CN115237970A - 数据预测方法、装置、设备、存储介质及程序产品 - Google Patents
数据预测方法、装置、设备、存储介质及程序产品 Download PDFInfo
- Publication number
- CN115237970A CN115237970A CN202210864460.3A CN202210864460A CN115237970A CN 115237970 A CN115237970 A CN 115237970A CN 202210864460 A CN202210864460 A CN 202210864460A CN 115237970 A CN115237970 A CN 115237970A
- Authority
- CN
- China
- Prior art keywords
- user
- target
- historical
- prediction
- variable
- 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
- 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
- G06F16/2458—Special types of queries, e.g. statistical queries, fuzzy queries or distributed queries
- G06F16/2462—Approximate or statistical queries
-
- 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
- G06F16/2457—Query processing with adaptation to user needs
-
- 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"
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Business, Economics & Management (AREA)
- General Physics & Mathematics (AREA)
- Strategic Management (AREA)
- Economics (AREA)
- General Engineering & Computer Science (AREA)
- Databases & Information Systems (AREA)
- Data Mining & Analysis (AREA)
- Human Resources & Organizations (AREA)
- Computational Linguistics (AREA)
- Probability & Statistics with Applications (AREA)
- Quality & Reliability (AREA)
- General Business, Economics & Management (AREA)
- Development Economics (AREA)
- Game Theory and Decision Science (AREA)
- Fuzzy Systems (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Tourism & Hospitality (AREA)
- Operations Research (AREA)
- Marketing (AREA)
- Entrepreneurship & Innovation (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种数据预测方法、装置、设备、存储介质及程序产品,涉及信息处理领域。该方法包括:响应于检测到对目标用户的目标数据项的预测请求,获取预先划分的多个用户分群;基于目标用户对应的特征向量和各用户分群中包含的历史用户对应的特征向量,从各用户分群中筛选出与目标用户匹配的目标分群;获取目标分群对应的目标数据项的历史计算结果,基于历史计算结果确定目标用户的目标数据项的预测结果,即本发明实施例可以基于目标用户对应的特征向量和各用户分群中包含的历史用户对应的特征向量,从各用户分群中筛选出目标分群,基于目标分群对应的目标数据项的历史计算结果确定目标用户的目标数据项的预测结果,提高数据预测的准确率。
Description
技术领域
本发明实施例涉及信息处理领域,尤其涉及一种数据预测方法、装置、设备、存储介质及程序产品。
背景技术
目前在对用户的某一数据项的数据值(比如信用卡违约损失值)进行预测时,预测方法主要分为如下两大类:
第一种是历史数据平均法,即根据实际的历史数据进行加权平均,再根据专家经验和业务知识将其映射至新客户。
第二种是利用深度学习模型进行预测,即在实际历史数据或相关数据的基础上,利用神经网络等算法,对新用户的数据值进行预测。
上述第一种方法虽然实现较简单,也容易被业务部门接受,但是专家经验和业务知识往往具有主观性,不够客观,准确性较低。
上述第二种方法从理论上讲可以解决第一种方法的缺点,但是目前技术尚不成熟,实现成本和难度也较高,相关模型往往可解释性较差。
发明内容
本发明实施例提供一种数据预测方法、装置、设备、存储介质及程序产品,以提高数据预测的准确率,并降低数据预测的成本和难度,进而提高数据预测的效率。
第一方面,本发明实施例提供了数据预测方法,包括:
响应于检测到对目标用户的目标数据项的预测请求,获取预先划分的多个用户分群;其中,各所述用户分群中包含至少一个历史用户的标识信息;
基于所述目标用户对应的特征向量以及各所述用户分群中包含的历史用户对应的特征向量,从各所述用户分群中筛选出与所述目标用户匹配的目标分群;
获取所述目标分群对应的所述目标数据项的历史计算结果,基于所述历史计算结果确定所述目标用户的所述目标数据项的预测结果。
第二方面,本发明实施例还提供了数据预测装置,该装置包括:
预测请求响应模块,用于响应于检测到对目标用户的目标数据项的预测请求,获取预先划分的多个用户分群;其中,各所述用户分群中包含至少一个历史用户的标识信息;
目标分群筛选模块,用于基于所述目标用户对应的特征向量以及各所述用户分群中包含的历史用户对应的特征向量,从各所述用户分群中筛选出与所述目标用户匹配的目标分群;
预测结果确定模块,用于获取所述目标分群对应的所述目标数据项的历史计算结果,基于所述历史计算结果确定所述目标用户的所述目标数据项的预测结果。
第三方面,本发明实施例还提供了一种电子设备,所述电子设备包括:
至少一个处理器;以及
与所述至少一个处理器通信连接的存储器;其中,
所述存储器存储有可被所述至少一个处理器执行的计算机程序,所述计算机程序被所述至少一个处理器执行,以使所述至少一个处理器能够执行本发明任一实施例所述的数据预测方法。
第四方面,本发明实施例还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如本发明实施例中任一所述的数据预测方法。
