【CN109872231A】一种基于动态集对分析的个人信用评估方法及系统【专利】

合集下载

基于大数据处理的个人信用评估模型研究

基于大数据处理的个人信用评估模型研究第一章：引言随着互联网的发展和普及，信息技术在社会生活中的作用逐渐得到了充分的发挥。

在数字化时代，大数据的出现引领了信息技术的新发展方向。

大数据的出现为人们的生产、生活、学习和娱乐等各个领域带来了极大的便利和帮助，为各行各业的发展提供了强大的支持。

在金融行业中，基于大数据处理的个人信用评估模型也逐渐得到了应用。

在这篇文章中，我们将会阐述基于大数据处理的个人信用评估模型的研究。

第二章：大数据和信用评估的概念2.1 大数据的定义大数据是指那些传统数据处理方式无法处理的海量数据，这些数据量通常以亿计或者更多。

这些数据来自于各个领域，如社交媒体、传感器等。

大数据通常包括数据收集、存储、管理、分析和展示等几个重要环节。

2.2 信用评估的定义信用评估是指根据一定的规则和方法，对一个人或者一个企业进行信用评价。

信用评估通常包括信用记录、资产负债信息、收入信息等，可以起到对贷款、保险、金融产品等业务决策的参考作用。

第三章：大数据技术在信用评估中的应用3.1 数据挖掘数据挖掘是指发现具有潜在价值的数据、数据模式和规律的过程。

在信用评估中，数据挖掘可以用来寻找与信用相关的数据模式，从而更准确地预测信用。

3.2 人工智能人工智能是指通过模拟人类智能的行为和思维过程，以达到人类智能水平的各种理论、方法和技术。

在信用评估中，人工智能可以用来进行客户画像、风险评估、流失预测等。

3.3 云计算云计算是指采用互联网技术，将大量计算资源整合在一起，以实现高效、安全、弹性的计算服务。

在信用评估中，云计算可以用来提高数据处理效率、减少数据处理成本、提高数据处理质量。

第四章：大数据处理的个人信用评估模型研究4.1 数据获取与处理首先，需要从各种渠道收集与信用评估相关的数据，并对数据进行清洗和加工。

这样可以提高数据的准确性，避免不必要的噪声对评估结果产生影响。

4.2 数据分析与建模在数据获取与处理之后，需要通过数据分析和建模，为信用评估提供硬性的数据支撑。

《基于优化型混合核函数支持向量机的个人信用评估》范文

《基于优化型混合核函数支持向量机的个人信用评估》篇一一、引言在金融行业中，个人信用评估是一项至关重要的任务。

随着金融科技的不断发展，传统信用评估方法已逐渐无法满足现代金融市场的需求。

为此，本文提出基于优化型混合核函数支持向量机（Optimized Hybrid Kernel Support Vector Machine，简称OHK-SVM）的个人信用评估模型。

