(19)国家知识产权局 (12)发明 专利申请 (10)申请公布号 (43)申请公布日 (21)申请 号 202210469109.4 (22)申请日 2022.04.29 (71)申请人 中国工商银行股份有限公司 地址 100140 北京市西城区复兴门内大街 55号 (72)发明人 程鹏　白佳乐　任政　武文轩　 (74)专利代理 机构 北京同立钧成知识产权代理 有限公司 1 1205 专利代理师 臧建明　黄健 (51)Int.Cl. G06Q 10/04(2012.01) G06Q 40/02(2012.01) G06N 20/00(2019.01) (54)发明名称 逾期预测方法、 装置、 设备、 介质及产品 (57)摘要 本申请提供一种逾期预测方法、 装置、 设备、 介质及产品， 应用于人工智能领域和金融领域， 也可以应用于除人工智能领域和金融领域之外 的任意领域。 该逾期预测装置包括： 响应于针对 目标用户的逾期预测请求， 获得目标用户的待预 测金融信息； 待预测金融信息包括金融属性对应 的金融数据； 对金融属性进行属性扩展处理， 获 得金融属性对应的时段属性； 根据金融属性和金 融属性对应的时段属性， 确定目标金融属性； 基 于目标金融属性， 确定待预测金融信息对应的目 标金融数据； 将目标金融数据输入训练获得的目 标预测模型， 获得目标用户的逾期预测结果。 本 申请的方法， 提高了用户的逾期预测准确度。 权利要求书4页 说明书16页 附图5页 CN 114676937 A 2022.06.28 CN 114676937 A 1.一种逾期预测方法， 其特 征在于， 包括： 响应于针对目标用户的逾期预测请求， 获得所述目标用户的待预测金融信息； 所述待 预测金融信息包括金融属性对应的金融数据； 对所述金融属性进行属性扩展处 理， 获得所述金融属性对应的时段属性； 根据所述金融属性和所述金融属性对应的时段属性， 确定目标 金融属性； 基于所述目标 金融属性， 确定所述待预测金融信息对应的目标 金融数据； 将所述目标金融数据输入训练获得的目标预测模型， 获得所述目标用户的逾期预测结 果。 2.根据权利要求1所述的方法， 其特征在于， 所述目标预测模型包括第 一预测模型和第 二预测模型组合获得的模型； 所述将所述目标金融数据输入训练获得的目标预测模型， 获得所述目标用户的逾期预 测结果， 包括： 将所述目标 金融数据输入所述目标 预测模型中的第一预测模型， 获得第一预测概 率； 将所述目标 金融数据输入所述目标 预测模型中的第二预测模型， 获得第二预测概 率； 对所述第一预测概 率和所述第二预测概 率进行加权求和， 获得目标 预测概率； 利用所述目标 预测概率， 生成所述目标用户的逾期预测结果。 3.根据权利要求2所述的方法， 其特征在于， 所述对所述第 一预测概率和所述第 二预测 概率进行加权求和， 获得目标 预测概率， 包括： 确定所述目标逾期模型中所述第一预测模型对应的第一权重和所述第二预测模型对 应的第二权 重； 基于所述第 一预测模型对应的第 一权重和所述第 二预测模型对应的第 二权重， 将所述 第一预测概 率和所述第二预测概 率加权求和， 获得 所述目标 预测概率。 4.根据权利要求2所述的方法， 其特征在于， 所述利用所述目标预测概率， 生成所述目 标用户的逾期预测结果， 包括： 若确定所述目标预测概率大于概率阈值， 则确定逾期为所述目标用户的逾期预测结 果； 若确定所述目标预测概率小于或等于所述概率阈值， 则确定不逾期为所述目标用户的 逾期预测结果。 5.