基于LSTM网络的客户存款流失情况预测方法及装置

摘要

本发明公开了一种基于LSTM网络的客户存款流失情况预测方法及装置，该方法包括：获取客户的评估指标参数，其中，所述评估指标参数包括：信誉评级、存款能力指标、获利能力指标、财务管理能力指标、履约经历指标以及发展能力和潜力指标中的至少一种；将所述评估指标参数输入到预设的存款流失情况预测模型中，得到预测的所述客户的存款流失情况，其中，所述存款流失情况预测模型为根据训练数据采用LSTM网络训练得出的，所述存款流失情况包括：存款流失以及存款不流失。本发明实现了较为准确的对客户的存款流失情况进行预测的有益效果。

说明书

技术领域

本发明涉及人工智能技术领域，具体而言，涉及一种基于LSTM网络的客户存款流失情况预测方法及装置。

背景技术

目前，人们对于投资理财的关注度越来越高。移动互联网除了让人们花钱变得更容易，也让购买理财产品也变得更容易，在手机上买卖股票和基金的人越来越多。人们把原本要存入银行的闲置钱都购买了理财产品，自然的银行的存款就下降了。因此各类商业银行不但要不断扩充业务领域，也需要提前规避存款下降的风险。因此，如何对客户的存款流失情况进行预测，以降低银行资金风险显得极为重要。但是目前现有缺少一种较为准确的对客户的存款流失情况进行预测的方法。

发明内容

本发明为了解决上述背景技术中的技术问题，提出了一种基于LSTM网络的客户存款流失情况预测方法及装置。

为了实现上述目的，根据本发明的一个方面，提供了一种基于LSTM网络的客户存款流失情况预测方法，该方法包括：

获取客户的评估指标参数，其中，所述评估指标参数包括：信誉评级、存款能力指标、获利能力指标、财务管理能力指标、履约经历指标以及发展能力和潜力指标中的至少一种；

将所述评估指标参数输入到预设的存款流失情况预测模型中，得到预测的所述客户的存款流失情况，其中，所述存款流失情况预测模型为根据训练数据采用LSTM网络训练得出的，所述存款流失情况包括：存款流失以及存款不流失。

可选的，该基于LSTM网络的客户存款流失情况预测方法，还包括：

获取训练数据；

根据所述训练数据采用LSTM网络进行模型训练，得到所述存款流失情况预测模型。

可选的，该基于LSTM网络的客户存款流失情况预测方法，还包括：

根据所述客户在多个历史时间点的评估指标参数以及每个所述历史时间点对应的存款流失情况生成所述训练数据，其中，所述训练数据为时序数据。

可选的，该基于LSTM网络的客户存款流失情况预测方法，还包括：

获取多个历史时间点的评估指标参数以及在每个所述历史时间点对应的存款流失情况标签，其中，所述多个历史时间点的评估指标参数为多个不同客户的评估指标参数；

根据多个历史时间点的评估指标参数以及在每个所述历史时间点对应的存款流失情况标签生成所述训练数据，其中，所述训练数据为时序数据。

可选的，将所述评估指标参数输入到预设的存款流失情况预测模型中，得到预测的所述客户的存款流失情况，具体包括：

获取所述客户对应的存款流失情况预测模型；

将所述评估指标参数输入到所述客户对应的存款流失情况预测模型中，得到预测的所述客户的存款流失情况。

可选的，所述LSTM网络的输入层的节点数量与所述评估指标参数的数量一致，所述LSTM网络的隐藏层以Relu为激活函数，所述LSTM网络的输出层采用Softmax函数。

为了实现上述目的，根据本发明的另一方面，提供了一种基于LSTM网络的客户存款流失情况预测装置，该装置包括：

评估指标参数获取模块，用于获取客户的评估指标参数，其中，所述评估指标参数包括：信誉评级、存款能力指标、获利能力指标、财务管理能力指标、履约经历指标以及发展能力和潜力指标中的至少一种；

预测模块，用于将所述评估指标参数输入到预设的存款流失情况预测模型中，得到预测的所述客户的存款流失情况，其中，所述存款流失情况预测模型为根据训练数据采用LSTM网络训练得出的，所述存款流失情况包括：存款流失以及存款不流失。

可选的，该基于LSTM网络的客户存款流失情况预测装置，还包括：

训练数据获取模块，用于获取训练数据；

模型训练模块，用于根据所述训练数据采用LSTM网络进行模型训练，得到所述存款流失情况预测模型。

为了实现上述目的，根据本发明的另一方面，还提供了一种计算机设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现上述基于LSTM网络的客户存款流失情况预测方法中的步骤。

为了实现上述目的，根据本发明的另一方面，还提供了一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，所述计算机程序在计算机处理器中执行时实现上述基于LSTM网络的客户存款流失情况预测方法中的步骤。

