-12 北京航空航天大学 基于视频运动信息特征提取与自适应增强算法的误差反向传播网络的异常行为识别方法
CN106529729A (zh) * 2016-11-18 2017-03-22 同济大学 基于BP_Adaboost模型的信用卡用户违约的预测方法及系统

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104240720A (zh) * 2013-06-24 2014-12-24 北京大学深圳研究生院 一种基于多重分形和信息融合的语音情感识别方法
CN106022229A (zh) * 2016-05-11 2016-10-12 北京航空航天大学 基于视频运动信息特征提取与自适应增强算法的误差反向传播网络的异常行为识别方法
CN106529729A (zh) * 2016-11-18 2017-03-22 同济大学 基于BP_Adaboost模型的信用卡用户违约的预测方法及系统

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
LU , ZHENGHUA ET AL.: "Study on the Pre-warning of Listed Company Finance Based on BP_Adaboost", COMMUNICATION OF FINANCE AND ACCOUNTING, 31 December 2013 (2013-12-31), pages 117 - 119, ISSN: 1002-8072 *
WANG, NA: "Empirical Study on the Pre-warning of Listed Company Finance Crisis Based on BP-Adaboost", CHINA COLLECTIVE ECONOMY, 31 January 2015 (2015-01-31), pages 144 - 146, ISSN: 1008-1283 *

