CN116822968A - 一种基于租赁物持续产生现金流的风险管理方法 - Google Patents
一种基于租赁物持续产生现金流的风险管理方法 Download PDFInfo
- Publication number
- CN116822968A CN116822968A CN202311090042.4A CN202311090042A CN116822968A CN 116822968 A CN116822968 A CN 116822968A CN 202311090042 A CN202311090042 A CN 202311090042A CN 116822968 A CN116822968 A CN 116822968A
- Authority
- CN
- China
- Prior art keywords
- data
- gps
- rental
- cash flow
- leases
- 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
Links
- 238000007726 management method Methods 0.000 title abstract description 73
- 238000012502 risk assessment Methods 0.000 claims abstract description 40
- 238000000034 method Methods 0.000 claims abstract description 34
- 238000010276 construction Methods 0.000 claims abstract description 22
- 238000011156 evaluation Methods 0.000 claims abstract description 22
- 238000012545 processing Methods 0.000 claims description 79
- 238000001514 detection method Methods 0.000 claims description 62
- 230000002159 abnormal effect Effects 0.000 claims description 55
- 238000004140 cleaning Methods 0.000 claims description 44
- 230000009467 reduction Effects 0.000 claims description 39
- 238000004364 calculation method Methods 0.000 claims description 34
- 238000005265 energy consumption Methods 0.000 claims description 34
- 230000008859 change Effects 0.000 claims description 12
- 238000000605 extraction Methods 0.000 claims description 11
- 238000003062 neural network model Methods 0.000 claims description 11
- 230000002776 aggregation Effects 0.000 claims description 9
- 238000004220 aggregation Methods 0.000 claims description 9
- 230000008030 elimination Effects 0.000 claims description 5
- 238000003379 elimination reaction Methods 0.000 claims description 5
- 230000002459 sustained effect Effects 0.000 claims 1
- 238000005516 engineering process Methods 0.000 abstract description 2
- 230000000875 corresponding effect Effects 0.000 description 25
- 238000009499 grossing Methods 0.000 description 25
- 238000004422 calculation algorithm Methods 0.000 description 21
- 230000008901 benefit Effects 0.000 description 10
- 230000000694 effects Effects 0.000 description 9
- 238000004458 analytical method Methods 0.000 description 8
- 230000008569 process Effects 0.000 description 8
- 238000010586 diagram Methods 0.000 description 7
- 238000005457 optimization Methods 0.000 description 7
- 238000013480 data collection Methods 0.000 description 6
- 238000013528 artificial neural network Methods 0.000 description 5
- 230000009286 beneficial effect Effects 0.000 description 5
- 238000012423 maintenance Methods 0.000 description 4
- 230000002596 correlated effect Effects 0.000 description 3
- 230000002708 enhancing effect Effects 0.000 description 3
- 238000001914 filtration Methods 0.000 description 3
- 238000010801 machine learning Methods 0.000 description 3
- 230000001932 seasonal effect Effects 0.000 description 3
- 238000004088 simulation Methods 0.000 description 3
- 238000012549 training Methods 0.000 description 3
- 238000012935 Averaging Methods 0.000 description 2
- 230000001276 controlling effect Effects 0.000 description 2
- 238000000354 decomposition reaction Methods 0.000 description 2
- 230000007812 deficiency Effects 0.000 description 2
- 238000009826 distribution Methods 0.000 description 2
- 239000000446 fuel Substances 0.000 description 2
- 230000003993 interaction Effects 0.000 description 2
- 230000007246 mechanism Effects 0.000 description 2
- 230000000644 propagated effect Effects 0.000 description 2
- 238000007637 random forest analysis Methods 0.000 description 2
- 238000011084 recovery Methods 0.000 description 2
- 230000000717 retained effect Effects 0.000 description 2
- 238000007619 statistical method Methods 0.000 description 2
- 239000013598 vector Substances 0.000 description 2
- 241000274965 Cyrestis thyodamas Species 0.000 description 1
- 238000000342 Monte Carlo simulation Methods 0.000 description 1
- 230000001133 acceleration Effects 0.000 description 1
- 239000000654 additive Substances 0.000 description 1
- 230000000996 additive effect Effects 0.000 description 1
- 230000002547 anomalous effect Effects 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 238000010219 correlation analysis Methods 0.000 description 1
- 238000013500 data storage Methods 0.000 description 1
- 238000003066 decision tree Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 239000002245 particle Substances 0.000 description 1
- 238000000611 regression analysis Methods 0.000 description 1
- 230000003252 repetitive effect Effects 0.000 description 1
- 238000012954 risk control Methods 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
- 238000012216 screening Methods 0.000 description 1
