资金流预测方法、装置、设备及存储介质与流程

摘要: 本技术涉及预测,尤其涉及一种资金流预测方法、装置、设备及存储介质。背景技术:1、在商业银行的风险管理、信贷审批及客户服务等业务中,需要依据客户历史交易数据对其未...
资金流预测方法、装置、设备及存储介质与流程

本技术涉及预测,尤其涉及一种资金流预测方法、装置、设备及存储介质。

背景技术:

1、在商业银行的风险管理、信贷审批及客户服务等业务中,需要依据客户历史交易数据对其未来一段时间内的资金流入和流出情况进行预测,以支撑授信额度核定、资金流向监控及客户关系管理等业务决策。

2、目前,商业银行主要采用传统统计方法(如移动平均法)或基础机器学习模型(如线性回归、长短期记忆网络(long short-term memory,lstm)‌)进行资金流预测。现有的通常将不同客户的交易数据在同一模型架构下统一训练。但不同客户的交易行为模式存在结构性差异,有的客户资金按月度周期性进出,有的客户交易频率高但单笔金额小,有的客户呈现明显的季节性波动。行为模式不同的客户数据混在一起训练,模型参数是所有客户数据共同作用下的折中结果,导致模型对于不同群体类别的客户的预测逻辑针对性较差。

技术实现思路

1、本技术的主要目的在于提供一种资金流预测方法、装置、设备及存储介质,旨在解决模型对于不同群体类别的客户的预测逻辑针对性较差的问题。

2、为实现上述目的,本技术提出一种资金流预测方法,所述方法包括:

3、获取客户的历史交易数据,根据所述历史交易数据对所述客户进行分群处理,得到所述客户对应的分群标签;

4、将所述历史交易数据以及所述分群标签输入预测模型,获得所述客户在未来预设时间段内的资金流预测结果;

5、其中,所述预测模型包括依次连接的自注意力模块、编码模块以及输出模块,所述自注意力模块用于根据所述分群标签调整自注意力权重分布,所述编码模块用于按照所述调整后的自注意力权重分布对所述历史交易数据进行编码,得到编码特征,所述输出模块用于根据所述编码特征获得所述资金流预测结果。

6、在一实施例中,所述根据所述历史交易数据对所述客户进行分群处理,得到所述客户对应的分群标签的步骤,包括:

7、根据各所述历史交易数据中的零交易天数、交易总金额、交易天数、日均交易额、单笔最大金额以及交易间隔均值中至少一项确定对应的初始交易向量;

8、对各所述初始交易向量分别进行最值归一化,得到对应的目标交易向量,并将各所述目标交易向量均作为待分裂簇;

9、对所述待分裂簇进行迭代分裂,得到分裂子簇,并根据所述分裂子簇确定所述客户对应的分群标签。

10、在一实施例中,所述对所述待分裂簇进行迭代分裂,得到分裂子簇,并根据所述分裂子簇确定所述客户对应的分群标签的步骤,包括:

11、将所述待分裂簇中距离最远的两个目标交易向量作为第一聚类中心和第二聚类中心,并确定所述待分裂簇中的各剩余所述目标交易向量分别到所述第一聚类中心和到所述第二聚类中心的划分距离;

12、根据各所述划分距离将所述待分裂簇中的各剩余所述目标交易向量划分至所述第一聚类中心对应的第一分裂子簇或所述第二聚类中心对应的第二分裂子簇;

13、根据所述第一分裂子簇以及所述第二分裂子簇确定所述客户对应的分群标签。

14、在一实施例中,所述根据所述第一分裂子簇以及所述第二分裂子簇确定所述客户对应的分群标签的步骤,包括:

15、根据所述第一分裂子簇中的各所述目标交易向量更新所述第一聚类中心,并根据所述第二分裂子簇中的各所述目标交易向量更新所述第二聚类中心;

16、返回执行所述确定所述待分裂簇中的各剩余所述目标交易向量分别到所述第一聚类中心和到所述第二聚类中心的划分距离的步骤,直至更新后的所述第一聚类中心与更新前的所述第一聚类中心之间的距离以及更新后的所述第二聚类中心与更新前的所述第二聚类中心之间的距离均小于预设距离阈值,得到所述待分裂簇分裂后的第一目标分裂子簇和第二目标分裂子簇;

17、将所述第一目标分裂子簇以及所述第二目标分裂子簇放入历史分裂子簇中,并确定所述历史分裂子簇中所有目标分裂子簇的误差平方和;