Cited By (79)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109214436A (zh) * 2018-08-22 2019-01-15 阿里巴巴集团控股有限公司 一种针对目标场景的预测模型训练方法及装置
CN110858309A (zh) * 2018-08-22 2020-03-03 中国信息通信研究院 一种多基准时钟加权合成方法
CN109146055A (zh) * 2018-09-03 2019-01-04 北京珈信科技有限公司 基于正交化实验和人工神经网络的改进粒子群优化方法
CN109685242A (zh) * 2018-11-02 2019-04-26 国网浙江省电力有限公司宁波供电公司 基于Adaboost算法的光伏超短期组合预测方法
CN109685242B (zh) * 2018-11-02 2022-11-08 国网浙江省电力有限公司宁波供电公司 基于Adaboost算法的光伏超短期组合预测方法
CN109784387A (zh) * 2018-12-29 2019-05-21 天津南大通用数据技术股份有限公司 基于神经网络和贝叶斯模型的多层次递进分类方法及系统
CN111127184A (zh) * 2019-11-01 2020-05-08 复旦大学 一种分布式组合信用评估方法
CN111127184B (zh) * 2019-11-01 2023-05-30 复旦大学 一种分布式组合信用评估方法
CN110956503A (zh) * 2019-11-29 2020-04-03 上海观安信息技术股份有限公司 基于用户网络行为的具有借贷需求的用户识别方法及装置
CN110956503B (zh) * 2019-11-29 2024-02-23 上海观安信息技术股份有限公司 基于用户网络行为的具有借贷需求的用户识别方法及装置
CN113011624A (zh) * 2019-12-18 2021-06-22 中移(上海)信息通信科技有限公司 用户违约预测方法、装置、设备及介质
CN111458471A (zh) * 2019-12-19 2020-07-28 中国科学院合肥物质科学研究院 一种基于图神经网络的水域检测预警方法
CN111458471B (zh) * 2019-12-19 2023-04-07 中国科学院合肥物质科学研究院 一种基于图神经网络的水域检测预警方法
CN111191825A (zh) * 2019-12-20 2020-05-22 北京淇瑀信息科技有限公司 用户违约预测方法、装置及电子设备
CN111062444B (zh) * 2019-12-21 2023-12-08 湖南大学 信用风险预测方法、系统、终端及存储介质
CN111062444A (zh) * 2019-12-21 2020-04-24 湖南大学 信用风险预测方法、系统、终端及存储介质
CN112331274A (zh) * 2020-03-06 2021-02-05 西安工程大学 基于相重构和神经网络的变压器油中溶解气体预测方法
CN111625988A (zh) * 2020-03-10 2020-09-04 河北工程大学 基于深度学习的桥梁健康管理分析与预测系统及方法
CN111400964A (zh) * 2020-03-16 2020-07-10 中国人民解放军海军航空大学 一种故障发生时间预测方法及装置
CN111400964B (zh) * 2020-03-16 2023-12-22 中国人民解放军海军航空大学 一种故障发生时间预测方法及装置
CN111415099A (zh) * 2020-03-30 2020-07-14 西北大学 一种基于多分类BP-Adaboost的贫困生认定方法
CN111259573A (zh) * 2020-04-08 2020-06-09 攀枝花学院 一种磁疗服装使用寿命预测方法
CN111259573B (zh) * 2020-04-08 2023-06-16 攀枝花学院 一种磁疗服装使用寿命预测方法
CN111930601A (zh) * 2020-05-14 2020-11-13 国家电网有限公司客户服务中心 一种基于深度学习的数据库状态综合评分方法及其系统
CN111612610A (zh) * 2020-05-27 2020-09-01 深圳壹账通智能科技有限公司 风险预警方法及系统、电子设备及存储介质
CN111652430A (zh) * 2020-05-29 2020-09-11 蚌埠学院 一种互联网金融平台违约率的预测方法及系统
CN111797365B (zh) * 2020-06-09 2022-11-25 中国南方电网有限责任公司超高压输电公司检修试验中心 一种换流变压器温度异常判断方法及系统
CN111797365A (zh) * 2020-06-09 2020-10-20 中国南方电网有限责任公司超高压输电公司检修试验中心 一种换流变压器温度异常判断方法及系统
CN111709831B (zh) * 2020-06-16 2023-07-25 中国银行股份有限公司 黑名单的分析方法及装置
CN111709831A (zh) * 2020-06-16 2020-09-25 中国银行股份有限公司 黑名单的分析方法及装置
CN111915437A (zh) * 2020-06-30 2020-11-10 深圳前海微众银行股份有限公司 基于rnn的反洗钱模型的训练方法、装置、设备及介质
CN111915437B (zh) * 2020-06-30 2024-06-07 深圳前海微众银行股份有限公司 基于rnn的反洗钱模型的训练方法、装置、设备及介质
CN111815196B (zh) * 2020-07-23 2023-11-24 中国环境科学研究院 基于ga-bp神经网络的页岩气开发区水资源承载力评价方法
CN111815196A (zh) * 2020-07-23 2020-10-23 中国环境科学研究院 基于ga-bp神经网络的页岩气开发区水资源承载力评价方法
CN112153000A (zh) * 2020-08-21 2020-12-29 杭州安恒信息技术股份有限公司 网络流量异常的检测方法、装置、电子装置和存储介质
CN112017025B (zh) * 2020-08-26 2024-05-14 天元大数据信用管理有限公司 一种基于深度学习与逻辑回归相融合的企业信用评估方法
CN112017025A (zh) * 2020-08-26 2020-12-01 天元大数据信用管理有限公司 一种基于深度学习与逻辑回归相融合的企业信用评估方法
CN112115644A (zh) * 2020-09-16 2020-12-22 西安建筑科技大学 一种基于神经网络的预测复合结构开孔泡沫铝的中频吸声系数的方法
CN112418520A (zh) * 2020-11-22 2021-02-26 同济大学 一种基于联邦学习的信用卡交易风险预测方法
