CN113298120A - 基于融合模型的用户风险预测方法、系统和计算机设备 - Google Patents

基于融合模型的用户风险预测方法、系统和计算机设备 Download PDF

Info

Publication number
CN113298120A
CN113298120A CN202110473736.0A CN202110473736A CN113298120A CN 113298120 A CN113298120 A CN 113298120A CN 202110473736 A CN202110473736 A CN 202110473736A CN 113298120 A CN113298120 A CN 113298120A
Authority
CN
China
Prior art keywords
user
data
model
predicted
time
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
CN202110473736.0A
Other languages
English (en)
Other versions
CN113298120B (zh
Inventor
姜润洲
丁楠
苏绥绥
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.)
Shanghai Qiyue Information Technology Co Ltd
Original Assignee
Shanghai Qiyue 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 Qiyue Information Technology Co Ltd filed Critical Shanghai Qiyue Information Technology Co Ltd
Priority to CN202110473736.0A priority Critical patent/CN113298120B/zh
Publication of CN113298120A publication Critical patent/CN113298120A/zh
Application granted granted Critical
Publication of CN113298120B publication Critical patent/CN113298120B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/25—Fusion techniques
    • 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
    • G06Q10/00—Administration; Management
    • G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
    • 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
    • G06Q10/00—Administration; Management
    • G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
    • G06Q10/063—Operations research, analysis or management
    • G06Q10/0635—Risk analysis of enterprise or organisation activities

Landscapes

  • Engineering & Computer Science (AREA)
  • Business, Economics & Management (AREA)
  • Theoretical Computer Science (AREA)
  • Human Resources & Organizations (AREA)
  • Strategic Management (AREA)
  • General Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • Economics (AREA)
  • Physics & Mathematics (AREA)
  • Entrepreneurship & Innovation (AREA)
  • General Engineering & Computer Science (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Artificial Intelligence (AREA)
  • Development Economics (AREA)
  • Evolutionary Computation (AREA)
  • Game Theory and Decision Science (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Evolutionary Biology (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Marketing (AREA)
  • Operations Research (AREA)
  • Quality & Reliability (AREA)
  • Tourism & Hospitality (AREA)
  • General Business, Economics & Management (AREA)
  • Educational Administration (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本发明提供了一种基于融合模型的用户风险预测方法、系统和计算机设备。该方法包括：获取历史用户的资源使用表现数据、用户风险数据，并基于切分参数建立多个子训练数据集和子测试数据集；建立基于切分参数的多个基模型，并使用相应子训练数据集训练对应基模型，对多个基模型进行融合处理，得到初始融合模型；获取待预测用户的资源使用表现数据，确定与该预测用户相对应的基模型以及用于增量学习的训练数据集，进行二次融合处理，得到与待预测用户相对应的最终融合模型；使用最终融合模型，计算待预测用户的风险值，预测所述待预测用户的资源使用状态。本发明实现了更精确的用户群分类，更精确预测了用户的资源使用状态，提高了模型精度。