第五方面,本发明实施例还提供了一种计算机程序产品,包括计算机程序,所述计算机程序在被处理器执行时实现如本发明实施例中任一所述的数据预测方法。
本发明实施例中,响应于检测到对目标用户的目标数据项的预测请求,获取预先划分的多个用户分群;基于目标用户对应的特征向量以及各用户分群中包含的历史用户对应的特征向量,从各用户分群中筛选出与目标用户匹配的目标分群;获取目标分群对应的目标数据项的历史计算结果,基于历史计算结果确定目标用户的目标数据项的预测结果。即本发明实施例可以基于目标用户对应的特征向量以及各用户分群中包含的历史用户对应的特征向量,从各用户分群中筛选得到目标分群,进而基于获取到的目标分群对应的目标数据项的历史计算结果确定目标用户的目标数据项的预测结果,相当于不依赖于专家经验和业务知识对目标用户的目标数据项进行预测得到预测结果,解决了由于依赖于专家经验和业务知识导致目标用户的目标数据项的预测结果不够客观且准确率低的问题,提高数据预测的准确率,增加目标用户的目标数据项的预测结果的客观性,能够更加及时地应对外部环境和内部业务的发展变化;并且由于本发明实施例的数据预测方法无需采用深度学习模型,因此可以降低数据预测的成本和难度,进而提高数据预测的效率。
附图说明
为了更清楚地说明本发明实施例的技术方案,下面将对实施例中所需要使用的附图作简单地介绍,应当理解,以下附图仅示出了本发明的某些实施例,因此不应被看作是对范围的限定,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相关的附图。
图1为本发明实施例一提供的一种数据预测方法的一个流程示意图;
图2为本发明实施例二提供的一种数据预测方法的一个流程示意图;
图3为本发明实施例三提供的一种数据预测方法中生成特征向量的一个流程示意图;
图4为本发明实施例四提供的一种数据预测装置的一个结构示意图;
图5为本发明实施例五提供的一种电子设备的一个结构示意图。
具体实施方式
下面结合附图和实施例对本发明作进一步的详细说明。可以理解的是,此处所描述的具体实施例仅仅用于解释本发明,而非对本发明的限定。另外还需要说明的是,为了便于描述,附图中仅示出了与本发明相关的部分而非全部结构。
应注意到:相似的标号和字母在下面的附图中表示类似项,因此,一旦某一项在一个附图中被定义,则在随后的附图中不需要对其进行进一步定义和解释。同时,在本发明的描述中,术语“第一”、“第二”等仅用于区分描述,而不能理解为指示或暗示相对重要性。本申请技术方案中对数据的获取、存储、使用、处理等均符合国家法律法规的相关规定。
实施例一
图1为本发明实施例一提供的一种数据预测方法的一个流程示意图,本实施例可适用于预测目标数据项的数据值比如信用卡新用户违约给银行所带来的损失即信用卡违约损失值的情况,该方法可以由本发明实施例中的数据预测装置来执行,该装置可采用软件和/或硬件的方式实现,如图1所示,该方法具体包括如下步骤:
S101,响应于检测到对目标用户的目标数据项的预测请求,获取预先划分的多个用户分群;其中,各用户分群中包含至少一个历史用户的标识信息。
其中,历史用户可以理解为有历史数据的用户,历史数据可以理解为用户在当前时间点之前所产生的数据,历史数据可以包括目标数据项的计算结果;例如,历史用户可以是已经开设信用卡的老用户,数据库中存储有该老用户在当前时间点之前使用信用卡所产生的历史数据,例如违约损失数据。用户分群可以理解为用户分组,目标用户可以理解没有历史数据的用户,例如,目标用户可以是已经开设信用卡的新用户,但是数据库中没有该新用户在当前时间点使用信用卡所产生的历史数据。目标数据项可以理解为预设的任何需要计算数据值的数据项,例如,目标数据项可以是信用卡违约损失值,预测请求可以理解为预测目标用户的目标数据项的数据值的请求。标识信息可以是用户ID等用于识别和区分用户的信息。
具体地,多个用户分群的划分可以通过获取多个历史用户分别对应的特征向量,基于多个历史用户分别对应的特征向量,对多个历史用户进行聚类,得到多个用户分群,这样可以提高得到的用户分群的准确率和速度。
其中,特征向量可以理解为每个历史用户的目标分群参考变量的变量值经过向量化得到的向量化结果所组成的向量;目标分群参考变量可以理解为重要度指标值满足预设条件的候选分群参考变量;候选分群参考变量可以理解为进行用户分群时所参考的变量;聚类可以理解为利用聚类算法将多个历史用户的特征向量集合分成由类似的特征向量组成的多个用户分群的过程。
示例地,假设历史用户1对应的特征向量为<0.2,0.3,1>,历史用户2对应的特征向量为<0.3,0.3,1>,历史用户3对应的特征向量为<0.2,0.2,1>,,然后可以利用DBSCAN(Density-Based Spatial Clustering of Applications with Noise)算法对特征化后的多个历史用户进行聚类,主要是检查特征化后的多个历史用户的特征向量中的邻域搜索分群,若某个特征化后的历史用户的特征向量的邻域包含的样本多于特定的阈值个数,则创建一个以p为核心对象的新分群,DBSCAN迭代地聚集从这些核心对象直接密度可达的对象,当没有新的特征化后的历史用户可以添加到任何分群时,该过程结束。
其中,DBSCAN算法可以理解为通过检查样本中的邻域来搜索分群,如果某个样本p的邻域包含的样本多于特定的阈值个数,则创建一个以p为核心对象的新分群,DBSCAN迭代地聚集从这些核心对象直接密度可达的对象,这个过程可能涉及一些密度可达分群的合并。当没有新的样本可以添加到任何分群时,该过程结束。
S102,基于目标用户对应的特征向量以及各用户分群中包含的历史用户对应的特征向量,从各用户分群中筛选出与目标用户匹配的目标分群。
其中,目标分群可以理解为所包含的历史用户的特征向量与目标用户对应的特征向量的相似度最高的用户分群。
具体地,可以获取各用户分群分别对应的核心点向量,确定目标用户对应的特征向量与各用户分群分别对应的核心点向量的相似度;基于各相似度从各用户分群中筛选出于目标用户匹配的目标分群。其中,核心点向量是基于对应用户分群中包含的历史用户的特征向量确定的。
进一步地,可以采用余弦距离依次计算目标用户对应的特征向量与各用户分群分别对应的核心点向量的相似度。
示例地,若目标用户对应的特征向量为<1.1,0.2,1>,各用户分群中用户分群A中包含的历史用户对应的特征向量为<1.1,0.2,1>,可以采用余弦距离计算目标用户对应的特征向量与用户分群A对应的核心点向量的相似度为100%,可以从各用户分群中筛选出于目标用户匹配的目标分群(用户分群A)。
S103,获取目标分群对应的目标数据项的历史计算结果,基于历史计算结果确定目标用户的目标数据项的预测结果。
其中,目标分群对应的目标数据项的历史计算结果可以理解为已计算出的目标分群的目标数据项的数据值;目标用户的目标数据项的预测结果可以理解为预测出的目标用户的目标数据项的数据值。
具体地,可以将目标分群包含的各历史用户的目标数据项的历史计算结果的平均值确定为目标用户的目标数据项的预测结果。
