CN108053314A - 一种借贷需求预测方法 - Google Patents

Abstract

本发明提供了一种借贷需求预测方法，包括：获取多个样本用户的历史借贷属性信息，以及对应于每个样本用户的历史借贷行为信息；其中，历史借贷行为信息包括是否借贷的记录，以及发生借贷的借贷金额；根据多个样本用户的历史借贷属性信息和是否借贷的记录，训练得到借贷概率预测模型；以及，根据多个样本用户的历史借贷属性信息和借贷金额，训练得到借贷金额预测模型；基于借贷概率预测模型的预测结果和借贷金额预测模型的预测结果之间的预设运算关系，为目标用户预测借贷信息。本发明结合训练出的借贷概率预测模型和借贷金额预测模型实现用户的借贷预测，预测的精准度高，且能够挖掘用户的实际借款意图，为互联网金融借贷的精准营销提供有利支撑。

Description

一种借贷需求预测方法

技术领域

本发明涉及计算机应用技术领域，具体而言，涉及一种借贷需求预测方法。

背景技术

随着互联网技术的快速发展和普及，个人对个人(person-to-person，P2P)借贷逐渐由单一的线下模式转变为线下与线上并行，网络借贷平台也应运而生，且成为P2P借贷的主要形式。通过上述网络借贷平台把借、贷双方对接起来实现各自的借贷需求，其中，借款人主体是个人，以信用借款为主，面对社会筹集资金。

相关技术中的信用借款多通过网络借贷平台对借款申请人的个人信用进行评分，然后根据评分结果从事先划定好等级的各个借款额度中确定对应于借款申请人的借款额度。

就一定程度而言，网络借贷平台对借款申请人的借款额度将随着该借款申请人的个人信用评分的增大而增大，然而，在实际的借贷应用过程中，并非借款人的个人信用评分越高，其需求的借款金额越大，反之亦然，可见，亟需一种对借贷需求进行预测的技术方案以最大程度的挖掘用户的借款意图。

发明内容

有鉴于此，本发明的目的在于提供一种借贷需求预测方法，以提高借贷需求预测的精准度，进一步实现互联网金融借贷的精准营销。

第一方面，本发明提供了一种借贷需求预测方法，所述方法包括：

获取多个样本用户的历史借贷属性信息，以及对应于每个样本用户的历史借贷行为信息；其中，所述历史借贷行为信息包括是否借贷的记录，以及发生借贷的借贷金额；

根据所述多个样本用户的历史借贷属性信息和所述是否借贷的记录，训练得到借贷概率预测模型；以及，根据所述多个样本用户的历史借贷属性信息和所述借贷金额，训练得到借贷金额预测模型；

基于所述借贷概率预测模型的预测结果和所述借贷金额预测模型的预测结果之间的预设运算关系，为目标用户预测借贷信息。

结合第一方面，本发明提供了第一方面的第一种可能的实施方式，其中，所述根据所述多个样本用户的历史借贷属性信息和所述是否借贷的记录，训练得到借贷概率预测模型，具体包括：

基于获取的多个样本用户的历史借贷属性信息，确定初始第一借贷属性特征；

将所述初始第一借贷属性特征作为初始自变量，将对应的是否借贷的记录作为初始因变量进行至少一轮模型训练；其中，每一轮模型训练由至少两个候选模型参与；

将每一轮模型训练中错误率最小的模型的组合，作为完成训练的借贷概率预测模型。

结合第一方面的第一种可能的实施方式，本发明提供了第一方面的第二种可能的实施方式，其中，每轮训练执行如下操作：

基于本轮训练使用的训练数据确定当前自变量的自变量值和当前因变量的因变量值，对参与本轮训练的至少两个候选模型进行训练；

根据本轮训练的结果，从参与本轮训练的至少两个候选模型中确定错误率最低的第一候选模型；并

确定所述第一候选模型在本轮训练中得到的是否借贷结果错误的出错样本用户；

基于预设权重更新规则，将出错样本用户的权重更新；

根据所述多个样本用户的当前权重，对多个样本用户进行分层抽样处理，得到下一轮训练需要使用的训练数据，进入下一轮训练。

结合第一方面的第二种可能的实施方式，本发明提供了第一方面的第三种可能的实施方式，其中，针对除第一轮训练之外的其他轮训练，在基于本轮训练使用的训练数据确定对应自变量的自变量值和对应因变量的因变量值之前，还包括：

基于上轮训练结束确定的本轮训练需要使用的训练数据所包含样本用户的特征，构建针对本轮训练的新的第一借贷属性特征；并

将所述新的第一借贷属性特征确定为当前自变量，将对应的是否借贷的记录确定为当前因变量。

结合第一方面的第二种可能的实施方式，本发明提供了第一方面的第四种可能的实施方式，其中，针对除第一轮训练之外的其他轮训练，根据本轮训练的结果，从参与本轮训练的至少两个候选模型中确定错误率最低的第一候选模型，具体包括：

基于所述多个样本用户的历史借贷属性信息，确定每个样本用户的对应当前自变量的自变量值及当前因变量的因变量值；

将每个样本用户的对应自变量值分别输入本轮完成训练的至少两个候选模型，得到各样本用户是否借贷的预测结果；

根据各样本用户的预测结果以及是否借贷的记录，从参与本轮训练的至少两个候选模型中确定错误率最低的第一候选模型。

结合第一方面的第二种可能的实施方式至第四种可能的实施方式中任一可能的实施方式，本发明提供了第一方面的第五种可能的实施方式，其中，在确定出错误率最低的第一候选模型之后，还包括：

