CN111815463A - 基于边缘计算的征信方法和装置 - Google Patents

基于边缘计算的征信方法和装置 Download PDF

Info

Publication number
CN111815463A
CN111815463A CN202010669510.3A CN202010669510A CN111815463A CN 111815463 A CN111815463 A CN 111815463A CN 202010669510 A CN202010669510 A CN 202010669510A CN 111815463 A CN111815463 A CN 111815463A
Authority
CN
China
Prior art keywords
enterprise
credit investigation
data
credit
assessed
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.)
Pending
Application number
CN202010669510.3A
Other languages
English (en)
Inventor
段行健
田春明
曹然
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.)
Beijing Yifeng Jinke Software Co ltd
Original Assignee
Beijing Yifeng Jinke Software 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 Beijing Yifeng Jinke Software Co ltd filed Critical Beijing Yifeng Jinke Software Co ltd
Priority to CN202010669510.3A priority Critical patent/CN111815463A/zh
Publication of CN111815463A publication Critical patent/CN111815463A/zh
Pending legal-status Critical Current

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
    • G06Q40/08—Insurance
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F9/00—Arrangements for program control, e.g. control units
    • G06F9/06—Arrangements for program control, e.g. control units using stored programs, i.e. using an internal store of processing equipment to receive or retain programs
    • G06F9/46—Multiprogramming arrangements
    • G06F9/50—Allocation of resources, e.g. of the central processing unit [CPU]
    • G06F9/5005—Allocation of resources, e.g. of the central processing unit [CPU] to service a request
    • G06F9/5027—Allocation of resources, e.g. of the central processing unit [CPU] to service a request the resource being a machine, e.g. CPUs, Servers, Terminals
    • 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
    • G06N3/044—Recurrent networks, e.g. Hopfield networks
    • 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
    • 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
    • G06N3/08—Learning methods
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2209/00—Indexing scheme relating to G06F9/00
    • G06F2209/50—Indexing scheme relating to G06F9/50
    • G06F2209/502—Proximity

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Software Systems (AREA)
  • General Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • Computational Linguistics (AREA)
  • Health & Medical Sciences (AREA)
  • Data Mining & Analysis (AREA)
  • Evolutionary Computation (AREA)
  • General Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • Biomedical Technology (AREA)
  • Artificial Intelligence (AREA)
  • Mathematical Physics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Biophysics (AREA)
  • Business, Economics & Management (AREA)
  • Accounting & Taxation (AREA)
  • Finance (AREA)
  • Development Economics (AREA)
  • Economics (AREA)
  • Marketing (AREA)
  • Strategic Management (AREA)
  • Technology Law (AREA)
  • General Business, Economics & Management (AREA)
  • Financial Or Insurance-Related Operations Such As Payment And Settlement (AREA)

Abstract

本公开提供了基于边缘计算的征信方法，边缘服务器与待征信企业现场部署的物联网终端进行电连接；获取所述待征信企业的数字信号数据，并通过网络传输至所述边缘服务器；所述边缘服务器通过对所述数字信号数据分别计算实时所述待征信企业的统计学特征，并将计算所得到的数据传输到云端服务器；通过云端服务器建立基于深度学习算法的金融风控模型，并通过云端服务器所接收的数据训练已建立的所述金融风控模型；使用所述金融风控模型和云端服务器所接收的数据实时对所述待征信企业的征信风险进行判别。该方法能够准确、快捷地完成针对小微企业征信操作，且具有征信安全性提升的可行性与易用性。本公开还提出基于边缘计算的征信装置。