示例地,若目标分群对应的各历史用户的信用卡违约损失值的平均值为M,可以将目标分群对应的各历史用户的信用卡违约损失值的平均值M确定为目标用户的信用卡违约损失值的预测结果,即目标用户的信用卡违约损失值的预测结果也是M。
本实施例的技术方案,通过响应于检测到对目标用户的目标数据项的预测请求,获取预先划分的多个用户分群;基于目标用户对应的特征向量以及各用户分群中包含的历史用户对应的特征向量,从各用户分群中筛选出与目标用户匹配的目标分群;获取目标分群对应的目标数据项的历史计算结果,基于历史计算结果确定目标用户的目标数据项的预测结果。即本发明实施例可以基于目标用户对应的特征向量以及各用户分群中包含的历史用户对应的特征向量,从各用户分群中筛选得到目标分群,进而基于获取到的目标分群对应的目标数据项的历史计算结果确定目标用户的目标数据项的预测结果,相当于不依赖于专家经验和业务知识对目标用户的目标数据项进行预测得到预测结果,解决了由于依赖于专家经验和业务知识导致目标用户的目标数据项的预测结果不够客观且准确率低的问题,提高数据预测的准确率,增加目标用户的目标数据项的预测结果的客观性,能够更加及时地应对外部环境和内部业务的发展变化;并且由于本发明实施例的数据预测方法无需采用深度学习模型,因此可以降低数据预测的成本和难度,进而提高数据预测的效率。
实施例二
图2为本发明实施例二提供的一种数据预测方法的一个流程示意图。如图2所示,本实施例的方法具体包括如下步骤:
S201,响应于检测到对目标用户的目标数据项的预测请求。
示例地,若目标用户为P,可以响应于检测到对目标用户P的信用卡违约损失值的预测请求。
S202,获取预先划分的多个用户分群。
S203,获取各用户分群分别对应的核心点向量;其中,核心点向量是基于对应用户分群中包含的历史用户的特征向量确定的。
具体地,确定任一用户分群对应的核心点向量,可以获取任一用户分群中包含的各历史用户的特征向量;其中,各特征向量中包含n个向量元素,其中,n为大于1的整数;基于获取的各特征向量中的第i个向量元素,确定任一用户分群对应的核心点向量中的第i个向量元素,其中,i在[1,n]中取值,例如,将获取的各特征向量中的第i个向量元素的平均值,确定为任一用户分群对应的核心点向量中的第i个向量元素。
示例地,若用户分群A中包含3个历史用户的特征向量,历史用户P1的特征向量为<x11,x12,x13>,历史用户P2的特征向量为<x21,x22,x23>,历史用户P3的特征向量为<x31,x32,x33>,可以获取用户分群A中包含的各历史用户的特征向量;其中,各特征向量中包含3个向量元素,基于获取的各特征向量中的第1个向量元素,可以计算历史用户P1的特征向量中的第一个向量元素x11、历史用户P2的特征向量中的第一个向量元素x21、历史用户P3的特征向量中的第一个向量元素x31的平均值S1,即将x11、x21、x31的平均值S1确定为用户分群A对应的核心点向量O中的第1个向量元素,则核心点向量O的第一个向量元素为S1,相应地,核心点向量的剩余2个向量元素的确定方法与核心点向量的第一个向量元素的确定方法相同,可以计算各历史用户的第i个的向量元素的平均值,将各历史用户的第i个的向量元素的平均值确定为核心点向量的第i个向量元素,最终可以得到核心点向量为<S1,S2,S3>。
S204,确定目标用户对应的特征向量与各用户分群分别对应的核心点向量的相似度。
其中,相似度可以理解目标用户对应的特征向量与各用户分群分别对应的核心点向量的余弦距离的相似性度量值。
具体地,可以采用余弦距离依次计算目标用户对应的特征向量与各用户分群分别对应的核心点向量的相似度。
示例地,若目标用户P对应的特征向量为<P1,P2,P3>,用户分群为3个,可以依次计算目标用户对应的特征向量与各用户分群分别对应的核心点向量的余弦距离的相似性度量值,得到目标用户对应的特征向量与各用户分群分别对应的核心点向量的余弦距离的相似性度量值依次为0.2、0.3、0.5。
S205,基于各相似度从各用户分群中筛选出与目标用户匹配的目标分群。
具体地,由于目标用户与某用户分群的相似度越高,则该用户分群对应的目标数据项的历史计算结果与目标用户的目标数据项的预测结果越接近,因此可以从各相似度中选取最高的相似度对应的用户分群,将该用户分群确定为与目标用户匹配的目标分群。
示例地,可以从各相似度(0.2、0.3、0.5)中选取最高的相似度0.5对应的用户分群P1,将用户分群P1确定为与目标用户匹配的目标分群,则基于各相似度从各用户分群中筛选出与目标用户匹配的目标分群为P1。
本发明实施例中,可以获取各用户分群分别对应的核心点向量,确定目标用户对应的特征向量与各用户分群分别对应的核心点向量的相似度,基于各相似度从各用户分群中筛选出与目标用户匹配的目标分群,这样可以提高筛选目标分群的准确率,进而提高数据预测的准确率。
S206,获取目标分群中包含的各历史用户分别对应的目标数据项的历史计算结果。
其中,目标数据项可以包括信用卡违约损失值这一数据项。
具体地,确定任一历史用户对应的目标数据项的历史计算结果可以先确定任一历史用户的历史违约时点,基于历史违约时点确定清收金额;基于清收金额确定催收成本;基于清收金额和催收成本,最后确定任一历史用户对应的信用卡违约损失值的历史计算结果,这样可以更加准确地确定任一历史用户对应的信用卡违约损失值的历史计算结果,提高任一历史用户对应的信用卡违约损失值的历史计算结果的准确率。
进一步地,可以在观察点(当前时点)向前推移C个月,(C为可调参数,默认值为12),未违约的用户若在之后的D个月(D为可调参数,默认值为12)的表现期中出现多次违约,则以最后一次违约作为计算信用卡违约损失值的历史违约时点;在观察点向前推移E个月(E为可调参数,默认值为24))已违约的用户,可以往前推移到观察点前F个月(F为可调参数,默认值为12)中最近一次违约开始时点(未违约转为违约)作为计算信用卡违约损失值的历史违约时点。
基于历史违约时点确定清收金额,可以以清收金额为清收期(历史违约时点之后G个月(G为可调参数,默认值为12)内的信用卡还款总额,计算逻辑为“取现贷记金额”加上“消费贷记金额”;如果在清收期(历史违约时点之后G个月)内,信用卡被核销,则自核销月的下月开始,还款不再计入清收金额;如果在清收期内,信用卡由违约状态转为非违约状态,则转为非违约当月的还款为上月“取现贷记金额”加上“消费贷记金额”,非违约之后的还款不再计入清收金额(非违约之后的催收成本也不再计算)。
基于清收金额确定催收成本,可以先依次计算电话、信函成本、委外成本、法律诉讼成本、间接成本。
其中,电话、信函成本,电话、信函成本的计算公式如下:
电话、信函成本=电话、信函成本因子*客户余额(电话、信函成本因子属于系统可调节参数),其中,客户余额=信用卡取现余额+消费余额。
催收成本计算公式中的委外成本的计算公式如下:
委外成本=委外费率*清收金额(委外费率属于系统可调节参数)。
催收成本计算公式中的法律诉讼成本即清收期F个月后(F为可调参数,默认值为9),对违约客户诉讼所造成的成本。
催收成本计算公式中的间接成本的计算公式如下:
间接成本=间接成本因子*客户余额(间接成本因子属于系统可调节参数)。
