WO2019062009A1 - 电子装置、信贷风险控制方法及存储介质 - Google Patents

电子装置、信贷风险控制方法及存储介质 Download PDF

Info

Publication number
WO2019062009A1
WO2019062009A1 PCT/CN2018/077343 CN2018077343W WO2019062009A1 WO 2019062009 A1 WO2019062009 A1 WO 2019062009A1 CN 2018077343 W CN2018077343 W CN 2018077343W WO 2019062009 A1 WO2019062009 A1 WO 2019062009A1
Authority
WO
WIPO (PCT)
Prior art keywords
user
risk
clustering algorithm
predetermined
portrait
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.)
Ceased
Application number
PCT/CN2018/077343
Other languages
English (en)
French (fr)
Inventor
蔡健
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
OneConnect Smart Technology Co Ltd
Original Assignee
OneConnect Smart Technology Co Ltd
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by OneConnect Smart Technology Co Ltd filed Critical OneConnect Smart Technology Co Ltd
Publication of WO2019062009A1 publication Critical patent/WO2019062009A1/zh
Anticipated expiration legal-status Critical
Ceased legal-status Critical Current

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; 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 OR CALCULATING; COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/23—Clustering techniques
    • G06F18/232—Non-hierarchical techniques
    • G06F18/2321—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions
    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/23—Clustering techniques
    • G06F18/232—Non-hierarchical techniques
    • G06F18/2321—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions
    • G06F18/23213—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions with fixed number of clusters, e.g. K-means clustering

