支持多数据源的汽车金融风控模型
专利汇可以提供支持多数据源的汽车金融风控模型专利检索，专利查询，专利分析的服务。并且本 发明 公开了支持多数据源的 汽车 金融 风 控模型，所述支持多数据源的汽车金融风控模型的实现步骤如下：数据分类，模型训练，数据合并；所述模型训练包括以下步骤：数量确定、权重确定、偏置值设置、初始权重设置、Lw计算、权重标准化和循环，所述数据合并包括以下步骤：公共字段并入、单字段模型训练、单字段合并并入和结果模型训练，该支持多数据源的汽车金融风控模型设计合理，使能够包涵多家汽车融资租赁公司订单数据的平台成为可能。，下面是支持多数据源的汽车金融风控模型专利的具体信息内容。
1.支持多数据源的汽车金融风控模型，其特征在于，所述支持多数据源的汽车金融风控模型的实现步骤如下：
步骤一：数据分类；首先，把汽车金融风控模型分类成5个维度，即贷前数据、贷中数据、反欺诈数据、背景调查数据和历史消费还款数据，每个公司的字段会先分别归类到这5个维度中，每个维度的数据会继续细分，每个维度的数据分类确定后，对原始数据进行切割，首先对表进行横向切割（即按行切割），把不同公司的数据分开到不同的表中，接着再进行纵向切割（即按列切割），把同一公司不同类型的数据切割到相对较小的表中，数据切割完毕之后将会分别放入模型进行训练，每个维度数据的分类如下：
①：贷前数据；第一个维度是贷前数据，贷前数据包含公共数据、订单申请流程数据和订单申请结果数据：
（a）：贷前数据有较多的共有字段，因为贷前包含很多申请人的基础资料，提取贷前每个公司都共有的公共字段，另外，对汽车融资租赁公司的性质进行分类，对平台中的每一个公司按四个方面：车辆类型、车辆用途、渠道模式和租赁类型进行定性，并把这四个方面作为四个共有字段；
（b）：订单申请流程数据为贷前工单数据；
（c）：订单申请的结果即申请是通过还是拒绝，订单申请的结果是贷前数据的目标列，这里的目标列指的是机器学习中监督学习的目标列；
②：贷中数据；第二个维度是贷中数据，贷中数据又分为还款数据（这是时间序列数据）、车载GPS数据（时间序列数据）和贷中工单数据，贷中数据的目标列是还款数据，表示一个订单是正常还款还是已经逾期或坏账；
③：反欺诈数据；第三个维度是反欺诈数据，对于反欺诈，模型的侧重点是搭建人际关系网络，所以可以反映人与人之间关系的数据，比如通话记录，在模型中都被归类为反欺诈数据，对于反欺诈数据的训练是一个无监督学习的过程，所以在反欺诈数据中没有目标列；
④：背景调查数据；第四个维度是背景调查数据，背景调查数据分为不良信用记录、司法案例记录、网贷记录和多平台借贷记录等，用第二个维度的目标列，即还款数据，作为这个维度的目标列；
⑤：历史消费还款数据；第五个维度是历史消费还款数据，这个维度的数据主要来自与银联的消费和还款数据，同样的用第二个维度的目标列作为这个维度的目标列；
步骤二：模型训练；对步骤一中的5个维度分别做模型训练，第一、二、四、五个维度都是监督学习，只有第三个维度是无监督学习，对于反欺诈数据而言，以通话记录数据为例，对一个城市的几千万的通话记录进行数据挖掘，并建立人际关系网络，在这个关系网络中，每个人是一个点，如果两个人有通话记录，那么两个人代表的两个点之间就有一条连线，而每一条连线都是有权重的，权重越高代表两个人联系越紧密，连线的权重是和通话的频率和通话的时间（包括通话的时长和时间点）相关的，然后给人际关系网络中的每个人即每个节点赋上权重值，直观的说，一个有几百个联系人的节点应该会比一个只有几个联系人的节点的权重要高，算法的目标是计算出人际关系网络中每一个节点的最后权重，第三个维度的无监督学习的具体步骤如下：
①：数量确定；首先，确定人际关系网络节点的数量，假设有一千万（即107）个节点，那么建一个107X107的矩阵L，并给矩阵中的每个元素设初始值为0；
