(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 202210447559.3 (22)申请日 2022.04.26 (71)申请人 中国建设银行股份有限公司 地址 100033 北京市西城区金融大街25号 申请人 建信金融科技有限责任公司 (72)发明人 孙荣铖　程强　黄青君　马波　 李鹏程　 (74)专利代理 机构 北京同达信恒知识产权代理 有限公司 1 1291 专利代理师 赵小霞 (51)Int.Cl. G06Q 10/04(2012.01) G06Q 40/02(2012.01) G06N 3/04(2006.01) G06N 3/08(2006.01) (54)发明名称 一种违约预测方法及装置 (57)摘要 本申请实施例提供了一种违约预测方法及 装置， 可以应用于趋势预测技术领域， 用于在客 户租赁保管箱时基于客户的历史银行数据和个 人属性信息预测客户的违约概率， 以使银行可以 基于该违约概率进行相应押金和租金的收取以 降低客户违约风险。 所述方法包括： 接收客户的 保管箱租赁请求； 获取客户的历史银行数据和个 人属性信息； 其中， 历史银行数据包括购买理财 产品数据、 存款金额数据； 通过训练好的违约预 测模型， 基于历史银行数据和个人属性信息预测 客户的违约概率； 其中， 违约预测模型为通过租 赁过保管箱且达到租赁周期的客户数据进行训 练得到的， 客户数据包括每个客户在租赁保管箱 之前的历史银行数据、 个人属性信息和是否违约 的标识信息 。 权利要求书3页 说明书13页 附图4页 CN 115130720 A 2022.09.30 CN 115130720 A 1.一种违约预测方法， 其特 征在于， 所述方法包括： 接收客户的保管箱租赁请求； 获取所述客户的历史银行数据和个人属性信息； 其中， 所述历史银行数据包括购买理 财产品数据、 存款金额数据； 通过训练好的违约预测模型， 基于所述历史银行数据和个人属性信 息预测所述客户的 违约概率； 其中， 所述违约预测模型为通过租赁过保管箱且达到租赁周期的客户数据进行 训练得到的， 所述客户数据包括每个客户在租赁保管箱之前 的历史银行数据、 个人属 性信 息和是否违约的标识信息 。 2.如权利要求1所述的方法， 其特征在于， 所述通过训练好的违约预测模型， 基于所述 历史银行数据和个人属性信息预测所述 客户的违约概 率， 包括： 对所述个人属性信息进行脱敏处 理和数值 化处理； 将所述历史银行数据、 进行脱敏处理和数值化处理之后的数据输入所述违约预测模 型， 预测所述 客户的违约概 率。 3.如权利要求1所述的方法， 其特 征在于， 所述方法还 包括： 若所述客户的违约 概率小于或等于第 一预设阈值， 则免 除所述客户租赁保管箱需要缴 纳的押金和租金； 若所述客户的违约 概率大于所述第 一预设阈值， 且所述客户的违约 概率小于第 二预设 阈值， 则根据所述客户的违约概率值确定所述客户租赁保管箱需要缴纳的押金和租金； 其 中， 所述第二预设阈值大于所述第一预设阈值； 若所述客户的违约 概率大于或等于所述第 二预设阈值， 则拒 绝将保管箱租赁给所述客 户。 4.如权利要求1所述的方法， 其特征在于， 所述个人属性信 息中包含客户的身份标识信 息， 所述通过训练好的违约预测模型， 基于所述历史银行数据和个人属 性信息预测所述客 户的违约概 率之前， 还 包括： 将所述客户的身份标识信 息与预设名单进行匹配， 以确定所述客户的身份标识信 息是 否包括在所述预设名单中； 其中， 所述预设名单中包括多个客户的身份标识信息； 若所述客户包括在所述预设名单中， 则拒绝将保管箱租赁给 所述客户。 5.