余额变动预测方法、系统及计算机设备与流程

1.本发明涉及数据处理领域，具体涉及一种余额变动预测方法、系统及计算机设备。
背景技术：
：：2.为了保证金融平台的稳定运行，需要稳定增加商业银行余额，因此商业银行余额的变动分析极为重要。增加余额转化需要准确分析带来主要余额变动的客户并对这些客户进行差异化管理，从而减少大额提款，增加/保存大额存款。3.但目前金融平台难以精准辨别出带来主要余额变动的客户，也不清楚客户大额提存的背景和背后原因，难以预测大额存提款客户的提存行为，因此预估他们对整体提余额变动的影响效果较差，金融平台商业银行余额的风险管理效果不佳。技术实现要素：4.本发明目的是：提供一种余额变动预测方法、系统及计算机设备。5.本发明的技术方案是：第一方面，本发明提供一种余额变动预测方法，所述方法包括：6.基于预设规则和历史数据集筛选出历史大额交易账户数据，所述大额交易数据包括大额交易账户及其对应的提存金额数据；7.基于所述历史大额交易账户对应的提存金额数据获得提存影响指标；8.基于所述提存影响指标和所述历史数据集建立并训练预测模型；9.基于所述预测模型对当前账户进行提存款预测。10.在一种较佳的实施方式中，所述基于预设规则和历史数据集筛选出历史大额交易账户数据包括：11.根据所述历史数据集计算年均提存款中位数；12.筛选出月提存额大于所述年均提存款中位数预设差值或大于所述年均提存款中位数预设倍数的历史大额交易账户数据。13.在一种较佳的实施方式中，所述基于所述历史大额交易账户对应的提存金额数据获得提存影响指标包括：14.分析所述历史大额交易账户数据获得相关提存影响指标；15.基于逻辑回归模型筛选所述相关提存影响指标获得目标提存影响指标。16.在一种较佳的实施方式中，所述基于逻辑回归模型筛选所述相关提存影响指标获得目标提存影响指标包括：17.根据年龄维度划分所述历史大额交易账户数据；18.基于逻辑回归模型和所述相关提存影响指标分析每个所述年龄维度的历史大额交易账户数据获得分析结果；19.基于所述分析结果筛选所述相关提存影响指标获得目标提存影响指标。20.在一种较佳的实施方式中，所述基于逻辑回归模型和所述相关提存影响指标分析每个所述年龄维度的历史大额交易账户数据获得分析结果包括：21.以所述相关提存影响指标为每个所述年龄维度的历史大额交易账户数据执行逻辑回归模型分析获得每个所述相关提存影响指标在每个所述年龄维度的b系数；22.所述基于所述分析结果筛选所述相关提存影响指标获得目标提存影响指标包括：23.筛选所述b系数大于0的所述相关提存影响指标为目标提存影响指标。24.在一种较佳的实施方式中，所述基于所述提存影响指标和所述历史数据集建立并训练预测模型包括：25.利用决策树算法基于所述目标提存影响指标构建行为预测模型；26.基于所述历史数据集训练所述行为预测模型获得预测模型。27.在一种较佳的实施方式中，所述基于所述提存影响指标和所述历史数据集建立并训练预测模型之前，所述方法还包括：28.对所述历史大额交易账户数据进行聚类分析获得聚类分类结果；29.所述基于所述历史数据集训练所述行为预测模型获得预测模型之后，所述方法还包括：30.基于所述聚类分类结果验证所述行为预测模型；31.若验证通过，则获得预测模型。32.在一种较佳的实施方式中，所述基于所述预测模型对当前账户进行提存款预测包括：33.基于所述预测模型和当前账户数据获得目标大额存款客户数据；34.基于所述预测模型和预先设置的大额提取风险预警阈值信号以及所述目标大额存款客户数据获得预测大额提款客户名单。35.第二方面，本发明还提供一种余额变动预测系统，所述系统包括：36.筛选模块，用于基于预设规则和历史数据集筛选出历史大额交易账户数据，所述大额交易数据包括大额交易账户及其对应的提存金额数据；37.获取模块，用于基于所述历史大额交易账户对应的提存金额数据获得提存影响指标；38.构建训练模块，用于基于所述提存影响指标和所述历史数据集建立并训练预测模型；39.预测模块，用于基于所述预测模型对当前账户进行提存款预测。40.第三方面，本发明还提供一种计算机设备，所述计算机设备包括：41.一个或多个处理器；42.