借贷业务风险预测方法、装置、计算机设备和存储介质制造方法及图纸

本申请涉及一种借贷业务风险预测方法、装置、计算机设备和存储介质。所述方法包括：通过获取待预测借贷业务申请对应的风险预测数据；将风险预测数据输入预设借贷预测模型，获取模型输入数据对应的归还预测结果；获取待预测借贷业务中借贷日信息与约定归还日信息；根据借贷日信息、约定归还日信息与归还预测结果获取预期归还日信息；根据预期归还日信息与约定归还日信息获取借贷业务风险结果数据。本申请的借贷业务风险预测方法通过借贷业务对应的产品交易信息、预期销售情况、采购方信息等对借贷归还情况进行预估，提高了借贷风险预测的针对性，从而提高借贷风险预测的准确性。

Loan business risk prediction methods, devices, computer equipment and storage media

【技术实现步骤摘要】
借贷业务风险预测方法、装置、计算机设备和存储介质
本申请涉及计算机
，特别是涉及一种借贷业务风险预测方法、装置、计算机设备和存储介质。
技术介绍
随着计算机等技术的发展，出现了人工神经网络技术，人工神经网络的计算模型灵感来自动物的中枢神经系统，并且被用于估计或可以依赖于大量的输入和一般的未知近似函数。人工神经网络通常呈现为相互连接的“神经元”，它可以从输入的计算值，并且能够机器学习以及模式识别由于它们的自适应性质的系统。目前存在各种进行借贷风险评估的人工神经网络模型。然而，目前，计算机在通过人工神经网络模型，对借贷业务风险进行预测评估时，评估体系针对的目标与所应用的场景范畴都比较笼统，并没有根据评估的目标对考量指标进行差异化设置，导致计算机处理输出的某些预测结果与实际状况偏差较大。
技术实现思路
基于此，有必要针对上述技术问题，提供一种能够能有效提高借贷风险评估准确性的借贷业务风险预测方法、装置、计算机设备和存储介质。一种借贷业务风险预测方法，所述方法包括：获取待预测借贷业务申请对应的风险预测数据，所述待预测借贷业务存在关联的待销售产品，所述风险预测数据包括所述待销售产品的交易信息、预期销售信息以及待销售产品采购方信息；将所述风险预测数据输入预设借贷预测模型，获取所述风险预测数据对应的归还预测结果；获取所述待预测借贷业务中借贷日信息与约定归还日信息；根据所述借贷日信息、所述约定归还日信息与归还预测结果获取预期归还日信息；根据所述预期归还日信息与所述约定归还日信息获取借贷业务风险结果数据。在其中一个实施例中，所述将所述风险预测数据输入预设借贷预测模型，获取所述风险预测数据对应的归还预测结果包括：将所述风险预测数据输入预设借贷预测模型，获取所述模型输入数据对应的一维向量数据；获取层级结构数据，根据所述层次结构数据对所述一维向量数据进行拼接处理，获取输入拼接数据；通过所述预设借贷预测模型获取所述输入拼接数据对应的归还预测结果。在其中一个实施例中，所述模型输入数据包括序列型数据，将所述风险预测数据输入预设借贷预测模型，获取所述模型输入数据对应的一维向量数据包括：对所述序列型数据进行RNN结构处理，获取所述序列型数据对应的一维向量数据。在其中一个实施例中，所述将所述风险预测数据输入预设风险评估模型，获取所述风险预测数据对应的归还预测结果之前还包括：获取历史借贷业务数据，根据所述历史借贷业务数据生成对应模型训练数据；将所述模型训练数据输入初始卷积神经网络模型，对所述初始卷积神经网络模型进行有监督训练后，获取得到预设借贷预测模型，所述预设借贷预测模型的损失函数根据真实还贷能力与预测还贷能力确定。在其中一个实施例中，所述风险预测数据包括部分连续型数值数据、连续型数值数据、分类型变量数据以及日期数据，所述将所述风险预测数据输入预设风险评估模型，获取所述模型输入数据对应的风险评估结果之前，还包括：对所述风险预测数据进行预处理，所述预处理包括对所述部分连续型数值数据进行Z-score归一化处理、对所述分类型变量数据进行onehot形式编码处理以及对所述日期数据进行预设日期编码处理。在其中一个实施例中，所述预期销售信息包括历史平台交易数据，所述对所述风险预测数据进行预处理之前还包括：对所述预期销售信息中各历史平台交易数据进行指数归一化处理。一种借贷业务风险预测装置，所述装置包括：数据获取模块，用于获取待预测借贷业务申请对应的风险预测数据，所述待预测借贷业务存在关联的待销售产品，所述风险预测数据包括所述待销售产品的交易信息、预期销售信息以及待销售产品采购方信息；预测结果获取模块，用于将所述风险预测数据输入预设借贷预测模型，获取所述风险预测数据对应的归还预测结果；期限获取模块，用于获取所述待预测借贷业务中申请借贷日信息与约定归还日信息；日期估计模块，用于根据所述借贷日信息、所述约定归还日信息与归还预测结果获取预期归还日信息；结果获取模块，用于根据所述预期归还日信息与所述约定归还日信息获取借贷业务风险结果数据。在其中一个实施例中，所述预测结果获取模块具体用于：将所述风险预测数据输入预设借贷预测模型，获取所述模型输入数据对应的一维向量数据；获取层级结构数据，根据所述层次结构数据对所述一维向量数据进行拼接处理，获取输入拼接数据；通过所述预设借贷预测模型获取所述输入拼接数据对应的归还预测结果。一种计算机设备，包括存储器和处理器，所述存储器存储有计算机程序，所述处理器执行所述计算机程序时实现以下步骤：获取待预测借贷业务申请对应的风险预测数据，所述待预测借贷业务存在关联的待销售产品，所述风险预测数据包括所述待销售产品的交易信息、预期销售信息以及待销售产品采购方信息；将所述风险预测数据输入预设借贷预测模型，获取所述风险预测数据对应的归还预测结果；获取所述待预测借贷业务中借贷日信息与约定归还日信息；根据所述借贷日信息、所述约定归还日信息与归还预测结果获取预期归还日信息；根据所述预期归还日信息与所述约定归还日信息获取借贷业务风险结果数据。一种计算机可读存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时实现以下步骤：获取待预测借贷业务申请对应的风险预测数据，所述待预测借贷业务存在关联的待销售产品，所述风险预测数据包括所述待销售产品的交易信息、预期销售信息以及待销售产品采购方信息；将所述风险预测数据输入预设借贷预测模型，获取所述风险预测数据对应的归还预测结果；获取所述待预测借贷业务中借贷日信息与约定归还日信息；根据所述借贷日信息、所述约定归还日信息与归还预测结果获取预期归还日信息；根据所述预期归还日信息与所述约定归还日信息获取借贷业务风险结果数据。上述借贷业务风险预测方法、装置、计算机设备和存储介质，通过获取待预测借贷业务申请对应的风险预测数据，待预测借贷业务存在关联的待销售产品，风险预测数据包括待销售产品的交易信息、预期销售信息以及待销售产品采购方信息；将风险预测数据输入预设借贷预测模型，获取模型输入数据对应的归还预测结果；获取待预测借贷业务中借贷日信息与约定归还日信息；根据借贷日信息、约定归还日信息与归还预测结果获取预期归还日信息；根据预期归还日信息与约定归还日信息获取借贷业务风险结果数据。本申请的借贷风险预测方法通过借贷业务对应的产品交易信息、预期销售情况、采购方信息等对借贷归还情况进行预测，提高了借贷风险预测的针对性，从而提高借贷风险预测的准确性。附图说明图1为一个实施例中借贷业务风险预测方法的应用环境图；图2为一个实施例中借贷业务风险预测方法的流程示意图；图3为一个实施例中风险预测数据与对应层级结构数据的示意图；图4为一个实施例中图2中步骤S300的字流程示意图；...

