[发明专利]一种融合机器学习的信贷预测逾期方法及系统在审
| 申请号： | 201910814229.1 | 申请日： | 2019-08-30 |
| 公开（公告）号： | CN110675243A | 公开（公告）日： | 2020-01-10 |
| 发明（设计）人： | 邱晓慧;杨波;于鸽;董晶;王海涛 | 申请（专利权）人： | 北京银联金卡科技有限公司 |
| 主分类号： | G06Q40/02 | 分类号： | G06Q40/02;G06N3/04;G06N3/08;G06K9/62 |
| 代理公司： | 11100 北京北新智诚知识产权代理有限公司 | 代理人： | 满靖 |
| 地址： | 100041 北京市石*** | 国省代码： | 北京;11 |
| 权利要求书： | 查看更多 | 说明书： | 查看更多 |
| 摘要： | 本发明提供融合机器学习的信贷逾期预测方法及系统，收集若干信贷因素数据并进行预处理，对预处理结果中信贷因素数据的重要度进行计算排序并删除冗余，得到选择后信贷因素数据。基于信贷因素数据构建训练样本，基于训练样本利用LSTM建立并训练信贷逾期预测模型，确定最优参数，得到最佳模型后进行信贷逾期预测。本发明广泛收集信贷因素数据提升信贷逾期预测的全面性；对训练数据的缺失采用分类处理提升数据质量；针对用户的类不平衡情况用过采样方法进行处理，平衡数据分布；对影响信贷逾期的全部因素进行排序并剔除冗余，提高因素选择的合理性；基于双向LSTM结合时序因素综合建立信贷逾期预测模型，通过S折交叉确定最优模型参数，提高最佳模型质量。 | ||
| 搜索关键词： | 信贷 因素数据 训练样本 预测模型 最佳模型 冗余 排序 预测 预处理 预处理结果 时序 分类处理 机器学习 平衡数据 训练数据 因素选择 最优参数 最优模型 过采样 全面性 重要度 构建 合理性 剔除 删除 融合 | ||
【主权项】：
1.一种融合机器学习的信贷逾期预测方法，其特征在于，所述方法包括：/n判断信贷因素数据的数据状态并进行数据处理，得到预处理结果；/n采用梯度提升树方法对所述预处理结果中的各信贷因素数据的重要度进行计算排序后删除冗余因素，得到选择后信贷因素数据；/n基于时间序列对所述信贷因素数据构建训练样本后，基于训练样本利用LSTM建立并训练信贷逾期预测模型，通过S折交叉验证确定所述信贷逾期预测模型的最优参数，得到最佳模型；/n通过所述最佳模型进行信贷逾期预测。/n
下载完整专利技术内容需要扣除积分，VIP会员可以免费下载。
该专利技术资料仅供研究查看技术是否侵权等信息，商用须获得专利权人授权。该专利全部权利属于北京银联金卡科技有限公司，未经北京银联金卡科技有限公司许可，擅自商用是侵权行为。如果您想购买此专利、获得商业授权和技术合作，请联系【客服】
本文链接：http://www.vipzhuanli.com/patent/201910814229.1/，转载请声明来源钻瓜专利网。