以及与所述一个或多个处理器关联的存储器，所述存储器用于存储程序指令,所述程序指令在被所述一个或多个处理器读取执行时，执行如第一方面中任意一项所述的余额变动预测方法。43.本发明的优点是：提供一种余额变动预测方法、系统及计算机设备，方法包括：基于预设规则和历史数据集筛选出历史大额交易账户数据，所述大额交易数据包括大额交易账户及其对应的提存金额数据；基于所述历史大额交易账户对应的提存金额数据获得提存影响指标；基于所述提存影响指标和所述历史数据集建立并训练预测模型；基于所述预测模型对当前账户进行提存款预测；可以有效率的控制整体余额变动；提炼出提存影响指标，根据提存影响指标建立训练预测模型，能够对客户提存行为进行分类预测，可以达到有效预警提款、预测存款的行为。附图说明44.为了更清楚地说明本技术实施例中的技术方案，下面将对实施例描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本技术的一些实施例，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。45.图1为本发明所提供的余额变动预测方法流程图；46.图2为本发明所提供的余额变动预测方法中逻辑回归模型为每一个年龄群用以上四个相关提存影响指标跟大额提存进行分析的分析结果图；47.图3为本发明所提供的余额变动预测方法中预测模型的构建思路示意图；48.图4为本发明所提供的余额变动预测方法中决策树转化为分类列表结果图；49.图5为本发明所提供的余额变动预测方法中模型应用及营销策略适配示意图；50.图6为本发明所提供的余额变动预测系统结构图；51.图7为本发明所提供的计算机设备架构图。具体实施方式52.为使本技术的目的、技术方案和优点更加清楚，下面将结合本技术实施例中的附图，对本技术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技术一部分实施例，而不是全部的实施例。基于本技术中的实施例，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，都属于本技术保护的范围。53.如
背景技术：
：所述，现有技术中为了保证金融平台的稳定，需要对金融平台的余额进行控制，但金融平台上的余额提存是由不同客户执行的，因此需要找出大额提存款的客户，并对他们提存款项行为进行预测，以便能够针对性地执行营销等手段，从而稳定客户的提存行为，保证金融平台的余额稳定。54.为解决上述问题，本技术创造性地提出了余额变动预测方法、系统及计算机设备，能够准确地对客户大额提存进行预测，保证金融平台余额的稳定性。55.下面将结合附图和各个实施例，对本技术的方案进行详细介绍。56.实施例一：本实施例结合图1，对本技术中余额变动预测过程进行介绍。57.具体的，本实施例提供一种余额变动预测方法，所述方法包括：58.s110、基于预设规则和历史数据集筛选出历史大额交易账户数据，大额交易数据包括大额交易账户及其对应的提存金额数据。59.在一种实施方式中，所述基于预设规则和历史数据集筛选出历史大额交易账户数据包括：60.s111、根据所述历史数据集计算年均提存款中位数。61.示例性的，历史数据集中包含10万个客户的历史数据，包括每个客户的存款金额、存款时间、提款金额和提款时间、客户背景资料等。无论是提款或者是存款，拥有大额交易的客户占总客户数只有20％，但他们的交易金额占总交易金额近80％。最重要的是他们的交易额比非大额交易客户大3-4倍，还有他们的大额交易占所有客户的交易额近35％。所以余额的大额改变正是来自这一批大额交易户。计算年均提存款中位数。62.s112、筛选出月提存额大于所述年均提存款中位数预设差值或大于所述年均提存款中位数预设倍数的历史大额交易账户数据。63.示例性的，筛选出月提存即单月提取或存款金额大于年均提存款中位数的1.5倍，或者月提存大于年均提存款中位数rmb$1000的历史大额交易账户数据。64.s120、基于历史大额交易账户对应的提存金额数据获得提存影响指标。65.在一种实施方式中，所述基于所述历史大额交易账户对应的提存金额数据获得提存影响指标包括：66.s121、分析所述历史大额交易账户数据获得相关提存影响指标。