【技术保护点】
1.一种借贷业务风险预测方法，包括：/n获取待预测借贷业务申请对应的风险预测数据，所述待预测借贷业务存在关联的待销售产品，所述风险预测数据包括所述待销售产品的交易信息、预期销售信息以及待销售产品采购方信息；/n将所述风险预测数据输入预设借贷预测模型，获取所述风险预测数据对应的归还预测结果；/n获取所述待预测借贷业务中借贷日信息与约定归还日信息；/n根据所述借贷日信息、所述约定归还日信息与归还预测结果获取预期归还日信息；/n根据所述预期归还日信息与所述约定归还日信息，获取借贷业务风险预测结果数据。/n

【技术特征摘要】
1.一种借贷业务风险预测方法，包括：
获取待预测借贷业务申请对应的风险预测数据，所述待预测借贷业务存在关联的待销售产品，所述风险预测数据包括所述待销售产品的交易信息、预期销售信息以及待销售产品采购方信息；
将所述风险预测数据输入预设借贷预测模型，获取所述风险预测数据对应的归还预测结果；
获取所述待预测借贷业务中借贷日信息与约定归还日信息；
根据所述借贷日信息、所述约定归还日信息与归还预测结果获取预期归还日信息；
根据所述预期归还日信息与所述约定归还日信息，获取借贷业务风险预测结果数据。


2.根据权利要求1所述的方法，其特征在于，所述将所述风险预测数据输入预设借贷预测模型，获取所述风险预测数据对应的归还预测结果包括：
将所述风险预测数据输入预设借贷预测模型，获取所述模型输入数据对应的一维向量数据；
获取层级结构数据，根据所述层次结构数据对所述一维向量数据进行拼接处理，获取输入拼接数据；
通过所述预设借贷预测模型获取所述输入拼接数据对应的归还预测结果。


3.根据权利要求2所述的方法，其特征在于，所述模型输入数据包括序列型数据，将所述风险预测数据输入预设借贷预测模型，获取所述模型输入数据对应的一维向量数据包括：
对所述序列型数据进行RNN结构处理，获取所述序列型数据对应的一维向量数据。


4.根据权利要求1所述的方法，其特征在于，所述将所述风险预测数据输入预设风险评估模型，获取所述风险预测数据对应的归还预测结果之前还包括：
获取历史借贷业务数据，根据所述历史借贷业务数据生成模型训练数据；
将所述模型训练数据输入初始卷积神经网络模型，对所述初始卷积神经网络模型进行有监督训练，得到预设借贷预测模型，所述预设借贷预测模型的损失函数根据真实还贷能力与预测还贷能力确定。


5.根据权利要求1所述的方法，其特征在于，所述风险预测数据包括部分连续型数值数据、连续型数值数据、分类型变量数据以及日期数据，所述将所述风险预测数据输入预设风险评估模型，获...

【专利技术属性】
技术研发人员：林田谦谨，
申请(专利权)人：卓尔智联武汉研究院有限公司，
类型：发明
国别省市：湖北;42