CN113870020A - 一种逾期风险控制方法及装置 - Google Patents

Abstract

本发明公开了一种逾期风险控制方法及装置，包括：获取目标对象的关联数据；对关联数据进行特征筛选，得到不同维度的特征信息；将不同维度的特征信息输入至目标风险预测模型，获取每一维度的风险维度参数；对每一维度的风险维度参数进行处理，获得目标对象的风险等级标签；基于风险等级标签，确定目标控制信息，以使得基于目标控制信息对目标对象进行风险控制。本发明实现了对多维度信息的分析，并且能够通过模型进行客观处理，使得得到的风险维度参数与目标对象更加匹配，以获得与目标对象对应的控制信息，进而提升了风险管控系统的处理效率和精度。

Description

一种逾期风险控制方法及装置

技术领域

本发明涉及信息处理技术领域，特别是涉及一种逾期风险控制方法及装置。

背景技术

在汽车金融领域，客户由于在购买新车、二手车时会有融资的需求，如分期付款或者贷款的需求。抑或利用自有车辆融资的需求，会向汽车金融服务机构，例如，银行、汽车生产商成立的汽车金融公司、汽车融资租赁公司等，提出融资申请，其中，融资租赁模式下的融资服务，客户通过出让车辆所有权给融资租赁机构，来换取需融资的资金，而客户在还款期间，仅拥有车辆使用权，待还款期结束后，客户重新获取车辆的所有权。为了有效防控客户的还款风险，避免公司损失，汽车融资租赁公司会对客户进行全生命周期的风险管理，包括贷前申请环节，通过一系列风控手段，排查客户的欺诈风险、信用风险，并给出审批结果。贷中还款环节，一方面对客户进行还款提醒管理，以降低客户发生逾期的可能性；另一方面，对客户车辆使用进行监控，及时发现车辆使用中的风险。贷后车辆处置环节，针对长期逾期客户，通过法律诉讼，车辆资产处置等方式，对客户进行追偿，以弥补的公司财务损失。

但是，现有的风险管控系统均是采用同一风险管控模式对不同的用户进行风险管控，并且主要是侧重对用户在申请阶段的风险管控，后续采用与之近似的管控处理模式，无法形成综合评估的风险管控体系，以及持续性预警处理，降低了风险管理系统对风险管控信息的处理效率及精度。

发明内容

针对于上述问题，本发明提供一种预期风险控制方法及装置，实现了提升风险管控系统的处理效率和精度。

为了实现上述目的，本发明提供了如下技术方案：

一种逾期风险控制方法，所述方法包括：

获取目标对象的关联数据；

对所述关联数据进行特征筛选，得到不同维度的特征信息，其中，所述特征信息的维度至少包括目标对象的属性维度、目标对象的还款行为维度以及目标对象的车辆行为维度；

将所述不同维度的特征信息输入至目标风险预测模型，获取每一维度的风险维度参数；

对每一维度的风险维度参数进行处理，获得所述目标对象的风险等级标签；

基于所述风险等级标签，确定目标控制信息，以使得基于所述目标控制信息对所述目标对象进行风险控制。

可选地，所述对所述关联数据进行特征筛选，得到不同维度的特征信息，包括：

对所述关联数据进行数据预处理，得到预处理后的数据；

获取所述预处理后的数据中的特征信息，并对所述特征信息进行特征相关性计算，得到计算结果；

基于所述计算结果，确定不同维度的特征信息。

可选地，所述方法还包括：

获取训练样本集，所述训练样本集包括目标对象和车辆分别对应的属性和行为信息，且训练样本集中的每一训练样本标注有风险标签；

对所述训练样本集进行神经网络模型训练，得到风险预测模型。

可选地，所述对每一维度的风险维度参数进行处理，获得所述目标对象的风险等级标签，包括：

确定与每一维度的风险维度参数对应的权重值；

基于所述权重值，对各个风险维度参数进行计算，获得风险参数总值；

基于所述风险参数总值，确定所述目标对象的风险等级标签。

可选地，所述目标对象的还款行为维度对应的特征信息包括所述目标对象在预设还款周期内的还款特征信息，其中，所述将所述不同维度的特征信息输入至目标风险预测模型，获取每一维度的风险维度参数，包括：

