CN110705975B

CN110705975B - 一种扣款指令发起方法及装置

Info

Publication number: CN110705975B
Application number: CN201810750604.6A
Authority: CN
Inventors: 曾琳铖曦; 刘洪政; 蒋宁
Original assignee: Mashang Xiaofei Finance Co Ltd
Current assignee: Mashang Xiaofei Finance Co Ltd
Priority date: 2018-07-10
Filing date: 2018-07-10
Publication date: 2021-06-18
Anticipated expiration: 2038-07-10
Also published as: CN110705975A; CN113298510B; CN113298510A

Abstract

本发明提供一种扣款指令发起方法及装置，该方法包括：通过获取扣款订单的订单信息；将所述订单信息输入机器学习模型处理后，获取到所述扣款订单的成功扣款的预测值；若所述预测值大于或者等于目标阈值，则发起所述扣款订单的扣款指令。本发明实施例提供的扣款指令发起方法能够降低扣款成本。

Description

一种扣款指令发起方法及装置

技术领域

本发明涉及计算机技术领域，尤其涉及一种扣款指令发起方法及装置。

背景技术

随着金融行业的深化改革，公用事业收费、代收货款、消费后的分期还款等交易业务的数量迅速增加，银行、银联、网联等代扣款渠道对此类业务收取代扣款手续费，例如：商户通过银行向消费者收取分期付款费用，而银行每进行一次扣款则收取固定金额的手续费或者按照扣款金额收取一定比例的手续费，但是，在实际应用中，由于消费者的被扣款账户的余额不足、超出被扣款账户的限额等问题，经常发生扣款失败的情况，而银行不会因为扣款失败而免收手续费，从而提升了商户的收款成本。

在相关技术中，针对每笔订单按照银行的回盘情况，制定多次金额递增的扣款策略，这种方法对于批量扣款业务显然不适用，由于一个批次的扣款包括大量的扣款订单，通常需要消耗数十分钟至数小时甚至跨日的时间来执行扣款操作，而相关技术中的方法由于制定大量的扣款策略而增加了扣款操作的时间，从而大大提升了扣款的时间成本。因此，相关技术中的扣款方法存在成本高的缺陷。

发明内容

本发明实施例提供一种扣款指令发起方法及装置，以解决相关技术中的代扣款方法存在成本高的缺陷。

为了解决上述技术问题，本发明是这样实现的：

第一方面，本发明实施例提供了一种扣款指令发起方法，该方法包括：

获取扣款订单的订单信息；

通过将所述订单信息输入机器学习模型处理后，获取到所述扣款订单的成功扣款的预测值；

若所述预测值大于或者等于目标阈值，则发起所述扣款订单的扣款指令。

第二方面，本发明实施例还提供了一种扣款指令发起装置，该装置包括：

第一获取模块，用于获取扣款订单的订单信息；

第一预测模块，用于将所述订单信息输入机器学习模型处理后，获取到所述扣款订单的成功扣款的预测值；

发起模块，用于若所述预测值大于或者等于目标阈值，则发起所述扣款订单的扣款指令。

第三方面，本发明实施例还提供了一种扣款指令发起装置，包括：

存储器、处理器及存储在所述存储器上并可在所述处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现本发明实施例提供的扣款指令发起方法中的步骤。

第四方面，本发明实施例还提供了一种计算机可读存储介质，所述计算机可读存储介质上存储有计算机程序，所述计算机程序被处理器执行时实现本发明实施例提供的扣款指令发起方法中的步骤。

在本发明实施例中，通过获取扣款订单的订单信息；将所述订单信息输入机器学习模型处理后，获取到所述扣款订单的成功扣款的预测值；若所述预测值大于或者等于目标阈值，则发起所述扣款订单的扣款指令。这样，可以在发起扣款指令之前，通过机器学习模型对扣款订单能否扣款成功作出预测，在预测值大于目标阈值的情况下才发起扣款指令，从而减少发出的扣款指令执行不成功的概率，达到降低扣款成本的效果。

附图说明

为了更清楚地说明本发明实施例的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。

图1是本发明实施例提供的一种扣款指令的发起方法的流程图；

图2是本发明实施例提供的另一种扣款指令的发起方法的流程图；

图3是本发明实施例提供的另一种扣款指令的发起方法的示意图；

图4是本发明实施例提供的一种确定逻辑回归模型的参数的示意图；

图5是本发明实施例提供的一种逻辑回归模型的ROC曲线的示意图；

图6是本发明实施例提供的一种扣款指令的发起装置的结构图；

图7是本发明实施例提供的另一种扣款指令的发起装置的结构图；

图8是本发明实施例提供的另一种扣款指令的发起装置的结构图；

图9是本发明实施例提供的另一种扣款指令的发起装置的结构图；

图10是本发明实施例提供的另一种扣款指令的发起装置的结构图。

具体实施方式

下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有作出创造性劳动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。

请参见图1，图1是本发明实施例提供的一种扣款指令发起方法的流程图。如图1所示，所述扣款指令发起方法包括以下步骤：

步骤101、获取扣款订单的订单信息。

其中，上述扣款订单可也可以称之为代扣订单，例如：商家与消费者之间签订有分期付款协议，所述商家可以在规定的还款日期向银行发起扣款指令，而所述银行则根据该扣款指令从所述消费者的银行账户上扣取相应的还款金额，并将该还款金额转移至所述商家的银行账户上，期间，银行可以向所述商家收取一定的手续费用。

