预测模型训练方法、金融风险预测方法及电子设备技术

本申请提供一种预测模型训练方法、金融风险预测方法及电子设备，通过根据模型信息，得到网络结构对应的结构参数，并基于结构参数，生成初始种群；通过用户数据，利用基于抛物线交叉算子和目标适应值函数的遗传算法，对初始种群进行迭代，直至达到预设条件，得到结构参数对应的优化参数值，其中，目标适应性函数为非线性函数，抛物线交叉算子用于通过二次多项式逼近目标适应性函数；基于结构参数和优化参数值，构造待训练模型，并对待训练模型进行训练，得到预测模型。由于在基于遗传算法生成训练模型的参数的过程中，使用了能够更好的逼近非线性的目标适应值函数的抛物线交叉算子进行种群迭代，提高了对预测模型的参数的搜索速度和准确性。度和准确性。度和准确性。

【技术实现步骤摘要】
预测模型训练方法、金融风险预测方法及电子设备


[0001]本申请涉及人工智能
，尤其涉及一种预测模型训练方法、金融风险预测方法及电子设备。

技术介绍

[0002]当前，针对商业银行所面临的风险挑战，智能化的风险管理应运而生，各种智能算法被应用于银行的风险管理。其中，通过引入神经网络并进行训练，来构建智能化的金融风险预测模型，成为了一种常用的用户金融风险管控的技术手段。
[0003]传统的神经网络技术，一般通过BP(误差反向传播)算法来训练权重和阈值，该算法是基于确定性的梯度方向进行搜索，很容易陷入局部极小值，对初始值的依赖度高，鲁棒性差，初始权值的设定大大影响训练模型的准确性和效率，现有方法大多使用随机初始权重和阈值，当初始权值选择不当，训练出来的网络模型预测效果很差。
[0004]针对上述不足，现有技术中通过遗传算法来确定神经网络的初始结构参数，从而提高神经网络在训练过程中的收敛效率和模型预测准确性，然而，专利技术人发现，现有技术中基于遗传算法来确定神经网络的初始结构参数并进行训练的过程中，存在神经网络的初始结构参数搜索效率低以及确定的结构参数准确性差的问题，从而导致神经网络预测模型在训练过程中出现收敛速度慢以及模型的预测能力差的问题。