将所述目标对象在预设还款周期内的还款特征信息输入至目标风险预测模型，获得目标周期对应的还款风险参数，所述目标周期为所述预设还款周期对应的后续还款周期。

一种逾期风险控制装置，所述装置包括：

获取单元，用于获取目标对象的关联数据；

筛选单元，用于对所述关联数据进行特征筛选，得到不同维度的特征信息，其中，所述特征信息的维度至少包括目标对象的属性维度、目标对象的还款行为维度以及目标对象的车辆行为维度；

模型处理单元，用于将所述不同维度的特征信息输入至目标风险预测模型，获取每一维度的风险维度参数；

参数处理单元，用于对每一维度的风险维度参数进行处理，获得所述目标对象的风险等级标签；

确定单元，用于基于所述风险等级标签，确定目标控制信息，以使得基于所述目标控制信息对所述目标对象进行风险控制。

可选地，所述筛选单元包括：

预处理子单元，用于对所述关联数据进行数据预处理，得到预处理后的数据；

第一计算子单元，用于获取所述预处理后的数据中的特征信息，并对所述特征信息进行特征相关性计算，得到计算结果；

第一确定子单元，用于基于所述计算结果，确定不同维度的特征信息。

可选地，所述装置还包括：

样本获取单元，用于获取训练样本集，所述训练样本集包括目标对象和车辆分别对应的属性和行为信息，且训练样本集中的每一训练样本标注有风险标签；

模型训练单元，用于对所述训练样本集进行神经网络模型训练，得到风险预测模型。

可选地，所述参数处理单元包括：

第二确定子单元，用于确定与每一维度的风险维度参数对应的权重值；

第二计算子单元，用于基于所述权重值，对各个风险维度参数进行计算，获得风险参数总值；

第三确定子单元，用于基于所述风险参数总值，确定所述目标对象的风险等级标签。

可选地，所述目标对象的还款行为维度对应的特征信息包括所述目标对象在预设还款周期内的还款特征信息，其中，所述模型处理单元具体用于：

将所述目标对象在预设还款周期内的还款特征信息输入至目标风险预测模型，获得目标周期对应的还款风险参数，所述目标周期为所述预设还款周期对应的后续还款周期。

相较于现有技术，本发明提供了一种逾期风险控制方法及装置，包括：获取目标对象的关联数据；对关联数据进行特征筛选，得到不同维度的特征信息，其中，特征信息的维度至少包括目标对象的属性维度、目标对象的还款行为维度以及目标对象的车辆行为维度；将不同维度的特征信息输入至目标风险预测模型，获取每一维度的风险维度参数；对每一维度的风险维度参数进行处理，获得目标对象的风险等级标签；基于风险等级标签，确定目标控制信息，以使得基于目标控制信息对目标对象进行风险控制。本发明实现了对多维度信息的分析，并且能够通过模型进行客观处理，使得得到的风险维度参数与目标对象更加匹配，以获得与目标对象对应的控制信息，进而提升了风险管控系统的处理效率和精度。

附图说明

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，还可以根据提供的附图获得其他的附图。

图1为本发明实施例提供的一种逾期风险控制方法的流程示意图；

图2为本发明实施例提供的一种风险预测及策略匹配处理方法的流程图；

图3为本发明实施例提供的一种逾期风险控制装置的结构示意图。

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，所描述的实施例仅仅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做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。

本发明的说明书及上述附图中的术语“第一”和“第二”等是用于区别不同的对象，而不是用于描述特定的顺序。此外术语“包括”和“具有”以及他们任何变形，意图在于覆盖不排他的包含。例如包含了一系列步骤或单元的过程、方法、系统、产品或设备没有设定于已列出的步骤或单元，而是可包括没有列出的步骤或单元。

在本发明实施例中提供了一种逾期风险控制方法，该方法可以应用了风险管理控制系统，如应用于车辆金融服务机构的处理终端。其中，风险管理控制系统主要是用于对用户进行还款的相关信息进行处理，如生成还款提醒信息，或者催收信息等。本发明可以通过多维度信息进行综合分析，对目标对象执行与之对应的控制，提升了风险管控系统的处理效率和精度。

具体的，参见图1，为本发明实施例提供的一种逾期风险控制方法的流程图，该方法可以包括以下步骤：

S101、获取目标对象的关联数据。

其中，目标对象为需要进行还款的用户，其对应的关联数据可以是该用户本身的属性信息，以及该用户抵押的车辆或者需要获得所有权的车辆的相关信息。具体的，可以包括基本信息和行为信息，对于目标对象，其行为信息主要是包括还款行为信息。