Description

基于边缘计算的征信方法和装置
技术领域
本公开涉及智能硬件与移动支付技术领域，具体而言，涉及基于边缘计算的征信方法和装置。
背景技术
对于传统金融机构来说，客户征信主要来源于基本生产经营状况或是不良信用记录等坏账行为，其考察角度单一、片面，对于企业用户的信用品评级和授信额度过于依赖主观判断和经验积累，容易出现判断失误所带来的信用风险，而对于新增用户也很难做出准确信用判断。
由于以上原因，小微企业(注册资本<1000万元)时常面临融资难、融资贵问题。小微企业通过担保、融资租赁、保理、供应链金融渠道，成本高(>18％)，而银行、保险公司资金成本低(远低于8％)，但由于风控流程严格，低成本资金难以流入小微企业。另一方面，单纯依赖大数据或者区块链的贷款平台由于不能从根本上解决信息源可靠性的问题，不能为小微企业提供有效信用背书。
发明内容
为了解决现有技术中的技术问题，本公开实施例提供了基于边缘计算的征信方法和装置，能够准确、快捷地完成针对小微企业征信操作，且具有征信安全性提升的可行性与易用性。
第一方面，本公开实施例提供了基于边缘计算的征信方法，所述方法包括：边缘服务器与待征信企业现场部署的物联网终端进行电连接；获取所述待征信企业的数字信号数据，并通过网络传输至所述边缘服务器；所述边缘服务器通过对所述数字信号数据分别计算实时所述待征信企业的统计学特征，并将计算所得到的数据传输到云端服务器；通过云端服务器建立基于深度学习算法的金融风控模型，并通过云端服务器所接收的数据训练已建立的所述金融风控模型；使用所述金融风控模型和云端服务器所接收的数据实时对所述待征信企业的征信风险进行判别。
第二方面，本公开实施例提供了一种计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行时实现上述的方法的步骤。
第三方面，本公开实施例提供了一种计算机设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述程序时实现上述的方法的步骤。
第四方面，本公开实施例提供了基于边缘计算的征信装置，所述装置包括：连接模块，用于边缘服务器与待征信企业现场部署的物联网终端进行电连接；获取与传输模块，用于获取所述待征信企业的数字信号数据，并通过网络传输至所述边缘服务器；计算与传输模块，用于所述边缘服务器通过对所述数字信号数据分别计算实时所述待征信企业的统计学特征，并将计算所得到的数据传输到云端服务器；建立与训练模块，用于通过云端服务器建立基于深度学习算法的金融风控模型，并通过云端服务器所接收的数据训练已建立的所述金融风控模型；征信判别模块，用于使用所述金融风控模型和云端服务器所接收的数据实时对所述待征信企业的征信风险进行判别。
本发明提供的基于边缘计算的征信方法和装置，边缘服务器与待征信企业现场部署的物联网终端进行电连接；获取所述待征信企业的数字信号数据，并通过网络传输至所述边缘服务器；所述边缘服务器通过对所述数字信号数据分别计算实时所述待征信企业的统计学特征，并将计算所得到的数据传输到云端服务器；通过云端服务器建立基于深度学习算法的金融风控模型，并通过云端服务器所接收的数据训练已建立的所述金融风控模型；使用所述金融风控模型和云端服务器所接收的数据实时对所述待征信企业的征信风险进行判别。该方法能够准确、快捷地完成针对小微企业征信操作，且具有征信安全性提升的可行性与易用性。
附图说明
为了更清楚地说明本公开实施例的技术方案，下面对实施例描述中所需要使用的附图作简单地介绍：
图1为本发明一个实施例中的基于边缘计算的征信方法的步骤流程示意图；
图2为本发明一个实施例中的基于边缘计算的征信装置的结构示意图；
图3为本发明一个实施例中的基于边缘计算的征信装置的硬件框图；
图4为本发明一个实施例中的计算机可读存储介质的示意图。
具体实施方式
下面结合附图和实施例对本申请进行进一步的详细介绍。
在下述介绍中，术语“第一”、“第二”仅为用于描述的目的，而不能理解为指示或暗示相对重要性。下述介绍提供了本公开的多个实施例，不同实施例之间可以替换或者合并组合，因此本申请也可认为包含所记载的相同和/或不同实施例的所有可能组合。因而，如果一个实施例包含特征A、B、C，另一个实施例包含特征B、D，那么本申请也应视为包括含有A、B、C、D的一个或多个所有其他可能的组合的实施例，尽管该实施例可能并未在以下内容中有明确的文字记载。
为了使本发明的目的、技术方案及优点更加清楚明白，以下通过实施例，并结合附图，对本发明基于边缘计算的征信方法和装置的具体实施方式进行进一步详细说明。应当理解，此处所描述的具体实施例仅用以解释本发明，并不用于限定本发明。
如图1所示，为一个实施例中的基于边缘计算的征信方法的流程示意图，具体包括以下步骤：