该模型旨在通过引入优化型混合核函数，提高信用评估的准确性和可靠性，为金融机构提供更为精准的信用评估服务。

二、个人信用评估现状及挑战目前，个人信用评估主要依赖于传统的统计方法和机器学习方法。

然而，这些方法往往存在数据稀疏性、非线性和高维性等问题，导致评估结果不够准确。

此外，随着金融市场的快速发展，个人信用评估面临的挑战也日益增加。

因此，寻找一种更为有效的信用评估模型成为了一个迫切的需求。

三、优化型混合核函数支持向量机为了解决上述问题，本文提出基于优化型混合核函数支持向量机的个人信用评估模型。

该模型的核心思想是引入混合核函数，以适应不同类型的数据特征，并采用优化算法提高模型的性能。

具体而言，OHK-SVM通过结合多种核函数（如线性核、多项式核、高斯核等），使得模型能够更好地捕捉数据的非线性和复杂性。

同时，采用优化算法对模型参数进行调优，进一步提高模型的准确性和泛化能力。

四、数据集与实验设计为了验证OHK-SVM模型在个人信用评估中的有效性，本文采用了一个包含个人信用数据的数据集。

该数据集包含了多个特征，如年龄、职业、收入、负债等。

在实验设计中，我们将OHK-SVM模型与传统的信用评估方法进行对比，通过交叉验证和性能指标评估模型的优劣。

五、实验结果与分析实验结果表明，基于OHK-SVM的个人信用评估模型在准确率、召回率、F1值等指标上均优于传统方法。

具体而言，OHK-SVM能够更好地捕捉数据的非线性和复杂性，降低数据稀疏性的影响。

同时，通过优化算法对模型参数进行调优，进一步提高了模型的性能。

【CN109829788A】基于网络社交的自然人信用算法【专利】

代理人李琼
(51)Int .Cl . G06Q 30/06(2012 .01) G06Q 40/02(2012 .01)
(10)申请公布号 CN 109829788 A (43)申请公布日 2019.05.31
( 54 )发明名称基于网络社交的自然人信用算法
( 57 )摘要本发明涉及信用算法技术领域，且公开了基
技术领域 [0001] 本发明涉及信用算法技术领域，具体为一种基于网络社交的自然人信用算法。
背景技术 [0002] 所谓信用，是指依附在人之间、单位之间和商品交易之间形成的一种相互信任的生产关系和社会关系，信誉构成了人之间、单位之间和商品交易之间的双方自觉自愿的反复交往，消费者甚至愿意付出更多的钱来延续这种关系，言不信者，行不果，人而无信，不知其可也，信用的意思是能够履行诺言而取得的信任，信用是长时间积累的信任和诚信度，信用是难得易失的，费十年功夫积累的信用，往往由于一时一事的言行而失掉，它还是指我们过去的履行承诺的正面记录，它还是一种行为艺术，是一种人人可以尝试与自我管理的行为管理模式。 [0003] 信用是指在商品交换或者其他经济活动中授信人在充分信任受信人能够实现其承诺的基础上，用契约关系向受信人放贷，并保障自己的本金能够回流和增值的价值运动，在现有社会中，人的信用评分是很重要的，但是现有的针对人的信用评分系统不够完善，如中国专利CN 109191222 A中提出的一种交易过程信用评估算法，仅仅针对交易过程中的进行风险和信用评定，概括不够全面，现在生活中信用分系统的用处有很多，且使用很广泛，但是没有针对此能进行一套概括和整合的算法，给使用者带来了许多不便，故而提出了基于网络社交的自然人信用算法来解决上述中提出的问题。

一种基于Boosting的集成学习算法在银行个人信用评级中的应用

一种基于Boosting的集成学习算法在银行个人信用评级中的应用陈力;黄艳莹;游德创【摘要】本文针对银行个人信用数据的分类预测问题,从数据集的特征选择和集成学习两个角度出发,提出了PCA-Adaboost-Logistic集成学习算法.在采用Accuracy和AUC作为分类模型评价指标的前提下,本文选取了源于澳大利亚某银行的个人信贷数据集进行测试.测试结果表明本算法在有效提取关键特征后提高了Adaboost的稳定性,并且在分类准确度上相比单纯使用Logistic分类器有不同程度的提高.%This paper focused on classification prediction problem of the bank personal credit data, proposed a PCA-Adaboost-Logistic ensemble learning algorithm based on feature selection and ensemble learning. Accuracy and AUC were used as the classification model evaluation metric under the premise, this paper used the credit data sets from Australian banks to test the proposed algorithm. The results show that the proposed algorithm improves the stability of the Adaboost after extract the key features, and the classification accuracy is higher than the Logistic classifier.【期刊名称】《价值工程》【年(卷),期】2017(036)018【总页数】3页(P170-172)【关键词】信用评级;主成分分析;Adaboost;逻辑回归【作者】陈力;黄艳莹;游德创【作者单位】广东工业大学管理学院,广州510520;广东工业大学管理学院,广州510520;广东工业大学管理学院,广州510520【正文语种】中文【中图分类】F830.51936年，费舍尔[1]提出了统计判别分析的概念，这是信用评级领域的基础。