S102、对关联数据进行特征筛选，得到不同维度的特征信息。

通过不同维度的信息的分析获得，可以更全面获得该目标对象的信息，对应的维度可以包括但不局限于目标对象的属性维度、目标对象的还款行为维度以及目标对象的车辆行为维度，对应的各个维度还可以包括各自的子维度信息，如目标对象的还款行为维度还可以包括目标对象贷前身份资质维度、贷后履约表现维度和贷后驾驶行为维度等。目标对象的车辆行为维度可以包括车辆的有线设备的信息维度和车辆的无线信息维度还可以包括车辆行驶状态等维度。

S103、对所述不同维度的特征信息输入至目标风险预测模型，获取每一维度的风险维度参数。

S104、对每一维度的风险维度参数进行处理，目标对象的风险等级标签。

目标风险预测模型是基于训练样本集训练得到的神经网络模型，如采用GBDT梯度提升决策树(Gradient Boosting Decision Tree)数据模型。训练样本集是目标对象与车辆相关信息进行整合后的数据集。该目标风险预测模型可以根据输入的信息，预测得到该信息维度的风险维度参数，具体的可以是各维度风险得分。

在得到每一维度的风险维度参数之后，可以通过加权处理方式计算得到风险总得分，然后确定与该得分对应的风险等级标签，如，高风险标签、低风险标签、中等风险标签等。对应的，还可以是若某个维度的风险维度参数超过预设参数范围，则将该目标对象的风险等级标签确定为高风险标签。

S105、基于所述风险等级标签，确定目标控制信息，以使得基于所述目标控制信息对所述目标对象进行风险控制。

目标控制信息用于对目标对象进行风险控制，目标控制信息可以是针对具体的执行方式进行控制，如对目标对象的催促还款提醒次数的控制。对应的，风险等级标签不同，目标控制信息不同。例如，属于高风险等级标签的目标对象在还款催促时间区间内，可以基于目标控制信息对其进行强提醒。

在实际的应用场景中，在用户的还款期间，通过对用户贷前申请信息、贷中还款表现及车辆行为表现，运用大数据挖掘及机器学习的方法，提取影响用户还款表现的重要因子，并通过决策树及数据拟合，对每个用户的重要因子进行计算并得出综合评分，结合综合评分对用户贷中风险进行等级划分。其次，针对不同风险等级的用户，制定匹配差异化的还款提醒策略，包括覆盖跟进的次数，沟通策略，一方面可最大程度的提高用户还款提醒管理效率，另一方面通过千人千面的沟通策略，能帮助贷中管理人员对用户进行精准沟通，提高还款提醒的效果，化解风险的发生。

在本发明实施例的一种可能的实现方式中，所述对所述关联数据进行特征筛选，得到不同维度的特征信息，包括：

对所述关联数据进行数据预处理，得到预处理后的数据；

获取所述预处理后的数据中的特征信息，并对所述特征信息进行特征相关性计算，得到计算结果；

基于所述计算结果，确定不同维度的特征信息。

其中，数据预处理可以是对采集到的各种数据先进行数据清洗、数据去重、数据格式统一化处理等。特征相关性计算可以是能够对特征之间的关联相关性，计算结果可以表征两个特征是否存在强关联，将强关联的特征可以归为一个维度下的特征，若不是强关联可以是不同的维度。

在本发明实施例中可以获取训练样本集，然后对训练样本集进行神经网络模型训练，得到风险预测模型。其中，训练样本集包括目标对象和车辆分别对应的属性和行为信息，且训练样本集中的每一训练样本标注有风险标签。对应的，得到的风险预测模型可以作为逾期风险模型来预测用户的风险标签。在模型训练过程中会基于训练样本的标准值与预测值对模型参数进行不断调整，以获得最终的模型。

在一种可能的实现方式中，所述对每一维度的风险维度参数进行处理，获得所述目标对象的风险等级标签，包括：

确定与每一维度的风险维度参数对应的权重值；

基于所述权重值，对各个风险维度参数进行计算，获得风险参数总值；

基于所述风险参数总值，确定所述目标对象的风险等级标签。

在该实施方式中是根据预先得到的权重值对每一维度的风险维度参数进行计算得到风险参数总值，然后匹配与之对应的风险等级标签。

在一种实施方式中，所述目标对象的还款行为维度对应的特征信息包括所述目标对象在预设还款周期内的还款特征信息，其中，所述将所述不同维度的特征信息输入至目标风险预测模型，获取每一维度的风险维度参数，包括：

