CN111429268A - 一种车辆信贷风险检测方法、终端设备和存储介质 - Google Patents

一种车辆信贷风险检测方法、终端设备和存储介质 Download PDF

Info

Publication number
CN111429268A
CN111429268A CN202010237741.7A CN202010237741A CN111429268A CN 111429268 A CN111429268 A CN 111429268A CN 202010237741 A CN202010237741 A CN 202010237741A CN 111429268 A CN111429268 A CN 111429268A
Authority
CN
China
Prior art keywords
vehicle
data
credit risk
state data
parking
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Granted
Application number
CN202010237741.7A
Other languages
English (en)
Other versions
CN111429268B (zh
Inventor
陆鹏飞
赵云
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Dexiaoyi Information Technology Co.,Ltd.
Original Assignee
Shanghai Deyi Car Information Technology Co ltd
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Shanghai Deyi Car Information Technology Co ltd filed Critical Shanghai Deyi Car Information Technology Co ltd
Priority to CN202010237741.7A priority Critical patent/CN111429268B/zh
Publication of CN111429268A publication Critical patent/CN111429268A/zh
Application granted granted Critical
Publication of CN111429268B publication Critical patent/CN111429268B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q40/00—Finance; Insurance; Tax strategies; Processing of corporate or income taxes
    • G06Q40/03—Credit; Loans; Processing thereof
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01S—RADIO DIRECTION-FINDING; RADIO NAVIGATION; DETERMINING DISTANCE OR VELOCITY BY USE OF RADIO WAVES; LOCATING OR PRESENCE-DETECTING BY USE OF THE REFLECTION OR RERADIATION OF RADIO WAVES; ANALOGOUS ARRANGEMENTS USING OTHER WAVES
    • G01S19/00—Satellite radio beacon positioning systems; Determining position, velocity or attitude using signals transmitted by such systems
    • G01S19/38—Determining a navigation solution using signals transmitted by a satellite radio beacon positioning system
    • G01S19/39—Determining a navigation solution using signals transmitted by a satellite radio beacon positioning system the satellite radio beacon positioning system transmitting time-stamped messages, e.g. GPS [Global Positioning System], GLONASS [Global Orbiting Navigation Satellite System] or GALILEO
    • G01S19/42—Determining position
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/045—Combinations of networks

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • Remote Sensing (AREA)
  • Radar, Positioning & Navigation (AREA)
  • Business, Economics & Management (AREA)
  • Finance (AREA)
  • Evolutionary Computation (AREA)
  • Accounting & Taxation (AREA)
  • Artificial Intelligence (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • General Engineering & Computer Science (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Development Economics (AREA)
  • Software Systems (AREA)
  • Computing Systems (AREA)
  • Molecular Biology (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Evolutionary Biology (AREA)
  • General Health & Medical Sciences (AREA)
  • Computational Linguistics (AREA)
  • Biophysics (AREA)
  • Mathematical Physics (AREA)
  • Economics (AREA)
  • Marketing (AREA)
  • Strategic Management (AREA)
  • Technology Law (AREA)
  • General Business, Economics & Management (AREA)
  • Biomedical Technology (AREA)
  • Health & Medical Sciences (AREA)
  • Computer Networks & Wireless Communication (AREA)
  • Traffic Control Systems (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本发明提供了一种车辆信贷风险检测方法、终端设备和存储介质，其方法包括：根据获取到的抵押车辆的GPS位置数据分析得到车辆行驶状态数据；根据车辆行驶状态数据分析得到对应的车辆信贷风险判断结果。本发明识别出车辆信贷风险，降低信贷公司的抵押风险和经济损失。