Definitions

  • the present application relates to the field of credit, and in particular to an electronic device, a credit risk control method, and a storage medium.
  • the location function of the communication device is used to obtain surrounding geographical location information, and the required service is obtained according to the surrounding geographical location information.
  • the geographical location information of a user acquired by the communication device in a fixed period of time may be discontinuous and relatively sparse, because the communication device can obtain the geographical location information and the current location of the user. It is related to the strength of the signal, and whether the user continuously turns on the navigation function of the communication device, or whether to continuously log in to the positioning APP.
  • a user's geographic location information contains a large number of information points that can be mined and utilized in relation to the user's daily life, for example, if the acquired user is not continuous and sparse in a certain period of time.
  • the location information determines the daily activity track of the user, and the economic data information around the geographic location corresponding to the daily activity track of the user may be analyzed to determine the consumption level and economic status of the user, and in some business scenarios, for example,
  • the loan monitoring, or pre-lending risk assessment, etc. can determine the user's risk tolerance according to the user's consumption level and economic status, thereby reducing the risk probability existing in the credit.
  • the present application provides an electronic device, a credit risk control method, and a storage medium, which can determine an overall economic portrait of the user according to the geographic location information of the user, and determine the risk of lending the user according to the overall economic portrait of the user. , reduce the risk probability of existence in credit.
  • the present application provides an electronic device including a memory, a processor, and a credit risk control system stored on the memory and operable on the processor, the credit risk
  • the control system implements the following steps when executed by the processor:
  • A. Obtain geographical location information that the user has located in a preset time, and analyze the geographical location information by using a predetermined first clustering algorithm to obtain one or more core active areas and non-core active areas of the user;
  • the terminal sends a warning of the risk of lending to the user.
  • the present application further provides a credit risk control method, which includes the following steps:
  • S1 Obtain geographical location information that the user has located in a preset time, and analyze the geographical location information by using a predetermined first clustering algorithm to obtain one or more core active areas and non-core active areas of the user;
  • the present application further provides a computer readable storage medium storing a credit risk control system, the credit risk control system being executable by at least one processor, such that The at least one processor performs the steps of the credit risk control method as described above.
  • the electronic device, the credit risk control analysis method and the storage medium proposed by the present application acquire the geographical location information that the user has located in a preset time when it is required to determine the risk of lending to a user. And analyzing the acquired geographical location information by using a predetermined first clustering algorithm to obtain a core active area and a non-core active area of the user; and then constructing based on economic data information around the geographical location corresponding to the core active area of the user.
  • the overall economic portrait of the user then determining the risk coefficient of lending to the user according to the mapping relationship between the overall economic portrait and the risk coefficient, and if the risk coefficient of the user lending is greater than or equal to a preset risk threshold, then
  • the determined terminal issues an alert for the risk of lending to the user.
  • the overall economic portrait of the user can be determined according to the geographical location information of the user, and then the risk of lending the user according to the overall economic portrait of the user is determined, and the risk probability existing in the credit is reduced.
  • FIG. 1 is a schematic diagram of a hardware architecture of a preferred embodiment of an electronic device of the present application
  • FIG. 2 is a schematic diagram of a program module of a preferred embodiment of the credit risk control program of the present application
  • FIG. 3 is a schematic flow chart showing an implementation process of a preferred embodiment of the credit risk control method of the present application.
  • first, second and the like in the present application are for the purpose of description only, and are not to be construed as indicating or implying their relative importance or implicitly indicating the number of technical features indicated. .
  • features defining “first” and “second” may include at least one of the features, either explicitly or implicitly.
  • the technical solutions between the various embodiments may be combined with each other, but must be based on the realization of those skilled in the art, and when the combination of the technical solutions is contradictory or impossible to implement, it should be considered that the combination of the technical solutions does not exist. Nor is it within the scope of protection required by this application.
  • FIG. 1 it is a schematic diagram of a hardware architecture of a preferred embodiment of the electronic device 2 of the present application.
  • the electronic device 2 may include, but is not limited to, a memory 11, a processor 12, and a network interface 13 that are communicably connected to each other through a communication bus 14.
  • FIG. 1 only shows the electronic device 2 having the components 11-14, but it should be understood that not all illustrated components may be implemented, and more or fewer components may be implemented instead.
  • the memory 11 includes at least one type of readable storage medium including a flash memory, a hard disk, a multimedia card, a card type memory (for example, SD or DX memory, etc.), a random access memory (RAM), and a static random access.
  • Memory SRAM
  • ROM read only memory
  • EEPROM electrically erasable programmable read only memory
  • PROM programmable read only memory
  • magnetic memory magnetic disk, optical disk, and the like.
  • the memory 11 may be an internal storage unit of the electronic device 2, such as a hard disk or a memory of the electronic device 2.
  • the memory 11 may also be an external storage device of the electronic device 2, such as a plug-in hard disk equipped on the electronic device 2, a smart memory card (SMC), and a secure digital (Secure Digital, SD). ) cards, flash cards, etc.
  • the memory 11 can also include both an internal storage unit of the electronic device 2 and an external storage device thereof.
  • the memory 11 is generally used to store an operating system installed on the electronic device 2 and various types of application software, such as a credit risk control program. Further, the memory 11 can also be used to temporarily store various types of data that have been output or are to be output.
  • Processor 12 may be a Central Processing Unit (CPU), controller, microcontroller, microprocessor, or other data processing chip in some embodiments.
  • the processor 12 is typically used to control the overall operation of the electronic device 2, such as performing control and processing related to data interaction or communication with the mobile terminal 1.
  • the processor 12 is configured to run program code or processing data stored in the memory 11, such as a running credit risk control program or the like.
  • the network interface 13 may include a wireless network interface or a wired network interface, and the network interface 13 is typically used to establish a communication connection between the electronic device 2 and other electronic devices.
  • the network interface 13 is mainly used to connect the electronic device 2 to one or more mobile terminals 1 through the network 3, and establish a data transmission channel and a communication connection between the electronic device 2 and one or more mobile terminals 1. .
  • Communication bus 14 is used to implement connection communication between these components.
  • the device may further include a user interface
  • the user interface may include a display
  • an input unit such as a keyboard
  • the optional user interface may further include a standard wired interface and a wireless interface.
  • the display may be an LED display, a liquid crystal display, a touch-sensitive liquid crystal display, an OLED (Organic Light-Emitting Diode) touch sensor, or the like.
  • the display may also be suitably referred to as a display screen or display unit for displaying information processed in the social network based user keyword extraction device and a user interface for displaying visualization.
  • a credit risk control program is stored in the memory 11, and the processor 12 executes the credit risk control program stored in the memory 11 to implement the following steps:
  • A. Obtain geographical location information that the user has located in a preset time, and analyze the geographical location information by using a predetermined first clustering algorithm to obtain one or more core active areas and non-core active areas of the user;
  • the first clustering algorithm is a density-based clustering algorithm.
  • the density-based clustering algorithm is a DBscan algorithm
  • the point (current geographic location) and the other time interval e The number of times that the number of times of positioning is greater than or equal to minp times forms a cluster (a cluster of clusters), and the starting point (the geographical position of the departure) is marked as the visited point (the visited geographical position, corresponding to this embodiment) To geographical points within the core activities of the region).
  • the cluster is then recursively processed in the same way for all points in the cluster that are not marked as visited (the visited geographic location).
  • the point (the geographical position) is temporarily marked as a noise point (a point that is not clustered, corresponding to the non-core active area in this embodiment) Geographical point), if the cluster is fully extended, ie all points within the cluster are marked as accessed, the same algorithm is used to process the unvisited points (unvisited geographical locations).
  • the core active area and the non-core active area can be obtained from the obtained sparse active area that the user has located. It should be noted that, in the foregoing embodiment, the points appearing in the DBscan algorithm refer to the geographic location.
  • the overall economic image of the user is constructed based on economic data information around the geographic location corresponding to the core activity area, such as house prices, per capita income levels, and per capita consumption levels.
  • analyzing the core activity area of the user by using a predetermined second clustering algorithm to obtain a central geographic location of the core activity area of the user; for example, in this embodiment, the second clustering algorithm is a clustering based on the partitioning
  • the partitioning based clustering algorithm is the K-means algorithm.
  • the specific clustering process includes: a. randomly selecting K geographic locations from the geographic locations corresponding to the daily activity track of the user as the centroid (in this embodiment, the central geographic location); b.
  • centroid is a central geographic location.
