[发明专利]一种逾期预测模型生成方法及终端设备

说明书

本发明提供了一种逾期预测模型生成方法及终端设备，适用于数据处理技术领域，该方法包括：通过学习模型对用户属性数据进行筛选，得到与逾期类别标签关联度最大的N种用户属性数据；对用户进行随机分组得到多个用户数随机的训练样本矩阵，再分别进行训练得到对应的多个子预测模型；基于包含的用户数计算子预测模型的投票系数，并构建得到所需的逾期预测模型。本发明实施例实现了对用户逾期的高效准确的预测。

技术领域

本发明属于数据处理技术领域，尤其涉及逾期预测模型生成方法及终端设备。

背景技术

现有技术中对用户贷款后的风险管理较为简单，都是被动式地获取用户是否逾期未还的结果，并在确定出用户逾期后再进行后续的催收或者理赔处理。然而当用户出现逾期未还的情况时，借贷公司已经遭受了一定的经济损失，同时对逾期的用户进行违约资金回收难度较大，使得借贷公司经济损失进一步地加重。

综上，现有技术中无法实现对用户的逾期风险进行有效评估预测。

发明内容

有鉴于此，本发明实施例提供了一种逾期预测模型生成方法及终端设备，以解决现有技术中无法对用户的逾期风险进行有效评估预测的问题。

本发明实施例的第一方面提供了一种逾期预测模型生成方法，包括：

获取M个用户的L种用户属性数据以及逾期类别标签，得到维度为M×(L+1)的输入矩阵，其中，M和L均为正整数；

将所述输入矩阵输入到预设的学习模型中，筛选出与所述逾期类别标签关联度最大的N种用户属性数据，所述学习模型为进行用户属性与逾期类别标签关联度分析的学习模型，其中，N为小于或等于L的正整数；

对所述M个用户进行随机分组，得到用户数P_h随机的H个用户组，并生成所述H个用户组分别对应的维度为P_h×(N+1)的H个训练样本矩阵，其中，P_h为正整数，H为大于1的正整数，h∈[1，H]；

将所述H个训练样本矩阵分别输入预设的H个神经网络模型中进行训练直至满足预设的收敛条件，确定出所述H个神经网络模型分别对应的模型参数，得到H个子预测模型；

根据所述H个用户组包含的用户数P_h计算出所述H个子预测模型分别对应的H个投票系数，并基于所述H个子预测模型以及分别对应的所述H个投票系数，构建得到逾期预测模型：

Presult＝Vcoent₁Vresult₁+Vcoent₂Vresult₂+…

+Vcoent_hVresult_h+…+Vcoent_HVresult_H

其中，Presult为所述逾期预测模型的输出结果，Vresult_h为第h个所述子预测模型的输出结果，Vcoent_h为第h个所述子预测模型对应的所述投票系数。

本发明实施例的第二方面提供了一种逾期预测模型生成终端设备，所述逾期预测模型生成终端设备包括存储器、处理器，所述存储器上存储有可在所述处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现如下步骤。

获取M个用户的L种用户属性数据以及逾期类别标签，得到维度为M×(L+1)的输入矩阵，其中，M和L均为正整数；

将所述输入矩阵输入到预设的学习模型中，筛选出与所述逾期类别标签关联度最大的N种用户属性数据，所述学习模型为进行用户属性与逾期类别标签关联度分析的学习模型，其中，N为小于或等于L的正整数；