[發(fā)明專利]基于前向傳播的催收預(yù)測方法、裝置、設(shè)備及存儲介質(zhì)

在審

• 申請?zhí)枺?/td>: 201910341653.9
• 申請日: 2019-04-24
• 公開（公告）號: CN110288460A
• 公開（公告）日: 2019-09-27
• 發(fā)明（設(shè)計）人: 蘭翔;田羽;岳帥;陳剛;鐘磊
• 申請（專利權(quán)）人: 武漢眾邦銀行股份有限公司
• 主分類號: G06Q40/02
• 分類號: G06Q40/02;G06N3/08;G06N3/04
• 代理公司: 深圳市世紀(jì)恒程知識產(chǎn)權(quán)代理事務(wù)所 44287
• 代理人: 胡海國

本發(fā)明公開了一種基于前向傳播的催收預(yù)測方法、裝置、設(shè)備及存儲介質(zhì)，所述方法包括：獲取待預(yù)測用戶的交易數(shù)據(jù)，其中，所述交易數(shù)據(jù)包括用戶的當(dāng)前申請資料信息以及當(dāng)前貸后還款信息；對所述當(dāng)前申請資料信息進(jìn)行預(yù)處理，得到所述當(dāng)前申請資料信息的目標(biāo)自變量特征信息；采用預(yù)設(shè)高斯混合分布模型對所述當(dāng)前貸后還款信息對應(yīng)的待預(yù)測用戶進(jìn)分類，并根據(jù)分類結(jié)果對所述待預(yù)測用戶標(biāo)上相應(yīng)的目標(biāo)標(biāo)簽信息；將所述目標(biāo)自變量特征信息以及目標(biāo)標(biāo)簽信息通過預(yù)設(shè)深度神經(jīng)網(wǎng)絡(luò)反向傳播催收模型進(jìn)行催收預(yù)測，得到目標(biāo)催收預(yù)測結(jié)果，從而通過預(yù)設(shè)深度神經(jīng)網(wǎng)絡(luò)反向傳播催收模型進(jìn)行催收預(yù)測，提高預(yù)測精度的目的。

技術(shù)領(lǐng)域

本發(fā)明涉及計算機(jī)技術(shù)領(lǐng)域，尤其涉及一種基于前向傳播的催收預(yù)測方法、裝置、設(shè)備及存儲介質(zhì)。

背景技術(shù)

目前，催收預(yù)測運用現(xiàn)代的數(shù)理統(tǒng)計模型技術(shù)，通過對已發(fā)生違約者基本信息、信用歷史記錄和業(yè)務(wù)活動記錄的深度數(shù)據(jù)挖掘、分析和提煉，發(fā)現(xiàn)蘊藏在紛繁復(fù)雜數(shù)據(jù)中、反映違約者風(fēng)險特征和預(yù)期還款表現(xiàn)的知識和規(guī)律，預(yù)測違約人后續(xù)回款的金額，以指導(dǎo)貸款機(jī)構(gòu)催收資源分配與業(yè)務(wù)管理。

一般催收預(yù)測模型用到機(jī)器學(xué)習(xí)算法較多，基于變量的可解釋性，比如邏輯回歸模型(Logistic Regression，LR)基于梯度提升，比如迭代決策樹(Gradient BoostingDecision Tree，GBDT)，但是在實際的業(yè)務(wù)中，當(dāng)數(shù)據(jù)量呈現(xiàn)幾何級數(shù)的增長，達(dá)到幾億，幾十億，甚至上百億，在這種情況下，傳統(tǒng)的統(tǒng)計學(xué)習(xí)算法預(yù)測的精確不高。

發(fā)明內(nèi)容

本發(fā)明的主要目的在于提出一種基于前向傳播的催收預(yù)測方法、裝置、設(shè)備及存儲介質(zhì)，旨在解決基于機(jī)器學(xué)習(xí)的催收預(yù)測精度不高的技術(shù)問題。

為實現(xiàn)上述目的，本發(fā)明提供一種基于前向傳播的催收預(yù)測方法，所述基于前向傳播的催收預(yù)測方法包括以下步驟：

獲取待預(yù)測用戶的交易數(shù)據(jù)，其中，所述交易數(shù)據(jù)包括用戶的當(dāng)前申請資料信息以及當(dāng)前貸后還款信息；

對所述當(dāng)前申請資料信息進(jìn)行預(yù)處理，得到所述當(dāng)前申請資料信息的目標(biāo)自變量特征信息；

采用預(yù)設(shè)高斯混合分布模型對所述當(dāng)前貸后還款信息對應(yīng)的待預(yù)測用戶進(jìn)分類，并根據(jù)分類結(jié)果對所述待預(yù)測用戶標(biāo)上相應(yīng)的目標(biāo)標(biāo)簽信息；

將所述目標(biāo)自變量特征信息以及目標(biāo)標(biāo)簽信息通過預(yù)設(shè)深度神經(jīng)網(wǎng)絡(luò)反向傳播催收模型進(jìn)行催收預(yù)測，得到目標(biāo)催收預(yù)測結(jié)果。

優(yōu)選的，所述對所述當(dāng)前申請資料信息進(jìn)行預(yù)處理，得到所述當(dāng)前申請資料信息的目標(biāo)自變量特征信息，包括：

將所述當(dāng)前申請資料信息與預(yù)設(shè)申請資料信息進(jìn)行比較，根據(jù)比較結(jié)果得到所述當(dāng)前申請資料信息中的缺省數(shù)據(jù)信息；

獲取所述缺省數(shù)據(jù)信息對應(yīng)的預(yù)設(shè)填充信息，根據(jù)所述預(yù)設(shè)填充信息填充所述缺省數(shù)據(jù)信息，將填充后的當(dāng)前申請資料信息作為所述目標(biāo)自變量特征信息。

優(yōu)選的，所述采用預(yù)設(shè)高斯混合分布模型對所述當(dāng)前貸后還款信息對應(yīng)的待預(yù)測用戶進(jìn)分類，并根據(jù)分類結(jié)果對所述待預(yù)測用戶標(biāo)上相應(yīng)的目標(biāo)標(biāo)簽信息，包括：

獲取所述高斯混合分布模型的中心位置以及所述當(dāng)前貸后還款信息對應(yīng)的位置信息；

根據(jù)中心位置以及位置信息得到距離信息，將所述距離信息與預(yù)設(shè)閾值距離信息進(jìn)行比較，根據(jù)比較結(jié)果得到所屬類別的初始概率；

根據(jù)所述初始概率對所述當(dāng)前貸后還款信息對應(yīng)的待預(yù)測用戶進(jìn)行分類，并根據(jù)分類結(jié)果對所述待預(yù)測用戶標(biāo)上相應(yīng)的目標(biāo)標(biāo)簽信息。

優(yōu)選的，所述將所述目標(biāo)自變量特征信息以及目標(biāo)標(biāo)簽信息通過預(yù)設(shè)深度神經(jīng)網(wǎng)絡(luò)反向傳播催收模型進(jìn)行催收預(yù)測，得到目標(biāo)催收預(yù)測結(jié)果之前，所述方法還包括：