在得到计算电话、信函成本、委外成本、法律诉讼成本、间接成本之后,可以按照催收成本的计算公式,将计算电话、信函成本、委外成本、法律诉讼成本、间接成本代入催收成本的计算公式中进行计算得到催收成本,催收成本的计算公式如下:
催收成本=电话、信函成本+委外成本+法律诉讼成本+间接成本。
基于清收金额和催收成本,确定任一历史用户对应的信用卡违约损失值的历史计算结果,可以先根据清收金额的净现值的计算公式,将清收金额代入清收金额的净现值的计算公式中进行计算,得到清收金额的净现值;清收金额的净现值的计算公式如下:
清收金额的净现值=催收期内各月清收金额*对应折现率。
其中,若催收期第i个月,i为正整数,该月对应的央行基准利率为k,那么该月折现率为1/(1+k/12)i。
然后根据催收成本的净现值的计算公式,将催收成本代入催收成本的净现值的计算公式中进行计算,得到催收成本的净现值;催收成本的净现值的计算公式如下:
催收成本的净现值=催收期内各月催收成本*对应折现率。
再根据客户余额的计算公式,将信用卡提现余额、消费余额代入客户余额的计算公式中进行计算得到客户余额,客户余额的计算公式如下:
客户余额=信用卡取现余额+消费余额。
最后将清收金额的净现值、催收成本的净现值和客户余额代入信用卡违约损失值的计算公式进行计算,得到信用卡违约损失值,将所得到的信用卡违约损失值确定为任一历史用户对应的信用卡违约损失值的历史计算结果。
S207,基于获取的各历史计算结果,确定目标分群对应的目标数据项的历史计算结果。
具体地,可以计算获取的各历史计算结果的平均值,将各历史计算结果的平均值确定为目标分群对应的目标数据项的历史计算结果。
示例地,若有3个历史用户P1、P2、P3,P1、P2、P3分别对应的目标数据项的历史计算结果依次为M1、M2、M3,可以获取目标分群中包含的各历史用户分别对应的目标数据项的历史计算结果(M1、M2、M3),计算获取的各历史计算结果(M1、M2、M3)的平均值,得到平均值为M,将各历史计算结果的平均值M确定为目标分群对应的目标数据项的历史计算结果。
本发明实施例中,可以获取目标分群中包含的各历史用户分别对应的目标数据项的历史计算结果,基于获取的各历史计算结果,确定目标分群对应的目标数据项的历史计算结果,这样可以提高确定目标分群对应的目标数据项的历史计算结果,进而提高数据预测的准确率。
S208,获取目标分群对应的目标数据项的历史计算结果,基于历史计算结果确定目标用户的目标数据项的预测结果。
具体地,可以将目标分群对应的目标数据项的历史计算结果确定为目标用户的目标数据项的预测结果。
示例地,若获取到的目标分群对应的目标数据项的历史计算结果为M,可以将目标分群对应的目标数据项的历史计算结果M确定为目标用户的目标数据项的预测结果。
本实施例的技术方案,可以基于目标用户对应的特征向量以及各用户分群中包含的历史用户对应的特征向量,从各用户分群中筛选得到目标分群,进而基于获取到的目标分群对应的目标数据项的历史计算结果确定目标用户的目标数据项的预测结果,相当于不依赖于专家经验和业务知识对目标用户的目标数据项进行预测得到预测结果,解决了由于依赖于专家经验和业务知识导致目标用户的目标数据项的预测结果不够客观且准确率低的问题,提高数据预测的准确率,增加目标用户的目标数据项的预测结果的客观性,能够更加及时地应对外部环境和内部业务的发展变化;并且由于本发明实施例的数据预测方法无需采用深度学习模型,因此可以降低数据预测的成本和难度,进而提高数据预测的效率。
实施例三
图3为本发明实施例三提供的一种数据预测方法中生成特征向量的一个流程示意图。如图3所示,本实施例的方法具体包括如下步骤:
S301,获取预先设置的多个候选分群参考变量。
其中,候选分群参考变量可以包括:信用卡申请类信息变量、信用卡用户还款信息变量、信用卡渠道类信息变量、信用卡账户基本信息变量、信用卡审批类信息变量、信用卡用户基本信息变量、信用卡用户征信信息变量、信用卡担保信息变量、合同信息变量、信用卡风险分类变量、信用卡产品类信息变量、逾期用户信息变量、以及信用卡用户余额信息变量中的至少一项。
S302,获取在预设观察期内开设信用卡的样本用户在预设表现期内的违约行为监测结果、以及各样本用户的各候选分群参考变量的变量值。
其中,表现期可以理解为对预设观察期的用户表现进行监控的时间周期,为了保证样本用户的群体分类的稳定性,表现期的时长不能太短,表现期可以为Y年,Y为可调参数,默认值为1。违约行为检测结果可以包括正、负和不确定,正可以理解为样本用户在申请使用信用卡1年内未发生违约,负可以理解为样本用户在申请使用信用卡1年内发生违约,不确定可以理解为未获取到样本用户在申请使用信用卡1年内的违约行为监测结果。
具体地,可以挑选某段时间内的样本用户及相关信息进行信用卡用户违约预测模型建模,预设观察期可以为X年,X为可调参数,默认值为1;然后根据样本用户在预设表现期内的是否有违约行为,确定在预设观察期内开设信用卡的样本用户在预设表现期内的违约行为监测结果。
示例地,若预设观察期为2年,预设表现期为1年,若样本用户在申请使用信用卡1年内未发生违约,则在2年内开设信用卡的样本用户在1年内的违约行为监测结果为“正”,若样本用户在申请使用信用卡1年内发生违约,则在2年内开设信用卡的样本用户在1年内的违约行为监测结果为“负”。
S303,对候选分群参考变量的变量值进行加工操作。
其中,加工操作可以包括:质量检查操作、数据质量修复操作以及数据衍生操作中的至少一项。
常用的质量检查操作、数据质量修复操作可以包括:忽略法、人工填写缺失值、均值填充法、弃用法和噪声数据检查。
其中,忽略法可以理解为当某字段的缺失率较低时,认可该字段的缺失现状,并且模型本身是可以容忍该程度的缺失率。
人工填写缺失值即人工补充候选分群参考变量的变量值的缺失值。
均值填充法即用该字段的均值来替代缺失值。
弃用法即当某字段缺失率较高时,认为该数据为无效数据,不纳入到模型变量中。
噪声数据检查可以理解为筛选出不合理的候选分群参考变量的变量值噪声数据,例如年龄超过200岁或者手机号码没有11位等。针对这些噪声数据,往往建议是弃用,减少后续建模的干扰。
常用的数据衍生操作可以包括:计数、求和、比例、时间差、波动率、交叉、近度、频度、值度。
其中,计数可以理解为过去预设时间内的申请贷款总次数。预设时间可以理解为预先设定的一定时间长度,例如,可以是1年。
求和可以理解为过去预设时间内的交易总额。
比例可以理解为贷款申请额度与年收入的占比。
时间差可以理解为第一次开户距当前时间的时长。
波动率可以理解为过去预设时间内每次工作时间的标准差。
交叉可以理解为切片或两变量融合。
近度可以指最近一次动作时间、最近一次交易发生时间、最近一次登录时间。
频度可以指某指定时间段内发生动作的次数。例如,一月内被查征信次数、发生交易次数,一季度申请次数、被拒卡次数等。时间段通常根据业务经验设定,一般有:一天、一周、一个月、一个季度、半年和一年等。
值度可以指某个时间范围内动作涉及的金额或等值金额。例如,交易发生的总金额、最高交易金额、平均交易金额等。
S304,基于各违约行为监测结果和各候选分群参考变量的变量值构建训练样本集,并基于机器学习算法和训练样本集,训练违约行为预测模型。