  • the overall economic portrait of the user is constructed based on economic data information around the central location. Or, as an implementation manner, when it is determined that the risk factor for lending to the user is less than a preset risk threshold, the user needs to construct the user according to the geographic location information corresponding to the core active area and the non-core active area of the user. Set the daily activity trajectory of the time; construct the overall economic portrait of the user according to the economic data information around the geographic location corresponding to the daily activity trajectory; determine the risk of lending the user according to the mapping relationship between the overall economic portrait and the risk coefficient The coefficient, if it is determined that the risk coefficient of lending to the user is greater than or equal to a preset risk threshold, sends a warning of the lending risk to the user to the predetermined terminal.
  • the geographical location information in the foregoing embodiment is the acquired data including the time latitude information and the geographic latitude information that the user locates through the positioning function of the mobile terminal (for example, the GPS positioning system of the mobile phone).
  • the electronic device proposed by the foregoing embodiment obtains the geographical location information that the user has located in the preset time when the risk of a user is required to be loaned, and analyzes the geographical location information by using a predetermined first clustering algorithm. Obtaining one or more core activity areas and non-core activity areas of the user; constructing an overall economic portrait of the user based on economic data information around the geographical location corresponding to the core activity area, wherein the economic data information includes house prices and per capita income levels And the per capita consumption level, the overall economic portrait includes income level and consumption level; according to the mapping relationship between the overall economic portrait and the risk coefficient, determine the risk coefficient of lending to the user, and if it is determined that the risk coefficient of lending to the user is greater than or Equal to the preset risk threshold, the loan risk warning for the user is sent to the predetermined terminal. Thereby reducing the risk probability of existence in credit.
  • the credit risk control program may also be described by one or more virtual modules according to functions implemented by its various parts, and one or more virtual modules are stored in the memory 11 and Executed by one or more processors (the processor 12 in this embodiment) to accomplish the present application, a module referred to herein refers to a series of computer program instructions that are capable of performing a particular function.
  • FIG. 2 it is a schematic diagram of a program module of a preferred embodiment of the credit risk control program of the present application.
  • the credit risk control program may be divided into an obtaining module 201, a building module 202, and a risk coefficient determining module 203.
  • the functions or operational steps implemented by the modules 201-203 are similar to the above, and are not described in detail herein, by way of example, for example:
  • the obtaining module 201 is configured to obtain geographic location information that the user has located in a preset time, and analyze the geographic location information by using a predetermined first clustering algorithm to obtain one or more core active areas and non-core active areas of the user. ;
  • the building module 202 is configured to construct an overall economic portrait of the user based on economic data information around the geographic location corresponding to the core activity area, wherein the economic data information includes house prices, per capita income levels, and per capita consumption levels, and the overall economic portrait includes income levels. And the level of consumption;
  • the risk coefficient determining module 203 is configured to determine a risk coefficient for lending the user according to a mapping relationship between the overall economic image and the risk coefficient, and if it is determined that the risk coefficient of the user lending is greater than or equal to a preset risk threshold, then The predetermined terminal sends a warning of the risk of lending to the user.
  • FIG. 3 is a schematic flowchart of an implementation process of an embodiment of the credit risk control method of the present application.
  • the method can be performed by a device that can be implemented by software and/or hardware.
  • the credit risk control method includes:
  • Step S301 Acquire geographical location information that the user has located in a preset time, and analyze the geographic location information by using a predetermined first clustering algorithm to obtain one or more core active areas and non-core active areas of the user.
  • Step S302 constructing an overall economic portrait of the user based on economic data information around the geographic location corresponding to the core activity area, wherein the economic data information includes house prices, per capita income levels, and per capita consumption levels, and the overall economic portrait includes income levels and consumption. Level;
  • Step S303 determining a risk coefficient for lending to the user according to a mapping relationship between the overall economic image and the risk coefficient, and determining, if the risk coefficient of the user lending is greater than or equal to a preset risk threshold, to the predetermined terminal Send a warning of the risk of lending to this user.
  • the first clustering algorithm is a density-based clustering algorithm.
  • the density-based clustering algorithm is a DBscan algorithm
  • the point (current geographic location) and the other time interval e The number of times that the number of times of positioning is greater than or equal to minp times forms a cluster (a cluster of clusters), and the starting point (the geographical position of the departure) is marked as the visited point (the visited geographical position, corresponding to this embodiment) To geographical points within the core activities of the region).
  • the cluster is then recursively processed in the same way for all points in the cluster that are not marked as visited (the visited geographic location).
  • the point (the geographical position) is temporarily marked as a noise point (a point that is not clustered, corresponding to the non-core active area in this embodiment) Geographical point), if the cluster is fully extended, ie all points within the cluster are marked as accessed, the same algorithm is used to process the unvisited points (unvisited geographical locations).
  • the core active area and the non-core active area can be obtained from the obtained sparse active area that the user has located. It should be noted that, in the foregoing embodiment, the points appearing in the DBscan algorithm refer to the geographic location.
  • the overall economic image of the user is constructed based on economic data information around the geographic location corresponding to the core activity area, such as house prices, per capita income levels, and per capita consumption levels.
  • analyzing the core activity area of the user by using a predetermined second clustering algorithm to obtain a central geographic location of the core activity area of the user; for example, in this embodiment, the second clustering algorithm is a clustering based on the partitioning
  • the partitioning based clustering algorithm is the K-means algorithm.
  • the specific clustering process includes: a. randomly selecting K geographic locations from the geographic locations corresponding to the daily activity track of the user as the centroid (in this embodiment, the central geographic location); b.
  • centroid is a central geographic location.
  • the overall economic portrait of the user is constructed based on economic data information around the central location.
  • the user when it is determined that the risk coefficient of lending to the user is less than a preset risk threshold, the user needs to be constructed according to the geographic location information corresponding to the core active area and the non-core active area of the user.
  • the daily activity trajectory in the preset time construct the overall economic portrait of the user according to the economic data information around the geographic location corresponding to the daily activity trajectory; determine the lending to the user according to the mapping relationship between the overall economic portrait and the risk coefficient
  • the risk factor if it is determined that the risk coefficient of lending to the user is greater than or equal to a preset risk threshold, the lending risk warning for the user is sent to the predetermined terminal.
  • the geographic location information in the foregoing embodiment is the acquired data including the time latitude information and the geographic latitude information obtained by the user through the positioning function of the mobile terminal (for example, the GPS positioning system of the mobile phone).
  • the credit risk control method proposed in the foregoing embodiment acquires geographical location information that the user has located in a preset time when it is required to determine the risk of a user's lending, and analyzes the geographical location by using a predetermined first clustering algorithm.
  • Information obtaining one or more core activity areas and non-core activity areas of the user; constructing an overall economic portrait of the user based on economic data information around the geographical location corresponding to the core activity area, wherein the economic data information includes house prices, per capita The income level and per capita consumption level, the overall economic portrait includes income level and consumption level; according to the mapping relationship between the overall economic portrait and the risk coefficient, determine the risk coefficient of lending to the user, and determine the risk coefficient of lending to the user. If it is greater than or equal to the preset risk threshold, the loan risk warning for the user is sent to the predetermined terminal. Thereby reducing the risk probability of existence in credit.
  • the embodiment of the present application further provides a computer readable storage medium, where the credit risk control program is stored, and when the credit risk control program is executed by the processor, the following steps are implemented:
  • the overall economic portrait of the user is constructed based on the economic data information around the geographical location corresponding to the core activity area, wherein the economic data information includes the housing price, the per capita income level, and the per capita consumption level, and the overall economic portrait includes the income level and the consumption level;
  • the overall economic portrait of the user is constructed based on economic data information around the central location.
  • the daily activity track of the user within a preset time needs to be constructed according to the geographic location information corresponding to the core active area and the non-core active area of the user;
  • the foregoing embodiment method can be implemented by means of software plus a necessary general hardware platform, and of course, can also be through hardware, but in many cases, the former is better.
  • Implementation Based on such understanding, the technical solution of the present application, which is essential or contributes to the prior art, may be embodied in the form of a software product stored in a storage medium (such as ROM/RAM, disk,
  • the optical disc includes a number of instructions for causing a terminal device (which may be a mobile phone, a computer, a server, an air conditioner, or a network device, etc.) to perform the methods described in various embodiments of the present application.