67.具体的，基于历史大额交易账户数据的提取金额、提取时间、存款金额、存款时间分析获得四个相关提存影响指标：提存波动性(共有大额提存的次数)–代表客户提存的波动性，可能与他的消费/投资模式有关；进取性(总提款/总存款比例)–代表客户是属于进取型或者是保守型的类型；提款排行(总提款额/同年龄群的平均提款额)–代表客户在年龄群里是否属于比较提款多的一群；存款排行(总存款额/同年龄群的平均存款额)–代表客户在年龄群里是否属于比较存款多的一群。68.s122、基于逻辑回归模型筛选所述相关提存影响指标获得目标提存影响指标。69.在一种实施方式中，本步骤包括：70.s1221、根据年龄维度划分所述历史大额交易账户数据。71.s1222、基于逻辑回归模型和所述相关提存影响指标分析每个所述年龄维度的历史大额交易账户数据获得分析结果。72.每一个相关提存影响指标都会估计它们会跟促使客户在上述月份进行大额提存的金额有关联。例如估计相对同龄有比较高金额提存的人，还有就是进取型的人，他们应该会有更大的提存金额。因此，做了逻辑回归模型分析(logisticregressionmodel)。单独为每一个年龄群用以上四个相关提存影响指标跟大额提存进行了逻辑回归模型分析，分析结果如图2所示。73.优选的，本步骤包括：74.以所述相关提存影响指标为每个所述年龄维度的历史大额交易账户数据执行逻辑回归模型分析获得每个所述相关提存影响指标在每个所述年龄维度的b系数。75.s1223、基于所述分析结果筛选所述相关提存影响指标获得目标提存影响指标。76.优选的，本步骤：77.筛选所述b系数大于0的所述相关提存影响指标为目标提存影响指标。78.具体的，b系数越大，该相关提存影响指标越能代表拥有大额提存行为的客户的特性。在所有年龄群里面，提款排行与存款排行的b系数都是零，意味着拥有大额提存行为的客户无论是高提存或者是低提存都会存在，而不是只有高提存(引申到高净资产值)的客户才有大额提存。79.反之，提存波动性和进取性的b系数很显著，证明这两个因素会是分辨有大额提存与非大额提存户的重要指标。80.因此筛选出目标提存影响指标包括提存波动性和进取性。81.sa10、对所述历史大额交易账户数据进行聚类分析获得聚类分类结果。82.每一个客户会因为他自身的背景不同而拥有自己特殊的提存规律。倘若两个客户有类似的背景(例如年龄，收入，家庭背景，职业等等)，他们会有接近的大额提存的规律。基于现在只有每个月的提存数据，换言之，同类的客户会在接近的月份有大额的提存交易。采用聚类算法把有类似背景和在同一个月份都有大额交易的客户聚类起来。83.s130、基于提存影响指标和历史数据集建立并训练预测模型。84.预测模型的构建思路如图3所示。85.在一种实施方式中，所述基于所述提存影响指标和所述历史数据集建立并训练预测模型包括：86.s131、利用决策树算法基于所述目标提存影响指标构建行为预测模型。87.s132、基于所述历史数据集训练所述行为预测模型获得预测模型。88.具体的，使用python软件，利用决策树算法，跑行为预测的模型，为每一个年龄群建立客户分类准则。以下是模型分类的定义：[0089][0090]用python实施数据挖掘的决策树。把决策树转化为分类列表(classificationtable)如图4所示。其中，①区代表符合其提存波动性和进取性的客户会被标志为特定大额户，②区代表特定非大额提存户；而表格内的数字代表该分类的特定大额提存户的真实比例(％)。以图4为例，倘若一个客户他的波动性是3而进取性是0.95，他会被分类成为特定大额提存户(在8-10月份有大额提存，而这提存会占整体提存70％左右)，成为需要被专注管理/控制的一群。而这个分类的准确率是85.2％。[0091]从分类列表看到，特定大额提存户(在特定月份有大额提存的客户，而不是在其他月份)倾向于有较大的大额提存次数和提存比例。这也是一个合理的区分结果，间接证明模型的合理性。[0092]sa20、基于所述聚类分类结果验证所述行为预测模型；[0093]若验证通过，则获得预测模型。