[发明专利]一种应收账款违约风险识别方法及系统

权利要求书

1.一种应收账款违约风险识别方法，其特征在于，包括：

获取应收账款历史数据；

对每笔应收账款历史数据进行处理，得到与目标变量是否违约相关的特征变量；

按比例将特征变量划分为训练集与测试集；

建立识别应收账款违约风险的支持向量机模型；

利用训练集和测试集分别对支持向量机模型进行训练和测试，得到最优风险识别模型；

获取待预测应收账款，并获取该待预测应收账款的特征变量并输入至最优风险识别模型，判断待预测应收账款到期还款人是否会违约；

所述应收账款历史数据包括：债权人名称、债权人类型、债权人住所地、债权人统一社会信用代码/身份证号码、债权人联系人信息、债务人名称、债务人类型、债务人住所地、债务人统一社会信用代码/身份证号码、债务人联系人信息、债权流转类型、债权依据类型、债权金额、银行授信支持、保证金比例、担保方式、合同号、合同名称、文书制作机关、债权描述、初始登记日期、到期日期、应收账款债权管理服务机构、当前还款状态以及实际还款日期；

所述对每笔应收账款历史数据进行处理，得到与目标变量是否违约相关性的特征变量，包括：

对所述每笔应收账款历史数据的真实性进行核查；

对应收账款历史数据中异常数据的缺失值处理；

对于应收账款历史数据中异常数据的缺失值，利用类库pandas中缺失值处理函数dropna()，沿着每一列下去，对每列的各行中空值对应的行进行删除；

所述特征变量包括债权人类型、债务人类型、债权流转类型、债权依据类型、债权金额、期限、银行授信支持、保证金比例、增信措施、逾期总次数、逾期总账额以及守约次数。

2.如权利要求1所述的应收账款违约风险识别方法，其特征在于，还包括：对所述应收账款历史数据的部分属性进行二次计算，得出新的特征变量。

3.如权利要求2所述的应收账款违约风险识别方法，其特征在于，在所述按比例将特征变量划分为训练集与测试集之后，还包括：

对所述训练集中的特征向量和所述测试集中的特征向量进行标准化处理。

4.如权利要求3所述的应收账款违约风险识别方法，其特征在于，在所述利用训练集和测试集分别对支持向量机模型进行训练和测试，得到最优风险识别模型之前，还包括：

利用权重法对训练集和测试集中的样本进行加权处理，得到样本平衡的训练集和测试集。

5.如权利要求4所述的应收账款违约风险识别方法，其特征在于，所述利用训练集和测试集分别对支持向量机模型进行训练和测试，得到最优风险识别模型，包括：

在模型训练过程中，利用机器学习库sklearn支持向量机的不同核函数，通过准确率A、精准率P、召回率R及F1_Score来评估模型，得到最优风险识别模型。

6.如权利要求5所述的应收账款违约风险识别方法，其特征在于，所述核函数至少包括线性核函数linear、径向基核函数rbf、多项式核函数poly及Sigmoid核函数sigmoid。

7.一种应收账款违约风险识别系统，用于实现权利要求1-6的一种应收账款违约风险识别方法，其特征在于，包括数据采集模块、数据处理模块、模型建立模块和模型应用模块，其中：

数据采集模块用于获取应收账款历史数据；

数据处理模块用于对每笔应收账款历史数据进行处理，得到与目标变量是否违约相关的特征变量，并按比例将特征变量划分为训练集与测试集；

模型建立模块用于建立识别应收账款违约风险的支持向量机模型，并利用训练集和测试集分别对支持向量机模型进行训练和测试，得到最优风险识别模型；

模型应用模块用于获取待预测应收账款，并获取该待预测应收账款的特征变量并输入至最优风险识别模型，判断待预测应收账款到期还款人是否会违约。