Landscapes

  • Engineering & Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Business, Economics & Management (AREA)
  • General Physics & Mathematics (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Accounting & Taxation (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Evolutionary Biology (AREA)
  • Evolutionary Computation (AREA)
  • General Engineering & Computer Science (AREA)
  • Artificial Intelligence (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Probability & Statistics with Applications (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Finance (AREA)
  • Development Economics (AREA)
  • Economics (AREA)
  • Marketing (AREA)
  • Strategic Management (AREA)
  • Technology Law (AREA)
  • General Business, Economics & Management (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本申请公开了一种电子装置、信贷风险控制方法及存储介质。首先通过利用预先确定的第一聚类算法分析用户在预设时间内定位过的地理位置信息，得到该用户的核心活动区域和非核心活动区域；然后基于核心活动区域对应的地理位置周围的经济数据信息，构建该用户的总体经济画像；接着根据总体经济画像与风险系数之间的映射关系，确定对该用户放贷的风险。这样，能够根据用户定位过的地理位置信息确定用户的总体经济画像，进而根据用户的总体经济画像确定对该用户放贷的风险，降低信贷中存在的风险概率。

Description

电子装置、信贷风险控制方法及存储介质
本申请要求于2017年9月30日提交中国专利局、申请号为201710916169.5、发明名称为“电子装置、信贷风险控制方法及存储介质”的中国专利申请的优先权，其全部内容通过引用结合在申请中。
技术领域
本申请涉及信贷领域，尤其涉及一种电子装置、信贷风险控制方法及存储介质。
背景技术
随着社会的发展，人们在日常生活中越来越依赖于通讯设备。例如，利用通讯设备的定位功能来获取周围的地理位置信息，并根据周围的地理位置信息获取需要的服务。
目前，通讯设备在固定的时间段内获取到的一个用户的地理位置信息有可能是不连续的且比较稀疏的，这是由于通讯设备能否获取到地理位置信息与该用户所处位置当前的信号强弱有关，以及与该用户是否连续开启通讯设备的导航功能、或是否连续登陆定位APP等有关。而通常，一个用户的地理位置信息中蕴含着大量可以挖掘并利用的与该用户的日常相关的信息点，例如，若能根据获取到的该用户在特定时间段内不连续且稀疏的所有地理位置信息确定出该用户的日常活动轨迹，则可通过分析该用户的日常活动轨迹对应的地理位置周围的经济数据信息，来确定该用户的消费水平及经济状况，并在一些业务场景中，例如，贷中监控、或贷前风险评估等，可以根据该用户的消费水平及经济状况来确定该用户的风险承受能力，从而降低信贷中存在的风险概率。
发明内容
有鉴于此，本申请提出一种电子装置、信贷风险控制方法及存储介质，能够根据用户的地理位置信息确定该用户的总体经济画像，进而根据该用户的总体经济画像确定对该用户放贷的风险，降低信贷中存在的风险概率。
首先，为实现上述目的，本申请提出一种电子装置，所述电子装置包括存储器、处理器及存储在所述存储器上并可在所述处理器上运行的信贷风险控制系统，所述信贷风险控制系统被所述处理器执行时实现如下步骤：
A、获取用户在预设时间内定位过的地理位置信息，并利用预先确定的第一聚类算法分析所述地理位置信息，得到该用户的一个或多个核心活动区域和非核心活动区域；
B、基于所述核心活动区域对应的地理位置周围的经济数据信息，构建该用户的总体经济画像，其中，所述经济数据信息包括房价、人均收入水平、及人均消费水平，所述总体经济画像包括收入水平及消费水平；
C、根据所述总体经济画像与风险系数之间的映射关系，确定对该用户放贷的风险系数，若确定出对该用户放贷的风险系数大于或等于预设的风险阈值，则向预先确定的终端发送针对该用户的放贷风险预警。
此外，为实现上述目的，本申请还提供一种信贷风险控制方法，该方法包括如下步骤：
S1、获取用户在预设时间内定位过的地理位置信息，并利用预先确定的第一聚类算法分析所述地理位置信息，得到该用户的一个或多个核心活动区域和非核心活动区域；
S2、基于所述核心活动区域对应的地理位置周围的经济数据信息，构建该用户的总体经济画像，其中，所述经济数据信息包括房价、人均收入水平、及人均消费水平，所述总体经济画像包括收入水平及消费水平；
S3、根据所述总体经济画像与风险系数之间的映射关系，确定对该用户放贷的风险系数，若确定出对该用户放贷的风险系数大于或等于预设的风险 阈值，则向预先确定的终端发送针对该用户的放贷风险预警。
进一步地，为实现上述目的，本申请还提供一种计算机可读存储介质，所述计算机可读存储介质存储有信贷风险控制系统，所述信贷风险控制系统可被至少一个处理器执行，以使所述至少一个处理器执行如上述的信贷风险控制方法的步骤。
相较于现有技术，本申请所提出的电子装置、信贷风险控制分析方法及存储介质，在需要确定对一个用户放贷的风险时，获取该用户在预设时间内定位过的地理位置信息，并利用预先确定的第一聚类算法分析获取到的地理位置信息，得到该用户的核心活动区域和非核心活动区域；然后基于该用户的核心活动区域对应的地理位置周围的经济数据信息，构建该用户的总体经济画像；接着根据总体经济画像与风险系数之间的映射关系，确定对该用户放贷的风险系数，若对该用户放贷的风险系数大于或等于预设的风险阈值，则向预先确定的终端发出针对该用户的放贷风险预警。这样，能够根据用户的地理位置信息确定该用户的总体经济画像，进而根据该用户的总体经济画像确定对该用户放贷的风险，降低信贷中存在的风险概率。
附图说明
图1是本申请电子装置较佳实施例的硬件架构的示意图；
图2是本申请信贷风险控制程序较佳实施例的程序模块示意图；
图3是本申请信贷风险控制方法较佳实施例的实施流程示意图。
本申请目的的实现、功能特点及优点将结合实施例，参照附图做进一步说明。
具体实施方式
为了使本申请的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本申请进行进一步详细说明。应当理解，此处所描述的具体实施 例仅用以解释本申请，并不用于限定本申请。基于本申请中的实施例，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，都属于本申请保护的范围。
需要说明的是，在本申请中涉及“第一”、“第二”等的描述仅用于描述目的，而不能理解为指示或暗示其相对重要性或者隐含指明所指示的技术特征的数量。由此，限定有“第一”、“第二”的特征可以明示或者隐含地包括至少一个该特征。另外，各个实施例之间的技术方案可以相互结合，但是必须是以本领域普通技术人员能够实现为基础，当技术方案的结合出现相互矛盾或无法实现时应当认为这种技术方案的结合不存在，也不在本申请要求的保护范围之内。