步骤11，边缘服务器与待征信企业现场部署的物联网终端进行电连接。
具体的，边缘服务器与待征信企业现场部署的物联网终端进行电连接包括：边缘服务器与待征信企业库房部署的物联网终端进行电连接；和/或边缘服务器与待征信企业厂房部署的物联网终端进行电连接。由此，提高了边缘服务器与待征信企业现场部署的物联网终端进行电连接的灵活性与可行性。
此外，还需要说明的是，边缘服务器与待征信企业现场部署的物联网终端进行电连接包括：对智能图像采集端、PLC、温湿度计、注塑机以及电表通过有线或无线连接进行组网；其中，所述温湿度计与PLC的第一特征端电连接；注塑机与PLC的第一特征端电连接，电表与PLC的第一特征端电连接；PLC的第二特征端与所述边缘服务器电连接；智能图像采集端与所述边缘服务器电连接。
举例说明，通过智能电表、水表、气表对待征信企业日常生产中的能源消耗进行数据采集。数据将通过RS485网络传输到本地的服务器上。通过对待征信企业关键生产工艺环节的设备进行PLC设备/方案部署，利用继电器采集关键的生产信息。每台设备将设有4台继电器，分别采集设备运行、停止、故障、开模等4类信号。其中，运行、停止、故障信号负责测量设备的运行时长，而开模数据则用来计算当前设备的产量。采集后的数据将通过无线/有线的方式，通过交换机传输到待征信企业的本地的边缘服务器上。交换机的接口数量则根据摄像头的数量而决定。
最后，可以从头部企业的数据对待征信企业的生产数据进行验真：头部企业，即待征信企业的客户，在派放订单时会规定“需求日期”，且在收到订单产品后会有入库信息，例如，入库日期、产品类型、产品数量、订单号，结合相应这两方面信息，可以匹配生产线上的产品，用于回溯匹配。由于视频识别技术可以做到对不同产品的精准识别，即属于头部企业的不同产品识别、不属于指定客户的不识别功能，因此也可以判断当前所生产的订单，因此一般情况下，供应商的订单不会出现重叠情况，一般由时间顺序排好。需要说明的是，订单号、产品类型、数量、需求时间可以形成“唯一主键”。
进一步地，还需要说明的是，边缘服务器包括：PLC终端数据处理模组、录像处理模组、数据处理模组、时序数据库、数据综合处理模组以及规则模型引擎；其中，所述数据处理模组的第一特征端与所述录像处理模组电连接，所述数据处理模组的第二特征端与所述时序数据库的第一特征端电连接，所述时序数据库的第二特征端与所述数据综合处理模组的第一特征端电连接，所述数据综合处理的第二特征端与所述规则模型引擎电连接。
具体的，从PLC终端数据处理模组获取指定的物理设备，例如压塑机，生产线，电表等的相关数据，并将数据推送至下游处理；智能图像采集端将摄像头采集的视频数据经过压缩和加密，传入并存储在边缘服务器上。一台与PLC、智能图像采集的端服务器，可以将所有边缘端产生的海量数据进行加密存储和备份，并对数据进行脱敏、清晰、指标化。
步骤12，获取所述待征信企业的数字信号数据，并通过网络传输至所述边缘服务器。
步骤13，所述边缘服务器通过对所述数字信号数据分别计算，以获得实时所述待征信企业的统计学特征，并将计算所得到的数据传输到云端服务器。其中，统计学特征包括时域特征：均值、方差、变异系数；频域特征：低频功率、高频功率、低高频功率比、总功率；
需要说明的是，将计算所得到的数据传输到云端服务器的步骤之前包括：对传输中和静止的数据均进行SHA256加密。由此，提高了征信数据的安全性与易用性。
步骤14，通过云端服务器建立基于深度学习算法的金融风控模型，并通过云端服务器所接收的数据训练已建立的所述金融风控模型。
步骤15，使用所述金融风控模型和云端服务器所接收的数据实时对所述待征信企业的征信风险进行判别。
具体的，所述使用所述金融风控模型和云端服务器所接收的数据实时对所述待征信企业的征信风险进行判别包括：采用双向长短时记忆神经网络将待征信企业的事件序列
Figure BDA0002581726150000061
作为循环神经网络的输入；将最后一个状态的输出
Figure BDA0002581726150000062
作为循环神经网络对所述待征信企业的所有历史记录信息的最终信息；将所述待征信企业的基本信息
Figure BDA0002581726150000063
与循环神经网络的输出
Figure BDA0002581726150000064
进行拼接，并将拼接后的信息定义为所述待征信企业当前的信息
Figure BDA0002581726150000065
选择所述待征信企业自注册至风险判别的任意一天作为查询日期对所述待征信企业的违约进行判别；若违约，记C＝1，且T的值为查询日期与违约日期之间的时间间隔；若不违约，记C＝0，T的值为查询日期至今的时间间隔。
其中，每个所述待征信企业可以表示为
Figure BDA0002581726150000066