CN112418520B (zh) * 2020-11-22 2022-09-20 同济大学 一种基于联邦学习的信用卡交易风险预测方法
CN112465042B (zh) * 2020-12-02 2023-10-24 中国联合网络通信集团有限公司 一种分类网络模型的生成方法及装置
CN112465042A (zh) * 2020-12-02 2021-03-09 中国联合网络通信集团有限公司 一种分类网络模型的生成方法及装置
CN112686380A (zh) * 2020-12-28 2021-04-20 江苏宝航能源技术有限公司 基于神经网络的梯次动力电芯一致性评估方法和系统
CN112909954B (zh) * 2020-12-30 2023-12-15 燕山大学 一种基于生成对抗神经网络的微电网分层控制策略
CN112909954A (zh) * 2020-12-30 2021-06-04 燕山大学 一种基于生成对抗神经网络的微电网分层控制策略
CN113065950A (zh) * 2021-04-22 2021-07-02 中国工商银行股份有限公司 信用卡额度评估方法及装置
CN113177840A (zh) * 2021-05-20 2021-07-27 中国建设银行股份有限公司 一种客户风险的识别方法及装置
CN113379049A (zh) * 2021-05-26 2021-09-10 广东电网有限责任公司 多技术融合的窃电行为识别方法及系统
CN113392897A (zh) * 2021-06-10 2021-09-14 济南市公安局交通警察支队 一种计算机动车查验机构和安检机构耦合度的方法和系统
CN113592140A (zh) * 2021-06-22 2021-11-02 国网宁夏电力有限公司吴忠供电公司 电费缴纳预测模型训练系统和电费缴纳预测模型
CN113379536A (zh) * 2021-06-29 2021-09-10 百维金科(上海)信息科技有限公司 一种基于引力搜索算法优化递归神经网络的违约概率预测方法
CN113449819A (zh) * 2021-08-27 2021-09-28 中国测绘科学研究院 一种基于胶囊网络的信用评估模型方法及其存储介质
CN114548676A (zh) * 2022-01-18 2022-05-27 中交第二航务工程局有限公司 一种隧道花岗岩断层涌水风险等级预测方法
CN114444798A (zh) * 2022-01-27 2022-05-06 成都唐源电气股份有限公司 一种基于时空分布技术的接触网运维方法和装置
CN114493023A (zh) * 2022-02-07 2022-05-13 中国水利水电科学研究院 一种基于RF-Adaboost模型在异常水情数据中的诊断与插补方法
CN114626934A (zh) * 2022-02-08 2022-06-14 天津大学 基于区块链的多层级风控系统及管控方法
CN115545088B (zh) * 2022-02-22 2023-10-24 北京百度网讯科技有限公司 模型构建方法、分类方法、装置和电子设备
CN115545088A (zh) * 2022-02-22 2022-12-30 北京百度网讯科技有限公司 模型构建方法、分类方法、装置和电子设备
CN115250493A (zh) * 2022-04-12 2022-10-28 国网福建省电力有限公司电力科学研究院 基于参数自适应降维神经网络的无线信道幅值预测方法
CN115034884A (zh) * 2022-06-09 2022-09-09 中国工商银行股份有限公司 交易数据处理方法及装置
CN115270927A (zh) * 2022-06-28 2022-11-01 重庆长安新能源汽车科技有限公司 一种基于用户驾驶行为的违章预测方法
CN115115245A (zh) * 2022-07-07 2022-09-27 广西电网有限责任公司 一种基于Gauss-Adaboost的智能电表评价分析方法
CN117473433A (zh) * 2022-07-15 2024-01-30 腾讯科技（深圳）有限公司 对象数据的分析处理方法、装置、电子设备、介质及产品
CN115358475A (zh) * 2022-08-29 2022-11-18 河南农业大学 基于支持向量机和灰色bp神经网络的灾害预测方法和系统
CN115526260A (zh) * 2022-09-30 2022-12-27 合肥工业大学 一种基于大规模dea快速求解算法的银行信用卡异常数据识别方法
CN115983978A (zh) * 2022-12-29 2023-04-18 重庆富民银行股份有限公司 一种基于神经网络的小样本数据测试方法
CN116074658A (zh) * 2023-03-06 2023-05-05 成都大汇物联科技有限公司 一种基于物联网的水电站坝基监控方法及系统
CN116074658B (zh) * 2023-03-06 2023-08-25 成都大汇物联科技有限公司 一种基于物联网的水电站坝基监控方法及系统
CN116416056A (zh) * 2023-04-04 2023-07-11 深圳征信服务有限公司 一种基于机器学习的征信数据处理方法及系统
CN116416056B (zh) * 2023-04-04 2023-10-03 深圳征信服务有限公司 一种基于机器学习的征信数据处理方法及系统
CN116843341A (zh) * 2023-06-27 2023-10-03 湖南工程学院 信用卡异常数据检测方法、装置、设备及存储介质
CN117786538A (zh) * 2023-12-06 2024-03-29 国网上海市电力公司 基于代价敏感改进的CsAdaBoost集成学习算法
CN117526374B (zh) * 2023-12-28 2024-05-10 国网浙江省电力有限公司电力科学研究院 匹配波动电源实时出力的新能源制氢系统控制方法及装置
CN117526374A (zh) * 2023-12-28 2024-02-06 国网浙江省电力有限公司电力科学研究院 匹配波动电源实时出力的新能源制氢系统控制方法及装置
CN118378177A (zh) * 2024-06-20 2024-07-23 杭银消费金融股份有限公司 一种多分类模型预测分布调整方法
CN119479876A (zh) * 2024-10-24 2025-02-18 厦门大学 一种基于AdaBoost的叶绿素浓度预报方法、装置及可读介质
CN119048228A (zh) * 2024-11-01 2024-11-29 湖南工商大学 一种基于熵特征与自适应超参数的信用卡违约预测方法
CN119693125A (zh) * 2024-12-05 2025-03-25 中国工商银行股份有限公司 信贷风险等级评估方法、装置、设备以及存储介质
CN119693125B (zh) * 2024-12-05 2025-09-26 中国工商银行股份有限公司 信贷风险等级评估方法、装置、设备以及存储介质

