[發明專利]信用風險預測方法、系統、終端及存儲介質

在審

• 申請號: 201911331410.3
• 申請日: 2019-12-21
• 公開（公告）號: CN111062444A
• 公開（公告）日: 2020-04-24
• 發明（設計）人: 李心兒;劉彥;張在美;謝國琪
• 申請（專利權）人: 湖南大學
• 主分類號: G06K9/62
• 分類號: G06K9/62;G06Q40/02
• 代理公司: 長沙知行亦創知識產權代理事務所(普通合伙) 43240
• 代理人: 嚴理佳

1.一種信用風險預測方法，其特征在于，所述方法包括步驟：

采集已發生還款行為的用戶的信息作為第一樣本，并根據用戶的還款行為和信用風險等級間的預設映射關系，標注第一樣本的實際信用風險等級；

采集貸款審核未通過的用戶信息作為第二樣本；

根據多個第一樣本和對應的實際信用風險等級對待訓練的信用風險預測模型進行訓練，獲得初步訓練的信用風險預測模型；

采用初步訓練的信用風險預測模型對第二樣本的信用風險等級進行預測，獲得第二樣本的信用風險預測等級；

將多個第一樣本和對應的實際信用風險等級以及多個第二樣本和對應的信用風險預測等級，對初步訓練的信用風險預測模型進行訓練，獲得最終的信用分析預測模型。

2.根據權利要求1所述的信用風險預測方法，其特征在于，所述采集已發生還款行為的用戶的信息作為第一樣本的步驟包括：

采集已發生還款行為的用戶的信息；

對已發生還款行為的用戶信息進行中進行敏感信息過濾和/或預處理；

將過濾后和/或預處理后的已發生還款行為的用戶信息作為第一樣本。

3.根據權利要求1所述的信用風險預測方法，其特征在于，所述采集貸款審核未通過的用戶信息作為第二樣本的步驟包括：

采集貸款審核未通過的用戶信息；

對貸款審核未通過的用戶信息進行中進行敏感信息過濾和/或預處理；

將過濾后和/或預處理后的貸款審核未通過的用戶信息作為第二樣本。

4.根據權利要求1-3任一項所述的信用風險預測方法，其特征在于，若待訓練的信用風險預測模型包括至少一個預設的不同分類算法、至少一個預設的不同聚類算法以及待訓練的融合算法，所述根據多個第一樣本和對應的實際信用風險等級對待訓練的信用風險預測模型進行訓練，獲得初步訓練的信用風險預測模型的步驟包括：

將多個第一樣本同時分別輸入至各預設的分類算法和各預設的聚類算法中，獲得各預設分類算法輸出的第一分類結果以及各預設聚類算法輸出的第一聚類結果，其中各預設分類算法輸出的第一分類結果包括各第一樣本屬于各信用風險等級對應的概率以及各第一樣本的信用風險預測等級，各預設聚類算法輸出的第一聚類結果包括與預設信用風險等級數量相同數量的簇類、各簇類屬于各信用風險等級對應的概率以及各第一樣本所屬簇類；

根據預設的簇類實際概率矩陣、各第一樣本的實際信用風險等級、各預設分類算法輸出的第一分類結果以及各預設聚類算法輸出的第一聚類結果對待訓練的融合算法進行訓練，獲得初步訓練的融合算法。

5.根據權利要求4所述的信用風險預測方法，其特征在于，所述根據預設的簇類實際概率矩陣、各第一樣本的實際信用風險等級、各預設分類算法輸出的第一分類結果以及各預設聚類算法輸出的第一聚類結果對待訓練的融合算法進行訓練，獲得初步訓練的融合算法的步驟包括：

根據各第一樣本的實際信用風險等級，構建樣本實際概率矩陣；

根據各預設分類算法輸出的第一分類結果以及各預設聚類算法輸出的第一聚類結果，構建樣本預測平均概率矩陣、簇類預測平均概率矩陣、分布矩陣和同屬度矩陣；

將預設的簇類實際概率矩陣、樣本實際概率矩陣、樣本預測平均概率矩陣、簇類預測平均概率矩陣、分布矩陣和同屬度矩陣輸入至待訓練的融合算法中，采用塊坐標下降算法獲取待訓練的融合算法中的初步參數。

6.根據權利要求5所述的信用風險預測方法，其特征在于，所述根據多個第一樣本和對應的實際信用風險等級對待訓練的信用風險預測模型進行訓練，獲得初步訓練的信用風險預測模型的步驟還包括：

根據K-十折交叉驗證方法以及多個第一樣本和對應的實際信用風險等級對待訓練的信用風險預測模型進行訓練，獲得初步訓練的信用風險預測模型。