根据实验对比结果，对所述待征信企业违约风险进行拟合的模型为威布尔风险回归模型，通过所述威布尔风险回归模型作为征信模型里的风险函数：
Figure BDA0002581726150000067
其中h0(t)＝ptp–1
通过最大化似然函数获取参数估计，其中，参数包括循环神经网中的参数和威布尔风险回归模型中的参数；通过训练得到参数估计后，所述待征信企业的信用度函数即可表示为：
Figure BDA0002581726150000068
其中
Figure BDA0002581726150000069
为根据预测变量和回归参数重新参数化的参数，是风险函数h中的参数部分；X为根据公司信息，神经网输出的公司特征；t为时间变量；S为企业信用度函数(生存函数)；β为是考克斯比例风险模型(Cox proportional-hazards model)中的回归系数，可以类比于线性回归中的回归系数。
威布尔分布：f(t)＝λ*p*t^(p-1)
其中，h0＝pt^(p-1):是基础风险函数，也是X＝0的情况下的风险函数。通常可以理解为，在考虑引入任何的样本信息(X)之前，这个事件的风险随时间变化的情况。p为形状参数(shape parameter)，p与1的大小关系决定h0关于时间t是一个增/减函数。。
模型通过最大化偏似然函数
Figure BDA0002581726150000071
获取最优的模型参数。其中R(ti)＝{j:Tj≥ti}，是在时刻ti仍有违约风险的个体的集合，K是观察到的违约时间个数。L(β)为偏似然函数，是模型的优化目标，通过最大化偏似然函数得到模型中的参数估计。直观的讲，L(β)衡量了根据我们已有的数据，真实参数的值为β的可能性。
本公开涉及的基于边缘计算的征信方法还包括：当针对企业的历史数据中某一事件判别结果的风险评分为4，则所述待征信企业为违约等级；当针对企业的历史数据中某一事件判别结果的风险评分为3，则所述待征信企业为后期-违约前兆等级；当针对企业的历史数据中某一事件判别结果的风险评分为2，则所述待征信企业为中期-风险升级等级；当针对企业的历史数据中某一事件判别结果的风险评分为1，则所述待征信企业为早期-疑似线索等级。
需要说明的是，对于任意一个企业，其大数据事件涵盖工商信息、财务收支等信息，记为
Figure BDA0002581726150000072
企业的历史大数据指的是该企业自注册之日起，按照时间的先后顺序发生的所有事件，如行政处罚、人员变更、企业重组等,记为{E0,E1,E2,...,En}。其中，每个事件Ei包含的信息包括：事件的类型、事件的风险等级、事件发生的时间间隔以及事件的具体内容等。
在真实情况下，一个企业的违约概率不仅与该公司的基本信息和曾经发生过的事件有关，还与各事件之间的时间间隔、最近发生的事件到当前的时间间隔有紧密的关联。因此，我们提出的征信模型通过创造性的引入“白事件”将时间间隔信息加入模型中以获得更好的表现。在本文中，如果一个企业的两个相邻事件Ei、Ei+1之间的时间间隔为t天，则在这两个事件之间插入一个“白事件”代表这段时间间隔。这样处理之后，“白事件”对应的时间间隔为t天，而Ei+1对应的时间间隔则为事件Ei+1与这个“白事件”之间的时间间隔，也即0天。所有事件之间均同上处理并重新整理下标后，企业的事件序列记为{E0,E1,E2,...,EN}。
此外，需要说明的是，对于事件Ei中的类别型变量，例如事件类型，通过将每类事件映射为一个可被训练的嵌入向量
Figure BDA0002581726150000081
对于数值型变量，例如时间间隔，则单独以一个标量ti表示；字符串类型的变量，例如事件的具体内容，则通过主题模型，将该段文字映射为向量
Figure BDA0002581726150000082
最后将这些变量进行拼接，也即
Figure BDA0002581726150000083
至此，企业的事件序列即为
Figure BDA0002581726150000084
进一步地，可以理解的是，我们所采用的征信模型将公司的事件序列
Figure BDA0002581726150000085
作为循环神经网络的输入,将最后一个状态(state)的输出
Figure BDA0002581726150000086
作为循环神经网络对该公司的所有历史记录信息的总结。实际上，单纯的循环神经网络因无法处理随着递归，权重指数级爆炸或梯度消失的问题，难以捕捉长期的时间关联。为解决上述问题，我们使用的征信模型创造性的结合表现更佳的BI-LSTM(双向长短时记忆神经网络)，它被认为是循环神经网络的一种主流网络架构，适合用于处理与时间序列高度相关的问题。
将该企业的基本信息
Figure BDA0002581726150000087
与循环神经网络的输出
