CN114897603A - 一种基于大数据的农民专业合作社用信用评分方法 - Google Patents
一种基于大数据的农民专业合作社用信用评分方法 Download PDFInfo
- Publication number
- CN114897603A CN114897603A CN202210579237.4A CN202210579237A CN114897603A CN 114897603 A CN114897603 A CN 114897603A CN 202210579237 A CN202210579237 A CN 202210579237A CN 114897603 A CN114897603 A CN 114897603A
- Authority
- CN
- China
- Prior art keywords
- credit
- data
- module
- information
- class
- 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
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
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
- G06F16/21—Design, administration or maintenance of databases
- G06F16/211—Schema design and management
- G06F16/212—Schema design and management with details for data modelling support
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
- G06F16/21—Design, administration or maintenance of databases
- G06F16/215—Improving data quality; Data cleansing, e.g. de-duplication, removing invalid entries or correcting typographical errors
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
- G06F16/24—Querying
- G06F16/245—Query processing
- G06F16/2455—Query execution
- G06F16/24553—Query execution of query operations
- G06F16/24554—Unary operations; Data partitioning operations
- G06F16/24556—Aggregation; Duplicate elimination
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
- G06F16/25—Integrating or interfacing systems involving database management systems
- G06F16/254—Extract, transform and load [ETL] procedures, e.g. ETL data flows in data warehouses
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
- G06F16/28—Databases characterised by their database models, e.g. relational or object models
- G06F16/284—Relational databases
- G06F16/285—Clustering or classification
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N5/00—Computing arrangements using knowledge-based models
- G06N5/01—Dynamic search techniques; Heuristics; Dynamic trees; Branch-and-bound
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Databases & Information Systems (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- General Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Computational Linguistics (AREA)
