[发明专利]支持多数据源的汽车金融风控方法

权利要求书

1.支持多数据源的汽车金融风控方法，其特征在于，所述支持多数据源的汽车金融风控方法的实现步骤如下：

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，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，把同一公司不同类型的数据切割到相对较小的表中，这样表就被切割成4张分表，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)：贷前数据有共有字段，因为贷前包含申请人的基础资料，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、车载GPS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，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，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于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，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，一个有几百个联系人的节点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，A联系B和B联系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，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；假设有公司A和公司B，单字段为贷前工单数据，则分割成的4个表分别为：公司A公共字段、公司B公共字段、公司A贷前工单字段和公司B贷前工单字段，4个表分别记为a、b、c、和d，建一张总表，记为z，数据合并的步骤如下：

①：公共字段并入；将表a和表b直接并入表z；

②：单字段模型训练；对表c和表d进行模型训练，表c的模型训练的输出字段记为表e，而表d的训练结果是表f；

③：单字段合并并入；这时表e和f就可以被合并放入表z的同一个字段，这个字段即为贷前工单数据的输出字段，对于其他类型的数据也是做类似的操作，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是最后的结果，这个总表是上一层模型的一个子表，根据实际的建模需求，数据被分为多层。