另外，上述订单信息可以包括扣款金额、扣款日期、订单编号、扣款渠道、上一次扣款时间等记录与所述扣款订单相关的信息。

通过本步骤中，获取扣款订单的订单信息可以为步骤102中采用机器学习预测该扣款订单能够扣款成功的预测值提供信息基础。

步骤102、通过将所述订单信息输入机器学习模型处理后，获取到所述扣款订单的成功扣款的预测值。

其中，上述机器学习模型可以是逻辑回归模型、神经网络模型等机器学习模型中的任意一种，该机器学习模型可以是通过训练得到的，或者配置好的等，对此不做具体限定。其中，上述训练可以采用历史扣款订单的订单信息进行训练得到，以获取到上述机器学习模型，具体可以是在上述扣款指令发起方法的研发过程中进行训练得到。另外，上述机器学习模型可以根据订单信息预测出所述扣款订单能够成功扣款的预测值。

另外，上述预测值可以是所述扣款订单能够成功扣款的成功概率，该预测值越大则表明该扣款订单能够成功扣款的成功概率越高。

当然，上述预测值还可以是用于判断扣款订单能够扣款成功的其他数值或者文字，例如：机器学习模型输出0，则表示预测扣款订单的扣款结果为扣款失败，机器学习模型输出1，则表示预测扣款订单的扣款结果为扣款成功。

可选的，在上述订单信息可以包括数值信息和/或文字信息，其中，针对文字信息，可以针对该文字订单信息的每一种可能出现的情况假设一个数值，并将该数值作为与所述订单信息一一对应的输入，从而输入所述机器学习模型，以得出预测值。例如：订单信息中包括扣款渠道，则扣款渠道为银行时，可以假设该扣款渠道为1；当扣款渠道为网银时，可以假设该扣款渠道为2，将上述数值1或者2输入机器学习模型便能够预测扣款渠道为银行或者网银时的预测值。

通过本步骤，可以采用机器学习模型预测出扣款订单能否成功扣款的预测值，为步骤103中决定是否发出扣款指令提供基础。

步骤103、若所述预测值大于或者等于目标阈值，则发起所述扣款订单的扣款指令。

其中，上述目标阈值可以是预先设置的，也可以是根据上述订单信息训练得到的，所述目标阈值用于评判所述扣款订单的预测值是否表示该扣款订单能够扣款成功，在所述预测值大于或者等于目标阈值时，表示所述扣款订单能够扣款成功，在所述预测值小于目标阈值时，表示所述扣款订单不能够扣款成功。只有在所述预测值大于或者等于目标阈值时，才发起扣款指令。

另外，上述目标阈值还可以根据需要而设置，例如：根据所述机器学习模型的灵敏度而设置，在灵敏度要求高时可以增大所述目标阈值，或者可以根据指令比设置，例如：在指令比要求低时，可以减小所述目标阈值。其中，该指令比是发起扣款指令的扣款订单的数量与总的扣款订单的数量之比。

需要说明的是，上述扣款指令可以包括所述扣款订单的扣款时间、扣款金额、扣款渠道、扣款账户等，便于第三方扣款渠道获取该扣款指令后能够根据该扣款指令而执行相应的扣款操作。

当然，上述扣款指令也可以不包括上述扣款时间、扣款金额、扣款渠道、扣款账户等，在发起该扣款指令时，所述第三方扣款渠道可以通过其他方式获取上述扣款时间、扣款金额、扣款渠道、扣款账户等信息，例如：查看订单编号、查找订单数据库等。

通过本步骤，可以确保在所述预测值大于或者等于目标阈值时才发起扣款指令，在所述预测值小于目标阈值时不发起扣款指令，从而避免上述机器学习模型预测扣款订单不能够扣款成功的情况下对该扣款订单发起扣款指令，从而避免了第三方扣款渠道执行扣款失败时仍然收取扣款手续费，达到减少扣款成本的效果。

上述扣款指令发起方法可以应用于代扣款业务，第三方代扣款装置或者渠道可以根据所述扣款指令发起方法发起的扣款指令而执行扣款操作。当然，本发明实施例中并不限定由第三方扣款渠道执行扣款指令，在一些情况下，也可以是由执行本方法的设备来执行扣款指令，也就是说，在一些情况下，上述方法还可以包括：执行扣款指令进行扣款的步骤。

需要说明的是，本发明实施例提供的扣款指令发起方法可以应用于手机、平板电脑、计算机、服务器等智能设备。

请参见图2，是本发明实施例提供的另一种扣款指令发起方法的流程图，如图2所示，该方法包括以下步骤：

步骤201、获取扣款订单的订单信息。

步骤202、将所述订单信息输入机器学习模型处理后，获取到所述扣款订单的成功扣款的预测值。

作为一种可选的实施方式，如图3所示，所述订单信息包括：n项订单子信息，n为大于或者等于1的整数，在步骤202之前，所述方法还包括：

根据所述n项订单子信息判断所述扣款订单是否适用于所述机器学习模型；

若所述扣款订单适用于所述机器学习模型，则执行所述将所述订单信息输入机器学习模型处理后，获取到所述扣款订单的成功扣款的预测值的步骤。

其中，所述扣款订单适用于所述机器学习模型，即图3中的模型适用订单，上述n项订单子信息可以包括：扣款产品编码、扣款金额、逾期日数、扣款批次、放款形式、贷款业务和扣款渠道中的至少一项。优选的，上述n项订单子信息为扣款金额和逾期日数。