- Finance (AREA)
- Accounting & Taxation (AREA)
- Computing Systems (AREA)
- Software Systems (AREA)
- Mathematical Physics (AREA)
- Evolutionary Computation (AREA)
- Development Economics (AREA)
- Economics (AREA)
- Marketing (AREA)
- Strategic Management (AREA)
- Technology Law (AREA)
- General Business, Economics & Management (AREA)
- Artificial Intelligence (AREA)
- Quality & Reliability (AREA)
- Financial Or Insurance-Related Operations Such As Payment And Settlement (AREA)
Abstract
本发明涉及评分方法技术领域,且公开了一种基于大数据的农民专业合作社用信用评分方法,包括信息提取模块、信息预处理模块、信息建模模块、信用初选模块、信用复选模块、信用评级模块,信息提取模块是对不同的信息进行业务数据抽取,信息预处理模块是对该数据信息进行分类优化处理,信息建模模块是将用户的征信记录构建形成完成的数据库,信用初选模块是提取数据库中所需要的有效数据对数据进行合理性归类并判定;该用于一种基于大数据的农民专业合作社用信用评分方法,综合了专家判断、打分法、决策树的优点,相对于传统的评分模型,得出的结论将更加科学,准确性更高,适用性更强。
Description
技术领域
本发明涉及评分方法技术领域,更具体地涉及一种基于大数据的农民专业合作社用信用评分方法。
背景技术
银行信用评分是对一家银行当前偿付其金融债务的总体金融能力的评价,它对于存款人和投资者评估风险报酬、优化投资结构、回避投资风险,对商业银行拓宽筹资渠道、稳定资金来源、降低筹资费用,对监管当局提高监管效率,削弱金融市场上的信息不对称,降低市场运行的波动性,都具有非常重要的意义。
银行信用评级一般包括三个步骤:首先,估价银行独立的财务实力和外部营业环境便确定其个体评级;然后,确定一个支持评级;最后,综合个体评级和支持评级这两个不同因素,经过专家会议讨论,得出银行的信用评级农民专业合作社的信用评级方法;概括来说目前在金融、银行等机构主要采用专家判断、打分卡、违约概率模型三种方法。
现有的合作社用信用评分方法中存在一些短板,使得评价时间较长,评判结构不够精确,例如专家判断法:对专家的要求过高;使用打分卡法:需要长时间使用才能得到贷款主体的违约率;违约率模型:需要有比较久且数据质量高的历史数据。
因此亟需新的一种基于大数据的农民专业合作社用信用评分方法。
发明内容
解决的技术问题
针对现有技术的不足,本发明提供了一种基于大数据的农民专业合作社用信用评分方法,解决了现有的合作社用信用评分方法中存在一些短板,使得评价时间较长,评判结构不够精确,例如专家判断法:对专家的要求过高;使用打分卡法:需要长时间使用才能得到贷款主体的违约率;违约率模型:需要有比较久且数据质量高的历史数据的问题。
技术方案
为实现上述目的,本发明提供如下技术方案:一种基于大数据的农民专业合作社用信用评分方法,包括信息提取模块、信息预处理模块、信息建模模块、信用初选模块、信用复选模块、信用评级模块,所述信息提取模块是对不同的信息进行业务数据抽取,所述信息预处理模块是对该数据信息进行分类优化处理,所述信息建模模块是将用户的征信记录构建形成完成的数据库,所述信用初选模块是提取数据库中所需要的有效数据对数据进行合理性归类并判定。
优选的,所述信息提取模块和信息预处理模块所提取并分类处理的具体信息包括规模类、财务类、社会影响类、失信行为类,规模类包括成立时间、成员人数、流转土地面积、流转土地年限,财务类包括资产总额、经营收入、资产负债率、年净利润、流动比率、是否获得过贷款、获得过政府扶持项目,社会影响类包括示范社级别、产品认证级别、法人经营能力、法人声誉、法人的教育程度、法人的年龄,失信行为类包括分配制度不规范、管理者被行政告诫、管理者被行政处罚、管理者被刑事处罚、管理者被列入失信黑名单、合作社有不能信用记录、合作社被行政告诫、合作社被行政处罚、管理者被刑事处罚、管理者被刑事处罚。
优选的,信用初选模块为智能化数据处理服务中心,具体设置为企业内部一种分类筛选服务器,服务器根据既定的程序设定将分数分类划分为信用积累,信用流失,信用积累包括对规模类、财务类、社会影响类,信用流失类包括管理不规范、管理者失信行为、失信行为类进行详细合理的归类统计以及判定。