- 238000010206 sensitivity analysis Methods 0.000 description 1
- 230000001502 supplementing effect Effects 0.000 description 1
- 238000012706 support-vector machine Methods 0.000 description 1
- 238000012731 temporal analysis Methods 0.000 description 1
- 238000000700 time series analysis Methods 0.000 description 1
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
- 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
-
- 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
- G06Q30/00—Commerce
- G06Q30/06—Buying, selling or leasing transactions
- G06Q30/0601—Electronic shopping [e-shopping]
- G06Q30/0609—Buyer or seller confidence or verification
-
- 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
- G06Q30/00—Commerce
- G06Q30/06—Buying, selling or leasing transactions
- G06Q30/0645—Rental transactions; Leasing transactions
-
- 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
- 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
- G06Q40/06—Asset management; Financial planning or analysis
Landscapes
- Business, Economics & Management (AREA)
- Engineering & Computer Science (AREA)
- Accounting & Taxation (AREA)
- Finance (AREA)
- Development Economics (AREA)
- Economics (AREA)
- Strategic Management (AREA)
- Marketing (AREA)
- General Business, Economics & Management (AREA)
- Human Resources & Organizations (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Physics & Mathematics (AREA)
- Entrepreneurship & Innovation (AREA)
- Operations Research (AREA)
- Game Theory and Decision Science (AREA)
- Technology Law (AREA)
- Tourism & Hospitality (AREA)
- Quality & Reliability (AREA)
- Educational Administration (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明涉及风险管理技术领域,尤其涉及一种基于租赁物持续产生现金流的风险管理方法。该方法包括以下步骤:获取租赁物GPS原始数据集,并对租赁物GPS原始数据集与预设的电子道路地图数据进行高精度匹配,获取租赁物GPS精确数据;通过车辆工况数据采集,获取车辆工况数据;根据租赁物GPS精确数据以及车辆工况数据进行租赁物现金流建模,构建租赁物现金流模型;根据租赁物现金流模型进行风险评估,获取租赁物风险评估数据;根据租赁物风险评估数据生成融资租赁风险管理策略数据,并获取风险管理反馈数据。本发明利用数字技术重塑产业生态和加强信用体系建设,打造基于物的信用体系。
Description
技术领域
本发明涉及风险管理技术领域,尤其涉及一种基于租赁物持续产生现金流的风险管理方法。
背景技术
在融资租赁行业中,风险管理是保障公司可持续经营的关键要素之一。传统的风险管理方法主要依赖于承租人或借款人的信用评估(主体信用),然而,这种方法存在着很多局限性。租赁物风险管理是融资租赁行业的重要议题,面临着多种挑战。传统的风险管理方法主要依赖于承租人或借款人的信用评估,但这种方法存在信息不对称、难以获取全面数据、无法全面考虑租赁物的运营风险的问题。
发明内容
本发明为解决上述技术问题,利用数字技术重塑产业生态和加强信用体系建设,打造基于物的信用体系,提出了一种基于租赁物持续产生现金流的风险管理方法,以解决至少一个上述技术问题。
本申请提供了一种基于租赁物持续产生现金流的风险管理方法,包括以下步骤:
步骤S1:获取租赁物GPS原始数据集,并对租赁物GPS原始数据集与预设的电子道路地图数据进行高精度匹配,从而获取租赁物GPS精确数据;
步骤S2:通过车辆工况数据采集,从而获取车辆工况数据;
步骤S3:根据租赁物GPS精确数据以及车辆工况数据进行租赁物现金流建模,从而构建租赁物现金流模型;
步骤S4:根据租赁物现金流模型进行风险评估,从而获取租赁物风险评估数据;
步骤S5:根据租赁物风险评估数据生成融资租赁风险管理策略数据,并获取风险管理反馈数据,以对租赁物现金流模型以及融资租赁风险管理策略数据进行实时评估迭代。
本发明中通过获取租赁物GPS精确数据和车辆工况数据,建立租赁物现金流模型,可以更准确地预测租赁物未来的现金流变化。租赁物现金流模型是评估租赁物运营(如网约车形式)可产生的现金收益,根据现金收益去判断能否覆盖租金。通过步骤S4中的风险评估,可以及时了解租赁物的风险状况,包括潜在的现金流波动和损失风险。基于风险管理策略数据,步骤S5提供实时评估迭代,使得投资者或租赁公司能够做出及时的调整和优化,以降低风险并提高资金的有效利用。通过生成融资租赁风险管理策略数据,可以针对不同的租赁物和市场情况制定适应性强的风险管理策略。这有助于最大程度地优化租赁资产组合,降低整体风险,并提高投资回报率。
优选地,步骤S1具体为:
步骤S11:通过自适应数据间隔进行GPS数据采集,从而获取租赁物GPS原始数据集,其中自适应数据间隔为根据GPS数据所属地理位置以及GPS数据变化情况进行自适应调整生成;
步骤S12:对租赁物GPS原始数据集进行GPS无效值检测,从而获取GPS无效值检测数据,并利用GPS无效值检测数据对租赁物GPS原始数据集进行无效值处理,从而获取租赁物GPS清洗数据;
步骤S13:对租赁物GPS清洗数据进行平滑降噪,从而获取租赁物GPS平滑降噪数据;
步骤S14:对租赁物GPS平滑降噪数据进行异常值识别并处理,从而获取租赁物GPS异常值处理数据;
步骤S15:将租赁物GPS异常值处理数据与预设的电子道路地图数据进行高精度匹配,从而获取租赁物GPS精确数据。
本发明中通过自适应数据间隔进行GPS数据采集(步骤S11),根据地理位置和变化情况进行自适应调整生成GPS数据,可以获得更加精确和全面的GPS数据集。而且,对GPS原始数据进行GPS无效值检测(步骤S12)和无效值处理,进一步清除异常或无效的GPS数据点,有助于提高数据质量,减少错误对现金流模型建模的影响。在步骤S13中对GPS数据进行平滑降噪处理,可以去除数据中的噪声,使得数据更加平滑和稳定。这样的数据处理有助于模型更好地捕捉租赁物位置变化的趋势和规律,提高现金流预测的准确性。在步骤S14中进行异常值识别并处理,可以消除因为设备故障或其他原因引起的异常GPS数据点,从而提高数据的精确度。经过异常值处理后的数据更可靠,使得租赁物GPS数据更加准确地反映其实际位置和状态。步骤S15中将GPS异常值处理数据与预设的电子道路地图数据进行高精度匹配,获得租赁物GPS精确数据后,可以实现租赁物位置和工况数据之间的时序关联。这有助于更好地理解租赁物在不同位置和工况下的现金流情况,为后续的现金流模型构建提供更丰富和准确的特征。
优选地,步骤S12具体为:
步骤S121:对租赁物GPS原始数据集进行GPS无效值检测,从而获取GPS无效值检测数据;
步骤S122:确定GPS无效值检测数据为GPS无效值标记数据时,则对租赁物GPS原始数据集进行无效值剔除,从而获取租赁物GPS清洗数据;
步骤S123:确定GPS无效值检测数据为GPS缺失值标记数据时,则对租赁物GPS原始数据集进行GPS数据缺失检测,从而获取缺失检测报告数据;
步骤S124:确定缺失检测报告数据为时间序列缺失检测报告数据时,则对相应的租赁物GPS原始数据集进行时序插值,从而获取租赁物GPS清洗数据;
步骤S125:确定缺失检测报告数据为空间序列缺失检测报告数据时,则对相应的租赁物GPS原始数据集进行空间插值,从而获取租赁物GPS清洗数据;
步骤S126:确定缺失检测报告数据为非时空序列缺失检测报告数据时,则对相应的租赁物GPS原始数据集进行均值填充,从而获取租赁物GPS清洗数据;
步骤S127:确定缺失检测报告数据为多重参数缺失检测报告数据时,则对相应的租赁物GPS原始数据集进行邻近数据波动计算,从而获取邻近数据波动数据;
步骤S128:确定邻近数据波动数据为平稳邻近数据波动数据时,则对相应的租赁物GPS原始数据集进行线性插值,从而获取租赁物GPS清洗数据;
步骤S129:确定邻近数据波动数据为非平稳邻近数据波动数据时,则对相应的租赁物GPS原始数据集进行样条插值,从而获取租赁物GPS清洗数据。
本发明中通过对GPS原始数据集进行GPS无效值检测,能够及时发现和标记无效值,并对这些无效值进行剔除。这有助于减少错误数据的影响,提高数据的质量和可靠性。在步骤S12中根据缺失检测报告数据进行不同类型的插值处理,包括时序插值、空间插值、均值填充、线性插值和样条插值等。这些插值方法能够有效地填补数据缺失,使得租赁物GPS数据集更加完整和连续。在进行插值处理时,保留有用的信息,避免过度平滑或损失重要的数据特征。这有助于保持数据的真实性和可解释性,在后续的现金流模型建模中发挥更好的作用。清洗后的GPS数据集更加准确和连续,结合车辆工况数据进行现金流建模时,能够提高现金流预测的准确性。这有助于更好地评估租赁物的现金流风险和收益潜力,为风险管理和投资决策提供更可靠的依据。通过数据清洗和插值处理,降低了因数据质量不佳和缺失引起的现金流预测误差,从而降低了投资的风险。投资者可以更有信心地进行资金配置和租赁物选择,提高投资回报率。