参阅图1所示，是本申请电子装置2较佳实施例的硬件架构的示意图。本实施例中，电子装置2可包括，但不仅限于，可通过通信总线14相互通信连接的存储器11、处理器12、网络接口13。需要指出的是，图1仅示出了具有组件11-14的电子装置2，但是应理解的是，并不要求实施所有示出的组件，可以替代的实施更多或者更少的组件。
其中，存储器11至少包括一种类型的可读存储介质，可读存储介质包括闪存、硬盘、多媒体卡、卡型存储器(例如，SD或DX存储器等)、随机访问存储器(RAM)、静态随机访问存储器(SRAM)、只读存储器(ROM)、电可擦除可编程只读存储器(EEPROM)、可编程只读存储器(PROM)、磁性存储器、磁盘、光盘等。在一些实施例中，存储器11可以是电子装置2的内部存储单元，例如电子装置2的硬盘或内存。在另一些实施例中，存储器11也可以是电子装置2的外部存储设备，例如电子装置2上配备的插接式硬盘，智能存储卡(Smart Media Card,SMC)，安全数字(Secure Digital,SD)卡，闪存卡(Flash Card)等。当然，存储器11还可以既包括电子装置2的内部存储单元也包括其外部存储设备。本实施例中，存储器11通常用于存储安装于电子装置2的操作系统和各类应用软件，例如信贷风险控制程序等。此外， 存储器11还可以用于暂时地存储已经输出或者将要输出的各类数据。
处理器12在一些实施例中可以是中央处理器(Central Processing Unit，CPU)、控制器、微控制器、微处理器、或其他数据处理芯片。处理器12通常用于控制电子装置2的总体操作，例如执行与移动终端1进行数据交互或者通信相关的控制和处理等。本实施例中，处理器12用于运行存储器11中存储的程序代码或者处理数据，例如运行的信贷风险控制程序等。
网络接口13可包括无线网络接口或有线网络接口，网络接口13通常用于在电子装置2与其他电子设备之间建立通信连接。本实施例中，网络接口13主要用于通过网络3将电子装置2与一个或多个移动终端1相连，在电子装置2与一个或多个移动终端1之间的建立数据传输通道和通信连接。
通信总线14用于实现这些组件之间的连接通信。
可选地，该装置还可以包括用户接口，用户接口可以包括显示器(Display)、输入单元比如键盘(Keyboard)，可选的用户接口还可以包括标准的有线接口、无线接口。可选地，在一些实施例中，显示器可以是LED显示器、液晶显示器、触控式液晶显示器以及OLED(Organic Light-Emitting Diode，有机发光二极管)触摸器等。其中，显示器也可以适当的称为显示屏或显示单元，用于显示在基于社交网络的用户关键词提取装置中处理的信息以及用于显示可视化的用户界面。
至此，己经详细介绍了本申请各个实施例的应用环境和相关设备的硬件结构和功能。下面，将基于上述应用环境和相关设备，提出本申请的各个实施例。
首先，在图1所示的电子装置的实施例中，存储器11中存储有信贷风险控制程序，处理器12执行存储器11中存储的信贷风险控制程序，以实现如下步骤：
A、获取用户在预设时间内定位过的地理位置信息，并利用预先确定的第一聚类算法分析地理位置信息，得到该用户的一个或多个核心活动区域和非 核心活动区域；
B、基于核心活动区域对应的地理位置周围的经济数据信息，构建该用户的总体经济画像，其中，经济数据信息包括房价、人均收入水平、及人均消费水平，总体经济画像包括收入水平及消费水平；
C、根据总体经济画像与风险系数之间的映射关系，确定对该用户放贷的风险系数，若确定出对该用户放贷的风险系数大于或等于预设的风险阈值，则向预先确定的终端发送针对该用户的放贷风险预警。
在本实施例中，第一聚类算法为基于密度的聚类算法，在本实施例中，基于密度的聚类算法为DBscan算法，具体的聚类过程包括：首先以获取的该用户在预设时间内(例如，离当前时间点最近的半年内)所有定位过的地理位置信息中的每个地理位置信息分别作为DBscan算法的不同输入对象，可以理解的是，获取到的地理位置信息为一些稀疏的数据，并预设扫描半径e(例如，e＝3天)以及最小包含点数minp(例如，minp＝3次)，然后任选一个未被访问的点(地理位置)开始，找出在时间间隔e之内(包括e)该点被定位的次数，若在时间间隔e之内该点被定位的次数大于或等于minp，则该点(当前的地理位置)与其他在时间间隔e之内被定位的次数大于或等于minp次的点形成一个簇(一个聚类的簇)，并且出发点(出发的地理位置)被标记为已访问点(已访问的地理位置，对应在本实施例中为核心活动区域内的地理位置点)。然后递归，以相同的方法处理该簇内所有未被标记为已访问的点(已访问的地理位置)，从而对簇进行扩展。若在时间间隔e之内该点被定位的次数小于minp，则该点(该地理位置)暂时被标记作为噪声点(非聚类的点，对应在本实施例中为非核心活动区域内的地理位置点)，若簇充分地被扩展，即簇内的所有点被标记为已访问，则用同样的算法去处理未被访问的点(未被访问的地理位置)。通过这种聚类分析方法可以从获取到的用户定位过的稀疏的活动区域中获取核心活动区域和非核心活动区域。需要说明的是，在上述实施例中，DBscan算法中出现的点均指的是地理位置。基于核心活动区域 对应的地理位置周围的经济数据信息，例如，房价、人均收入水平、以及人均消费水平，构建该用户的总体经济画像，例如，收入水平和消费水平。或者，利用预先确定的第二聚类算法分析该用户的核心活动区域，得到该用户的核心活动区域的中心地理位置；例如，在本实施例中，第二聚类算法为基于划分的聚类算法，在本实施例中基于划分的聚类算法为K-means算法。具体的聚类过程包括：a、从该用户的日常活动轨迹对应的各个地理位置中随机选取K个地理位置作为质心(本实施例中为中心地理位置)；b、对剩余的每个地理位置测量其到每个质心的距离，并把它归到距离最近的质心的类；c、重新计算已经得到的各个类的质心；d、迭代b和c步直至新的质心与原质心相等或小于指定的阈值，算法结束。
需要说明的是，在本实施例的K-means算法中，质心为中心地理位置。
基于中心地理位置周围的经济数据信息，构建该用户的总体经济画像。或者，作为一种实施方式，当确定出对该用户放贷的风险系数小于预设的风险阈值，则需要根据该用户的核心活动区域和非核心活动区域对应的地理位置信息，构建该用户在预设时间内的日常活动轨迹；根据日常活动轨迹对应的地理位置周围的经济数据信息，构建该用户的总体经济画像；根据总体经济画像与风险系数之间的映射关系，确定对该用户放贷的风险系数，若确定出对该用户放贷的风险系数大于或等于预设的风险阈值，则向预先确定的终端发送针对该用户的放贷风险预警。
需要说明的是，上述实施例中的地理位置信息为获取的用户通过移动终端的定位功能(例如，手机的GPS定位系统)定位过的包括时间纬度信息、以及地理纬度信息的数据。
上述实施例提出的电子装置，对需要确定一个用户放贷的风险时，获取该用户在预设时间内定位过的地理位置信息，并利用预先确定的第一聚类算法分析所述地理位置信息，得到该用户的一个或多个核心活动区域和非核心活动区域；基于核心活动区域对应的地理位置周围的经济数据信息，构建该 用户的总体经济画像，其中，经济数据信息包括房价、人均收入水平、及人均消费水平，总体经济画像包括收入水平及消费水平；根据总体经济画像与风险系数之间的映射关系，确定对该用户放贷的风险系数，若确定出对该用户放贷的风险系数大于或等于预设的风险阈值，则向预先确定的终端发送针对该用户的放贷风险预警。从而降低信贷中存在的风险概率。
可选地，在其他的实施例中，信贷风险控制程序依据其各部分所实现的功能，还可以用一个或者多个虚拟模块进行描述，一个或者多个虚拟模块被存储于存储器11中，并由一个或多个处理器(本实施例为处理器12)所执行，以完成本申请，本申请所称的模块是指能够完成特定功能的一系列计算机程序指令段。例如，参照图2所示，为本申请信贷风险控制程序较佳实施例的程序模块示意图，该实施例中，信贷风险控制程序可以被分割为获取模块201、构建模块202、风险系数确定模块203，其中模块201-203所实现的功能或操作步骤均与上文类似，此处不再详述，示例性地，例如其中：