其中,机器学习算法可以包括XGBOOST(eXtreme Gradient Boosting,极端梯度提升)算法。XGBOOST算法可以理解为一种迭代累加的决策树算法,XGBOOST算法通过构造一组弱的学习器(树),并把多颗决策树的结果累加起来作为最终的预测输出。XGBOOST算法的优势在于训练速度快,预测效果较好,适用于高维、弱相关、稀疏的数据。
具体地,可以将训练样本集放入包括机器学习算法的违约行为预测模型中,训练违约行为预测模型。训练样本集中的每个训练样本包括一个样本用户的各候选分群参考变量的变量值和该样本用户对应的违约行为监测结果,违约行为监测结果作为训练时的样本标签。
S305,获取在训练结束后违约行为预测模型输出的各候选分群参考变量分别对应的重要度指标值,基于各重要度指标值从各候选分群参考变量中选取目标分群参考变量。
其中,重要度指标值可以理解为利用机器学习算法进行模型构建时为每一个候选分群参考变量计算的模型重要度值;目标分群参考变量可以是多个。
具体地,可以将各重要度指标值从大到小进行排序,然后选取前N个重要度指标值对应的候选分群参考变量,将前N个重要度指标值对应的候选分群参考变量确定为目标分群参考变量。其中,N为可调参数,N为正整数,例如,N可以是30。
示例地,可以将各重要度指标值从大到小进行排序,然后选取前30个重要度指标值对应的候选分群参考变量,将前30个重要度指标值对应的候选分群参考变量确定为目标分群参考变量。
本发明实施例中,可以通过获取预先设置的多个候选分群参考变量,获取在预设观察期内开设信用卡的样本用户在预设表现期内的违约行为监测结果、以及各样本用户的各候选分群参考变量的变量值,对候选分群参考变量的变量值进行加工操作,基于各违约行为监测结果和各候选分群参考变量的变量值构建训练样本集,并基于机器学习算法和训练样本集,训练违约行为预测模型,获取在训练结束后违约行为预测模型输出的各候选分群参考变量分别对应的重要度指标值,基于各重要度指标值从各候选分群参考变量中选取目标分群参考变量,增加选取目标分群参考变量的客观性,提高选取目标分群参考变量的准确率和速度,进而提高数据预测的准确率。
S306,获取目标分群参考变量以及任一用户的目标分群参考变量的变量值。
S307,将变量值进行向量化,基于向量化结果生成任一用户对应的特征向量。
其中,向量化可以理解为向量转换。向量转换可以根据目标分群参考变量的变量类型确定向量转换公式。目标分群参考变量可以包括连续变量和离散变量两种类型。连续向量转换公式:y1=1/(1+e-x),其中,x为历史用户的特征向量的原始值,y1为特征向量的向量类型为连续向量的历史用户转换后的特征向量的值,0<y1<1,若特征向量的向量类型为连续向量,可以按照连续向量的向量转换公式进行向量转换。离散向量转换公式:y2=one-hot(x),其中,y2为特征向量的向量类型为离散向量的历史用户转换后的特征向量的值,y2可以理解为一串0和1组成的序列,若特征向量的向量类型为离散向量,可以按照连续向量的向量转换公式进行向量转换。
具体地,可以基于目标分群参考变量的变量类型确定对应的向量转换公式,然后将任一用户的目标分群参考变量的变量值代入对应的向量转换公式进行向量转换,得到向量化结果,然后将得到的向量化结果确定为任一用户对应的特征向量。
示例地,假设有目标分群参考变量{Vari,1<=i<=n},分别为Var1、Var2、Var3,、分别是Var1、Var2、Var3,Var1和Var2是连续变量,Var3是离散变量,经过向量化后的向量化结果分别是0.2、0.3和01,那么目标分群参考变量{Vari,1<=i<=n}经过向量化后的特征向量为<0.2,0.3,0,1>,即任一用户对应的特征向量为<0.2,0.3,0,1>。
本发明实施例中,可以获取目标分群参考变量以及任一用户的目标分群参考变量的变量值,将变量值进行向量化,基于向量化结果生成任一用户对应的特征向量,这样可以提高生成任一用户对应的特征向量的速度。
本发明实施例的技术方案,可以基于目标用户对应的特征向量以及各用户分群中包含的历史用户对应的特征向量,从各用户分群中筛选得到目标分群,进而基于获取到的目标分群对应的目标数据项的历史计算结果确定目标用户的目标数据项的预测结果,相当于不依赖于专家经验和业务知识对目标用户的目标数据项进行预测得到预测结果,解决了由于依赖于专家经验和业务知识导致目标用户的目标数据项的预测结果不够客观且准确率低的问题,提高数据预测的准确率,增加目标用户的目标数据项的预测结果的客观性,能够更加及时地应对外部环境和内部业务的发展变化;并且由于本发明实施例的数据预测方法无需采用深度学习模型,因此可以降低数据预测的成本和难度,进而提高数据预测的效率。
实施例四
图4为本发明实施例四提供的一种数据预测装置的一个结构示意图。本实施例可适用于预测目标数据项的数据值比如信用卡新用户违约给银行所带来的损失即信用卡违约损失值的情况,该装置可采用软件和/或硬件的方式实现,该装置可集成在任何提供数据预测的功能的设备中,如图4所示,所述数据预测的装置具体包括:
预测请求响应模块401,用于响应于检测到对目标用户的目标数据项的预测请求,获取预先划分的多个用户分群;其中,各所述用户分群中包含至少一个历史用户的标识信息;
目标分群筛选模块402,用于基于所述目标用户对应的特征向量以及各所述用户分群中包含的历史用户对应的特征向量,从各所述用户分群中筛选出与所述目标用户匹配的目标分群;
预测结果确定模块403,用于获取所述目标分群对应的所述目标数据项的历史计算结果,基于所述历史计算结果确定所述目标用户的所述目标数据项的预测结果。
可选地,预测请求响应模块401进行多个用户分群的划分方法包括:
获取多个历史用户分别对应的特征向量;
基于所述多个历史用户分别对应的特征向量,对所述多个历史用户进行聚类,得到多个用户分群。
可选地,目标分群筛选模块402,具体用于:
获取各所述用户分群分别对应的核心点向量;其中,所述核心点向量是基于对应用户分群中包含的历史用户的特征向量确定的;
确定所述目标用户对应的特征向量与各所述用户分群分别对应的核心点向量的相似度;
基于各所述相似度从各所述用户分群中筛选出与所述目标用户匹配的目标分群。
可选地,目标分群筛选模块402确定任一用户分群对应的核心点向量,包括:
获取任一用户分群中包含的各历史用户的特征向量;其中,各所述特征向量中包含n个向量元素,其中,n为大于1的整数;
基于获取的各所述特征向量中的第i个向量元素,确定所述任一用户分群对应的核心点向量中的第i个向量元素,其中,i在[1,n]中取值。
可选地,预测结果确定模块403中所述目标分群对应的所述目标数据项的历史计算结果的确定方法包括:
获取所述目标分群中包含的各历史用户分别对应的所述目标数据项的历史计算结果;
基于获取的各所述历史计算结果,确定所述目标分群对应的所述目标数据项的历史计算结果。
可选地,所述目标数据项包括信用卡违约损失值;
预测结果确定模块403中任一历史用户对应的所述目标数据项的历史计算结果的确定方法包括:
确定任一历史用户的历史违约时点,基于所述历史违约时点确定清收金额;基于所述清收金额确定催收成本;基于所述清收金额和所述催收成本,确定所述任一历史用户对应的信用卡违约损失值的历史计算结果。
进一步地,该装置还包括,特征向量生成模块,用于:
获取目标分群参考变量以及任一用户的所述目标分群参考变量的变量值;
将所述变量值进行向量化,基于向量化结果生成所述任一用户对应的特征向量。
可选地,所述目标数据项包括信用卡违约损失值;
特征向量生成模块确定所述目标分群参考变量,包括:
获取预先设置的多个候选分群参考变量;
获取在预设观察期内开设信用卡的样本用户在预设表现期内的违约行为监测结果、以及各所述样本用户的各所述候选分群参考变量的变量值;
基于各所述违约行为监测结果和各所述候选分群参考变量的变量值构建训练样本集,并基于机器学习算法和所述训练样本集,训练违约行为预测模型;
获取在训练结束后所述违约行为预测模型输出的各所述候选分群参考变量分别对应的重要度指标值,基于各所述重要度指标值从各所述候选分群参考变量中选取目标分群参考变量。
可选地,所述机器学习算法包括:XGBOOST算法。
进一步地,该装置还包括,变量值加工模块,用于:
对所述候选分群参考变量的变量值进行加工操作,其中,所述加工操作包括:质量检查操作、数据质量修复操作以及数据衍生操作中的至少一项。
可选地,所述候选分群参考变量包括:信用卡申请类信息变量、信用卡用户还款信息变量、信用卡渠道类信息变量、信用卡账户基本信息变量、信用卡审批类信息变量、信用卡用户基本信息变量、信用卡用户征信信息变量、信用卡担保信息变量、合同信息变量、信用卡风险分类变量、信用卡产品类信息变量、逾期用户信息变量、以及信用卡用户余额信息变量中的至少一项。
上述产品可执行本发明任意实施例所提供的方法,具备执行方法相应的功能模块和有益效果。
实施例五
图5为本发明实施例五提供的一种电子设备的一个结构示意图。图5示出了适于用来实现本发明实施方式的示例性电子设备12的框图。图5显示的电子设备12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5所示,电子设备12以通用计算设备的形式表现。电子设备12的组件可以包括但不限于:一个或者多个处理器或者处理单元16,系统存储器28,连接不同系统组件(包括系统存储器28和处理单元16)的总线18。
总线18表示几类总线结构中的一种或多种,包括存储器总线或者存储器控制器,外围总线,图形加速端口,处理器或者使用多种总线结构中的任意总线结构的局域总线。举例来说,这些体系结构包括但不限于工业标准体系结构(ISA)总线,微通道体系结构(MAC)总线,增强型ISA总线、视频电子标准协会(VESA)局域总线以及外围组件互连(PCI)总线。
电子设备12典型地包括多种计算机系统可读介质。这些介质可以是任何能够被电子设备12访问的可用介质,包括易失性和非易失性介质,可移动的和不可移动的介质。
系统存储器28可以包括易失性存储器形式的计算机系统可读介质,例如随机存取存储器(RAM)30和/或高速缓存存储器32。电子设备12可以进一步包括其它可移动/不可移动的、易失性/非易失性计算机系统存储介质。仅作为举例,存储系统34可以用于读写不可移动的、非易失性磁介质(图5未显示,通常称为“硬盘驱动器”)。尽管图5中未示出,可以提供用于对可移动非易失性磁盘(例如“软盘”)读写的磁盘驱动器,以及对可移动非易失性光盘(例如CD-ROM,DVD-ROM或者其它光介质)读写的光盘驱动器。在这些情况下,每个驱动器可以通过一个或者多个数据介质接口与总线18相连。存储器28可以包括至少一个程序产品,该程序产品具有一组(例如至少一个)程序模块,这些程序模块被配置以执行本发明各实施例的功能。
具有一组(至少一个)程序模块42的程序/实用工具40,可以存储在例如存储器28中,这样的程序模块42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。程序模块42通常执行本发明所描述的实施例中的功能和/或方法。
电子设备12也可以与一个或多个外部设备14(例如键盘、指向设备、显示器24等)通信,还可与一个或者多个使得用户能与该电子设备12交互的设备通信,和/或与使得该电子设备12能与一个或多个其它计算设备进行通信的任何设备(例如网卡,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22进行。另外,本实施例中的电子设备12,显示器24不是作为独立个体存在,而是嵌入镜面中,在显示器24的显示面不予显示时,显示器24的显示面与镜面从视觉上融为一体。并且,电子设备12还可以通过网络适配器20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。如图所示,网络适配器20通过总线18与电子设备12的其它模块通信。应当明白,尽管图中未示出,可以结合电子设备12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。
处理单元16通过运行存储在系统存储器28中的程序,从而执行各种功能应用以及数据处理,例如实现本发明实施例所提供的一种数据预测方法:响应于检测到对目标用户的目标数据项的预测请求,获取预先划分的多个用户分群;基于目标用户对应的特征向量以及各用户分群中包含的历史用户对应的特征向量,从各用户分群中筛选出与目标用户匹配的目标分群;获取目标分群对应的目标数据项的历史计算结果,基于历史计算结果确定目标用户的目标数据项的预测结果。即本发明实施例可以基于目标用户对应的特征向量以及各用户分群中包含的历史用户对应的特征向量,从各用户分群中筛选得到目标分群,进而基于获取到的目标分群对应的目标数据项的历史计算结果确定目标用户的目标数据项的预测结果,相当于不依赖于专家经验和业务知识对目标用户的目标数据项进行预测得到预测结果,解决了由于依赖于专家经验和业务知识导致目标用户的目标数据项的预测结果不够客观且准确率低的问题,提高数据预测的准确率,增加目标用户的目标数据项的预测结果的客观性,能够更加及时地应对外部环境和内部业务的发展变化;并且由于本发明实施例的数据预测方法无需采用深度学习模型,因此可以降低数据预测的成本和难度,进而提高数据预测的效率。
实施例六
本发明实施例六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如本申请所有发明实施例提供的数据预测方法:响应于检测到对目标用户的目标数据项的预测请求,获取预先划分的多个用户分群;基于目标用户对应的特征向量以及各用户分群中包含的历史用户对应的特征向量,从各用户分群中筛选出与目标用户匹配的目标分群;获取目标分群对应的目标数据项的历史计算结果,基于历史计算结果确定目标用户的目标数据项的预测结果。即本发明实施例可以基于目标用户对应的特征向量以及各用户分群中包含的历史用户对应的特征向量,从各用户分群中筛选得到目标分群,进而基于获取到的目标分群对应的目标数据项的历史计算结果确定目标用户的目标数据项的预测结果,相当于不依赖于专家经验和业务知识对目标用户的目标数据项进行预测得到预测结果,解决了由于依赖于专家经验和业务知识导致目标用户的目标数据项的预测结果不够客观且准确率低的问题,提高数据预测的准确率,增加目标用户的目标数据项的预测结果的客观性,能够更加及时地应对外部环境和内部业务的发展变化;并且由于本发明实施例的数据预测方法无需采用深度学习模型,因此可以降低数据预测的成本和难度,进而提高数据预测的效率。