优选地,步骤S13中平滑降噪通过GPS平滑降噪计算公式进行平滑降噪,其中GPS平滑降噪计算公式具体为:
;
;
;
为租赁物第一GPS平滑降噪数据,/>为第/>个数据点对第/>个数据点的权重项,为第/>个租赁物第一GPS清洗数据,/>为租赁物第二GPS平滑降噪数据,/>为第/>个租赁物第二GPS清洗数据,/>为第/>个租赁物第一GPS清洗数据,/>为第/>个租赁物第二GPS清洗数据,/>为带宽参数项。
本发明构造了一种GPS平滑降噪计算公式,该计算公式用于对租赁物的GPS原始数据进行平滑处理,以减少数据中的噪声和波动,从而获得更加平滑和稳定的GPS数据。通过计算权重项,该公式将第/>个数据点与其他数据点之间的距离考虑在内。距离较近的数据点获得较高的权重,而距离较远的数据点获得较低的权重。通过这样的权重分配,可以降低数据中噪声的影响,使得计算得到的/>和/>更加平滑。通过将权重项作用在不同数据点上,公式能够在平滑数据的同时保持数据的连续性。即使某些数据点出现较大波动或异常值,由于与其他数据点的加权平均,得到的平滑数据仍然能够较好地反映整体趋势,而不会受到孤立数据点的干扰。公式中的带宽参数/>是一个控制平滑程度的参数。较大的/>值将导致较大的权重范围,使得平滑效果较强,而较小的/>值将导致较小的权重范围,使得平滑效果较弱。因此,通过调整/>的值,可以适应不同程度的数据波动,实现平滑的灵活性。公式涉及到两个维度的数据处理:/>处理第一维的GPS清洗数据,/>处理第二维的GPS清洗数据。这样的多维数据处理可以更全面地考虑租赁物的位置信息,提高平滑效果和数据的综合准确性。该GPS平滑降噪计算公式通过权重项的加权平均,对GPS原始数据进行平滑处理,以降低数据噪声、保持数据连续性,并通过带宽参数调整平滑程度。该公式能够提高现金流模型建模时数据的稳定性和可靠性,有助于更准确地预测租赁物的现金流情况,从而提高风险管理和投资决策的有效性。
优选地,步骤S14具体为:
步骤S141:对租赁物GPS平滑降噪数据进行标准差计算,从而获取租赁物GPS标准差数据;
步骤S142:利用租赁物GPS标准差数据对租赁物GPS平滑降噪数据进行第一异常值识别并剔除,从而获取租赁物第一GPS异常值处理数据;
步骤S143:利用租赁物GPS标准差数据对租赁物第一GPS异常值处理数据进行第二异常值识别,从而获取租赁物第二GPS异常值数据,其中第一异常值识别与第二异常值识别为采用将超过租赁物GPS标准差数据的倍数不同的异常值识别方式;
步骤S144:对租赁物第一GPS异常值处理数据进行随机树构建,从而获取租赁物GPS随机树数据;
步骤S145:对租赁物GPS随机树数据进行路径长度计算,从而获取路径长度数据;
步骤S146:根据路径长度数据对租赁物GPS随机树数据进行离群点判定,从而获取租赁物GPS离群点数据;
步骤S147:利用租赁物GPS离群点数据对租赁物第一GPS异常值处理数据中对应的租赁物第二GPS异常值数据进行第二异常值剔除,从而获取租赁物GPS异常值处理数据。
本发明中通过计算租赁物GPS平滑降噪数据的标准差,可以得到数据的离散程度,进而用于异常值的识别。通过不同倍数的标准差阈值,采用两种异常值识别方式(第一和第二异常值识别),可以准确地识别出存在的异常值。采用两次异常值识别,即第一次剔除部分异常值后,再次进行异常值识别,可以减少对真实数据的误判。这样的策略有助于保留更多有价值的数据,并减少因过度剔除异常值而导致的信息损失。在步骤S14中,异常值处理数据涉及到第一和租赁物第二的GPS异常值数据。通过采用不同的异常值识别方式和剔除操作,能够同时处理多维度的异常值,增强了数据处理的全面性和灵活性。通过剔除异常值,可以清除租赁物GPS数据中的噪声和异常点,从而提高数据的质量和可靠性。清洗后的数据能够更好地用于现金流模型建模,提高预测准确性和投资决策的可信度。通过对租赁物GPS随机树数据进行路径长度计算和离群点判定,可以进一步识别离群点。这有助于发现租赁物位置数据中的特殊异常情况,对于风险管理和决策提供更全面的数据支持。本发明的异常值识别和处理操作有助于提高数据的准确性和可靠性,保留有价值的数据,减少误判,提高数据质量,并识别和处理多维度的异常情况。这些优化措施为现金流模型的构建和风险评估提供更可靠的数据基础,增强了风险管理策略的有效性和投资决策的科学性。
优选地,步骤S15具体为:
步骤S151:将租赁物GPS异常值处理数据与预设的电子道路地图数据进行轨迹图构建,从而获取轨迹图数据;
步骤S152:利用预设的电子道路地图数据对轨迹图数据进行节点特征添加以及边特征添加,从而获取轨迹特征添加图数据,其中节点特征添加包括道路类型特征添加以及道路宽度特征添加,边特征添加包括轨迹点位置信息添加以及轨迹点时间戳添加;
步骤S153:对轨迹特征添加图数据进行节点特征传播以及边特征传播,从而获取节点特征传播数据以及边特征传播数据;
步骤S154:对节点特征传播数据以及边特征传播数据进行图特征聚合,从而获取租赁物GPS精确数据。
本发明中将租赁物GPS异常值处理数据与电子道路地图数据进行轨迹图构建,可以将租赁物的GPS位置数据映射到实际道路上,形成轨迹图。这有助于更直观地了解租赁物在实际道路上的运行轨迹和行驶情况。在轨迹图数据上,通过预设的电子道路地图数据,可以为每个节点(道路交叉口或关键点)添加道路类型特征和道路宽度特征,为每条边(道路段)添加轨迹点位置信息和时间戳。这些特征的添加丰富了轨迹图数据的信息,为后续分析和建模提供更多有用的特征。通过节点特征传播和边特征传播,轨迹图数据的特征会在图结构中传递和融合。这种传播机制可以利用相邻节点和边之间的信息相互影响,提取更丰富的特征表达,增强数据的表征能力。在传播后的数据中,对节点特征和边特征进行聚合,可以得到更综合的特征表示。图特征聚合有助于从整体上捕获租赁物的位置和运行特征,为现金流模型提供更全面和准确的特征数据。经过轨迹特征添加、特征传播和聚合后,得到的数据即为GPS精确数据。这些数据相对于异常值处理数据,更具有综合性、连续性和可靠性。这些GPS精确数据可用于现金流模型构建,提高现金流预测的准确性和可靠性。
优选地,车辆工况数据包括电池状态数据、驱动功率数据、能源消耗数据以及充电数据,步骤S2具体为:
步骤S21:通过车辆电池管理系统进行电池状态数据采集,从而获取电池状态数据,其中电池状态数据包括电池容量数据、剩余电量数据以及电池温度数据;
步骤S22:通过车辆电机控制系统进行驱动功率数据采集,从而获取驱动功率数据,其中驱动功率数据包括电机输出功率以及扭矩数据;
步骤S23:通过车辆能源计量系统进行能源消耗数据采集,从而获取能源消耗数据,其中能源消耗数据包括能耗率数据以及百公里能耗数据;
步骤S24:通过物联网系统进行充电数据采集,从而获取充电数据,其中充电数据包括充电次数数据以及充电时长数据。
本发明中通过不同的系统采集,可以全面获取车辆的各种工况数据,包括电池状态、驱动功率、能源消耗和充电等信息。这样的数据采集能够提供对车辆整体运行状态的全面了解,为后续的现金流模型建模提供更多的输入变量和特征。通过车辆电池管理系统和电机控制系统的数据采集,可以实时监测车辆的电池容量、剩余电量、电池温度、电机输出功率和扭矩等信息。这有助于车辆运营管理人员及时发现并解决潜在问题,确保车辆的安全和正常运行。能源消耗数据的采集可以帮助车辆运营管理者了解车辆的能耗情况,包括能耗率和百公里能耗数据。这些信息有助于优化车辆的能源利用,降低运营成本,提高车辆的能源利用效率。充电数据的采集可以提供充电次数和充电时长等信息,有助于车辆充电管理和计费。这对于车辆运营商和车主来说都非常重要,可以有效管理车辆的充电需求,避免电池过度放电和延长电池寿命。车辆工况数据的全面采集可以为车辆运营管理、能源管理和充电策略等决策提供数据支持。数据驱动的决策能够更加科学和准确,有助于提高运营效率和降低风险。
优选地,步骤S3具体为:
步骤S31:对租赁物GPS精确数据以及车辆工况数据进行位置工况时序关联,从而获取租赁物位置工况时序关联数据;
步骤S32:对租赁物位置工况时序关联数据进行时序关联特征提取以及车辆工况特征提取,从而获取时序关联特征数据以及车辆工况特征数据;
步骤S33:对时序关联特征数据以及车辆工况特征数据进行现金流相关特征选择,从而获取时序关联特征选择数据以及车辆工况特征选择数据;
步骤S34:对时序关联特征选择数据以及车辆工况特征选择数据进行深度神经网络模型构建,从而获取租赁物现金流模型。
本发明中通过对租赁物GPS精确数据和车辆工况数据进行位置工况时序关联,可以将两者的数据在时间上进行对齐和关联。这样的关联能够建立起租赁物位置和车辆工况之间的时序关系,使得后续分析和建模更具有意义。对时序关联数据进行特征提取,包括时序关联特征数据和车辆工况特征数据的提取。特征提取的过程中,可以从数据中提取出代表性的特征,用于描述租赁物和车辆工况的状态和变化情况,为现金流模型建模提供更有价值的特征变量。在提取了大量特征数据后,为了减少数据维度、剔除冗余特征和提高模型的泛化能力,进行现金流相关特征选择是非常重要的一步。通过选择与现金流相关性较高的特征,可以提高现金流模型的预测准确性和可解释性。利用经过特征选择的时序关联特征数据和车辆工况特征数据,构建深度神经网络模型。深度神经网络具有强大的表达能力,能够学习数据中的复杂关系和模式。通过使用深度神经网络模型,可以更准确地预测租赁物的现金流情况,为风险评估和投资决策提供更可靠的依据。
优选地,租赁物现金流模型构建通过租赁物现金流评估计算公式进行评估构建,其中租赁物现金流评估计算公式具体为:
;
为实际运营现金流价值数据,/>为行驶里程数据,/>为空驶里程数据,/>为行驶单价数据,/>为租赁物金融成本数据,/>为融资租赁租金收益率,/>为租赁时间数据。
本发明构造了一种租赁物现金流评估计算公式,该计算公式通过计算现金流来评估融资租赁交易的经济效益,该公式为租赁物现金流各要素之间的交互的数学方式,将经过神经网络模型构建后产生的各项要素进行整合,以构建具有实用性的租赁物现金流模型,它可以帮助租赁商或投资者了解交易的风险和回报。实际运营现金流价值数据,表示在时间点/>产生的现金流,是整个评估的主要输出,用来衡量租赁交易的经济效益。/>行驶里程数据,表示在租赁期内车辆的总行驶里程,较高的行驶里程导致车辆价值下降和维护成本增加。空驶里程数据/>,表示车辆在租赁期内的空驶里程。空驶里程会增加车辆的磨损和燃料成本,降低经济效益。行驶单价数据/>,表示每行驶单位里程的价格,它可以影响租赁现金流,因为行驶单价高低会直接影响租赁收入和成本。租赁物金融成本数据/>,表示与融资租赁交易相关的金融成本,如利息和手续费。融资租赁租金收益率/>,表示在时间点/>的租金相对于租赁物价值的比率。这是评估交易收益和成本的重要因素。行驶里程/>和空驶里程/>直接影响租赁物的价值和运营成本,从而影响现金流。行驶单价/>影响租赁收入和成本,进而影响现金流。租赁物金融成本C会减少现金流,因为它是交易的成本之一。租金收益率M(t)反映了租金相对于租赁物价值的比率,影响租金收入,从而影响现金流。本发明通过考虑行驶里程、空驶里程、行驶单价、金融成本、租金收益率和租赁时间的因素,该公式可以提供一个综合的评估,有助于做出决策。