[0094]为了验证以上分类模型的准确度，进行了以下的分析(confusionmatrix)：[0095][0096]目前基于提存波动性和进取性两个目标提存影响指标来做识别，模型的分类准确率达75％以上！[0097]s140、基于预测模型对当前账户进行提存款预测。[0098]在一种实施方式中，所述基于所述预测模型对当前账户进行提存款预测包括：[0099]s141、基于所述预测模型和当前账户数据获得目标大额存款客户数据。[0100]s142、基于所述预测模型和预先设置的大额提取风险预警阈值信号以及所述目标大额存款客户数据获得预测大额提款客户名单。[0101]设置大额提取风险预警阈值信号和存款营销信号，并对根据不同客群进行一户一案的策略适配，提供给营销人员进行提前干预，进行客户引导，如图5所示。[0102]对预测大额提款客户名单上的客户进行营销触达。基于预测大额提款客户的画像、标签，以及全渠道不同触达方式，运营人员可以制定单事件或整合事件的营销策略，支持事件和波次的自动化营销，来达到对客户精准营销。[0103]实施例三：与上述实施例一至实施例二相对应的，下面将结合图6对本技术提供的余额变动预测系统进行介绍。其中，该系统可以通过硬件或软件的方式实现，也可以通过软硬件结合的方式实现，本技术并不限定。[0104]在一个示例中，本技术提供了一种余额变动预测系统，所述余额变动预测系统包括：[0105]筛选模块610，用于基于预设规则和历史数据集筛选出历史大额交易账户数据，所述大额交易数据包括大额交易账户及其对应的提存金额数据；[0106]获取模块620，用于基于所述历史大额交易账户对应的提存金额数据获得提存影响指标；[0107]构建训练模块630，用于基于所述提存影响指标和所述历史数据集建立并训练预测模型；[0108]预测模块640，用于基于所述预测模型对当前账户进行提存款预测。[0109]在一种实施方式中，所述筛选模块610包括：[0110]计算单元611，用于根据所述历史数据集计算年均提存款中位数；[0111]第一筛选单元612，用于筛选出月提存额大于所述年均提存款中位数预设差值或大于所述年均提存款中位数预设倍数的历史大额交易账户数据。[0112]优选的，所述获取模块620包括：[0113]分析单元621，用于分析所述历史大额交易账户数据获得相关提存影响指标；[0114]第二筛选单元622，用于基于逻辑回归模型筛选所述相关提存影响指标获得目标提存影响指标。[0115]更优选的，所述第二筛选单元622包括：[0116]划分子单元6221，用于根据年龄维度划分所述历史大额交易账户数据；[0117]分析子单元6222，用于基于逻辑回归模型和所述相关提存影响指标分析每个所述年龄维度的历史大额交易账户数据获得分析结果；[0118]筛选子单元6223，用于基于所述分析结果筛选所述相关提存影响指标获得目标提存影响指标。[0119]更优选的，所述分析子单元6222具体用于：[0120]以所述相关提存影响指标为每个所述年龄维度的历史大额交易账户数据执行逻辑回归模型分析获得每个所述相关提存影响指标在每个所述年龄维度的b系数；[0121]所述基于所述分析结果筛选所述相关提存影响指标获得目标提存影响指标包括：[0122]筛选所述b系数大于0的所述相关提存影响指标为目标提存影响指标。[0123]更优选的，所述构建训练模块630包括：[0124]构建单元631，用于利用决策树算法基于所述目标提存影响指标构建行为预测模型；[0125]训练单元632，用于基于所述历史数据集训练所述行为预测模型获得预测模型。[0126]更优选的，所述系统还包括：[0127]聚类模块650，用于在所述构建训练模块630基于所述提存影响指标和所述历史数据集建立并训练预测模型之前，对所述历史大额交易账户数据进行聚类分析获得聚类分类结果；[0128]所述系统还包括：[0129]验证模块660，用于在所述构建训练模块630基于所述提存影响指标和所述历史数据集建立并训练预测模型之后，基于所述聚类分类结果验证所述行为预测模型；[0130]若所述验证模块660验证通过，则获得预测模型。