基于GPS轨迹数据的车辆贷款逾期风险评估方法及系统技术方案

本发明专利技术公开一种于GPS轨迹数据的车辆贷款逾期风险评估方法，包括如下步骤：S1、获取待评估用户前M个月的GPS轨迹数据，从GPS轨迹数据中提取停留位置；S2、基于停留位置构建待评估用户的轨迹行为矩阵，提取轨迹行为矩阵中的出行行为特征向量；S3、将用户在前M个月内的出行行为特征向量及逾期天数输入逾期识别模型，逾期识别模型输出待识别用户在下一个月的逾期评估结果。基于贷款用户(待评估用户)的近期GPS轨迹数据即可实现贷款逾期风险的自动评估，减少了贷款用户的贷款逾期风险评估成本。减少了贷款用户的贷款逾期风险评估成本。减少了贷款用户的贷款逾期风险评估成本。

【技术实现步骤摘要】
基于GPS轨迹数据的车辆贷款逾期风险评估方法及系统


[0001]本专利技术属于金融评估
，更具体地，本专利技术涉及一种基于GPS轨迹数据的车辆贷款逾期风险评估方法及系统。

技术介绍

[0002]随着经济的发展和生活水平的提高，我国汽车销量也逐年上升，几乎半数以上的车辆购买采取了贷款的方式。随着客户规模的扩大，无论是银行还是担保公司都需要高效的贷后风险评估方法来评估贷款用户的信贷，尽可能在贷款前期识别出存在无法偿还风险或者贷款逾期风险的贷款用户，尽量减少公司损失，现有贷后评分模型主要针对于个人信贷数据，贷款用户的信贷数据大多车企是从银行处购买，存在信贷数据更新不及时，且贷后风险评估的评估成本高的问题。