根据该最低错误率与模型权重的预设数值关系，确定所述第一候选模型的权重；其中，所述预设数值关系满足错误率越小，模型权重越高；

将每一轮模型训练中错误率最小的模型的组合，作为完成训练的借贷概率预测模型，具体包括：

将每一轮模型训练中错误率最小的模型及其对应模型权重的加权组合，作为完成训练的借贷概率预测模型。

结合第一方面的第二种可能的实施方式至第四种可能的实施方式中任一可能的实施方式，本发明提供了第一方面的第六种可能的实施方式，其中，根据所述多个样本用户的当前权重，对多个样本用户进行分层抽样处理，得到下一轮训练需要使用的训练数据，具体包括：

从所述多个样本用户中，确定当前权重大于初始权重的部分或全部的样本用户，作为第一样本用户；

根据确定的第一样本用户的数量以及预设数量关系，确定对应数量的当前权重小于初始权重的第二样本用户；并

将所述第一样本用户和第二样本用户对应历史借贷属性信息以及历史借贷行为信息作为下一轮训练需要使用的训练数据。

结合第一方面的第二种可能的实施方式至第四种可能的实施方式中任一可能的实施方式，本发明提供了第一方面的第七种可能的实施方式，其中，在从参与本轮训练的至少两个候选模型中确定错误率最低的第一候选模型之后，还包括：

确定该最低错误率未达到预设错误率阈值。

结合第一方面的第五种可能的实施方式，本发明提供了第一方面的第八种可能的实施方式，其中，采用如下方式通过所述借贷概率预测模型为目标用户确定借贷概率预测结果：

获取所述目标用户的历史借贷属性信息；

针对每轮训练得到的错误率最小的模型，基于所述目标用户的历史借贷属性信息，确定该模型所使用第一借贷属性特征对应的特征值；

将各错误率最小模型对应的特征值分别输入对应模型得到各错误率最小模型分别对应的预测结果；

基于各错误率最小模型对应的模型权重，对各预测结果进行加权求和，并将得到的和值确定为所述目标用户的借贷概率预测结果。

结合第一方面的第八种可能的实施方式，本发明提供了第一方面的第九种可能的实施方式，其中，在基于所述借贷概率预测模型的预测结果和所述借贷金额预测模型的预测结果之间的预设运算关系，为目标用户预测借贷信息之前，还包括：

将所述目标用户的借贷概率预测结果与预设借贷概率阈值比对；

若小于所述预设借贷概率阈值，则将所述借贷概率预测结果调整为0；否则，调整为1；

基于所述借贷概率预测模型的预测结果和所述借贷金额预测模型的预测结果之间的预设运算关系，为目标用户预测借贷信息，具体包括：

将所述借贷概率预测模型为所述目标用户的预测结果经过调整后的值，与所述借贷金额预测模型为所述目标用户的预测结果相乘，得到为所述目标用户预测的借贷信息。

本发明提供的借贷需求预测方法，其首先获取多个样本用户的历史借贷属性信息，以及对应于每个样本用户的历史借贷行为信息；其中，历史借贷行为信息包括是否借贷的记录，以及发生借贷的借贷金额；然后根据多个样本用户的历史借贷属性信息和是否借贷的记录，训练得到借贷概率预测模型；以及，根据多个样本用户的历史借贷属性信息和借贷金额，训练得到借贷金额预测模型；最后基于借贷概率预测模型的预测结果和借贷金额预测模型的预测结果之间的预设运算关系，为目标用户预测借贷信息，其结合训练出的借贷概率预测模型和借贷金额预测模型实现目标用户的借贷预测，避免了相关技术中根据个人评分结果确定借款额度所带来的客观性和局限性的问题，预测的精准度较高，且能够挖掘用户的实际借款意图，为互联网金融借贷的精准营销提供有利支撑。

为使本发明的上述目的、特征和优点能更明显易懂，下文特举较佳实施例，并配合所附附图，作详细说明如下。

附图说明

为了更清楚地说明本发明实施例的技术方案，下面将对实施例中所需要使用的附图作简单地介绍，应当理解，以下附图仅示出了本发明的某些实施例，因此不应被看作是对范围的限定，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他相关的附图。

图1示出了本发明实施例所提供的一种借贷需求预测方法的流程图；

图2示出了本发明实施例所提供的另一种借贷需求预测方法的流程图；

图3示出了本发明实施例所提供的另一种借贷需求预测方法的流程图；

图4示出了本发明实施例所提供的另一种借贷需求预测方法的流程图；

图5示出了本发明实施例所提供的另一种借贷需求预测方法的流程图；

图6示出了本发明实施例所提供的另一种借贷需求预测方法的流程图；

图7示出了本发明实施例所提供的另一种借贷需求预测方法的流程图；

图8示出了本发明实施例所提供的另一种借贷需求预测方法的流程图；

图9示出了本发明实施例所提供的一种借贷需求预测装置的结构示意图；

图10示出了本发明实施例所提供的另一种一种借贷需求预测装置的结构示意图的结构示意图。

具体实施方式

为使本发明实施例的目的、技术方案和优点更加清楚，下面将结合本发明实施例中附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。通常在此处附图中描述和示出的本发明实施例的组件可以以各种不同的配置来布置和设计。因此，以下对在附图中提供的本发明的实施例的详细描述并非旨在限制要求保护的本发明的范围，而是仅仅表示本发明的选定实施例。基于本发明的实施例，本领域技术人员在没有做出创造性劳动的前提下所获得的所有其他实施例，都属于本发明保护的范围。

考虑到相关技术中采用个人信用评分进行信用借款存在客观性和局限性在的问题，本发明实施例提供了一种借贷需求预测方法，以提高借贷需求预测的精准度，进一步实现互联网金融借贷的精准营销。