②：权重确定；确定节点连线的权重，连线的权重将会保存在对应的矩阵元素中，这里要说明的是A联系B（记为A→B）和B联系A（记为B→A）是不一样的，并会被保存在各自的矩阵元素中，这里有一个规则是对于每一个节点，进入该节点的连线的权重之和必须等于1，比如说节点A收到来自节点B，C和D的通话次数分别是7次，2次和1次，那么进入节点A的连线的权重可被设为B→A：0.7，C→A：0.2，D→A：0.1，其中0.7+0.2+0.1=1；
③：偏置值设置；权重确定完成后，矩阵L中还有大量的零值元素，对所有的零值元素设置一个很小的偏置值；
④：初始权重设置；由于目标是确定人际关系网络中节点的最后权重，但是一开始节点的权重是未知的，因此给所有节点设置一个初始权重，最直接的方法是先给每个节点设置相同的权重，这里同样需要遵守的一个规则就是所有节点的权重之和等于1，这样对于107个节点，给每个节点设置的权重值为10-7，最后得到一个1X107的向量w；
⑤：Lw计算；计算Lw并得到一个新的权重向量，把新的权重向量再次赋值给w，记为w=Lw，其中Lw是矩阵L和向量w的内积；
⑥：权重标准化；对新的权重向量w进行标准化，即让权重向量w中的元素之和等于1，把标准化后的权重向量赋值给w，记为w=w/sum（w）；
⑦：循环；循环⑤和⑥直到收敛，所述收敛指的是两次迭代计算得到的权重向量w之差低于一个预设的阈值；
步骤三：数据合并；不同公司的数据可分为公共字段和独有字段，独有字段比公共字段要多很多，不同公司的独有字段的字段名称和含义都是各不相同的，公共字段能够直接合并，独有字段不能直接合并，否则会导致无法建模的，将不同公司的公共字段和独有字段分别建表，然后建一张总表，记为z，数据合并的步骤如下：
①：公共字段并入；将不同公司的公共字段表直接并入表z；
②：单字段模型训练；对不同公司的独有字段表进行模型训练；
③：单字段合并并入；将不同公司的同一类型的独有字段表的模型训练结果字段合并放入表z的同一个字段，最后的结果将是包含所有公共字段和所有分类数据输出字段的表z；
④：结果模型训练；将表z会被放入模型进行训练得到输出字段，总表z输入模型训练后得到的结果不一定是最后的结果，这个总表可能是上一层模型的一个子表，根据实际的建模需求，数据很可能被分为多层，比如3，4，或5层等，这里只描述了一个两层的结构以简化讨论且不失一般性。
2.根据权利要求1所述的支持多数据源的汽车金融风控模型，其特征在于：所述步骤二中的无监督学习算法是对谷歌的PageRank算法的修改和简化。
3.根据权利要求1所述的支持多数据源的汽车金融风控模型，其特征在于：所述步骤二中对于矩阵运算Lw可以很方便的进行并行计算，方法是对L和w进行切割，并分成许多子矩阵块（向量也可看作是矩阵），这些子矩阵块可以分配到集群的各个计算机中进行计算，计算的子结果再合并成最后的结果。
4.根据权利要求1所述的支持多数据源的汽车金融风控模型，其特征在于：所述步骤一的（c）中，对订单申请的审批带有人为的主观或经验因素，现在把一个汽车融资租赁公司的所有订单放在一起考虑，如果这个公司最后所有审批通过的订单的逾期和坏账率较高的话，这反映了订单审批人员的决策质量较低，而各个公司订单审批人员的决策质量也会被迭代计算并作为模型的权重，最后反映到风控报告中，订单审批人员的决策的质量反映在数据里面，而当所有公司的数据合并后，决策质量的高低就可以被比较出来，决策质量较高的公司就可以起到被其他公司学习和借鉴的作用。
支持多数据源的汽车金融风控模型
技术领域
背景技术
发明内容
①：贷前数据；第一个维度是贷前数据，贷前数据包含公共数据、订单申请流程数据和订单申请结果数据：
（a）：贷前数据有较多的共有字段，因为贷前包含很多申请人的基础资料，提取贷前每个公司都共有的公共字段，另外，对汽车融资租赁公司的性质进行分类，对平台中的每一个公司按四个方面：车辆类型、车辆用途、渠道模式和租赁类型进行定性，并把这四个方面作为四个共有字段；
