(19)国家知识产权局 (12)发明 专利申请 (10)申请公布号 (43)申请公布日 (21)申请 号 202111636539.2 (22)申请日 2021.12.2 9 (71)申请人 百维金科 （上海） 信息科技有限公司 地址 200433 上海市杨 浦区翔殷路16 5号B 区206-10室 (72)发明人 江远强　 (74)专利代理 机构 上海中外企专利代理事务所 (特殊普通 合伙) 31387 专利代理师 杨旺旺 (51)Int.Cl. G06Q 40/02(2012.01) G06Q 10/04(2012.01) G06K 9/62(2022.01) (54)发明名称 贷款违约概率预测方法、 及其电子设备和存 储介质 (57)摘要 本发明涉及贷款违约概率预测方法、 及其电 子设备和存储介质， 包括： 根据用户信贷的原始 数据， 从数据库中提取样本数据， 并根据样本数 据对应的用户历史信贷情况建立用户标签； 从数 据库中匹配每个用户的关联多维度数据， 对采集 的原始数据进行缺失补全和异常值处理， 并按照 7:3的比例切分成训练集和测试集后， 分别对训 练集和测试集归一化处理； 根据模糊核聚类算法 建立KFCM模型， 根据训练集中的数据， 训练并调 整KFCM模型的参数； 采用和声搜索算法优 化KFCM 模型， 得到最优参数； 采用测试集中的样本对 KFCM模型的预测性能进行测试； 以及获取新申请 贷款用户的用户数据， 根据用户基本信息设置人 工阈值规则预测用户是否违约， 识别高违约用 户， 输出用户的决策建议。 权利要求书3页 说明书13页 附图1页 CN 114663213 A 2022.06.24 CN 114663213 A 1.一种贷款违约概 率预测方法， 其特 征在于包括如下步骤： 步骤S1： 根据用户信贷的原始数据， 从数据库中提取建模所需的样本数据， 并根据 所述 样本数据对应的用户历史信贷情况建立用户标签； 步骤S2： 从数据库中匹配每个用户的关联多维度数据， 对采集的原始数据进行缺失补 全和异常值处理， 并按照7: 3的比例切分成训练集和测试集后， 分别对 所述训练集和所述测 试集归一 化处理； 步骤S3： 根据模糊核聚类算法建立KFCM模型， 根据所述训练集中的数据， 训练并调整所 述KFCM模型的参数； 步骤S4： 采用和声搜索算法优化K FCM模型， 得到最优参数； 步骤S5： 采用所述测试集中的样本对K FCM模型的预测性能进行测试； 以及 步骤S6： 获取新申请贷款用户的用户数据， 根据用户基本信息设置人工阈值规则预测 用户是否违约， 识别高违约用户。 2.根据权利要求1所述的贷款违约概 率预测方法， 其特 征在于， 步骤S3包括： S3.1： 初始化KFCM模型中的参数， 即在n个样本点中随机选取c个数据进行聚类中心初 始化； S3.2： 通过公式(1) 建立聚类目标函数， 其中， vi(i＝ 1,2,…,c)为原始特征空间的聚类中心、 c为类别数、 n为原始特征空间样本数量、 Uik为第k个 样本Xk对第i类别的隶属度、 m为加权指数； 且Uik满足0≤Uik≤1且 其中 S3.3： 计算核空间的欧式距 离， 首先定义核函数为K(x， y)＝φ(x)Tφ(y)， 然后通过公式 (2)||φ(xk)‑φ(vi)||2＝K(xk,xk)+K(vi,vi)‑2K(xk,vi)计算核空间的欧式距离； S3.4： 利用拉格朗日乘数法求解目标函数的极小值， 核空间的欧式距离代入聚类目标 函数中， 并在约束 条件下用拉格朗日乘数法寻优， 分别对J φ关于 μ、 v求偏导， 得到新的隶属 度u的更新公式 (3) 和聚类中心v和的更新公式 (4) 3.根据权利要求2所述的贷款违约概 率预测方法， 其特 征在于， 步骤S4包括： S4.1初始化算法相关参数， 包括： 和声记忆库容量HMS、 和声记忆库 考虑概率HMCR、 音调 调节概率PAR、 音调微调步长BW、 最大迭代次数Tmax； S4.2： 初始化和声记 忆， 具体方法为： 在预测神经网络的待优化参数的搜索空间中随机产生HMS个和声旋律Xi， 将产生的HMS 个和声旋律 组成和声记忆库{X1,X2,...,Xi,...,XHMS}， 其中Xi表示和声记忆库中的第i个和权　利　要　求　书 1/3 页 2 CN 114663213 A 2声旋律； 然后从X的解空 间中随机生成HMS个和声X1， X2，…， XHMS放入和声记忆库， 并计 算每个 和声f(X)值； S4.3： 生成新和声， 具体方法为： 随机产生一个介于0～ 1之间的随机数rand1， 通过与HMCR值进行比较， 按顺序逐个生成 新的和声向量； 在生成 后， 随机产生一个介于0～1之间的随机数rand2， 通过与PAR值进行比较判断 是否微调音调， 微调方式如公式(5) 所示； 通过从和声记忆库学习、 随机创作一个音调和在学习基础上微调音调3种方式产生一 候 选 解 其 中 分 量 由 公 式 ( 6 ) 产生， 其中， Xi是表示从种群的第i列随机选 择一个音调； 在生成 后， 随机产生一个介于0～1之间的随机数rand2， 通过与PAR值进行比较判断 是否微调音调， 根据公式(7) 对选取的个体进行微 调； 如果不满足ran d1<HMCR， 则在变量的取值范 围里重新生成一个新解， 其中， ran d2为[0， 1]上均匀分布的一个随机数， k 为离散变量可能值的个数； 产生rand(0,1)的随机数r， r1， r2， 生成的新和声向量记为x'＝(x'1,x'2, …,x'n)， 采 用改进的音调 调整规则和自适应参数调优方法产生 新的和声； S4.4： 如果新解xnew比HM中最差的解具有更好的目标函数值， 那么新解加入到HM中， 而 最差的解在HM中被删除， 将产生的新解与和声记忆库中最差解进行比较， 若新解优于最差 解， 则替换掉 最差解， 否则不进行操作， 并重新记录 HMCR和PAR的值； S4.5： 更新和声记忆库， 规定HM中相同解数目不能超过一定数量， 即n(Xnew＝xi， i＝1, 2,...,HMS)<MaxVec， 其中， n( ·)是计算在HM中相同解个数的函数， MaxVec是HM中相同解的 最大数量， 根据公式(8) 即若f (Xnew)＜f(Xworst)， 则Xnew＝Xworst进行进行记 忆库的更新， 其中Xworst为和声记 忆库中最差解； S4.6： 改进和声搜索算法， 采用公式(9) 确定 PAR值的范围， 其中， PARmax和PARmin分别为PAR的最大值和最小值， m和n分别为当前和最大 迭代次数； 采用公式(10) 确定BW值的范围， 其 中BWmax和BWmin 分别为BW的最大值和最小值， m和n分别为当前和最大迭代次数； 以及 S4.7： 得到最优参数， 若满足最大迭代次数则算法终止， 获取最优的小波神经网络结构 参数， 否则算法转到步骤S3继续执 行。 4.根据权利要求3所述的贷款违约概率预测方法， 其特征在于， 所述KFCM模型还包括数权　利　要　求　书 2/3 页 3 CN 114663213 A 3