[发明专利]数据预测方法及计算机可读存储介质

权利要求书

1.一种数据预测方法，应用于信贷违约风险管控当中，其特征在于，包括：

采集待预测的目标特征数据，并根据所述目标特征数据及预设的原始特征数据确定群体稳定性指标，所述目标特征数据及所述原始特征数据为信贷违约风险管控的样本数据；

当所述群体稳定性指标大于稳定性阈值，对目标模型进行训练，将所述目标特征数据输入至训练后的目标模型，对信贷违约风险进行预测，确定所述训练后的目标模型的信贷违约风险预测值，以使得所述训练后的目标模型的信贷违约风险预测值对应的信贷违约风险预测结果与将所述原始特征数据输入至所述原始模型得到的信贷违约风险预测值对应的信贷违约风险预测结果之间的均方误差值小于均方误差阈值；

其中，所述训练后的目标模型的信贷违约风险预测值用于表征所述目标特征数据对应的所述信贷风险管控的目标分类结果的预测概率，所述原始模型的信贷违约风险预测值用于表征所述原始特征数据对应的所述信贷违约风险管控的目标分类结果的预测概率。

2.根据权利要求1所述的方法，其特征在于，所述目标特征数据包括以下至少一项：

用户的基础属性数据、虚拟增值服务数据、社交互动行为数据、经济行为数据、娱乐休闲行为数据、在线离线O2O生活服务数据、穿戴设备数据、基于位置服务LBS地理位置数据、旅游出行数据。

3.根据权利要求1所述的方法，其特征在于，确定训练后的目标模型的信贷违约风险预测值对应的信贷违约风险预测结果与将所述原始特征数据输入至所述原始模型得到的信贷违约风险预测值对应的信贷违约风险预测结果相同的方式，包括：

若所述训练后的目标模型的信贷违约风险预测值对应的信贷违约风险预测结果与将所述原始特征数据输入至所述原始模型得到的信贷违约风险预测值对应的信贷违约风险预测结果之间的均方误差值小于均方误差阈值，且所述均方误差值为0，确定所述训练后的目标模型的信贷违约风险预测值对应的信贷违约风险预测结果与所述原始模型的信贷违约风险预测值对应的信贷违约风险预测结果相同。

4.根据权利要求1所述的方法，其特征在于，对所述目标模型进行训练的方式包括：

将所述目标特征数据输入至目标模型，确定所述目标模型的信贷违约风险预测值和原始模型的信贷违约风险预测值的近似值；

根据所述目标模型的信贷违约风险预测值和所述近似值，确定所述目标模型的损失函数的值；

当所述目标模型的损失函数的值大于损失阈值，根据所述目标特征数据和所述目标模型的信贷违约风险预测值，对所述目标模型进行训练，更新所述目标模型的网络参数；

重复执行所述将所述目标特征数据输入至目标模型，确定所述目标模型的信贷违约风险预测值和原始模型的信贷违约风险预测值的近似值、所述根据所述目标模型的信贷违约风险预测值和所述近似值，确定所述目标模型的损失函数的值、以及所述当所述目标模型的损失函数的值大于损失阈值，根据所述目标特征数据和所述目标模型的信贷违约风险预测值，对所述目标模型进行训练，更新所述目标模型的网络参数，直至当所述目标模型的损失函数的值等于损失阈值，得到训练后的目标模型。

5.根据权利要求4所述的方法，其特征在于，所述目标模型包括：特征编码器、分类器和回归器；所述特征编码器、所述分类器和所述回归器为两两相互连接的神经网络。

6.根据权利要求5所述的方法，其特征在于，所述将所述目标特征数据输入至目标模型，确定所述目标模型的信贷违约风险预测值和原始模型的信贷违约风险预测值的近似值，包括：

将所述目标特征数据输入至所述特征编码器，得到潜在空间表征；

将所述潜在空间表征输入至所述分类器，得到所述目标模型的信贷违约风险预测值；

将所述潜在空间表征输入至所述回归器，得到所述原始模型的信贷违约风险预测值的近似值。