Description

一种车辆信贷风险检测方法、终端设备和存储介质
技术领域
本发明涉及计算机技术领域，尤指一种车辆信贷风险检测方法、终端设备和存储介质。
背景技术
随着社会的进步，经济的快速发展，车辆市场变得日益火爆，然而，大部分人为了减轻经济负担采用按揭贷款的方式来购买车辆，其中车辆抵押业务类型由于借贷机构押证不押车，借款人只需要到车辆登记部门办理抵押登记后，车辆还在借款人手里，不影响借款人对车辆的使用，但是间接地给信贷机构带来了极大的抵押风险，虽然车贷机构已经把被抵押车辆的行驶证、登记证等手续抵押在案，但是如何防止被抵押车辆不被车主二次抵押给别的信贷公司，是车贷机构要亟待解决的问题。
发明内容
本发明的目的是提供一种车辆信贷风险检测方法、终端设备和存储介质，实现识别出车辆信贷风险，降低信贷公司的抵押风险和经济损失。
本发明提供的技术方案如下：
本发明提供一种车辆信贷风险检测方法，包括步骤：
根据获取到的抵押车辆的GPS位置数据分析得到车辆行驶状态数据；
根据所述车辆行驶状态数据分析得到对应的车辆信贷风险判断结果。
进一步的，所述根据获取到的抵押车辆的GPS位置数据分析得到车辆行驶状态数据包括步骤：
根据所述GPS位置数据分析得到每一周期内抵押车辆的车辆行驶状态数据；所述车辆行驶状态数据包括驻车状态数据和行车状态数据；
其中，所述车辆行驶状态包括驻车状态数据和行车状态数据。
进一步的，所述根据所述车辆行驶状态数据分析得到对应的车辆信贷风险判断结果包括步骤：
根据所述驻车状态数据和预先训练好的第一神经网络模型得到对应分类结果，根据所述分类结果进行分析对应的车辆信贷风险判断结果；和/或，
根据所述行车状态数据和预先训练好的第二神经网络模型得到对应分类结果，根据所述分类结果进行分析对应的车辆信贷风险判断结果；和/或，
根据所述驻车状态数据中的驻车位置、预设风险区域和网格搜索法进行搜索匹配，根据搜索匹配结果进行分析得到对应的车辆信贷风险判断结果。
进一步的，所述根据所述驻车状态数据和预先训练好的第一神经网络模型得到对应分类结果，根据所述分类结果进行分析对应的车辆信贷风险判断结果包括步骤：
将每一周期内的驻车状态数据进行排序，根据排序结果选取每一周期内预设数量排名靠前的目标驻车状态数据；
根据所述目标驻车状态数据构建驻车数据矩阵，将所述驻车数据矩阵输入至所述第一神经网络模型中，根据所述第一神经网络模型输出对应的分类结果；
根据所述分类结果进行加权运算，比较运算结果与第一预设阈值的大小；
若所述运算结果超过第一预设阈值，则确定所述抵押车辆存在车辆信贷风险；
若所述运算结果未超过第一预设阈值，则确定所述抵押车辆不存在车辆信贷风险。
进一步的，所述根据所述行车状态数据和预先训练好的第二神经网络模型得到对应分类结果，根据所述分类结果进行分析对应的车辆信贷风险判断结果包括步骤：
将每一周期内的行车状态数据进行排序，根据排序结果选取每一周期内预设数量排名靠前的目标行车状态数据；
根据所述目标行车状态数据构建行车数据矩阵，将所述行车数据矩阵输入至所述第二神经网络模型中，根据所述第二神经网络模型输出对应的分类结果；
根据所述分类结果进行加权运算，比较运算结果与第二预设阈值的大小；
若所述运算结果超过第二预设阈值，则确定所述抵押车辆存在车辆信贷风险；
若所述运算结果未超过第二预设阈值，则确定所述抵押车辆不存在车辆信贷风险。
进一步的，所述根据所述驻车状态数据中的驻车位置、预设风险区域和网格搜索法进行搜索匹配，根据搜索匹配结果进行分析得到对应的车辆信贷风险判断结果包括步骤：
根据所述驻车状态数据获取当前时刻对应的驻车位置；
根据所述驻车位置获取预设距离范围内的二手车市场坐标得到目标数据集；
将所述目标数据集进行网格切分得到若干个网格区块，根据所述驻车位置与所述网格区块进行匹配查找与所述驻车位置周围的邻近网格区块；
计算所述驻车位置与所述邻近网格区块对应二手车市场坐标之间的直线距离，并比较最小直线距离与预设距离阈值；
若所述最小直线距离超过预设距离阈值，则确定所述抵押车辆存在车辆信贷风险；
若所述最小直线距离未超过预设距离阈值，则确定所述抵押车辆不存在车辆信贷风险。
进一步的，所述根据获取到的抵押车辆的GPS位置数据分析得到车辆行驶状态数据之前包括步骤：
获取所述抵押车辆的GPS位置数据，将所述GPS位置数据进行切分得到若干个时间段的GPS位置数据；
根据当前时间段的GPS位置数据进行计算得到每一时间段对应的初始候选中心点；
根据当前时间段内的当前目标GPS位置数据、所述当前时间段对应的候选中心点和损失度算法进行计算得到对应的损失度值；
切换下一目标GPS位置数据进行计算，直至所述损失度值大小不变为止，获取最小损失度值对应的候选中心点为所述当前时间段对应的目标中心点；
将所述当前时间段对应的目标中心点与其对应时间段的GPS位置数据进行差值计算，剔除差值大于预设数值的异常GPS位置数据，切换查找下一时间段对应的初始候选中心点，直至剔除所有时间段对应的异常GPS位置数据为止。
进一步的，所述根据获取到的抵押车辆的GPS位置数据分析得到车辆行驶状态数据之前还包括步骤：
根据最新获取到所述GPS位置数据的时间与上一次获取到所述GPS位置数据的时间，计算得到GPS更新时长；
比较所述GPS更新时长与预设时长的大小；
若所述GPS更新时长达到预设时长，则确定所述抵押车辆存在车辆信贷风险。
本发明还提供一种终端设备，包括处理器、存储器以及存储在所述存储器中并可在所述处理器上运行的计算机程序，所述处理器，用于执行所述存储器上所存放的计算机程序，实现如所述的车辆信贷风险检测方法所执行的操作。
本发明还提供一种存储介质，所述存储介质中存储有至少一条指令，所述指令由处理器加载并执行以实现如所述的车辆信贷风险检测方法所执行的操作。
通过本发明提供的一种车辆信贷风险检测方法、终端设备和存储介质，能够识别出车辆信贷风险，降低信贷公司的抵押风险和经济损失。
附图说明
下面将以明确易懂的方式，结合附图说明优选实施方式，对一种车辆信贷风险检测方法、终端设备和存储介质的上述特性、技术特征、优点及其实现方式予以进一步说明。
图1是本发明一种车辆信贷风险检测方法的一个实施例的流程图；
图2是本发明一种车辆信贷风险检测方法的另一个实施例的流程图；
图3是本发明一种车辆信贷风险检测方法的另一个实施例的流程图；
图4是本发明一种车辆信贷风险检测方法的另一个实施例的流程图；
图5是本发明一种车辆信贷风险检测方法的另一个实施例的流程图；
图6是本发明一种车辆信贷风险检测方法的另一个实施例的流程图；
图7是本发明一种车辆信贷风险检测方法的另一个实施例的流程图；
图8是本发明一种车辆信贷风险检测方法的另一个实施例的流程图；
图9是本发明一种终端设备的一个实施例的结构示意图；
图10是本发明第一神经网络对驻车位置进行分类识别的示意图。
具体实施方式
为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对照附图说明本发明的具体实施方式。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的前提下，还可以根据这些附图获得其他的附图，并获得其他的实施方式。
为使图面简洁，各图中只示意性地表示出了与本发明相关的部分，它们并不代表其作为产品的实际结构。另外，以使图面简洁便于理解，在有些图中具有相同结构或功能的部件，仅示意性地绘示了其中的一个，或仅标出了其中的一个。在本文中，“一个”不仅表示“仅此一个”，也可以表示“多于一个”的情形。