技术实现思路

[0003]本专利技术提供一种基于GPS轨迹数据的车辆贷款逾期风险评估方法，基于贷款用户的近期GPS轨迹数据来进行贷款逾期风险评估。
[0004]本专利技术是这样实现的，一种基于GPS轨迹数据的车辆贷款逾期风险评估方法，所述方法包括：
[0005]S1、获取待评估用户前M个月的GPS轨迹数据，从GPS轨迹数据中提取停留位置；
[0006]S2、基于停留位置构建待评估用户的轨迹行为矩阵，提取轨迹行为矩阵中的出行行为特征向量；
[0007]S3、将用户在前M个月内的出行行为特征向量及逾期天数输入逾期识别模型，逾期识别模型输出待识别用户在下一个月的逾期评估结果。
[0008]进一步的，停留位置的提取方法具体如下：
[0009]通过采集的GPS轨迹数据(lng
j
,al
j
,t
j
)计算用户在各位置的停留时间Δt
j
，停留时间Δt
j
大于停留时间阈值τ的GPS轨迹数据(lng
j
,al
j
,t
j
)所在位置即为停留点，放入停留点集合S中。
[0010]进一步的，轨迹行为矩阵的提取方法具体如下：
[0011]S21、基于停留点集合S中的每日GPS轨迹数据构建待评估用户的日轨迹行为矩阵；
[0012]S22、将前一日的日行为轨迹行为矩阵的尾部轨迹数据拼接至后一日的日轨迹行为矩阵的头部，更新每日的日轨迹行为矩阵；
[0013]S23、按照时间顺序将指定时长内的日轨迹行为矩阵进行拼接，形成多日轨迹行为矩阵。
[0014]进一步的，日轨迹行为矩阵的形成过程具体如下：
[0015]将每日按照设定时长进行切断，形成S个片段；
[0016]检测各片段的时间区间内是否存在GPS轨迹数据，若检测结果为否，则将距片段最近时间的停留点(lng
t
,al
t
)作为当前片段的停留点，用三元组(lng
t
,al
t
,0)来表示当前片
段；若检测结果为是，则用三元组(0,0，1)来表示当前片段。
[0017]进一步的，用户的出行行为特征向量提取方法具体如下：
[0018]将M个月内的多张多日轨迹行为矩阵按时间顺序依次排列，通过时间窗的滑动来遍历所有多日轨迹行为矩阵，将当前窗口时段内轨迹行为矩阵的输入卷积神经网络，从卷积神经网络中提取对应的出行行为特征，形成出行行为特征向量。
[0019]进一步的，逾期识别模型包括：
[0020]长短时记忆网络，前馈神经网络及多层感知器神经网络组成，其中长短时记忆网络，前馈神经网络的输出端连接层感知神经网络的输入端，长短时记忆网络的输入端输入出行行为特征向量，前馈神经网络的输入端输入M个月内的逾期天数，多层感知器神经网络输出待识别用户在下一个月的逾期结果预测。
[0021]进一步的，M的取值为3。
[0022]进一步的，时间窗的大小为4周，滑动步长为2周。
[0023]本专利技术是这样实现的，一种基于GPS轨迹数据的车辆贷款逾期风险预评估系统，所述系统包括：
[0024]车载GPS，车载GPS与存储器通讯连接，存储器与服务器连接；
[0025]车载GPS将采集到的轨迹数据实时上传至存储器；
[0026]服务器基于逾期风险评指令读取待评估用户在M个月的GPS轨迹数据，并基于上述基于GPS轨迹数据的车辆贷款逾期风险评估方法来预评估用户在下一个月的逾期评估结果。
[0027]进一步的，存储器定时更新用户的GPS轨迹数据，仅保留用户前M个月的GPS轨迹数据。
[0028]本专利技术基于贷款用户(待评估用户)的近期GPS轨迹数据即可实现贷款逾期风险的自动评估，减少了贷款用户的贷款逾期风险评估成本。
附图说明
[0029]图1为本专利技术实施例提供的基于GPS轨迹数据的车辆贷款逾期风险评估方法的流程图；
[0030]图2为本专利技术实施例提供的逾期识别模型的结构示意图。
具体实施方式
[0031]下面对照附图，通过对实施例的描述，对本专利技术的具体实施方式作进一步详细的说明，以帮助本领域的技术人员对本专利技术的专利技术构思、技术方案有更完整、准确和深入的理解。
[0032]图1为本专利技术实施例提供的基于GPS轨迹数据的车辆贷款逾期风险评估方法的流程图，该方法具体包括如下步骤：
[0033]S1、获取待评估用户前M个月的GPS轨迹数据，从GPS轨迹数据中提取停留位置；
[0034]GPS轨迹数据包括位置及时间戳，位置即为车辆所在经度和纬度，时间戳为位置的采集时间，GPS轨迹数据采用(lng
i
,al
i
,t
i
)表示，计算用户在各位置的停留时间(lng
j
,al
j
,t
j
，Δt
j
)，将停留时间Δt
j
大于停留时间阈值τ的GPS轨迹数据(lng
j
,al
j
,t
j
)放入停留点集
合S中。
[0035]在车辆处于运行状态时，车载GPS设备会以大约每30s一次的频率向数据仓库汇报车辆的经纬度坐标和当前时间戳，(lng1,al1,t1),(lng2,al2,t2),
…
,(lng
n
,al
n
,t
n
)
[0036]在位置(lng
m
,al
m
)处的停留时间Δt
m
由位于位置(lng
m
,al
m
)的前后GPS轨迹数据的时间差计算。
[0037]Δt
m
＝t
m+a
‑
t
m
[0038]其中，t
m
时刻为位于位置(lng
m
,al
m
)处的第一个GPS轨迹数据，t
m+a
时刻为位于位置(ln本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于GPS轨迹数据的车辆贷款逾期风险评估方法，其特征在于，所述方法包括：S1、获取待评估用户前M个月的GPS轨迹数据，从GPS轨迹数据中提取停留位置；S2、基于停留位置构建待评估用户的轨迹行为矩阵，提取轨迹行为矩阵中的出行行为特征向量；S3、将用户在前M个月内的出行行为特征向量及逾期天数输入逾期识别模型，逾期识别模型输出待识别用户在下一个月的逾期评估结果。2.如权利要求1所述基于GPS轨迹数据的车辆贷款逾期风险评估方法，其特征在于，停留位置的提取方法具体如下：通过采集的GPS轨迹数据(lng
j
,al
j
,t
j
)计算用户在各位置的停留时间Δt
j
，停留时间Δt
j
大于停留时间阈值τ的GPS轨迹数据(lng
j
,al
j
,t
j
)所在位置即为停留点，放入停留点集合S中。3.如权利要求1所述基于GPS轨迹数据的车辆贷款逾期风险评估方法，其特征在于，轨迹行为矩阵的提取方法具体如下：S21、基于停留点集合S中的每日GPS轨迹数据构建待评估用户的日轨迹行为矩阵；S22、将前一日的日行为轨迹行为矩阵的尾部轨迹数据拼接至后一日的日轨迹行为矩阵的头部，更新每日的日轨迹行为矩阵；S23、按照时间顺序将指定时长内的日轨迹行为矩阵进行拼接，形成多日轨迹行为矩阵。4.如权利要求3所述基于GPS轨迹数据的车辆贷款逾期风险评估方法，其特征在于，日轨迹行为矩阵的形成过程具体如下：将每日按照设定时长进行切断，形成S个片段；检测各片段的时间区间内是否存在GPS轨迹数据，若检测结果为否，则将距片段最近时间的停留点(lng
t
,al
t
)作为当前片段的停留...

【专利技术属性】
技术研发人员：王延松，裴茗，何向楠，张磊，王蒙，
申请(专利权)人：奇瑞徽银汽车金融股份有限公司，
类型：发明
国别省市：