[發(fā)明專利]用戶信用的評估方法及裝置

在審

• 申請?zhí)枺?/td>: 202010547946.5
• 申請日: 2020-06-16
• 公開（公告）號: CN111709833A
• 公開（公告）日: 2020-09-25
• 發(fā)明（設(shè)計(jì)）人: 董亞東
• 申請（專利權(quán)）人: 中國銀行股份有限公司
• 主分類號: G06Q40/02
• 分類號: G06Q40/02;G06K9/62
• 代理公司: 北京集佳知識產(chǎn)權(quán)代理有限公司 11227
• 代理人: 李慧引

本申請?zhí)峁┝艘环N用戶信用的評估方法及裝置，通過獲取使用不停車收費(fèi)系統(tǒng)ETC卡扣款失敗的用戶信息；將用戶當(dāng)前的銀行信用屬性信息和用戶當(dāng)前的ETC卡信用屬性信息進(jìn)行預(yù)處理，得到用戶信息的特征向量；將用戶信息的特征向量輸入至用戶信用的評估模型中，得到用戶是否應(yīng)加入高速通行黑名單的判斷結(jié)果；用戶信用的評估模型由多個(gè)訓(xùn)練樣本用戶各自對應(yīng)的銀行信用屬性信息和ETC卡信用屬性信息對K近鄰算法模型進(jìn)行訓(xùn)練得到；多個(gè)訓(xùn)練樣本用戶包括多個(gè)高速通行黑名單樣本用戶和多個(gè)高速通行白名單樣本用戶；若用戶信用的評估模型判斷出用戶應(yīng)加入高速通行黑名單，則將用戶加入高速通行黑名單。使得高速通行黑名單的判斷標(biāo)準(zhǔn)與用戶實(shí)際的資產(chǎn)情況相匹配。

技術(shù)領(lǐng)域

本申請涉及計(jì)算機(jī)技術(shù)領(lǐng)域，特別涉及一種用戶信用的評估方法及裝置。

背景技術(shù)

電子不停車收費(fèi)系統(tǒng)(Electronic Toll Collection，ETC)是用于高速公路自動收費(fèi)的一種系統(tǒng)。隨著ETC的應(yīng)用越來越廣泛，使用ETC卡來支付高速公路通行費(fèi)的用戶也越來越多。目前，大多數(shù)用戶使用的ETC卡采用的是記賬收費(fèi)模式。即ETC記賬卡與用戶的一張銀行卡進(jìn)行綁定，用戶使用ETC記賬卡通過收費(fèi)站后，ETC會根據(jù)通行記錄從綁定的銀行卡中扣除通行費(fèi)。由于有些用戶所綁定的銀行卡內(nèi)沒有充足的資金支付通行費(fèi)，會出現(xiàn)欠費(fèi)的情況，因此銀行等金融機(jī)構(gòu)設(shè)立了高速通行黑名單來限制這類用戶的通行。

現(xiàn)有技術(shù)中，主要根據(jù)用戶ETC記賬卡的欠費(fèi)的次數(shù)或者欠費(fèi)的金額來評判用戶是否進(jìn)入高速通行黑名單。例如，當(dāng)用戶的ETC記賬卡欠費(fèi)次數(shù)達(dá)到n次時(shí)，該用戶會被設(shè)置為高速通行的黑名單用戶。然而，由于現(xiàn)有的高速通行黑名單的設(shè)置方式中僅考慮到了ETC記賬卡的欠費(fèi)次數(shù)或者欠費(fèi)金額，而ETC記賬卡的欠費(fèi)次數(shù)或者欠費(fèi)金額實(shí)際上不能夠反映用戶實(shí)際的資產(chǎn)情況，導(dǎo)致高速通行黑名單的設(shè)置標(biāo)準(zhǔn)與用戶實(shí)際的資產(chǎn)情況并不匹配。

發(fā)明內(nèi)容

有鑒于此，本申請?zhí)峁┮环N用戶信用的評估方法及裝置，用于高速通行黑名單的設(shè)置標(biāo)準(zhǔn)更加貼合用戶實(shí)際的資產(chǎn)情況。

本申請第一方面提供了一種用戶信用的評估方法，包括：

獲取使用不停車收費(fèi)系統(tǒng)ETC卡扣款失敗的用戶信息；其中，所述用戶信息包括：用戶當(dāng)前的銀行信用屬性信息以及所述用戶當(dāng)前的ETC卡信用屬性信息；

將所述用戶當(dāng)前的銀行信用屬性信息和所述用戶當(dāng)前的ETC卡信用屬性信息進(jìn)行預(yù)處理，得到所述用戶信息的特征向量；

將所述用戶信息的特征向量輸入至用戶信用的評估模型中，得到所述用戶是否應(yīng)加入高速通行黑名單的判斷結(jié)果；其中，所述用戶信用的評估模型由多個(gè)訓(xùn)練樣本用戶各自對應(yīng)的銀行信用屬性信息和ETC卡信用屬性信息對K近鄰算法模型進(jìn)行訓(xùn)練得到；所述多個(gè)訓(xùn)練樣本用戶包括多個(gè)高速通行黑名單樣本用戶和多個(gè)高速通行白名單樣本用戶；

若所述用戶信用的評估模型判斷出所述用戶應(yīng)加入高速通行黑名單，則將所述用戶加入高速通行黑名單。

可選的，所述用戶信用的評估模型的構(gòu)建方法，包括：

根據(jù)預(yù)設(shè)的初始樣本參數(shù)，建立初始K近鄰算法模型，并將所述初始用戶信用的評估模型確定為當(dāng)前K近鄰算法模型；

將訓(xùn)練樣本集中的數(shù)據(jù)輸入至所述當(dāng)前K近鄰算法模型中，得到當(dāng)前用戶的判斷結(jié)果參數(shù)值；其中，所述訓(xùn)練樣本集包括多個(gè)訓(xùn)練樣本；所述訓(xùn)練樣本為用戶各自對應(yīng)的銀行信用屬性信息和ETC卡信用屬性信息進(jìn)行預(yù)處理后得到的特征向量；所述多個(gè)訓(xùn)練樣本用戶包括多個(gè)高速通行黑名單樣本用戶和多個(gè)高速通行白名單樣本用戶；

比較所述當(dāng)前K近鄰算法模型輸出的當(dāng)前用戶的判斷結(jié)果參數(shù)值和所述訓(xùn)練樣本集中對應(yīng)的真實(shí)結(jié)果參數(shù)值，得到比較結(jié)果；

根據(jù)所述比較結(jié)果，判斷所述當(dāng)前K近鄰算法模型的預(yù)測準(zhǔn)確率是否滿足準(zhǔn)確率要求；