另外，如图3所示，若所述扣款订单不适用于所述机器学习模型，即图3中的模型不适用订单，则可以直接发起扣款指令，或者还可以调整所述机器学习模型中的参数，使所述扣款订单适用于所述调整参数后的机器学习模型，从而得出准确的预测值。

本实施方式，可以在所述扣款订单不适用于所述机器学习模型的情况下，发起扣款指令，避免了使用机器学习模型得出错误的预测结果而造成对实际能够扣款成功的扣款订单不发起扣款指令，从而提升了所述扣款指令发起方法对可以扣款成功的扣款订单的覆盖率。

可选的，上述根据所述n项订单子信息判断所述扣款订单是否适用于所述机器学习模型的步骤，可以通过以下具体步骤实现：

生成所述n项订单子信息对应的订单向量；

计算所述订单向量与所述机器学习模型的中心向量的欧式距离值；

若所述欧式距离值小于或者等于所述机器学习模型的欧式距离极值，则确定所述扣款订单适用于所述机器学习模型；

若所述欧式距离值大于所述欧式距离极值，则确定所述扣款订单不适用于所述机器学习模型。

其中，上述订单向量可以是将上述n项订单子信息按照预设顺序排列而形成的n维向量，例如：上述订单子信息包括：逾期日数、扣款金额、订单编号以及扣款日期，则上述订单向量可以是4维向量：(逾期日数，扣款金额，订单编号，扣款日期)。

另外，上述机器学习模型的中心向量可以通过公式

而确定，其中，c₁,c₂,…,c_n分别是所述中心向量

的n个坐标，

分别是第一历史订单集合中的n项订单子信息的平均值，上述第一历史订单集合是用于训练得出所述机器学习模型的扣款订单数据集。

其中，上述第一历史订单集合可以包括在历史时间段内的多个历史扣款订单以及所述多个历史扣款订单的实际扣款结果。

另外，上述欧式距离值可以通过公式：

得出，其中，(x₁,x₂,…,x_n)是所述扣款订单的订单向量。

例如：若上述机器学习模型的中心向量C＝(1616.34465,47.6547)，且上述欧式距离的极大值‖X-C‖_max＝69347.756，则表示扣款订单与所述中心向量的欧氏距离小于或者等于69347.756，便能够确定该扣款订单适用于该机器学习模型，其中，X表示第一历史订单集合中的任意一个扣款订单的订单向量。

另外，上述欧式距离极值可以是上述第一历史订单集合中的任意一个扣款订单的订单向量与上述中心向量

之间的欧式距离的最大值。在扣款订单与所述中心向量

的欧氏距离值大于该欧式距离的最大值的情况下，表明该扣款订单与第一历史订单集合中的扣款订单差异较大，而上述机器学习模型是根据该第一历史订单集合中的扣款订单而训练得出的，因此该差异较大的扣款订单不适用于所述机器学习模型。

本实施方式中，通过计算扣款订单与中心向量之间的欧式距离值，可以判断出该扣款订单是否适用于机器学习模型，这样，可以在所述扣款订单适用于所述机器学习模型的情况下，使用机器学习模型进行预测，从而避免在所述扣款订单不适用于所述机器学习模型的情况下，使用机器学习模型得出错误的预测结果，从而提升了所述扣款指令发起方法的准确性。

当然，上述扣款订单适用于所述机器学习模型可以是上述扣款订单所包含的订单子信息的类别与所述机器学习模型中的参数匹配，还可以是所述扣款订单的类型与所述机器学习模型匹配。

例如：上述机器学习模型仅适用于银行扣款渠道的扣款订单，则对于网银扣款渠道的扣款订单则不适用。

作为一种可选的实施方式，如图3所示，所述n项订单子信息包括扣款金额、逾期日数以及上一次生成扣款指令的时间中的至少一项，在预测扣款指令不能够扣款成功的情况下，即在如图3中所示的模型预测为“否”的情况下，所述扣款指令发起方法还可以包括：

检测预测扣款指令不能够扣款成功的扣款订单是否满足兜底策略；

针对兜底扣款订单发起扣款指令，其中，所述兜底扣款订单包括满足所述兜底策略的扣款订单。

其中，上述满足兜底策略可以包括：扣款订单的逾期日数大于预设逾期日数和/或扣款金额大于预设扣款金额和/或距离上一次生成扣款指令的时间超过预设扣款周期。在满足所述兜底策略的情况下，发起针对所述逾期日数大于所述预设逾期日数和/或所述扣款金额大于所述预设扣款金额和/或所述距离上一次生成扣款指令的时间超过所述预设扣款周期的扣款订单的扣款指令。

其中，上述预设逾期日数可以是7天、15天、30天等任意日数，上述预设扣款金额可以是1000人民币、10000人民币等任意金额，当然该金额还可以是美元、日元等其他任意货币单位。

另外，上述预设扣款周期可以是1个星期、1个月等任意时间周期，其还可以是以10天、15天等任意天数或者小时数为周期的任意时间周期。

其中，上述兜底策略可以对逾期日数较长、扣款金额较大以及长期未发起扣款指令的扣款订单进行兜底，当然，上述兜底策略还可以在通过机器学习模型，预测所述扣款订单成功扣款的预测值的步骤之前执行，这样可以减少机器学习的时间，从而直接发起扣款指令。

