一种医疗贷款额度确定方法及装置制造方法及图纸

本申请提供一种医疗贷款额度确定方法及装置，涉及人工智能领域，也可用于金融领域，包括：对获取的医养企业经营信息进行递归特征消除处理，得到医养收入相关特征；将所述医养收入相关特征输入预先训练的医养综合收入预测模型，得到医养综合收入；根据所述医养综合收入确定医疗贷款额度，以实现医疗贷款线上全流程审批

【技术实现步骤摘要】
一种医疗贷款额度确定方法及装置


[0001]本申请涉及人工智能领域，可以用于金融领域，具体是一种医疗贷款额度确定方法及装置
。

技术介绍

[0002]目前，大多数养老机构实行轻资产经营，可抵押资产少，且养老项目多为慈善医卫用地或租赁物业，缺乏抵质押物，担保公司介入意愿低，增信措施有限，授信难度大
。
而更适合养老产业轻资产
、
长周期等特征的信用贷款
、
应收账款抵押
、
预付款融资等信贷产品很少，能够让银行获得养老产业长期红利，又减轻养老机构短期还款负担的股权或混合型的投资也较为少见
。
[0003]虽然信贷业务的数字化给中小微养老企业的信贷提供了发展路径，然而对于线上普惠贷款来说，常用的税务贷模型难以适用于免税的医养行业，且银行机构内部授信审批机制
、
内部信用评级体系不能根据医养结合项目的自身特点，在贷款期限
、
利率水平
、
额度规模等方面予以区别对待，制约了银行对该领域的信贷投放
。
在此背景下，尚没有一种用于医疗贷款额度确定的有效方法
。