Figure BDA0002581726150000088
拼接后作为企业当前的信息
Figure BDA0002581726150000091
选择该企业自注册至今的任意一天作为查询日期，则可知从查询日期至今，公司是否违约。若违约，记c＝1，且T的值为查询日期与违约日期之间的时间间隔；否则，C＝0，T的值为查询日期至今的时间间隔。相应地，企业的历史信息也只包括发生在查询日期之前的事件。
至此，每个企业都可以表示为
Figure BDA0002581726150000092
根据我们的实验对比结果，对企业违约风险提供最好拟合的是威布尔风险回归模型，我们用它作为征信模型里的风险函数
Figure BDA0002581726150000093
其中h0(t)＝ptp–1
通过最大化似然函数可以得到参数估计。参数包括循环神经网中的参数和威布尔风险回归模型中的参数。通过训练得到参数估计后，企业的信用度函数即可表示为
Figure BDA0002581726150000094
其中
Figure BDA0002581726150000095
为根据预测变量和回归参数重新参数化的参数，是风险函数h中的参数部分；X为根据公司信息，神经网输出的公司特征；t为时间变量；S为企业信用度函数(生存函数)；β为是考克斯比例风险模型(Cox proportional-hazards model)中的回归系数，可以类比于线性回归中的回归系数。
威布尔分布：f(t)＝λ*p*t^(p-1)
其中，h0＝pt^(p-1):是基础风险函数，也是X＝0的情况下的风险函数。通常可以理解为，在考虑引入任何的样本信息(X)之前，这个事件的风险随时间变化的情况。p为形状参数(shape parameter)，p与1的大小关系决定h0关于时间t是一个增/减函数。。
模型通过最大化偏似然函数
Figure BDA0002581726150000101
获取最优的模型参数。其中R(ti)＝{j:Tj≥ti}，是在时刻ti仍有违约风险的个体的集合，K是观察到的违约时间个数。L(β)为偏似然函数，是模型的优化目标，通过最大化偏似然函数得到模型中的参数估计。直观的讲，L(β)衡量了根据我们已有的数据，真实参数的值为β的可能性。
在本实施例中，边缘服务器与待征信企业现场部署的物联网终端进行电连接；获取所述待征信企业的数字信号数据，并通过网络传输至所述边缘服务器；所述边缘服务器通过对所述数字信号数据分别计算获得所述待征信企业的统计学特征，并将计算所得到的数据传输到云端服务器；通过云端服务器建立基于深度学习算法的金融风控模型，并通过云端服务器所接收的数据训练已建立的所述金融风控模型；使用所述金融风控模型和云端服务器所接收的数据实时对所述待征信企业的征信风险进行判别。该方法解决信息孤岛及逆向选择等问题。依靠物与物、物与人之间的信息、资金、实物交互信息，实施智能识别、定位、跟踪、监控以及管理，实时掌握企业制造、运营情况，实现了质押清单与库存实物、贷款额度与质押价值的对应，并可以实时跟踪融资企业的原材料采购情况、生产情况、销售情况、运输情况和仓储情况，从而可以及时采取措施，减少资金回流的风险。且能够准确、快捷地完成针对小微企业征信操作，且具有征信安全性提升的可行性与易用性。
基于同一发明构思，还提供了基于边缘计算的征信装置。由于此装置解决问题的原理与前述基于边缘计算的征信方法相似，因此，该装置的实施可以按照前述方法的具体步骤实现，重复之处不再赘述。
如图2所示，为一个实施例中的基于边缘计算的征信装置的结构示意图。该基于边缘计算的征信装置10包括：连接模块100、获取与传输模块200、计算与传输模块300、建立与训练模块400和征信判别模块500。
其中，连接模块100用于边缘服务器与待征信企业现场部署的物联网终端进行电连接；获取与传输模块200用于获取所述待征信企业的数字信号数据，并通过网络传输至所述边缘服务器；计算与传输模块300用于所述边缘服务器通过对所述数字信号数据分别计算，以获取实时所述待征信企业的统计学特征，并将计算所得到的数据传输到云端服务器；建立与训练模块400用于通过云端服务器建立基于深度学习算法的金融风控模型，并通过云端服务器所接收的数据训练并完善已建立的所述金融风控模型；征信判别模块500用于使用所述金融风控模型和云端服务器所接收的数据实时对所述待征信企业的征信风险进行判别。
