一种基于长短期记忆循环神经网络的银行网点备付金预测方法

• 摘要：

  本发明公开了一种基于长短期记忆循环神经网络的银行网点备付金预测方法,包括数据预处理、模型训练和预测三个阶段.数据预处理阶段以日为单位,统计银行网点现金交易日存款总额、日取款总额,以及当天日期属性,构建特征向量;根据每日的现金交易记录计算得到的日净额.在模型训练阶段,依据历史特征向量和日净额数据训练LSTM模型.在预测阶段,统计银行网点预测日期前若干天的特征向量,输入LSTM模型预测当天的日净额所在区间,取该区间内的随机值作为当日的备付金需求.本发明充分利用了历史数据和长短期记忆循环神经网络在时间序列数据分析上的优势,有效提高了银行网点备付金预测的准确率.

• 专利类型：

  发明专利

• 申请/专利号：

  CN201710281286.9

• 申请日期：

  2017.04.26

• 公开/公告号：

  CN106886846A

• 公开/公告日：

  2017-06-23

• 发明人：

  王建新 刘煜 董姝婷 单文波

• 申请人：

  中南大学%湖南海得数据科技有限公司

• 主分类号：

  G06Q10/04(2012.01)I,G,G06,G06Q,G06Q10

• 分类号：

  G06Q10/04(2012.01)I,G06Q40/02(2012.01)I,G06N3/06(2006.01)I,G06N3/08(2006.01)I,G,G06,G06Q,G06N,G06Q10,G06Q40,G06N3,G06Q10/04,G06Q40/02,G06N3/06,G06N3/08

• 主权项：

  一种基于长短期记忆循环神经网络的银行网点备付金预测方法,其特征在于,包括数据预处理阶段、模型训练阶段和预测阶段;所述数据预处理阶段,收集银行网点若干天的现金交易记录作为训练集,构建交易数据库,数据库中包括根据每日的现金交易记录以日为单位构建的特征向量,以及根据每日的现金交易记录计算得到的日净额;所述模型训练阶段,搭建具有若干个隐含层的长短期记忆循环神经网络模型,即LSTM模型,其中每个隐含层包含若干个神经元,利用交易数据库中的特征向量和日净额对LSTM模型进行训练,得到最优LSTM模型权重参数;所述预测阶段,确定待预测的银行网点和预测日期,收集该银行网点前若干天的现金交易记录,然后分别转换成特征向量输入到LSTM预测模型中,输出预测结果,即备付金预测值.