本实施方式中，在扣款金额大于预设扣款金额的情况下，表示扣款订单所涉及的金额较大，可以根据实际情况设置预设扣款金额，以达到对较大扣款订单的及时回款等效果；在扣款订单的逾期日数大于预设逾期日数的情况下，表示所述扣款订单已经长期逾期，从而发起扣款指令，以使第三方扣款渠道对该长期逾期的扣款订单执行扣款操作；另外，在距离上一次生成扣款指令的时间超过所述预设扣款周期的情况下，表明扣款订单已经有较长时间未执行扣款操作了，为了避免不适用于机器学习模型的订单或者多次预测扣款失败的订单长期不执行扣款操作，而针对长期逾期和较长时间未扣款的扣款订单发起扣款指令，达到提升所述扣款指令发起方法的适用度。

需要说明的是，如图3所示，在预测扣款指令能够扣款成功的情况下，即在如图3中所示的模型预测为“是”的情况下，可以直接发起扣款指令。

可选的，如图3所示，在发起扣款指令之前，所述扣款指令发起方法还可以包括以下步骤：

扣款指令制作。

其中，扣款指令制作的步骤，可以包括将需要进行扣款的扣款订单的扣款信息制作于扣款指令中，第三方扣款渠道根据该扣款指令中的扣款信息，便能够执行扣款操作。

本实施方式中，扣款指令制作成的扣款指令可以供发起扣款指令发送至第三方扣款渠道，以执行扣款的操作。

作为一种可选的实施方式，上述机器学习模型可以是逻辑回归模型，所述订单信息包括n项订单子信息，所述逻辑回归模型至少包括n个模型系数，其中，所述n个模型系数分别与所述n项订单子信息对应，其中，n为大于或者等于1的整数。

其中，上述逻辑回归模型可以是

其中，p为所述预测值，i等于0时，所述x_i为常数，i不等于0时，所述x_i为第i项订单子信息，所述逻辑回归模型包括所述n+1个模型系数，所述β_i为x_i的模型系数。

其中，上述n+1个模型系数包括分别与所述n项订单子信息对应n个模型系数，即β₁至β_n，以及与i等于0时，所述x_i为常数对应的模型系数，即β₀。

当然，上述逻辑回归模型也可以不固定为公式：

例如：i可以限定为正整数，并在上述公式中添加一个常数Y，得到逻辑回归模型的公式

作为一种可选的实施方式，如图4所示，所述逻辑回归模型为通过训练获取到的逻辑回归模型，其中，所述训练过程如下：

获取第一历史订单集合，其中，所述第一历史订单集合中各历史订单包括m项订单子信息，m为大于或者等于n的整数；

将所述第一历史订单集合的m项订单子信息作为协变量逐步代入初始回归模型，并对所述m项订单子信息进行显著性分析，得到每项订单子信息与所述初始回归模型的相关度；

在所述m项订单子信息中选择与所述初始回归模型的相关度满足预设条件的n项订单子信息。

其中，上述第一历史订单集合可以是在第一历史时间段内已执行扣款操作的多个扣款订单的集合。

另外，上述第一历史订单集合也可以称之为如图4中所示的“训练数据集”，上述m项订单子信息也可以称之为如图4中所示的“初始协变量集构成”。

需要说明的是，图4中的“适用域确定”可以是确定所述逻辑回归模型的欧式距离极值，当扣款订单的订单向量与所述逻辑回归模型的中心向量的欧式距离值小于或者等于该欧式距离极值时，可以确定所述扣款订单适用于所述逻辑回归模型。

其中，上述初始回归模型可以是在上述训练之前配置好，例如：用户配置的初始回归模型。该初始回归模型与m项订单子信息对应，通过上述训练对该初始回归模型进行优化，在得到与上述n项订单子信息对应的上述逻辑回归模型。

例如：上述初始回归模型可以是公式：

其中，可以分别将m项订单子信息逐步带入该初始回归模型，并对所述m项订单子信息进行显著性分析，从而选出n项与所述初始回归模型的相关度高的订单子信息，得到逻辑回归模型的公式：

需要说明的是，采用上述方式确定的是所述n项订单子信息的类型，而不是所述n项订单子信息的具体取值，例如：m项订单子信息包括：订单编号、扣款渠道、扣款日期、扣款金额、逾期日数等，而n项订单子信息则可以是上述m项订单子信息中的扣款金额和逾期日数。

另外，上述n项订单子信息的类型可以与x_i的类型一一对应，其中，i是正整数。

其中，显著性分析的方法可以是拉格朗日乘子检验方法、卡方检验、显著性水平值计算、拟合优度指标检验以及比值比计算方式等中的任意一种。另外，上述显著性分析的步骤也可以理解为是图4中所示的“假设检验”的步骤，及检验各项订单子信息与逻辑回归模型之间的相关度。

本实施方式中，通过显著性分析选取订单子信息中与所述初始回归模型的预测值相关度较高的部分订单子信息作为逻辑回归函数的协变量，可以减少相关度较低或者不相关的订单子信息，例如：扣款订单的订单编号，对逻辑回归函数的预测值造成干扰，从而能够提升所述逻辑回归函数的准确率。

可选的，所述将所述第一历史订单集合的m项订单子信息作为协变量逐步代入初始回归模型，并对所述m项订单子信息进行显著性分析，得到每项订单子信息与所述初始回归模型的相关度，包括：

