[发明专利]基于tweedie分布的用户未归还资源数量预测方法和装置

说明书

本发明公开了一种基于tweedie分布的用户未归还资源数量预测方法、装置、电子设备及计算机可读介质，包括：获取历史用户的用户信息作为样本数据；将所述历史用户的用户信息输入基于tweedie分布的机器学习模型进行训练得到资源归还预测模型；将新用户的用户身份信息输入所述资源归还预测模型得到所述新用户在不同时间点的未归还资源数量。本发明通过将历史用户的用户身份信息和违约情况输入基于tweedie分布的机器学习模型，将该模型训练成为资源归还预测模型，从而预测新用户在未来不同时间点的违约情况，预测新用户未来时间内的违约情况，根据预测结果对用户分类，对每类用户实施不同的策略，可以有效降低用户的资源分配风险，避免损失。

技术领域

本发明涉及计算机信息处理领域，具体而言，涉及一种基于tweedie分布的用户未归还资源数量预测方法、装置、电子设备及计算机可读介质。

背景技术

目前，随着互联网金融行业的发展，由于良好的便捷性各灵活性，越来越多的用户将网络贷款软件应用到日常授信申请中。网络小额贷款以其灵活性强、用款快捷的优点得到了众多用户的欢迎。如何根据用户的信息来判断该用户的授信风险十分重要。

现有技术中，通过预测用户在未来的某个时间点的还款情况可以有效预测用户的授信风险，但若金融机构缺少新用户的信贷信息，则对该用户的风险控制具有滞后性，需要根据人员经验判断该用户的授信风险，容易造成风险失控或利益无法最大化的问题。

发明内容

为了解决如何有效降低资源分配风险的技术问题，本发明提供了一种基于tweedie分布的用户未归还资源数量预测方法、装置、电子设备及计算机可读介质。

本发明的一方面提供一种基于tweedie分布的用户未归还资源数量预测方法，包括：

获取历史用户的用户信息作为样本数据；

将所述历史用户的用户信息输入基于tweedie分布的机器学习模型进行训练得到资源归还预测模型；

将新用户的用户身份信息输入所述资源归还预测模型得到所述新用户在不同时间点的未归还资源数量。

根据本发明的优选实施方式，所述获取历史用户的用户信息作为样本数据，进一步包括：

获取所述历史用户的用户身份信息和预设历史时间段内用户的未归还资源数量。

根据本发明的优选实施方式，所述将所述历史用户的用户信息输入基于tweedie分布的机器学习模型进行训练得到资源归还预测模型，进一步包括：

将所述历史用户的用户身份信息及历史一个时间点输入所述基于tweedie分布的机器学习模型；

根据历史用户的用户身份信息计算得到该用户在该时间点的未归还资源数量，并与该用户在历史该时间点的实际未归还资源数量进行比较；

不断更换不同的历史时间点，调整所述基于tweedie分布的机器学习模型的参数使输出的在历史各时间点的未归还资源数量与对应实际未归还资源数量相同，得到所述资源归还预测模型。

根据本发明的优选实施方式，所述将新用户的用户身份信息输入所述资源归还预测模型得到所述新用户在不同时间点的未归还资源数量，进一步包括：

设置待预测时间点；

将至少一个新用户的用户身份信息和所述待预测时间点输入所述资源归还预测模型，得到所述新用户在该待预测时间点的未归还资源数量。

根据本发明的优选实施方式，所述待预测时间点为以将资源分配给用户的时间为起点，经过预设时间段后到达的时间点。

根据本发明的优选实施方式，所述方法还包括：

在不同的时间点设置不同的未归还资源数量阈值范围；