本发明的有益效果为：本发明实施例先设定好评估指标参数，并采用LSTM网络训练得出存款流失情况预测模型，进而可以将客户的评估指标参数输入到存款流失情况预测模型中，得到预测的所述客户的存款流失情况，实现了准确和高效的对客户的存款流失情况进行预测的有益效果。

附图说明

为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。在附图中：

图1是本发明基于LSTM网络的客户存款流失情况预测方法的流程图；

图2是本发明实施例模型训练的流程图；

图3是本发明实施例生成训练数据流程图；

图4是本发明实施例LSTM网络的输入层示意图；

图5是本发明实施例LSTM网络整体示意图；

图6是本发明基于LSTM网络的客户存款流失情况预测装置的第一结构框图；

图7是本发明基于LSTM网络的客户存款流失情况预测装置的第二结构框图；

图8是本发明实施例计算机设备示意图。

具体实施方式

为了使本技术领域的人员更好地理解本发明方案，下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分的实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都应当属于本发明保护的范围。

本领域内的技术人员应明白，本发明的实施例可提供为方法、系统、或计算机程序产品。因此，本发明可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本发明可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。

需要说明的是，本发明的说明书和权利要求书及上述附图中的术语“包括”和“具有”以及他们的任何变形，意图在于覆盖不排他的包含，例如，包含了一系列步骤或单元的过程、方法、系统、产品或设备不必限于清楚地列出的那些步骤或单元，而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。

需要说明的是，在不冲突的情况下，本发明中的实施例及实施例中的特征可以相互组合。下面将参考附图并结合实施例来详细说明本发明。

本发明为了有效的对银行客户存款流失情况进行监控及预警，以降低银行资金风险，提供一种基于LSTM的客户存款流失情况预测方法，该方法结合LSTM算法以及银行实际存款过程中对客户个人的实力、信誉对其存款流失风险做出评估，然后依据存款流失风险等因素来确定是否通过其他资金理财方式、利率和期限等新型存款策略等因素，提高客户理财过程中存款流失监控及预警的精确度与准确性。

图1是本发明实施例基于LSTM网络的客户存款流失情况预测方法的流程图，如图1所示，本实施例的基于LSTM网络的客户存款流失情况预测方法包括步骤S101和步骤S102。

步骤S101，获取客户的评估指标参数，其中，所述评估指标参数包括：信誉评级、存款能力指标、获利能力指标、财务管理能力指标、履约经历指标以及发展能力和潜力指标中的至少一种。

在本发明一个实施例中，信誉评级可以为现有的信誉批评机构对客户的信誉评级，具体可以分为A级、B级、C级以及D级。在本发明一个实施例中，本发明在获取到客户的信誉评级后，还需要进行数值化处理。

在本发明一个实施例中，存款能力指标具体可以由客户存款余额、客户月工资收入以及客户月支出确定得出。

在本发明一个实施例中，获利能力指标具体可以由客户月利息收入以及客户月理财产品收入确定得出。

在本发明一个实施例中，财务管理能力指标具体可以由客户月均盈亏确定得出。

在本发明一个实施例中，履约经历指标具体可以由客户的履约次数以及违约次数确定得出。

在本发明一个实施例中，发展能力和潜力指标具体可以由客户的月工资增长确定得出。

在本发明实施例中，本发明在得到以上6个指标参数后，还需要对以上6个指标参数进行数值化处理以及归一化处理，以提高模型训练的效果。

步骤S102，将所述评估指标参数输入到预设的存款流失情况预测模型中，得到预测的所述客户的存款流失情况，其中，所述存款流失情况预测模型为根据训练数据采用LSTM网络训练得出的，所述存款流失情况包括：存款流失以及存款不流失。

由此可见，本发明通过先设定好评估指标参数，并采用LSTM网络训练得出存款流失情况预测模型，进而可以将客户的评估指标参数输入到存款流失情况预测模型中，得到预测的所述客户的存款流失情况，实现了准确和高效的对客户的存款流失情况进行预测的有益效果。

图2是本发明实施例模型训练的流程图，如图2所示，在本发明一个实施例中，上述步骤S102中的存款流失情况预测模型具体由步骤S201和步骤S202训练得出的。

步骤S201，获取训练数据。

在本发明一个实施例中，所述训练数据为时序数据，所述训练数据中包含所述客户在多个历史时间点的评估指标参数以及在每个所述历史时间点对应的存款流失情况标签。

在本发明另一个实施例中，所述训练数据为时序数据，所述训练数据中包含多个历史时间点的评估指标参数以及在每个所述历史时间点对应的存款流失情况标签，所述多个历史时间点的评估指标参数为多个不同客户的评估指标参数。