参见图1，为本发明实施例提供的借贷需求预测方法的流程图，应用于计算机设备，上述借贷需求预测方法包括如下步骤：

S101、获取多个样本用户的历史借贷属性信息，以及对应于每个样本用户的历史借贷行为信息；其中，历史借贷行为信息包括是否借贷的记录，以及发生借贷的借贷金额。

这里，为了更好的实现模型训练，本发明实施例可以通过数据接口或者网络爬虫的方式从网络上获取海量样本用户的历史借贷属性信息。从数据接口层面来讲，上述历史借贷属性信息可以是从互联网网站(如天猫、亚马逊等)精确开放的数据接口进行获取；从网络爬虫层面来讲，可以采用网络爬虫技术，如python(一种面向对象的解释型计算机程序设计语言)实现爬虫的功能，把想要获取的历史借贷属性信息爬取到本地的计算机设备。对于历史借贷行为信息而言，本发明实施例可以通过获取样本用户持有的银行卡、信用卡的相关交易信息进行确定，还可以通过样本用户绑定的网络贷款平台的相关贷款信息进行确定。

其中，上述历史借贷属性信息包括但不限于：用户基本信息(如姓名、年龄、职业、身份信息等)、购物信息(如购物时间、购物地点等)，上述历史借贷行为信息主要包括是否借贷的记录，以及发生借贷的借贷金额。

另外，本发明实施例中的历史借贷属性信息可以是一个用户在各个历史时间段的借贷属性信息之和，每个样本用户均对应有相应的历史借贷属性信息，以及对应于该样本用户的历史借贷行为信息。

S102、根据多个样本用户的历史借贷属性信息和是否借贷的记录，训练得到借贷概率预测模型；以及，根据多个样本用户的历史借贷属性信息和借贷金额，训练得到借贷金额预测模型。

这里，在借贷概率预测模型训练阶段，以S101中获取的历史借贷属性信息作为待训练的借贷概率预测模型的输入特征，以对应于历史借贷属性信息的是否借贷的记录作为输出结果，训练得到借贷概率预测模型的参数信息等，也即得到训练好的借贷概率预测模型。本发明实施例可以采用分类模型作为借贷概率预测模型，模型训练阶段也就是训练分类模型中一些未知的参数信息等的过程。之后，就可以基于上述借贷概率预测模型为目标用户提供服务了，此时只需要将目标用户提供的历史借贷属性信息的历史借贷属性特征输入到训练好的借贷概率预测模型中即可。

在具体实施中，本发明实施例可以基于AdaBoost分类算法训练借贷概率预测模型，也即，本发明实施例是针对同一个训练集训练不同的弱分类器，然后把这些弱分类器集合起来，构成一个更强的最终分类器，通过不断的迭代训练，构建分类能力较强的借贷概率预测模型。

另外，在借贷金额预测模型训练阶段，以S101中获取的历史借贷属性信息作为待训练的借贷概率预测模型的输入特征，以对应于历史借贷属性信息的借贷金额作为输出结果，训练得到借贷金额预测模型的参数信息等，也即得到训练好的借贷金额预测模型。同理，本发明实施例也可以采用分类模型作为借贷金额预测模型，以基于该借贷金额预测模型为目标用户提供服务，此时只需要将目标用户提供的历史借贷属性信息的历史借贷属性特征输入到训练好的借贷金额预测模型中即可。

在具体实施中，本发明实施例可以采用神经网络模型进行借贷金额预测模型的训练，还可以采用回归模型进行借贷金额预测模型的训练。此外，本发明实施例还可以基于上述神经网络模型以及回归模型的预测结果与实际结果分别确定对应的标准误差，基于标准误差最小策略选择对应的模型进行借贷金额的结果预测。

S103、基于借贷概率预测模型的预测结果和借贷金额预测模型的预测结果之间的预设运算关系，为目标用户预测借贷信息。

这里，本发明实施例中，一方面可以直接根据目标用户的借贷概率预测结果(借贷概率值)和借贷金额的预测结果的乘积，预测目标用户的借贷信息，另一方面可以首先将目标用户的借贷概率预测结果与预设借贷概率阈值进行对比，根据对比结果调整借贷概率预测结果，然后基于调整后的借贷概率预测结果和借贷金额的预测结果的乘积，预测目标用户的借贷信息。

其中，本发明实施例采用如下方式调整借贷概率预测结果：若判断出借贷概率预测结果小于预设借贷概率阈值，则将借贷概率预测结果调整为0；否则，调整为1，也即，借贷概率预测结果仅包括借贷或未借贷两种可能性。

本发明实施例提供的借贷需求预测方法，其首先获取多个样本用户的历史借贷属性信息，以及对应于每个样本用户的历史借贷行为信息；其中，历史借贷行为信息包括是否借贷的记录，以及发生借贷的借贷金额；然后根据多个样本用户的历史借贷属性信息和是否借贷的记录，训练得到借贷概率预测模型；以及，根据多个样本用户的历史借贷属性信息和借贷金额，训练得到借贷金额预测模型；最后基于借贷概率预测模型的预测结果和借贷金额预测模型的预测结果之间的预设运算关系，为目标用户预测借贷信息，其结合训练出的借贷概率预测模型和借贷金额预测模型实现目标用户的借贷预测，避免了相关技术中根据个人评分结果确定借款额度所带来的客观性和局限性的问题，预测的精准度较高，且能够挖掘用户的实际借款意图，为互联网金融借贷的精准营销提供有利支撑。

本发明实施例提供的借贷需求预测方法在获取样本用户的历史借贷信息(历史借贷属性信息和历史借贷行为信息)后，可以对该历史借贷信息中的历史借贷属性信息和历史借贷行为信息均进行过滤、类型转换、衍生等处理，以得到处理后的历史借贷信息。其中，上述过滤处理指的是对历史借贷信息中的缺失信息、重复信息等进行过滤操作，上述类型转换可以是对历史借贷信息进行归一化处理，以把不同来源的数据统一到一个参考系下，这样比较起来才有意义，上述衍生处理指的是根据历史借贷信息进行统计分析得到的额外历史借贷信息，如对于包括购物信息的历史借贷属性信息而言，可以通过对购物信息的衍生，得到某用户的平均购物次数、最多花费多少金额、购物的价格区间等相关统计信息。