（b）：订单申请流程数据为贷前工单数据；
（c）：订单申请的结果即申请是通过还是拒绝，订单申请的结果是贷前数据的目标列，这里的目标列指的是机器学习中监督学习的目标列；
②：贷中数据；第二个维度是贷中数据，贷中数据又分为还款数据（这是时间序列数据）、车载GPS数据（时间序列数据）和贷中工单数据，贷中数据的目标列是还款数据，表示一个订单是正常还款还是已经逾期或坏账；
③：反欺诈数据；第三个维度是反欺诈数据，对于反欺诈，模型的侧重点是搭建人际关系网络，所以可以反映人与人之间关系的数据，比如通话记录，在模型中都被归类为反欺诈数据，对于反欺诈数据的训练是一个无监督学习的过程，所以在反欺诈数据中没有目标列；
④：背景调查数据；第四个维度是背景调查数据，背景调查数据分为不良信用记录、司法案例记录、网贷记录和多平台借贷记录等，用第二个维度的目标列，即还款数据，作为这个维度的目标列；
⑤：历史消费还款数据；第五个维度是历史消费还款数据，这个维度的数据主要来自与银联的消费和还款数据，同样的用第二个维度的目标列作为这个维度的目标列；
步骤二：模型训练；对步骤一中的5个维度分别做模型训练，第一、二、四、五个维度都是监督学习，只有第三个维度是无监督学习，对于反欺诈数据而言，以通话记录数据为例，对一个城市的几千万的通话记录进行数据挖掘，并建立人际关系网络，在这个关系网络中，每个人是一个点，如果两个人有通话记录，那么两个人代表的两个点之间就有一条连线，而每一条连线都是有权重的，权重越高代表两个人联系越紧密，连线的权重是和通话的频率和通话的时间（包括通话的时长和时间点）相关的，然后给人际关系网络中的每个人即每个节点赋上权重值，直观的说，一个有几百个联系人的节点应该会比一个只有几个联系人的节点的权重要高，算法的目标是计算出人际关系网络中每一个节点的最后权重，第三个维度的无监督学习的具体步骤如下：
①：数量确定；首先，确定人际关系网络节点的数量，假设有一千万（即107）个节点，那么建一个107X107的矩阵L，并给矩阵中的每个元素设初始值为0；
②：权重确定；确定节点连线的权重，连线的权重将会保存在对应的矩阵元素中，这里要说明的是A联系B（记为A→B）和B联系A（记为B→A）是不一样的，并会被保存在各自的矩阵元素中，这里有一个规则是对于每一个节点，进入该节点的连线的权重之和必须等于1，比如说节点A收到来自节点B，C和D的通话次数分别是7次，2次和1次，那么进入节点A的连线的权重可被设为B→A：0.7，C→A：0.2，D→A：0.1，其中0.7+0.2+0.1=1；
③：偏置值设置；权重确定完成后，矩阵L中还有大量的零值元素，对所有的零值元素设置一个很小的偏置值；
④：初始权重设置；由于目标是确定人际关系网络中节点的最后权重，但是一开始节点的权重是未知的，因此给所有节点设置一个初始权重，最直接的方法是先给每个节点设置相同的权重，这里同样需要遵守的一个规则就是所有节点的权重之和等于1，这样对于107个节点，给每个节点设置的权重值为10-7，最后得到一个1X107的向量w；
⑤：Lw计算；计算Lw并得到一个新的权重向量，把新的权重向量再次赋值给w，记为w=Lw，其中Lw是矩阵L和向量w的内积；
⑥：权重标准化；对新的权重向量w进行标准化，即让权重向量w中的元素之和等于1，把标准化后的权重向量赋值给w，记为w=w/sum（w）；
⑦：循环；循环⑤和⑥直到收敛，所述收敛指的是两次迭代计算得到的权重向量w之差低于一个预设的阈值；
步骤三：数据合并；不同公司的数据可分为公共字段和独有字段，独有字段比公共字段要多很多，不同公司的独有字段的字段名称和含义都是各不相同的，公共字段能够直接合并，独有字段不能直接合并，否则会导致无法建模的，将不同公司的公共字段和独有字段分别建表，然后建一张总表，记为z，数据合并的步骤如下：