步骤S202，根据所述训练数据采用LSTM网络进行模型训练，得到所述存款流失情况预测模型。

在本发明实施例中，本发明在构建好客户评估指标参数的情况下，将所述各个评估指标参数作为LSTM算法的输入层的输入单元，这些输入层的输入单元合起来构成LSTM算法的输入层。

图4是本发明实施例LSTM网络的输入层示意图，如图4所示，所述LSTM网络的输入层的输入单元包括门激活函数、输入激活函数和输出激活函数，分别用σ、g和h表示Sigmoid函数、tanh函数和tanh函数。在时刻k，输入门、遗忘门和输出门分别计算LSTM单元的输入消息i

整个单元c

h

其中，x

图5是本发明实施例LSTM网络整体示意图，如图5所示，LSTM神经网络结构分为以下三层：一个输入层，一个隐藏层和一个输出层。输入层由6个节点(输入单元)组成，即所述的客户评估指标参数包括：信誉评级、存款能力指标(支出)、获利能力指标(收入)、财务管理能力指标、履约经历指标、发展能力和潜力指标；隐藏层神经元节点数为128个，并以Relu为激活函数，节点不被丢弃(dropout)的概率为0.5。本发明选择Softmax作为输出层，其包含的节点的输出为存款流失情况。

在本发明一个实施例中，上述实施例中的训练数据具体为根据所述客户在多个历史时间点的评估指标参数以及每个所述历史时间点对应的存款流失情况生成的，其中训练数据为时序数据。

图3是本发明实施例生成训练数据流程图，如图3所示，在本发明一个实施例中，上述实施例中的训练数据具体为通过步骤S301和步骤S302生成的。

步骤S301，获取多个历史时间点的评估指标参数以及在每个所述历史时间点对应的存款流失情况标签，其中，所述多个历史时间点的评估指标参数为多个不同客户的评估指标参数。

步骤S302，根据多个历史时间点的评估指标参数以及在每个所述历史时间点对应的存款流失情况标签生成所述训练数据，其中，所述训练数据为时序数据。

在本发明一个实施例中，本发明针对每个客户，将客户的历史数据作为训练数据，采用LSTM网络训练出每个客户各自对应的存款流失情况预测模型，进而用每个客户各自对应的存款流失情况预测模型对客户进行预测。

由此，上述步骤S102的将所述评估指标参数输入到预设的存款流失情况预测模型中，得到预测的所述客户的存款流失情况，具体包括：

获取所述客户对应的存款流失情况预测模型；

将所述评估指标参数输入到所述客户对应的存款流失情况预测模型中，得到预测的所述客户的存款流失情况。

由以上实施例可以看出，本发明至少实现了以下有益效果：

1、本发明解决了目前银行职员根据主观经验因素人为分析客户存款数据来确定客户存款流失可能性存在的效率低下及准确性较低的问题。

2、本发明通过LSTM算法对客户的评估指标参数进行分析，提高了对客户存款流失进行监测与预警的可靠性。

需要说明的是，在附图的流程图示出的步骤可以在诸如一组计算机可执行指令的计算机系统中执行，并且，虽然在流程图中示出了逻辑顺序，但是在某些情况下，可以以不同于此处的顺序执行所示出或描述的步骤。

基于同一发明构思，本发明实施例还提供了一种基于LSTM网络的客户存款流失情况预测装置，可以用于实现上述实施例所描述的基于LSTM网络的客户存款流失情况预测方法，如下面的实施例所述。由于基于LSTM网络的客户存款流失情况预测装置解决问题的原理与基于LSTM网络的客户存款流失情况预测方法相似，因此基于LSTM网络的客户存款流失情况预测装置的实施例可以参见基于LSTM网络的客户存款流失情况预测方法的实施例，重复之处不再赘述。以下所使用的，术语“单元”或者“模块”可以实现预定功能的软件和/或硬件的组合。尽管以下实施例所描述的装置较佳地以软件来实现，但是硬件，或者软件和硬件的组合的实现也是可能并被构想的。

图6是本发明实施例基于LSTM网络的客户存款流失情况预测装置的第一结构框图，如图6所示，在本发明一个实施例中，本发明的基于LSTM网络的客户存款流失情况预测装置包括：

评估指标参数获取模块1，用于获取客户的评估指标参数，其中，所述评估指标参数包括：信誉评级、存款能力指标、获利能力指标、财务管理能力指标、履约经历指标以及发展能力和潜力指标中的至少一种；

预测模块2，用于将所述评估指标参数输入到预设的存款流失情况预测模型中，得到预测的所述客户的存款流失情况，其中，所述存款流失情况预测模型为根据训练数据采用LSTM网络训练得出的，所述存款流失情况包括：存款流失以及存款不流失。