本发明的一个实施例，如图1所示，一种车辆信贷风险检测方法，包括：
S100根据获取到的抵押车辆的GPS位置数据分析得到车辆行驶状态数据；
S200根据车辆行驶状态数据分析得到对应的车辆信贷风险判断结果。
具体的，抵押车辆是用户购车时采用按揭贷款的方式所购买的车辆，或者将车辆抵押给信贷机构进行贷款以将贷款金额投入他用的车辆。一旦确定车辆是抵押车辆时，则在确保抵押车辆的GPS卫星定位装置是有效可使用的前提下，通过后台服务器、计算机等终端设备(信贷机构所采购的终端设备或者信贷机构委托的第三方机构所使用的终端设备)实时监控获取监控抵押测量的GPS位置数据，终端设备获取到抵押车辆的GPS位置数据后，根据GPS位置数据分析得到若干个预设时间段内抵押车辆的车辆行驶状态数据，由终端设备根据车辆行驶状态数据分析得到对应于该抵押车辆的车辆信贷风险类型。
本实施例通过GPS位置数据分析得到抵押车辆对应的车辆信贷风险类型，能够使得信贷机构辨别判断抵押车辆是否具有信贷风险，从而便于信贷机构判断是否存在恶意欺诈现象的可能性，实现实时监控抵押车辆的信贷风险便于及时预警，降低经济风险。
本发明的一个实施例，如图2所示，一种车辆信贷风险检测方法，包括：
S101根据GPS位置数据分析得到每一周期内抵押车辆的车辆行驶状态数据；车辆行驶状态数据包括驻车状态数据和行车状态数据；
S200根据车辆行驶状态数据分析得到对应的车辆信贷风险判断结果。
具体的，与上述实施例相同的部分在此不再一一赘述。GPS位置数据包括GPS经纬度值和对应的时间数据。将所有GPS位置数据根据时间数据按照预设周期分类方式得到每一个周期内的抵押车辆对应的GPS位置数据组，根据各周期对应的GPS位置数据组进行分析得到各周期内抵押车辆的驻车状态数据和行车状态数据。
示例性的，根据所获取到GPS位置数据的最早时间起始，按照时间先后顺序依次将所有GPS位置数据进行分割得到若干个周期内对应的GPS位置数据组。例如，假设周期设置为30分钟，终端设备从2020年3月1日10:00开始从抵押车辆的GPS卫星定位装置处获取该抵押车辆的GPS位置数据，终端设备一直从抵押车辆处获取GPS位置数据直至2020年3月1日12:00，则终端设备按照30分钟为时间间隔界限，将这两小时获取的GPS位置数据分割得到四份GPS位置数据组，根据每个GPS位置数据组进行分析得到各周期内抵押车辆的驻车状态数据和行车状态数据。例如，根据2020年3月1日10:00至2020年3月1日10:30对应的GPS位置数据组进行行车距离计算，根据计算得到行车距离和每个GPS位置数据对应的时间数据，进行判定该周期内抵押车辆的驻车状态数据和行车状态数据。
抵押车辆每隔预设时间间隔(例如3分钟)向终端设备上报一次GPS位置数据，任意选取第一GPS位置数据(当前上报获取到的时间最靠前的GPS位置数据)为起点，按照时间先后顺序根据递增方式获取连续N个(例如2个)与起点相邻的GPS位置数据作为候选GPS位置数据，按照时间先后顺序检测第一GPS位置数据与候选GPS位置数据对应的位置点之间的距离是否分别超过预设距离值，如果第一GPS位置数据和N个候选GPS位置数据对应的位置点两两相邻之间的距离均未超过预设距离值，则确定该抵押车辆当前处于可疑驻车状态。确定抵押车辆当前处于可疑驻车状态后，以第一GPS位置数据为起点，按照时间先后顺序根据递增方式获取连续M个(例如5个)与起点相邻的GPS位置数据作为候选GPS位置数据，按照时间先后顺序检测第一GPS位置数据与候选GPS位置数据对应的位置点之间的距离是否分别超过预设距离值，如果第一GPS位置数据和M个候选GPS位置数据对应的位置点两两相邻之间的距离均未超过预设距离值，则确定该抵押车辆当前处于确定驻车状态。如此反复，按照时间先后顺序切换下一GPS位置数据进行滚动计算确认驻车起始位点，以及驻车结束位点对应的驻车GPS位置数据。
反之，如果第一GPS位置数据和N个候选GPS位置数据对应的位置点两两相邻之间的距离任一个未超过预设距离值，则确定该抵押车辆当前处于可疑行车状态，如果进一步判断出如果第一GPS位置数据和M个候选GPS位置数据对应的位置点两两相邻之间的距离均未超过预设距离值，则确定该抵押车辆当前处于确定行车状态。如此反复，按照时间先后顺序切换下一GPS位置数据进行滚动计算确认行车起始位点，以及行车结束位点对应的行车GPS位置数据。
其中，N和M均为正整数，且N小于M。其中，驻车状态数据包括但是不限于驻车位置、驻车开始时间、驻车结束时间、驻车时长。行车状态数据包括但是不限于最大行车速度、平均行车速度、连续行车时长、行车轨迹、行车位置。当然可以根据连续行车时长分类得到行车长途次数和行车短途次数。
本实施例中，将GPS位置数据分割为每一周期内抵押车辆对应的GPS位置数据组，从而根据各周期对应的GPS位置数据组分析得到各周期内抵押车辆的驻车状态数据和行车状态数据，便于终端设备根据驻车状态数据和行车状态数据分别进行分析得到对应的车辆信贷风险类型，由于将车辆行驶状态数据进行精准分类，能在数据区分的前提下提升抵押车辆的车辆信贷风险预测告警的准确率，从而便于信贷机构准确判断是否存在恶意欺诈现象的可能性，降低经济风险。
本发明的一个实施例，如图3所示，一种车辆信贷风险检测方法，包括：
S101根据GPS位置数据分析得到每一周期内抵押车辆的车辆行驶状态数据；车辆行驶状态数据包括驻车状态数据和行车状态数据；
S210根据驻车状态数据和预先训练好的第一神经网络模型得到对应分类结果，根据分类结果进行分析得到对应车辆信贷风险；和/或，
具体的，由于抵押车辆所属车主如果没有私下交易售卖抵押车辆意图的情况下，根据抵押车辆的GPS位置数据进行分析车辆驻车历史状态是符合正常日常出行习惯的。反之，抵押车辆所属车主如果存在私下交易售卖抵押车辆意图的情况下，根据抵押车辆的GPS位置数据进行分析车辆驻车历史状态是符合异常日常出行习惯的。因此，将正常日常出行习惯对应的驻车状态数据作为正样本数据，将异常日常出行习惯对应的驻车状态数据作为负样本数据，将正样本数据和负样本数据输入至初始数据网络模型中进行训练得到第一神经网络模型。终端设备将从抵押车辆处获取的GPS位置数据分析得到驻车状态数据输入至第一神经网络模型，由第一神经网络模型对驻车状态数据进行识别分类得到对应的分类结果，根据分类结果进行分析是否存在车辆信贷风险。
S220根据行车状态数据和预先训练好的第二神经网络模型得到对应分类结果，根据分类结果进行分析得到对应车辆信贷风险；和/或，
具体的，由于抵押车辆所属车主如果没有私下交易售卖抵押车辆意图的情况下，根据抵押车辆的GPS位置数据进行分析车辆行驶轨迹和车辆行驶状态是符合正常日常出行习惯的。反之，抵押车辆所属车主如果存在私下交易售卖抵押车辆意图的情况下，根据抵押车辆的GPS位置数据进行分析车辆行驶轨迹和车辆行驶状态是符合异常日常出行习惯的。因此，将正常日常出行习惯对应的行车状态数据作为正样本数据，将异常日常出行习惯对应的行车状态数据作为负样本数据，将正样本数据和负样本数据输入至初始数据网络模型中进行训练得到第二神经网络模型。终端设备将从抵押车辆处获取的GPS位置数据分析得到行车状态数据输入至第二神经网络模型，由第二神经网络模型对行车状态数据进行识别分类得到对应的分类结果，根据分类结果进行分析是否存在车辆信贷风险。