①：公共字段并入；将不同公司的公共字段表直接并入表z；
②：单字段模型训练；对不同公司的独有字段表进行模型训练；
③：单字段合并并入；将不同公司的同一类型的独有字段表的模型训练结果字段合并放入表z的同一个字段，最后的结果将是包含所有公共字段和所有分类数据输出字段的表z；
④：结果模型训练；将表z会被放入模型进行训练得到输出字段，总表z输入模型训练后得到的结果不一定是最后的结果，这个总表可能是上一层模型的一个子表，根据实际的建模需求，数据很可能被分为多层，比如3，4，或5层等，这里只描述了一个两层的结构以简化讨论且不失一般性。
此外，对于那些刚成立的大型汽车融资租赁公司来说，因为刚成立的公司的订单量是从零开始的，如果它们要自己搭建一个风控模型的话，因为没有历史数据，模型的准确率将会是很低的，这个被称为风控模型的冷启动问题，如果刚成立的公司使用此支持多数据源的汽车金融风控模型的话就不会存在冷启动问题。
附图说明
具体实施方式
①：贷前数据；第一个维度是贷前数据，贷前数据包含公共数据、订单申请流程数据和订单申请结果数据：
（a）：贷前数据有较多的共有字段，因为贷前包含很多申请人的基础资料，提取贷前每个公司都共有的公共字段，另外，对汽车融资租赁公司的性质进行分类，对平台中的每一个公司按四个方面：车辆类型、车辆用途、渠道模式和租赁类型进行定性，并把这四个方面作为四个共有字段；
（b）：订单申请流程数据为贷前工单数据；
（c）：订单申请的结果即申请是通过还是拒绝，订单申请的结果是贷前数据的目标列，这里的目标列指的是机器学习中监督学习的目标列；
②：贷中数据；第二个维度是贷中数据，贷中数据又分为还款数据（这是时间序列数据）、车载GPS数据（时间序列数据）和贷中工单数据，贷中数据的目标列是还款数据，表示一个订单是正常还款还是已经逾期或坏账；
③：反欺诈数据；第三个维度是反欺诈数据，对于反欺诈，模型的侧重点是搭建人际关系网络，所以可以反映人与人之间关系的数据，比如通话记录，在模型中都被归类为反欺诈数据，对于反欺诈数据的训练是一个无监督学习的过程，所以在反欺诈数据中没有目标列；
④：背景调查数据；第四个维度是背景调查数据，背景调查数据分为不良信用记录、司法案例记录、网贷记录和多平台借贷记录等，用第二个维度的目标列，即还款数据，作为这个维度的目标列；
⑤：历史消费还款数据；第五个维度是历史消费还款数据，这个维度的数据主要来自与银联的消费和还款数据，同样的用第二个维度的目标列作为这个维度的目标列；
步骤二：模型训练；对步骤一中的5个维度分别做模型训练，第一、二、四、五个维度都是监督学习，只有第三个维度是无监督学习，对于反欺诈数据而言，以通话记录数据为例，对一个城市的几千万的通话记录进行数据挖掘，并建立人际关系网络，在这个关系网络中，每个人是一个点，如果两个人有通话记录，那么两个人代表的两个点之间就有一条连线，而每一条连线都是有权重的，权重越高代表两个人联系越紧密，连线的权重是和通话的频率和通话的时间（包括通话的时长和时间点）相关的，然后给人际关系网络中的每个人即每个节点赋上权重值，直观的说，一个有几百个联系人的节点应该会比一个只有几个联系人的节点的权重要高，算法的目标是计算出人际关系网络中每一个节点的最后权重，第三个维度的无监督学习的具体步骤如下：
①：数量确定；首先，确定人际关系网络节点的数量，假设有一千万（即107）个节点，那么建一个107X107的矩阵L，并给矩阵中的每个元素设初始值为0；
②：权重确定；确定节点连线的权重，连线的权重将会保存在对应的矩阵元素中，这里要说明的是A联系B（记为A→B）和B联系A（记为B→A）是不一样的，并会被保存在各自的矩阵元素中，这里有一个规则是对于每一个节点，进入该节点的连线的权重之和必须等于1，比如说节点A收到来自节点B，C和D的通话次数分别是7次，2次和1次，那么进入节点A的连线的权重可被设为B→A：0.7，C→A：0.2，D→A：0.1，其中0.7+0.2+0.1=1；