如权利要求1 ‑4任一项所述的方法， 其特征在于， 所述违约预测模型通过如下方式获 得： 获取所述客户数据， 对所述客户数据进行脱敏处理和数值化处理， 得到目标样本数据 集； 将所述目标样本数据集中的数据输入预先构建的神经网络模型， 得到第 一预测违约 概 率； 确定所述第一预测违约概率与真实客户数据对应的违约概率之间的第一距离； 其中， 所述真实客户数据对应的违约概 率通过所述是否违约的标识信息进行表示； 基于所述第一距离和梯度下降算法对所述预先构建的神经网络模型中的参数进行更 新， 直到所述第一距离小于预设距离时对所述预 先构建的神经网络模型进行保存； 确定保存的神经网络模型为所述违约预测模型。 6.如权利要求5所述的方法， 其特 征在于， 所述方法还 包括：权　利　要　求　书 1/3 页 2 CN 115130720 A 2将所述目标样本数据集按照预设比例划分为训练数据集和 测试数据集； 将所述训练数据集输入所述预 先构建的神经网络模型， 得到第二预测违约概 率； 确定所述第二预测违约概 率与真实客户数据对应的违约概 率之间的第二距离； 基于所述第二距离和所述梯度下降算法对所述预先构建的神经网络模型中的参数进 行更新， 在更新次数达到预设次数时， 将所述测试数据集输入当前的神经网络模 型， 得到第 三预测违约概 率； 确定所述第三预测违约概 率与所述真实客户数据对应的违约概 率之间的误差； 若所述误差小于预设误差， 则确定所述当前的神经网络模型为所述违约预测模型。 7.如权利要求6所述的方法， 其特征在于， 所述梯度 下降算法中采用的学习率为动态学 习率， 用于基于距离确定所述预 先构建的神经网络模型中的参数 更新的幅度。 8.一种违约预测装置， 其特 征在于， 所述装置包括： 通信模块， 用于 接收客户的保管箱租赁请求； 处理模块， 用于获取所述客户的历史银行数据和个人属性信 息； 其中， 所述历史银行数 据包括购买理财产品数据、 存款金额数据； 所述处理模块， 还用于通过训练好的违约预测模型， 基于所述历史银行数据和个人属 性信息预测所述客户的违约概率； 其中， 所述违约预测模型为通过租赁过保管箱且达到租 赁周期的客户数据进 行训练得到的， 所述客户数据包括每个客户在租赁保管箱之前的历史 银行数据、 个人属性信息和是否违约的标识信息 。 9.如权利要求8所述的装置， 其特 征在于， 所述处 理模块， 具体用于： 对所述个人属性信息进行脱敏处 理和数值 化处理； 将所述历史银行数据、 进行脱敏处理和数值化处理之后的数据输入所述违约预测模 型， 预测所述 客户的违约概 率。 10.如权利要求8所述的装置， 其特 征在于， 所述处 理模块， 还用于： 在所述客户的违约 概率小于或等于第 一预设阈值 时， 免除所述客户租赁保管箱需要缴 纳的押金和租金； 在所述客户的违约 概率大于所述第 一预设阈值， 且所述客户的违约 概率小于第 二预设 阈值时， 根据所述客户的违约概率值确定所述客户租赁保管箱需要缴纳的押金和租金； 其 中， 所述第二预设阈值大于所述第一预设阈值； 在所述客户的违约 概率大于或等于所述第 二预设阈值 时， 拒绝将保管箱租赁给所述客 户。 11.如权利要求8所述的装置， 其特征在于， 所述个人属性信息中包含客户的身份标识 信息， 所述处 理模块， 还用于： 将所述客户的身份标识信 息与预设名单进行匹配， 以确定所述客户的身份标识信 息是 否包括在所述预设名单中； 其中， 所述预设名单中包括多个客户的身份标识信息； 若所述客户包括在所述预设名单中， 则拒绝将保管箱租赁给 所述客户。 12.如权利要求8 ‑11任一项所述的装置， 其特征在于， 所述装置还包括模型训练模块， 用于： 获取所述客户数据， 对所述客户数据进行脱敏处理和数值化处理， 得到目标样本数据 集；权　利　要　求　书 2/3 页 3 CN 115130720 A 3