优选的,一种基于大数据的农民专业合作社用信用评分方法,具体步骤如下:
利用信息提取模块进行数据信息提取再传输给信息预处理模块进行数据进行分类优化预处理;
将预处理的数据信息传输至信息建模模块将用户的征信记录信息构建形成完成的数据库并提供给至信用初选模块;
信用初选模块将根据编程指令对数据库中的既定数据进行识别并提取出所需的指标大类传输给信用复选模块;
信用复选模块根据程序指令对指标大类进行细化为指标小类传输给信用评级模块。
优选的,所述信息预处理模块的数据预处理优化过程是一种特殊的计算机检测,利用CPU处理器将数据与已知的标准值进行比较,并将差别度高于一定阈值的数据信息输入表格,再由二次智能审核表格中的图形,确定隔离点,并给出数据中的隔离点值。
优选的,所述信息建模模块以提取数据信息的集成为基础,搭建信息数据的基本框架,最终产生数据库,设计数据库的过程涉及生成前面描述的三种类型的模式-概念、逻辑和物理,模式中记录的数据库设计通过数据定义语言进行转换,然后生成数据库。
优选的,所述信用复选模块是基于信用初选模块之后的细化服务处理器,补充具体细化分类,剔除数据缺失、不准确、不必要因素的指标,其中信用复选模块包括专家判断、打分卡、决策树,根据指标定性、定量,以及关联特性来确定适合专家判断、打分卡,决策树的数据信息。
优选的,所述信用评级模块采用信用积累分、信用流失分双向计分,各自都采用百分制,信用评级模块包括专家判断指标、定性指标、决策树指标。
优选的,所述信息建模模块将用户的征信记录信息构建形成完成数据库分类组的具体步骤:包括根据编码进分组查询、对分组的结果进循环查询,详细编程代码语句:
优选的,所述数据提取与再传送的具体步骤是:调用CUDA程序模型数据复制接口功能cudaMemcpy,将来自主机的in_GPU_data的输入数据复制到设备端,以便以后的工作;其次,对GPU进行并行运算的Block数目和线程数目进行初始化,根据组态参数,开始自定义的内核函数dealMutiFileOnGPU,将每个流档分配到一个具体的线程块Block,并在此基础上,利用CUFFT函数库编制的FFT FFT接口FFT_onGPU,再次进行GPU的并行运算,计算出经过快速傅里叶转换的包时隙频率相关特征值,最后利用cudaMemcpy函数将GPU的计算结果返回到主机内存。
有益效果
本发明提供了一种基于大数据的农民专业合作社用信用评分方法,具备以下有益效果:
该一种基于大数据的农民专业合作社用信用评分方法,通过信用复选模块和信用评级模块解决了对专家的要求过高、需要长时间使用才能得到贷款主体的违约率、需要有比较久且数据质量高的历史数据的问题,此方法根据农民专业合作社的发展现状,数据情况,综合了专家判断、打分法、决策树的优点,相对于传统的评分模型,得出的结论将更加科学,准确性更高,适用性更强。
附图说明
图1为本发明的整体结构示意图。
具体实施方式
以下将参考附图对本发明的示范性实施例进行更详细的说明,尽管在附图中展示了本发明的示范性实施例,但是应该明白,本发明可以在不受本文的实施方式的约束的情况下以多种形式来实施,更确切地说,提供这些实施方式以使本发明能够更彻底地理解,以及向本领域技术人员充分地交流本发明的范围。
同时,应该理解,为方便说明,附图中所显示的各部件的大小并非以实际比例关系来画。
下面的至少一个示范性实施例的描述事实上只是例证,并不构成对该应用和其他应用或使用的任何限制。
本技术、方法和设备在本领域中的技术、方法和设备也许不会被详细地论述,但是在合适的时候,它们应该被看作是本说明书的一部分。
请注意:以下附图中的相似数字和字母代表相似的项目,所以,一旦在一个图中定义了某个项目,那么在后面的附图中就不会再详细地论述了。
该应用的实施方式能够被应用到能够与许多其他公共的或者特定的计算系统环境或者配置相结合的计算机系统/服务器,适用于计算机系统/服务器的已知计算系统、环境及/或结构的实例,包括但不局限于:个人计算机系统、服务器计算机系统、瘦客户机、厚客户机、手持或膝上设备、微处理器系统、机顶盒、可编程消费电子产品、网络个人电脑、小型电脑系统、大型计算机系统、分布式云计算技术环境,以及包含以上提到的任意系统的分布式云计算技术环境。
可以在计算机系统所执行的计算机系统可执行指令(例如,程序模块)的通用上下文中对计算机系统/服务器进行说明,程序模块一般包括程序,程序,目标程序,组件,逻辑,数据结构,等等,这些程序可以完成具体的工作,或实现具体的数据类型,计算机系统/服务器可以实现在一个分布的云计算环境中,其中,通过一个通讯网络连接的一个远程处理装置来完成任务,在分布的云计算环境下,程式模组可以放置在包含储存装置的本机或远端电脑储存媒体上。
