本申請涉及模型訓練，尤其涉及一種應用于征信領域的用戶收入預測方法、設備及系統(tǒng)。

背景技術：

1、用戶的收入情況可以在一定程度上反應用戶的信用風險情況。用戶的第一收入來源即現(xiàn)金流，可能是工資收入、租金收入、其他固定收入來源等，由于金融機構無法獲取到用戶全部的準確收入情況，因此會采用組合多種弱相關性變量搭建模型的方式預測用戶收入水平。但是由于用戶的收入來源較為多樣化，通過社保、稅收、公積金等方式獲取到的收入數(shù)據(jù)覆蓋度較低，若只采用用戶的部分收入情況來預測用戶的收入水平，預測結果的準確度較低。

技術實現(xiàn)思路

1、為至少在一定程度上克服相關技術中只采用用戶的部分收入情況來預測用戶的收入水平，預測結果的準確度較低的問題，本申請?zhí)峁┮环N應用于征信領域的用戶收入預測方法、設備及系統(tǒng)。

2、本申請的方案如下：

3、根據(jù)本申請實施例的第一方面，提供一種應用于征信領域的用戶收入預測方法，包括：

4、基于現(xiàn)有渠道獲取用戶歷史真實資金數(shù)據(jù)；

5、獲取用戶的靜態(tài)維度信息和動態(tài)維度信息；所述靜態(tài)維度信息為用戶的固有信息，所述動態(tài)維度信息為用戶隨時間變化的信息；

6、根據(jù)用戶的靜態(tài)維度信息和動態(tài)維度信息生成特征標簽；

7、以所述用戶歷史真實資金數(shù)據(jù)為基準，以特征變量的覆蓋率、相關性和單調(diào)性為指標，對所述特征標簽進行篩選；

8、構建用戶收入預測模型；

9、基于篩選后的特征標簽對應的用戶信息，訓練所述用戶收入預測模型，使所述用戶收入預測模型在輸入用戶信息時，輸出用戶收入水平預測值。

10、優(yōu)選地，基于現(xiàn)有渠道獲取用戶歷史真實資金數(shù)據(jù)，包括：

11、基于自身開展業(yè)務，和/或，合作共建渠道獲取用戶歷史真實資金數(shù)據(jù)；

12、所述用戶歷史真實資金數(shù)據(jù)包括：用戶個體消費流水數(shù)據(jù)和用戶貸款數(shù)據(jù)。

13、優(yōu)選地，所述方法還包括：

14、基于所述用戶歷史真實資金數(shù)據(jù)預估用戶收入數(shù)據(jù)；

15、以所述用戶收入數(shù)據(jù)為基準，以特征變量的覆蓋率、相關性和單調(diào)性為指標，對所述特征標簽進行篩選。

16、優(yōu)選地，獲取用戶的靜態(tài)維度信息和動態(tài)維度信息，包括：

17、以用戶的真實身份數(shù)據(jù)為主關鍵字，獲取用戶的靜態(tài)維度信息和動態(tài)維度信息；

18、用戶的靜態(tài)維度信息包括：個體基本屬性信息和資產(chǎn)信息；

19、用戶的動態(tài)維度信息包括：消費信息、財務信息、互聯(lián)網(wǎng)行為信息和興趣愛好信息。

20、優(yōu)選地，以所述用戶歷史真實資金數(shù)據(jù)為基準，以特征變量的覆蓋率、相關性和單調(diào)性為指標，對所述特征標簽進行篩選，包括：

21、以所述用戶歷史真實資金數(shù)據(jù)為基準，篩選出覆蓋率高于預設覆蓋率閾值，相關性在預設相關性區(qū)間之內(nèi)，與所述用戶歷史真實資金數(shù)據(jù)趨勢單調(diào)相似，且單調(diào)遞增或單調(diào)遞減的特征標簽。

22、優(yōu)選地，所述預設覆蓋率閾值在0.3以上；

23、所述預設相關性區(qū)間為-0.05至0.05。

24、優(yōu)選地，構建用戶收入預測模型，包括：

25、以均方誤差最小化為目標函數(shù)，構建用戶收入預測模型。

26、優(yōu)選地，所述方法還包括：

27、獲取用戶的信用評估等級；

28、對用戶收入水平進行等級劃分；

29、根據(jù)用戶收入水平預測值所屬的用戶收入水平等級，以及用戶的信用評估等級，生成對應的授信策略。

30、根據(jù)本申請實施例的第二方面，提供一種應用于征信領域的用戶收入預測設備，包括：

31、處理器和存儲器；

32、所述處理器與存儲器通過通信總線相連接：

33、其中，所述處理器，用于調(diào)用并執(zhí)行所述存儲器中存儲的程序；

34、所述存儲器，用于存儲程序，所述程序至少用于執(zhí)行如以上任一項所述的一種應用于征信領域的用戶收入預測方法。

35、根據(jù)本申請實施例的第三方面，提供一種應用于征信領域的用戶收入預測系統(tǒng)，包括：

36、第一獲取模塊，用于基于現(xiàn)有渠道獲取用戶歷史真實資金數(shù)據(jù)；

37、第二獲取模塊，用于獲取用戶的靜態(tài)維度信息和動態(tài)維度信息；所述靜態(tài)維度信息為用戶的固有信息，所述動態(tài)維度信息為用戶隨時間變化的信息；