18、将所述误差平方和最大的目标分裂子簇确定为新的待分裂簇,并将所述误差平方和最大的目标分裂子簇从所述历史分裂子簇中删除;

19、返回执行所述将所述待分裂簇中距离最远的两个目标交易向量作为第一聚类中心和第二聚类中心的步骤,直至所述目标分裂子簇的总数量达到预设簇数量,根据各所述目标分裂子簇确定各所述客户对应的分群标签。

20、在一实施例中,所述将所述历史交易数据以及所述分群标签输入预测模型,获得所述客户在未来预设时间段内的资金流预测结果的步骤之后,还包括:

21、确定所述历史交易数据在预设历史时间段内的空值天数,根据所述空值天数与所述预设历史时间段的总天数的比值,得到交易空值率;

22、根据所述交易空值率确定校准权重系数,将所述资金流预测结果与所述校准权重系数的乘积作为中间资金流预测结果;

23、判断是否存在与所述客户关联的外源数据,并在存在外源数据的情况下,根据所述外源数据对所述中间资金流预测结果进行修正,得到目标资金流预测结果。

24、在一实施例中,所述根据所述外源数据对所述中间资金流预测结果进行修正,得到目标资金流预测结果的步骤,包括:

25、判断所述外源数据是否被所述预测模型的预测结果覆盖;

26、在所述外源数据未被所述预测模型的预测结果覆盖的情况下,获取所述客户在所述外源数据对应时间点之前的预设天数内的历史日度交易金额;

27、确定各所述历史日度交易金额的交易中位数,将所述交易中位数作为结果修正值;

28、根据所述结果修正值对所述中间资金流预测结果进行修正,得到目标资金流预测结果。

29、在一实施例中,所述获取客户的历史交易数据的步骤之前,还包括:

30、获取样本客户的历史交易数据样本及实际资金流数据;

31、根据所述历史交易数据样本对所述样本客户进行分群处理,得到所述样本客户的样本分群标签;

32、通过所述历史交易数据样本、所述样本分群标签以及所述实际资金流数据对初始模型进行训练,获得预测模型。

33、此外,为实现上述目的,本技术还提出一种资金流预测装置,所述装置包括:

34、客户分群模块,用于获取客户的历史交易数据,根据所述历史交易数据对所述客户进行分群处理,得到所述客户对应的分群标签;

35、结果预测模块,用于将所述历史交易数据以及所述分群标签输入预测模型,获得所述客户在未来预设时间段内的资金流预测结果,其中,所述预测模型包括依次连接的自注意力模块、编码模块以及输出模块,所述自注意力模块用于根据所述分群标签调整自注意力权重分布,所述编码模块用于按照所述调整后的自注意力权重分布对所述历史交易数据进行编码,得到编码特征,所述输出模块用于根据所述编码特征获得所述资金流预测结果。

36、此外,为实现上述目的,本技术还提出一种资金流预测设备,所述设备包括:存储器、处理器及存储在所述存储器上并可在所述处理器上运行的计算机程序,所述计算机程序配置为实现如上文所述的资金流预测方法的步骤。

37、此外,为实现上述目的,本技术还提出一种存储介质,所述存储介质为计算机可读存储介质,所述存储介质上存储有计算机程序,所述计算机程序被处理器执行时实现如上文所述的资金流预测方法的步骤。

38、本技术提供一种资金流预测方法、装置、设备及存储介质,所述方法包括:获取客户的历史交易数据,根据所述历史交易数据对所述客户进行分群处理,得到所述客户对应的分群标签;将所述历史交易数据以及所述分群标签输入预测模型,获得所述客户在未来预设时间段内的资金流预测结果;其中,所述预测模型包括依次连接的自注意力模块、编码模块以及输出模块,所述自注意力模块用于根据所述分群标签调整自注意力权重分布,所述编码模块用于按照所述调整后的自注意力权重分布对所述历史交易数据进行编码,得到编码特征,所述输出模块用于根据所述编码特征获得所述资金流预测结果。

39、本技术的资金流预测方法通过根据客户的历史交易数据对客户进行分群处理,得到客户对应的分群标签,并将历史交易数据以及分群标签共同输入预测模型。预测模型包含自注意力模块,分群标签的使自注意力模块在计算注意力权重时能够根据不同群体类别调整权重分布,由于不同群体类别的客户对应不同的注意力权重分布,进而可针对不同群体形成差异化的预测逻辑,解决了现有的模型对于不同群体类别的客户的预测逻辑针对性较差的问题。