本发明提供一种技术方案:一种基于大数据的农民专业合作社用信用评分方法,包括信息提取模块、信息预处理模块、信息建模模块、信用初选模块、信用复选模块、信用评级模块,信息提取模块是对不同的信息进行业务数据抽取,信息预处理模块是对该数据信息进行分类优化处理,信息建模模块是将用户的征信记录构建形成完成的数据库,信用初选模块是提取数据库中所需要的有效数据对数据进行合理性归类并判定,信息提取模块和信息预处理模块所提取并分类处理的具体信息包括规模类、财务类、社会影响类、失信行为类,规模类包括成立时间、成员人数、流转土地面积、流转土地年限,财务类包括资产总额、经营收入、资产负债率、年净利润、流动比率、是否获得过贷款、获得过政府扶持项目,社会影响类包括示范社级别、产品认证级别、法人经营能力、法人声誉、法人的教育程度、法人的年龄,失信行为类包括分配制度不规范、管理者被行政告诫、管理者被行政处罚、管理者被刑事处罚、管理者被列入失信黑名单、合作社有不能信用记录、合作社被行政告诫、合作社被行政处罚、管理者被刑事处罚、管理者被刑事处罚。
一种基于大数据的农民专业合作社用信用评分方法,具体如下:
101、利用信息提取模块进行数据信息提取再传输给信息预处理模块进行数据进行分类优化预处理;
本实施例中,需要具体说明是进行提取并传输的过程,首先,数据提取与再传送的具体步骤是:调用CUDA程序模型数据复制接口功能cudaMemcpy,将来自主机的in_GPU_data的输入数据复制到设备端,以便以后的工作;其次,对GPU进行并行运算的Block数目和线程数目进行初始化,根据组态参数,开始自定义的内核函数dealMutiFileOnGPU,将每个流档分配到一个具体的线程块Block,并在此基础上,利用CUFFT函数库编制的FFT FFT接口FFT_onGPU,再次进行GPU的并行运算,计算出经过快速傅里叶转换的包时隙频率相关特征值,最后利用cudaMemcpy函数将GPU的计算结果返回到主机内存;信息预处理模块的数据预处理优化过程是一种特殊的计算机检测,利用CPU处理器将数据与已知的标准值进行比较,并将差别度高于一定阈值的数据信息输入表格,再由二次智能审核表格中的图形,确定隔离点,并给出数据中的隔离点值。
其中,在此基础上,提出了一种新的基于网络的业务特性的方法,接着,将各个流作为一个单元,依次从流数据中求出对应的特征值,从而使后续的机器算法能够继续从硬盘中读取要处理的流档,直至运算完成,而以上的抽取方法是一个特定的抽取方案,并且在相同的技术效果条件下,该实施例的技术算法不再限制于更特定的方案形式。
102、将预处理的数据信息传输至信息建模模块将用户的征信记录信息构建形成完成的数据库并提供给至信用初选模块;
本实施例中,需要具体说明是信息建模模块以提取数据信息的集成为基础,搭建信息数据的基本框架,最终产生数据库,设计数据库的过程涉及生成前面描述的三种类型的模式-概念、逻辑和物理,模式中记录的数据库设计通过数据定义语言进行转换,然后生成数据库;
信息建模模块将用户的征信记录信息构建形成完成数据库分类组的具体步骤:包括根据编码进分组查询、对分组的结果进循环查询,详细编程代码语句:
其中,目前互联网上常见的数据库管理软件有Sybase、DB2、Oracle、MySQL、Access、Visual Foxpro(面向对象型)、MS SQL Server、Informix、PostgreSQL(对象-关系型)这几种,由于其体积小、速度快、总体拥有成本低,尤其是开放源码这一特点,许多中小型网站为了降低网站总体拥有成本而选择了MySQL作为网站数据库。
103、信用初选模块将根据编程指令对数据库中的既定数据进行识别并提取出所需的指标大类传输给信用复选模块;
本实施例中,需要具体说明是信用初选模块为智能化数据处理服务中心,具体设置为企业内部一种分类筛选服务器,服务器根据既定的程序设定将分数分类划分为信用积累,信用流失,信用积累包括对规模类、财务类、社会影响类,信用流失类包括管理不规范、管理者失信行为、失信行为类进行详细合理的归类统计以及判定;信用复选模块是基于信用初选模块之后的细化服务处理器,补充具体细化分类,剔除数据缺失、不准确、不必要因素的指标,其中信用复选模块包括专家判断、打分卡、决策树,根据指标定性、定量,以及关联特性来确定适合专家判断、打分卡,决策树的数据信息。
其中,信用初选模块在构建指标体系时候必须遵循以下原则:
a、全面性,评级指标体系中所包含的内容要将影响被对象的信用状况的各种因素尽可能地反映出来,指标应该涵盖合作社的财务状况、经济状况、社会资本等各项因素;
b、科学性,评级指标体系中,各个指标之间的既不能重复也不能矛盾,指标选取应该由统一的口径、测量标准;
c、动态、静态结合,农民专业合作社的发展是动态的,评估指标应该能够将其经营绩效与管理状况的发展反映出来,要动静结合,静态反应现在,动态预测未来;
d、可操作性原则,避免构建过于复杂的指标层次,避免选择数据资料的不易获得的指标,技术口径清晰、简单合理,评级过程可操作。
其中,信用复选模块为提高信用评级的准确性和效率,对农民专业合作社初始数据进行探查,剔除数据缺失、不准确,或者是不必要因素的指标,同时根据指标定性、定量,以及关联特性来确定哪些适合专家判断、哪些适合打分卡,哪些适合决策树,复选标准如下:
104、信用复选模块根据程序指令对指标大类进行细化为指标小类传输给信用评级模块;
本实施例中,需要具体说明是信用评级模块采用信用积累分、信用流失分双向计分,各自都采用百分制,信用评级模块包括专家判断指标、定性指标、决策树指标。
其中,专家判断指标、定性指标、决策树指标的具体打分标准如下:
评级 | 评级说明 | 信用积累分 | 信用流失分 |
AAA | 信用优异 | N》90 | M=0 |
AA | 信用良好 | 80《N<90 | M=0 |
A | 信用稳定 | N》70 | M=0 |
B | 信用波动 | 40>M》10 | |
C | 信用低下 | 75>M》40 | |
D | 信用丧失 | 》75或吊销营业执照 |
其中,采用专家判断指标:定性指标主要是信用流失类,直接指定信用等级,其他的直接确定分值;
采用打分卡指标:根据对信用影响的程度,分值;
采用决策树指标:决策树方法主要是规模类和财务类的指标在信用积累方面的计分,这些指标的总分数为100-(专家判断法+打分卡)分值,用决策树计算出各个指标的分值。
其中,根据既定的指标积分标准数据表,程序性导出具体累计积分值;
尽管已经示出和描述了本发明的实施例,对于本领域的普通技术人员而言,可以理解在不脱离本发明的原理和精神的情况下可以对这些实施例进行多种变化、修改、替换和变型,本发明的范围由所附权利要求及其等同物限定。
Claims (9)
1.一种基于大数据的农民专业合作社用信用评分方法,其特征在于:包括信息提取模块、信息预处理模块、信息建模模块、信用初选模块、信用复选模块、信用评级模块,包括下列步骤:
利用信息提取模块进行数据信息提取再传输给信息预处理模块进行数据进行分类优化预处理;
将预处理的数据信息传输至信息建模模块将用户的征信记录信息构建形成完成的数据库并提供给至信用初选模块;
信用初选模块将根据编程指令对数据库中的既定数据进行识别并提取出所需的指标大类传输给信用复选模块;
信用复选模块根据程序指令对指标大类进行细化为指标小类传输给信用评级模块。
2.根据权利要求1所述的一种基于大数据的农民专业合作社用信用评分方法,其特征在于:所述信息提取模块和信息预处理模块所提取并分类处理的具体信息包括规模类、财务类、社会影响类、失信行为类,规模类包括成立时间、成员人数、流转土地面积、流转土地年限,财务类包括资产总额、经营收入、资产负债率、年净利润、流动比率、是否获得过贷款、获得过政府扶持项目,社会影响类包括示范社级别、产品认证级别、法人经营能力、法人声誉、法人的教育程度、法人的年龄,失信行为类包括分配制度不规范、管理者被行政告诫、管理者被行政处罚、管理者被刑事处罚、管理者被列入失信黑名单、合作社有不能信用记录、合作社被行政告诫、合作社被行政处罚、管理者被刑事处罚、管理者被刑事处罚。
3.根据权利要求1所述的一种基于大数据的农民专业合作社用信用评分方法,其特征在于:信用初选模块为智能化数据处理服务中心,具体设置为企业内部一种分类筛选服务器,服务器根据既定的程序设定将分数分类划分为信用积累,信用流失,信用积累包括对规模类、财务类、社会影响类,信用流失类包括管理不规范、管理者失信行为、失信行为类进行详细合理的归类统计以及判定。
4.根据权利要求1所述的一种基于大数据的农民专业合作社用信用评分方法,其特征在于:所述信息预处理模块的数据预处理优化过程是一种特殊的计算机检测,利用CPU处理器将数据与已知的标准值进行比较,并将差别度高于一定阈值的数据信息输入表格,再由二次智能审核表格中的图形,确定隔离点,并给出数据中的隔离点值。
5.根据权利要求1所述的一种基于大数据的农民专业合作社用信用评分方法,其特征在于:所述信息建模模块以提取数据信息的集成为基础,搭建信息数据的基本框架,最终产生数据库,设计数据库的过程涉及生成前面描述的三种类型的模式-概念、逻辑和物理,模式中记录的数据库设计通过数据定义语言进行转换,然后生成数据库。
6.根据权利要求1所述的一种基于大数据的农民专业合作社用信用评分方法,其特征在于:所述信用复选模块是基于信用初选模块之后的细化服务处理器,补充具体细化分类,剔除数据缺失、不准确、不必要因素的指标,其中信用复选模块包括专家判断、打分卡、决策树,根据指标定性、定量,以及关联特性来确定适合专家判断、打分卡,决策树的数据信息。
7.根据权利要求1所述的一种基于大数据的农民专业合作社用信用评分方法,其特征在于:所述信用评级模块采用信用积累分、信用流失分双向计分,各自都采用百分制,信用评级模块包括专家判断指标、定性指标、决策树指标。
8.根据权利要求1所述的一种基于大数据的农民专业合作社用信用评分方法,其特征在于:所述信息建模模块将用户的征信记录信息构建形成完成数据库分类组的具体步骤:包括根据编码进分组查询、对分组的结果进循环查询,详细编程代码语句:<!--根据规模类、财务类、社会影响类、失信行为类进行排序分组(record_type:1规模类;2财务类;3社会影响类;4失信行为类)-->