可以采用一个或多个计算机可读的介质的任意组合。计算机可读介质可以是计算机可读信号介质或者计算机可读存储介质。计算机可读存储介质例如可以是但不限于电、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。计算机可读存储介质的更具体的例子(非穷举的列表)包括:具有一个或多个导线的电连接、便携式计算机磁盘、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、便携式紧凑磁盘只读存储器(CD-ROM)、光存储器件、磁存储器件、或者上述的任意合适的组合。在本文件中,计算机可读存储介质可以是任何包含或存储程序的有形介质,该程序可以被指令执行系统、装置或者器件使用或者与其结合使用。
计算机可读的信号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,其中承载了计算机可读的程序代码。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。计算机可读的信号介质还可以是计算机可读存储介质以外的任何计算机可读介质,该计算机可读介质可以发送、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。
计算机可读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、电线、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或其组合来编写用于执行本发明操作的计算机程序代码,所述程序设计语言包括面向对象的程序设计语言,诸如Java、Smalltalk、C++,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机上执行、部分地在用户计算机上执行、作为一个独立的软件包执行、部分在用户计算机上部分在远程计算机上执行、或者完全在远程计算机或服务器上执行。在涉及远程计算机的情形中,远程计算机可以通过任意种类的网络——包括局域网(LAN)或广域网(WAN)—连接到用户计算机,或者,可以连接到外部计算机(例如利用因特网服务提供商来通过因特网连接)。
实施例七
本发明实施例七还提供了一种计算机程序产品,包括计算机程序,该计算机程序在被处理器执行时实现如本发明任一实施例所提供的数据预测方法。
计算机程序产品在实现的过程中,可以以一种或多种程序设计语言或其组合来编写用于执行本发明操作的计算机程序代码,程序设计语言包括面向对象的程序设计语言,诸如Java、Smalltalk、C++,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机上执行、部分地在用户计算机上执行、作为一个独立的软件包执行、部分在用户计算机上部分在远程计算机上执行、或者完全在远程计算机或服务器上执行。在涉及远程计算机的情形中,远程计算机可以通过任意种类的网络——包括局域网(LAN)或广域网(WAN)—连接到用户计算机,或者,可以连接到外部计算机(例如利用因特网服务提供商来通过因特网连接)。
注意,上述仅为本发明的较佳实施例及所运用技术原理。本领域技术人员会理解,本发明不限于这里所述的特定实施例,对本领域技术人员来说能够进行各种明显的变化、重新调整和替代而不会脱离本发明的保护范围。因此,虽然通过以上实施例对本发明进行了较为详细的说明,但是本发明不仅仅限于以上实施例,在不脱离本发明构思的情况下,还可以包括更多其他等效实施例,而本发明的范围由所附的权利要求范围决定。
Claims (15)
1.一种数据预测方法,其特征在于,所述方法包括:
响应于检测到对目标用户的目标数据项的预测请求,获取预先划分的多个用户分群;其中,各所述用户分群中包含至少一个历史用户的标识信息;
基于所述目标用户对应的特征向量以及各所述用户分群中包含的历史用户对应的特征向量,从各所述用户分群中筛选出与所述目标用户匹配的目标分群;
获取所述目标分群对应的所述目标数据项的历史计算结果,基于所述历史计算结果确定所述目标用户的所述目标数据项的预测结果。
2.根据权利要求1所述的方法,其特征在于,所述多个用户分群的划分方法包括:
获取多个历史用户分别对应的特征向量;
基于所述多个历史用户分别对应的特征向量,对所述多个历史用户进行聚类,得到多个用户分群。
3.根据权利要求1所述的方法,其特征在于,所述基于所述目标用户对应的特征向量以及各所述用户分群中包含的历史用户对应的特征向量,从各所述用户分群中筛选出与所述目标用户匹配的目标分群,包括:
获取各所述用户分群分别对应的核心点向量;其中,所述核心点向量是基于对应用户分群中包含的历史用户的特征向量确定的;
确定所述目标用户对应的特征向量与各所述用户分群分别对应的核心点向量的相似度;
基于各所述相似度从各所述用户分群中筛选出与所述目标用户匹配的目标分群。
4.根据权利要求3所述的方法,其特征在于,任一用户分群对应的核心点向量的确定方法包括:
获取任一用户分群中包含的各历史用户的特征向量;其中,各所述特征向量中包含n个向量元素,其中,n为大于1的整数;
基于获取的各所述特征向量中的第i个向量元素,确定所述任一用户分群对应的核心点向量中的第i个向量元素,其中,i在[1,n]中取值。
5.根据权利要求1所述的方法,其特征在于,所述目标分群对应的所述目标数据项的历史计算结果的确定方法包括:
获取所述目标分群中包含的各历史用户分别对应的所述目标数据项的历史计算结果;
基于获取的各所述历史计算结果,确定所述目标分群对应的所述目标数据项的历史计算结果。
6.根据权利要求5所述的方法,其特征在于,所述目标数据项包括信用卡违约损失值;任一历史用户对应的所述目标数据项的历史计算结果的确定方法包括:
确定任一历史用户的历史违约时点,基于所述历史违约时点确定清收金额;基于所述清收金额确定催收成本;基于所述清收金额和所述催收成本,确定所述任一历史用户对应的信用卡违约损失值的历史计算结果。
7.根据权利要求1-6中任一项所述的方法,其特征在于,任一用户对应的特征向量的生成方法包括:
获取目标分群参考变量以及任一用户的所述目标分群参考变量的变量值;
将所述变量值进行向量化,基于向量化结果生成所述任一用户对应的特征向量。
8.根据权利要求7所述的方法,其特征在于,所述目标数据项包括信用卡违约损失值;所述目标分群参考变量的确定方法包括:
获取预先设置的多个候选分群参考变量;
获取在预设观察期内开设信用卡的样本用户在预设表现期内的违约行为监测结果、以及各所述样本用户的各所述候选分群参考变量的变量值;
基于各所述违约行为监测结果和各所述候选分群参考变量的变量值构建训练样本集,并基于机器学习算法和所述训练样本集,训练违约行为预测模型;
获取在训练结束后所述违约行为预测模型输出的各所述候选分群参考变量分别对应的重要度指标值,基于各所述重要度指标值从各所述候选分群参考变量中选取目标分群参考变量。
9.根据权利要求8所述的方法,其特征在于,所述机器学习算法包括:XGBOOST算法。
