(19)国家知识产权局 (12)发明 专利申请 (10)申请公布号 (43)申请公布日 (21)申请 号 202211005194.5 (22)申请日 2022.08.22 (71)申请人 晋商消费金融股份有限公司 地址 030000 山西省太原市小店区亲贤街 79号茂业中心3层、 4层、 49层 (72)发明人 惠康　上官玉将　李文超　温子萱　 张晋鹏　 (74)专利代理 机构 广州三环 专利商标代理有限 公司 44202 专利代理师 何卿华 (51)Int.Cl. G06Q 40/02(2012.01) G06N 3/04(2006.01) G06N 3/08(2006.01) (54)发明名称 一种基于卷积神经网络的信贷时序数据建 模方法及装置 (57)摘要 本发明公开了一种基于卷积神经网络的信 贷时序数据建模方法及装置， 包括： 获取历史数 据， 所述历史数据包括业务数据和时序数据， 对 所述业务数据和时序数据进行转化， 得到客户数 据二维矩阵； 获取初始神经网络模型， 根据所述 客户数据二维矩 阵对所述初始神经网络模型进 行训练， 并在每次训练时， 对输入的二维矩阵进 行卷积、 激活和池化操作， 更新每次训练后的模 型参数； 直至达到预设条件后， 停止训练迭代， 保 存模型参数， 以完成神经网络模型的构建。 本发 明通过将客户的历史时序数据和业务数据转化 为客户数据二维矩阵， 挖掘了时序相关数据与客 户标签之间的联系， 提升客户标签的预测准确 度。 权利要求书2页 说明书6页 附图4页 CN 115358838 A 2022.11.18 CN 115358838 A 1.一种基于卷积神经网络的信贷时序数据建模方法， 其特 征在于， 包括： 获取历史数据， 所述历史数据包括业务数据和时序数据， 对所述业务数据和时序数据 进行转化， 得到客户数据二 维矩阵； 其中， 所述客户数据二 维矩阵是根据所述业务数据对应 的业务一维矩阵和时序一维矩阵而转换获得； 获取初始神经网络模型， 根据 所述客户数据二维矩阵对所述初始神经网络模型进行训 练， 并在每次训练时， 对输入的二维矩阵进行卷积、 激活和池化操作， 更新每次训练后的模 型参数； 直至达到预设条件后， 停止训练迭代， 保存 模型参数， 以完成神经网络模型的构建。 2.如权利要求1所述的基于卷积神经网络的信贷时序 数据建模方法， 其特征在于， 所述 获取历史数据， 所述历史数据包括业务数据和时序数据， 对所述业务数据和时序数据进行 转化， 得到客户数据二 维矩阵； 其中， 所述客户数据二 维矩阵是根据所述业务数据对应的业 务一维矩阵和时序一维矩阵而转换获得， 具体为： 获取业务数据和时序数据， 将所述业务数据和时序数据分别转化为一维矩阵， 获得业 务一维矩阵和时序一维矩阵； 将所述业务一维矩阵和时序一维矩阵进行转 化， 得到客户数据二维矩阵。 3.如权利要求1所述的基于卷积神经网络的信贷时序 数据建模方法， 其特征在于， 在所 述获取初始神经网络模型， 根据所述客户数据二维矩阵对所述初始神经网络模型进行训 练， 并在每次训练时， 对输入的二维矩阵进行卷积、 激活和池化操作， 更新每次训练后的模 型参数之前， 还 包括： 构建初始神经网络模型， 所述初始神经网络模型包括预设的卷积核值和全连接 权重。 4.如权利要求3所述的基于卷积神经网络的信贷时序 数据建模方法， 其特征在于， 所述 获取初始神经网络模型， 根据所述客户数据二维矩阵对所述初始神经网络模型进行训练， 并在每次训练 时， 对输入的二 维矩阵进 行卷积、 激活和池化操作， 更新每次训练后的模型参 数， 具体为： 将所述客户数据二维矩阵以前向传播的方式输入到神经网络模型中； 对所述客户数据二维矩阵多次进行 卷积、 激活和池化操作， 得到第一目标矩阵； 根据所述第一目标矩阵， 计算输出值， 并根据所述输出值对 模型参数进行 更新。 5.如权利要求4所述的基于卷积神经网络的信贷时序 数据建模方法， 其特征在于， 所述 对所述客户数据二维矩阵多次进行 卷积、 激活和池化操作， 得到第一目标矩阵， 具体为： 使用卷积滤波器以滑动窗口 的方式对所述 客户数据二维矩阵进行 卷积； 根据Relu激活函数对卷积后的结果矩阵进行激活； 采用最大池化对激活后的矩阵进行池化处 理， 得到第一目标矩阵。 6.如权利要求4所述的基于卷积神经网络的信贷时序 数据建模方法， 其特征在于， 所述 根据所述第一目标矩阵， 计算输出值， 具体为： 对所述第一目标矩阵进行张量扁平化， 得到一维目标 数组； 对所述一维目标数组进行全连接， 并根据sigmoid函数对全连接后的值进行激活， 得到 输出值。 7.如权利要求6所述的基于卷积神经网络的信贷时序 数据建模方法， 其特征在于， 所述 根据所述输出值对 模型参数进行 更新， 具体为：权　利　要　求　书 1/2 页 2 CN 115358838 A 2根据输出值计算交叉信息熵， 根据交叉信息熵和链式法则对所述模型参数进行更新， 所述模型参数包括各 卷积核值及全连接 权重。 8.一种客户标签预测方法， 其特 征在于， 包括： 获取客户历史数据， 所述 客户历史数据包括 业务数据和时序数据； 根据所述客户历史数据， 应用如权利要求1至7所述的一种基于卷积神经网络的信贷时 序数据建模方法所建立的神经网络模型对客户标签进行 预测。 9.一种基于卷积神经网络的信贷时序 数据建模装置， 其特征在于， 包括： 数据 预处理模 块和训练迭代模块； 所述数据预处理模块， 用于获取历史数据， 所述历史数据包括业务数据和时序数据， 对 所述业务数据和时序数据进行转 化， 得到客户数据二维矩阵； 所述训练迭代模块， 用于获取初始神经网络模型， 根据所述客户数据二维矩阵对所述 初始神经网络模型进 行重复训练和评估， 并更新模 型参数； 直至达到预设条件后， 停止训练 迭代， 保存 模型参数， 以完成神经网络模型的构建。 10.一种客户标签预测装置， 其特 征在于， 包括： 数据获取模块和预测模块； 所述数据获取模块， 用于获取客户历史数据， 所述客户历史数据包括业务数据和时序 数据； 所述预测模块， 用于根据 所述客户历史数据， 应用如权利要求8所述的一种基于卷积神 经网络的信贷时序数据建模 装置所建立的神经网络模型对客户标签进行 预测。权　利　要　求　书 2/2 页 3 CN 115358838 A 3