<!--提:分组时使用max()函数主要是解决分组字段和返回字段不致引起的报错问题-->
<select id="getModelsCarList"parameterType="java.lang.String"resultType="com.***.***.dto.ModelVo">
SELECT*FROM
<choose>
<!--按规模类进行分组-->
<when test="seriesCode!=null and seriesCode!=”">
(SELECTc.series_code,c.model_code,MAX(c.model_name)model_name,MAX(c.model_id)model_id
FROM models_scale c GROUP BY c.series_code,c.model_code)AS tt
where tt.series_code=#{seriesCode}
</when>
<otherwise>
<!--按财务类分组-->
(SELECTc.series_code,MAX(c.series_name)series_name,MAX(c.series_id)series_id,MAX(c.Financial class)Financial class FROM models_Financial c GROUPBY c.series_code)AS tt wher e tt.Financial class=1
</otherwise>
<!--按社会影响类-->
<when test="seriesCode!=null and seriesCode!=”">
(SELECTc.series_code,c.model_code,MAX(c.model_name)model_n ame,MAX(c.model_id)model_id
FROM models_Social c GROUP BY c.series_code,c.model_code)AS tt
where tt.series_code=#{seriesCode}
</when>
<otherwise>
<!--按失信行为类-->
(SELECTc.series_code,MAX(c.series_name)series_name,MAX(c.series_id)series_id,MAX(c.promises)promises
FROM models_promises c GROUP BY c.series_code)AS tt where tt.Financialclass=1
</otherwise>
<choose>
<select>。
9.根据权利要求1所述的一种基于大数据的农民专业合作社用信用评分方法,其特征在于:数据提取与再传送的具体步骤是:调用CUDA程序模型数据复制接口功能cudaMemcpy,将来自主机的in_GPU_data的输入数据复制到设备端。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210579237.4A CN114897603A (zh) | 2022-05-25 | 2022-05-25 | 一种基于大数据的农民专业合作社用信用评分方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210579237.4A CN114897603A (zh) | 2022-05-25 | 2022-05-25 | 一种基于大数据的农民专业合作社用信用评分方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN114897603A true CN114897603A (zh) | 2022-08-12 |
Family
ID=82726553
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210579237.4A Pending CN114897603A (zh) | 2022-05-25 | 2022-05-25 | 一种基于大数据的农民专业合作社用信用评分方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114897603A (zh) |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104299105A (zh) * | 2014-11-02 | 2015-01-21 | 中国科学院软件研究所 | 一种支持复杂企业环境的信用数据管理系统及方法 |
CN107240014A (zh) * | 2017-04-28 | 2017-10-10 | 天合泽泰(厦门)征信服务有限公司 | 一种基于企业征信业务的信用评级方法 |
-
2022
- 2022-05-25 CN CN202210579237.4A patent/CN114897603A/zh active Pending