在本实施例中，通过连接模块使得边缘服务器与待征信企业现场部署的物联网终端进行电连接；再通过获取与传输模块获取所述待征信企业的数字信号数据，并通过网络传输至所述边缘服务器；再通过计算与传输模块使得所述边缘服务器通过对所述数字信号数据分别计算实时所述待征信企业的统计学特征，并将计算所得到的数据传输到云端服务器；再通过建立与训练模块使得通过云端服务器建立基于深度学习算法的金融风控模型，并通过云端服务器所接收的数据训练已建立的所述金融风控模型；最后通过征信判别模块使得使用所述金融风控模型和云端服务器所接收的数据实时对所述待征信企业的征信风险进行判别。该装置解决信息孤岛及逆向选择等问题。依靠物与物、物与人之间的信息、资金、实物交互信息，实施智能识别、定位、跟踪、监控以及管理，实时掌握企业制造、运营情况，实现了质押清单与库存实物、贷款额度与质押价值的对应，并可以实时跟踪融资企业的原材料采购情况、生产情况、销售情况、运输情况和仓储情况，从而可以及时采取措施，减少资金回流的风险。且能够准确、快捷地完成针对小微企业征信操作，且具有征信安全性提升的可行性与易用性。
图3是图示根据本公开的实施例的基于边缘计算的征信装置的硬件框图。如图3所示，根据本公开实施例的基于边缘计算的征信装置30包括存储器301和处理器302。基于边缘计算的征信装置30中的各组件通过总线系统和/或其它形式的连接机构(未示出)互连。
存储器301用于存储非暂时性计算机可读指令。具体地，存储器301可以包括一个或多个计算机程序产品，计算机程序产品可以包括各种形式的计算机可读存储介质，例如易失性存储器和/或非易失性存储器。易失性存储器例如可以包括随机存取存储器(RAM)和/或高速缓冲存储器(cache)等。非易失性存储器例如可以包括只读存储器(ROM)、硬盘、闪存等。
处理器302可以是中央处理单元(CPU)或者具有数据处理能力和/或指令执行能力的其它形式的处理单元，并且可以控制基于边缘计算的征信装置30中的其它组件以执行期望的功能。在本公开的一个实施例中，所述处理器302用于运行存储器301中存储的计算机可读指令，使得基于边缘计算的征信装置30执行上述基于边缘计算的征信方法。基于边缘计算的征信装置与上述基于边缘计算的征信方法描述的实施例相同，在此将省略其重复描述。
图4是图示根据本公开的实施例的计算机可读存储介质的示意图。如图4所示，根据本公开实施例的计算机可读存储介质400其上存储有非暂时性计算机可读指令401。当所述非暂时性计算机可读指令401由处理器运行时，执行参照上述描述的根据本公开实施例的基于边缘计算的征信方法。
以上，根据本公开实施例的基于边缘计算的征信方法和装置，以及计算机可读存储介质能够准确、快捷地完成商户订单创建操作，且具有支付安全性提升的可行性与易用性的有益效果。
以上结合具体实施例描述了本公开的基本原理，但是，需要指出的是，在本公开中提及的优点、优势、效果等仅是示例而非限制，不能认为这些优点、优势、效果等是本公开的各个实施例必须具备的。另外，上述公开的具体细节仅是为了示例的作用和便于理解的作用，而非限制，上述细节并不限制本公开为必须采用上述具体的细节来实现。
本公开中涉及的器件、装置、设备、系统的方框图仅作为例示性的例子并且不意图要求或暗示必须按照方框图示出的方式进行连接、布置、配置。如本领域技术人员将认识到的，可以按任意方式连接、布置、配置这些器件、装置、设备、系统。诸如“包括”、“包含”、“具有”等等的词语是开放性词汇，指“包括但不限于”，且可与其互换使用。这里所使用的词汇“或”和“和”指词汇“和/或”，且可与其互换使用，除非上下文明确指示不是如此。这里所使用的词汇“诸如”指词组“诸如但不限于”，且可与其互换使用。
另外，如在此使用的，在以“至少一个”开始的项的列举中使用的“或”指示分离的列举，以便例如“A、B或C的至少一个”的列举意味着A或B或C，或AB或AC或BC，或ABC(即A和B和C)。此外，措辞“示例的”不意味着描述的例子是优选的或者比其他例子更好。
还需要指出的是，在本公开的系统和方法中，各部件或各步骤是可以分解和/或重新组合的。这些分解和/或重新组合应视为本公开的等效方案。
可以不脱离由所附权利要求定义的教导的技术而进行对在此所述的技术的各种改变、替换和更改。此外，本公开的权利要求的范围不限于以上所述的处理、机器、制造、事件的组成、手段、方法和动作的具体方面。可以利用与在此所述的相应方面进行基本相同的功能或者实现基本相同的结果的当前存在的或者稍后要开发的处理、机器、制造、事件的组成、手段、方法或动作。因而，所附权利要求包括在其范围内的这样的处理、机器、制造、事件的组成、手段、方法或动作。
提供所公开的方面的以上描述以使本领域的任何技术人员能够做出或者使用本公开。对这些方面的各种修改对于本领域技术人员而言是非常显而易见的，并且在此定义的一般原理可以应用于其他方面而不脱离本公开的范围。因此，本公开不意图被限制到在此示出的方面，而是按照与在此公开的原理和新颖的特征一致的最宽范围。
为了例示和描述的目的已经给出了以上描述。此外，此描述不意图将本公开的实施例限制到在此公开的形式。尽管以上已经讨论了多个示例方面和实施例，但是本领域技术人员将认识到其某些变型、修改、改变、添加和子组合。

