[发明专利]逾期行为预测方法及装置、存储介质及电子设备

说明书

本发明提供了一种逾期行为预测方法及装置、存储介质及电子设备，该方法包括：响应于预测指令，确定所述预测指令对应的用户；获取所述用户在预设的时间段内的行为数据以及所述用户的用户数据；所述行为数据由所述用户对终端上的金融类应用程序的操作生成；所述用户数据包括用户个人信息、资产数据、信用数据和交易数据中的至少一种；根据所述用户在所述时间段内的行为数据获得所述用户的行为序列；将所述行为序列以及所述用户数据输入到预先构建的逾期行为预测模型，获得所述逾期行为预测模型输出的所述用户的逾期行为预测结果。应用本发明实施例提供的方法，能够提取时间维度特征和细粒度的行为特征，有效的提高了模型的预测准确率。

技术领域

本发明涉及数据处理技术领域，特别涉及一种逾期行为预测方法及装置、存储介质及电子设备。

背景技术

预测贷款逾期是银行风控体系的重要组成部分，目前传统的逾期预测模型主要侧重于对于消费者自身偿债能力的评价从而进行风险的确定，此类模型基于风险等级的评价以确定信贷额度、周期以及利率的产品属性。根据客群属性的差异，以及用户多个维度的相关因素进行综合评价打分，而后转入评价模型进行综合评价，预测未来逾期情况。

然而，传统模型需进行数据清洗处理步骤，并需要大量专家经验加工处理数据，对原始数据进行加工，导致模型的开发周期和成本相对较高，模型迭代流程较为复杂，模型的预测准确率不高。

发明内容

本发明所要解决的技术问题是提供一种逾期行为预测方法，能够提高模型的预测准确率。

本发明还提供了一种逾期行为预测装置，用以保证上述方法在实际中的实现及应用。

一种逾期行为预测方法，包括：

响应于预测指令，确定所述预测指令对应的用户；

获取所述用户在预设的时间段内的行为数据以及所述用户的用户数据；所述行为数据由所述用户对终端上的金融类应用程序的操作生成；所述用户数据包括用户个人信息、资产数据、信用数据和交易数据中的至少一种；

根据所述用户在所述时间段内的行为数据获得所述用户的行为序列；

将所述行为序列以及所述用户数据输入到预先构建的逾期行为预测模型，获得所述逾期行为预测模型输出的所述用户的逾期行为预测结果。

上述的方法，可选的，所述根据所述用户在所述时间段内的行为数据获得所述用户的行为序列，包括：

利用预先训练好的时间循环神经网络对所述用户在所述时间段内的行为数据进行处理，获得所述用户的行为序列。

上述的方法，可选的，所述时间循环神经网络的训练过程，包括：

获取训练数据集，训练数据集包括多个训练样本，每个所述训练样本包括历史用户的在预设的历史时间段内的历史行为数据以及样本标签；

利用所述训练数据集中的各个训练样本训练所述时间循环神经网络。

上述的方法，可选的，所述获取所述用户在预设的时间段内的行为数据，包括：

确定所述用户在预设的时间段内的各个备选行为数据；

在所述各个备选行为数据的数量大于或等于预设的数量值的情况下，在所述各个备选行为数据中选取出所述数量值的备选行为数据，并将已选取的所述备选行为数据作为所述用户的行为数据；

在所述各个备选行为数据的数量未大于预设的数量值的情况下，对所述各个备选行为数据进行补齐操作，获得所述用户的行为数据。

上述的方法，可选的，所述获得所述逾期行为预测模型输出的所述用户的逾期行为预测结果之后，还包括：