优选地,步骤S4具体为:
根据租赁物现金流模型进行月度现金流预估,从而获取月度现金流数据;
根据月度现金流数据进行风险评估,从而获取租赁物风险评估数据。
本发明中月度现金流预估可以获得更精确的现金流数据,从而更好地了解租赁交易的经济效益。这有助于做出更明智的商业决策,比如是否继续某个交易,如何进行合同谈判。风险评估在事先识别潜在的风险,以便采取相应的风险管理措施。此外,可以在不同风险情景下进行模拟和分析,从而优化决策策略,降低损失。通过月度现金流预估,可以更好地分配资源,如资金、人力和物资,以满足未来的现金流需求。这也可以为公司的财务规划和预测提供基础,使其更具可预测性。
本发明的有益效果在于:本发明采用了高精度的GPS原始数据集和车辆工况数据采集,这保证了从多个角度获取了租赁物的信息。这样的全面数据采集有助于建立更完整和准确的租赁物现金流模型。本发明中进行了位置工况时序关联和时序关联特征提取,将租赁物GPS精确数据与车辆工况数据进行关联,提取时序特征,有助于捕捉租赁物与车辆工况之间的动态关系,为后续现金流建模提供更有意义的数据。本发明中采用了深度神经网络模型进行租赁物现金流建模。深度神经网络具有强大的非线性拟合能力,能够从复杂的时序关联特征中学习并捕捉潜在的模式和规律。这有助于提高现金流预测的准确性和泛化能力。本发明中,根据租赁物现金流模型,对租赁物的现金流进行风险评估。在评估中,考虑了多个因素,如现金流波动性、收益稳定性、风险暴露等。通过综合风险评估,能够全面了解租赁物的风险状况,为风险管理提供重要依据。本发明中,根据风险评估数据生成融资租赁风险管理策略数据,并获取实时风险管理反馈数据。这样的实时风险管理策略可以帮助及时调整和优化租赁物的经营和风险管理策略,降低潜在风险和损失,提高业务的稳健性和可持续性。整个发明过程是数据驱动的,通过多步骤的数据采集、关联和建模,最终得到租赁物现金流模型和风险评估数据。这使得决策过程更科学、准确和可靠,为租赁物持续产生现金流的风险管理提供了可靠的决策依据。
附图说明
通过阅读参照以下附图所作的对非限制性实施所作的详细描述,本申请的其它特征、目的和优点将会变得更明显:
图1示出了一实施例的基于租赁物持续产生现金流的风险管理方法的步骤流程图;
图2示出了一实施例的步骤S1的步骤流程图;
图3示出了一实施例的步骤S12的步骤流程图;
图4示出了一实施例的步骤S14的步骤流程图;
图5示出了一实施例的步骤S15的步骤流程图;
图6示出了一实施例的步骤S2的步骤流程图;
图7示出了一实施例的步骤S3的步骤流程图。
具体实施方式
下面结合附图对本发明专利的技术方法进行清楚、完整的描述,显然,所描述的实施例是本发明的一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域所属的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。
此外,附图仅为本发明的示意性图解,并非一定是按比例绘制。图中相同的附图标记表示相同或类似的部分,因而将省略对它们的重复描述。附图中所示的一些方框图是功能实体,不一定必须与物理或逻辑上独立的实体相对应。可以采用软件形式来实现功能实体,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/或处理器方法和/或微控制器方法中实现这些功能实体。
应当理解的是,虽然在这里可能使用了术语“第一”、“第二”等等来描述各个单元,但是这些单元不应当受这些术语限制。使用这些术语仅仅是为了将一个单元与另一个单元进行区分。举例来说,在不背离示例性实施例的范围的情况下,第一单元可以被称为第二单元,并且类似地第二单元可以被称为第一单元。这里所使用的术语“和/或”包括其中一个或更多所列出的相关联项目的任意和所有组合。
请参阅图1至图7,本申请提供了一种基于租赁物持续产生现金流的风险管理方法,包括以下步骤:
步骤S1:获取租赁物GPS原始数据集,并对租赁物GPS原始数据集与预设的电子道路地图数据进行高精度匹配,从而获取租赁物GPS精确数据;
具体地,例如使用GPS设备或传感器在租赁物上进行数据采集,记录车辆的位置信息、速度的GPS原始数据。将采集到的GPS原始数据与预设的电子道路地图数据进行高精度匹配。可以使用地图匹配算法,如基于地理信息系统(GIS)的匹配算法或图匹配算法,将GPS数据点映射到电子道路地图上的对应位置,得到租赁物GPS精确数据。
步骤S2:通过车辆工况数据采集,从而获取车辆工况数据;
具体地,例如安装车辆工况传感器,如电池状态传感器、电机控制系统传感器、能源计量传感器以及物联网系统传感器,用于实时采集车辆工况数据。
步骤S3:根据租赁物GPS精确数据以及车辆工况数据进行租赁物现金流建模,从而构建租赁物现金流模型;
具体地,例如根据步骤S1和步骤S2获得的GPS精确数据和车辆工况数据,可以采用机器学习方法,如深度神经网络、支持向量机、随机森林,进行现金流建模。特征提取:从GPS精确数据和车辆工况数据中提取时序关联特征和车辆工况特征,用于构建现金流模型。模型构建:利用提取的特征数据,构建租赁物现金流模型。模型训练需要使用历史租赁数据和相应的现金流信息来进行监督学习。模型评估:对构建的现金流模型进行评估,验证其在预测现金流方面的准确性和性能。
步骤S4:根据租赁物现金流模型进行风险评估,从而获取租赁物风险评估数据;
具体地,例如利用步骤S3中构建的现金流模型,结合实际月度现金流数据,进行风险评估。风险指标:根据模型预测的现金流情况,计算不同风险指标,如现金流波动性、收益稳定性、潜在亏损。风险评估结果:得到租赁物风险评估数据,包括对现金流风险水平的评估和预测。
步骤S5:根据租赁物风险评估数据生成融资租赁风险管理策略数据,并获取风险管理反馈数据,以对租赁物现金流模型以及融资租赁风险管理策略数据进行实时评估迭代。
具体地,例如基于步骤S4中的风险评估数据,制定相应的融资租赁风险管理策略。风险管理策略:根据风险评估结果,制定风险管理策略,包括风险防范措施、资产配置优化、合同条款调整。获取风险管理反馈数据:风险管理反馈数据可以来自多个渠道,包括租赁物的运营数据、市场数据、经济数据。通过监测这些数据,可以实时了解租赁物风险的变化情况,包括市场条件的波动、租赁物运营状况的变化等。实时评估和迭代:根据获取的风险管理反馈数据,对租赁物现金流模型以及融资租赁风险管理策略数据进行实时评估和迭代。这包括对风险模型进行实时调整和优化,以适应市场的变化和租赁物的实际运营情况。同时,也需要对融资租赁风险管理策略进行动态调整,以确保风险控制和回报的平衡。决策支持:利用实时评估和迭代的结果,提供决策支持信息,帮助租赁物经营者和融资租赁机构做出更明智的风险管理决策。这涉及到风险调整、投资组合优化、市场交易决策的方面。
具体地,例如假设该融资租赁公司在实施风险管理策略后,租金回收率提高了10%,租金拖欠率降低了5%,电池维护成本降低了8%,车辆故障率降低了12%。通过实时评估和迭代,融资租赁公司发现这些数值的变化与他们采取的相应风险管理措施是密切相关的。例如,加强车辆维护措施导致车辆故障率降低,采取租金优惠措施导致租金回收率提高。这些具体数值支撑了他们的风险管理策略的有效性和可行性。
本发明中通过获取租赁物GPS精确数据和车辆工况数据,建立租赁物现金流模型,可以更准确地预测租赁物未来的现金流变化。租赁物现金流模型是评估租赁物运营(如网约车形式)可产生的现金收益,根据现金收益去判断能否覆盖租金。通过步骤S4中的风险评估,可以及时了解租赁物的风险状况,包括潜在的现金流波动和损失风险。基于风险管理策略数据,步骤S5提供实时评估迭代,使得投资者或租赁公司能够做出及时的调整和优化,以降低风险并提高资金的有效利用。通过生成融资租赁风险管理策略数据,可以针对不同的租赁物和市场情况制定适应性强的风险管理策略。这有助于最大程度地优化租赁资产组合,降低整体风险,并提高投资回报率。
优选地,步骤S1具体为:
步骤S11:通过自适应数据间隔进行GPS数据采集,从而获取租赁物GPS原始数据集,其中自适应数据间隔为根据GPS数据所属地理位置以及GPS数据变化情况进行自适应调整生成;
具体地,例如在租赁物上安装GPS传感器,利用传感器实时采集车辆位置信息。根据不同地理位置和车辆运行情况,调整GPS数据的采集间隔,使其在复杂城市区域或曲线道路等位置间隔更短,而在直线高速公路等位置间隔更长。自适应调整:根据车辆当前的运行状态和所处的地理位置,自动调整GPS数据采集的频率,以保证在需要详细数据的位置获取更多数据,而在直线运行的情况下降低数据密度,减少数据存储和处理成本。
步骤S12:对租赁物GPS原始数据集进行GPS无效值检测,从而获取GPS无效值检测数据,并利用GPS无效值检测数据对租赁物GPS原始数据集进行无效值处理,从而获取租赁物GPS清洗数据;
具体地,例如采用异常检测算法或统计方法,对GPS原始数据集进行无效值检测,判断是否存在异常或无效的数据点,例如坐标异常、速度异常。无效值处理:将检测到的无效数据点标记为缺失值或删除,以获得可靠的租赁物GPS清洗数据。可以采用插值算法来填补缺失值,例如线性插值或多项式插值。
步骤S13:对租赁物GPS清洗数据进行平滑降噪,从而获取租赁物GPS平滑降噪数据;
具体地,例如采用平滑滤波算法,例如移动平均滤波、指数平滑滤波,对租赁物GPS清洗数据进行平滑处理,以去除数据中的噪声和异常波动。平滑效果:平滑处理后的数据能够更好地反映租赁物的实际运行轨迹,提供更稳定的数据基础,减少由于数据噪声引起的不准确分析。
步骤S14:对租赁物GPS平滑降噪数据进行异常值识别并处理,从而获取租赁物GPS异常值处理数据;
具体地,例如采用异常检测算法,如Z-score方法或基于聚类的异常检测算法,对平滑降噪后的GPS数据进行异常值识别,找出存在的异常数据点。异常值处理:对于识别出的异常数据点,可以通过插值或平滑处理进行修复,也可以将其标记为异常,并在后续处理中进行特殊对待。
步骤S15:将租赁物GPS异常值处理数据与预设的电子道路地图数据进行高精度匹配,从而获取租赁物GPS精确数据。
具体地,例如利用地图匹配算法,将租赁物GPS异常值处理数据与预设的电子道路地图数据进行高精度匹配,确定每个GPS数据点在电子地图上的真实位置。地图匹配算法:常见的地图匹配算法包括HMM(Hidden Markov Model)算法、粒子滤波算法,这些算法可以根据GPS数据点的信息和道路地图数据,找到最可能的匹配位置。
本发明中通过自适应数据间隔进行GPS数据采集(步骤S11),根据地理位置和变化情况进行自适应调整生成GPS数据,可以获得更加精确和全面的GPS数据集。而且,对GPS原始数据进行GPS无效值检测(步骤S12)和无效值处理,进一步清除异常或无效的GPS数据点,有助于提高数据质量,减少错误对现金流模型建模的影响。在步骤S13中对GPS数据进行平滑降噪处理,可以去除数据中的噪声,使得数据更加平滑和稳定。这样的数据处理有助于模型更好地捕捉租赁物位置变化的趋势和规律,提高现金流预测的准确性。在步骤S14中进行异常值识别并处理,可以消除因为设备故障或其他原因引起的异常GPS数据点,从而提高数据的精确度。经过异常值处理后的数据更可靠,使得租赁物GPS数据更加准确地反映其实际位置和状态。步骤S15中将GPS异常值处理数据与预设的电子道路地图数据进行高精度匹配,获得租赁物GPS精确数据后,可以实现租赁物位置和工况数据之间的时序关联。这有助于更好地理解租赁物在不同位置和工况下的现金流情况,为后续的现金流模型构建提供更丰富和准确的特征。