获取模块201用于获取用户在预设时间内定位过的地理位置信息，并利用预先确定的第一聚类算法分析地理位置信息，得到该用户的一个或多个核心活动区域和非核心活动区域；
构建模块202用于基于核心活动区域对应的地理位置周围的经济数据信息，构建该用户的总体经济画像，其中，经济数据信息包括房价、人均收入水平、及人均消费水平，总体经济画像包括收入水平及消费水平；
风险系数确定模块203用于根据总体经济画像与风险系数之间的映射关系，确定对该用户放贷的风险系数，若确定出对该用户放贷的风险系数大于或等于预设的风险阈值，则向预先确定的终端发送针对该用户的放贷风险预警。
此外，本申请还提出一种信贷风险控制方法。请参阅图3所示，是本申请信贷风险控制方法一实施例的实施流程示意图。该方法可以由一个装置执行，该装置可以由软件和/或硬件实现。
在本实施例中，信贷风险控制方法包括：
步骤S301，获取用户在预设时间内定位过的地理位置信息，并利用预先确定的第一聚类算法分析地理位置信息，得到该用户的一个或多个核心活动区域和非核心活动区域；
步骤S302，基于核心活动区域对应的地理位置周围的经济数据信息，构建该用户的总体经济画像，其中，经济数据信息包括房价、人均收入水平、及人均消费水平，总体经济画像包括收入水平及消费水平；
步骤S303，根据总体经济画像与风险系数之间的映射关系，确定对该用户放贷的风险系数，若确定出对该用户放贷的风险系数大于或等于预设的风险阈值，则向预先确定的终端发送针对该用户的放贷风险预警。
在本实施例中，第一聚类算法为基于密度的聚类算法，在本实施例中，基于密度的聚类算法为DBscan算法，具体的聚类过程包括：首先以获取的该用户在预设时间内(例如，离当前时间点最近的半年内)所有定位过的地理位置信息中的每个地理位置信息分别作为DBscan算法的不同输入对象，可以理解的是，获取到的地理位置信息为一些稀疏的数据，并预设扫描半径e(例如，e＝3天)以及最小包含点数minp(例如，minp＝3次)，然后任选一个未被访问的点(地理位置)开始，找出在时间间隔e之内(包括e)该点被定位的次数，若在时间间隔e之内该点被定位的次数大于或等于minp，则该点(当前的地理位置)与其他在时间间隔e之内被定位的次数大于或等于minp次的点形成一个簇(一个聚类的簇)，并且出发点(出发的地理位置)被标记为已访问点(已访问的地理位置，对应在本实施例中为核心活动区域内的地理位置点)。然后递归，以相同的方法处理该簇内所有未被标记为已访问的点(已访问的地理位置)，从而对簇进行扩展。若在时间间隔e之内该点被定位的次数小于minp，则该点(该地理位置)暂时被标记作为噪声点(非聚类的点，对应在本实施例中为非核心活动区域内的地理位置点)，若簇充分地被扩展，即簇内的所有点被标记为已访问，则用同样的算法去处理未被访问的点(未 被访问的地理位置)。通过这种聚类分析方法可以从获取到的用户定位过的稀疏的活动区域中获取核心活动区域和非核心活动区域。需要说明的是，在上述实施例中，DBscan算法中出现的点均指的是地理位置。基于核心活动区域对应的地理位置周围的经济数据信息，例如，房价、人均收入水平、以及人均消费水平，构建该用户的总体经济画像，例如，收入水平和消费水平。或者，利用预先确定的第二聚类算法分析该用户的核心活动区域，得到该用户的核心活动区域的中心地理位置；例如，在本实施例中，第二聚类算法为基于划分的聚类算法，在本实施例中基于划分的聚类算法为K-means算法。具体的聚类过程包括：a、从该用户的日常活动轨迹对应的各个地理位置中随机选取K个地理位置作为质心(本实施例中为中心地理位置)；b、对剩余的每个地理位置测量其到每个质心的距离，并把它归到距离最近的质心的类；c、重新计算已经得到的各个类的质心；d、迭代b和c步直至新的质心与原质心相等或小于指定的阈值，算法结束。
需要说明的是，在本实施例的K-means算法中，质心为中心地理位置。
基于中心地理位置周围的经济数据信息，构建该用户的总体经济画像。
或者，作为另一种实施方式，当确定出对该用户放贷的风险系数小于预设的风险阈值，则需要根据该用户的核心活动区域和非核心活动区域对应的地理位置信息，构建该用户在预设时间内的日常活动轨迹；根据日常活动轨迹对应的地理位置周围的经济数据信息，构建该用户的总体经济画像；根据总体经济画像与风险系数之间的映射关系，确定对该用户放贷的风险系数，若确定出对该用户放贷的风险系数大于或等于预设的风险阈值，则向预先确定的终端发送针对该用户的放贷风险预警。
需要说明的是，上述实施例中的地理位置信息为获取的用户通过移动终端的定位功能(例如，手机的GPS定位系统)定位得到的包括时间纬度信息、以及地理纬度信息的数据。
上述实施例提出的信贷风险控制方法，对需要确定一个用户放贷的风险 时，获取该用户在预设时间内定位过的地理位置信息，并利用预先确定的第一聚类算法分析所述地理位置信息，得到该用户的一个或多个核心活动区域和非核心活动区域；基于核心活动区域对应的地理位置周围的经济数据信息，构建该用户的总体经济画像，其中，经济数据信息包括房价、人均收入水平、及人均消费水平，总体经济画像包括收入水平及消费水平；根据总体经济画像与风险系数之间的映射关系，确定对该用户放贷的风险系数，若确定出对该用户放贷的风险系数大于或等于预设的风险阈值，则向预先确定的终端发送针对该用户的放贷风险预警。从而降低信贷中存在的风险概率。
此外，本申请实施例还提出一种计算机可读存储介质，该计算机可读存储介质上存储有信贷风险控制程序，该信贷风险控制程序被处理器执行时实现如下步骤：
获取用户在预设时间内定位过的地理位置信息，并利用预先确定的第一聚类算法分析地理位置信息，得到该用户的一个或多个核心活动区域和非核心活动区域；
基于核心活动区域对应的地理位置周围的经济数据信息，构建该用户的总体经济画像，其中，经济数据信息包括房价、人均收入水平、及人均消费水平，总体经济画像包括收入水平及消费水平；
根据总体经济画像与风险系数之间的映射关系，确定对该用户放贷的风险系数，若确定出对该用户放贷的风险系数大于或等于预设的风险阈值，则向预先确定的终端发送针对该用户的放贷风险预警。
进一步地，该信贷风险控制程序被处理器执行时还实现如下步骤：
利用预先确定的第二聚类算法分析核心活动区域，得到核心活动区域的中心地理位置；
基于中心地理位置周围的经济数据信息，构建该用户的总体经济画像。
进一步地，该信贷风险控制程序被处理器执行时还实现如下步骤：
若确定出对该用户放贷的风险系数小于预设的风险阈值，则需要根据该 用户的核心活动区域和非核心活动区域对应的地理位置信息，构建该用户在预设时间内的日常活动轨迹；
根据日常活动轨迹对应的地理位置周围的经济数据信息，构建该用户的总体经济画像；
根据总体经济画像与风险系数之间的映射关系，确定对该用户放贷的风险系数，若确定出对该用户放贷的风险系数大于或等于预设的风险阈值，则向预先确定的终端发送针对该用户的放贷风险预警。
本申请计算机可读存储介质具体实施方式与上述电子装置及风险控制方法各实施例基本相同，在此不作累述。
上述本申请实施例序号仅仅为了描述，不代表实施例的优劣。
通过以上的实施方式的描述，本领域的技术人员可以清楚地了解到上述实施例方法可借助软件加必需的通用硬件平台的方式来实现，当然也可以通过硬件，但很多情况下前者是更佳的实施方式。基于这样的理解，本申请的技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质(如ROM/RAM、磁碟、光盘)中，包括若干指令用以使得一台终端设备(可以是手机，计算机，服务器，空调器，或者网络设备等)执行本申请各个实施例所述的方法。
以上仅为本申请的优选实施例，并非因此限制本申请的专利范围，凡是利用本申请说明书及附图内容所作的等效结构或等效流程变换，或直接或间接运用在其他相关的技术领域，均同理包括在本申请的专利保护范围内。