技术实现思路

[0004]针对现有技术中的问题，本申请提供一种医疗贷款额度确定方法及装置，能够对医养企业的经营信息进行处理，从而确定其可以获取的医疗贷款额度，完成医疗贷款线上的全流程审批
。
[0005]为解决上述技术问题，本申请提供以下技术方案：
[0006]第一方面，本申请提供一种医疗贷款额度确定方法，包括：
[0007]对获取的医养企业经营信息进行递归特征消除处理，得到医养收入相关特征；
[0008]将所述医养收入相关特征输入预先训练的医养综合收入预测模型，得到医养综合收入；
[0009]根据所述医养综合收入确定医疗贷款额度，以实现医疗贷款线上全流程审批
。
[0010]进一步地，所述对获取的医养企业经营信息进行递归特征消除处理，得到医养收入相关特征，包括：
[0011]根据获取的医养企业经营信息构建全量的医养企业特征子集；
[0012]利用递归特征消除算法提取每个医养企业特征子集对应的重要特征变量；
[0013]基于所述重要特征变量进行训练，得到每个医养企业特征子集对应的模型；
[0014]根据每个医养企业特征子集对应的模型训练效果确定医养收入相关特征
。
[0015]进一步地，预先建立医养综合收入预测模型的步骤，包括：
[0016]对获取的医养企业经营历史信息进行递归特征消除处理，得到医养收入相关历史特征；
[0017]根据所述医养收入相关历史特征构建随机森林模型；
[0018]对所述随机森林模型进行参数调优；
[0019]对参数调优后的随机森林模型进行交叉验证，并将交叉验证通过的随机森林模型作为所述医养综合收入预测模型
。
[0020]进一步地，所述根据所述医养收入相关历史特征构建随机森林模型，包括：
[0021]对所述医养收入相关历史特征进行随机采样，得到多个样本集；
[0022]对每个样本集采用随机特征选择的方法构建一个决策树；
[0023]将构建完成的各决策树组成随机森林，得到随机森林模型
。
[0024]进一步地，所述对所述随机森林模型进行参数调优，包括：
[0025]计算所述随机森林模型的各转移状态；
[0026]根据所述各转移状态确定退火温度为
T
时，各转移状态之间的差值对应的热动力学概率；
[0027]根据所述热动力学概率进行模拟退火操作，得到预设目标函数对应的全局最优解，以调优所述随机森林模型的参数
。
[0028]进一步地，所述根据所述医养综合收入确定医疗贷款额度，以实现医疗贷款线上全流程审批，包括：
[0029]根据预设的打分因子确定医养企业综合得分；
[0030]根据所述医养企业综合得分确定医养企业调节系数；
[0031]根据所述医养综合收入
、
所述医养企业调节系数确定医疗贷款额度，以实现医疗贷款线上全流程审批
。
[0032]第二方面，本申请提供一种医疗贷款额度确定装置，包括：
[0033]收入相关特征确定单元，用于对获取的医养企业经营信息进行递归特征消除处理，得到医养收入相关特征；
[0034]综合收入确定单元，用于将所述医养收入相关特征输入预先训练的医养综合收入预测模型，得到医养综合收入；
[0035]贷款额度确定单元，用于根据所述医养综合收入确定医疗贷款额度，以实现医疗贷款线上全流程审批
。
[0036]进一步地，所述收入相关特征确定单元，包括：
[0037]特征子集构建模块，用于根据获取的医养企业经营信息构建全量的医养企业特征子集；
[0038]重要特征确定模块，用于利用递归特征消除算法提取每个医养企业特征子集对应的重要特征变量；
[0039]模型训练模块，用于基于所述重要特征变量进行训练，得到每个医养企业特征子集对应的模型；
[0040]收入相关特征确定模块，用于根据每个医养企业特征子集对应的模型训练效果确定医养收入相关特征
。
[0041]进一步地，所述综合收入确定单元，包括：
[0042]历史特征生成模块，用于对获取的医养企业经营历史信息进行递归特征消除处理，得到医养收入相关历史特征；
[0043]随机森林构建模块，用于根据所述医养收入相关历史特征构建随机森林模型；
[0044]参数调优模块，用于对所述随机森林模型进行参数调优；
[0045]预测模型生成模块，用于对参数调优后的随机森林模型进行交叉验证，并将交叉验证通过的随机森林模型作为所述医养综合收入预测模型
。
[0046]进一步地，所述随机森林构建模块，包括：
[0047]样本集生成模块，用于对所述医养收入相关历史特征进行随机采样，得到多个样本集；
[0048]决策树构建模块，用于对每个样本集采用随机特征选择的方法构建一个决策树；
[0049]森林模型构建模块，用于将构建完成的各决策树组成随机森林，得到随机森林模型
。
[0050]进一步地，所述参数调优模块，包括：
[0051]转移状态计算模块，用于计算所述随机森林模型的各转移状态；
[0052]热力概率确定模块，用于根据所述各转移状态确定退火温度为
T
时，各转移状态之间的差值对应的热动力学概率；
[0053]全局寻优模块，用于根据所述热动力学概率进行模拟退火操作，得到预设目标函数对应的全局最优解，以调优所述随机森林模型的参数
。
[0054]进一步地，所述贷款额度确定单元，包括：
[0055]综合得分确定模块，用于根据预设的本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.
一种医疗贷款额度确定方法，其特征在于，包括：对获取的医养企业经营信息进行递归特征消除处理，得到医养收入相关特征；将所述医养收入相关特征输入预先训练的医养综合收入预测模型，得到医养综合收入；根据所述医养综合收入确定医疗贷款额度，以实现医疗贷款线上全流程审批
。2.
根据权利要求1所述的医疗贷款额度确定方法，其特征在于，所述对获取的医养企业经营信息进行递归特征消除处理，得到医养收入相关特征，包括：根据获取的医养企业经营信息构建全量的医养企业特征子集；利用递归特征消除算法提取每个医养企业特征子集对应的重要特征变量；基于所述重要特征变量进行训练，得到每个医养企业特征子集对应的模型；根据每个医养企业特征子集对应的模型训练效果确定医养收入相关特征
。3.
根据权利要求1所述的医疗贷款额度确定方法，其特征在于，预先建立医养综合收入预测模型的步骤，包括：对获取的医养企业经营历史信息进行递归特征消除处理，得到医养收入相关历史特征；根据所述医养收入相关历史特征构建随机森林模型；对所述随机森林模型进行参数调优；对参数调优后的随机森林模型进行交叉验证，并将交叉验证通过的随机森林模型作为所述医养综合收入预测模型
。4.
根据权利要求3所述的医疗贷款额度确定方法，其特征在于，所述根据所述医养收入相关历史特征构建随机森林模型，包括：对所述医养收入相关历史特征进行随机采样，得到多个样本集；对每个样本集采用随机特征选择的方法构建一个决策树；将构建完成的各决策树组成随机森林，得到随机森林模型
。5.
根据权利要求3所述的医疗贷款额度确定方法，其特征在于，所述对所述随机森林模型进行参数调优，包括：计算所述随机森林模型的各转移状态；根据所述各转移状态确定退火温度为
...

【专利技术属性】
技术研发人员：卢茜，
申请(专利权)人：中国工商银行股份有限公司，
类型：发明
国别省市：