Description

基于融合模型的用户风险预测方法、系统和计算机设备
技术领域
本发明涉及计算机信息处理领域，具体而言，涉及一种基于融合模型的用户风险预测方法、系统和计算机设备。
背景技术
风险预测是对风险的量化，是风险管理的关键性技术。目前一般通过建模的方式进行风险预测，在模型的建立过程中，主要有数据抽取、特征生成、特征选取、算法模型生成和合理性评估等步骤。
在现有技术中，金融风险预测主要的目的是如何区分出好客户和坏客户，评估用户的风险情况，以降低信用风险，并实现利润最大化。此外，随着数据的来源渠道越来越丰富，可以作为风险特征变量的数据也越来越多。但是，例如用户数据及其他相关数据等很多数据在使用时并未考虑时间因素引起的变化，由此，在使用上述数据进行模型计算时，导致模型计算值不够准确，甚至对于一些用户的风险评估的准确性较低。由此，在模型精度提高或模型优化、数据提取等方面仍存在很大改进空间。
因此，有必要提供一种新的用户风险预测方法，以进一步提高模型精度，并更精确地预测不同用户的风险情况。
发明内容
鉴于上述问题，本发明提供了一种基于融合模型的用户风险预测方法，其用于对分配有资源的用户在资源使用期间的资源使用状态变更进行预测，包括：获取历史用户的资源使用表现数据、用户风险数据，并基于切分参数建立多个子训练数据集和子测试数据集，所述历史用户为在资源使用期间发生了资源使用状态变更的用户群，所述资源使用表现数据包括使用状态变更数据，所述切分参数为单维度或多维度；建立基于切分参数的多个基模型，并使用相应子训练数据集训练对应基模型，对所述多个基模型进行融合处理，得到初始融合模型；获取待预测用户的资源使用表现数据，确定与该预测用户相对应的基模型以及用于增量学习的训练数据集，在所述初始融合模型的基础上二次融合处理，得到与待预测用户相对应的最终融合模型；使用所述最终融合模型，计算待预测用户的风险值，预测所述待预测用户的资源使用状态。
优选地，所述切分参数包括时间参数和/或渠道参数，其中，该时间参数用于表征将用户的资源使用总时间等间隔划分的时间段，所述时间参数包括资源使用总时间、间隔时间，该资源使用总时间包括6个月、12个月和24个月，间隔时间包括十五天、三十天、六十天；该渠道参数用于表征用户群的数据渠道，所述渠道参数包括渠道类型、渠道名称、与渠道相关的用户交易数据。
优选地，所述对所述多个基模型进行融合处理，以得到初始融合模型包括：使用机器学习模型学习各基模型的资源使用表现数据与用户风险数据征数据的对应关系、以及所述基模型之间的数据分布变化，得到与各基模型相对应的初始权重系数，并拟合生成与初始融合模型相对应的趋势图。
优选地，所述获取待预测用户的资源使用表现数据，确定与该预测用户相对应的基模型以及用于增量学习的训练数据集包括：确定待预测用户的时间特征数据，该时间特征数据包括资源使用总时间T、使用期数T1～Tn、当前资源使用时间Tn，以及该待预测的资源使用时间Tn+t；使用所述初始融合模型的拟合趋势图，计算该预测用户在资源使用时间Tn+t的用户风险计算值，选出与该用户风险计算值最接近的基模型，并确定资源使用时间为Tn所对应的一个或多个子训练数据集作为增量学习的训练数据集，所述最接近的基模型为一个或多个。
优选地，所述在所述初始融合模型的基础上二次融合处理，得到与待预测用户相对应的最终融合模型包括：对所最接近的基模型的初始权重系数进行调整，并使各基模型使用所确定的训练数据集进行增量学习，以得到与待预测用户相对应的最终融合模型。
优选地，还包括：将待预测用户的时间特征数据、与渠道参数相对应的渠道特征数据、资源使用表现数据，输入所述最终融合模型，计算所述预测用户的风险值，该风险值为0～1之间的数值；根据所计算的风险值，确定用户资源使用状态，该用户资源使用状态包括与风险级别相对应的第一风险状态、第二风险状态、第三风险状态。
优选地，还包括：设定评价指标，通过计算所述评价指标，使用相应子测试数据集，对所述初始融合模型的模型参数进行调整，所述评价指标包括ROC指标、AUC指标，所述模型参数包括各基模型的权重系数；在所计算的评价指标小于特定阈值时，结束所述初始融合模型的模型参数的调整。
优选地，所述资源使用表现数据包括在资源使用的特定时间内的动支次数或频率、在自特定资源使用时间起特定时间内资源未归还数据和未归还次数以及催收数据，所述用户风险数据包括逾期数据和/或违约数据。
此外，本发明还提供了一种基于融合模型的用户风险预测系统，其用于对分配有资源的用户在资源使用期间的资源使用状态变更进行预测，包括：获取处理模块，用于获取历史用户的资源使用表现数据、用户风险数据，并基于切分参数建立多个子训练数据集和子测试数据集，所述历史用户为在资源使用期间发生了资源使用状态变更的用户群，所述资源使用表现数据包括使用状态变更数据，所述切分参数为单维度或多维度；建立模块，用于建立基于切分参数的多个基模型，并使用相应子训练数据集训练对应基模型，对所述多个基模型进行融合处理，得到初始融合模型；处理模块，用于获取待预测用户的资源使用表现数据，确定与该预测用户相对应的基模型以及用于增量学习的训练数据集，在所述初始融合模型的基础上二次融合处理，得到与待预测用户相对应的最终融合模型；预测模块，用于使用所述最终融合模型，计算待预测用户的风险值，预测所述待预测用户的资源使用状态。
优选地，所述切分参数包括时间参数和/或渠道参数，其中，该时间参数用于表征将用户的资源使用总时间等间隔划分的时间段，所述时间参数包括资源使用总时间、间隔时间，该资源使用总时间包括6个月、12个月和24个月，间隔时间包括十五天、三十天、六十天；该渠道参数用于表征用户群的数据渠道，所述渠道参数包括渠道类型、渠道名称、与渠道相关的用户交易数据。
优选地，所述对所述多个基模型进行融合处理，以得到初始融合模型包括：使用机器学习模型学习各基模型的资源使用表现数据与用户风险数据征数据的对应关系、以及所述基模型之间的数据分布变化，得到与各基模型相对应的初始权重系数，并拟合生成与初始融合模型相对应的趋势图。
优选地，还包括确定模块，所述确定模块用于确定待预测用户的时间特征数据，该时间特征数据包括资源使用总时间T、使用期数T1～Tn、当前资源使用时间Tn，以及该待预测的资源使用时间Tn+t；使用所述初始融合模型的拟合趋势图，计算该预测用户在资源使用时间Tn+t的用户风险计算值，选出与该用户风险计算值最接近的基模型，并确定资源使用时间为Tn所对应的一个或多个子训练数据集作为增量学习的训练数据集，所述最接近的基模型为一个或多个。
优选地，所述在所述初始融合模型的基础上二次融合处理，得到与待预测用户相对应的最终融合模型包括：对所最接近的基模型的初始权重系数进行调整，并使各基模型使用所确定的训练数据集进行增量学习，以得到与待预测用户相对应的最终融合模型。
优选地，还包括：将待预测用户的时间特征数据、与渠道参数相对应的渠道特征数据、资源使用表现数据，输入所述最终融合模型，计算所述预测用户的风险值，该风险值为0～1之间的数值；根据所计算的风险值，确定用户资源使用状态，该用户资源使用状态包括与风险级别相对应的第一风险状态、第二风险状态、第三风险状态。
优选地，还包括调整模块，所述调整模块用于设定评价指标，通过计算所述评价指标，使用相应子测试数据集，对所述初始融合模型的模型参数进行调整，所述评价指标包括ROC指标、AUC指标，所述模型参数包括各基模型的权重系数；在所计算的评价指标小于特定阈值时，结束所述初始融合模型的模型参数的调整。
优选地，所述资源使用表现数据包括在资源使用的特定时间内的动支次数或频率、在自特定资源使用时间起特定时间内资源未归还数据和未归还次数以及催收数据，所述用户风险数据包括逾期数据和/或违约数据。