将所述目标对象在预设还款周期内的还款特征信息输入至目标风险预测模型，获得目标周期对应的还款风险参数，所述目标周期为所述预设还款周期对应的后续还款周期。

在该实施方式中，可以以最新的数据对下一预测周期的进行风险预测，如通过用户前3期还款情况数据预测用户第4期还款逾期风险。

下面以具体的应用场景对本发明实施例中的逾期风险控制方法进行说明。

采集用户车辆GPS设备数据，清洗构建用户车辆驾驶行为数据，汇集用户历史借款数据及贷前身份资质、贷后履约表现数据，构建人车合一底层数据仓库；清洗汇集数据包含GPS轨迹、GPS警情、贷前申请、贷后还款记录等信息。根据过往的经验积累及专业分析，将收集的数据分为贷前身份资质、贷后履约表现、贷后驾驶行为3个维度信息，并建立贷前身份资质、贷后履约表现、贷后驾驶行为3个维度逾期风险模型，逾期风险模型采用GBDT梯度提升决策树(Gradient Boosting Decision Tree)数据模型。

将往期数据输入到逾期风险模型进行训练，计算用户贷前身份资质、贷后履约表现、贷后驾驶行为3个维度贷风险得分与实际逾期情况进行对比，并使用ks曲线评估模型准确性得出特征相关性，不断调整模型特征选择，以获得更高的预测准确性，最终得出各维度模型最有效的特征输入集。

筛选的有效特征包含，车辆驾驶行为特征有线设备离线、有线设备长停、无线设备离线、拆除报警、围栏报警特征等，身份资质特征包含性别、年龄分段、公司类型、所属行业、车辆定价等，履约表现特征包含大额、惯逾、上期还款情况、近3期还款情况、近6期还款情况等。

具体的，将经过甄别的有效特征输入GBDT梯度提升决策树(Gradient BoostingDecision Tree)数据模型，计算各维度风险得分，按权重拟合用户风险总得分，并划分用户风险等级，并依据经验分析及预测准确性调整权重及等级划分，并根据预测准确性，不断调整权重值，直到最终的准确性达到业务应用预期的水平，最终应用于预提醒催收策略的权重及等级；该步骤将各维度影响因子按权重拟合用户风险总得分，其中履约表现>驾驶行为>身份资质，根据风险总得分及履约表现划分用户风险等级，风险总得分<＝X1分数，为高风险，风险总得分>X1分数且履约表现分数≤Y2为中风险，风险总得分>X1分数且履约表现分数>Y2为低风险。

根据用户特征，组合用户风险标签，并匹配对应的还款预提醒策略，策略应用到预催收处理子系统。采集用户车辆信息包含车辆轨迹。该步骤选取最相关的特征，给用户标记风险标签，并匹配对应的还款预提醒策略，例如大额惯逾用户，且设备离线超时，策略建议为“建议持续跟进直到用户还款，电联用户小范围动车，排查车辆失联风险”，例如大额用户，且设备离线超时且触碰高风险区域报警，策略建议为“车辆存在转移风险隐患，建议重点持续跟进用户还款且邀约用户到店设备检修”。

参见图2，为本发明实施例提供的一种风险预测及策略匹配处理方法的流程图。通过汇集用户贷前身份资质、贷后履约表现、履约表现相关数据，构建人车合一底层数据仓库。数据模型系统，计算特征相关性，筛选用户全方位风险特征属性，计算用户贷前身份资质、贷后履约表现、贷后驾驶行为3个维度贷风险得分；根据各维度风险得分，按权重拟合用户风险总得分，并划分用户风险等级，并将风险等级推送至催收系统，将风险等级、用户特征推送至智能分析平台。催收系统将风险等级应用于预提醒策略的策略配置，例如高风险用户提前6天进行预提醒，中风险用户提前4天进行预提醒，低风险用户2天预提醒，高风险用户需人工预提醒，低风险用户机器人自动提醒。智能分析平台接收风险等级、用户特征等信息，汇集借款信息、车辆信息，调用谛听规则平台匹配策略建议，呈现借款信息、车辆信息、风险预测信息等全方位的信息展示。配置平台预先配置用户风险标签组合规则，根据用户特征，动态组合用户风险标签并匹配对应的还款预提醒策略。催收系统，客服登录系统执行预提醒操作，根据展示的用户逾期风险等级、策略建议、风险标签、借款信息、车辆信息等情况，综合进行预提醒。