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104299105A (zh) * | 2014-11-02 | 2015-01-21 | 中国科学院软件研究所 | 一种支持复杂企业环境的信用数据管理系统及方法 |
CN107240014A (zh) * | 2017-04-28 | 2017-10-10 | 天合泽泰(厦门)征信服务有限公司 | 一种基于企业征信业务的信用评级方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
EP4195112A1 (en) | Systems and methods for enriching modeling tools and infrastructure with semantics | |
US20180260891A1 (en) | Systems and methods for generating and using optimized ensemble models | |
US10614073B2 (en) | System and method for using data incident based modeling and prediction | |
WO2019061976A1 (zh) | 基金产品推荐方法、装置、终端设备及存储介质 | |
US10867245B1 (en) | System and method for facilitating prediction model training | |
US11037238B1 (en) | Machine learning tax based credit score prediction | |
US20170221075A1 (en) | Fraud inspection framework | |
US20190012367A1 (en) | Systems and Methods for Ranking Entities | |
US20240126730A1 (en) | Schema Validation with Data Synthesis | |
CN116468273A (zh) | 客户风险识别方法及装置 | |
CN113177733B (zh) | 基于卷积神经网络的中小微企业数据建模方法及系统 | |
WO2022143431A1 (zh) | 一种反洗钱模型的训练方法及装置 | |
US20220164374A1 (en) | Method of scoring and valuing data for exchange | |
CN114897603A (zh) | 一种基于大数据的农民专业合作社用信用评分方法 | |
US11922352B1 (en) | System and method for risk tracking | |
US20220058658A1 (en) | Method of scoring and valuing data for exchange | |
Baxter et al. | Predictive model of insolvency risk for Australian corporations | |
CN113849618A (zh) | 基于知识图谱的策略确定方法、装置、电子设备及介质 | |
CN114626940A (zh) | 数据分析方法、装置及电子设备 | |
CN114170000A (zh) | 信用卡用户风险类别识别方法、装置、计算机设备和介质 | |
CN113743817A (zh) | 一种基于云平台的企业信用等级评估方法 | |
Ashofteh | Big data for credit risk analysis: Efficient machine learning models using pyspark | |
US20240086816A1 (en) | Systems and methods for risk factor predictive modeling with document summarization | |
US20240086815A1 (en) | Systems and methods for risk factor predictive modeling with document summarization | |
Cheng et al. | Construction of Enterprise Financial Early Warning Model Based on Intelligent Mathematical Model |
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 |