此外，本发明还提供了一种计算机设备，包括处理器和存储器，所述存储器用于存储计算机可执行程序，当所述计算机程序被所述处理器执行时，所述处理器执行如本发明所述的用户风险预测方法。
此外，本发明还提供了一种计算机程序产品，存储有计算机可执行程序，所述计算机可执行程序被执行时，实现如本发明所述的用户风险预测方法。
有益效果
与现有技术相比，本发明基于切分参数建立多个子训练数据集和子测试数据集，能够实现更精确的用户群分类；通过建立基于切分参数的多个基模型，并进行两次融合处理，得到融合模型，能够得到更准确的资源使用表现数据与用户风险数据征数据的对应关系，并能够得到包括基模型之间的样本数据分布变化的趋势图，能够更精确地预测用户的资源使用状态，能够更有效地预测用户风险情况，还能够提高模型精度。
进一步地，通过模型参数优化的步骤，能够进一步优化初始融合模型的模型参数，并能够得到更精确的融合模型以提高模型精度；通过确定与待预测用户相对应的融合模型，能够更精确地预测用户风险状态，并能够提高模型精度；能够从时间维度提取用户资源使用表现数据的变化，能够更有效提取用户数据，并建立子训练数据集以用于训练模型，由此提高模型精度。
附图说明
为了使本发明所解决的技术问题、采用的技术手段及取得的技术效果更加清楚，下面将参照附图详细描述本发明的具体实施例。但需声明的是，下面描述的附图仅仅是本发明本发明示例性实施例的附图，对于本领域的技术人员来讲，在不付出创造性劳动的前提下，可以根据这些附图获得其他实施例的附图。
图1是本发明的实施例1的基于融合模型的用户风险预测方法的一示例的流程图。
图2是本发明的实施例1的基于融合模型的用户风险预测方法的另一示例的流程图。
图3是本发明的实施例1的基于融合模型的用户风险预测方法的又一示例的流程图。
图4是本发明的实施例2的基于融合模型的用户风险预测系统的一示例的示意图。
图5是本发明的实施例2的基于融合模型的用户风险预测系统的另一示例的示意图。
图6是本发明的实施例2的基于融合模型的用户风险预测系统的又一示例的示意图。
图7是根据本发明的一种计算机设备的示例性实施例的结构框图。
图8是根据本发明的计算机程序产品的示例性实施例的结构框图。
具体实施方式
现在将参考附图更全面地描述本发明的示例性实施例。然而，示例性实施例能够以多种形式实施，且不应被理解为本发明仅限于在此阐述的实施例。相反，提供这些示例性实施例能够使得本发明更加全面和完整，更加便于将发明构思全面地传达给本领域的技术人员。在图中相同的附图标记表示相同或类似的元件、组件或部分，因而将省略对它们的重复描述。
在符合本发明的技术构思的前提下，在某个特定的实施例中描述的特征、结构、特性或其他细节不排除可以以合适的方式结合在一个或更多其他的实施例中。
在对于具体实施例的描述中，本发明描述的特征、结构、特性或其他细节是为了使本领域的技术人员对实施例进行充分理解。但是，并不排除本领域技术人员可以实践本发明的技术方案而没有特定特征、结构、特性或其他细节的一个或更多。
附图中所示的流程图仅是示例性说明，不是必须包括所有的内容和操作/步骤，也不是必须按所描述的顺序执行。例如，有的操作/步骤还可以分解，而有的操作/步骤可以合并或部分合并，因此实际执行的顺序有可能根据实际情况改变。
附图中所示的方框图仅仅是功能实体，不一定必须与物理上独立的实体相对应。即，可以采用软件形式来实现这些功能实体，或在一个或多个硬件模块或集成电路中实现这些功能实体，或在不同网络和/或处理器装置和/或微控制器装置中实现这些功能实体。
应理解，虽然本文中可能使用第一、第二、第三等表示编号的定语来描述各种器件、元件、组件或部分，但这不应受这些定语限制。这些定语乃是用以区分一者与另一者。例如，第一器件亦可称为第二器件而不偏离本发明实质的技术方案。
术语“和/或”或者“及/或”包括相关联的列出项目中的任一个及一或多者的所有组合。
鉴于上述问题，本发明提出了一种基于融合模型的用户风险预测方法。本发明基于切分参数建立多个子训练数据集和子测试数据集，能够实现更精确的用户群分类；通过建立基于切分参数的多个基模型，并进行两次融合处理，得到融合模型，能够得到更准确的资源使用表现数据与用户风险数据征数据的对应关系，并能够得到包括基模型之间的样本数据分布变化的趋势图，能够更精确地预测用户的资源使用状态，能够更有效地预测用户风险情况，还能够提高模型精度。
此外，从与资源使用相关的时间维度、交易维度、用户渠道(用户来源)、用户资源使用表现数据类型及数量等多维度进行更有效的数据提取，能够建立更合理且更准确的与各用户群相对应的子训练数据集，建立相应多个基模型并进行两次融合以得到融合模型，能够实现对不同时间分段内的用户群进行精确预测。
需要说明的是，本发明中，资源是指任何可被利用的物质、信息、时间，信息资源包括计算资源和各种类型的数据资源。数据资源包括各个领域中的各种专用数据。本发明的创新之处在于如何使用服务器和客户端之间的信息交互技术来对分配有资源的用户资源状态的预测过程更加自动化、高效和减小人力成本。由此，从本质上来说，本发明可以应用于各类资源分配与归还时的风险预测，不仅限于上述资源，包括实体的货物、水、电，以及有意义的资料等。但是，为了方便起见，本发明中以金融相关数据资源为例进行说明分配有资源的用户风险预测的实施，但本领域技术人员应当理解，本发明亦可以用于其他资源的风险预测。
实施例1
下面，将参照图1至图3描述本发明的基于融合模型的用户风险预测方法的实施例。
图1为本发明的基于融合模型的用户风险预测方法的一示例的流程图。如图1所示，该方法包括如下步骤。
步骤S101，获取历史用户的资源使用表现数据、用户风险数据，并基于切分参数建立多个子训练数据集和子测试数据集，所述历史用户为在资源使用期间发生了资源使用状态变更的用户群，所述资源使用表现数据包括使用状态变更数据，所述切分参数为单维度或多维度。
步骤S102，建立基于切分参数的多个基模型，并使用相应子训练数据集训练对应基模型，对所述多个基模型进行融合处理，得到初始融合模型。
步骤S103，获取待预测用户的资源使用表现数据，确定与该预测用户相对应的基模型以及用于增量学习的训练数据集，在所述初始融合模型的基础上二次融合处理，得到与待预测用户相对应的最终融合模型。
步骤S104，使用所述最终融合模型，计算待预测用户的风险值，预测所述待预测用户的资源使用状态。
在本示例中，本发明用户风险预测方法是基于融合模型对分配有资源的用户在资源使用期间的资源使用状态变更进行预测。
需要说明的是，所述资源包括由用户对理财服务平台的申请而被分配的资源，由资源筹集项目所获得的资源等等。其中，所述资源筹集项目是指由项目组织人例如在资源筹集平台等发起的由资源筹集人向资源持有人筹集资源的项目，例如该资源筹集项目为用于大病或重疾的资源筹集项目，以帮助需要救治的病人获得医疗筹款。但是不限于此，上述仅作为可选示例进行说明，在其他示例中，资源筹集项目可以为其他用于其他救助或互助的项目，或者资源分配项目(例如理财服务项目)等，
首先，在步骤S101中，获取历史用户的资源使用表现数据、用户风险数据，并基于切分参数建立多个子训练数据集和子测试数据集，所述历史用户为在资源使用期间发生了资源使用状态变更的用户群，所述资源使用表现数据包括使用状态变更数据，所述切分参数为单维度或多维度。
具体地，例如在用户对金融服务产品、理财服务产品或资源保障投入产品进行资源使用的应用场景下，从金融机构、第三方支付机构等相关数据库，获取历史用户的资源使用表现数据、用户风险数据，其中，所述历史用户为在资源使用期间发生了资源使用状态变更的用户群，所述资源使用表现数据包括使用状态变更数据。