S230根据驻车状态数据中的驻车位置、预设风险区域和网格搜索法进行搜索匹配，根据搜索匹配结果进行分析得到对应的车辆信贷风险判断结果。
具体的，由于抵押车辆所属车主如果没有私下交易售卖抵押车辆意图的情况下，根据抵押车辆的GPS位置数据进行分析驻车位置是不会在预设风险区域。因此，终端设备根据驻车位置、预设风险区域和网格搜索法进行搜索匹配，判断匹配驻车位置是否在预设风险区域内，即匹配驻车位置是否与预设风险区域重叠，根据搜索匹配结果进行分析得到对应的车辆信贷风险判断结果。
本实施例中，采用不同的车辆行驶状态数据和不同的方案进行判断抵押车辆是否存在车辆信贷风险，能够提升车辆信贷风险判断的准确率，降低误判概率，在准确判断是否存在恶意欺诈现象的可能性，降低经济风险的前提下，避免因为误判导监控存在车辆信贷风险的人力物力浪费，大大提升信贷公司的使用体验。
本发明的一个实施例，如图4所示，一种车辆信贷风险检测方法，包括：
S101根据GPS位置数据分析得到每一周期内抵押车辆的车辆行驶状态数据；车辆行驶状态数据包括驻车状态数据和行车状态数据；
S211将每一周期内的驻车状态数据进行排序，根据排序结果选取每一周期内预设数量排名靠前的目标驻车状态数据；
S212根据目标驻车状态数据构建驻车数据矩阵，将驻车数据矩阵输入至第一神经网络模型中，根据第一神经网络模型输出对应的分类结果；
S213根据分类结果进行加权运算，比较运算结果与第一预设阈值的大小；
S214若运算结果超过第一预设阈值，则确定抵押车辆存在车辆信贷风险；
S215若运算结果未超过第一预设阈值，则确定抵押车辆不存在车辆信贷风险。
具体的，驻车数据矩阵包括每一周期对应的驻车数据矩阵以及驻车数据差值矩阵。将每一周期内的驻车状态数据按照从大到小或者从小到大的顺序进行排序，根据排序结果选取每一周期内预设数量排名靠前的目标驻车状态数据，例如排名前十的目标驻车状态数据分别为KTtop1，KTtop2，…，KTtop10。根据当前周期对应目标驻车状态数据构建当前驻车数据矩阵，延续上述示例得到上一驻车数据矩阵A(T-1)＝[KT-1top1，…，KT-1top10]，当前驻车数据矩阵A(T)＝[KTtop1，…，KTtop10]，以及根据当前周期对应目标驻车状态数据和上一周期对应目标驻车状态数据进行差值计算，根据差值计算结果构建当前周期对应的驻车数据差值矩阵A(ΔT)＝[KTtop1-KT-1top1，…，KTtop10-KT-1top10]。将上一驻车数据矩阵A(T-1)、驻车数据差值矩阵A(ΔT)输入至第一神经网络模型中，根据第一神经网络模型。示例性的，第一神经网络模型为两个隐藏层(各三个神经元)，且输出层为全连接+逻辑回归的神经网络。
通过第一神经网络根据输入的驻车数据矩阵进行识别分类输出对应的分类结果。分类结果包括当前周期内的驻车状态数据与上一周期内的驻车状态数据的相似度，驻车状态数据中每一个类型数据的对应有各自的权重比例，即根据驻车状态数据中每一个类型数据以及经验设置对应的权重比例。例如，驻车状态数据包括驻车位置时，驻车位置权重比例分别为a，且a的值为1。例如，驻车状态数据包括驻车位置和驻车时长时，驻车位置和驻车时长的权重比例分别为a和b，且a和b的和值为1。还例如，驻车状态数据包括驻车位置、驻车开始时间、驻车结束时间、驻车时长时，驻车位置、驻车开始时间、驻车结束时间、驻车时长的权重比例分别为a、b、c和d，且a、b、c和d的和值为1。
根据分类结果能获知所属驻车状态数据对应的具体内容，从而获取其对应的权重系数，根据相似度和权重系数进行加权运算得到运算结果，然后将运算结果与第一预设阈值进行大小比较，如果运算结果超过(大于或者大于等于)第一预设阈值，则确定抵押车辆存在车辆信贷风险。反之，如果运算结果未超过(小于等于或者小于)第一预设阈值，则确定抵押车辆不存在车辆信贷风险。
示例性的，个人或者家庭用车行为有其规律，驻车位置一般为住宅、公司、餐厅、亲友地址，如果只以驻车位置生成对应的驻车数据矩阵，则取上月驻车次数最多的10个驻车位置，与本月驻车次数最多的10个驻车位置生成对应驻车数据矩阵输入至第一神经网络模型进行分类识别得到相似度(或者易主概率)，如图10所示，如果相似度低于第一预设阈值则说明差异过大则可判定抵押车辆存在车辆信贷风险，因此当前抵押车辆可能存在私下交易行为，可能影响后续还款，这样便于及时告警通知信贷机构。
本实施例中，根据目标驻车状态数据构建驻车数据矩阵输入至第一神经网络模型，根据分类结果进行加权运算，在加权运算结果超过第一预设阈值才判定存在车辆信贷风险，能够在多尺度、多方位进行识别抵押车辆是否存在车辆信贷风险，属于车辆信贷风险提前预警，大大提升了车辆信贷风险检测的准确率，从而便于信贷机构准确判断是否存在恶意欺诈现象的可能性，降低误判概率，在准确判断是否存在恶意欺诈现象的可能性，降低经济风险的前提下，避免因为误判导监控存在车辆信贷风险的人力物力浪费，大大提升信贷公司的使用体验。
本发明的一个实施例，如图5所示，一种车辆信贷风险检测方法，包括：
S101根据GPS位置数据分析得到每一周期内抵押车辆的车辆行驶状态数据；车辆行驶状态数据包括驻车状态数据和行车状态数据；
S221将每一周期内的行车状态数据进行排序，根据排序结果选取每一周期内预设数量排名靠前的目标行车状态数据；
S222根据目标行车状态数据构建行车数据矩阵，将行车数据矩阵输入至第二神经网络模型中，根据第二神经网络模型输出对应的分类结果；
S223根据分类结果进行加权运算，比较运算结果与第二预设阈值的大小；
S224若运算结果超过第二预设阈值，则确定抵押车辆存在车辆信贷风险；
S225若运算结果未超过第二预设阈值，则确定抵押车辆不存在车辆信贷风险。
具体的，行车数据矩阵包括每一周期对应的行车数据矩阵以及行车数据差值矩阵。将每一周期内的行车状态数据按照从大到小或者从小到大的顺序进行排序，根据排序结果选取每一周期内预设数量排名靠前的目标行车状态数据，例如排名前十的目标行车状态数据分别为KTtop1，KTtop2，…，KTtop10。根据当前周期对应目标行车状态数据构建当前行车数据矩阵，延续上述示例得到上一行车数据矩阵B(T-1)＝[KT-1top1，…，KT-1top10]，当前行车数据矩阵B(T)＝[KTtop1，…，KTtop10]，以及根据当前周期对应目标行车状态数据和上一周期对应目标行车状态数据进行差值计算，根据差值计算结果构建当前周期对应的行车数据差值矩阵B(ΔT)＝[KTtop1-KT-1top1，…，KTtop10-KT-1top10]。将上一行车数据矩阵B(T-1)、行车数据差值矩阵B(ΔT)输入至第二神经网络模型中，根据第二神经网络模型。示例性的，第二神经网络模型为两个隐藏层(各三个神经元)，且输出层为全连接+逻辑回归的神经网络。
通过第二神经网络根据输入的行车数据矩阵进行识别分类输出对应的分类结果。分类结果包括当前周期内的行车状态数据与上一周期内的行车状态数据的相似度，行车状态数据中每一个类型数据的对应有各自的权重比例，即根据行车状态数据中每一个类型数据以及经验设置对应的权重比例。例如，行车状态数据包括行车轨迹时，行车轨迹权重比例分别为a，且a的值为1。例如，行车状态数据包括行车轨迹和行车时长时，行车轨迹和行车时长的权重比例分别为a和b，且a和b的和值为1。
