基于LSTM模型及用户画像的交易风险预测方法和系统.pdf

(19)国家知识产权局(12)发明专利申请(10)申请公布号CN115936709A(43)申请公布日2023.04.07(21)申请号202211555924.9(22)申请日2022.12.06(71)申请人南京信息职业技术学院地址210021江苏省南京市栖霞区文澜路99号(72)发明人刘星刘东风王一海刘娜(74)专利代理机构南京纵横知识产权代理有限公司32224专利代理师许婉静(51)Int.Cl.G06Q20/40(2012.01)G06N3/08(2023.01)G06N3/047(2023.01)G06N3/0442(2023.01)权利要求书2页说明书5页附图1页(54)发明名称基于LSTM模型及用户画像的交易风险预测方法和系统(57)摘要本发明公开基于LSTM模型及用户画像的交易风险预测方法和系统，交易风险预测方法包以下步骤：S1：采集用户信用卡历史交易数据；S2：将数据拆分成训练数据集和测试数据集；S3：构建并训练LSTM网络模型，得到交易异常概率预测模型；S4：基于测试数据集对交易异常概率预测模型进行测试，若测试结果符合预测精度，则进入步骤S5，若测试结果不符合预测精度，则返回步骤S3；S5：获取用户当前消费数据，采用交易异常概率预测模型基于预处理后的用户当前消费数据预测用户当前交易异常概率；S6根据用户的消费习惯数据对用户进行画像分析，并为每一类型用户赋予对应的异常交易发生概率；S7：基于用户交易异常概率和异常交易发生概率计算得到用户交易风险值。CN115936709ACN115936709A权利要求书1/2页1.基于LSTM模型及用户画像的交易风险预测方法，其特征在于，包括一下步骤：S1：采集用户信用卡历史交易数据，并对所述信用卡历史交易数据预处理，所述信用卡历史交易数据包括交易金额、交易时间以及交易是否异常标签；S2：将预处理后的信用卡历史交易数据按比例拆分成训练数据集和测试数据集；S3：构建LSTM网络模型，并基于所述训练数据集对LSTM网络模型进行训练，得到交易异常概率预测模型；S4：基于所述测试数据集对交易异常概率预测模型进行测试，若测试结果符合预测精度，则进入步骤S5，若测试结果不符合预测精度，则返回步骤S3；S5：获取用户当前消费数据，并对用户当前消费数据进行预处理，采用交易异常概率预测模型基于预处理后的用户当前消费数据预测用户当前交易异常概率P1，并判断P1是否大于风险阈值，若是，则进入步骤S6，若否，则结束；S6：获取用户消费习惯数据，并对所述消费习惯数据进行预处理，根据预处理后的消费习惯数据对用户进行画像分析，将客户划分成稳健型、低风险和高风险，并为每一类型用户赋予对应的异常交易发生概率P2；S7：基于用户交易异常概率P1和异常交易发生概率P2计算得到用户交易风险值P(X)：P(X)＝P1×P2。2.根据权利要求1所述的基于LSTM模型及用户画像的交易风险预测方法，其特征在于，所述交易风险预测方法还包括：S8:对比用户交易风险值P(X)和风险阈值，若P(X)大于等于风险阈值，则触发预警信号，并将所述预警信号上传至后台。3.根据权利要求2所述的基于LSTM模型及用户画像的交易风险预测方法，其特征在于，所述预警信号还要上传至用户终端。4.根据权利要求1所述的基于LSTM模型及用户画像的交易风险预测方法，其特征在于，所述对历史交易数据进行预处理和对用户当前消费数据进行预处理的方式均为数据清洗，所述数据清洗包括对数据一致性、缺失值和无效值进行处理。5.根据权利要求1所述的基于LSTM模型及用户画像的交易风险预测方法，其特征在于，在所述对LSTM网络模型进行训练过程中包括计算模型损失，所述模型损失的计算公式如下：L＝ω1×MSE+ω2×RMSE+ω3×MAE式中：ω1、ω2和ω3是模型参数，MSE是均方误差，RMSE是均方根误差、MAE是平均绝对误差。6.根据权利要求1所述的基于LSTM模型及用户画像的交易风险预测方法，其特征在于，在所述步骤S6中，对用户进行画像分析的方法如下：若用户的消费习惯数据不存在异常消费，则该用户为稳健性；若用户的消费习惯数据中存在异常消费，且异常消费次数低于银行发布的平均异常消费次数，则该用户为低风险；若用户的异常消费次数高于银行发布的平均异常消费次数，则该用户为高风险。7.基于LSTM模型及用户画像的交易风险预测系统，用于实现如所述权利要求1‑6任一项中的基于LSTM模型及用户画像技术的交易风险预测方法，其特征在于，包括：数据获取和预处理模块：用于采集用户信用卡历史交易数据和用户当前消费数据，并2CN115936709A权利要求书2/2页对采集到的数据进行预处理；模型构建模块：用于构建LSTM模型，并对模型进行训练和测试，得到交易异常概率预测模型；交易异常概率预测模