需要说明的是，所述资源使用状态变更是指用户在资源使用期间的特定时间段内资源使用状态发生了变好或变坏的状态变更。
具体地，所述资源使用表现数据包括在资源使用的特定时间内的动支次数或频率、在自特定资源使用时间起特定时间内资源未归还数据和未归还次数以及催收数据，所述用户风险数据包括逾期数据和/或违约数据。
优选地，确定用于划分数据的切分参数，切分参数为单维度或多维度。在切分参数为单维度的情况下，该切分参数为时间参数或渠道参数。而在切分参数为多维度的情况下，该切分参数为时间参数和渠道参数。
具体地，该时间参数用于表征将用户的资源使用总时间等间隔划分的时间段，该渠道参数用于表征用户群的数据渠道，所述渠道参数包括渠道类型、渠道名称、与渠道相关的用户交易数据或用户动支数据。
在本示例中，该切分参数包括时间参数，其中，所述时间参数包括资源使用总时间T、间隔时间d。
可选地，该资源使用总时间T包括6个月、12个月和24个月，间隔时间d包括十五天、三十天、六十天。
需要说明的是，对切分参数，在其他示例中，还包括事件参数，该事件参数包括是否在各资源归还点或之前完成了资源归还、有无催收数据、动支次数超过设定值等，上述仅作为优选示例进行说明，不能理解成对本发明的限制。
进一步地，基于所确定的切分参数(在本示例中，为时间参数，具体为资源使用期数T/d)，对历史用户数据进行切分，建立多个子训练数据集和子测试数据集。
具体地，所述建立子训练数据集包括定义正样本和负样本，标签为0，1，其中，1表示用户的逾期概率(或违约概率)为Y以上的样本，0表示用户的逾期概率(或违约概率)为小于Y的样本，其中，在各时间分段中的Y值不同。通常，用户的逾期概率(或违约概率)越低，表示资金的使用效率越好，资产的风险程度就越低，反之亦然。由此，通过给定样本标签值Y，将用户分为目标用户和非目标用户，实现了对用户群的分类。
例如，资源使用期数T/d为十二期(即12个月)，将历史用户数据切分成12个子训练数据集，并对应选定3～6个子测试数据集。
需要说明的是，上述仅作为可选示例进行说明，不能理解成对本发明的限制。
接下来，在步骤S102中，建立基于切分参数的多个基模型，并使用相应子训练数据集训练对应基模型，对所述多个基模型进行融合处理，得到初始融合模型。
具体地，基于切分参数建立多个基模型，在本示例中，建立与资源使用期数T/d相对应的12个基模型。
进一步地，使用步骤101所建立的子训练数据集训练对应基模型。
具体地，所述建立基于切分参数的多个基模型还包括：根据样本数据及其数量和资源时间节点的影响因素，使用例如逻辑回归算法、Xgboost算法、TextCNN算法、随机森林算法中一个和多个算法组合方式，建立基模型。
需要说明的是，所述资源使用节点包括各资源归还节点、自各资源归还节点起向前推算一段时间的特定时间点，发生了特定事件的时间点，其中，所述特定事件包括是否在各资源归还点或之前完成了资源归还、有无催收数据、动支次数超过设定值。
可选地，使用逻辑回归(Logistic Regression，LR)算法，对训练好的多个基模型进行融合处理，以得到初始融合模型，其中，使用基于逻辑回归算法的机器学习模型学习各基模型的资源使用表现数据与用户风险数据征数据的对应关系、以及所述基模型之间的数据(即样本数据)分布变化，通过机器学习得到与各基模型相对应的初始权重系数，拟合生成与初始融合模型相对应的趋势图，并得到如下初始融合模型F总：
Figure BDA0003046561380000101
其中，F总是指初始融合模型；F1～Fn分别是指各基模型；a1～an是指各基模型相对应的初始权重系数；b为模型相关参数。
在本示例中，所述趋势图为包含多个拐点的二维坐标平面的曲线图，其中，二维坐标平面中X轴表示时间，Y表示F1～Fn是各样本数据的风险预测值随时间的变化而变化的样本数据分布趋势图(即用户在资源使用期间随时间变化的资源风险状态变化趋势统图)。
由此，通过建立基于切分参数的多个基模型，能够得到更准确的资源使用表现数据与用户风险数据征数据的对应关系，并能够得到包括基模型之间的样本数据分布变化的趋势图。
可选地，包括模型参数优化的步骤，具体参见图2(将步骤S102拆分成步骤S102和步骤S201)。
具体地，所述模型参数优化的步骤包括设定评价指标，通过计算所述评价指标，使用相应子测试数据集，对所述初始融合模型的模型参数进行调整，其中，所述评价指标包括ROC指标、AUC指标，所述模型参数包括各基模型的权重系数。
可选地，根据切分参数、业务应用场景的类型等，设定与不同指标相对应的特定阈值，例如，与AUC指标相对应的设定阈值优选为0.7，与AUC指标相对应的绝对差阈值优选为0.5～1.5。
在调整各基模型的模型参数时，计算调整参数之前和之后的评价指标，当调整参数之后的评价指标的计算值大于设定阈值，且当两次所计算的评价指标之间的绝对差小于该特定阈值时，结束所述初始融合模型的模型参数的调整。
由此，通过模型参数优化的步骤，能够进一步优化初始融合模型的模型参数，并能够得到更精确的初始融合模型以提高模型精度。
需要说明的是，上述仅作为可选示例进行说明，不能理解成对本发明的限制。
接下来，在步骤S103中，获取待预测用户的资源使用表现数据，确定与该预测用户相对应的基模型以及用于增量学习的训练数据集，在所述初始融合模型的基础上二次融合处理，得到与待预测用户相对应的最终融合模型。
在本示例中，获取待预测用户的资源使用表现数据，确定与该预测用户相对应的基模型以及用于增量学习的训练数据集。
具体地，确定待预测用户的时间特征数据，该时间特征数据包括资源使用总时间T、使用期数T1～Tn、当前资源使用时间Tn，以及该待预测的资源使用时间Tn+t。
例如，待预测用户1的资源使用总时间T为12、使用期数T1～T12、当前资源使用时间T6，该待预测的资源使用时间Tn+t为T8。
进一步，使用所述初始融合模型的拟合趋势图，计算该预测用户在资源使用时间Tn+t的用户风险计算值，选出与该用户风险计算值最接近的基模型。
可选地，从所述拟合趋势图中，选出与该用户风险计算值在预定范围内的坐标点，并根据所选出的坐标点确定基模型及其数量，换言之，所选出的基模型为一个或者多个。
例如，该待预测用户1的用户风险计算值为f1，选出与该用户风险计算值f1相最接近的基模型，其中，在所述拟合趋势图中，与该用户风险计算值f1在预定范围内的坐标点为两个，并分别对应基模型F3，F4。
再例如，该待预测用户2的用户风险计算值为f2，选出与该用户风险计算值f2相最接近的基模型，其中，在所述拟合趋势图中，与该用户风险计算值f2在预定范围内的坐标点为一个，并对应基模型F4。
进一步地，确定资源使用时间为Tn所对应的一个或多个子训练数据集作为增量学习的训练数据集。
例如，在所确定的基模型为F3，F4的情况下，对应n＝3，4，则确定T2，T3所对应的子训练数据集作为增量学习的训练数据集。
再例如，在所确定的基模型为F4的情况下，对应n＝4，则确定T3所对应的子训练数据集作为增量学习的训练数据集。
具体地，对所最接近的基模型的初始权重系数进行调整，即提高所确定的基模型所对应的初始权重系数，并使用增量学习的训练数据集对各基模型进行增量学习，将增量学习后的各机模型进行二次融合处理，以重新得到与待预测用户相对应的融合模型，即最终融合模型。
可选地，在所述初始融合模型的基础上，使用增量学习的训练数据集进行增量学习，提高所确定的基模型所对应的初始权重系数，将所有基模型进行二次融合处理，得到与待预测用户相对应的最终融合模型。