将所述第一历史订单集合的m项订单子信息作为协变量逐步代入所述初始回归模型，并采用拉格朗日乘子检验获得每项订单子信息与所述初始回归模型的相关度；或者

将所述第一历史订单集合的m项订单子信息作为协变量逐步代入所述初始回归模型，并采用卡方检验获得每项订单子信息与所述初始回归模型的相关度；或者

将所述第一历史订单集合的m项订单子信息作为协变量逐步代入所述初始回归模型，并采用显著性水平值计算方式获得每项订单子信息与所述初始回归模型的相关度；或者

将所述第一历史订单集合的m项订单子信息作为协变量逐步代入所述初始回归模型，并采用拟合优度指标检验获得每项订单子信息与所述初始回归模型的相关度；或者

将所述第一历史订单集合的m项订单子信息作为协变量逐步代入所述初始回归模型，并采用特定置信区间的比值比计算方式获得每项订单子信息与所述初始回归模型的相关度。

其中，可以根据订单子信息的取值属于连续变量还是非连续变量而采取不同的显著性分析方法对各个订单子信息的显著性水平进行分析。

例如，对于数值变化范围较广的扣款金额、逾期日数、订单编号等连续变量采用协变量逐步带入的方法，进行显著性分析，具体的，可以先将扣款金额作为协变量代入初始回归模型：

其中，假设回归系数的置信区间为95％，目标阈值等于0.5，将第一历史订单集合中的多个扣款订单的扣款金额逐步带入上述逻辑回归模型，并采用拉格朗日乘子检验方法检验该扣款金额的回归系数，从而得出所述扣款金额的显著性水平，若扣款金额的显著性水平小于或者等于0.05，则确定扣款金额的相关度高，因而上述n项订单子信息的类型包括扣款金额；若扣款金额的显著性水平大于或者等于0.1，则确定扣款金额的相关度低，因而上述n项订单子信息的类型不包括扣款金额。

其中，相关度满足预设条件的n项订单子信息可以包括显著性水平小于或者等于0.05的订单子信息。

对于非数值变量或者数值变化范围只有有限个的非连续变量，则可以采用卡方检验、显著性水平值计算、拟合优度指标检验以及特定置信区间的比值比计算等方式确定该非连续变量的相关度。

例如，非连续变量：扣款渠道可以是银行、网络支付中的任意一种，则可以对扣款渠道采用哑变量分析方法以确定该扣款渠道的相关度。具体的，可以假设扣款渠道为银行时，该扣款渠道取值为1，假设扣款渠道为网络支付时，该扣款渠道取值为2，并将第一历史订单集合中的多个扣款订单的扣款渠道分别代入上述初始回归模型，并采用卡方检验方法，得出扣款渠道的卡方值，其中卡方值等于确定扣款渠道的模型系数除以该扣款渠道的标准误差的平方值，并通过比较得出扣款渠道的卡方值小于预设值，或者比其他的非连续变量的卡方值小得多，例如：扣款编号的卡方值为0.001，而扣款渠道的卡方值为0.00001，则确定扣款渠道的相关度较小，因此，上述逻辑回归函数的n项订单子信息不包括上述扣款渠道。

其中，相关度满足预设条件的n项订单子信息可以包括卡方值小于预设值，或者比其他的非连续变量的卡方值小得多的订单子信息。

或者，还可以采用计算显著性水平sig值的方式，确定每一个非连续变量的sig值，并将sig值大于或者等于0.1的非连续变量排除出逻辑回归模型，即上述逻辑回归函数的n项订单子信息不包括上述sig值大于或者等于0.1的非连续变量。

其中，相关度满足预设条件的n项订单子信息可以包括上述sig值小于0.1的订单子信息。

另外，还可以采用拟合优度指标检验方法，确定每一个非连续变量的sig值，其中，上述逻辑回归函数的n项订单子信息仅包括sig值大于或者等于0.05的非连续变量。

其中，相关度满足预设条件的n项订单子信息可以包括sig值大于或者等于0.05的订单子信息。

另外，还可以采用特定置信区间的比值比分析方法，确定上述逻辑回归函数的n项订单子信息，其中，上述特定置信区间可以是95％，当然，上述特定置信区间还可以是85％、90％、99％等人以其他区间。具体的，上述逻辑回归函数的n项订单子信息不包括卡方值较小且比值比约等于1的非连续变量。

其中，相关度满足预设条件的n项订单子信息可以包括卡方值大于预设值和/或比值比小于1的订单子信息。

另外，上述逻辑回归函数中与每一个订单子信息一一对应的模型系数可以是预先获取的常数，还可以是在确定所述n项订单子信息的类型之后进行迭代优化后根据所述逻辑回归函数的灵敏度、特异度、准确率等而确定的数值。

例如，若上述逻辑回归模型包括2项订单子信息，分别为：逾期日数和扣款金额，则上述逻辑回归模型可以表示为：

具体的，上述逻辑回归模型的参数如下表1所示：

表1

需要说明的是，本发明实施例中，并不限定通过进行显著性分析确定上述n项订单子信息，例如：还可以是用户预先设定好的上述n项订单子信息。

作为一种可选的实施方式，上述训练过程还包括：

对所述第一历史订单各订单的预测值与各订单的实际扣款结果进行受试者工作特征(Receiver Operating Characteristic Curve，ROC曲线)分析，得到纵坐标为灵敏度，横坐标为1减特异度的ROC曲线；