根据分类结果能获知所属行车状态数据对应的具体内容，从而获取其对应的权重系数，根据相似度和权重系数进行加权运算得到运算结果，然后将运算结果与第二预设阈值进行大小比较，如果运算结果超过(大于或者大于等于)第二预设阈值，则确定抵押车辆存在车辆信贷风险。反之，如果运算结果未超过(小于等于或者小于)第二预设阈值，则确定抵押车辆不存在车辆信贷风险。
示例性的，个人或者家庭用车行为有其规律，行车轨迹一般包括住宅、公司、餐厅、亲友地址之间的往返路线，如果只以行车轨迹生成对应的行车数据矩阵，则取上月行车轨迹频数最多的5个行车轨迹，与本月行车轨迹频数最多的5个行车轨迹生成对应行车数据矩阵输入至第二神经网络模型进行分类识别得到相似度，如果相似度低于第二预设阈值则说明差异过大则可判定抵押车辆存在车辆信贷风险，因此当前抵押车辆可能存在私下交易行为，可能影响后续还款，这样便于及时告警通知信贷机构。
本实施例中，根据目标行车状态数据构建行车数据矩阵输入至第二神经网络模型，根据分类结果进行加权运算，在加权运算结果超过第二预设阈值才判定存在车辆信贷风险，能够在多尺度、多方位进行识别抵押车辆是否存在车辆信贷风险，属于车辆信贷风险提前预警，大大提升了车辆信贷风险检测的准确率，从而便于信贷机构准确判断是否存在恶意欺诈现象的可能性，降低误判概率，在准确判断是否存在恶意欺诈现象的可能性，降低经济风险的前提下，避免因为误判导监控存在车辆信贷风险的人力物力浪费，大大提升信贷公司的使用体验。
本发明的一个实施例，如图6所示，一种车辆信贷风险检测方法，包括：
S101根据GPS位置数据分析得到每一周期内抵押车辆的车辆行驶状态数据；车辆行驶状态数据包括驻车状态数据和行车状态数据；
S231根据驻车状态数据获取当前时刻对应的驻车位置；
S232根据驻车位置获取预设距离范围内的二手车市场坐标得到目标数据集；
S233将目标数据集进行网格切分得到若干个网格区块，根据驻车位置与网格区块进行匹配查找在驻车位置周围且包括二手车市场的邻近网格区块；
S234计算驻车位置与邻近网格区块对应二手车市场坐标之间的直线距离，并比较最小直线距离与预设距离阈值；
S235若最小直线距离超过预设距离阈值，则确定抵押车辆存在车辆信贷风险；
S236若最小直线距离未超过预设距离阈值，则确定抵押车辆不存在车辆信贷风险。
具体的，由于一般二手车市场存在大量停车位占地面积较大，一般不超过半径1千米，二手车交易基本都发生在二手车市场。将抵押车辆所对应的贷款未结清前把抵押车辆开到二手车市场，视为明显的高危行为。因此，根据驻车状态数据获取当前时刻对应的驻车位置，并以当前时刻对应的驻车位置为中心向外扩散获取预设距离范围内的二手车市场坐标得到目标数据集。将目标数据集进行网格切分得到若干个网格区块。根据驻车位置与网格区块进行匹配查找在驻车位置周围且包括二手车市场的邻近网格区块，计算驻车位置与每个邻近网格区块对应二手车市场坐标之间的直线距离，并比较最小直线距离与预设距离阈值，如果最小直线距离超过预设距离阈值，则确定抵押车辆存在车辆信贷风险，反之则确定抵押车辆不存在车辆信贷风险，本实施例属于车辆信贷风险现场实时预警、风险行为后预警或者提前预警。
示例性的，根据二手车市场坐标分块，在我国经纬度范围内，以1/10度(大约10公里)作网格切分。已知驻车位置、已知二手车市场坐标，通过驻车位置对应的驻车点经纬度，查找驻车位置所在的目标网格。获取目标网格及其网格区块进行查找包括有二手车市场的邻近网格区块，计算驻车位置与每个邻近网格区块对应二手车市场坐标之间的直线距离，如果最小直线距离小于预设距离阈值(例如1000米)则判定为无车辆信贷风险，如果最小直线距离大于等于预设距离阈值则判定为有车辆信贷风险。
本实施例中，根据驻车位置与风险区域进行判断是否重叠，即判断驻车位置与二手车市场坐标之间的最小直线距离是否超过预设距离阈值，根据比较结果识别抵押车辆是否存在车辆信贷风险，大大提升了车辆信贷风险检测的准确率，从而便于信贷机构准确判断是否存在恶意欺诈现象的可能性，降低误判概率，在准确判断是否存在恶意欺诈现象的可能性，降低经济风险的前提下，避免因为误判导监控存在车辆信贷风险的人力物力浪费，大大提升信贷公司的使用体验。
本发明的一个实施例，如图7所示，一种车辆信贷风险检测方法，包括：
S010获取抵押车辆的GPS位置数据，将GPS位置数据进行切分得到若干个时间段的GPS位置数据；
S020根据当前时间段的GPS位置数据进行计算得到每一时间段对应的初始候选中心点；
S030根据当前时间段内的当前目标GPS位置数据、当前时间段对应的候选中心点和损失度算法进行计算得到对应的损失度值；
S040切换下一目标GPS位置数据进行计算，直至损失度值大小不变为止，获取最小损失度值对应的候选中心点为当前时间段对应的目标中心点；
S050将当前时间段对应的目标中心点与其对应时间段的GPS位置数据进行差值计算，剔除差值大于预设数值的异常GPS位置数据，切换查找下一时间段对应的初始候选中心点，直至剔除所有时间段对应的异常GPS位置数据为止；
S100根据获取到的抵押车辆的GPS位置数据分析得到车辆行驶状态数据；
S200根据车辆行驶状态数据分析得到对应的车辆信贷风险判断结果。
具体的，获取抵押车辆的GPS位置数据，将GPS位置数据进行切分得到若干个时间段的GPS位置数据，若干个时间段可以是平均分割(例如将一天24小时平均分割为4个时长相等的时间段)，也可以根据日常出现时间段进行分割例如将一天24小时按照上下班时间不均等分割为上班出行时间段、下班班出行时间段、工作时间段以及居家时间段等4个时长不相等的时间段)。
根据当前时间段的GPS位置数据进行计算得到当前时间段对应的候选中心点，首先根据当前时间段所有GPS位置数据进行经度均值计算和纬度均值计算得到当前时间段对应的初始候选中心点，然后根据当前时间段内的当前GPS位置数据、当前时间段对应的初始候选中心点和损失度算法进行计算得到对应的损失度值(Loss)。切换下一GPS位置数据进行计算更新损失度值，反复直至损失度值大小不变为止，获取最小损失度值对应的候选中心点为当前时间段对应的目标中心点，将当前时间段对应的目标中心点与当前时间段的GPS位置数据进行差值计算，剔除当前时间段内差值大于预设数值的异常GPS位置数据。切换查找下一时间段对应的目标中心点，直至查找出所有时间段的目标中心点为止，重复上述步骤，直至将0将所有时间段对应的异常GPS位置数据剔除为止。
损失度算法可以是
Figure BDA0002431562660000171
其中，Xi和Yi分别为当前目标GPS位置数据对应的经度坐标和纬度坐标，Xo和Yo分别为初始候选中心点对应的经度坐标和纬度坐标。目标GPS位置数据为每一时间段中，经度方向和纬度方向中GPS位置数据所占比例较多区域中的任意一个GPS位置数据。
本实施例中，通过查找并去除异常GPS数据(包括无用GPS数据、错误GPS数据，一些预测能力较差的GPS数据等)，降低终端设备识别检测得到车辆信贷风险判断结果的数据处理量。这些异常GPS数据，对车辆信贷风险判断结果的影响力较小，将异常GPS数据参与车辆信贷风险判断识别，不但不会增加预测准确度，反而增加数据的处理量，因此删除异常GPS位置数据减少了数据的处理量，提高了车辆信贷风险的识别效率，而且大大提升了车辆信贷风险的识别准确率。
本发明的一个实施例，如图8所示，一种车辆信贷风险检测方法，包括：
S001根据最新获取到所述GPS位置数据的时间与上一次获取到所述GPS位置数据的时间，计算得到GPS更新时长；
S002比较所述GPS更新时长与预设时长的大小；