由此，通过确定与待预测用户相对应的融合模型，能够更精确地预测用户风险状态，并能够提高模型精度。
需要说明的是，上述仅作为可选示例进行说明，不能理解成对本发明的限制。
接下来，在步骤S104中，使用所述最终融合模型，计算待预测用户的风险值，预测所述待预测用户的资源使用状态。
具体地，将待预测用户的时间特征数据、与渠道参数相对应的渠道特征数据、资源使用表现数据，输入所述最终融合模型，计算所述预测用户的风险值，该风险值为0～1之间的数值。
进一步地，所计算的风险值表示量化的资源使用状态，根据所述风险值确定用户资源使用状态是否变更。
具体地，该用户资源使用状态包括与风险级别相对应的第一风险状态、第二风险状态、第三风险状态。
更具体地，所述第一风险状态为与对用户冻结剩余资源相对应的状态，所述第二风险状态为与对用户进行禁止或限制资源请求相对应的状态，所述第三风险状态为与对用户增加资源配额相对应的状态。
由此，通过使用两次融合后的融合模型，进行用户资源使用状态的预测，能够更精确量化用户的资源使用状态，能够更有效地预测用户风险情况。
需要说明的是，上述仅作为可选示例进行说明，不能理解成对本发明的限制。
图3是是本发明的实施例1的基于融合模型的用户风险预测方法的又一示例的流程图。
如图3所示，还包括从历史用户数据进行特征数据提取，并使用所提取的特征数据建立训练数据集(即子训练数据集)的步骤S301，该步骤301在建立训练数据集的步骤之前即可。
需要说明的是，由于图3中步骤S302、步骤S303、步骤S304和步骤S305与图1中的步骤S101、步骤S102、步骤S103和步骤S04相同，因此，省略了对步骤S302、步骤S303、步骤S304和步骤S305的说明。
在步骤301中，从历史用户数据进行特征数据提取，并使用所提取的特征数据建立训练数据集。
具体地，确定根据与资源使用节点相对应的提取规则。
具体地，该提取规则包括根据时间参数和/或事件参数提取。
进一步地，所述时间参数包括自资源归还节点起特定时间段内、自第一次资源使用行为的发生时间起特定时间段内。例如，自第一次资源使用行为的发生时间起30天～120天内。
更进一步地，所述事件参数包括判断有无逾期数据、有无违约数据、有无催收数据、是否有多头用户。
优选地，根据时间参数和事件参数，提取历史用户的时间特征数据和事件特征数据，以用于建立所述多个子训练数据集。
在另一示例中，该时间参数包括自各资源归还节点起向前推算一段时间的特定时间，该事件参数包括是否在各资源归还点或之前完成了资源归还、有无催收数据。
由此，能够从时间维度提取用户资源使用表现数据的变化，能够更有效提取用户数据，并建立子训练数据集以用于训练模型，由此提高模型精度。
需要说明的是，上述仅作为可选示例进行说明，不能理解成对本发明的限制。在其他示例中，子训练数据集还可以包括用户特征数据，该用户特征数据还可以包括用户基本信息数据、社交行为数据等。例如用户年龄、性别、职业、月收入/年收入等。
本领域技术人员可以理解，实现上述实施例的全部或部分步骤被实现为由计算机数据处理设备执行的程序(计算机程序)。在该计算机程序被执行时，可以实现本发明提供的上述方法。而且，所述的计算机程序可以存储于计算机可读存储介质中，该存储介质可以是磁盘、光盘、ROM、RAM等可读存储介质，也可以是多个存储介质组成的存储阵列，例如磁盘或磁带存储阵列。所述的存储介质不限于集中式存储，其也可以是分布式存储，例如基于云计算的云存储。
与现有技术相比，本发明基于切分参数建立多个子训练数据集和子测试数据集，能够实现更精确的用户群分类；通过建立基于切分参数的多个基模型，并进行两次融合处理，得到融合模型，能够得到更准确的资源使用表现数据与用户风险数据征数据的对应关系，并能够得到包括基模型之间的样本数据分布变化的趋势图，能够更精确地预测用户的资源使用状态，能够更有效地预测用户风险情况，还能够提高模型精度。
进一步地，通过模型参数优化的步骤，能够进一步优化初始融合模型的模型参数，并能够得到更精确的融合模型以提高模型精度；通过确定与待预测用户相对应的融合模型，能够更精确地预测用户风险状态，并能够提高模型精度；能够从时间维度提取用户资源使用表现数据的变化，能够更有效提取用户数据，并建立子训练数据集以用于训练模型，由此提高模型精度。
实施例2
下面描述本发明的系统实施例，该系统可以用于执行本发明的方法实施例。对于本发明系统实施例中描述的细节，应视为对于上述方法实施例的补充；对于在本发明系统实施例中未披露的细节，可以参照上述方法实施例来实现。
参照图4、图5和图6，本发明还提供了一种基于融合模型的用户风险预测系统400，其用于对分配有资源的用户在资源使用期间的资源使用状态变更进行预测，所述用户风险预测系统400包括：获取处理模块401，用于获取历史用户的资源使用表现数据、用户风险数据，并基于切分参数建立多个子训练数据集和子测试数据集，所述历史用户为在资源使用期间发生了资源使用状态变更的用户群，所述资源使用表现数据包括使用状态变更数据，所述切分参数为单维度或多维度；建立模块402，用于建立基于切分参数的多个基模型，并使用相应子训练数据集训练对应基模型，对所述多个基模型进行融合处理，得到初始融合模型；处理模块403，用于获取待预测用户的资源使用表现数据，确定与该预测用户相对应的基模型以及用于增量学习的训练数据集，在所述初始融合模型的基础上二次融合处理，得到与待预测用户相对应的最终融合模型；预测模块404，用于使用所述最终融合模型，计算待预测用户的风险值，预测所述待预测用户的资源使用状态。
优选地，所述切分参数包括时间参数和/或渠道参数，其中，该时间参数用于表征将用户的资源使用总时间等间隔划分的时间段，所述时间参数包括资源使用总时间、间隔时间，该资源使用总时间包括6个月、12个月和24个月，间隔时间包括十五天、三十天、六十天；该渠道参数用于表征用户群的数据渠道，所述渠道参数包括渠道类型、渠道名称、与渠道相关的用户交易数据。
优选地，所述对所述多个基模型进行融合处理，以得到初始融合模型包括：使用机器学习模型学习各基模型的资源使用表现数据与用户风险数据征数据的对应关系、以及所述基模型之间的数据分布变化，得到与各基模型相对应的初始权重系数，并拟合生成与初始融合模型相对应的趋势图。
如图5所示，所述用户风险预测系统400还包括确定模块501(即将图4中的处理模块403拆分成处理模块403和确定模块501)，所述确定模块501用于确定待预测用户的时间特征数据，该时间特征数据包括资源使用总时间T、使用期数T1～Tn、当前资源使用时间Tn，以及该待预测的资源使用时间Tn+t；使用所述初始融合模型的拟合趋势图，计算该预测用户在资源使用时间Tn+t的用户风险计算值，选出与该用户风险计算值最接近的基模型，并确定资源使用时间为Tn所对应的一个或多个子训练数据集作为增量学习的训练数据集，所述最接近的基模型为一个或多个。
优选地，所述在所述初始融合模型的基础上二次融合处理，得到与待预测用户相对应的最终融合模型包括：对所最接近的基模型的初始权重系数进行调整，并使各基模型使用所确定的训练数据集进行增量学习，以得到与待预测用户相对应的最终融合模型。
优选地，还包括：将待预测用户的时间特征数据、与渠道参数相对应的渠道特征数据、资源使用表现数据，输入所述最终融合模型，计算所述预测用户的风险值，该风险值为0～1之间的数值；根据所计算的风险值，确定用户资源使用状态，该用户资源使用状态包括与风险级别相对应的第一风险状态、第二风险状态、第三风险状态。