通过所述ROC曲线查找特定灵敏度和特定特异度，并将所述特定灵敏度和特定特异度对应的预测值的均值作为所述目标阈值，其中，在所述ROC曲线中所述特定灵敏度与特定特异度之间的差值最大。

其中，所述训练过程中的上述步骤可以是如图4中所示的“ROC分析”。根据上述逻辑回归模型的各个参数，可以得出如图5所示的ROC曲线，其中，该ROC曲线的横坐标为1-特异度，纵坐标为灵敏度。

其中，灵敏度可以定义为(预测值大于或者等于预设阈值的扣款订单的个数/实际扣款成功的扣款订单的个数)*100％，表示正确预测扣款订单扣款成功的概率。

另外，特异度可以定义为(预测值小于预设阈值的扣款订单的个数/扣款失败的扣款订单的个数)*100％，表示正确预测扣款订单扣款失败的概率。

需要说明的是，如图4中所述的“AUC、Cut_Off优化”的步骤，可以是根据上述ROC曲线得出该ROC曲线的覆盖率，该覆盖率也可以称之为AUC(Area Under Curve，曲线下的面积)，表示所述ROC曲线下的面积。如下表2所示，为所述逻辑回归模型的AUC参数：

表2

其中，表2的测试变量为所述逻辑回归模型的预测值。

例如：上述目标阈值的计算过程可以表示为：目标阈值＝Avg(Max(灵敏度-特异度)对应的P值)。

其中，Avg表示求算数平均值，Max表示求最大值。

其中，通过查找ROC曲线的坐标列表，可以在灵敏度-特异度的取值处于最大时，确定所述特定灵敏度和所述特定特异度的取值，从而确定与该取值的特定灵敏度和特定特异度匹配时所述逻辑回归函数输出的多个预测值，对所述多个预测值去算术平均值则得出所述目标阈值。

如表3所示，为所述逻辑回归模型目标阈值、灵敏度以及特异度的示例：

表3

目标阈值	灵敏度	特异度
			0.3359636	0.869	0.267
0.3359773	0.869	0.267
			0.3359911	0.869	0.267
0.3360071	0.869	0.267
			0.3360240	0.869	0.267
0.3360321	0.869	0.267
			0.3360353	0.869	0.267
0.3360384	0.869	0.267
			0.3360400	0.869	0.267
0.3360437	0.869	0.267
			0.3360504	0.869	0.267

其中，表3表示所述逻辑回归模型的灵敏度与特异度的最大差值等于0.869-0.267，得出与该灵敏度与特异度对应的预测值分别为：0.3359636，0.3359773，…，0.3360504，则目标阈值＝Avg(Max(灵敏度-特异度)对应的P值)＝0.336。

本实施方式中，通过在所述逻辑回归模型的灵敏度与特异度之间的差值为最大的情况下，得出所述目标阈值，可以在使用逻辑回归模型预测扣款订单的扣款结果能否成功时，使预测结果处于最佳的灵敏度，从而提升了所述逻辑回归模型的准确性，达到提升所述扣款指令发起方法的准确性的效果。

可选的，所述训练过程还包括：

获取第二历史订单集合中各订单的订单信息和实际扣款结果；

将所述第二历史订单集合中各订单的订单信息代入所述逻辑回归模型，得到第二历史订单集合中各订单的预测值；

将所述第二历史订单集合中各订单的预测值与所述目标阈值进行比较，得到第二历史订单集合中各订单的预测扣款结果；

将第二历史订单集合中各订单的预测扣款结果与将第二历史订单集合中各订单的实际扣款结果进行比较，得到所述逻辑回归模型成功扣款的覆盖率。

其中，上述第二历史订单集合中包括多个扣款订单以及该扣款订单的实际扣款结果。

另外，上述训练过程可以用于校验采用训练步骤得出的逻辑回归模型的准确性，及如图4中所述的“模型测试”，而且，上述第二历史订单集合也可以称之为如图4中所述的“测试数据集”。

需要说明的是，上述第一历史订单集合和第二历史订单集合可以是同一时间段内已执行扣款操作的多个扣款订单，且第一历史订单集合中扣款成功与扣款失败的扣款订单的比率与第二历史订单集合中扣款成功与扣款失败的扣款订单的比率基本相同，例如：第一历史订单集合中扣款成功的订单占20％，则第二历史订单集合中扣款成功的订单可以位于18％至22％之间。

另外，上述第一历史订单集合和第二历史订单集合中所包含的扣款订单的数量可以以2:1分配，例如：第一历史订单集合中包括200个扣款订单，则第二历史订单集合中包括100个扣款订单。

其中，如表4所示，为采用第二历史订单集合对上述逻辑回归模型的测试结果：

表4

目标阈值	覆盖率	预测数量比
			0.336	88.010％	41.370％

其中，所述逻辑回模型的灵敏度等于87％，所述覆盖率＝预测值大于目标阈值的扣款订单个数/实际扣款结果为扣款成功的扣款订单个数，所述预测数量比＝预测值大于目标阈值的扣款订单个数/扣款订单的总个数。