根据权利要求1所述的方法， 其特征在于， 所述对所述金融属性进行属性扩展处理， 获得所述金融属性对应的时段属性， 包括： 采集至少一个用户分别对应的历史金融信息， 获得至少一个所述历史金融信息； 所述 历史金融信息包括金融属性对应的金融数据； 确定为至少一个所述历史金融信息设置的统计时段； 基于所述金融属性在所述统计时段对应的统计类型， 确定所述金融属性在所述统计时 段对应的时段属性。 6.根据权利要求1所述的方法， 其特征在于， 所述根据所述金融属性和所述金融属性对 应的时段属性， 确定目标 金融属性， 包括： 确定所述金融属性和所述金融属性对应的时段属性 为候选属性； 基于特征权重算法对所述候选属性进行属性计量计算， 获得所述候选属性对应的属性权　利　要　求　书 1/4 页 2 CN 114676937 A 2计量值； 利用所述候选属性对应的属性计量值， 从所述候选属性中选择属性计量值高于计量阈 值的目标 金融属性。 7.根据权利要求6所述的方法， 其特征在于， 所述基于特征权重算法对所述候选属性进 行属性计量计算， 获得 所述候选属性对应的属性计量 值， 包括： 针对任一个用户的所述历史金融信 息， 从所述历史金融信 息中提取所述候选属性对应 的金融数据， 以获得至少一个所述历史金融信息分别在所述 候选属性对应的金融数据； 将至少一个所述历史金融信息在所述候选属性分别对应的金融数据输入到特征权重 模型， 计算获得 所述候选属性的属性计量 值。 8.根据权利要求7所述的方法， 其特征在于， 所述将至少一个所述历史金融信 息分别在 所述候选属性分别对应的金融数据输入到特征权重模型， 计算获得所述候选属性的属性计 量值， 包括： 从至少一个所述历史金融信息中随机 选择第一金融信息； 针对任一个所述候选属性， 计算所述第一金融信息在所述候选属性对应的样本差值， 以获得至少一个所述历史金融信息分别作为第一金融信息时计算获得的样本 差值； 将至少一个所述历史金融信 息分别对应的样本差值进行均值计算， 获得所述候选属性 对应的属性计量 值。 9.根据权利要求8所述的方法， 其特征在于， 所述计算所述第 一金融信 息在所述候选属 性对应的样本 差值， 包括： 读取所述候选属性在所述第一金融信息对应的第一金融数据； 从至少一个所述历史金融信息中选择与所述第一金融信息属于相同信息类型的第二 金融信息， 并确定所述第二金融信息在所述 候选属性对应的第二金融数据； 计算所述第一金融数据和所述第二金融数据的第一差值； 从至少一个所述历史金融信息中选择与所述第一金融信息属于不同信息类型的第三 金融信息， 并确定所述第三金融信息在所述 候选属性对应的第三金融数据； 计算所述第一金融数据和所述第三金融数据的第二差值； 将所述第一差值进行平方计算结果取负值和所述第 二差值的平方计算结果相加， 获得 所述第一金融信息在所述 候选属性对应的样本 差值。 10.根据权利要求1所述的方法， 其特 征在于， 所述目标 预测模型的训练步骤， 包括： 采集至少一个用户分别对应的历史金融信息， 获得至少一个所述历史金融信息； 所述 历史金融信息包括金融属性对应的金融数据； 基于所述目标金融属性， 确定至少一个所述历史金融信息分别对应的金融样本， 以获 得至少一个所述金融样本； 利用至少一个所述金融样本， 训练构建的逾期预测模型， 获得目标 预测模型。 11.根据权利要求10所述的方法， 其特征在于， 所述基于所述目标金融属性， 确定至少 一个所述历史金融信息分别对应的金融样本， 包括： 针对任一个历史金融信息， 获取所述历史金融所对应用户的逾期还款标签； 所述逾期 还款标签包括： 已逾期和未逾期； 基于所述目标金融属性， 确定所述历史金融信 息在所述目标金融属性对应的目标金融权　利　要　求　书 2/4 页 3 CN 114676937 A 3