本发明实施例通过至少一轮模型训练得到的错误率最小的模型的组合进行借贷概率预测模型的训练，参见图2，上述借贷概率预测模型的训练过程具体通过如下步骤实现：

S201、基于获取的多个样本用户的历史借贷属性信息，确定初始第一借贷属性特征；

S202、将初始第一借贷属性特征作为初始自变量，将对应的是否借贷的记录作为初始因变量进行至少一轮模型训练；其中，每一轮模型训练由至少两个候选模型参与；

S203、将每一轮模型训练中错误率最小的模型的组合，作为完成训练的借贷概率预测模型。

这里，本发明实施例首先基于历史借贷属性信息，确定初始第一借贷属性特征，然后分别将上述初始第一借贷属性特征和对应的是否借贷的记录作为初始自变量和初始因变量进行至少一轮的模型训练，最后将每一轮模型训练中错误率最小的模型的组合，作为完成训练的借贷概率预测模型。

其中，上述初始第一借贷属性特征指的是对上述历史借贷属性信息进行处理后的结果，上述初始第一借贷属性特征可以是历史借贷属性信息的归一化结果，还可以是特征衍生结果，本发明实施例可以基于实际获取的历史借贷属性信息，自适应的进行特征选取。

本发明实施例中对于每一轮模型训练而言，均可以至少有两个候选模型参与，其中，上述候选模型可以是神经网络模型、SVM(Support Vector Machine，支持向量机)模型、logistic(回归)模型中的任意组合，还可以是其他分类模型的任意组合。

进一步地，获取的历史借贷属性信息可以是多个用户的第一历史时间段的历史借贷数据，对应的历史借贷行为信息(或者借贷金额信息)可以是多个用户的第二历史时间段的历史借贷数据，且第一历史时间段早于第二历史时间段；本发明实施例中训练的借贷需求预测模型在完成训练实际使用时，可以根据用户的历史借贷信息对该用户在未来时间内的借贷行为进行预测，因此，在进行训练时，作为借贷属性特征的特征值可以来自第一历史时间段的历史借贷数据，作为借贷行为特征的特征值可以来自第二历史时间段的历史借贷数据。较佳地，第一历史时间段与第二历史时间段之间的时间间隔为第一时间间隔，借贷需求预测模型在使用时使用的历史借贷信息所在时间段与需要预测是否借贷的未来时间段之间的时间间隔为第二时间间隔，第一时间间隔与第二时间间隔一致。

值得说明的是，本发明实施例可以采用如下方式确定借贷概率预测模型是否达到收敛。第一种方式，本发明实施例可以采用借贷概率预测模型的训练轮数是否达到预设训练轮数(如3轮)的判断方式，如果训练轮数达到预设阈值，则确定上述借贷概率预测模型的输出已达到收敛，若训练次数未达到预设阈值，则确定未达到收敛。第二种方式，本发明实施例还可以采用借贷概率预测模型的输出结果和是否借贷的记录之间的输出误差(如误差0.0001)是否小于预设误差的判断方式，如果输出误差小于预设误差，则确定上述借贷概率预测模型的输出已达到收敛，若输出误差小于或等于预设误差，则确定未达到收敛。不管是上述哪一种判断方式，在确定达到收敛后，将所有轮模型训练中错误率最小的模型的组合作为上述借贷概率预测模型。

针对上述每轮训练而言，参见图3，本发明实施例提供的借贷需求预测方法还包括如下内容：

S301、基于本轮训练使用的训练数据确定当前自变量的自变量值和当前因变量的因变量值，对参与本轮训练的至少两个候选模型进行训练；

S302、根据本轮训练的结果，从参与本轮训练的至少两个候选模型中确定错误率最低的第一候选模型；

S303、确定第一候选模型在本轮训练中得到的是否借贷结果错误的出错样本用户；

S304、基于预设权重更新规则，将出错样本用户的权重更新；

S305、根据多个样本用户的当前权重，对多个样本用户进行分层抽样处理，得到下一轮训练需要使用的训练数据，进入下一轮训练。

这里，本发明实施例中，第一轮训练使用的是初始自变量的自变量值和初始因变量的因变量值，对上述参与第一轮训练的至少两个候选模型进行训练，基于对全部样本用户的预测结果，从上述至少两个候选模型中确定错误率最低的第一候选模型，对第一候选模型确定的是否借贷结果错误的出错样本用户进行权重更新。与第一轮训练不同的是，对于后续的其他轮，使用的是前一轮确定的训练数据，对上述参与第一轮训练的至少两个候选模型进行训练，但同样是基于对全部样本用户的预测结果，从上述至少两个候选模型中确定错误率最低的第一候选模型。

其中，为了凸显出错样本用户，本发明实施例中的预设权重更新规则指的是将出错样本用户的权重调高，对应的将正确样本用户的权重调低。

在具体实施过程中，为了兼顾借贷概率预测模型的预测准确率和效率，本发明实施例中，每轮训练使用的候选模型可以相同也可以不同，对于相同的情况不再赘述，对于不同的情况，特举例说明：如上一轮中错误率超过阈值的候选模型，下一轮就不再使用了。

另外，本发明实施例中，除第一轮训练之外的其他轮训练，采用的均是根据前一轮的预测结果进行分层抽样处理所确定的训练数据。根据第一轮的预测结果确定下一轮训练需要使用的训练数据，参见图4，具体通过如下步骤实现：