优选地,步骤S12具体为:
步骤S121:对租赁物GPS原始数据集进行GPS无效值检测,从而获取GPS无效值检测数据;
具体地,例如采用异常检测算法,如Z-score方法或3-sigma方法,对GPS原始数据集进行无效值检测,判断是否存在异常的GPS数据点。异常值判断:根据阈值或统计规则,判断GPS数据点是否偏离正常范围,例如速度超过一定阈值、位置偏离地图范围。
步骤S122:确定GPS无效值检测数据为GPS无效值标记数据时,则对租赁物GPS原始数据集进行无效值剔除,从而获取租赁物GPS清洗数据;
具体地,例如将在步骤S121中判定为无效值的GPS数据点从原始数据集中剔除。数据处理:对于无效值,可以删除或标记为缺失值。
步骤S123:确定GPS无效值检测数据为GPS缺失值标记数据时,则对租赁物GPS原始数据集进行GPS数据缺失检测,从而获取缺失检测报告数据;
具体地,例如根据无效值检测结果,确定无效值标记数据为缺失值,并对原始数据集进行缺失值检测。缺失值检测:检查原始数据集是否存在缺失值,即某些时刻的GPS数据未采集到。
步骤S124:确定缺失检测报告数据为时间序列缺失检测报告数据时,则对相应的租赁物GPS原始数据集进行时序插值,从而获取租赁物GPS清洗数据;
具体地,例如对于检测到的时间序列缺失值,采用插值算法进行补充。常见的插值算法包括线性插值、多项式插值、样条插值。插值效果:通过插值处理,可以补充缺失的GPS数据点,得到更连续和完整的GPS数据序列。
步骤S125:确定缺失检测报告数据为空间序列缺失检测报告数据时,则对相应的租赁物GPS原始数据集进行空间插值,从而获取租赁物GPS清洗数据;
具体地,例如对于检测到的空间序列缺失值,根据相邻GPS数据点的空间位置信息,采用插值算法估算缺失位置的GPS数据。空间插值方法:最近邻插值、反距离加权插值的方法用于估算缺失位置的GPS数据。
步骤S126:确定缺失检测报告数据为非时空序列缺失检测报告数据时,则对相应的租赁物GPS原始数据集进行均值填充,从而获取租赁物GPS清洗数据;
具体地,例如对于检测到的非时空序列缺失值,采用均值填充的方法,用相邻时刻或相似区域的GPS数据均值进行填充。数据填充:利用邻近数据的均值,对缺失的GPS数据点进行填充。
步骤S127:确定缺失检测报告数据为多重参数缺失检测报告数据时,则对相应的租赁物GPS原始数据集进行邻近数据波动计算,从而获取邻近数据波动数据;
具体地,例如邻近数据波动计算是一种基于相邻数据点的波动性来估计缺失值的方法。假设在某个时间点t,租赁物GPS原始数据集中有一些参数数据同时缺失,但是在时间点t附近有其他数据点的参数是可用的。那么可以采用邻近数据的波动性来估计缺失数据。例如,如果在时间点t附近有数据点t-1、t+1的GPS数据可用,可以计算这两个数据点的GPS数值之间的波动情况。比如计算两个数据点之间的距离差异或速度差异等。然后将这个波动情况应用到时间点t上,来估计缺失的GPS数据。另外,还可以考虑利用其他相关参数的波动性来估计缺失数据。比如,如果车辆速度在时间点t和t-1之间有较大的波动,那么对应的GPS位置数据也会有一定的波动。
步骤S128:确定邻近数据波动数据为平稳邻近数据波动数据时,则对相应的租赁物GPS原始数据集进行线性插值,从而获取租赁物GPS清洗数据;
具体地,例如对于检测到的平稳邻近数据波动,使用线性插值算法,根据相邻时刻的GPS数据点,估算缺失位置的GPS数据。线性插值:通过线性方程,根据已知数据点的值和位置,估算缺失位置的GPS数据。
步骤S129:确定邻近数据波动数据为非平稳邻近数据波动数据时,则对相应的租赁物GPS原始数据集进行样条插值,从而获取租赁物GPS清洗数据。
具体地,例如对于检测到的非平稳邻近数据波动,使用样条插值算法,利用相邻时刻的GPS数据点,生成平滑的插值曲线,并估算缺失位置的GPS数据。样条插值:通过样条曲线,对数据进行平滑拟合,从而得到连续的插值数据。
本发明中通过对GPS原始数据集进行GPS无效值检测,能够及时发现和标记无效值,并对这些无效值进行剔除。这有助于减少错误数据的影响,提高数据的质量和可靠性。在步骤S12中根据缺失检测报告数据进行不同类型的插值处理,包括时序插值、空间插值、均值填充、线性插值和样条插值等。这些插值方法能够有效地填补数据缺失,使得租赁物GPS数据集更加完整和连续。在进行插值处理时,会保留有用的信息,避免过度平滑或损失重要的数据特征。这有助于保持数据的真实性和可解释性,在后续的现金流模型建模中发挥更好的作用。清洗后的GPS数据集更加准确和连续,结合车辆工况数据进行现金流建模时,能够提高现金流预测的准确性。这有助于更好地评估租赁物的现金流风险和收益潜力,为风险管理和投资决策提供更可靠的依据。通过数据清洗和插值处理,降低了因数据质量不佳和缺失引起的现金流预测误差,从而降低了投资的风险。投资者可以更有信心地进行资金配置和租赁物选择,提高投资回报率。
优选地,步骤S13中平滑降噪通过GPS平滑降噪计算公式进行平滑降噪,其中GPS平滑降噪计算公式具体为:
;
;
;
为租赁物第一GPS平滑降噪数据,/>为第/>个数据点对第/>个数据点的权重项,为第/>个租赁物第一GPS清洗数据,/>为租赁物第二GPS平滑降噪数据,/>为第/>个租赁物第二GPS清洗数据,/>为第/>个租赁物第一GPS清洗数据,/>为第/>个租赁物第二GPS清洗数据,/>为带宽参数项。
本发明构造了一种GPS平滑降噪计算公式,该计算公式用于对租赁物的GPS原始数据进行平滑处理,以减少数据中的噪声和波动,从而获得更加平滑和稳定的GPS数据。通过计算权重项,该公式将第/>个数据点与其他数据点之间的距离考虑在内。距离较近的数据点获得较高的权重,而距离较远的数据点获得较低的权重。通过这样的权重分配,可以降低数据中噪声的影响,使得计算得到的/>和/>更加平滑。通过将权重项作用在不同数据点上,公式能够在平滑数据的同时保持数据的连续性。即使某些数据点出现较大波动或异常值,由于与其他数据点的加权平均,得到的平滑数据仍然能够较好地反映整体趋势,而不会受到孤立数据点的干扰。公式中的带宽参数/>是一个控制平滑程度的参数。较大的/>值将导致较大的权重范围,使得平滑效果较强,而较小的/>值将导致较小的权重范围,使得平滑效果较弱。因此,通过调整/>的值,可以适应不同程度的数据波动,实现平滑的灵活性。公式涉及到两个维度的数据处理:/>处理第一维的GPS清洗数据,/>处理第二维的GPS清洗数据。这样的多维数据处理可以更全面地考虑租赁物的位置信息,提高平滑效果和数据的综合准确性。该GPS平滑降噪计算公式通过权重项的加权平均,对GPS原始数据进行平滑处理,以降低数据噪声、保持数据连续性,并通过带宽参数调整平滑程度。该公式能够提高现金流模型建模时数据的稳定性和可靠性,有助于更准确地预测租赁物的现金流情况,从而提高风险管理和投资决策的有效性。
优选地,步骤S14具体为:
步骤S141:对租赁物GPS平滑降噪数据进行标准差计算,从而获取租赁物GPS标准差数据;
具体地,例如对租赁物GPS平滑降噪数据进行标准差计算,衡量数据的波动程度和数据点之间的离散程度。标准差计算:对GPS平滑降噪数据计算标准差,例如使用统计学中的标准差公式:σ=√(Σ(xi-μ)^2/n),其中xi为数据点,μ为平均值,n为数据点数量。
步骤S142:利用租赁物GPS标准差数据对租赁物GPS平滑降噪数据进行第一异常值识别并剔除,从而获取租赁物第一GPS异常值处理数据;
具体地,例如利用GPS标准差数据,采用指定的倍数(如3倍标准差)作为阈值,判断是否存在异常值。异常值判断:如果GPS平滑降噪数据与平均值的差超过指定倍数的标准差,则将该数据点视为异常值,进行剔除。
步骤S143:利用租赁物GPS标准差数据对租赁物第一GPS异常值处理数据进行第二异常值识别,从而获取租赁物第二GPS异常值数据,其中第一异常值识别与第二异常值识别为采用将超过租赁物GPS标准差数据的倍数不同的异常值识别方式;
具体地,例如利用GPS标准差数据,采用不同的倍数(如2倍标准差)作为阈值,再次进行异常值识别。异常值判断:如果GPS平滑降噪数据与平均值的差超过不同的倍数的标准差,则将该数据点视为第二类异常值。
步骤S144:对租赁物第一GPS异常值处理数据进行随机树构建,从而获取租赁物GPS随机树数据;
具体地,例如利用第一异常值处理数据构建GPS随机树(Random Forest),采用随机抽样和特征随机选择的方式构建多个决策树。随机树构建:对异常值处理数据进行训练,构建多个随机树,每个树由随机选取的数据子集和特征子集组成。
步骤S145:对租赁物GPS随机树数据进行路径长度计算,从而获取路径长度数据;
具体地,例如对GPS随机树数据进行路径长度计算,衡量每个数据点在随机树中的路径长度。路径长度计算:对每个数据点,计算其在随机树中经过的决策节点数量,路径长度越长表示数据点在随机树中的离群程度较高。
步骤S146:根据路径长度数据对租赁物GPS随机树数据进行离群点判定,从而获取租赁物GPS离群点数据;
具体地,例如离群点判定:通过分析路径长度数据,可以判断哪些数据点具有较大的路径长度,即与其他数据点之间存在较大的距离。这些数据点通常被认为是离群点或异常值。可以通过设定一个阈值来判定哪些数据点被认为是离群点,比如5或者一个倍数常数。获取租赁物GPS离群点数据:根据离群点判定的结果,可以将被识别为离群点的数据点提取出来,从而得到租赁物GPS离群点数据。
步骤S147:利用租赁物GPS离群点数据对租赁物第一GPS异常值处理数据中对应的租赁物第二GPS异常值数据进行第二异常值剔除,从而获取租赁物GPS异常值处理数据。
具体地,例如利用离群点数据对第一异常值处理数据中对应的第二异常值数据进行剔除。数据处理:将第一异常值处理数据中与离群点对应的第二异常值数据剔除,以得到更准确的异常值处理数据。
本发明中通过计算租赁物GPS平滑降噪数据的标准差,可以得到数据的离散程度,进而用于异常值的识别。通过不同倍数的标准差阈值,采用两种异常值识别方式(第一和第二异常值识别),可以准确地识别出存在的异常值。采用两次异常值识别,即第一次剔除部分异常值后,再次进行异常值识别,可以减少对真实数据的误判。这样的策略有助于保留更多有价值的数据,并减少因过度剔除异常值而导致的信息损失。在步骤S14中,异常值处理数据涉及到第一和租赁物第二的GPS异常值数据。通过采用不同的异常值识别方式和剔除操作,能够同时处理多维度的异常值,增强了数据处理的全面性和灵活性。通过剔除异常值,可以清除租赁物GPS数据中的噪声和异常点,从而提高数据的质量和可靠性。清洗后的数据能够更好地用于现金流模型建模,提高预测准确性和投资决策的可信度。通过对租赁物GPS随机树数据进行路径长度计算和离群点判定,可以进一步识别离群点。这有助于发现租赁物位置数据中的特殊异常情况,对于风险管理和决策提供更全面的数据支持。本发明的异常值识别和处理操作有助于提高数据的准确性和可靠性,保留有价值的数据,减少误判,提高数据质量,并识别和处理多维度的异常情况。这些优化措施为现金流模型的构建和风险评估提供更可靠的数据基础,增强了风险管理策略的有效性和投资决策的科学性。