本发明实施例提供的逾期风险控制方法，针对还款管理过程中，可以分析用户申请资质，还款表现及车辆行为全过程、全方位的风险评估模型，持续对用户还款期间的逾期风险进行监测，模型对风险预测的准确性，相交于还款单一维度的模型，提升了准确性。其次，用户逾期风险三维评估模型中，通过大数据挖掘、机器学习等算法，提炼出若干个影响用户逾期风险的重要因子标签，从而实现对每个单一客户与各自特征相匹配的风险特征展示，可有效帮助操作人员快速、全面的了解所沟通客户的风险特征，从而做出针对性沟通或操作，从而提升单一用户还款提醒效果。结合单一用户在申请资质、还款表现及车辆行为三维度的风险特征标签，进行标签组合及组合分类，并对不同分类用户，制定相应的沟通策略建议，以有效指导操作人员，针对不同风险特征用户，快速、有针对性开展还款沟通，实现精准沟通，提升了处理效率。

在本发明的另一实施例中还提供了一种逾期风险控制装置，参见图3，该装置可以包括：

获取单元10，用于获取目标对象的关联数据；

筛选单元20，用于对所述关联数据进行特征筛选，得到不同维度的特征信息，其中，所述特征信息的维度至少包括目标对象的属性维度、目标对象的还款行为维度以及目标对象的车辆行为维度；

模型处理单元30，用于将所述不同维度的特征信息输入至目标风险预测模型，获取每一维度的风险维度参数；

参数处理单元40，用于对每一维度的风险维度参数进行处理，获得所述目标对象的风险等级标签；

确定单元50，用于基于所述风险等级标签，确定目标控制信息，以使得基于所述目标控制信息对所述目标对象进行风险控制。

进一步地，所述筛选单元包括：

预处理子单元，用于对所述关联数据进行数据预处理，得到预处理后的数据；

第一计算子单元，用于获取所述预处理后的数据中的特征信息，并对所述特征信息进行特征相关性计算，得到计算结果；

第一确定子单元，用于基于所述计算结果，确定不同维度的特征信息。

进一步地，所述装置还包括：

样本获取单元，用于获取训练样本集，所述训练样本集包括目标对象和车辆分别对应的属性和行为信息，且训练样本集中的每一训练样本标注有风险标签；

模型训练单元，用于对所述训练样本集进行神经网络模型训练，得到风险预测模型。

进一步地，所述参数处理单元包括：

第二确定子单元，用于确定与每一维度的风险维度参数对应的权重值；

第二计算子单元，用于基于所述权重值，对各个风险维度参数进行计算，获得风险参数总值；

第三确定子单元，用于基于所述风险参数总值，确定所述目标对象的风险等级标签。

进一步地，所述目标对象的还款行为维度对应的特征信息包括所述目标对象在预设还款周期内的还款特征信息，其中，所述模型处理单元具体用于：

将所述目标对象在预设还款周期内的还款特征信息输入至目标风险预测模型，获得目标周期对应的还款风险参数，所述目标周期为所述预设还款周期对应的后续还款周期。

本发明提供了一种逾期风险控制装置，包括：获取目标对象的关联数据；对关联数据进行特征筛选，得到不同维度的特征信息，其中，特征信息的维度至少包括目标对象的属性维度、目标对象的还款行为维度以及目标对象的车辆行为维度；将不同维度的特征信息输入至目标风险预测模型，获取每一维度的风险维度参数；对每一维度的风险维度参数进行处理，获得目标对象的风险等级标签；基于风险等级标签，确定目标控制信息，以使得基于目标控制信息对目标对象进行风险控制。本发明实现了对多维度信息的分析，并且能够通过模型进行客观处理，使得得到的风险维度参数与目标对象更加匹配，以获得与目标对象对应的控制信息，进而提升了风险管控系统的处理效率和精度。

本说明书中各个实施例采用递进的方式描述，每个实施例重点说明的都是与其他实施例的不同之处，各个实施例之间相同相似部分互相参见即可。对于实施例公开的装置而言，由于其与实施例公开的方法相对应，所以描述的比较简单，相关之处参见方法部分说明即可。

对所公开的实施例的上述说明，使本领域专业技术人员能够实现或使用本发明。对这些实施例的多种修改对本领域的专业技术人员来说将是显而易见的，本文中所定义的一般原理可以在不脱离本发明的精神或范围的情况下，在其它实施例中实现。因此，本发明将不会被限制于本文所示的这些实施例，而是要符合与本文所公开的原理和新颖特点相一致的最宽的范围。