10.根据权利要求8所述的方法,其特征在于,在获取到各所述样本用户的各所述候选分群参考变量的变量值之后、并且基于各所述违约行为监测结果和各所述候选分群参考变量的变量值构建训练样本集之前,所述方法还包括:
对所述候选分群参考变量的变量值进行加工操作,其中,所述加工操作包括:质量检查操作、数据质量修复操作以及数据衍生操作中的至少一项。
11.根据权利要求8所述的方法,其特征在于,所述候选分群参考变量包括:信用卡申请类信息变量、信用卡用户还款信息变量、信用卡渠道类信息变量、信用卡账户基本信息变量、信用卡审批类信息变量、信用卡用户基本信息变量、信用卡用户征信信息变量、信用卡担保信息变量、合同信息变量、信用卡风险分类变量、信用卡产品类信息变量、逾期用户信息变量、以及信用卡用户余额信息变量中的至少一项。
12.一种数据预测装置,其特征在于,包括:
预测请求响应模块,用于响应于检测到对目标用户的目标数据项的预测请求,获取预先划分的多个用户分群;其中,各所述用户分群中包含至少一个历史用户的标识信息;
目标分群筛选模块,用于基于所述目标用户对应的特征向量以及各所述用户分群中包含的历史用户对应的特征向量,从各所述用户分群中筛选出与所述目标用户匹配的目标分群;
预测结果确定模块,用于获取所述目标分群对应的所述目标数据项的历史计算结果,基于所述历史计算结果确定所述目标用户的所述目标数据项的预测结果。
13.一种电子设备,其特征在于,包括:
至少一个处理器;以及
与所述至少一个处理器通信连接的存储器;其中,
所述存储器存储有可被所述至少一个处理器执行的计算机程序,所述计算机程序被所述至少一个处理器执行,以使所述至少一个处理器能够执行权利要求1-11中任一项所述的数据预测方法。
14.一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如权利要求1-11中任一项所述的数据预测方法。
15.一种计算机程序产品,包括计算机程序,其特征在于,所述计算机程序在被处理器执行时实现如权利要求1-11中任一项所述的数据预测方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210864460.3A CN115237970A (zh) | 2022-07-21 | 2022-07-21 | 数据预测方法、装置、设备、存储介质及程序产品 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210864460.3A CN115237970A (zh) | 2022-07-21 | 2022-07-21 | 数据预测方法、装置、设备、存储介质及程序产品 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN115237970A true CN115237970A (zh) | 2022-10-25 |
Family
ID=83676315
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210864460.3A Pending CN115237970A (zh) | 2022-07-21 | 2022-07-21 | 数据预测方法、装置、设备、存储介质及程序产品 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115237970A (zh) |
-
2022
- 2022-07-21 CN CN202210864460.3A patent/CN115237970A/zh active Pending
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US20200192894A1 (en) | System and method for using data incident based modeling and prediction | |
CN111291816B (zh) | 针对用户分类模型进行特征处理的方法及装置 | |
CN110738564A (zh) | 贷后风险评估方法及装置、存储介质 | |
CN109739844B (zh) | 基于衰减权重的数据分类方法 | |
WO2003096237A2 (en) | Electronic data processing system and method of using an electronic data processing system for automatically determining a risk indicator value | |
CN111401777A (zh) | 企业风险的评估方法、装置、终端设备及存储介质 | |
CN112990386B (zh) | 用户价值聚类方法、装置、计算机设备和存储介质 | |
CN114048436A (zh) | 一种预测企业财务数据模型构建方法及构建装置 | |
CN112700324A (zh) | 基于CatBoost与受限玻尔兹曼机结合的用户借贷违约预测方法 | |
CN113095927A (zh) | 一种反洗钱可疑交易识别方法及设备 | |
CN115545886A (zh) | 逾期风险识别方法、装置、设备及存储介质 | |
CN111754317A (zh) | 一种金融投资数据测评方法及系统 | |
CN111210332A (zh) | 贷后管理策略生成方法、装置及电子设备 | |
JP2000259719A (ja) | 債務不履行の確率を計算する方法及び装置 | |
CN113034046A (zh) | 一种数据风险计量方法、装置、电子设备及存储介质 | |
CN117114812A (zh) | 一种针对企业的金融产品推荐方法及装置 | |
CN111815435A (zh) | 一种群体风险特征的可视化方法、装置、设备及存储介质 | |
CN116596662A (zh) | 基于企业舆情信息的风险预警的方法、装置、电子设备和介质 | |
WO2022271431A1 (en) | System and method that rank businesses in environmental, social and governance (esg) | |
CN114626940A (zh) | 数据分析方法、装置及电子设备 | |
CN114612239A (zh) | 基于算法、大数据、人工智能的股票舆情监测和风控系统 | |
CN115237970A (zh) | 数据预测方法、装置、设备、存储介质及程序产品 | |
CN112950392A (zh) | 信息展示方法、后验信息确定方法及装置及相关设备 | |
CN114418752B (zh) | 无类型标签用户数据的处理方法、装置、电子设备和介质 | |
CN118333737A (zh) | 构建零售信用风险预测模型的方法和消费信贷业务Scorebetai模型 |
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 |