【CN109800762A】一种基于动态匹配因子的模糊车牌识别算法【专利】

模板库中各模板为：
其中
，
分别表示
点处待识别图像和模板图像的像素值，字符
有效区域像素值取值“1”，字符背景区域像素值取值“0”，得到匹配因子一，如公式（1）（2）（3）：
其中，统计模板图像中识别像素点的个数；为识别图像和第k个模板匹配的匹配因子一，模板匹配的因子如公式1 ，选取识别图像和Q个模板库中所有的模板进行做与
(74)专利代理机构北京八月瓜知识产权代理有限公司 11543
代理人马东瑞
(51)Int .Cl . G06K 9/34(2006 .01) G06K 9/40(2006 .01) G06K 9/46(2006 .01) G06K 9/62(2006 .01)
( 54 )发明名称一种基于动态匹配因子的模糊车牌识别算
2
CN 109800762 A
权利要求书
2/2 页
运算用
来表示，然后对
矩阵的每个像素点求和，计算出所有的匹配像素点个
数，然后除以所有的像素点个数计算出和该模板的匹配因子；之后计算出所有模板的匹配因子，其中最大值就是识别图像和模板库中字符的匹配因子一，那么对应的该模板的字符就是待识别的车牌字符图像的值，识别出该字符；
技术领域 [0001] 本发明涉及车牌识别领域，尤其涉及一种基于动态匹配因子的分级分类相似字符模糊车牌算法与相应的实现系统。
背景技术 [0002] 车牌识别技术产生于20世纪60年代，而真正引起研究人员的高度重视是在20世纪 80年代。当时，西方国家进入了高速发展的经济时代，由于车辆数量大幅度提升，城市交通问题越来越严重，因此引起了美国及欧洲很多国家研究人员的重视，这些国家开始大量投入资金去建立一个智能交通系统，来缓解交通问题带来的一系列问题。在西方发达国家智能交通系统的推动下，其他各个国家也纷纷建立适用于自己国家的智能交通系统。 [0003] 车牌识别的主要问题是如何提高识别准确率和识别速度。随着计算机软硬件的快速发展，识别速度可以得到很大的提高，但是识别准确率依然是一个存在的重大问题。影响车牌识别准确与否的因素主要有三个，第一个是其所处环境条件，第二个是其车牌自身字符组成形式相关，第三个是国内车况条件的影响。 [0004] 从车辆所处环境条件的角度来考虑，在全天候条件下，车辆图像背景的复杂、天气的阴晴变化、光照的强弱变化、车辆的高速行驶等很多实际因素都会导致采集到的图像质量不高，例如图像模糊、噪声干扰大等，这直接导致了识别系统识别率的低下。 [0005] 从车牌自身组成的角度来考虑，中国车牌由汉字、字母、阿拉伯数字三类字符混合组成。其中，中国车牌中使用到的汉字较多，并且笔划也比较多，而汉字与字母、阿拉伯数字的识别非常不一样，这不仅增大了字符识别的复杂度，也会导致识别系统识别率低下。另外，国内标准车牌针对不同车型和不用用途规定了多种车牌格式，例如军用车、警车、驾校车辆、普通车辆、大型公共汽车等的牌照格式就各具特色。因此，找到一种可以准确并且高效的识别方法就更加困难。基于上述的这些现状，提出了基于分级分类的相似车牌字符识别算法。 [0006] 本申请的一种基于动态匹配因子的模糊车牌识别算法，首先建立相似字符集合，对车牌的字符图像和模板库的字符图像按照边框比例缩放，归一化为16*20 ；对车牌图像出理后得到P个归一化后的二值图像，每个二值化图像与模板库的 Q个字符进行匹配，通过匹配因子一识别出每个二值化图像的字符，判断识别的字符是否属于某个相似字符集合，并且计算该字符与模板库对应的字符的匹配因子二，匹配因子二不大于0 .13则进入神经网络识别过程，如果匹配因子二大于0 .13，时，属于相似字符集合则进入相似字符的局部特征匹配进行二次识别，如果不属于相似字符集合，则直接输出识别结果，车牌识别的准确率得到了很大的提高，并具有良好的鲁棒性和实时性。