S401、从多个样本用户中，确定当前权重大于初始权重的部分或全部的样本用户，作为第一样本用户；

S402、根据确定的第一样本用户的数量以及预设数量关系，确定对应数量的当前权重小于初始权重的第二样本用户；

S403、将第一样本用户和第二样本用户对应历史借贷属性信息以及历史借贷行为信息作为下一轮训练需要使用的训练数据。

这里，在对样本用户进行权重更新之后，首先可以从所有样本用户中确定当前权重大于初始权重的部分或全部的样本用户，作为第一样本用户，该第一样本用户对应于出错样本用户，然后根据上述出错样本用户的数量以及出错样本用户与正确样本用户之间的预设数量关系(如出错样本用户的个数等于正确样本用户的个数)，确定对应数量的当前权重小于初始权重的第二样本用户，该第二样本用户对应于正确样本用户，基于上述出错样本用户和正确样本用户对应的历史借贷属性信息以及历史借贷行为信息作为下一轮训练需要使用的训练数据。

同理，根据下一轮的预测结果确定该下一轮的下一轮训练需要使用的训练数据与上述根据第一轮的预测结果确定下一轮训练需要使用的训练数据的具体实现方法类似，以此类推，在此不做赘述。

本发明实施例中，针对除第一轮训练之外的其他轮训练，参与本轮训练的第一借贷属性特征随着训练数据的变化而变化，具体的，参见图5，本发明实施例基于下述步骤进行特征更新：

S501、基于上轮训练结束确定的本轮训练需要使用的训练数据所包含样本用户的特征，构建针对本轮训练的新的第一借贷属性特征；

S502、将新的第一借贷属性特征确定为当前自变量，将对应的是否借贷的记录确定为当前因变量。

这里，本轮训练均要基于上轮训练确定的本轮训练需要使用的训练数据所包含样本用户的特征，构建新的第一借贷属性特征，并分别将新的第一借贷属性特征以及对应的是否借贷的记录作为当前自变量和当前因变量，以基于本轮训练使用的训练数据确定当前自变量的自变量值和当前因变量的因变量值，对参与本轮训练的至少两个候选模型进行训练。

本发明实施例中，针对除第一轮训练之外的其他轮训练，根据本轮训练的结果，从参与本轮训练的至少两个候选模型中确定错误率最低的第一候选模型，参见图6，具体包括如下步骤：

S601、基于多个样本用户的历史借贷属性信息，确定每个样本用户的对应当前自变量的自变量值及当前因变量的因变量值；

S602、将每个样本用户的对应自变量值分别输入本轮完成训练的至少两个候选模型，得到各样本用户是否借贷的预测结果；

S603、根据各样本用户的预测结果以及是否借贷的记录，从参与本轮训练的至少两个候选模型中确定错误率最低的第一候选模型。

这里，本发明实施例将确定的每个样本用户的对应当前自变量的自变量值及当前因变量的因变量值分别输入本轮完成训练的至少两个候选模型，得到各样本用户是否借贷的预测结果，根据各样本用户的预测结果以及是否借贷的记录的比较结果，从参与本轮训练的至少两个候选模型中确定错误率最低的第一候选模型。

值得说明的是，本发明实施例在确定错误率最低的第一候选模型后，将根据预设错误率阈值对最低错误率判断，只有在最低错误率未达到预设错误率阈值时，才进入下一轮训练，若最低错误率达到预设错误率阈值(如0.5)，则训练到本轮结束，不再继续。

另外，本发明实施例在进入下一轮训练之前，还包括：对确定的下一轮训练需要使用的训练数据进行类别不平衡处理。本发明实施例可以采用上采样方法进行不平衡处理，还可以采用下采样方法进行不平衡处理，还可以采用SMOTE(Synthetic Minority Over-sampling Technique)方法进行不平衡处理。其中，上述上采样方法指的是对比例过低的样本(也即，出错样本用户)重复抽样，以使这类样本的特征被模型学习到；上述下采样方法指的是对比例过高的样本(也即，正确样本用户)减少抽样次数，以防止模型过度学习这类型样本的特征；上述SMOTE方法指的是对少数类样本(也即，出错样本用户)进行分析并根据少数类样本人工合成新样本添加到训练数据中，从而避免过拟合问题。考虑到SMOTE方法的优良特性，本发明实施例优选的根据SMOTE方法进行不平衡处理。

本发明实施例中的借贷概率预测模型是依赖于每一轮模型训练中错误率最小的模型的，参见图7，基于上述所有轮错误率最小的模型确定借贷概率预测模型，具体通过如下步骤实现：

S701、根据该最低错误率与模型权重的预设数值关系，确定第一候选模型的权重；其中，预设数值关系满足错误率越小，模型权重越高；

S702、将每一轮模型训练中错误率最小的模型及其对应模型权重的加权组合，作为完成训练的借贷概率预测模型。

这里，预设数值关系可以按照如下公式确定：

其中，α_m表示第m轮训练确定的错误率最小的候选模型的模型权重，e_m表示第m轮训练确定的最低错误率。

另外，本发明实施例还将每一轮模型训练中错误率最小的模型及基于上述公式确定的模型权重的加权组合，确定完成训练的借贷概率预测模型。

本发明实施例中，参见图8，基于上述训练得到的借贷概率预测模型为目标用户确定借贷概率预测结果，包括如下步骤：

S801、获取目标用户的历史借贷属性信息；

S802、针对每轮训练得到的错误率最小的模型，基于目标用户的历史借贷属性信息，确定该模型所使用第一借贷属性特征对应的特征值；

S803、将各错误率最小模型对应的特征值分别输入对应模型得到各错误率最小模型分别对应的预测结果；

S804、基于各错误率最小模型对应的模型权重，对各预测结果进行加权求和，并将得到的和值确定为目标用户的借贷概率预测结果。

这里，首先对获取的历史借贷属性信息进行特征提取，然后针对每轮训练得到的错误率最小的模型，基于目标用户的历史借贷属性信息，确定该模型所使用第一借贷属性特征对应的特征值，最后将各错误率最小模型对应的特征值分别输入对应模型得到各错误率最小模型分别对应的预测结果，以基于各错误率最小模型对应的模型权重，对各预测结果进行加权求和，并将得到的和值确定为目标用户的借贷概率预测结果。可见，采用预先训练好的借贷概率预测模型可以快速高效的为目标用户进行借贷概率预测，且预测的精准度较高，自动化程度也较高。