图7是本发明实施例基于LSTM网络的客户存款流失情况预测装置的第二结构框图，如图7所示，在本发明一个实施例中，本发明的基于LSTM网络的客户存款流失情况预测装置还包括：

训练数据获取模块3，用于获取训练数据；

模型训练模块4，用于根据所述训练数据采用LSTM网络进行模型训练，得到所述存款流失情况预测模型。

在本发明一个实施例中，本发明的基于LSTM网络的客户存款流失情况预测装置还包括：

第一训练数据生成模块，用于根据所述客户在多个历史时间点的评估指标参数以及每个所述历史时间点对应的存款流失情况生成所述训练数据，其中，所述训练数据为时序数据。

在本发明一个实施例中，本发明的基于LSTM网络的客户存款流失情况预测装置还包括：

多客户数据获取模块，用于获取多个历史时间点的评估指标参数以及在每个所述历史时间点对应的存款流失情况标签，其中，所述多个历史时间点的评估指标参数为多个不同客户的评估指标参数；

第二训练数据生成模块，用于根据多个历史时间点的评估指标参数以及在每个所述历史时间点对应的存款流失情况标签生成所述训练数据，其中，所述训练数据为时序数据。

在本发明一个实施例中，所述预测模块2，具体用于获取所述客户对应的存款流失情况预测模型，进而将所述评估指标参数输入到所述客户对应的存款流失情况预测模型中，得到预测的所述客户的存款流失情况。

为了实现上述目的，根据本申请的另一方面，还提供了一种计算机设备。如图8所示，该计算机设备包括存储器、处理器、通信接口以及通信总线，在存储器上存储有可在处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现上述实施例方法中的步骤。

处理器可以为中央处理器(Central Processing Unit，CPU)。处理器还可以为其他通用处理器、数字信号处理器(Digital Signal Processor，DSP)、专用集成电路(Application Specific Integrated Circuit，ASIC)、现场可编程门阵列(Field-Programmable Gate Array，FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等芯片，或者上述各类芯片的组合。

存储器作为一种非暂态计算机可读存储介质，可用于存储非暂态软件程序、非暂态计算机可执行程序以及单元，如本发明上述方法实施例中对应的程序单元。处理器通过运行存储在存储器中的非暂态软件程序、指令以及模块，从而执行处理器的各种功能应用以及作品数据处理，即实现上述方法实施例中的方法。

存储器可以包括存储程序区和存储数据区，其中，存储程序区可存储操作系统、至少一个功能所需要的应用程序；存储数据区可存储处理器所创建的数据等。此外，存储器可以包括高速随机存取存储器，还可以包括非暂态存储器，例如至少一个磁盘存储器件、闪存器件、或其他非暂态固态存储器件。在一些实施例中，存储器可选包括相对于处理器远程设置的存储器，这些远程存储器可以通过网络连接至处理器。上述网络的实例包括但不限于互联网、企业内部网、局域网、移动通信网及其组合。

所述一个或者多个单元存储在所述存储器中，当被所述处理器执行时，执行上述实施例中的方法。

上述计算机设备具体细节可以对应参阅上述实施例中对应的相关描述和效果进行理解，此处不再赘述。

为了实现上述目的，根据本申请的另一方面，还提供了一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，所述计算机程序在计算机处理器中执行时实现上述基于LSTM网络的客户存款流失情况预测方法中的步骤。本领域技术人员可以理解，实现上述实施例方法中的全部或部分流程，是可以通过计算机程序来指令相关的硬件来完成，所述的程序可存储于一计算机可读取存储介质中，该程序在执行时，可包括如上述各方法的实施例的流程。其中，所述存储介质可为磁碟、光盘、只读存储记忆体(Read-OnlyMemory，ROM)、随机存储记忆体(RandomAccessMemory，RAM)、快闪存储器(Flash Memory)、硬盘(Hard Disk Drive，缩写：HDD)或固态硬盘(Solid-State Drive，SSD)等；所述存储介质还可以包括上述种类的存储器的组合。

显然，本领域的技术人员应该明白，上述的本发明的各模块或各步骤可以用通用的计算装置来实现，它们可以集中在单个的计算装置上，或者分布在多个计算装置所组成的网络上，可选地，它们可以用计算装置可执行的程序代码来实现，从而，可以将它们存储在存储装置中由计算装置来执行，或者将它们分别制作成各个集成电路模块，或者将它们中的多个模块或步骤制作成单个集成电路模块来实现。这样，本发明不限制于任何特定的硬件和软件结合。

以上所述仅为本发明的优选实施例而已，并不用于限制本发明，对于本领域的技术人员来说，本发明可以有各种更改和变化。凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。