[0131]更优选的，所述预测模块640包括：[0132]第一获取单元641，用于基于所述预测模型和当前账户数据获得目标大额存款客户数据；[0133]第二获取单元642，用于基于所述预测模型和预先设置的大额提取风险预警阈值信号以及所述目标大额存款客户数据获得预测大额提款客户名单。[0134]实施例四：与上述实施例一至实施例三相对应的，下面将结合图7，对本技术提供的计算机设备进行介绍。在一个示例中如图7所示，本技术提供了一种计算机设备，该计算机设备包括：[0135]一个或多个处理器；[0136]以及与所述一个或多个处理器关联的存储器，所述存储器用于存储程序指令,所述程序指令在被所述一个或多个处理器读取执行时，执行如下操作：[0137]基于预设规则和历史数据集筛选出历史大额交易账户数据，所述大额交易数据包括大额交易账户及其对应的提存金额数据；[0138]基于所述历史大额交易账户对应的提存金额数据获得提存影响指标；[0139]基于所述提存影响指标和所述历史数据集建立并训练预测模型；[0140]基于所述预测模型对当前账户进行提存款预测。[0141]所述程序指令在被所述一个或多个处理器读取执行时，还执行如下操作：[0142]根据所述历史数据集计算年均提存款中位数；[0143]筛选出月提存额大于所述年均提存款中位数预设差值或大于所述年均提存款中位数预设倍数的历史大额交易账户数据。[0144]所述程序指令在被所述一个或多个处理器读取执行时，还执行如下操作：[0145]分析所述历史大额交易账户数据获得相关提存影响指标；[0146]基于逻辑回归模型筛选所述相关提存影响指标获得目标提存影响指标。[0147]所述程序指令在被所述一个或多个处理器读取执行时，还执行如下操作：[0148]根据年龄维度划分所述历史大额交易账户数据；[0149]基于逻辑回归模型和所述相关提存影响指标分析每个所述年龄维度的历史大额交易账户数据获得分析结果；[0150]基于所述分析结果筛选所述相关提存影响指标获得目标提存影响指标。[0151]所述程序指令在被所述一个或多个处理器读取执行时，还执行如下操作：[0152]以所述相关提存影响指标为每个所述年龄维度的历史大额交易账户数据执行逻辑回归模型分析获得每个所述相关提存影响指标在每个所述年龄维度的b系数；[0153]所述基于所述分析结果筛选所述相关提存影响指标获得目标提存影响指标包括：[0154]筛选所述b系数大于0的所述相关提存影响指标为目标提存影响指标。[0155]所述程序指令在被所述一个或多个处理器读取执行时，还执行如下操作：[0156]利用决策树算法基于所述目标提存影响指标构建行为预测模型；[0157]基于所述历史数据集训练所述行为预测模型获得预测模型。[0158]所述程序指令在被所述一个或多个处理器读取执行时，还执行如下操作：[0159]对所述历史大额交易账户数据进行聚类分析获得聚类分类结果；[0160]所述基于所述历史数据集训练所述行为预测模型获得预测模型之后，所述方法还包括：[0161]基于所述聚类分类结果验证所述行为预测模型；[0162]若验证通过，则获得预测模型。[0163]所述程序指令在被所述一个或多个处理器读取执行时，还执行如下操作：[0164]基于所述预测模型和当前账户数据获得目标大额存款客户数据；[0165]基于所述预测模型和预先设置的大额提取风险预警阈值信号以及所述目标大额存款客户数据获得预测大额提款客户名单。[0166]所述程序指令在被所述一个或多个处理器读取执行时，还可以执行与上述方法实施例中的各个步骤对应的操作，可以参考上文中的描述，此处不再赘述。参考图7，其示例性的展示出了计算机设备的架构，具体可以包括处理器710，视频显示适配器711，磁盘驱动器712，输入/输出接口713，网络接口714，以及存储器720。上述处理器710、视频显示适配器711、磁盘驱动器712、输入/输出接口713、网络接口714，与存储器720之间可以通过通信总线730进行通信连接。[0167]其中，处理器710可以采用通用的中央处理器(centralprocessingunit，cpu)、微处理器、应用专用集成电路(applicationspecificintegratedcircuit，asic)、或者一个或多个集成电路等方式实现，用于执行相关程序，以实现本技术所提供的技术方案。