38、特征標簽生成模塊，用于根據(jù)用戶的靜態(tài)維度信息和動態(tài)維度信息生成特征標簽；

39、特征篩選模塊，用于以所述用戶歷史真實資金數(shù)據(jù)為基準，以特征變量的覆蓋率、相關性和單調(diào)性為指標，對所述特征標簽進行篩選；

40、模型構建模塊，用于構建用戶收入預測模型；

41、模型訓練模塊，用于基于篩選后的特征標簽對應的用戶信息，訓練所述用戶收入預測模型，使所述用戶收入預測模型在輸入用戶信息時，輸出用戶收入水平預測值。

42、本申請?zhí)峁┑募夹g方案可以包括以下有益效果：

43、本申請中的應用于征信領域的用戶收入預測方法，包括：基于現(xiàn)有渠道獲取用戶歷史真實資金數(shù)據(jù)；獲取用戶的靜態(tài)維度信息和動態(tài)維度信息；靜態(tài)維度信息為用戶的固有信息，動態(tài)維度信息為用戶隨時間變化的信息；根據(jù)用戶的靜態(tài)維度信息和動態(tài)維度信息生成特征標簽；以用戶歷史真實資金數(shù)據(jù)為基準，以特征變量的覆蓋率、相關性和單調(diào)性為指標，對特征標簽進行篩選；構建用戶收入預測模型；基于篩選后的特征標簽對應的用戶信息，訓練用戶收入預測模型，使用戶收入預測模型在輸入用戶信息時，輸出用戶收入水平預測值。

44、本技術方案中，考慮到只能獲取到用戶的部分真實收入數(shù)據(jù)，所以以用戶歷史真實資金數(shù)據(jù)為基準，來篩選出與用戶歷史真實資金數(shù)據(jù)具有高覆蓋率，強相關性且單調(diào)性趨勢相似的用戶特征標簽，根據(jù)這些用戶特征標簽來訓練用戶收入預測模型，用于預測用戶的收入水平，可以解決用戶的部分真實收入數(shù)據(jù)覆蓋度不足的問題。本技術方案通過使用用戶的多維數(shù)據(jù)相互補充的方式搭建模型，可以全面刻畫用戶畫像，細致了解用戶的收入情況，相較于現(xiàn)有技術預測準確度更高。

45、應當理解的是，以上的一般描述和后文的細節(jié)描述僅是示例性和解釋性的，并不能限制本申請。

技術特征：

1.一種應用于征信領域的用戶收入預測方法，其特征在于，包括：

2.根據(jù)權利要求1所述的方法，其特征在于，基于現(xiàn)有渠道獲取用戶歷史真實資金數(shù)據(jù)，包括：

3.根據(jù)權利要求2所述的方法，其特征在于，所述方法還包括：

4.根據(jù)權利要求1所述的方法，其特征在于，獲取用戶的靜態(tài)維度信息和動態(tài)維度信息，包括：

5.根據(jù)權利要求1所述的方法，其特征在于，以所述用戶歷史真實資金數(shù)據(jù)為基準，以特征變量的覆蓋率、相關性和單調(diào)性為指標，對所述特征標簽進行篩選，包括：

6.根據(jù)權利要求5所述的方法，其特征在于，所述預設覆蓋率閾值在0.3以上；

7.根據(jù)權利要求1所述的方法，其特征在于，構建用戶收入預測模型，包括：

8.根據(jù)權利要求1所述的方法，其特征在于，所述方法還包括：

9.一種應用于征信領域的用戶收入預測設備，其特征在于，包括：

10.一種應用于征信領域的用戶收入預測系統(tǒng)，其特征在于，包括：

技術總結
本申請涉及一種應用于征信領域的用戶收入預測方法、設備及系統(tǒng)，方法包括：基于現(xiàn)有渠道獲取用戶歷史真實資金數(shù)據(jù)；獲取用戶的靜態(tài)維度信息和動態(tài)維度信息；靜態(tài)維度信息為用戶的固有信息，動態(tài)維度信息為用戶隨時間變化的信息；根據(jù)用戶的靜態(tài)維度信息和動態(tài)維度信息生成特征標簽；以用戶歷史真實資金數(shù)據(jù)為基準，以特征變量的覆蓋率、相關性和單調(diào)性為指標，對特征標簽進行篩選；構建用戶收入預測模型；基于篩選后的特征標簽對應的用戶信息，訓練用戶收入預測模型，使用戶收入預測模型在輸入用戶信息時，輸出用戶收入水平預測值。通過使用用戶的多維數(shù)據(jù)相互補充的方式搭建模型，全面刻畫用戶畫像，相較于現(xiàn)有技術預測準確度更高。

技術研發(fā)人員：劉敏,金舒婧,陳振華,倪佳琪,許常浩,周勝男
受保護的技術使用者：天創(chuàng)信用服務有限公司
技術研發(fā)日：
技術公布日：2024/10/21