(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 202210289053.4 (22)申请日 2022.03.22 (71)申请人 四川省自然资源科 学研究院 （四川 省生产力促进中心） 地址 610000 四川省成 都市一环路南2段24 号 (72)发明人 岳钧　李开恒　王正宁　周钊聿　 周乐瑶　 (74)专利代理 机构 北京天奇智新知识产权代理 有限公司 1 1340 专利代理师 许驰 (51)Int.Cl. G06Q 40/02(2012.01) G06Q 40/06(2012.01) G06Q 10/04(2012.01)G06N 3/04(2006.01) G06N 3/08(2006.01) (54)发明名称 用于互联网金融风控的违约预测方法 (57)摘要 本发明公开了用于互联网金融风控的违约 预测方法， 涉及金融风控领域， 包括S1构建违约 预测模型和 伪标签生成模 型； S2获取训练数据集 D， 并将其分为有标签数据集DL和无标签数据集 S3有标签数据集DL导入违约预测模 型生成预 测结果； S4预测结果导入伪标签生成模 型生成伪 标签数据集P； S5有标签数据集DL和伪标签数据 集P导入违约预测模型进行训练优化， 得到最优 预测模型； S6待预测数据导入最优预测模型获得 违约预测结果； 同时利用了有标签数据和无标签 数据， 并利用不同的基础模型同时进行训练优 化， 实现协 同训练改进的目的， 不同的基础模型 相互学习 、 相互反馈， 提高预测模型的准确性。 权利要求书2页 说明书3页 附图3页 CN 114581218 A 2022.06.03 CN 114581218 A 1.用于互联网金融风控的违约预测方法， 其特 征在于， 包括： S1、 构建违约预测模型和伪标签生成模型； S2、 获取训练数据集D， 并将其分为有标签数据集DL和无标签数据集 S3、 有标签数据集DL导入违约预测模型生成预测结果； S4、 预测结果 导入伪标签生成模型生成伪标签数据集P； S5、 有标签数据集DL和伪标签数据集P导入违约预测模型进行训练优化， 得到最优预测 模型； S6、 待预测数据导入最优预测模型获得违约预测结果。 2.根据权利要求1所述的用于互联网金融风控的违约预测方法， 其特征在于， 违约预测 模型包括 N个基础模型Φi(i＝0， 1， ...， N‑1)， 伪标签生成模型为神经网络模型。 3.根据权利要求2所述的用于互联网金融风控的违约预测方法， 其特征在于， 在S3中， 有标签数据集DL导入违约预测模型获得每 个基础模型的预测结果predΦi＝Φi(x)。 4.根据权利要求2所述的用于互联网金融风控的违约预测方法， 其特征在于， 在S4中， 每个基础模型的预测结果输入伪标签生成模型输出预测结果， 伪标签生成模型的预测结果 作为无标签数据集 的标签形成伪标签数据集P， 5.根据权利要求2所述的用于互联网金融风控的违约预测方法， 其特征在于， 在S5中， 包括： S51、 有标签数据集DL和伪标签数据集P作为训练集D1与D2， S52、 训练集D1与D2分别导入两个当前基础模型m1和m2获得预测结果V1和V2， S53、 判断两个当前基础模型是否为最优模型， 若是， 进入S6； 反之， 则更新训练集D1与 D2， 并返回S52。 6.根据权利要求5所述的用于互联网金融风控的违约预测方法， 其特征在于， 在S53中， 包括： ①使用AUC(Are a under the Curve of ROC)作为评价指 标， 计算当前单个基础模型的 AUC值并记为vΦi， 并储存AUC值， 判断当前基础模型m1和m2是否为最优模型组合， 若是， 则当 前基础模型作为 最优预测模型， 并进入S6， 反 之进入②； ②计算每个基础模型的误差∈i优化基础模型， 误差服从零均 值方差为 且 协方差为 的多维正态分布， 所有模型的平均误差为 误差的平 方的期 望为 权　利　要　求　书 1/2 页 2 CN 114581218 A 2③预测结果V1和V2分别更新训练集D2与D1， 令优化后的基础模型作为当前基础模型， 再 返回S52。 7.根据权利要求2所述的用于互联网金融风控的违约预测方法， 其特征在于， 在 ①中， 当ζt＞ζi(i＝t‑1， t‑2， t‑3)时， 则当前基础模型不 是最优模型， 反之则当前基础模型为最优 模型， ζt为当前AUC值。 8.根据权利要求1所述的用于互联网金融风控的违约预测方法， 其特征在于， 在S6中， 待预测数据分别导入两个最优预测模型， 并获得预测结果ym1和ym2， 两个最优预测模型的 AUC值分别为vm1和vm2， 计算违约预测结果， 表示 为 9.根据权利要求5所述的用于互联网金融风控的违约预测方法， 其特征在于， 违约预测 模型包括3个基础模型分别为XGBoost、 LightGBM和CatBoost； 基础模型m1和m2分别为 XGBoost和LightGBM。 10.根据权利要求2所述的用于互联网金融风控的违约预测方法， 其特征在于， 伪标签 生成模型从输入到 输出依次为全连接层、 Dropout层、 全连接层和Sigmo id层。权　利　要　求　书 2/2 页 3 CN 114581218 A 3