[0168]存储器720可以采用只读存储器(readonlymemory，rom)、随机存取存储器(randomaccessmemory，ram)、静态存储设备，动态存储设备等形式实现。存储器720可以存储用于控制计算机设备700运行的操作系统721，用于控制计算机设备700的低级别操作的基本输入输出系统(bios)722。另外，还可以存储网页浏览器723，数据存储管理724，以及图标字体处理系统725等等。上述图标字体处理系统725就可以是本技术实施例中具体实现前述各步骤操作的应用程序。总之，在通过软件或者固件来实现本技术所提供的技术方案时，相关的程序代码保存在存储器720中，并由处理器710来调用执行。[0169]输入/输出接口713用于连接输入/输出模块，以实现信息输入及输出。输入输出/模块可以作为组件配置在设备中(图中未示出)，也可以外接于设备以提供相应功能。其中输入设备可以包括键盘、鼠标、触摸屏、麦克风、各类传感器等，输出设备可以包括显示器、扬声器、振动器、指示灯等。[0170]网络接口714用于连接通信模块(图中未示出)，以实现本设备与其他设备的通信交互。其中通信模块可以通过有线方式(例如usb、网线等)实现通信，也可以通过无线方式(例如移动网络、wifi、蓝牙等)实现通信。[0171]总线730包括一通路，在设备的各个组件(例如处理器710、视频显示适配器711、磁盘驱动器712、输入/输出接口713、网络接口714，与存储器720)之间传输信息。[0172]另外，该计算机设备700还可以从虚拟资源对象领取条件信息数据库741中获得具体领取条件的信息，以用于进行条件判断，等等。[0173]需要说明的是，尽管上述计算机设备700仅示出了处理器710、视频显示适配器711、磁盘驱动器712、输入/输出接口713、网络接口714，存储器720，总线730等，但是在具体实施过程中，该计算机设备还可以包括实现正常运行所必需的其他组件。此外，本领域的技术人员可以理解的是，上述设备中也可以仅包含实现本技术方案所必需的组件，而不必包含图中所示的全部组件。[0174]通过以上的实施方式的描述可知，本领域的技术人员可以清楚地了解到本技术可借助软件加必需的通用硬件平台的方式来实现。基于这样的理解，本技术的技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来，该计算机软件产品可以存储在存储介质中，如rom/ram、磁碟、光盘等，包括若干指令用以使得一台计算机设备(可以是个人计算机，云服务器，或者网络设备等)执行本技术各个实施例或者实施例的某些部分所述的方法。[0175]本说明书中的各个实施例均采用递进的方式描述，各个实施例之间相同相似的部分互相参见即可，每个实施例重点说明的都是与其他实施例的不同之处。尤其，对于装置实施例而言，由于其基本相似于方法实施例，所以描述得比较简单，相关之处参见方法实施例的部分说明即可。以上所描述的装置实施例仅仅是示意性的，其中所述作为分离部件说明的模块可以是或者也可以不是物理上分开的，作为模块显示的部件可以是或者也可以不是物理模块，即可以位于一个地方，或者也可以分布到多个网络模块上。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。本领域普通技术人员在不付出创造性劳动的情况下，即可以理解并实施。[0176]另外，需要理解的是：本技术中术语“第一”、“第二”仅用于描述目的，而不能理解为指示或暗示相对重要性或者隐含指明所指示的技术特征的数量。由此，限定有“第一”、“第二”的特征可以明示或者隐含地包括一个或者更多个该特征。[0177]当然上述实施例只为说明本发明的技术构思及特点，其目的在于让熟悉此项技术的人能够了解本发明的内容并据以实施，并不能以此限制本发明的保护范围。凡根据本发明主要技术方案的精神实质所做的修饰，都应涵盖在本发明的保护范围之内。当前第1页12当前第1页12
技术特征：