优选地,步骤S15具体为:
步骤S151:将租赁物GPS异常值处理数据与预设的电子道路地图数据进行轨迹图构建,从而获取轨迹图数据;
具体地,例如将租赁物GPS异常值处理数据与预设的电子道路地图数据进行匹配和融合,构建轨迹图数据。构建方法:通过将GPS异常值处理数据的位置点与电子道路地图数据中的道路进行匹配,形成租赁物在地图上的轨迹。
步骤S152:利用预设的电子道路地图数据对轨迹图数据进行节点特征添加以及边特征添加,从而获取轨迹特征添加图数据,其中节点特征添加包括道路类型特征添加以及道路宽度特征添加,边特征添加包括轨迹点位置信息添加以及轨迹点时间戳添加;
具体地,例如利用预设的电子道路地图数据,为轨迹图数据添加节点特征和边特征。节点特征添加:根据道路类型数据,为轨迹图中的节点(位置点)添加道路类型信息,例如城市道路、高速公路。道路宽度特征添加:根据道路宽度数据,为轨迹图中的节点添加道路宽度信息。
步骤S153:对轨迹特征添加图数据进行节点特征传播以及边特征传播,从而获取节点特征传播数据以及边特征传播数据;
具体地,例如通过图数据中的节点和边特征进行特征传播,将节点特征和边特征传递到邻近节点和边上。节点特征传播:通过节点之间的连接关系,将节点特征信息传递给邻近节点。边特征传播:通过边的连接关系,将边特征信息传递给相邻的边。
步骤S154:对节点特征传播数据以及边特征传播数据进行图特征聚合,从而获取租赁物GPS精确数据。
具体地,例如对节点特征传播数据和边特征传播数据进行图特征聚合,得到租赁物GPS精确数据。图特征聚合:根据节点特征传播数据和边特征传播数据,计算每个节点的特征向量,并综合所有节点的特征向量形成整个轨迹图的特征表示。
本发明中将租赁物GPS异常值处理数据与电子道路地图数据进行轨迹图构建,可以将租赁物的GPS位置数据映射到实际道路上,形成轨迹图。这有助于更直观地了解租赁物在实际道路上的运行轨迹和行驶情况。在轨迹图数据上,通过预设的电子道路地图数据,可以为每个节点(道路交叉口或关键点)添加道路类型特征和道路宽度特征,为每条边(道路段)添加轨迹点位置信息和时间戳。这些特征的添加丰富了轨迹图数据的信息,为后续分析和建模提供更多有用的特征。通过节点特征传播和边特征传播,轨迹图数据的特征会在图结构中传递和融合。这种传播机制可以利用相邻节点和边之间的信息相互影响,提取更丰富的特征表达,增强数据的表征能力。在传播后的数据中,对节点特征和边特征进行聚合,可以得到更综合的特征表示。图特征聚合有助于从整体上捕获租赁物的位置和运行特征,为现金流模型提供更全面和准确的特征数据。经过轨迹特征添加、特征传播和聚合后,得到的数据即为GPS精确数据。这些数据相对于异常值处理数据,更具有综合性、连续性和可靠性。这些GPS精确数据可用于现金流模型构建,提高现金流预测的准确性和可靠性。
优选地,车辆工况数据包括电池状态数据、驱动功率数据、能源消耗数据以及充电数据,步骤S2具体为:
步骤S21:通过车辆电池管理系统进行电池状态数据采集,从而获取电池状态数据,其中电池状态数据包括电池容量数据、剩余电量数据以及电池温度数据;
具体地,例如车辆电池管理系统是车辆中的一种电子设备,它可以实时监测电池的容量、剩余电量和温度的信息。通过连接到车辆电池的传感器,系统可以采集电池的电压、电流和温度等数据,并将这些数据存储在数据库中,供后续的风险评估和现金流建模使用。
步骤S22:通过车辆电机控制系统进行驱动功率数据采集,从而获取驱动功率数据,其中驱动功率数据包括电机输出功率以及扭矩数据;
具体地,例如车辆电机控制系统控制着车辆的电动机,它可以实时监测电机的输出功率和扭矩的信息。通过连接到电动机的传感器,系统可以采集电机的输出功率、扭矩和转速等数据,并将这些数据记录在数据库中,用于后续的风险评估和现金流建模。
步骤S23:通过车辆能源计量系统进行能源消耗数据采集,从而获取能源消耗数据,其中能源消耗数据包括能耗率数据以及百公里能耗数据;
具体地,例如车辆能源计量系统是用于测量车辆能源消耗的设备,它可以实时监测车辆的能耗率和百公里能耗的数据。通过连接到车辆的能源计量传感器,系统可以采集车辆的能耗数据,并将这些数据存储在数据库中,供后续的风险评估和现金流建模使用。
步骤S24:通过物联网系统进行充电数据采集,从而获取充电数据,其中充电数据包括充电次数数据以及充电时长数据。
具体地,例如物联网系统可以连接到车辆的充电装置,实时监测车辆的充电次数和充电时长的信息。通过连接到充电装置的传感器,系统可以采集车辆的充电数据,并将这些数据记录在数据库中,用于后续的风险评估和现金流建模。
本发明中通过不同的系统采集,可以全面获取车辆的各种工况数据,包括电池状态、驱动功率、能源消耗和充电等信息。这样的数据采集能够提供对车辆整体运行状态的全面了解,为后续的现金流模型建模提供更多的输入变量和特征。通过车辆电池管理系统和电机控制系统的数据采集,可以实时监测车辆的电池容量、剩余电量、电池温度、电机输出功率和扭矩等信息。这有助于车辆运营管理人员及时发现并解决潜在问题,确保车辆的安全和正常运行。能源消耗数据的采集可以帮助车辆运营管理者了解车辆的能耗情况,包括能耗率和百公里能耗数据。这些信息有助于优化车辆的能源利用,降低运营成本,提高车辆的能源利用效率。充电数据的采集可以提供充电次数和充电时长等信息,有助于车辆充电管理和计费。这对于车辆运营商和车主来说都非常重要,可以有效管理车辆的充电需求,避免电池过度放电和延长电池寿命。车辆工况数据的全面采集可以为车辆运营管理、能源管理和充电策略等决策提供数据支持。数据驱动的决策能够更加科学和准确,有助于提高运营效率和降低风险。
优选地,步骤S3具体为:
步骤S31:对租赁物GPS精确数据以及车辆工况数据进行位置工况时序关联,从而获取租赁物位置工况时序关联数据;
具体地,例如通过对租赁物GPS精确数据和车辆工况数据进行时间戳的匹配和关联,建立租赁物的位置工况时序关联数据。将租赁物GPS精确数据和车辆工况数据进行时间戳的对齐,确保它们在同一时间点上具有对应的数据。然后,根据时间戳对应的GPS位置信息和车辆工况信息,将它们关联起来,形成位置工况时序关联数据。例如,在某个时间点,可以将车辆的位置、速度、电池状态和能耗等信息关联在一起,形成一个完整的时序数据记录。
步骤S32:对租赁物位置工况时序关联数据进行时序关联特征提取以及车辆工况特征提取,从而获取时序关联特征数据以及车辆工况特征数据;
具体地,例如从位置工况时序关联数据中提取相关特征,同时从车辆工况数据中提取车辆工况特征。对于位置工况时序关联数据,可以提取与时间相关的特征,例如位置变化的速度、加速度等;还可以提取与车辆工况相关的特征,例如电池容量、剩余电量、能耗率等。对于车辆工况数据,可以提取驱动功率、充电次数、充电时长的特征。这些特征将作为后续建模的输入。
步骤S33:对时序关联特征数据以及车辆工况特征数据进行现金流相关特征选择,从而获取时序关联特征选择数据以及车辆工况特征选择数据;
具体地,例如通过统计分析或机器学习算法,对提取的时序关联特征数据和车辆工况特征数据进行相关性分析,筛选出对租赁物现金流影响较大的特征。这些特征将作为建模的输入变量,以便更准确地预测租赁物的现金流。
步骤S34:对时序关联特征选择数据以及车辆工况特征选择数据进行深度神经网络模型构建,从而获取租赁物现金流模型。
具体地,例如将筛选得到的现金流相关特征选择数据和车辆工况特征选择数据作为DNN的输入层,设计合适的隐藏层和输出层结构,通过训练和优化DNN模型,得到一个能够准确预测租赁物现金流的模型。DNN是一种强大的机器学习算法,可以从大量的数据中学习并发现数据的复杂模式,因此适用于现金流预测的建模任务。
本发明中通过对租赁物GPS精确数据和车辆工况数据进行位置工况时序关联,可以将两者的数据在时间上进行对齐和关联。这样的关联能够建立起租赁物位置和车辆工况之间的时序关系,使得后续分析和建模更具有意义。对时序关联数据进行特征提取,包括时序关联特征数据和车辆工况特征数据的提取。特征提取的过程中,可以从数据中提取出代表性的特征,用于描述租赁物和车辆工况的状态和变化情况,为现金流模型建模提供更有价值的特征变量。在提取了大量特征数据后,为了减少数据维度、剔除冗余特征和提高模型的泛化能力,进行现金流相关特征选择是非常重要的一步。通过选择与现金流相关性较高的特征,可以提高现金流模型的预测准确性和可解释性。利用经过特征选择的时序关联特征数据和车辆工况特征数据,构建深度神经网络模型。深度神经网络具有强大的表达能力,能够学习数据中的复杂关系和模式。通过使用深度神经网络模型,可以更准确地预测租赁物的现金流情况,为风险评估和投资决策提供更可靠的依据。
优选地,租赁物现金流模型构建通过租赁物现金流评估计算公式进行评估构建,其中租赁物现金流评估计算公式具体为:
;
为实际运营现金流价值数据,/>为行驶里程数据,/>为空驶里程数据,/>为行驶单价数据,/>为租赁物金融成本数据,/>为融资租赁租金收益率,/>为租赁时间数据。
本发明构造了一种租赁物现金流评估计算公式,该计算公式通过计算现金流来评估融资租赁交易的经济效益,该公式为租赁物现金流各要素之间的交互的数学方式,将经过神经网络模型构建后产生的各项要素进行整合,以构建具有实用性的租赁物现金流模型。它可以帮助租赁商或投资者了解交易的风险和回报。实际运营现金流价值数据,表示在时间点/>产生的现金流,是整个评估的主要输出,用来衡量租赁交易的经济效益。/>行驶里程数据,表示在租赁期内车辆的总行驶里程,较高的行驶里程导致车辆价值下降和维护成本增加。空驶里程数据/>,表示车辆在租赁期内的空驶里程。空驶里程会增加车辆的磨损和燃料成本,降低经济效益。行驶单价数据/>,表示每行驶单位里程的价格,它可以影响租赁现金流,因为行驶单价高低会直接影响租赁收入和成本。租赁物金融成本数据/>,表示与融资租赁交易相关的金融成本,如利息和手续费。融资租赁租金收益率/>,表示在时间点/>的租金相对于租赁物价值的比率。这是评估交易收益和成本的重要因素。行驶里程/>和空驶里程/>直接影响租赁物的价值和运营成本,从而影响现金流。行驶单价/>影响租赁收入和成本,进而影响现金流。租赁物金融成本C会减少现金流,因为它是交易的成本之一。租金收益率M(t)反映了租金相对于租赁物价值的比率,影响租金收入,从而影响现金流。本发明通过考虑行驶里程、空驶里程、行驶单价、金融成本、租金收益率和租赁时间的因素,该公式可以提供一个综合的评估,有助于做出决策。
优选地,步骤S4具体为:
根据租赁物现金流模型进行月度现金流预估,从而获取月度现金流数据;
