[发明专利]一种扣款指令发起方法及装置

权利要求书

1.一种扣款指令发起方法，其特征在于，所述方法包括：

获取扣款订单的订单信息；

根据所述订单信息判断所述扣款订单是否适用于机器学习模型，所述机器学习模型采用历史扣款订单的订单信息进行训练得到；

若所述扣款订单适用于所述机器学习模型，则将所述订单信息输入所述机器学习模型处理，获取所述扣款订单的成功扣款的预测值；

若所述预测值大于或者等于目标阈值，则发起所述扣款订单的扣款指令；

其中，所述根据所述订单信息判断所述扣款订单是否适用于机器学习模型，包括：

当所述扣款订单信息的类别与所述机器学习模型中的参数匹配时或当所述扣款订单的类型与所述机器学习模型匹配时，所述订单信息适用于所述机器学习模型。

2.如权利要求1所述的方法，其特征在于，所述订单信息包括：n项订单子信息，n为大于或者等于1的整数，所述根据所述订单信息判断所述扣款订单是否适用于机器学习模型，包括：

生成所述n项订单子信息对应的订单向量；

计算所述订单向量与所述机器学习模型的中心向量的欧式距离值；

若所述欧式距离值小于或者等于所述机器学习模型的欧式距离极值，则确定所述扣款订单适用于所述机器学习模型。

3.如权利要求2所述的方法，其特征在于，所述欧式距离极值为训练所述机器学习模型的历史订单集合中任意一个扣款订单的订单向量与所述机器学习模型的中心向量的差值；

所述中心向量是训练所述机器学习模型的历史订单集合中各项订单子信息的平均值。

4.如权利要求1所述的方法，其特征在于，所述订单信息包括：n项订单子信息，所述机器学习模型至少包括n个模型系数，其中，所述n个模型系数分别与所述n项订单子信息对应，n为大于或者等于1的整数。

5.如权利要求1所述的方法，其特征在于，所述将所述订单信息输入机器学习模型处理之后，所述获取到所述扣款订单的成功扣款的预测值之前，所述方法还包括：

检测所述扣款订单是否满足兜底策略，所述兜底策略包括：扣款订单的逾期日数大于预设逾期日数、扣款金额大于预设扣款金额、距离上一次生成扣款指令的时间超过预设扣款周期中的一项或多项；

若所述扣款订单满足所述兜底策略，则发起所述扣款订单的扣款指令。

6.一种机器学习模型的训练方法，其特征在于，所述方法包括：

获取第一历史订单集合，所述第一历史订单集合包括多个历史扣款订单；

将所述多个历史扣款订单逐步代入初始机器学习模型进行显著性分析，得到每个历史扣款订单与所述初始机器学习模型的相关度；

选择相关度满足预设条件的历史扣款订单优化所述初始机器学习模型，得到机器学习模型。

7.如权利要求6所述的方法，其特征在于，所述将所述多个历史扣款订单逐步代入初始机器学习模型进行显著性分析，得到每个历史扣款订单与所述初始机器学习模型的相关度，包括：

当所述多个历史扣款订单中的数值属于连续变量时，将所述多个历史扣款订单作为协变量逐步代入所述初始机器学习模型，并采用拉格朗日乘子检验获得每个历史扣款订单与所述初始机器学习模型的相关度；或者

当所述多个历史扣款订单中存在非数值变量或者数值变化范围只有有限个的非连续变量时，将所述多个历史扣款订单作为协变量逐步代入所述初始机器学习模型，并采用卡方检验、显著性水平值计算、拟合优度指标检验以及特定置信区间的比值比计算方式中的任意一种获得每个历史扣款订单与所述初始机器学习模型的相关度。

8.如权利要求6所述的方法，其特征在于，所述得到机器学习模型之后，所述方法还包括：

对所述第一历史订单集合中各订单的预测值与各订单的实际扣款结果进行受试者工作特征ROC曲线分析，得到纵坐标为灵敏度，横坐标为1减特异度的ROC曲线；

将所述ROC曲线中差值最大的灵敏度和特异度所对应的预测值的均值作为目标阈值，所述目标阈值用于评判扣款订单是否能够扣款成功。