Claims (10)

1.一种逾期风险控制方法，其特征在于，所述方法包括：

获取目标对象的关联数据；

对所述关联数据进行特征筛选，得到不同维度的特征信息，其中，所述特征信息的维度至少包括目标对象的属性维度、目标对象的还款行为维度以及目标对象的车辆行为维度；

将所述不同维度的特征信息输入至目标风险预测模型，获取每一维度的风险维度参数；

对每一维度的风险维度参数进行处理，获得所述目标对象的风险等级标签；

基于所述风险等级标签，确定目标控制信息，以使得基于所述目标控制信息对所述目标对象进行风险控制。

2.根据权利要求1所述的方法，其特征在于，所述对所述关联数据进行特征筛选，得到不同维度的特征信息，包括：

对所述关联数据进行数据预处理，得到预处理后的数据；

获取所述预处理后的数据中的特征信息，并对所述特征信息进行特征相关性计算，得到计算结果；

基于所述计算结果，确定不同维度的特征信息。

3.根据权利要求1所述的方法，其特征在于，所述方法还包括：

获取训练样本集，所述训练样本集包括目标对象和车辆分别对应的属性和行为信息，且训练样本集中的每一训练样本标注有风险标签；

对所述训练样本集进行神经网络模型训练，得到风险预测模型。

4.根据权利要求1所述的方法，其特征在于，所述对每一维度的风险维度参数进行处理，获得所述目标对象的风险等级标签，包括：

确定与每一维度的风险维度参数对应的权重值；

基于所述权重值，对各个风险维度参数进行计算，获得风险参数总值；

基于所述风险参数总值，确定所述目标对象的风险等级标签。

5.根据权利要求1所述的方法，其特征在于，所述目标对象的还款行为维度对应的特征信息包括所述目标对象在预设还款周期内的还款特征信息，其中，所述将所述不同维度的特征信息输入至目标风险预测模型，获取每一维度的风险维度参数，包括：

将所述目标对象在预设还款周期内的还款特征信息输入至目标风险预测模型，获得目标周期对应的还款风险参数，所述目标周期为所述预设还款周期对应的后续还款周期。

6.一种逾期风险控制装置，其特征在于，所述装置包括：

获取单元，用于获取目标对象的关联数据；

筛选单元，用于对所述关联数据进行特征筛选，得到不同维度的特征信息，其中，所述特征信息的维度至少包括目标对象的属性维度、目标对象的还款行为维度以及目标对象的车辆行为维度；

模型处理单元，用于将所述不同维度的特征信息输入至目标风险预测模型，获取每一维度的风险维度参数；

参数处理单元，用于对每一维度的风险维度参数进行处理，获得所述目标对象的风险等级标签；

确定单元，用于基于所述风险等级标签，确定目标控制信息，以使得基于所述目标控制信息对所述目标对象进行风险控制。

7.根据权利要求6所述的装置，其特征在于，所述筛选单元包括：

预处理子单元，用于对所述关联数据进行数据预处理，得到预处理后的数据；

第一计算子单元，用于获取所述预处理后的数据中的特征信息，并对所述特征信息进行特征相关性计算，得到计算结果；

第一确定子单元，用于基于所述计算结果，确定不同维度的特征信息。

8.根据权利要求6所述的装置，其特征在于，所述装置还包括：

样本获取单元，用于获取训练样本集，所述训练样本集包括目标对象和车辆分别对应的属性和行为信息，且训练样本集中的每一训练样本标注有风险标签；

模型训练单元，用于对所述训练样本集进行神经网络模型训练，得到风险预测模型。

9.根据权利要求6所述的装置，其特征在于，所述参数处理单元包括：

第二确定子单元，用于确定与每一维度的风险维度参数对应的权重值；

第二计算子单元，用于基于所述权重值，对各个风险维度参数进行计算，获得风险参数总值；

第三确定子单元，用于基于所述风险参数总值，确定所述目标对象的风险等级标签。

10.根据权利要求6所述的装置，其特征在于，所述目标对象的还款行为维度对应的特征信息包括所述目标对象在预设还款周期内的还款特征信息，其中，所述模型处理单元具体用于：

将所述目标对象在预设还款周期内的还款特征信息输入至目标风险预测模型，获得目标周期对应的还款风险参数，所述目标周期为所述预设还款周期对应的后续还款周期。

Images