一种房产交易中的贷款放款时长预测方法技术

本发明专利技术提供一种房产交易中的贷款放款时长预测方法，包括：S01，将待预测的房源数据、客源数据和银行数据输入第一机器学习模型，获取各目标银行对应的放款条件达标时长；S02，将所述各目标银行对应的放款条件达标时长和当前额度使用量输入第二机器学习模型，获取各目标银行对应的放款时长。本发明专利技术提供的一种房产交易的贷款放款时长预测方法，通过机器学习对房产交易贷款放款时长进行预测，为客户提供清晰的预计办理时间，相比人类经验预测更加准确，提高了客户体验度，为客户选择合适的贷款银行提供了科学依据，提高了贷款效率，保证了银行额度资源的充分利用。

【技术实现步骤摘要】
一种房产交易中的贷款放款时长预测方法
本专利技术涉及机器学习
，尤其涉及一种房产交易中的贷款放款时长预测方法。
技术介绍
合同签后办理贷款的过程是房产交易中十分重要的一环。当前，交易单贷款银行的选择大多凭借个人经验，因而无法保证每笔交易单均能够匹配到最合适的贷款银行，这直接导致了银行额度资源无法得到充分的利用，效率较低。此外，在交易单贷款办理过程，由于银行无法向交易顾问或客户提供清晰的流程预计办理时间，借贷方无法提前安排时间和准备材料，导致贷款办理放款时间延迟，用户体验较差。
技术实现思路
本专利技术为解决现有技术中存在的问题，提供了一种房产交易中的贷款放款时长预测方法。一方面，本专利技术提出一种房产交易中的贷款放款时长预测方法，包括：S01，将待预测的房源数据、客源数据和银行数据输入第一机器学习模型，获取各目标银行对应的放款条件达标时长；S02，将所述各目标银行对应的放款条件达标时长和当前额度使用量输入第二机器学习模型，获取各目标银行对应的放款时长。优选地，所述第一机器学习模型通过以下步骤获取：S11，对第一样本数据进行特征筛选，获取第一训练数据；所述第一样本数据包括所述房源数据、客源数据、银行数据和放款条件达标时间对应的样本；S12，将所述第一训练数据输入GBDT模型进行参数训练，获取所述第一机器学习模型；所述第二机器学习模型通过以下步骤获取：S21，对第二样本数据进行特征筛选，获取第二训练数据，所述第二样本数据包括所述放款条件达标时间、放款时间和额度使用量对应的样本；S22，将所述第二训练数据输入GBDT模型进行参数训练，获取所述第二机器学习模型。优选地，所述房源数据包括房源基本信息和业主信息，所述客源数据包括客户基本信息和信用信息，所述银行数据包括额度信息和政策信息。优选地，所述步骤S11和S12前还包括：对所述第一样本数据和/或第二样本数据进行补全和去噪。优选地，应用RandomForest算法实现所述步骤S11和/或S21中的特征筛选。优选地，应用历史交易单的统计数据和时间衰减函数获取所述放款条件达标时间和/或放款时间对应的样本；所述时间衰减函数如下：其中，t为时刻，t0为初始时刻，T(t)为t时刻的目标权重值，T(t0)为初始时刻的目标权重值，T(t0)＝100，k＝-ln(0.01/12)。优选地，应用iForest算法对所述第一样本数据和/或第二样本数据进行去噪。优选地，还包括：S03，根据所述所有银行的放款时间，获取预设数量个放款时间最短的银行。另一方面，本专利技术提出一种基于房产交易的贷款时效预测设备，包括：至少一个处理器；以及与所述处理器通信连接的至少一个存储器，其中：所述存储器存储有可被所述处理器执行的程序指令，所述处理器调用所述程序指令能够执行如前所述的方法。再一方面，本专利技术提出一种非暂态计算机可读存储介质，其特征在于，所述非暂态计算机可读存储介质存储计算机指令，所述计算机指令使所述计算机执行如前所述的方法。本专利技术提供的一种基于房产交易的贷款时效预测方法，通过机器学习对房产交易贷款时效进行预测，为客户提供清晰的预计办理时间，相比人类经验预测更加准确，提高了客户体验度，为客户选择合适的贷款银行提供了科学依据，提高了贷款效率，保证了银行额度资源的充分利用。附图说明图1为本专利技术具体实施例的一种房产交易中的贷款放款时长预测方法的流程示意图；图2为本专利技术具体实施例的一种房产交易中的贷款放款时长预测设备的结构示意图。具体实施方式下面结合附图和实施例，对本专利技术的具体实施方式作进一步详细描述。以下实施例用于说明本专利技术，但不用来限制本专利技术的范围。图1为本专利技术具体实施例的一种房产交易中的贷款放款时长预测方法的流程示意图，如图1所示，一种基于房产交易的贷款时效预测方法，包括：S01，将待预测的房源数据、客源数据和银行数据输入第一机器学习模型，获取各目标银行的放款条件达标时长；S02，将所述各目标银行的放款条件达标时长和当前额度使用量输入第二机器学习模型，获取各目标银行的放款时长。具体地，为了获取房产交易合同签订后办理贷款的预测时效放款时长，首先，将待预测房产交易合同中的房源数据、客源数据和银行数据输入第一机器学习模型，获取所述待预测房产交易合同对应的各目标银行的放款条件达标时长。此处，所述第一机器学习模型为以房源数据、客源数据和银行数据为输入参量，对应各目标银行预测的放款条件达标时长为输出量的机器学习模型，所述第一机器学习模型通过机器学习算法实现。然后，将所述第一机器学习模型输出的各目标银行的放款条件达标时长和当前额度使用量输入第二机器学习模型，获取所述待预测房产交易合同对应的各目标银行的放款时长。此处，所述各目标银行的当前额度使用量能够通过所有在途已经达到放款条件但尚未放款的交易单计算得到，所述第二机器学习模型为以银行放款条件达标时长和当前额度使用量为输入参量，对应各个目标银行预测的放款时长为输出量的机器学习模型，所述第二机器学习模型通过机器学习算法实现。本专利技术具体实施例中，通过机器学习对房产交易贷款时长进行预测，为客户提供清晰的预计办理时间，相比人类经验预测更加准确，提高了客户体验度，为客户选择合适的贷款银行提供了科学依据，提高了贷款效率，保证了银行额度资源的充分利用。基于上述具体实施例，一种房产交易中的贷款放款时长预测方法，所述第一机器学习模型通过以下步骤获取：S11，对第一样本数据进行特征筛选，获取第一训练数据；所述第一样本数据包括所述房源数据、客源数据、银行数据和放款条件达标时长对应的样本；S12，将所述第一训练数据输入GBDT模型进行参数训练，获取所述第一机器学习模型；所述第二机器学习模型通过以下步骤获取：S21，对第二样本数据进行特征筛选，获取第二训练数据，所述第二样本数据包括所述放款条件达标时长、放款时长和额度使用量对应的样本；S22，将所述第二训练数据输入GBDT模型进行参数训练，获取所述第二机器学习模型。具体地，所述第一机器学习模型用于根据待预测房产交易合同对应的房源数据、客源数据和银行数据对各目标银行的放款条件达标时长进行预测。所述第一机器学习模型通过下述步骤获取：首先，获取第一样本数据，并对所述第一样本数据进行特征筛选，将经过特征筛选的第一样本数据作为第一训练数据。其中，所述第一样本数据包括历史交易单中对应的房源数据样本、客源数据样本、银行数据样本和放款条件达标时长样本。其中，所述特征筛选是为了获取响应模型和算法最佳性能的特征集，常用的方法包括但不限于方差选择法、相关系数法、卡方检验法、互信息法、递归特征消除法、基于惩罚项的特征选择法和基于树模型的特征选择法等。随后，将上述步骤中获取的第一训练数据输入GBDT模型进行参数训练，获取所述第一机器学习模型。其中，GBDT(GradientBoostingDecisionTree)又名MART(MultipleAdditiveRegressionTree)，是一种迭代的决策树算法，该算法由多棵决策树组成，所有树的结论累加起来做最终答案。GBDT通常用于回归预测。所述第二机器学习模型用于根据待预测房产交易合同对应的银行放款条件达标时长和额度使用量对各目标银行的放款时长进行预测。所述第二机器学习模型的获取方法与所述第一机器学习模型类本文档来自技高网...

