一种企业信用等级的计算方法、装置、存储介质及终端制造方法及图纸

本发明专利技术公开了一种企业信用等级的计算方法、装置、存储介质及终端，该方法包括：获取目标企业的运营数据和车辆运行信息；均值化运营数据和车辆运行信息中所包含的离散值与连续值，生成目标企业的目标数据；从目标企业的目标数据中提取多种预设决策树类型对应的特征向量，生成多种特征向量；将多种特征向量输入预先训练的企业信用计算模型中，输出目标企业对应的信用等级。因此，采用本申请实施例，由于本申请通过获取企业的基础信息来训练基于决策树创建的模型，使得模型具备企业信用等级计算的能力，通过训练后的模型可以基于目标企业的基础数据快速分析出该企业的信用等级，最终有关银行可通过信用等级进行贷款评估，从而降低了银行贷款风险。

【技术实现步骤摘要】
一种企业信用等级的计算方法、装置、存储介质及终端
本专利技术涉及计算机
，特别涉及一种企业信用等级的计算方法、装置、存储介质及终端。
技术介绍
随着经济的快速发展，越来越多的中小型企业出现在大众视野，对于刚成立的中小型企业或需要业务扩展的中小型企业来说，需要大量的资金投入用于企业的快速发展，当企业资金不充足时就需要在银行贷款，银行贷款时需要针对企业的资质进行评估，根据评估结果确定是否贷款以及贷款的具体额度。在现有的评估技术方案中，一般通过人工获取企业的信息通过开研讨会的方式进行评估，评估过程需要浪费大量的人力、财力、时间和精力，从而降低了评估效率，进一步影响了贷款效率。其次，现有技术中出现了一种基于大数据的企业信用评估方法。包括：A1、得到影响企业信用的影响因素和数据；A2、根据层次分析模型构建指标体系，对指标体系中的偿债环境、偿债来源、财富创造能力和偿债能力的众多影响因子的权重进行计算，以专家打分和层次分析相结合的方法确定权重；A3、使影响因子在学习样本中用机器学习的方法训练权重，用期望输出与实际输出的差异引导学习过程，不断调整权重，使得权重随环境的变化纠正偏差，得到更精准的信用级别；A4、计算企业信用的偏离度，通过函数预测算法确定未来周期内受评主体的信用情况，进行企业信用风险预测；A5、根据企业用户的影响因素和数据、影响企业信用因素的权重系数等分析当前企业信用水平并生成评估报告。由于该方案在训练模型的过程中需要收集较多信息，没有对专业领域的企业的有针对性的处理，模型对所有类型的企业均适用，专家打分难以做到全面、客观、公正，评估流程可能较长，且模型的可解释性不强。因此，如何找到一种有效的方法，实现高效率企业信用评估为亟待解决的问题。
技术实现思路
本申请实施例提供了一种企业信用等级的计算方法、装置、存储介质及终端。为了对披露的实施例的一些方面有一个基本的理解，下面给出了简单的概括。该概括部分不是泛泛评述，也不是要确定关键/重要组成元素或描绘这些实施例的保护范围。其唯一目的是用简单的形式呈现一些概念，以此作为后面的详细说明的序言。第一方面，本申请实施例提供了一种企业信用等级的计算方法，该方法包括：获取目标企业的运营数据和车辆运行信息；均值化运营数据和车辆运行信息中所包含的离散值与连续值，生成目标企业的目标数据；从目标企业的目标数据中提取多种预设决策树类型对应的特征向量，生成多种特征向量；将多种特征向量输入预先训练的企业信用计算模型中，输出目标企业对应的信用等级；其中，企业信用计算模型采用决策树算法创建而成。可选的，方法还包括：根据目标企业对应的信用等级进行企业信用风险预测，生成预测报告；将风险报告发送至相关银行进行贷款评估。可选的，获取目标企业的运营数据和车辆运行信息之前，还包括：采集第一数量企业的基础信息；预处理第一数量企业的基础信息，生成模型训练样本与模型测试样本；采用决策树算法创建企业信用计算模型；将模型训练样本输入企业信用计算模型中进行训练，生成训练后的企业信用计算模型；其中，训练后的企业信用计算模型中包括决策树结构和各个属性的权重信息；基于决策树结构和各个属性的权重信息针对模型测试样本进行测试，生成置信度；根据置信度生成预先训练的企业信用计算模型。可选的，预处理第一数量企业的基础信息，生成模型训练样本与模型测试样本，包括：从第一数量企业的基础信息中获取预设时间段的基础信息，生成第一数量企业的周期基础信息；将第一数量企业的周期基础信息进行清洗过滤，并将清洗过滤后的第一数量企业的周期基础信息中所包含的多个数值指标进行归一化或离散化处理生成处理后的第一数量企业的周期基础信息；接收信息选择指令，并基于信息选择指令从处理后的第一数量企业的周期基础信息中确定出第二数量企业的周期基础信息；第二数量企业的个数小于第一数量企业的个数；将第二数量企业的周期基础信息进行信用评级以及分类标注，生成第二数量企业的信用评级分类信息；将第二数量企业的信用评级分类信息按照预先设定的比例进行计算，生成模型训练样本与模型测试样本。可选的，根据置信度生成预先训练的企业信用计算模型，包括：当置信度大于等于预先设定的阈值时，将训练后的企业信用计算模型确定为预先训练的企业信用计算模型；将预先训练的企业信用计算模型部署于企业授信业务中运行；或者，当置信度小于预先设定的阈值时，继续执行将模型训练样本输入企业信用计算模型中进行训练的步骤，直到置信度大于等于预先设定的阈值时停止训练。可选的，企业信用计算模型包括数据分析层、特征选择层以及决策树创建层；将模型训练样本输入企业信用计算模型中进行训练，生成训练后的企业信用计算模型，包括：数据分析层分析模型训练样本是否满足设定的多个条件；若满足，数据分析层计算训练样本对应的信息熵；数据分析层根据信息熵计算训练样本对应的信息增益；特征选择层从训练样本对应的信息增益选择最高的信息增益生成目标特征；决策树创建层基于目标特征针对模型训练样本进行从上至下的递归计算生成决策树，并将决策树确定为训练后的企业信用计算模型。可选的，基础信息包括企业的基本信息、资产信息、经营信息以及偿还信息。第二方面，本申请实施例提供了一种企业信用等级的计算装置，该装置包括：数据获取模块，用于获取目标企业的运营数据和车辆运行信息；数据均值化模块，用于均值化运营数据和车辆运行信息中所包含的离散值与连续值，生成目标企业的目标数据；特征向量提取模块，用于从目标企业的目标数据中提取多种预设决策树类型对应的特征向量，生成多种特征向量；信用等级输出模块，用于将多种特征向量输入预先训练的企业信用计算模型中，输出目标企业对应的信用等级；其中，企业信用计算模型采用决策树算法创建而成。第三方面，本申请实施例提供一种计算机存储介质，计算机存储介质存储有多条指令，指令适于由处理器加载并执行上述的方法步骤。第四方面，本申请实施例提供一种终端，可包括：处理器和存储器；其中，存储器存储有计算机程序，计算机程序适于由处理器加载并执行上述的方法步骤。本申请实施例提供的技术方案可以包括以下有益效果：在本申请实施例中，企业信用等级的计算装置首先获取目标企业的运营数据和车辆运行信息，再均值化运营数据和车辆运行信息中所包含的离散值与连续值，生成目标企业的目标数据，然后从目标企业的目标数据中提取多种预设决策树类型对应的特征向量，生成多种特征向量，最后将多种特征向量输入预先训练的企业信用计算模型中，输出目标企业对应的信用等级。因此，采用本申请实施例，由于本申请通过获取企业的基础信息来训练基于决策树创建的模型，使得模型具备企业信用等级计算的能力，通过训练后的模型可以基于目标企业的基础数据快速分析出该企业的信用等级，最终有关银行可通过信用等级进行贷款评估，从本文档来自技高网...