如图6所示，所述用户风险预测系统400还包括调整模块601，所述调整模块601用于设定评价指标，通过计算所述评价指标，使用相应子测试数据集，对所述初始融合模型的模型参数进行调整，所述评价指标包括ROC指标、AUC指标，所述模型参数包括各基模型的权重系数；在所计算的评价指标小于特定阈值时，结束所述初始融合模型的模型参数的调整。
优选地，所述资源使用表现数据包括在资源使用的特定时间内的动支次数或频率、在自特定资源使用时间起特定时间内资源未归还数据和未归还次数以及催收数据，所述用户风险数据包括逾期数据和/或违约数据。
需要说明的是，在实施例2中，省略了与实施例1相同的部分的说明。
本领域技术人员可以理解，上述系统实施例中的各模块可以按照描述分布于系统中，也可以进行相应变化，分布于不同于上述实施例的一个或多个系统中。上述实施例的模块可以合并为一个模块，也可以进一步拆分成多个子模块。
与现有技术相比，本发明基于切分参数建立多个子训练数据集和子测试数据集，能够实现更精确的用户群分类；通过建立基于切分参数的多个基模型，并进行两次融合处理，得到融合模型，能够得到更准确的资源使用表现数据与用户风险数据征数据的对应关系，并能够得到包括基模型之间的样本数据分布变化的趋势图，能够更精确地预测用户的资源使用状态，能够更有效地预测用户风险情况，还能够提高模型精度。
进一步地，通过模型参数优化的步骤，能够进一步优化初始融合模型的模型参数，并能够得到更精确的融合模型以提高模型精度；通过确定与待预测用户相对应的融合模型，能够更精确地预测用户风险状态，并能够提高模型精度；能够从时间维度提取用户资源使用表现数据的变化，能够更有效提取用户数据，并建立子训练数据集以用于训练模型，由此提高模型精度。
实施例3
下面描述本发明的计算机设备实施例，该计算机设备可以视为对于上述本发明的方法和系统实施例的具体实体实施方式。对于本发明计算机设备实施例中描述的细节，应视为对于上述方法或系统实施例的补充；对于在本发明计算机设备实施例中未披露的细节，可以参照上述方法或系统实施例来实现。
图7是根据本发明的一种计算机设备的示例性实施例的结构框图。下面参照图7来描述根据本发明该实施例的的计算机设备200。图7显示的计算机设备200仅仅是一个示例，不应对本发明实施例的功能和使用范围带来任何限制。
如图7所示，计算机设备200以通用计算设备的形式表现。计算机设备200的组件可以包括但不限于：至少一个处理单元210、至少一个存储单元220、连接不同装置组件(包括存储单元220和处理单元210)的总线230、显示单元240等。
其中，所述存储单元存储有程序代码，所述程序代码可以被所述处理单元210执行，使得所述处理单元210执行本说明书上述计算机设备的处理方法部分中描述的根据本发明各种示例性实施方式的步骤。例如，所述处理单元210可以执行如图1所示的步骤。
所述存储单元220可以包括易失性存储单元形式的可读介质，例如随机存取存储单元(RAM)2201和/或高速缓存存储单元2202，还可以进一步包括只读存储单元(ROM)2203。
所述存储单元220还可以包括具有一组(至少一个)程序模块2205的程序/实用工具2204，这样的程序模块2205包括但不限于：操作系统、一个或者多个应用程序、其它程序模块以及程序数据，这些示例中的每一个或某种组合中可能包括网络环境的实现。
总线230可以为表示几类总线结构中的一种或多种，包括存储单元总线或者存储单元控制器、外围总线、图形加速端口、处理单元或者使用多种总线结构中的任意总线结构的局域总线。
计算机设备200也可以与一个或多个外部设备300(例如键盘、指向设备、蓝牙设备等)通信，还可与一个或者多个使得用户能与该计算机设备200交互的设备通信，和/或与使得该计算机设备200能与一个或多个其它计算设备进行通信的任何设备(例如路由器、调制解调器等等)通信。这种通信可以通过输入/输出(I/O)接口250进行。并且，计算机设备200还可以通过网络适配器260与一个或者多个网络(例如局域网(LAN)，广域网(WAN)和/或公共网络，例如因特网)通信。网络适配器260可以通过总线230与计算机设备200的其它模块通信。应当明白，尽管图中未示出，可以结合计算机设备200使用其它硬件和/或软件模块，包括但不限于：微代码、设备驱动器、冗余处理单元、外部磁盘驱动阵列、RAID系统、磁带驱动器以及数据备份存储系统等。
通过以上的实施方式的描述，本领域的技术人员易于理解，本发明描述的示例性实施例可以通过软件实现，也可以通过软件结合必要的硬件的方式来实现。因此，根据本发明实施方式的技术方案可以以软件产品的形式体现出来，该软件产品可以存储在一个计算机可读的存储介质(可以是CD-ROM，U盘，移动硬盘等)中或网络上，包括若干指令以使得一台计算设备(可以是个人计算机、服务器、或者网络设备等)执行根据本发明的上述方法。当所述计算机程序被一个数据处理设备执行时，使得该计算机程序产品能够实现本发明的上述方法。
如图8所示，所述计算机程序可以存储于一个或多个计算机程序产品上。计算机程序产品例如可以为但不限于电、磁、光、电磁、红外线、或半导体的系统、装置或器件，或者任意以上的组合。计算机程序产品的更具体的例子(非穷举的列表)包括：具有一个或多个导线的电连接、便携式盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、光纤、便携式紧凑盘只读存储器(CD-ROM)、光存储器件、磁存储器件、或者上述的任意合适的组合。
所述计算机可读存储介质可以包括在基带中或者作为载波一部分传播的数据信号，其中承载了可读程序代码。这种传播的数据信号可以采用多种形式，包括但不限于电磁信号、光信号或上述的任意合适的组合。计算机程序产品可以发送、传播或者传输用于由指令执行系统、装置或者器件使用或者与其结合使用的程序。可读存储介质上包含的程序代码可以用任何适当的介质传输，包括但不限于无线、有线、光缆、RF等等，或者上述的任意合适的组合。
可以以一种或多种程序设计语言的任意组合来编写用于执行本发明操作的程序代码，所述程序设计语言包括面向对象的程序设计语言—诸如Java、C++等，还包括常规的过程式程序设计语言—诸如“C”语言或类似的程序设计语言。程序代码可以完全地在用户计算设备上执行、部分地在用户设备上执行、作为一个独立的软件包执行、部分在用户计算设备上部分在远程计算设备上执行、或者完全在远程计算设备或服务器上执行。在涉及远程计算设备的情形中，远程计算设备可以通过任意种类的网络，包括局域网(LAN)或广域网(WAN)，连接到用户计算设备，或者，可以连接到外部计算设备(例如利用因特网服务提供商来通过因特网连接)。
综上所述，本发明可以以硬件实现，或者以在一个或者多个处理器上运行的软件模块实现，或者以它们的组合实现。本领域的技术人员应当理解，可以在实践中使用微处理器或者数字信号处理器(DSP)等通用数据处理设备来实现根据本发明实施例中的一些或者全部部件的一些或者全部功能。本发明还可以实现为用于执行这里所描述的方法的一部分或者全部的设备或者装置程序(例如，计算机程序和计算机程序产品)。这样的实现本发明的程序可以存储在计算机程序产品上，或者可以具有一个或者多个信号的形式。这样的信号可以从因特网网站上下载得到，或者在载体信号上提供，或者以任何其他形式提供。
以上所述的具体实施例，对本发明的目的、技术方案和有益效果进行了进一步详细说明，应理解的是，本发明不与任何特定计算机、虚拟装置或者计算机设备固有相关，各种通用装置也可以实现本发明。以上所述仅为本发明的具体实施例而已，并不用于限制本发明，凡在本发明的精神和原则之内，所做的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。