Claims (10)

1.基于边缘计算的征信方法，其特征在于，所述方法包括：
边缘服务器与待征信企业现场部署的物联网终端进行电连接；
获取所述待征信企业的数字信号数据，并通过网络传输至所述边缘服务器；
所述边缘服务器通过对所述数字信号数据分别计算实时获得所述待征信企业的统计学特征，并将计算所得到的数据传输到云端服务器；
通过云端服务器建立基于深度学习算法的金融风控模型，并通过云端服务器所接收的数据训练已建立的所述金融风控模型；
使用所述金融风控模型和云端服务器所接收的数据实时对所述待征信企业的征信风险进行判别。
2.根据权利要求1所述的基于边缘计算的征信方法，其特征在于，所述将计算所得到的数据传输到云端服务器的步骤之前包括：
对传输中和静止的数据均进行SHA256加密。
3.根据权利要求1所述的基于边缘计算的征信方法，其特征在于，所述边缘服务器与待征信企业现场部署的物联网终端进行电连接包括：
边缘服务器与待征信企业库房部署的物联网终端进行电连接；和/或
边缘服务器与待征信企业厂房部署的物联网终端进行电连接。
4.根据权利要求1或3所述的基于边缘计算的征信方法，其特征在于，所述边缘服务器与待征信企业现场部署的物联网终端进行电连接包括：
对智能图像采集端、PLC、温湿度计、注塑机以及电表通过有线或无线连接进行组网；
其中，所述温湿度计与PLC的第一特征端电连接；注塑机与PLC的第一特征端电连接，电表与PLC的第一特征端电连接；PLC的第二特征端与所述边缘服务器电连接；智能图像采集端与所述边缘服务器电连接。
5.根据权利要求1-4任一项所述的基于边缘计算的征信方法，其特征在于，所述边缘服务器包括：PLC终端数据处理模组、录像处理模组、数据处理模组、时序数据库、数据综合处理模组以及规则模型引擎；
其中，所述数据处理模组的第一特征端与所述录像处理模组电连接，所述数据处理模组的第二特征端与所述时序数据库的第一特征端电连接，所述时序数据库的第二特征端与所述数据综合处理模组的第一特征端电连接，所述数据综合处理的第二特征端与所述规则模型引擎电连接。
6.根据权利要求1所述的基于边缘计算的征信方法，其特征在于，还包括：当针对企业的历史数据中某一事件判别结果的风险评分为4，则所述待征信企业为违约等级；
当针对企业的历史数据中某一事件判别结果的风险评分为3，则所述待征信企业为后期-违约前兆等级；
当针对企业的历史数据中某一事件判别结果的风险评分为2，则所述待征信企业为中期-风险升级等级；
当针对企业的历史数据中某一事件判别结果的风险评分为1，则所述待征信企业为早期-疑似线索等级。
7.根据权利要求1所述的基于边缘计算的征信方法，其特征在于，所述使用所述金融风控模型和云端服务器所接收的数据实时对所述待征信企业的征信风险进行判别包括：采用双向长短时记忆神经网络将待征信企业的事件序列
Figure FDA0002581726140000021
作为循环神经网络的输入；
将最后一个状态的输出
Figure FDA0002581726140000022
作为循环神经网络对所述待征信企业的所有历史记录信息的最终信息；
将所述待征信企业的基本信息
Figure FDA0002581726140000023
与循环神经网络的输出
Figure FDA0002581726140000024
进行拼接，并将拼接后的信息定义为所述待征信企业当前的信息
Figure FDA0002581726140000025
选择所述待征信企业自注册至风险判别的任意一天作为查询日期对所述待征信企业的违约进行判别；
若违约，记C＝1，且T的值为查询日期与违约日期之间的时间间隔；
若不违约，记C＝0，T的值为查询日期至今的时间间隔；
其中，每个所述待征信企业可以表示为
Figure FDA0002581726140000031
根据实验对比结果，对所述待征信企业违约风险进行拟合的模型为威布尔风险回归模型，通过所述威布尔风险回归模型作为征信模型里的风险函数：
Figure FDA0002581726140000032
其中，h0(t)＝ptp–1
通过最大化似然函数获取参数估计，其中，参数包括循环神经网中的参数和威布尔风险回归模型中的参数；通过训练得到参数估计后，所述待征信企业的信用度函数即可表示为：
Figure FDA0002581726140000033
其中，
Figure FDA0002581726140000034
为根据预测变量和回归参数重新参数化的参数，为风险函数h中的参数部分；X为根据公司信息，神经网输出的公司特征；t为时间变量；S为企业信用度函数，即生存函数；β为是考克斯比例风险模型中的回归系数；
威布尔分布为f(t)＝λ*p*t^(p-1)
其中，h0＝pt^(p-1):是基础风险函数，p为形状参数，p与1的大小关系决定h0关于时间t是一个增/减函数；
模型通过最大化偏似然函数为：
Figure FDA0002581726140000035
获取最优的模型参数；其中，R(ti)＝{j:Tj≥ti}，是在时刻ti仍有违约风险的个体的集合，K是观察到的违约时间个数，L(β)为偏似然函数，为模型的优化目标，通过最大化偏似然函数得到模型中的参数估计，L(β)衡量已有的数据，真实参数的值为β的可能性。
8.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，该程序被处理器执行时实现所述权利要求1-7中任一项所述方法的步骤。
9.一种计算机设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，其特征在于，所述处理器执行所述程序时实现所述权利要求1-7中任一项所述方法的步骤。
10.基于边缘计算的征信装置，其特征在于，所述装置包括：
连接模块，用于边缘服务器与待征信企业现场部署的物联网终端进行电连接；
获取与传输模块，用于获取所述待征信企业的数字信号数据，并通过网络传输至所述边缘服务器；
计算与传输模块，用于所述边缘服务器通过对所述数字信号数据分别计算获得实时所述待征信企业的统计学特征，并将计算所得到的数据传输到云端服务器；
建立与训练模块，用于通过云端服务器建立基于深度学习算法的金融风控模型，并通过云端服务器所接收的数据训练已建立的所述金融风控模型；
征信判别模块，用于使用所述金融风控模型和云端服务器所接收的数据实时对所述待征信企业的征信风险进行判别。
CN202010669510.3A 2020-07-13 2020-07-13 基于边缘计算的征信方法和装置 Pending CN111815463A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010669510.3A CN111815463A (zh) 2020-07-13 2020-07-13 基于边缘计算的征信方法和装置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010669510.3A CN111815463A (zh) 2020-07-13 2020-07-13 基于边缘计算的征信方法和装置