技术实现思路

[0005]本申请提供一种预测模型训练方法、金融风险预测方法及电子设备，用以解决神经网络预测模型在训练过程中出现收敛速度慢以及模型的预测能力差的问题。
[0006]第一方面，本申请提供了一种预测模型训练方法，包括：
>[0007]获取用户数据和模型信息，所述模型信息用于表征预测模型的网络结构；
[0008]根据所述模型信息，得到所述网络结构对应的结构参数，并基于所述结构参数，生成初始种群，所述初始种群表征随机生成的所述结构参数对应的参数值；通过所述用户数据，利用基于抛物线交叉算子和目标适应值函数的遗传算法，对所述初始种群进行迭代，直至达到预设条件，得到所述结构参数对应的优化参数值，其中，所述目标适应性函数为非线性函数，所述抛物线交叉算子用于通过二次多项式逼近所述目标适应性函数；基于所述结构参数和所述优化参数值，构造待训练模型，并对所述待训练模型进行训练，直至所述待训练模型收敛，得到所述预测模型；所述预测模型用于预测用户的金融风险发生概率。
[0009]在一种可能的实现方式中，通过所述用户数据，利用基于抛物线交叉算子和目标适应值函数的遗传算法，对所述初始种群进行迭代，直至达到预设条件，得到所述优化参数值结构参数对应的优化参数值，包括：从所述初始种群中获得父代个体，所述父代个体表征所述结构参数的一组参数值；循环执行以下步骤，直至循环次数到达预设循环次数：基于所述用户数据和目标适应值函数，计算父代个体的适应值，其中，所述适应值表征以所述父代个体为所述结构参数对应的参数值时，所对应的预测模型对金融风险的预测能力；基于轮
盘赌算法，从所述父代个体中确定进入下一代的优势个体；基于所述抛物线交叉算子，对所述优势个体进行交叉处理，生成子代个体；对所述子代个体进行变异，生成所述优化参数值，其中，若所述迭代未结束，所述优化参数值作为下一轮迭代过程中的父代个体进行迭代。
[0010]在一种可能的实现方式中，所述用户数据包括样本数据和对应的标签标识，所述样本数据表征用户多个维度的用户信息，所述标签标识用于表征所述用户信息对应的金融风险实际发生结果；基于所述用户数据和目标适应值函数，计算父代个体的适应值，包括：将所述样本数据输入初始化模型，得到模型输出值，所述初始化模型为基于所述父代个体构造的预测模型；根据所述目标适应值函数，计算所述模型输出值与所述标签标识的均方误差；根据所述均方误差，生成所述父代个体的适应值。
[0011]在一种可能的实现方式中，所述抛物线交叉算子表征第一输入值、第二输入值与输出值之间的映射关系，其中，由所述第一输入值与所述第二输入值构成的取值空间内，存在一个预设阈值范围内随机大小的参考值，所述输出值为由所述第一输入值、第二输入值以及参考值构成的二次多项式曲线的最低点；所述优势个体包括第一优势个体和第二优势个体，基于所述抛物线交叉算子，对所述优势个体进行交叉处理，生成子代个体，包括：将所述第一优势个体作为第一输入值，所述第二优势个体作为第二输入值，代人所述抛物线交叉算子，得到所述抛物线交叉算子输出的子代个体。
[0012]在一种可能的实现方式中，对所述子代个体进行变异，包括：获取当前迭代次数；根据所述迭代次数确定对应的变异权重，所述变异权重表征对所述子代个体进行变异的程度；基于所述变异权重，对所述子代个体进行随机变异。
[0013]在一种可能的实现方式中，所述获取用户数据，包括：从预设的数据库，获取多个用户标识，以及分别与所述用户标识对应的多个维度的用户信息；对各用户标识对应的多维度的用户信息进行预处理，得到所述用户数据，其中，所述预处理包括归一化和/或数据对齐。
[0014]第二方面，本申请提供了一种金融风险预测方法，包括：
[0015]获取目标用户数据，所述目标用户数据表征目标用户的用户信息；通过预测模型对所述目标用户数据进行处理，生成预测结果信息，所述预测结果信息用于表征所述目标用户发生金融风险的概率或二分值；其中，所述预测模型为采用如本申请实施例第一方面任一项所述的用于金融风险预测的预测模型训练方法得到的模型。
[0016]第三方面，本申请提供了一种用于金融风险预测的预测模型训练装置，包括：
[0017]获取模块，用于获取用户数据和模型信息，所述模型信息用于表征预测模型的网络结构；
[0018]生成模块，用于根据所述模型信息，得到所述网络结构对应的结构参数，并基于所述结构参数，生成初始种群，所述初始种群表征随机生成的所述结构参数对应的参数值；
[0019]进化模块，用于通过所述用户数据，利用基于抛物线交叉算子和目标适应值函数的遗传算法，对所述初始种群进行迭代，直至达到预设条件，得到所述结构参数对应的优化参数值，其中，所述目标适应性函数为非线性函数，所述抛物线交叉算子用于通过二次多项式逼近所述目标适应性函数；
[0020]训练模块，用于基于所述结构参数和所述优化参数值，构造待训练模型，并对所述
待训练模型进行训练，直至所述待训练模型收敛，得到所述预测模型；所述预测模型用于预测用户的金融风险发生概率。
[0021]在一种可能的实现方式中，所述进化模块，具体用于：从所述初始种群中获得父代个体，所述父代个体表征所述结构参数的一组参数值；循环执行以下步骤，直至循环次数到达预设循环次数：基于所述用户数据和目标适应值函数，计算父代个体的适应值，其中，所述适应值表征以所述父代个体为所述结构参数对应的参数值时，所对应的预测模型对金融风险的预测能力；基于轮盘赌算法，从所述父代个体中确定进入下一代的优势个体；基于所述抛物线交叉算子，对所述优势个体进行交叉处理，生成子代个体；对所述子代个体进行变异，生成所述优化参数值，其中，若所述迭代未结束，所述优本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种用于金融风险预测的预测模型训练方法，其特征在于，所述方法包括：获取用户数据和模型信息，所述模型信息用于表征预测模型的网络结构；根据所述模型信息，得到所述网络结构对应的结构参数，并基于所述结构参数，生成初始种群，所述初始种群表征随机生成的所述结构参数对应的参数值；通过所述用户数据，利用基于抛物线交叉算子和目标适应值函数的遗传算法，对所述初始种群进行迭代，直至达到预设条件，得到所述结构参数对应的优化参数值，其中，所述目标适应性函数为非线性函数，所述抛物线交叉算子用于通过二次多项式逼近所述目标适应性函数；基于所述结构参数和所述优化参数值，构造待训练模型，并对所述待训练模型进行训练，直至所述待训练模型收敛，得到所述预测模型；所述预测模型用于预测用户的金融风险发生概率。2.根据权利要求1所述的方法，其特征在于，通过所述用户数据，利用基于抛物线交叉算子和目标适应值函数的遗传算法，对所述初始种群进行迭代，直至达到预设条件，得到所述优化参数值结构参数对应的优化参数值，包括：从所述初始种群中获得父代个体，所述父代个体表征所述结构参数的一组参数值；循环执行以下步骤，直至循环次数到达预设循环次数：基于所述用户数据和目标适应值函数，计算父代个体的适应值，其中，所述适应值表征以所述父代个体为所述结构参数对应的参数值时，所对应的预测模型对金融风险的预测能力；基于轮盘赌算法，从所述父代个体中确定进入下一代的优势个体；基于所述抛物线交叉算子，对所述优势个体进行交叉处理，生成子代个体；对所述子代个体进行变异，生成所述优化参数值，其中，若所述迭代未结束，所述优化参数值作为下一轮迭代过程中的父代个体进行迭代。3.根据权利要求2所述的方法，其特征在于，所述用户数据包括样本数据和对应的标签标识，所述样本数据表征用户多个维度的用户信息，所述标签标识用于表征所述用户信息对应的金融风险实际发生结果；基于所述用户数据和目标适应值函数，计算父代个体的适应值，包括：将所述样本数据输入初始化模型，得到模型输出值，所述初始化模型为基于所述父代个体构造的预测模型；根据所述目标适应值函数，计算所述模型输出值与所述标签标识的均方误差；根据所述均方误差，生成所述父代个体的适应值。4.根据权利要求2所述的方法，其特征在于，所述抛物线交叉算子表征第一输入值、第二输入值与输出值之间的映射关系，其中，由所述第一输入值与所述第二输入值构成的取值空间内，存在一个预设阈值范围内随机大小的参考值，所述输出值为由所述第一输入值、第二输入值以及参考值构成的二次多项式曲线的最低点；所述优势个体包括第一...

【专利技术属性】
技术研发人员：吴南，
申请(专利权)人：中国农业银行股份有限公司，
类型：发明
国别省市：