③：偏置值设置；权重确定完成后，矩阵L中还有大量的零值元素，对所有的零值元素设置一个很小的偏置值；
④：初始权重设置；由于目标是确定人际关系网络中节点的最后权重，但是一开始节点的权重是未知的，因此给所有节点设置一个初始权重，最直接的方法是先给每个节点设置相同的权重，这里同样需要遵守的一个规则就是所有节点的权重之和等于1，这样对于107-7 7
个节点，给每个节点设置的权重值为10 ，最后得到一个1X10的向量w；
⑤：Lw计算；计算Lw并得到一个新的权重向量，把新的权重向量再次赋值给w，记为w=Lw，其中Lw是矩阵L和向量w的内积；
⑥：权重标准化；对新的权重向量w进行标准化，即让权重向量w中的元素之和等于1，把标准化后的权重向量赋值给w，记为w=w/sum（w）；
⑦：循环；循环⑤和⑥直到收敛，所述收敛指的是两次迭代计算得到的权重向量w之差低于一个预设的阈值；
步骤三：数据合并；不同公司的数据可分为公共字段和独有字段，独有字段比公共字段要多很多，不同公司的独有字段的字段名称和含义都是各不相同的，公共字段能够直接合并，独有字段不能直接合并，否则会导致无法建模的，将不同公司的公共字段和独有字段分别建表，然后建一张总表，记为z，数据合并的步骤如下：
①：公共字段并入；将不同公司的公共字段表直接并入表z；
②：单字段模型训练；对不同公司的独有字段表进行模型训练；
③：单字段合并并入；将不同公司的同一类型的独有字段表的模型训练结果字段合并放入表z的同一个字段，最后的结果将是包含所有公共字段和所有分类数据输出字段的表z；
④：结果模型训练；将表z会被放入模型进行训练得到输出字段，总表z输入模型训练后得到的结果不一定是最后的结果，这个总表可能是上一层模型的一个子表，根据实际的建模需求，数据很可能被分为多层，比如3，4，或5层等，这里只描述了一个两层的结构以简化讨论且不失一般性。
| 标题 | 发布/更新时间 | 阅读量 |
|---|---|---|
| 一种测定材料标距效应曲线的试验与计算方法 | 2021-02-21 | 0 |
| 数据核对方法、装置、系统、计算机设备和存储介质 | 2021-08-18 | 1 |
| 一种基于Spark的路网交通运行分析方法 | 2022-07-16 | 2 |
| 一种基于深度学习的纳米结构设计方法 | 2020-08-01 | 1 |
| 分布式无线传感器网络数据漂移盲校准方法 | 2020-09-08 | 0 |
| 一种基于无人机的物联网系统数据收集方法 | 2021-03-12 | 0 |
| 一种基于抽取的商业智能分析平台自动分区方法及装置 | 2020-09-05 | 1 |
| 融合分布式电源与柔性负荷的配电网检修负荷转供方法 | 2022-02-03 | 1 |
| 一种商品评论数据的口碑分析方法和装置 | 2023-01-28 | 0 |
| 车载双路应急发电装置 | 2021-09-17 | 2 |
高效检索全球专利专利汇是专利免费检索,专利查询,专利分析-国家发明专利查询检索分析平台，是提供专利分析，专利查询，专利检索等数据服务功能的知识产权数据服务商。
我们的产品包含105个国家的1.26亿组数据，免费查、免费专利分析。
专利汇分析报告产品可以对行业情报数据进行梳理分析，涉及维度包括行业专利基本状况分析、地域分析、技术分析、发明人分析、申请人分析、专利权人分析、失效分析、核心专利分析、法律分析、研发重点分析、企业专利处境分析、技术处境分析、专利寿命分析、企业定位分析、引证分析等超过60个分析角度，系统通过AI智能系统对图表进行解读，只需1分钟，一键生成行业专利分析报告。