由表4所述结果可知，通过逻辑回归模型预测后，对预测能够扣款成功的扣款订单发出扣款指令，则仅需发出占原来41％左右的扣款指令，便能够可以覆盖88％的能成功扣款的扣款指令，例如：原来针对100个扣款订单发出扣款指令，只有25个扣款订单能够扣款成功，而本实施方式中，通过逻辑回归模型预测后，只发出了41个扣款指令便能够使22个扣款订单扣款成功。

当然，上述逻辑回模型的灵敏度还可以根据需要设置成其他数值，例如：95％、99％等，这样，所述灵敏度越高，则通过所述逻辑回模型发起的扣款指令越多，其覆盖率也就越高。

例如，如表5所示：

表5

扣款金额	逾期天数	模型预测成功概率P	预测结果	实际扣款结果
					850.6	75	0.0000005403	失败	失败

其中，以灵敏度等于99％的逻辑回归模型为例，可以得出该逻辑回归模型的目标阈值等于0.008，将表5所述扣款订单的扣款金额和逾期天数代入该逻辑回归模型进行预测，得到的预测值小于上述目标阈值0.008。因此逻辑回归模型上述扣款订单将会扣款失败，从而不再发起扣款指令，而实际观测到该扣款订单的扣款结果确实是扣款失败。由此可知，使用逻辑回归模型预测后能节省下这次扣款的扣款成本。

本实施方式中，通过带入第二历史订单集合中的多个扣款订单，并将得出的预测结果与该扣款订单的扣款结果进行比较，从而确定该逻辑回归模型的预测结果是否准确，这样，若确定该逻辑回归模型的预测结果的准确度不高，则可以对该逻辑回归模型的参数进一步优化，从而提升所述逻辑回归函数的准确率。

当然，上述机器学习模型还可以是神经网络、支持向量机等中的任意一种，上述确定机器学习模型中的参数的方法也不仅仅局限于如上列举的迭代、卡方校验等方法。

本步骤中，通过对适用于机器学习模型的扣款订单采用所述机器学习模型进行预测，以得出扣款操作能够成功执行的预测结果，从而在预测能够扣款成功的情况下对该扣款订单发起扣款指令，从而提升所述机器学习模型的精确度，达到提升所述扣款指令发起方法的精确度的效果。

步骤203、若所述预测值大于或者等于目标阈值，则发起所述扣款订单的扣款指令。

步骤204、若所述预测值小于所述目标阈值，则预测所述扣款订单的扣款结果为扣款失败。

其中，在预测所述扣款订单的扣款结果为扣款失败的情况下，可以根据该扣款订单的逾期日数、扣款金额以及距离上一次扣款的时间进行补充扣款，用于对逾期日数过长、扣款金额较大或者长时间未扣款的订单发起扣款指令，从而对上述订单执行补充扣款操作。

当然，还可以针对上述预测结果为扣款失败的订单不发起扣款指令。

本步骤中，可以预测出扣款失败的扣款订单，从而可以针对该订单不发起扣款指令，从而可以节约对该不能够扣款成功的扣款订单执行扣款操作而产生的扣款费用，从而降低所述扣款指令发起方法的扣款成本。

本发明实施例中，在使用机器学习模型预测扣款订单能够扣款成功的预测值之前，检测该扣款订单是否适用于所述机器学习模型，能够避免不适用于该机器学习模型的扣款订单使用该机器学习模型进行学习而得出错误预测结果，从而可以提升所述扣款指令发起方法的准确性，达到进一步降低所述扣款指令发起方法的扣款成本。

参阅图6，本发明实施例还提供一种扣款指令的发起装置600，所述扣款指令的发起装置600包括：

第一获取模块601，用于获取扣款订单的订单信息；

第一预测模块602，用于将所述订单信息输入机器学习模型处理后，获取到所述扣款订单的成功扣款的预测值；

发起模块603，用于若所述预测值大于或者等于目标阈值，则发起所述扣款订单的扣款指令。

可选的，如图7所示，所述装置600还包括：

第二预测模块604，用于若所述预测值小于所述目标阈值，则预测所述扣款订单的扣款结果为扣款失败。

可选的，所述订单信息包括：n项订单子信息，n为大于或者等于1的整数，如图8所示，所述装置600还包括：

判断模块605，用于根据所述n项订单子信息判断所述扣款订单是否适用于所述机器学习模型；

执行模块606，用于若所述扣款订单适用于所述机器学习模型，则执行所述将所述订单信息输入机器学习模型处理后，获取到所述扣款订单的成功扣款的预测值的步骤。

可选的，如图9所示，所述判断模块605包括：

生成单元6051，用于生成所述n项订单子信息对应的订单向量；

计算单元6052，用于计算所述订单向量与所述机器学习模型的中心向量的欧式距离值；

第一确定单元6053，用于若所述欧式距离值小于或者等于所述机器学习模型的欧式距离极值，则确定所述扣款订单适用于所述机器学习模型；

第二确定单元6054，用于若所述欧式距离值大于所述欧式距离极值，则确定所述扣款订单不适用于所述机器学习模型。

可选的，所述机器学习模型包括逻辑回归模型，所述订单信息包括n项订单子信息，所述逻辑回归模型至少包括n个模型系数，其中，所述n个模型系数分别与所述n项订单子信息对应，其中，n为大于或者等于1的整数。

可选的，所述逻辑回归模型为：

其中，所述p为所述预测值，i等于0时，所述x_i为常数，i不等于0时，所述x_i为第i项订单子信息，所述逻辑回归模型包括所述n+1个模型系数，所述β_i为x_i的模型系数。