与借贷概率预测模型类似的是，借贷金额预测模型也可以采用分类模型，上述借贷金额预测模型的训练过程具体包括：基于获取的多个样本用户的历史借贷属性信息，确定第二借贷属性特征；将第二借贷属性特征作为自变量，将对应的发生借贷的借贷金额作为因变量对预设模型进行训练，得到借贷金额预测模型。

其中，上述第二借贷属性特征与上述第一借贷属性特征可以相同，也可以不同。

另外，上述借贷金额预测模型为目标用户进行借贷金额预测的方法则与上述借贷概率预测模型为目标用户进行借贷概率预测的方法不同，本发明实施例可以从多个分类模型中选择标准误差比较小的分类进行借贷金额的结果预测。

基于同一发明构思，本发明实施例中还提供了与借贷需求预测方法对应的借贷需求预测装置，由于本发明实施例中的装置解决问题的原理与本发明实施例上述借贷需求预测方法相似，因此装置的实施可以参见方法的实施，重复之处不再赘述。如图9所示，为本发明实施例所提供的借贷需求预测装置的结构示意图，该借贷需求预测装置包括：

借贷信息获取模块11，用于获取多个样本用户的历史借贷属性信息，以及对应于每个样本用户的历史借贷行为信息；其中，历史借贷行为信息包括是否借贷的记录，以及发生借贷的借贷金额；

概率模型训练模块12，用于根据多个样本用户的历史借贷属性信息和是否借贷的记录，训练得到借贷概率预测模型；

金额模型训练模块13，用于根据多个样本用户的历史借贷属性信息和借贷金额，训练得到借贷金额预测模型；

借贷预测模块14，用于基于借贷概率预测模型的预测结果和借贷金额预测模型的预测结果之间的预设运算关系，为目标用户预测借贷信息。

在具体实施中，上述概率模型训练模块12，具体用于基于获取的多个样本用户的历史借贷属性信息，确定初始第一借贷属性特征；将初始第一借贷属性特征作为初始自变量，将对应的是否借贷的记录作为初始因变量进行至少一轮模型训练；其中，每一轮模型训练由至少两个候选模型参与；将每一轮模型训练中错误率最小的模型的组合，作为完成训练的借贷概率预测模型。

在具体实施中，上述概率模型训练模块12，具体用于针对每轮训练执行如下操作：

基于本轮训练使用的训练数据确定当前自变量的自变量值和当前因变量的因变量值，对参与本轮训练的至少两个候选模型进行训练；

根据本轮训练的结果，从参与本轮训练的至少两个候选模型中确定错误率最低的第一候选模型；并

确定第一候选模型在本轮训练中得到的是否借贷结果错误的出错样本用户；

基于预设权重更新规则，将出错样本用户的权重更新；

根据多个样本用户的当前权重，对多个样本用户进行分层抽样处理，得到下一轮训练需要使用的训练数据，进入下一轮训练。

上述借贷需求预测装置还包括：

属性特征构建模块，用于基于上轮训练结束确定的本轮训练需要使用的训练数据所包含样本用户的特征，构建针对本轮训练的新的第一借贷属性特征；并将新的第一借贷属性特征确定为当前自变量，将对应的是否借贷的记录确定为当前因变量。

在一种实施方式中，上述概率模型训练模块12，具体用于基于多个样本用户的历史借贷属性信息，确定每个样本用户的对应当前自变量的自变量值及当前因变量的因变量值；将每个样本用户的对应自变量值分别输入本轮完成训练的至少两个候选模型，得到各样本用户是否借贷的预测结果；根据各样本用户的预测结果以及是否借贷的记录，从参与本轮训练的至少两个候选模型中确定错误率最低的第一候选模型。

上述借贷需求预测装置还包括：

模型权重确定模块，用于根据该最低错误率与模型权重的预设数值关系，确定第一候选模型的权重；其中，预设数值关系满足错误率越小，模型权重越高；

上述概率模型训练模块12，具体用于将每一轮模型训练中错误率最小的模型及其对应模型权重的加权组合，作为完成训练的借贷概率预测模型。

在另一种实施方式中，上述概率模型训练模块12，具体用于从多个样本用户中，确定当前权重不等于大于初始权重的部分或全部的样本用户，作为第一样本用户；根据确定的第一样本用户的数量以及预设数量关系，确定对应数量的当前权重等于小于初始权重的第二样本用户；并将第一样本用户和第二样本用户对应历史借贷属性信息以及历史借贷行为信息作为下一轮训练需要使用的训练数据。

上述借贷需求预测装置还包括：

阈值确定模块，用于确定该最低错误率未达到预设错误率阈值。

上述借贷预测模块14，具体用于获取目标用户的历史借贷属性信息；针对每轮训练得到的错误率最小的模型，基于目标用户的历史借贷属性信息，确定该模型所使用第一借贷属性特征对应的特征值；将各错误率最小模型对应的特征值分别输入对应模型得到各错误率最小模型分别对应的预测结果；基于各错误率最小模型对应的模型权重，对各预测结果进行加权求和，并将得到的和值确定为目标用户的借贷概率预测结果。

上述借贷需求预测装置还包括：

预测调整模块，用于将目标用户的借贷概率预测结果与预设借贷概率阈值比对；若小于预设借贷概率阈值，则将借贷概率预测结果调整为0；否则，调整为1；

上述借贷预测模块14，具体用于将借贷概率预测模型为目标用户的预测结果经过调整后的值，与借贷金额预测模型为目标用户的预测结果相乘，得到为目标用户预测的借贷信息。

如图10所示，为本发明实施例所提供的另一种借贷需求预测装置的结构示意图，该借贷需求预测装置20包括：处理器21、存储器22和总线23，存储器22存储执行指令，当装置运行时，处理器21与存储器22之间通过总线23通信，处理器21执行存储器22中存储的如下执行指令：