Publications (1)

Publication Number Publication Date
CN111815463A true CN111815463A (zh) 2020-10-23

Family

ID=72841850

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010669510.3A Pending CN111815463A (zh) 2020-07-13 2020-07-13 基于边缘计算的征信方法和装置

Country Status (1)

Country Link
CN (1) CN111815463A (zh)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116822751A (zh) * 2023-08-28 2023-09-29 中国标准化研究院 一种用于企业风险预测的系统及方法
WO2024153960A1 (en) * 2023-01-20 2024-07-25 Appello Kft. Model generation system using artificial intelligence

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN105259816A (zh) * 2015-11-04 2016-01-20 福建省农村信用社联合社 基于无线传感网络的银行动态信贷监控系统和方法
CN109146676A (zh) * 2018-11-07 2019-01-04 深圳行知聚能科技发展有限公司 一种中小微贷款风险实时监控系统及方法
CN109657890A (zh) * 2018-09-14 2019-04-19 阿里巴巴集团控股有限公司 一种转账欺诈的风险确定方法及装置
CN109657976A (zh) * 2018-12-19 2019-04-19 重庆誉存大数据科技有限公司 一种基于Cox回归预测的企业风险失信模型
CN110864739A (zh) * 2019-11-28 2020-03-06 浙江翰德圣智能再制造技术有限公司 基于无线物联网的设备监测分析系统及其监测分析方法
US20200202429A1 (en) * 2018-05-06 2020-06-25 Strong Force TX Portfolio 2018, LLC System and method of an automated agent to automatically implement loan activities based on loan status

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN105259816A (zh) * 2015-11-04 2016-01-20 福建省农村信用社联合社 基于无线传感网络的银行动态信贷监控系统和方法
US20200202429A1 (en) * 2018-05-06 2020-06-25 Strong Force TX Portfolio 2018, LLC System and method of an automated agent to automatically implement loan activities based on loan status
CN109657890A (zh) * 2018-09-14 2019-04-19 阿里巴巴集团控股有限公司 一种转账欺诈的风险确定方法及装置
CN109146676A (zh) * 2018-11-07 2019-01-04 深圳行知聚能科技发展有限公司 一种中小微贷款风险实时监控系统及方法
CN109657976A (zh) * 2018-12-19 2019-04-19 重庆誉存大数据科技有限公司 一种基于Cox回归预测的企业风险失信模型
CN110864739A (zh) * 2019-11-28 2020-03-06 浙江翰德圣智能再制造技术有限公司 基于无线物联网的设备监测分析系统及其监测分析方法

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2024153960A1 (en) * 2023-01-20 2024-07-25 Appello Kft. Model generation system using artificial intelligence
CN116822751A (zh) * 2023-08-28 2023-09-29 中国标准化研究院 一种用于企业风险预测的系统及方法

Similar Documents

Publication Publication Date Title
Brännäs et al. Integer-valued moving average modelling of the number of transactions in stocks
Areekul et al. Notice of violation of ieee publication principles: A hybrid arima and neural network model for short-term price forecasting in deregulated market
Sherrick et al. Crop insurance valuation under alternative yield distributions
TWI690865B (zh) 交易量的預測方法及裝置
JP2020523715A (ja) 不正取引の改善された検出
US20230306449A1 (en) Pre-processing financial market data prior to machine learning training
CN109784388A (zh) 窃电用户识别方法和装置
CN111815463A (zh) 基于边缘计算的征信方法和装置
CN107958297B (zh) 一种产品需求预测方法及产品需求预测装置
CN117473048B (zh) 基于数据挖掘的财务异常数据监测分析系统及方法
CN113743643B (zh) 一种确定商品数据预测准确率的方法、装置、设备和介质
CN111340375A (zh) 一种电费回收风险预测方法、装置、电子设备及存储介质
CN113780329A (zh) 用于识别数据异常的方法、装置、服务器和介质
CN111833196A (zh) 基于大数据征信的金融风控模型构建方法和装置
CN115757623A (zh) 一种对账方法、对账系统和电子设备
Wang Short‐term forecast of pig price index on an agricultural internet platform
Stødle et al. Data‐driven predictive modeling in risk assessment: Challenges and directions for proper uncertainty representation
CN116881242A (zh) 一种生鲜农产品电商采购数据智能存储系统
CN110942180A (zh) 基于xgboost算法的工业设计匹配服务方预测方法
CN116664306A (zh) 风控规则的智能推荐方法、装置、电子设备及介质
CN111553726B (zh) 一种基于hmm的刷单预测系统及方法
CN113343577B (zh) 一种基于机器学习的参数优化方法、装置、设备及介质
CN113763032B (zh) 一种商品购买意愿识别方法及装置
CN115719275A (zh) 基于交易数据的风险监测方法及装置、电子设备
JP7344609B2 (ja) 確定値及び推定値に基づくデータ定量化方法

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