具体地,例如过去几年的租赁交易数据,并将其整理成时间序列。使用时间序列分析方法,如季节性分解和平滑技术,来预测未来每个月的现金流。例如,使用加法季节性分解模型,其中每个月的现金流可以分解为趋势、季节性和残差三个部分。然后,使用回归分析来根据过去的参数值(行驶里程、空驶里程、行驶单价等)预测未来的参数,并将它们代入公式以预测现金流。
根据月度现金流数据进行风险评估,从而获取租赁物风险评估数据。
具体地,例如获得了每个月的现金流预测数据。进行以下风险评估方法之一:a.敏感性分析:确定哪些参数对现金流的影响最大,进而评估在参数变化时现金流的变化情况。例如,通过微调行驶里程、空驶里程的参数,观察现金流的变化。b.蒙特卡洛模拟:随机生成参数的取值范围,并进行多次模拟,以获取现金流在不同情景下的分布。通过这种方法,估计不同风险水平下的现金流范围。c.情景分析:基于不同的假设和情景,对现金流进行模拟和分析。例如,考虑不同的市场趋势、行业变化,评估它们对现金流的影响。
本发明中月度现金流预估可以获得更精确的现金流数据,从而更好地了解租赁交易的经济效益。这有助于做出更明智的商业决策,比如是否继续某个交易,如何进行合同谈判。风险评估在事先识别潜在的风险,以便采取相应的风险管理措施。此外,可以在不同风险情景下进行模拟和分析,从而优化决策策略,降低损失。通过月度现金流预估,可以更好地分配资源,如资金、人力和物资,以满足未来的现金流需求。这也可以为公司的财务规划和预测提供基础,使其更具可预测性。
本发明采用了高精度的GPS原始数据集和车辆工况数据采集,这保证了从多个角度获取了租赁物的信息。这样的全面数据采集有助于建立更完整和准确的租赁物现金流模型。本发明中进行了位置工况时序关联和时序关联特征提取,将租赁物GPS精确数据与车辆工况数据进行关联,提取时序特征,有助于捕捉租赁物与车辆工况之间的动态关系,为后续现金流建模提供更有意义的数据。本发明中采用了深度神经网络模型进行租赁物现金流建模。深度神经网络具有强大的非线性拟合能力,能够从复杂的时序关联特征中学习并捕捉潜在的模式和规律。这有助于提高现金流预测的准确性和泛化能力。本发明中,根据租赁物现金流模型,对租赁物的现金流进行风险评估。在评估中,考虑了多个因素,如现金流波动性、收益稳定性、风险暴露等。通过综合风险评估,能够全面了解租赁物的风险状况,为风险管理提供重要依据。本发明中,根据风险评估数据生成融资租赁风险管理策略数据,并获取实时风险管理反馈数据。这样的实时风险管理策略可以帮助及时调整和优化租赁物的经营和风险管理策略,降低潜在风险和损失,提高业务的稳健性和可持续性。整个发明过程是数据驱动的,通过多步骤的数据采集、关联和建模,最终得到租赁物现金流模型和风险评估数据。这使得决策过程更科学、准确和可靠,为租赁物持续产生现金流的风险管理提供了可靠的决策依据。
因此,无论从哪一点来看,均应将实施例看作是示范性的,而且是非限制性的,本发明的范围由所附申请文件而不是上述说明限定,因此旨在将落在申请文件的等同要件的含义和范围内的所有变化涵括在本发明内。
以上所述仅是本发明的具体实施方式,使本领域技术人员能够理解或实现本发明。对这些实施例的多种修改对本领域的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发明的原理和新颖特点相一致的最宽的范围。
Claims (9)
1.一种基于租赁物持续产生现金流的风险管理方法,其特征在于,包括以下步骤:
步骤S1:获取租赁物GPS原始数据集,并对租赁物GPS原始数据集与预设的电子道路地图数据进行高精度匹配,从而获取租赁物GPS精确数据;
步骤S2:通过车辆工况数据采集,从而获取车辆工况数据;
步骤S3,包括:
步骤S31:对租赁物GPS精确数据以及车辆工况数据进行位置工况时序关联,从而获取租赁物位置工况时序关联数据;
步骤S32:对租赁物位置工况时序关联数据进行时序关联特征提取以及车辆工况特征提取,从而获取时序关联特征数据以及车辆工况特征数据;
步骤S33:对时序关联特征数据以及车辆工况特征数据进行现金流相关特征选择,从而获取时序关联特征选择数据以及车辆工况特征选择数据;
步骤S34:对时序关联特征选择数据以及车辆工况特征选择数据进行深度神经网络模型构建,从而获取租赁物现金流模型;
步骤S4:根据租赁物现金流模型进行风险评估,从而获取租赁物风险评估数据;
步骤S5:根据租赁物风险评估数据生成融资租赁风险管理策略数据,并获取风险管理反馈数据,以对租赁物现金流模型以及融资租赁风险管理策略数据进行实时评估迭代。
2.根据权利要求1所述的方法,其特征在于,步骤S1具体为:
步骤S11:通过自适应数据间隔进行GPS数据采集,从而获取租赁物GPS原始数据集,其中自适应数据间隔为根据GPS数据所属地理位置以及GPS数据变化情况进行自适应调整生成;
步骤S12:对租赁物GPS原始数据集进行GPS无效值检测,从而获取GPS无效值检测数据,并利用GPS无效值检测数据对租赁物GPS原始数据集进行无效值处理,从而获取租赁物GPS清洗数据;
步骤S13:对租赁物GPS清洗数据进行平滑降噪,从而获取租赁物GPS平滑降噪数据;
步骤S14:对租赁物GPS平滑降噪数据进行异常值识别并处理,从而获取租赁物GPS异常值处理数据;
步骤S15:将租赁物GPS异常值处理数据与预设的电子道路地图数据进行高精度匹配,从而获取租赁物GPS精确数据。
3.根据权利要求2所述的方法,其特征在于,步骤S12具体为:
步骤S121:对租赁物GPS原始数据集进行GPS无效值检测,从而获取GPS无效值检测数据;
步骤S122:确定GPS无效值检测数据为GPS无效值标记数据时,则对租赁物GPS原始数据集进行无效值剔除,从而获取租赁物GPS清洗数据;
步骤S123:确定GPS无效值检测数据为GPS缺失值标记数据时,则对租赁物GPS原始数据集进行GPS数据缺失检测,从而获取缺失检测报告数据;
步骤S124:确定缺失检测报告数据为时间序列缺失检测报告数据时,则对相应的租赁物GPS原始数据集进行时序插值,从而获取租赁物GPS清洗数据;
步骤S125:确定缺失检测报告数据为空间序列缺失检测报告数据时,则对相应的租赁物GPS原始数据集进行空间插值,从而获取租赁物GPS清洗数据;
步骤S126:确定缺失检测报告数据为非时空序列缺失检测报告数据时,则对相应的租赁物GPS原始数据集进行均值填充,从而获取租赁物GPS清洗数据;
步骤S127:确定缺失检测报告数据为多重参数缺失检测报告数据时,则对相应的租赁物GPS原始数据集进行邻近数据波动计算,从而获取邻近数据波动数据;
步骤S128:确定邻近数据波动数据为平稳邻近数据波动数据时,则对相应的租赁物GPS原始数据集进行线性插值,从而获取租赁物GPS清洗数据;
步骤S129:确定邻近数据波动数据为非平稳邻近数据波动数据时,则对相应的租赁物GPS原始数据集进行样条插值,从而获取租赁物GPS清洗数据。
4.根据权利要求2所述的方法,其特征在于,步骤S13中平滑降噪通过GPS平滑降噪计算公式进行平滑降噪,其中GPS平滑降噪计算公式具体为:
;
;
;
为租赁物第一GPS平滑降噪数据,/>为第/>个数据点对第/>个数据点的权重项,/>为第/>个租赁物第一GPS清洗数据,/>为租赁物第二GPS平滑降噪数据,/>为第/>个租赁物第二GPS清洗数据,/>为第/>个租赁物第一GPS清洗数据,/>为第/>个租赁物第二GPS清洗数据,/>为带宽参数项。
5.根据权利要求2所述的方法,其特征在于,步骤S14具体为:
步骤S141:对租赁物GPS平滑降噪数据进行标准差计算,从而获取租赁物GPS标准差数据;
步骤S142:利用租赁物GPS标准差数据对租赁物GPS平滑降噪数据进行第一异常值识别并剔除,从而获取租赁物第一GPS异常值处理数据;
步骤S143:利用租赁物GPS标准差数据对租赁物第一GPS异常值处理数据进行第二异常值识别,从而获取租赁物第二GPS异常值数据,其中第一异常值识别与第二异常值识别为采用将超过租赁物GPS标准差数据的倍数不同的异常值识别方式;
步骤S144:对租赁物第一GPS异常值处理数据进行随机树构建,从而获取租赁物GPS随机树数据;
步骤S145:对租赁物GPS随机树数据进行路径长度计算,从而获取路径长度数据;
步骤S146:根据路径长度数据对租赁物GPS随机树数据进行离群点判定,从而获取租赁物GPS离群点数据;
步骤S147:利用租赁物GPS离群点数据对租赁物第一GPS异常值处理数据中对应的租赁物第二GPS异常值数据进行第二异常值剔除,从而获取租赁物GPS异常值处理数据。
6.根据权利要求2所述的方法,其特征在于,步骤S15具体为:
步骤S151:将租赁物GPS异常值处理数据与预设的电子道路地图数据进行轨迹图构建,从而获取轨迹图数据;
步骤S152:利用预设的电子道路地图数据对轨迹图数据进行节点特征添加以及边特征添加,从而获取轨迹特征添加图数据,其中节点特征添加包括道路类型特征添加以及道路宽度特征添加,边特征添加包括轨迹点位置信息添加以及轨迹点时间戳添加;
步骤S153:对轨迹特征添加图数据进行节点特征传播以及边特征传播,从而获取节点特征传播数据以及边特征传播数据;
步骤S154:对节点特征传播数据以及边特征传播数据进行图特征聚合,从而获取租赁物GPS精确数据。
7.根据权利要求1所述的方法,其特征在于,车辆工况数据包括电池状态数据、驱动功率数据、能源消耗数据以及充电数据,步骤S2具体为:
步骤S21:通过车辆电池管理系统进行电池状态数据采集,从而获取电池状态数据,其中电池状态数据包括电池容量数据、剩余电量数据以及电池温度数据;
步骤S22:通过车辆电机控制系统进行驱动功率数据采集,从而获取驱动功率数据,其中驱动功率数据包括电机输出功率以及扭矩数据;
步骤S23:通过车辆能源计量系统进行能源消耗数据采集,从而获取能源消耗数据,其中能源消耗数据包括能耗率数据以及百公里能耗数据;
步骤S24:通过物联网系统进行充电数据采集,从而获取充电数据,其中充电数据包括充电次数数据以及充电时长数据。
8.根据权利要求1所述的方法,其特征在于,租赁物现金流模型构建通过租赁物现金流评估计算公式进行评估构建,其中租赁物现金流评估计算公式具体为:
;
为实际运营现金流价值数据,/>为行驶里程数据,/>为空驶里程数据,/>为行驶单价数据,/>为租赁物金融成本数据,/>为融资租赁租金收益率,/>为租赁时间数据。
9.根据权利要求1所述的方法,其特征在于,步骤S4具体为:
根据租赁物现金流模型进行月度现金流预估,从而获取月度现金流数据;
根据月度现金流数据进行风险评估,从而获取租赁物风险评估数据。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311090042.4A CN116822968B (zh) | 2023-08-28 | 2023-08-28 | 一种基于租赁物持续产生现金流的风险管理方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311090042.4A CN116822968B (zh) | 2023-08-28 | 2023-08-28 | 一种基于租赁物持续产生现金流的风险管理方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN116822968A true CN116822968A (zh) | 2023-09-29 |