Claims (20)

  1. 一种电子装置，其特征在于，所述电子装置包括存储器、及与所述存储器连接的处理器，所述存储器中存储有信贷分险控制程序，所述处理器执行所述信贷风险控制程序，以实现如下步骤：
    A、获取用户在预设时间内定位过的地理位置信息，并利用预先确定的第一聚类算法分析所述地理位置信息，得到该用户的一个或多个核心活动区域和非核心活动区域；
    B、基于所述核心活动区域对应的地理位置周围的经济数据信息，构建该用户的总体经济画像，其中，所述经济数据信息包括房价、人均收入水平、及人均消费水平，所述总体经济画像包括收入水平及消费水平；
    C、根据所述总体经济画像与风险系数之间的映射关系，确定对该用户放贷的风险系数，若确定出对该用户放贷的风险系数大于或等于预设的风险阈值，则向预先确定的终端发送针对该用户的放贷风险预警。
  2. 如权利要求1所述的电子装置，其特征在于，所述步骤B可替换为如下步骤：
    利用预先确定的第二聚类算法分析所述核心活动区域，得到所述核心活动区域的中心地理位置；
    基于所述中心地理位置周围的经济数据信息，构建该用户的总体经济画像。
  3. 如权利要求1所述的电子装置，其特征在于，所述步骤C还包括如下步骤：
    若确定出对该用户放贷的风险系数小于预设的风险阈值，则需要根据该用户的核心活动区域和非核心活动区域对应的地理位置信息，构建该用户在所述预设时间内的日常活动轨迹；
    根据所述日常活动轨迹对应的地理位置周围的经济数据信息，构建该用 户的总体经济画像；根据所述总体经济画像与风险系数之间的映射关系，确定对该用户放贷的风险系数，若确定出对该用户放贷的风险系数大于或等于预设的风险阈值，则向预先确定的终端发送针对该用户的放贷风险预警。
  4. 如权利要求2所述的电子装置，其特征在于，所述预先确定的第一聚类算法为基于密度的聚类算法，所述预先确定的第二聚类算法为基于划分的聚类算法。
  5. 如权利要求3所述的电子装置，其特征在于，所述预先确定的第一聚类算法为基于密度的聚类算法，所述预先确定的第二聚类算法为基于划分的聚类算法。
  6. 如权利要求4所述的电子装置，其特征在于，所述地理位置信息包括时间纬度信息、以及地理纬度信息。
  7. 如权利要求5所述的电子装置，其特征在于，所述地理位置信息包括时间纬度信息、以及地理纬度信息。
  8. 一种信贷风险控制方法，其特征在于，所述方法包括如下步骤：
    S1、获取用户在预设时间内定位过的地理位置信息，并利用预先确定的第一聚类算法分析所述地理位置信息，得到该用户的一个或多个核心活动区域和非核心活动区域；
    S2、基于所述核心活动区域对应的地理位置周围的经济数据信息，构建该用户的总体经济画像，其中，所述经济数据信息包括房价、人均收入水平、及人均消费水平，所述总体经济画像包括收入水平及消费水平；
    S3、根据所述总体经济画像与风险系数之间的映射关系，确定对该用户放贷的风险系数，若确定出对该用户放贷的风险系数大于或等于预设的风险阈值，则向预先确定的终端发送针对该用户的放贷风险预警。
  9. 如权利要求8所述的信贷风险控制方法，其特征在于，所述步骤B可替换为如下步骤：
    利用预先确定的第二聚类算法分析所述核心活动区域，得到所述核心活 动区域的中心地理位置。
    基于所述中心地理位置周围的经济数据信息，构建该用户的总体经济画像。
  10. 如权利要求8所述的信贷风险控制方法，其特征在于，所述步骤C还包括如下步骤：
    若确定出对该用户放贷的风险系数小于预设的风险阈值，则需要根据该用户的核心活动区域和非核心活动区域对应的地理位置信息，构建该用户在所述预设时间内的日常活动轨迹；
    根据所述日常活动轨迹对应的地理位置周围的经济数据信息，构建该用户的总体经济画像；根据所述总体经济画像与风险系数之间的映射关系，确定对该用户放贷的风险系数，若确定出对该用户放贷的风险系数大于或等于预设的风险阈值，则向预先确定的终端发送针对该用户的放贷风险预警。
  11. 如权利要求9所述的信贷风险控制方法，其特征在于，所述预先确定的第一聚类算法为基于密度的聚类算法，所述预先确定的第二聚类算法为基于划分的聚类算法。
  12. 如权利要求10所述的信贷风险控制方法，其特征在于，所述预先确定的第一聚类算法为基于密度的聚类算法，所述预先确定的第二聚类算法为基于划分的聚类算法。
  13. 如权利要求11所述的信贷风险控制方法，其特征在于，所述地理位置信息包括时间纬度信息、以及地理纬度信息。
  14. 如权利要求12所述的信贷风险控制方法，其特征在于，所述地理位置信息包括时间纬度信息、以及地理纬度信息。
  15. 一种计算机可读存储介质，所述计算机可读存储介质存储有放贷风险控制程序，所述放贷风险控制程序可被至少一个处理器执行，以使所述至少一个处理器执行如下步骤：
    A、获取用户在预设时间内定位过的地理位置信息，并利用预先确定的第 一聚类算法分析所述地理位置信息，得到该用户的一个或多个核心活动区域和非核心活动区域；
    B、基于所述核心活动区域对应的地理位置周围的经济数据信息，构建该用户的总体经济画像，其中，所述经济数据信息包括房价、人均收入水平、及人均消费水平，所述总体经济画像包括收入水平及消费水平；
    C、根据所述总体经济画像与风险系数之间的映射关系，确定对该用户放贷的风险系数，若确定出对该用户放贷的风险系数大于或等于预设的风险阈值，则向预先确定的终端发送针对该用户的放贷风险预警。
  16. 如权利要求15所述的计算机可读存储介质，其特征在于，所述步骤B可替换为如下步骤：
    利用预先确定的第二聚类算法分析所述核心活动区域，得到所述核心活动区域的中心地理位置；
    基于所述中心地理位置周围的经济数据信息，构建该用户的总体经济画像。
  17. 如权利要求15所述的计算机可读存储介质，其特征在于，所述步骤C还包括如下步骤：
    若确定出对该用户放贷的风险系数小于预设的风险阈值，则需要根据该用户的核心活动区域和非核心活动区域对应的地理位置信息，构建该用户在所述预设时间内的日常活动轨迹；
    根据所述日常活动轨迹对应的地理位置周围的经济数据信息，构建该用户的总体经济画像；根据所述总体经济画像与风险系数之间的映射关系，确定对该用户放贷的风险系数，若确定出对该用户放贷的风险系数大于或等于预设的风险阈值，则向预先确定的终端发送针对该用户的放贷风险预警。
  18. 如权利要求16所述的计算机可读存储介质，其特征在于，所述预先确定的第一聚类算法为基于密度的聚类算法，所述预先确定的第二聚类算法为基于划分的聚类算法。
  19. 如权利要求17所述的计算机可读存储介质，其特征在于，所述预先确定的第一聚类算法为基于密度的聚类算法，所述预先确定的第二聚类算法为基于划分的聚类算法。
  20. 如权利要求18或19所述的计算机可读存储介质，其特征在于，所述地理位置信息包括时间纬度信息、以及地理纬度信息。
PCT/CN2018/077343 2017-09-30 2018-02-27 电子装置、信贷风险控制方法及存储介质 Ceased WO2019062009A1 (zh)

Applications Claiming Priority (2)

Application Number Priority Date Filing Date Title
CN201710916169.5A CN107818506A (zh) 2017-09-30 2017-09-30 电子装置、信贷风险控制方法及存储介质
CN201710916169.5 2017-09-30

Publications (1)

Publication Number Publication Date
WO2019062009A1 true WO2019062009A1 (zh) 2019-04-04

Family

ID=61607688

Family Applications (1)

Application Number Title Priority Date Filing Date
PCT/CN2018/077343 Ceased WO2019062009A1 (zh) 2017-09-30 2018-02-27 电子装置、信贷风险控制方法及存储介质

Country Status (2)

Country Link
CN (1) CN107818506A (zh)
WO (1) WO2019062009A1 (zh)

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110163741A (zh) * 2019-04-16 2019-08-23 深圳壹账通智能科技有限公司 基于信贷风控模型的信贷决策方法、装置、设备及介质
CN111161042A (zh) * 2019-11-26 2020-05-15 深圳壹账通智能科技有限公司 个人风险评估方法、装置、终端及存储介质
CN112256762A (zh) * 2020-10-26 2021-01-22 中冶赛迪技术研究中心有限公司 基于产业地图的企业画像方法、系统、设备及介质
CN114994713A (zh) * 2022-05-30 2022-09-02 平安科技（深圳）有限公司 一种gps拆机黑区的动态识别方法、系统及存储介质

