贷款逾期的预测方法、装置、电子设备和存储介质制造方法及图纸

本申请提供了一种贷款逾期的预测方法、装置、电子设备和存储介质，其中，在贷款逾期的预测方法中，首先获取用户的贷款特征数据。其中，贷款特征数据包括贷款信息、身份信息、交易信息和资产信息。然后将贷款特征数据输入到预先构建的LigthGBM算法模型中进行运算，得到预测结果值。其中，LigthGBM算法模型为利用预设的调参算法进行参数调整得到的模型。再将得到的预测结果值与预设的阈值进行对比，如果预测结果值小于阈值，则生成用户的贷款不会逾期的提示信息，如果预测结果值大于阈值，则生成用户的贷款会逾期的提示信息。

【技术实现步骤摘要】
贷款逾期的预测方法、装置、电子设备和存储介质
本申请涉及数据分析
，尤其涉及一种贷款逾期的预测方法、装置、电子设备和存储介质。
技术介绍
随着社会的发展，我们国家信贷市场规模急剧扩大,银行的发展前景呈现出新的气象。而贷款业务对于银行来说是一项非常重要的业务，因此银行为了把控风险会对办理贷款业务的用户进行多方面的评估，在贷款后就需要对用户贷款是否会逾期的进行预测。在现有技术中，缺乏一种稳定可靠的贷款逾期预测方法，对用户贷款逾期的预测通常由工作人员去对用户进行分析和预测。但是，现在的用户数据过于庞大，增加了对贷款用户进行逾期预测的难度，导致不能快速和准确地预测出贷款用户是否会逾期的相关结果。
技术实现思路
有鉴于此，本申请提供一种贷款逾期的预测方法、装置、电子设备和存储介质，以解决在现有技术中不能快速和准确地预测出贷款用户是否会逾期的问题。为实现上述目的，本申请提供如下技术方案：本申请第一方面公开了一种贷款逾期的预测方法，包括：获取用户的贷款特征数据；其中，所述贷款特征数据包括贷款信息、身份本文档来自技高网...

【技术保护点】
1.一种贷款逾期的预测方法，其特征在于，包括：/n获取用户的贷款特征数据；其中，所述贷款特征数据包括贷款信息、身份信息、交易信息和资产信息；/n将所述贷款特征数据输入到预先构建的LigthGBM算法模型中进行运算，得到预测结果值；其中，所述LigthGBM算法模型为利用预设的调参算法进行参数调整得到的模型；/n将所述预测结果值与预设的阈值进行对比；/n若所述预测结果值小于所述阈值，则生成所述用户的贷款不会逾期的提示信息；/n若所述预测结果值大于所述阈值，则生成所述用户的贷款会逾期的提示信息。/n

【技术特征摘要】
1.一种贷款逾期的预测方法，其特征在于，包括：
获取用户的贷款特征数据；其中，所述贷款特征数据包括贷款信息、身份信息、交易信息和资产信息；
将所述贷款特征数据输入到预先构建的LigthGBM算法模型中进行运算，得到预测结果值；其中，所述LigthGBM算法模型为利用预设的调参算法进行参数调整得到的模型；
将所述预测结果值与预设的阈值进行对比；
若所述预测结果值小于所述阈值，则生成所述用户的贷款不会逾期的提示信息；
若所述预测结果值大于所述阈值，则生成所述用户的贷款会逾期的提示信息。


2.根据权利要求1所述的方法，其特征在于，所述获取用户的贷款特征数据，包括：
采集所述用户的贷款特征数据；
对所述贷款特征数据进行数据预处理。


3.根据权利要求1所述的方法，其特征在于，所述利用预设的调参算法进行参数调整，得到所述LigthGBM算法模型的方式，包括：
通过网格搜索来确定所述LigthGBM算法模型的参数集合；
将所述参数集合分成第一参数集合和第二参数集合；其中，所述第一参数集合为手动调整的参数集合，所述第二参数集合为自动调整的参数集合；
利用二分法对所述第一参数集合进行参数调整，得到第一目标参数向量集合；
利用遗传算法对所述第二参数集合进行参数调整，得到第二目标参数向量集合；
将所述第一目标参数向量集合与所述第二目标参数向量集合相结合，得到最终参数向量集合；
利用所述最终参数向量集合对所述LigthGBM算法模型的参数进行配置，得到所述LigthGBM算法模型。


4.根据权利要求3所述的方法，其特征在于，所述利用遗传算法对所述第二参数集合进行调整，得到第二目标参数向量集合，包括：
对所述第二参数集合进行初始化赋值，得到多个参数向量集合；
将得到的多个参数向量集合按照预设组数进行划分；
从划分后的每一组参数向量集合中都挑选出一个最优的参数向量集合，组成新的一组参数向量集合；
将所述新的一组参数向量集合进行交叉与变异处理，得到第二目标参数向量集合。


5.根据权利要求1所述的方法，其特征在于，所述若所述预测结果值大于所述阈值，则生成所述用户的贷款会逾期的提示信息之后，还包括：
对所述用户...

【专利技术属性】
技术研发人员：申亚坤，
申请(专利权)人：中国银行股份有限公司，
类型：发明
国别省市：北京;11