S003若所述GPS更新时长达到预设时长，则确定抵押车辆存在车辆信贷风险；
S100根据获取到的抵押车辆的GPS位置数据分析得到车辆行驶状态数据；
S200根据车辆行驶状态数据分析得到对应的车辆信贷风险判断结果。
具体的，在现实情境中，部分恶意不还款非法处置抵押车辆的车主会将抵押车辆加装的GPS卫星定位装置拆除。因此，根据最新获取到GPS位置数据的时间与上一次获取到GPS位置数据的时间，计算得到GPS更新时长，一旦GPS更新时长达到预设时长，即GPS更新时长大于(或者大于等于)预设时长，则确定抵押车辆存在车辆信贷风险，通过判断是否及时获取到GPS位置数据进行判断能够防止GPS卫星定位装置拆除现象，能够有效判断抵押车辆是否存在车辆信贷风险，能够提升车辆信贷风险判断的准确率，降低误判概率，在准确判断是否存在恶意欺诈现象的可能性，降低经济风险的前提下，避免因为误判导监控存在车辆信贷风险的人力物力浪费，大大提升信贷公司的使用体验。
优选的，使用车辆行驶状态数据与车主将车辆进行申请抵押贷款时填写的车主特征比较一致性。车主特征包括车主构车用途、车主职业等等。若完全一致则标记为优质客户，若部分一致则标记为次级客户，若完全不一致则标记为风险客户。具体为根据车辆行驶状态数据和随机森林算法分析获得抵押车辆所属车主的意图倾向。根据意图倾向结合车主特征两者进行比较计算匹配度区分客群类型，客群类型包括优质客户、次级客户和风险客户。
示例性的，使用车主职业作为输入因子输入至随机森林中任一随机数中训练得到车主职业随机树，使用车主购车意图作为输入因子输入至随机森林中其他随机树中训练得到车主购车意图随机树。其中，车主职业分类结果为：白天上班一周5天、晚上上班一周非5天、白天上班一周非5天、晚上上班一周5天等，由于根据车辆行驶状态数据能初步粗略对车主的上班时间进行统计，因此可以将统计结果输入至车主职业随机树和车主购车意图随机树，获取对应的相似度值从而判断分析的车主特征与车主填写的车主特征是否一致，根据判断结果对购车者进行客群类型分类。
示例性的，针对刚开始使用抵押车辆的车主，根据车辆行驶状态数据所分析得到的车主特征，分析每日用车次数、行驶时长、行驶时间与车主职业或车主购车意图的相关性。例：一个上班族购车用于代步。其每天用车时间应该在早上8点，下午5点前后，行车时长一般不超过一小时，白天少有其他用车动机。符合分析得到车主特征，则认定这是一个购车意图匹配的上班族。
此外，还可以获取抵押车辆所属车主的拖欠、违约、欺诈的标签数据集进行判断是否存在车辆信贷风险。
本发明的一个实施例，一种车辆信贷风险检测方法，包括：
S010获取抵押车辆的GPS位置数据，将GPS位置数据进行切分得到若干个时间段的GPS位置数据；
S020根据当前时间段的GPS位置数据进行计算得到每一时间段对应的初始候选中心点；
S030根据当前时间段内的当前目标GPS位置数据、当前时间段对应的候选中心点和损失度算法进行计算得到对应的损失度值；
S040切换下一目标GPS位置数据进行计算，直至损失度值大小不变为止，获取最小损失度值对应的候选中心点为当前时间段对应的目标中心点；
S050将当前时间段对应的目标中心点与其对应时间段的GPS位置数据进行差值计算，剔除差值大于预设数值的异常GPS位置数据，切换查找下一时间段对应的初始候选中心点，直至剔除所有时间段对应的异常GPS位置数据为止；
S210根据驻车状态数据和预先训练好的第一神经网络模型得到对应分类结果，根据分类结果进行分析得到对应车辆信贷风险；和/或，
S220根据行车状态数据和预先训练好的第二神经网络模型得到对应分类结果，根据分类结果进行分析得到对应车辆信贷风险；和/或，
S230根据驻车状态数据中的驻车位置、预设风险区域和网格搜索法进行搜索匹配，根据搜索匹配结果进行分析得到对应的车辆信贷风险判断结果。
具体的，本实施例与上述实施例相同的部分参见上述实施例，在此不再一一赘述。
本发明的一个实施例，一种车辆信贷风险检测方法，包括：
S001根据最新获取到所述GPS位置数据的时间与上一次获取到所述GPS位置数据的时间，计算得到GPS更新时长；
S002比较所述GPS更新时长与预设时长的大小；
S003若所述GPS更新时长达到预设时长，则确定抵押车辆存在车辆信贷风险；
S210根据驻车状态数据和预先训练好的第一神经网络模型得到对应分类结果，根据分类结果进行分析得到对应车辆信贷风险；和/或，
S220根据行车状态数据和预先训练好的第二神经网络模型得到对应分类结果，根据分类结果进行分析得到对应车辆信贷风险；和/或，
S230根据驻车状态数据中的驻车位置、预设风险区域和网格搜索法进行搜索匹配，根据搜索匹配结果进行分析得到对应的车辆信贷风险判断结果。
具体的，本实施例与上述实施例相同的部分参见上述实施例，在此不再一一赘述。
上述实施例中，从车辆信贷风险现场实时预警、风险行为后预警或者提前预警三个角度判定告警，使得贷后客群(即抵押车辆所属车主)管理更智能，对高危客群发现更及时，将告警行为分割，多尺度、多方位进行识别抵押车辆是否存在车辆信贷风险，准确性更高。
所属领域的技术人员可以清楚地了解到，为了描述的方便和简洁，仅以上述各程序模块的划分进行举例说明，实际应用中，可以根据需要而将上述功能分配由不同的程序模块完成，即将所述装置的内部结构划分成不同的程序单元或模块，以完成以上描述的全部或者部分功能。实施例中的各程序模块可以集成在一个处理单元中，也可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处理单元中，上述集成的单元既可以采用硬件的形式实现，也可以采用软件程序单元的形式实现。另外，各程序模块的具体名称也只是为了便于相互区分，并不用于限制本申请的保护范围。
本发明的一个实施例，如图9所示，一种终端设备100，包括处理器110、存储器120，其中，存储器120，用于存放计算机程序；处理器110，用于执行存储器120上所存放的计算机程序，实现上述图1-图8所对应方法实施例中的车辆信贷风险检测方法。
所述终端设备100可以为桌上型计算机、笔记本、掌上电脑、平板型计算机、手机、人机交互屏等设备。所述终端设备100可包括，但不仅限于处理器110、存储器120。本领域技术人员可以理解，图9仅仅是终端设备100的示例，并不构成对终端设备100的限定，可以包括比图示更多或更少的部件，或者组合某些部件，或者不同的部件，例如：终端设备100还可以包括输入/输出接口、显示设备、网络接入设备、通信总线、通信接口等。通信接口和通信总线，还可以包括输入/输出接口，其中，处理器110、存储器120、输入/输出接口和通信接口通过通信总线完成相互间的通信。该存储器120存储有计算机程序，该处理器110用于执行存储器120上所存放的计算机程序，实现上述图1-图8所对应方法实施例中的车辆信贷风险检测方法。
本发明的一个实施例，一种存储介质，存储介质中存储有至少一条指令，指令由处理器加载并执行以实现上述车辆信贷风险检测方法对应实施例所执行的操作。例如，计算机可读存储介质可以是只读内存(ROM)、随机存取存储器(RAM)、只读光盘(CD-ROM)、磁带、软盘和光数据存储设备等。
应当说明的是，上述实施例均可根据需要自由组合。以上所述仅是本发明的优选实施方式，应当指出，对于本技术领域的普通技术人员来说，在不脱离本发明原理的前提下，还可以做出若干改进和润饰，这些改进和润饰也应视为本发明的保护范围。