获取多个样本用户的历史借贷属性信息，以及对应于每个样本用户的历史借贷行为信息；其中，历史借贷行为信息包括是否借贷的记录，以及发生借贷的借贷金额；

根据多个样本用户的历史借贷属性信息和是否借贷的记录，训练得到借贷概率预测模型；

根据多个样本用户的历史借贷属性信息和借贷金额，训练得到借贷金额预测模型；

基于借贷概率预测模型的预测结果和借贷金额预测模型的预测结果之间的预设运算关系，为目标用户预测借贷信息。

在具体实施中，上述处理器21，具体用于基于获取的多个样本用户的历史借贷属性信息，确定初始第一借贷属性特征；将初始第一借贷属性特征作为初始自变量，将对应的是否借贷的记录作为初始因变量进行至少一轮模型训练；其中，每一轮模型训练由至少两个候选模型参与；将每一轮模型训练中错误率最小的模型的组合，作为完成训练的借贷概率预测模型。

在具体实施中，上述处理器21，具体用于针对每轮训练执行如下操作：

基于本轮训练使用的训练数据确定当前自变量的自变量值和当前因变量的因变量值，对参与本轮训练的至少两个候选模型进行训练；

根据本轮训练的结果，从参与本轮训练的至少两个候选模型中确定错误率最低的第一候选模型；并

确定第一候选模型在本轮训练中得到的是否借贷结果错误的出错样本用户；

基于预设权重更新规则，将出错样本用户的权重更新；

根据多个样本用户的当前权重，对多个样本用户进行分层抽样处理，得到下一轮训练需要使用的训练数据，进入下一轮训练。

上述处理器21，还用于基于上轮训练结束确定的本轮训练需要使用的训练数据所包含样本用户的特征，构建针对本轮训练的新的第一借贷属性特征；并将新的第一借贷属性特征确定为当前自变量，将对应的是否借贷的记录确定为当前因变量。

在一种实施方式中，上述处理器21，具体用于基于多个样本用户的历史借贷属性信息，确定每个样本用户的对应当前自变量的自变量值及当前因变量的因变量值；将每个样本用户的对应自变量值分别输入本轮完成训练的至少两个候选模型，得到各样本用户是否借贷的预测结果；根据各样本用户的预测结果以及是否借贷的记录，从参与本轮训练的至少两个候选模型中确定错误率最低的第一候选模型。

上述处理器21，还用于根据该最低错误率与模型权重的预设数值关系，确定第一候选模型的权重；其中，预设数值关系满足错误率越小，模型权重越高；将每一轮模型训练中错误率最小的模型及其对应模型权重的加权组合，作为完成训练的借贷概率预测模型。

在另一种实施方式中，上述处理器21，具体用于从多个样本用户中，确定当前权重不等于大于初始权重的部分或全部的样本用户，作为第一样本用户；根据确定的第一样本用户的数量以及预设数量关系，确定对应数量的当前权重等于小于初始权重的第二样本用户；并将第一样本用户和第二样本用户对应历史借贷属性信息以及历史借贷行为信息作为下一轮训练需要使用的训练数据。

上述处理器21，还用于确定该最低错误率未达到预设错误率阈值。

上述处理器21，具体用于获取目标用户的历史借贷属性信息；针对每轮训练得到的错误率最小的模型，基于目标用户的历史借贷属性信息，确定该模型所使用第一借贷属性特征对应的特征值；将各错误率最小模型对应的特征值分别输入对应模型得到各错误率最小模型分别对应的预测结果；基于各错误率最小模型对应的模型权重，对各预测结果进行加权求和，并将得到的和值确定为目标用户的借贷概率预测结果。

上述处理器21，还用于将目标用户的借贷概率预测结果与预设借贷概率阈值比对；若小于预设借贷概率阈值，则将借贷概率预测结果调整为0；否则，调整为1；将借贷概率预测模型为目标用户的预测结果经过调整后的值，与借贷金额预测模型为目标用户的预测结果相乘，得到为目标用户预测的借贷信息。

本发明实施例所提供的进行借贷需求预测的方法的计算机程序产品，包括存储了程序代码的计算机可读存储介质，所述程序代码包括的指令可用于执行前面方法实施例中所述的方法，具体实现可参见方法实施例，在此不再赘述。

本发明实施例所提供的借贷需求预测的装置可以为设备上的特定硬件或者安装于设备上的软件或固件等。本发明实施例所提供的装置，其实现原理及产生的技术效果和前述方法实施例相同，为简要描述，装置实施例部分未提及之处，可参考前述方法实施例中相应内容。所属领域的技术人员可以清楚地了解到，为描述的方便和简洁，前述描述的系统、装置和单元的具体工作过程，均可以参考上述方法实施例中的对应过程，在此不再赘述。

在本发明所提供的实施例中，应该理解到，所揭露装置和方法，可以通过其它的方式实现。以上所描述的装置实施例仅仅是示意性的，例如，所述单元的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，又例如，多个单元或组件可以结合或者可以集成到另一个系统，或一些特征可以忽略，或不执行。另一点，所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些通信接口，装置或单元的间接耦合或通信连接，可以是电性，机械或其它的形式。

所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。

另外，在本发明提供的实施例中的各功能单元可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中。

所述功能如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行本发明各个实施例所述方法的全部或部分步骤。而前述的存储介质包括：U盘、移动硬盘、只读存储器(ROM，Read-Only Memory)、随机存取存储器(RAM，Random Access Memory)、磁碟或者光盘等各种可以存储程序代码的介质。