【技术保护点】
1.一种企业信用等级的计算方法，其特征在于，所述方法包括：/n获取目标企业的运营数据和车辆运行信息；/n均值化所述运营数据和车辆运行信息中所包含的离散值与连续值，生成目标企业的目标数据；/n从所述目标企业的目标数据中提取多种预设决策树类型对应的特征向量，生成多种特征向量；/n将所述多种特征向量输入预先训练的企业信用计算模型中，输出所述目标企业对应的信用等级；其中，所述企业信用计算模型采用决策树算法创建而成。/n

【技术特征摘要】
1.一种企业信用等级的计算方法，其特征在于，所述方法包括：
获取目标企业的运营数据和车辆运行信息；
均值化所述运营数据和车辆运行信息中所包含的离散值与连续值，生成目标企业的目标数据；
从所述目标企业的目标数据中提取多种预设决策树类型对应的特征向量，生成多种特征向量；
将所述多种特征向量输入预先训练的企业信用计算模型中，输出所述目标企业对应的信用等级；其中，所述企业信用计算模型采用决策树算法创建而成。


2.根据权利要求1所述的方法，其特征在于，所述方法还包括：
根据所述目标企业对应的信用等级进行企业信用风险预测，生成预测报告；
将所述风险报告发送至相关银行进行贷款评估。


3.根据权利要求1所述的方法，其特征在于，所述获取目标企业的运营数据和车辆运行信息之前，还包括：
采集第一数量企业的基础信息；
预处理所述第一数量企业的基础信息，生成模型训练样本与模型测试样本；
采用决策树算法创建企业信用计算模型；
将所述模型训练样本输入所述企业信用计算模型中进行训练，生成训练后的企业信用计算模型；其中，所述训练后的企业信用计算模型中包括决策树结构和各个属性的权重信息；
基于所述决策树结构和各个属性的权重信息针对所述模型测试样本进行测试，生成置信度；
根据所述置信度生成预先训练的企业信用计算模型。


4.根据权利要求3所述的方法，其特征在于，所述预处理所述第一数量企业的基础信息，生成模型训练样本与模型测试样本，包括：
从所述第一数量企业的基础信息中获取预设时间段的基础信息，生成第一数量企业的周期基础信息；
将所述第一数量企业的周期基础信息进行清洗过滤，并将所述清洗过滤后的第一数量企业的周期基础信息中所包含的多个数值指标进行归一化或离散化处理生成处理后的第一数量企业的周期基础信息；
接收信息选择指令，并基于所述信息选择指令从所述处理后的第一数量企业的周期基础信息中确定出第二数量企业的周期基础信息；所述第二数量企业的个数小于所述第一数量企业的个数；
将所述第二数量企业的周期基础信息进行信用评级以及分类标注，生成第二数量企业的信用评级分类信息；
将所述第二数量企业的信用评级分类信息按照预先设定的比例进行计算，生成模型训练样本与模型测试样本。


5.根据权利要求3...

【专利技术属性】
技术研发人员：李宁，蔡抒扬，夏曙东，孙智彬，张志平，
申请(专利权)人：北京中交兴路信息科技有限公司，
类型：发明
国别省市：北京;11