Claims (10)

1.一种车辆信贷风险检测方法，其特征在于，包括步骤：
根据获取到的抵押车辆的GPS位置数据分析得到车辆行驶状态数据；
根据所述车辆行驶状态数据分析得到对应的车辆信贷风险判断结果。
2.根据权利要求1所述的车辆信贷风险检测方法，其特征在于，所述根据获取到的抵押车辆的GPS位置数据分析得到车辆行驶状态数据包括步骤：
根据所述GPS位置数据分析得到每一周期内抵押车辆的车辆行驶状态数据；所述车辆行驶状态数据包括驻车状态数据和行车状态数据。
3.根据权利要求2所述的车辆信贷风险检测方法，其特征在于，所述根据所述车辆行驶状态数据分析得到对应的车辆信贷风险判断结果包括步骤：
根据所述驻车状态数据和预先训练好的第一神经网络模型得到对应分类结果，根据所述分类结果进行分析对应的车辆信贷风险判断结果；和/或，
根据所述行车状态数据和预先训练好的第二神经网络模型得到对应分类结果，根据所述分类结果进行分析对应的车辆信贷风险判断结果；和/或，
根据所述驻车状态数据中的驻车位置、预设风险区域和网格搜索法进行搜索匹配，根据搜索匹配结果进行分析得到对应的车辆信贷风险判断结果。
4.根据权利要求3所述的车辆信贷风险检测方法，其特征在于，所述根据所述驻车状态数据和预先训练好的第一神经网络模型得到对应分类结果，根据所述分类结果进行分析对应的车辆信贷风险判断结果包括步骤：
将每一周期内的驻车状态数据进行排序，根据排序结果选取每一周期内预设数量排名靠前的目标驻车状态数据；
根据所述目标驻车状态数据构建驻车数据矩阵，将所述驻车数据矩阵输入至所述第一神经网络模型中，根据所述第一神经网络模型输出对应的分类结果；
根据所述分类结果进行加权运算，比较运算结果与第一预设阈值的大小；
若所述运算结果超过第一预设阈值，则确定所述抵押车辆存在车辆信贷风险；
若所述运算结果未超过第一预设阈值，则确定所述抵押车辆不存在车辆信贷风险。
5.根据权利要求3所述的车辆信贷风险检测方法，其特征在于，所述根据所述行车状态数据和预先训练好的第二神经网络模型得到对应分类结果，根据所述分类结果进行分析对应的车辆信贷风险判断结果包括步骤：
将每一周期内的行车状态数据进行排序，根据排序结果选取每一周期内预设数量排名靠前的目标行车状态数据；
根据所述目标行车状态数据构建行车数据矩阵，将所述行车数据矩阵输入至所述第二神经网络模型中，根据所述第二神经网络模型输出对应的分类结果；
根据所述分类结果进行加权运算，比较运算结果与第二预设阈值的大小；
若所述运算结果超过第二预设阈值，则确定所述抵押车辆存在车辆信贷风险；
若所述运算结果未超过第二预设阈值，则确定所述抵押车辆不存在车辆信贷风险。
6.根据权利要求3所述的车辆信贷风险检测方法，其特征在于，所述根据所述驻车状态数据中的驻车位置、预设风险区域和网格搜索法进行搜索匹配，根据搜索匹配结果进行分析得到对应的车辆信贷风险判断结果包括步骤：
根据所述驻车状态数据获取当前时刻对应的驻车位置；
根据所述驻车位置获取预设距离范围内的二手车市场坐标得到目标数据集；
将所述目标数据集进行网格切分得到若干个网格区块，根据所述驻车位置与所述网格区块进行匹配查找与所述驻车位置周围的邻近网格区块；
计算所述驻车位置与所述邻近网格区块对应二手车市场坐标之间的直线距离，并比较最小直线距离与预设距离阈值；
若所述最小直线距离超过预设距离阈值，则确定所述抵押车辆存在车辆信贷风险；
若所述最小直线距离未超过预设距离阈值，则确定所述抵押车辆不存在车辆信贷风险。
7.根据权利要求1-6任一项所述的车辆信贷风险检测方法，其特征在于，所述根据获取到的抵押车辆的GPS位置数据分析得到车辆行驶状态数据之前包括步骤：
获取所述抵押车辆的GPS位置数据，将所述GPS位置数据进行切分得到若干个时间段的GPS位置数据；
根据当前时间段的GPS位置数据进行计算得到每一时间段对应的初始候选中心点；
根据当前时间段内的当前目标GPS位置数据、所述当前时间段对应的候选中心点和损失度算法进行计算得到对应的损失度值；
切换下一目标GPS位置数据进行计算，直至所述损失度值大小不变为止，获取最小损失度值对应的候选中心点为所述当前时间段对应的目标中心点；
将所述当前时间段对应的目标中心点与其对应时间段的GPS位置数据进行差值计算，剔除差值大于预设数值的异常GPS位置数据，切换查找下一时间段对应的初始候选中心点，直至剔除所有时间段对应的异常GPS位置数据为止。
8.根据权利要求7所述的车辆信贷风险检测方法，其特征在于，所述根据获取到的抵押车辆的GPS位置数据分析得到车辆行驶状态数据之前还包括步骤：
根据最新获取到所述GPS位置数据的时间与上一次获取到所述GPS位置数据的时间，计算得到GPS更新时长；
比较所述GPS更新时长与预设时长的大小；
若所述GPS更新时长达到预设时长，则确定所述抵押车辆存在车辆信贷风险。
9.一种终端设备，其特征在于，包括处理器、存储器以及存储在所述存储器中并可在所述处理器上运行的计算机程序，所述处理器，用于执行所述存储器上所存放的计算机程序，实现如权利要求1至权利要求8任一项所述的车辆信贷风险检测方法所执行的操作。
10.一种存储介质，其特征在于，所述存储介质中存储有至少一条指令，所述指令由处理器加载并执行以实现如权利要求1至权利要求8任一项所述的车辆信贷风险检测方法所执行的操作。
CN202010237741.7A 2020-03-30 2020-03-30 一种车辆信贷风险检测方法、终端设备和存储介质 Active CN111429268B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010237741.7A CN111429268B (zh) 2020-03-30 2020-03-30 一种车辆信贷风险检测方法、终端设备和存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010237741.7A CN111429268B (zh) 2020-03-30 2020-03-30 一种车辆信贷风险检测方法、终端设备和存储介质