【技术保护点】
一种房产交易中的贷款放款时长预测方法，其特征在于，包括：S01，将待预测的房源数据、客源数据和银行数据输入第一机器学习模型，获取各目标银行对应的放款条件达标时长；S02，将所述各目标银行对应的放款条件达标时长和当前额度使用量输入第二机器学习模型，获取各目标银行对应的放款时长。

【技术特征摘要】
1.一种房产交易中的贷款放款时长预测方法，其特征在于，包括：S01，将待预测的房源数据、客源数据和银行数据输入第一机器学习模型，获取各目标银行对应的放款条件达标时长；S02，将所述各目标银行对应的放款条件达标时长和当前额度使用量输入第二机器学习模型，获取各目标银行对应的放款时长。2.根据权利要求1所述的方法，其特征在于，所述第一机器学习模型通过以下步骤获取：S11，对第一样本数据进行特征筛选，获取第一训练数据；所述第一样本数据包括所述房源数据、客源数据、银行数据和放款条件达标时长对应的样本；S12，将所述第一训练数据输入GBDT模型进行参数训练，获取所述第一机器学习模型；所述第二机器学习模型通过以下步骤获取：S21，对第二样本数据进行特征筛选，获取第二训练数据，所述第二样本数据包括所述放款条件达标时长、放款时长和额度使用量对应的样本；S22，将所述第二训练数据输入GBDT模型进行参数训练，获取所述第二机器学习模型。3.根据权利要求1所述的方法，其特征在于，所述房源数据包括房源基本信息和业主信息，所述客源数据包括客户基本信息和信用信息，所述银行数据包括额度信息和政策信息。4.根据权利要求2所述的方法，其特征在于，所述步骤S11和S12前还包括：对所述第一样本数据和/或第二样本数据进行补全和...

【专利技术属性】
技术研发人员：李君阳，刘宇，钱大伟，
申请(专利权)人：链家网北京科技有限公司，
类型：发明
国别省市：北京,11