Also Published As

Publication number Publication date
CN106529729A (zh) 2017-03-22

Similar Documents

Publication Publication Date Title
WO2018090657A1 (zh) 基于BP_Adaboost模型的信用卡用户违约的预测方法及系统
Ala’raj et al. Modelling customers credit card behaviour using bidirectional LSTM neural networks
Luo et al. A deep learning approach for credit scoring using credit default swaps
Suryanarayana et al. Machine learning approaches for credit card fraud detection
CN110782096A (zh) 一种外汇时间序列预测方法
WO2021082810A1 (zh) 一种外汇时间序列预测的构建方法
Pei et al. 3DACN: 3D augmented convolutional network for time series data
CN110348608A (zh) 一种基于模糊聚类算法改进lstm的预测方法
CN110276679A (zh) 一种面向深度学习的网络个人信贷欺诈行为检测方法
Eletter et al. Loan decision models for the Jordanian commercial banks
Imtiaz et al. A better comparison summary of credit scoring classification
Mamun et al. Predicting bank loan eligibility using machine learning models and comparison analysis
Xu et al. A novel ensemble credit scoring model based on extreme learning machine and generalized fuzzy soft sets
Xie et al. Research based on stock predicting model of neural networks ensemble learning
CN115204457A (zh) 一种基于图注意力网络贷款违约风险预测方法
CN114529063A (zh) 一种基于机器学习的金融领域数据预测方法、设备及介质
Chishti et al. Deep neural network a step by step approach to classify credit card default customer
Dzelihodzic et al. Data mining techniques for credit risk assessment task
CN106779145A (zh) 一种基于神经网络集成的股票趋势预测方法
Yu et al. Stock price forecasting based on BP neural network model of network public opinion
US20240161117A1 (en) Trigger-Based Electronic Fund Transfers
CN111291838B (zh) 实体对象分类结果的解释方法和装置
Alturki et al. Trading Saudi stock market shares using multivariate recurrent neural network with a long short-term memory layer
Zhou et al. Adaboosting neural networks for credit scoring
Harikrishna et al. Credit scoring using support vector machine: a comparative analysis

Legal Events

Date Code Title Description
121 Ep: the epo has been informed by wipo that ep was designated in this application

Ref document number: 17872203

Country of ref document: EP

Kind code of ref document: A1

NENP Non-entry into the national phase

Ref country code: DE

122 Ep: pct application non-entry in european phase

Ref document number: 17872203

Country of ref document: EP

Kind code of ref document: A1

122 Ep: pct application non-entry in european phase

Ref document number: 17872203

Country of ref document: EP

Kind code of ref document: A1

32PN Ep: public notification in the ep bulletin as address of the adressee cannot be established

Free format text: NOTING OF LOSS OF RIGHTS PURSUANT TO RULE 112(1) EPC (EPO FORM 1205A DATED 21.11.2019)

122 Ep: pct application non-entry in european phase

Ref document number: 17872203

Country of ref document: EP

Kind code of ref document: A1