Claims (18)

1.一种基于融合模型的用户风险预测方法，其用于对分配有资源的用户在资源使用期间的资源使用状态变更进行预测，其特征在于，包括：
获取历史用户的资源使用表现数据、用户风险数据，并基于切分参数建立多个子训练数据集和子测试数据集，所述历史用户为在资源使用期间发生了资源使用状态变更的用户群，所述资源使用表现数据包括使用状态变更数据，所述切分参数为单维度或多维度；
建立基于切分参数的多个基模型，并使用相应子训练数据集训练对应基模型，对所述多个基模型进行融合处理，得到初始融合模型；
获取待预测用户的资源使用表现数据，确定与该预测用户相对应的基模型以及用于增量学习的训练数据集，在所述初始融合模型的基础上二次融合处理，得到与待预测用户相对应的最终融合模型；
使用所述最终融合模型，计算待预测用户的风险值，预测所述待预测用户的资源使用状态。
2.根据权利要求1所述的用户风险预测方法，其特征在于，
所述切分参数包括时间参数和/或渠道参数，其中，
该时间参数用于表征将用户的资源使用总时间等间隔划分的时间段，所述时间参数包括资源使用总时间、间隔时间，该资源使用总时间包括6个月、12个月和24个月，间隔时间包括十五天、三十天、六十天；
该渠道参数用于表征用户群的数据渠道，所述渠道参数包括渠道类型、渠道名称、与渠道相关的用户交易数据。
3.根据权利要求1或2所述的用户风险预测方法，其特征在于，所述对所述多个基模型进行融合处理，以得到初始融合模型包括：
使用机器学习模型学习各基模型的资源使用表现数据与用户风险数据征数据的对应关系、以及所述基模型之间的数据分布变化，得到与各基模型相对应的初始权重系数，并拟合生成与初始融合模型相对应的趋势图。
4.根据权利要求3所述的用户风险预测方法，其特征在于，所述获取待预测用户的资源使用表现数据，确定与该预测用户相对应的基模型以及用于增量学习的训练数据集包括：
确定待预测用户的时间特征数据，该时间特征数据包括资源使用总时间T、使用期数T1～Tn、当前资源使用时间Tn，以及该待预测的资源使用时间Tn+t；
使用所述初始融合模型的拟合趋势图，计算该预测用户在资源使用时间Tn+t的用户风险计算值，选出与该用户风险计算值最接近的基模型，并确定资源使用时间为Tn所对应的一个或多个子训练数据集作为增量学习的训练数据集，所述最接近的基模型为一个或多个。
5.根据权利要求4所述的用户风险预测方法，其特征在于，所述在所述初始融合模型的基础上二次融合处理，得到与待预测用户相对应的最终融合模型包括：
对所最接近的基模型的初始权重系数进行调整，并使各基模型使用所确定的训练数据集进行增量学习，以得到与待预测用户相对应的最终融合模型。
6.根据权利要求5所述的用户风险预测方法，其特征在于，还包括：
将待预测用户的时间特征数据、与渠道参数相对应的渠道特征数据、资源使用表现数据，输入所述最终融合模型，计算所述预测用户的风险值，该风险值为0～1之间的数值；
根据所计算的风险值，确定用户资源使用状态，该用户资源使用状态包括与风险级别相对应的第一风险状态、第二风险状态、第三风险状态。
7.根据权利要求1所述的用户风险预测方法，其特征在于，还包括：
设定评价指标，通过计算所述评价指标，使用相应子测试数据集，对所述初始融合模型的模型参数进行调整，所述评价指标包括ROC指标、AUC指标，所述模型参数包括各基模型的权重系数；
在所计算的评价指标小于特定阈值时，结束所述初始融合模型的模型参数的调整。
8.根据权利要求1或6所述的用户风险预测方法，其特征在于，所述资源使用表现数据包括在资源使用的特定时间内的动支次数或频率、在自特定资源使用时间起特定时间内资源未归还数据和未归还次数以及催收数据，所述用户风险数据包括逾期数据和/或违约数据。
9.一种基于融合模型的用户风险预测系统，其用于对分配有资源的用户在资源使用期间的资源使用状态变更进行预测，其特征在于，包括：
获取处理模块，用于获取历史用户的资源使用表现数据、用户风险数据，并基于切分参数建立多个子训练数据集和子测试数据集，所述历史用户为在资源使用期间发生了资源使用状态变更的用户群，所述资源使用表现数据包括使用状态变更数据，所述切分参数为单维度或多维度；
建立模块，用于建立基于切分参数的多个基模型，并使用相应子训练数据集训练对应基模型，对所述多个基模型进行融合处理，得到初始融合模型；
处理模块，用于获取待预测用户的资源使用表现数据，确定与该预测用户相对应的基模型以及用于增量学习的训练数据集，在所述初始融合模型的基础上二次融合处理，得到与待预测用户相对应的最终融合模型；
预测模块，用于使用所述最终融合模型，计算待预测用户的风险值，预测所述待预测用户的资源使用状态。
10.根据权利要求9所述的用户风险预测系统，其特征在于，
所述切分参数包括时间参数和/或渠道参数，其中，
该时间参数用于表征将用户的资源使用总时间等间隔划分的时间段，所述时间参数包括资源使用总时间、间隔时间，该资源使用总时间包括6个月、12个月和24个月，间隔时间包括十五天、三十天、六十天；
该渠道参数用于表征用户群的数据渠道，所述渠道参数包括渠道类型、渠道名称、与渠道相关的用户交易数据。
11.根据权利要求9或10所述的用户风险预测系统，其特征在于，所述对所述多个基模型进行融合处理，以得到初始融合模型包括：
使用机器学习模型学习各基模型的资源使用表现数据与用户风险数据征数据的对应关系、以及所述基模型之间的数据分布变化，得到与各基模型相对应的初始权重系数，并拟合生成与初始融合模型相对应的趋势图。
12.根据权利要求11所述的用户风险预测系统，其特征在于，还包括确定模块，所述确定模块用于确定待预测用户的时间特征数据，该时间特征数据包括资源使用总时间T、使用期数T1～Tn、当前资源使用时间Tn，以及该待预测的资源使用时间Tn+t；
使用所述初始融合模型的拟合趋势图，计算该预测用户在资源使用时间Tn+t的用户风险计算值，选出与该用户风险计算值最接近的基模型，并确定资源使用时间为Tn所对应的一个或多个子训练数据集作为增量学习的训练数据集，所述最接近的基模型为一个或多个。
13.根据权利要求12所述的用户风险预测系统，其特征在于，所述在所述初始融合模型的基础上二次融合处理，得到与待预测用户相对应的最终融合模型包括：
对所最接近的基模型的初始权重系数进行调整，并使各基模型使用所确定的训练数据集进行增量学习，以得到与待预测用户相对应的最终融合模型。
14.根据权利要求13所述的用户风险预测系统，其特征在于，还包括：
将待预测用户的时间特征数据、与渠道参数相对应的渠道特征数据、资源使用表现数据，输入所述最终融合模型，计算所述预测用户的风险值，该风险值为0～1之间的数值；
根据所计算的风险值，确定用户资源使用状态，该用户资源使用状态包括与风险级别相对应的第一风险状态、第二风险状态、第三风险状态。
15.根据权利要求9所述的用户风险预测系统，其特征在于，还包括调整模块，所述调整模块用于设定评价指标，通过计算所述评价指标，使用相应子测试数据集，对所述初始融合模型的模型参数进行调整，所述评价指标包括ROC指标、AUC指标，所述模型参数包括各基模型的权重系数；
在所计算的评价指标小于特定阈值时，结束所述初始融合模型的模型参数的调整。
16.根据权利要求9或14所述的用户风险预测系统，其特征在于，所述资源使用表现数据包括在资源使用的特定时间内的动支次数或频率、在自特定资源使用时间起特定时间内资源未归还数据和未归还次数以及催收数据，所述用户风险数据包括逾期数据和/或违约数据。
17.一种计算机设备，包括处理器和存储器，所述存储器用于存储计算机可执行程序，其特征在于：
当所述计算机程序被所述处理器执行时，所述处理器执行如权利要求1-8中任一项所述的用户风险预测方法。
18.一种计算机程序产品，存储有计算机可执行程序，其特征在于，所述计算机可执行程序被执行时，实现如权利要求1-8中任一项所述的用户风险预测方法。
CN202110473736.0A 2021-04-29 2021-04-29 基于融合模型的用户风险预测方法、系统和计算机设备 Active CN113298120B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110473736.0A CN113298120B (zh) 2021-04-29 2021-04-29 基于融合模型的用户风险预测方法、系统和计算机设备