可选的，所述逻辑回归模型为通过训练获取到的逻辑回归模型，其中，所述训练过程如下：

在所述m项订单子信息中选择与所述初始回归模型的相关度满足预设条件的n项订单子信息，并根据所述n项订单子信息对所述初始回归模型进行优化，以获取到所述逻辑回归模型。

可选的，训练过程还包括：

对所述第一历史订单集合中各订单的预测值与各订单的实际扣款结果进行受试者工作特征ROC曲线分析，得到纵坐标为灵敏度，横坐标为1减特异度的ROC曲线；

可选的，训练过程还包括：

本发明实施里能够实现如图1至图2所示方法实施例中的各个步骤，并获得相同的有益效果，为避免重复，在此不再赘述。

如图10所示，是本发明实施例提供的一种扣款指令的发起装置的结构图，如图10所示，该装置包括：存储器1001、处理器1002、收发机1003及存储在所述存储器1001上并可在所述处理器1002上运行的计算机程序，其中：

所述处理器1002用于读取存储器1001中的程序，可以执行本发明实施例提供的扣款指令发起方法实施例中的各个步骤，且能达到相同的技术效果，为避免重复，这里不再赘述。

本发明实施例还提供一种计算机存储介质，所述计算机可读存储介质上存储有计算机程序，所述计算机程序被处理器执行时实现如上所述的扣款指令发起方法中的步骤，且能达到相同的技术效果，为避免重复，这里不再赘述。

需要说明的是，在本文中，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者装置不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者装置所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括该要素的过程、方法、物品或者装置中还存在另外的相同要素。

通过以上的实施方式的描述，本领域的技术人员可以清楚地了解到上述实施例方法可借助软件加必需的通用硬件平台的方式来实现，当然也可以通过硬件，但很多情况下前者是更佳的实施方式。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(如ROM/RAM、磁碟、光盘)中，包括若干指令用以使得一台扣款指令的发起装置(可以是手机，计算机，服务器，空调器，或者网络设备等)执行本发明各个实施例所述的方法。

上面结合附图对本发明的实施例进行了描述，但是本发明并不局限于上述的具体实施方式，上述的具体实施方式仅仅是示意性的，而不是限制性的，本领域的普通技术人员在本发明的启示下，在不脱离本发明宗旨和权利要求所保护的范围情况下，还可做出很多形式，均属于本发明的保护之内。

Claims

1.一种扣款指令发起方法，其特征在于，包括：

获取扣款订单的订单信息；

将所述订单信息输入机器学习模型处理后，获取到所述扣款订单的成功扣款的预测值；

若所述预测值大于或者等于目标阈值，则发起所述扣款订单的扣款指令；

所述订单信息包括：n项订单子信息，n为大于或者等于1的整数，所述机器学习模型为通过训练获取到的机器学习模型，训练过程如下：

将所述第一历史订单集合的m项订单子信息作为协变量逐步代入初始机器学习模型，并对所述m项订单子信息进行显著性分析，得到每项订单子信息与所述机器学习模型的相关度；

在所述m项订单子信息中选择与所述机器学习模型的相关度满足预设条件的n项订单子信息，并根据所述n项订单子信息对所述机器学习模型进行优化，以获取到所述机器学习模型。

2.如权利要求1所述的方法，其特征在于，所述将所述订单信息输入机器学习模型处理后，获取到所述扣款订单的成功扣款的预测值之后，所述方法还包括：

若所述预测值小于所述目标阈值，则预测所述扣款订单的扣款结果为扣款失败。

3.如权利要求1所述的方法，其特征在于，所述将所述订单信息输入机器学习模型之前，所述方法还包括：

4.如权利要求3所述的方法，其特征在于，所述根据所述n项订单子信息判断所述扣款订单是否适用于所述机器学习模型的步骤，包括：

生成所述n项订单子信息对应的订单向量；

5.如权利要求1所述的方法，其特征在于，所述机器学习模型包括逻辑回归模型，所述逻辑回归模型至少包括n个模型系数，其中，所述n个模型系数分别与所述n项订单子信息对应。

6.如权利要求5所述的方法，其特征在于，所述逻辑回归模型为：

其中，所述p为所述预测值，i等于0时，所述x_i为常数，i不等于0时，所述x_i为第i项订单子信息，所述逻辑回归模型包括所述n+1个模型系数，所述β_i为x_i的模型系数，所述e为常数。

7.如权利要求6所述的方法，其特征在于，所述将所述第一历史订单集合的m项订单子信息作为协变量逐步代入初始回归模型，并对所述m项订单子信息进行显著性分析，得到每项订单子信息与所述初始回归模型的相关度，包括：

8.如权利要求6所述的方法，其特征在于，所述训练过程还包括：

9.根据权利要求6所述的方法，其特征在于，所述训练过程还包括：

10.一种扣款指令发起装置，其特征在于，包括：

第一获取模块，用于获取扣款订单的订单信息；

发起模块，用于若所述预测值大于或者等于目标阈值，则发起所述扣款订单的扣款指令；

11.一种扣款指令发起装置，其特征在于，包括存储器、处理器及存储在所述存储器上并可在所述处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现如权利要求1至9中任意一项所述的扣款指令发起方法中的步骤。

12.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质上存储有计算机程序，所述计算机程序被处理器执行时实现如权利要求1至9中任意一项所述的扣款指令发起方法中的步骤。