1.一种余额变动预测方法，其特征在于，所述方法包括：基于预设规则和历史数据集筛选出历史大额交易账户数据，所述大额交易数据包括大额交易账户及其对应的提存金额数据；基于所述历史大额交易账户对应的提存金额数据获得提存影响指标；基于所述提存影响指标和所述历史数据集建立并训练预测模型；基于所述预测模型对当前账户进行提存款预测。2.根据权利要求1所述的余额变动预测方法，其特征在于，所述基于预设规则和历史数据集筛选出历史大额交易账户数据包括：根据所述历史数据集计算年均提存款中位数；筛选出月提存额大于所述年均提存款中位数预设差值或大于所述年均提存款中位数预设倍数的历史大额交易账户数据。3.根据权利要求2所述的余额变动预测方法，其特征在于，所述基于所述历史大额交易账户对应的提存金额数据获得提存影响指标包括：分析所述历史大额交易账户数据获得相关提存影响指标；基于逻辑回归模型筛选所述相关提存影响指标获得目标提存影响指标。4.根据权利要求3所述的余额变动预测方法，其特征在于，所述基于逻辑回归模型筛选所述相关提存影响指标获得目标提存影响指标包括：根据年龄维度划分所述历史大额交易账户数据；基于逻辑回归模型和所述相关提存影响指标分析每个所述年龄维度的历史大额交易账户数据获得分析结果；基于所述分析结果筛选所述相关提存影响指标获得目标提存影响指标。5.根据权利要求4所述的余额变动预测方法，其特征在于，所述基于逻辑回归模型和所述相关提存影响指标分析每个所述年龄维度的历史大额交易账户数据获得分析结果包括：以所述相关提存影响指标为每个所述年龄维度的历史大额交易账户数据执行逻辑回归模型分析获得每个所述相关提存影响指标在每个所述年龄维度的b系数；所述基于所述分析结果筛选所述相关提存影响指标获得目标提存影响指标包括：筛选所述b系数大于0的所述相关提存影响指标为目标提存影响指标。6.根据权利要求5所述的余额变动预测方法，其特征在于，所述基于所述提存影响指标和所述历史数据集建立并训练预测模型包括：利用决策树算法基于所述目标提存影响指标构建行为预测模型；基于所述历史数据集训练所述行为预测模型获得预测模型。7.根据权利要求6所述的余额变动预测方法，其特征在于，所述基于所述提存影响指标和所述历史数据集建立并训练预测模型之前，所述方法还包括：对所述历史大额交易账户数据进行聚类分析获得聚类分类结果；所述基于所述历史数据集训练所述行为预测模型获得预测模型之后，所述方法还包括：基于所述聚类分类结果验证所述行为预测模型；若验证通过，则获得预测模型。8.根据权利要求6所述的余额变动预测方法，其特征在于，所述基于所述预测模型对当
前账户进行提存款预测包括：基于所述预测模型和当前账户数据获得目标大额存款客户数据；基于所述预测模型和预先设置的大额提取风险预警阈值信号以及所述目标大额存款客户数据获得预测大额提款客户名单。9.一种余额变动预测系统，其特征在于，所述系统包括：筛选模块，用于基于预设规则和历史数据集筛选出历史大额交易账户数据，所述大额交易数据包括大额交易账户及其对应的提存金额数据；获取模块，用于基于所述历史大额交易账户对应的提存金额数据获得提存影响指标；构建训练模块，用于基于所述提存影响指标和所述历史数据集建立并训练预测模型；预测模块，用于基于所述预测模型对当前账户进行提存款预测。10.一种计算机设备，其特征在于，所述计算机设备包括：一个或多个处理器；以及与所述一个或多个处理器关联的存储器，所述存储器用于存储程序指令,所述程序指令在被所述一个或多个处理器读取执行时，执行如权利要求1-8任意一项所述的余额变动预测方法。

技术总结
本发明公开了一种余额变动预测方法、系统及计算机设备，方法包括：基于预设规则和历史数据集筛选出历史大额交易账户数据，所述大额交易数据包括大额交易账户及其对应的提存金额数据；基于所述历史大额交易账户对应的提存金额数据获得提存影响指标；基于所述提存影响指标和所述历史数据集建立并训练预测模型；基于所述预测模型对当前账户进行提存款预测；可以有效率的控制整体余额变动；提炼出提存影响指标，根据提存影响指标建立训练预测模型，能够对客户提存行为进行分类预测，可以达到有效预警提款、预测存款的行为。预测存款的行为。预测存款的行为。


技术研发人员：占健智
受保护的技术使用者：南京星云数字技术有限公司
技术研发日：2023.06.16
技术公布日：2023/10/15