以上，仅为本发明的具体实施方式，但本发明的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，可轻易想到变化或替换，都应涵盖在本发明的保护范围之内。因此，本发明的保护范围应以权利要求的保护范围为准。

Claims (10)

1.一种借贷需求预测方法，其特征在于，包括：

获取多个样本用户的历史借贷属性信息，以及对应于每个样本用户的历史借贷行为信息；其中，所述历史借贷行为信息包括是否借贷的记录，以及发生借贷的借贷金额；

根据所述多个样本用户的历史借贷属性信息和所述是否借贷的记录，训练得到借贷概率预测模型；以及，根据所述多个样本用户的历史借贷属性信息和所述借贷金额，训练得到借贷金额预测模型；

基于所述借贷概率预测模型的预测结果和所述借贷金额预测模型的预测结果之间的预设运算关系，为目标用户预测借贷信息。

2.根据权利要求1所述的方法，其特征在于，所述根据所述多个样本用户的历史借贷属性信息和所述是否借贷的记录，训练得到借贷概率预测模型，具体包括：

基于获取的多个样本用户的历史借贷属性信息，确定初始第一借贷属性特征；

将所述初始第一借贷属性特征作为初始自变量，将对应的是否借贷的记录作为初始因变量进行至少一轮模型训练；其中，每一轮模型训练由至少两个候选模型参与；

将每一轮模型训练中错误率最小的模型的组合，作为完成训练的借贷概率预测模型。

3.根据权利要求2所述的方法，其特征在于，每轮训练执行如下操作：

基于本轮训练使用的训练数据确定当前自变量的自变量值和当前因变量的因变量值，对参与本轮训练的至少两个候选模型进行训练；

根据本轮训练的结果，从参与本轮训练的至少两个候选模型中确定错误率最低的第一候选模型；并

确定所述第一候选模型在本轮训练中得到的是否借贷结果错误的出错样本用户；

基于预设权重更新规则，将出错样本用户的权重更新；

根据所述多个样本用户的当前权重，对多个样本用户进行分层抽样处理，得到下一轮训练需要使用的训练数据，进入下一轮训练。

4.根据权利要求3所述的方法，其特征在于，针对除第一轮训练之外的其他轮训练，在基于本轮训练使用的训练数据确定对应自变量的自变量值和对应因变量的因变量值之前，还包括：

基于上轮训练结束确定的本轮训练需要使用的训练数据所包含样本用户的特征，构建针对本轮训练的新的第一借贷属性特征；并

将所述新的第一借贷属性特征确定为当前自变量，将对应的是否借贷的记录确定为当前因变量。

5.根据权利要求3所述的方法，其特征在于，针对除第一轮训练之外的其他轮训练，根据本轮训练的结果，从参与本轮训练的至少两个候选模型中确定错误率最低的第一候选模型，具体包括：

基于所述多个样本用户的历史借贷属性信息，确定每个样本用户的对应当前自变量的自变量值及当前因变量的因变量值；

将每个样本用户的对应自变量值分别输入本轮完成训练的至少两个候选模型，得到各样本用户是否借贷的预测结果；

根据各样本用户的预测结果以及是否借贷的记录，从参与本轮训练的至少两个候选模型中确定错误率最低的第一候选模型。

6.根据权利要求3-5任一项所述的方法，其特征在于，在确定出错误率最低的第一候选模型之后，还包括：

根据该最低错误率与模型权重的预设数值关系，确定所述第一候选模型的权重；其中，所述预设数值关系满足错误率越小，模型权重越高；

将每一轮模型训练中错误率最小的模型的组合，作为完成训练的借贷概率预测模型，具体包括：

将每一轮模型训练中错误率最小的模型及其对应模型权重的加权组合，作为完成训练的借贷概率预测模型。

7.根据权利要求3-5任一项所述的方法，其特征在于，根据所述多个样本用户的当前权重，对多个样本用户进行分层抽样处理，得到下一轮训练需要使用的训练数据，具体包括：

从所述多个样本用户中，确定当前权重大于初始权重的部分或全部的样本用户，作为第一样本用户；

根据确定的第一样本用户的数量以及预设数量关系，确定对应数量的当前权重小于初始权重的第二样本用户；并

将所述第一样本用户和第二样本用户对应历史借贷属性信息以及历史借贷行为信息作为下一轮训练需要使用的训练数据。

8.根据权利要求3-5任一项所述的方法，其特征在于，在从参与本轮训练的至少两个候选模型中确定错误率最低的第一候选模型之后，还包括：

确定该最低错误率未达到预设错误率阈值。

9.根据权利要求6所述的方法，其特征在于，采用如下方式通过所述借贷概率预测模型为目标用户确定借贷概率预测结果：

获取所述目标用户的历史借贷属性信息；

针对每轮训练得到的错误率最小的模型，基于所述目标用户的历史借贷属性信息，确定该模型所使用第一借贷属性特征对应的特征值；

将各错误率最小模型对应的特征值分别输入对应模型得到各错误率最小模型分别对应的预测结果；

基于各错误率最小模型对应的模型权重，对各预测结果进行加权求和，并将得到的和值确定为所述目标用户的借贷概率预测结果。

10.根据权利要求9所述的方法，其特征在于，在基于所述借贷概率预测模型的预测结果和所述借贷金额预测模型的预测结果之间的预设运算关系，为目标用户预测借贷信息之前，还包括：

将所述目标用户的借贷概率预测结果与预设借贷概率阈值比对；

若小于所述预设借贷概率阈值，则将所述借贷概率预测结果调整为0；否则，调整为1；

基于所述借贷概率预测模型的预测结果和所述借贷金额预测模型的预测结果之间的预设运算关系，为目标用户预测借贷信息，具体包括：

将所述借贷概率预测模型为所述目标用户的预测结果经过调整后的值，与所述借贷金额预测模型为所述目标用户的预测结果相乘，得到为所述目标用户预测的借贷信息。