Publications (2)

Publication Number Publication Date
CN111429268A true CN111429268A (zh) 2020-07-17
CN111429268B CN111429268B (zh) 2023-11-24

Family

ID=71549245

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010237741.7A Active CN111429268B (zh) 2020-03-30 2020-03-30 一种车辆信贷风险检测方法、终端设备和存储介质

Country Status (1)

Country Link
CN (1) CN111429268B (zh)

Cited By (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112131328A (zh) * 2020-08-14 2020-12-25 深圳市麦谷科技有限公司 一种车辆管理方法、装置、终端设备和存储介质
CN112802231A (zh) * 2021-03-19 2021-05-14 四川万网鑫成信息科技有限公司 基于gps数据的车辆风险评估方法、装置、设备和介质
CN113191610A (zh) * 2021-04-22 2021-07-30 上海仙豆智能机器人有限公司 基于可疑关键字的车辆监控方法、装置、设备及介质
CN113191612A (zh) * 2021-04-22 2021-07-30 上海仙豆智能机器人有限公司 抵押车辆的监控方法、装置、电子设备与存储介质
CN113191611A (zh) * 2021-04-22 2021-07-30 上海仙豆智能机器人有限公司 车辆聚集的监控方法、装置、设备以及介质
CN113807946A (zh) * 2021-09-16 2021-12-17 平安国际融资租赁有限公司 风险预警消息推送方法、装置、计算机设备和存储介质

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US7546271B1 (en) * 2007-12-20 2009-06-09 Choicepoint Asset Company Mortgage fraud detection systems and methods
CN105976237A (zh) * 2016-04-28 2016-09-28 深圳市标越科技股份有限公司 一种防控贷款风险的方法及其车载系统
CN108492023A (zh) * 2018-03-19 2018-09-04 浙江工业大学 一种基于轨迹分析的车贷风控方法
CN110020937A (zh) * 2019-01-15 2019-07-16 深圳华云网科技有限公司 车贷后车辆风险区域告警方法
CN110782111A (zh) * 2019-02-21 2020-02-11 北京嘀嘀无限科技发展有限公司 一种风险评估方法和系统

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US7546271B1 (en) * 2007-12-20 2009-06-09 Choicepoint Asset Company Mortgage fraud detection systems and methods
CN105976237A (zh) * 2016-04-28 2016-09-28 深圳市标越科技股份有限公司 一种防控贷款风险的方法及其车载系统
CN108492023A (zh) * 2018-03-19 2018-09-04 浙江工业大学 一种基于轨迹分析的车贷风控方法
CN110020937A (zh) * 2019-01-15 2019-07-16 深圳华云网科技有限公司 车贷后车辆风险区域告警方法
CN110782111A (zh) * 2019-02-21 2020-02-11 北京嘀嘀无限科技发展有限公司 一种风险评估方法和系统

Cited By (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112131328A (zh) * 2020-08-14 2020-12-25 深圳市麦谷科技有限公司 一种车辆管理方法、装置、终端设备和存储介质
CN112802231A (zh) * 2021-03-19 2021-05-14 四川万网鑫成信息科技有限公司 基于gps数据的车辆风险评估方法、装置、设备和介质
CN112802231B (zh) * 2021-03-19 2021-07-06 四川万网鑫成信息科技有限公司 基于gps数据的车辆风险评估方法、装置、设备和介质
CN113191610A (zh) * 2021-04-22 2021-07-30 上海仙豆智能机器人有限公司 基于可疑关键字的车辆监控方法、装置、设备及介质
CN113191612A (zh) * 2021-04-22 2021-07-30 上海仙豆智能机器人有限公司 抵押车辆的监控方法、装置、电子设备与存储介质
CN113191611A (zh) * 2021-04-22 2021-07-30 上海仙豆智能机器人有限公司 车辆聚集的监控方法、装置、设备以及介质
CN113807946A (zh) * 2021-09-16 2021-12-17 平安国际融资租赁有限公司 风险预警消息推送方法、装置、计算机设备和存储介质

Also Published As

Publication number Publication date
CN111429268B (zh) 2023-11-24

Similar Documents

Publication Publication Date Title
CN111429268A (zh) 一种车辆信贷风险检测方法、终端设备和存储介质
Kuang et al. Predicting duration of traffic accidents based on cost-sensitive Bayesian network and weighted K-nearest neighbor
CN109029446B (zh) 一种行人位置预测方法、装置及设备
US20160125307A1 (en) Air quality inference using multiple data sources
Bas et al. Classification of potential electric vehicle purchasers: A machine learning approach
Li et al. Competing risk mixture model and text analysis for sequential incident duration prediction
CN111582559B (zh) 一种到达时间的预估方法及装置
Asensio et al. Real-time data from mobile platforms to evaluate sustainable transportation infrastructure
CN108510400B (zh) 汽车保险信息处理方法及装置、服务器及可读存储介质
Amiri et al. GIS-based crash hotspot identification: a comparison among mapping clusters and spatial analysis techniques
CN112562863A (zh) 流行病监测预警方法、装置、电子设备
Shahin et al. Cluster-based association rule mining for an intersection accident dataset
Feng et al. Statistical analysis and prediction of parking behavior
Zhao et al. Factors affecting traffic risks on bridge sections of freeways based on partial dependence plots
Ahmed et al. A comparative study of machine learning algorithms to predict road accident severity
Chand et al. Examining the macro-level factors affecting vehicle breakdown duration
Liao et al. Hierarchical quantitative analysis to evaluate unsafe driving behaviour from massive trajectory data
Kang et al. Deep learning model for crash injury severity analysis using shapley additive explanation values
CN111091409A (zh) 客户标签的确定方法、装置和服务器
Mohanty et al. Development of crash prediction models by assessing the role of perpetrators and victims: a comparison of ANN & logistic model using historical crash data
Basso et al. Assessing factors influencing the occurrence of traffic conflicts: a vehicle-by-vehicle approach
Figueredo et al. An immune-inspired technique to identify heavy goods vehicles incident hot spots
Liu et al. A real-time explainable traffic collision inference framework based on probabilistic graph theory
Cai et al. Machine learning methods to analyze and predict crash injury severity based on contributing factors for southeast Michigan
Zhao et al. Individual driver crash risk classification based on iov data and offline consumer behavior data

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant
CP03 Change of name, title or address

Address after: 200241 room 025, 13 / F, building 2, 588 Zixing Road, Minhang District, Shanghai

Patentee after: Dexiaoyi Information Technology Co.,Ltd.

Country or region after: China

Address before: 200241 room 025, 13 / F, building 2, 588 Zixing Road, Minhang District, Shanghai

Patentee before: Shanghai Deyi Car Information Technology Co.,Ltd.

Country or region before: China

CP03 Change of name, title or address