Families Citing this family (12)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108763051B (zh) * 2018-04-06 2023-07-25 平安证券股份有限公司 电子装置、交易软件运行风险预警方法及存储介质
CN110197315B (zh) * 2018-04-08 2024-03-22 腾讯科技（深圳）有限公司 风险评估方法、装置及其存储介质
CN109447689A (zh) * 2018-09-27 2019-03-08 深圳壹账通智能科技有限公司 用户风险画像生成方法、装置、设备及可读存储介质
CN109409936A (zh) * 2018-09-28 2019-03-01 深圳壹账通智能科技有限公司 用户消费画像生成方法、装置、设备及可读存储介质
CN110334936B (zh) * 2019-06-28 2023-09-29 创新先进技术有限公司 一种信贷资质评分模型的构建方法、装置和设备
CN110705994B (zh) * 2019-10-10 2023-06-09 支付宝(杭州)信息技术有限公司 一种风险用户检测方法及装置
CN110807702A (zh) * 2019-11-05 2020-02-18 深圳前海微众银行股份有限公司 贷后信息的管理方法、装置、设备及存储介质
CN111178932A (zh) * 2019-11-26 2020-05-19 深圳壹账通智能科技有限公司 用户地理画像生成方法、装置、计算机设备和存储介质
CN111400663B (zh) * 2020-03-17 2022-06-14 深圳前海微众银行股份有限公司 模型训练方法、装置、设备及计算机可读存储介质
CN114219053B (zh) * 2022-02-23 2023-04-18 北京淇瑀信息科技有限公司 用户位置信息处理方法、装置及电子设备
CN117291716A (zh) * 2023-11-24 2023-12-26 南通千鸟纸通宝信息科技有限公司 一种货款数据的风险评估方法
CN119558963A (zh) * 2025-01-08 2025-03-04 广东精点数据科技股份有限公司 基于人工智能的信贷风险评估方法、装置、设备以及介质

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104599175A (zh) * 2015-02-05 2015-05-06 上海百筹金融信息服务有限公司 一种基于大数据的个人金融信用评价系统
CN105809502A (zh) * 2014-12-30 2016-07-27 阿里巴巴集团控股有限公司 交易风险检测方法和装置
CN105894089A (zh) * 2016-04-21 2016-08-24 百度在线网络技术（北京）有限公司 一种征信模型的建立方法、征信确定方法及对应装置
CN106097095A (zh) * 2016-06-08 2016-11-09 腾讯科技（深圳）有限公司 确定信用的方法及装置

Family Cites Families (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US8694401B2 (en) * 2011-01-13 2014-04-08 Lenddo, Limited Systems and methods for using online social footprint for affecting lending performance and credit scoring
CN106651603A (zh) * 2016-12-29 2017-05-10 平安科技（深圳）有限公司 基于位置服务的风险评估方法及装置

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN105809502A (zh) * 2014-12-30 2016-07-27 阿里巴巴集团控股有限公司 交易风险检测方法和装置
CN104599175A (zh) * 2015-02-05 2015-05-06 上海百筹金融信息服务有限公司 一种基于大数据的个人金融信用评价系统
CN105894089A (zh) * 2016-04-21 2016-08-24 百度在线网络技术（北京）有限公司 一种征信模型的建立方法、征信确定方法及对应装置
CN106097095A (zh) * 2016-06-08 2016-11-09 腾讯科技（深圳）有限公司 确定信用的方法及装置

Cited By (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110163741A (zh) * 2019-04-16 2019-08-23 深圳壹账通智能科技有限公司 基于信贷风控模型的信贷决策方法、装置、设备及介质
CN111161042A (zh) * 2019-11-26 2020-05-15 深圳壹账通智能科技有限公司 个人风险评估方法、装置、终端及存储介质
CN112256762A (zh) * 2020-10-26 2021-01-22 中冶赛迪技术研究中心有限公司 基于产业地图的企业画像方法、系统、设备及介质
CN112256762B (zh) * 2020-10-26 2024-03-29 中冶赛迪技术研究中心有限公司 基于产业地图的企业画像方法、系统、设备及介质
CN114994713A (zh) * 2022-05-30 2022-09-02 平安科技（深圳）有限公司 一种gps拆机黑区的动态识别方法、系统及存储介质

Also Published As

Publication number Publication date
CN107818506A (zh) 2018-03-20

Similar Documents

Publication Publication Date Title
WO2019062009A1 (zh) 电子装置、信贷风险控制方法及存储介质
CN113892087B (zh) 第三方应用程序性能改进工具包
US8806620B2 (en) Method and device for managing security events
CN107391538B (zh) 点击数据采集、处理和展示方法、装置、设备及存储介质
US10360479B2 (en) Device and method for processing metadata
CN104380766B (zh) 基于移动设备的操作状态的移动设备的处理器的动态占空比
US9801017B2 (en) Method of managing geo-fence and electronic device thereof
CN110677815A (zh) 停留点识别方法、装置、计算机设备及存储介质
WO2018005644A1 (en) System to track engagement of media items
CN109522923B (zh) 客户地址聚合方法、装置及计算机可读存储介质
WO2019041522A1 (zh) 电子装置、保险推荐方法、及计算机可读存储介质
US20130152215A1 (en) Secure location collection and analysis service
US11170393B1 (en) System to calculate an engagement score of location based media content
KR20170096078A (ko) 전자 장치 및 전자 장치의 필체 교정 기능 제공 방법
WO2019024483A1 (zh) 项目信息展示方法、电子装置及计算机可读存储介质
CN109587328B (zh) 消息管理方法和装置、存储介质及电子设备
US20180032546A1 (en) Method of detecting similar applications and electronic device adapted to the same
CN109960554A (zh) 展示阅读内容的方法、设备和计算机存储介质
CN110012426B (zh) 消亡poi的确定方法、装置、计算机设备和存储介质
CN112818314A (zh) 一种设备检测方法、装置、设备及存储介质
CN110347936A (zh) 基于lbs信息的数据挖掘方法、装置、系统和记录介质
WO2019169762A1 (zh) 电子装置、zk节点信息通知方法、系统及存储介质
US20210117997A1 (en) Information processing apparatus and information processing method
CN110135969A (zh) 风控方法、装置及计算机可读存储介质
US12517755B2 (en) Runtime techniques for detecting anti-patterns causing performance issues

Legal Events

Date Code Title Description
121 Ep: the epo has been informed by wipo that ep was designated in this application

Ref document number: 18863293

Country of ref document: EP

Kind code of ref document: A1

NENP Non-entry into the national phase

Ref country code: DE

32PN Ep: public notification in the ep bulletin as address of the adressee cannot be established

Free format text: NOTING OF LOSS OF RIGHTS PURSUANT TO RULE 112(1) EPC (EPO FORM 1205A DATED 08.09.2020)

122 Ep: pct application non-entry in european phase

Ref document number: 18863293

Country of ref document: EP

Kind code of ref document: A1