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110473736.0A CN113298120B (zh) 2021-04-29 2021-04-29 基于融合模型的用户风险预测方法、系统和计算机设备

Publications (2)

Publication Number Publication Date
CN113298120A true CN113298120A (zh) 2021-08-24
CN113298120B CN113298120B (zh) 2023-08-01

Family

ID=77320524

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110473736.0A Active CN113298120B (zh) 2021-04-29 2021-04-29 基于融合模型的用户风险预测方法、系统和计算机设备

Country Status (1)

Country Link
CN (1) CN113298120B (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117408364A (zh) * 2023-08-08 2024-01-16 湖北泰跃卫星技术发展股份有限公司 一种基于模型融合的农作物病虫害指标预测方法及装置

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108520325A (zh) * 2018-04-16 2018-09-11 北京航空航天大学 一种基于多变环境下加速退化数据的集成寿命预测方法
CN109711239A (zh) * 2018-09-11 2019-05-03 重庆邮电大学 基于改进混合增量动态贝叶斯网络的视觉注意力检测方法
WO2019200810A1 (zh) * 2018-04-20 2019-10-24 平安科技（深圳）有限公司 用户数据真实性分析方法及装置、存储介质、电子设备
CN112214369A (zh) * 2020-10-23 2021-01-12 华中科技大学 基于模型融合的硬盘故障预测模型建立方法及其应用
CN112270545A (zh) * 2020-10-27 2021-01-26 上海淇馥信息技术有限公司 基于迁移样本筛选的金融风险预测方法、装置和电子设备

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108520325A (zh) * 2018-04-16 2018-09-11 北京航空航天大学 一种基于多变环境下加速退化数据的集成寿命预测方法
WO2019200810A1 (zh) * 2018-04-20 2019-10-24 平安科技（深圳）有限公司 用户数据真实性分析方法及装置、存储介质、电子设备
CN109711239A (zh) * 2018-09-11 2019-05-03 重庆邮电大学 基于改进混合增量动态贝叶斯网络的视觉注意力检测方法
CN112214369A (zh) * 2020-10-23 2021-01-12 华中科技大学 基于模型融合的硬盘故障预测模型建立方法及其应用
CN112270545A (zh) * 2020-10-27 2021-01-26 上海淇馥信息技术有限公司 基于迁移样本筛选的金融风险预测方法、装置和电子设备

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
李炜;章寅;: "异类多模型动态融合软测量方法研究与应用", 化工自动化及仪表, no. 08 *
钟?陈恩晓;罗瑞奇;卢炎生;: "多尺度融合dropout优化算法", 华中科技大学学报(自然科学版), no. 09 *

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117408364A (zh) * 2023-08-08 2024-01-16 湖北泰跃卫星技术发展股份有限公司 一种基于模型融合的农作物病虫害指标预测方法及装置
CN117408364B (zh) * 2023-08-08 2024-05-24 湖北泰跃卫星技术发展股份有限公司 一种基于模型融合的农作物病虫害指标预测方法及装置

Also Published As

Publication number Publication date
CN113298120B (zh) 2023-08-01

Similar Documents

Publication Publication Date Title
US11281969B1 (en) Artificial intelligence system combining state space models and neural networks for time series forecasting
CN112270545A (zh) 基于迁移样本筛选的金融风险预测方法、装置和电子设备
US20130024167A1 (en) Computer-Implemented Systems And Methods For Large Scale Automatic Forecast Combinations
Gajzler et al. Evaluation of planned construction projects using fuzzy logic
Hernes et al. Application of the consensus method in a multiagent financial decision support system
CN112508695A (zh) 基于市场风险的金融风险预测方法、装置和电子设备
CN112017042A (zh) 基于tweedie分布的资源配额确定方法、装置和电子设备
CN112015562A (zh) 基于迁移学习的资源分配方法、装置及电子设备
CN110675250A (zh) 一种基于用户营销评分的信贷额度管理的方法、装置和电子设备
WO2017071369A1 (zh) 一种预测用户离网的方法和设备
CN112488865A (zh) 基于金融时间节点的金融风险预测方法、装置和电子设备
CN112508723B (zh) 基于自动择优建模的金融风险预测方法、装置和电子设备
CN111179055A (zh) 授信额度调整方法、装置和电子设备
CN111209930A (zh) 一种生成授信策略的方法、装置和电子设备
Filiopoulou et al. On the efficiency of cloud providers: A DEA approach incorporating categorical variables
CN113298120B (zh) 基于融合模型的用户风险预测方法、系统和计算机设备
CN110363394B (zh) 一种基于云平台的风控服务方法、装置和电子设备
CN111445139A (zh) 业务流程模拟方法及装置、存储介质、电子设备
Kostakis et al. Integrating activity‐based costing with simulation and data mining
JP6763316B2 (ja) 性能要件推定プログラム、性能要件推定装置、および性能要件推定方法
CN111967806B (zh) 基于定期回扫的用户风险更新方法、装置和电子设备
CN113570207B (zh) 用户策略分配方法、装置及电子设备
CN113570114B (zh) 一种资源服务智能匹配方法、系统和计算机设备
TWI792101B (zh) 基於確定值及預測值的數據定量化方法
CN113592160A (zh) 基于融合处理的用户设备的失联风险预测方法、系统和计算机设备

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