CN116822968B CN116822968B (zh) | 2023-11-21 |
Family
ID=88124318
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311090042.4A Active CN116822968B (zh) | 2023-08-28 | 2023-08-28 | 一种基于租赁物持续产生现金流的风险管理方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116822968B (zh) |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CA2345857A1 (en) * | 2001-05-01 | 2002-11-01 | Eric Meunier | System and method for automating a vehicle rental process |
US20100106534A1 (en) * | 2008-10-24 | 2010-04-29 | Solid People Llc | Certification and risk-management system and method for a rental agreement |
US20130144805A1 (en) * | 2011-12-02 | 2013-06-06 | Procongps, Inc. | Geospatial data based measurement of risk associated with a vehicular security interest in a vehicular loan portfolio |
US20160155110A1 (en) * | 2012-12-24 | 2016-06-02 | Good Travel Software Limited | Dynamic risk assessment and peer-to-peer transaction system and method |
CN107993152A (zh) * | 2017-11-28 | 2018-05-04 | 常州天正工业发展股份有限公司 | 一种对融资租赁设备的管理办法 |
CN111882395A (zh) * | 2020-07-29 | 2020-11-03 | 平安国际融资租赁有限公司 | 租赁设备的监控方法、系统、计算机设备及存储介质 |
CN113822488A (zh) * | 2021-09-29 | 2021-12-21 | 平安国际融资租赁有限公司 | 融资租赁的风险预测方法、装置、计算机设备及存储介质 |
-
2023
- 2023-08-28 CN CN202311090042.4A patent/CN116822968B/zh active Active
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CA2345857A1 (en) * | 2001-05-01 | 2002-11-01 | Eric Meunier | System and method for automating a vehicle rental process |
US20100106534A1 (en) * | 2008-10-24 | 2010-04-29 | Solid People Llc | Certification and risk-management system and method for a rental agreement |
US20130144805A1 (en) * | 2011-12-02 | 2013-06-06 | Procongps, Inc. | Geospatial data based measurement of risk associated with a vehicular security interest in a vehicular loan portfolio |
US20160155110A1 (en) * | 2012-12-24 | 2016-06-02 | Good Travel Software Limited | Dynamic risk assessment and peer-to-peer transaction system and method |
CN107993152A (zh) * | 2017-11-28 | 2018-05-04 | 常州天正工业发展股份有限公司 | 一种对融资租赁设备的管理办法 |
CN111882395A (zh) * | 2020-07-29 | 2020-11-03 | 平安国际融资租赁有限公司 | 租赁设备的监控方法、系统、计算机设备及存储介质 |
CN113822488A (zh) * | 2021-09-29 | 2021-12-21 | 平安国际融资租赁有限公司 | 融资租赁的风险预测方法、装置、计算机设备及存储介质 |
Also Published As
Publication number | Publication date |
---|---|
CN116822968B (zh) | 2023-11-21 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
He et al. | A generic energy prediction model of machine tools using deep learning algorithms | |
CN101393619B (zh) | 改善工程系统决策和转让风险的方法和系统 | |
CN101714273A (zh) | 一种基于规则引擎的银行异常业务监控方法和系统 | |
WO2023142424A1 (zh) | 基于gru-lstm神经网络的电力金融业务风控方法及系统 | |
CN111178675A (zh) | 基于LR-Bagging算法的电费回收风险预测方法、系统、存储介质及计算机设备 | |
CN106934720A (zh) | 基于物联网的设备保险智能定价方法与系统 | |
CN116629577A (zh) | 一种基于大数据的智能化供应链管理系统 | |
Cheng et al. | Predicting project success in construction using an evolutionary Gaussian process inference model | |
De Soto et al. | Preliminary resource-based estimates combining artificial intelligence approaches and traditional techniques | |
CN111639882B (zh) | 一种基于深度学习的用电风险的判定方法 | |
Ou et al. | A data‐driven approach to determining freeway incident impact areas with fuzzy and graph theory‐based clustering | |
Aram et al. | Qualitative and quantitative cost estimation: a methodology analysis | |
CN116822968B (zh) | 一种基于租赁物持续产生现金流的风险管理方法 | |
Li et al. | A remaining useful life prediction method considering the dimension optimization and the iterative speed | |
Heydarian et al. | Automated benchmarking and monitoring of an earthmoving operation's carbon footprint using video cameras and a greenhouse gas estimation model | |
CN107590747A (zh) | 基于综合能源大数据分析的电网资产周转率计算方法 | |
Aung et al. | Using machine learning to predict cost overruns in construction projects | |
Salamanis et al. | Evaluating the effect of time series segmentation on STARIMA-based traffic prediction model | |
CN115545342A (zh) | 一种企业电费回收的风险预测方法与系统 | |
Niknam et al. | A hybrid approach combining the multi-dimensional time series k-means algorithm and long short-term memory networks to predict the monthly water demand according to the uncertainty in the dataset | |
Liu et al. | Supplier evaluation in supply chain environment based on radial basis function neural network | |
Kargul et al. | Heavy equipment demand prediction with support vector machine regression towards a strategic equipment management | |
Huang et al. | Towards automated model calibration and validation in rail transit simulation | |
Maciel | Financial interval time series modelling and forecasting using threshold autoregressive models | |
Florbäck | Anomaly detection in logged sensor data |
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 |