基于强化学习的个人信用评分系统

基于强化学习的个人信用评分系统个人信用评分是衡量个人信用状况的一种方法，对于金融机构和其他组织来说具有重要的意义。

随着数字化时代的到来，传统的信用评分模型已经难以满足日益增长的数据需求和复杂性，因此基于强化学习的个人信用评分系统应运而生。

一、引言个人信用评分是评估个人信用状况的一种手段，通过收集个人的信用相关数据，如个人借贷记录、消费行为等，综合计算得出一个信用分数。

传统的个人信用评分模型通常使用统计学方法进行建模和评估，然而，这些模型在应对大规模数据、复杂关系和非线性的情况下存在局限性。

基于强化学习的个人信用评分系统能够通过学习和调整个人信用评分模型来适应不同的情境，并提供更加准确和可靠的信用评分。

二、强化学习在个人信用评分中的应用强化学习是一种机器学习方法，通过与环境的交互来学习如何做出最优的决策。

个人信用评分可以被视为一个强化学习问题，其中个人的信用行为可以被认为是个体与环境的交互过程。

强化学习通过建立状态、动作和奖励之间的映射关系，来学习最佳的信用评分策略。

在个人信用评分系统中，环境状态可以包括个人的借贷记录、消费行为等信息，动作可以是调整信用评分模型的参数或规则，奖励可以是个人信用表现的好坏。

三、强化学习算法在个人信用评分系统中的设计基于强化学习的个人信用评分系统需要设计合适的算法来实现优化个人信用评分的目标。

常用的强化学习算法包括Q-learning、深度强化学习等。

在个人信用评分系统中，可以使用Q-learning来学习评分模型的参数，通过与环境的交互，不断更新Q值来获得最优的个人信用评分模型。

同时，结合深度强化学习的方法，可以使用神经网络来表达个人信用评分模型，从而提高评分模型的表达能力和准确性。

四、强化学习个人信用评分系统的优势相比传统的个人信用评分模型，基于强化学习的个人信用评分系统具有以下优势：1. 适应性强: 强化学习个人信用评分系统可以通过学习和调整模型参数来适应不同的信用状况和环境变化。

一种基于动态扩展模型的实时信用分析方法及系统[发明专利]

专利名称：一种基于动态扩展模型的实时信用分析方法及系统专利类型：发明专利
发明人：陈可心,黄刚
申请号：CN201910809997.8
申请日：20190829
公开号：CN110827111A
公开日：
20200221
专利内容由知识产权出版社提供
摘要：本发明公开了一种基于动态扩展模型的实时信用分析方法及系统，包括采集用户基础信用信息，根据用户基础信用信息建立信用扩展分析模型，通过机器学习算法确定信用扩展分析模型的相关参数，进而确定最终的信用扩展分析模型，将最终的信用扩展分析模型加载在Flink流式信用计算平台上，根据输入的用户基础信用信息通过最终的信用扩展分析模型得到信用评估。

本发明能够方便增加信用评估维度，得到的信用结果是基于更全维度、更接近事实的模型、对历史信用行为时效性评估，在实时计算平台的支持下，可以快速得到信用评估结果。

申请人：南京邮电大学
地址：210023 江苏省南京市栖霞区亚东新城区文苑路9号
国籍：CN
代理机构：南京瑞弘专利商标事务所(普通合伙)
代理人：彭雄
更多信息请下载全文后查看。

基于个人医疗行为的动态信用评价方法及评价系统[发明专利]

专利名称：基于个人医疗行为的动态信用评价方法及评价系统专利类型：发明专利
发明人：金以东,王语莫,周大胜
申请号：CN201911079748.4
申请日：20191107
公开号：CN110827942A
公开日：
20200221
专利内容由知识产权出版社提供
摘要：本申请提供一种基于个人医疗行为的动态信用评价方法及评价系统，其包括以下步骤：建立多维度的医疗行为规范表，并为医疗行为规范表中的各种医疗行为设置权重系数和时间系数；预设医疗行为数据采集的时间段，根据医疗行为规范表对被评价人在预设的时间段内的医疗行为数据进行采集，并生成医疗行为记录表；基于医疗行为记录表，采用遗忘函数计算被评价人的信用得分；基于具体应用场景设置分数区间，结合被评价人的信用得分对其信用等级进行评定。

本申请使得医疗服务领域的信用评价更加科学合理，促进被评价人持续地履约，能够鼓励曾有失信记录的人或单位继续履约，从而减轻社会医疗负担，节约社会医疗开支。

申请人：南京远致数据技术有限公司
地址：210000 江苏省南京市江北新区滨江大道396号扬子江新金融创意街区1号楼未客空间C11国籍：CN
代理机构：北京科石知识产权代理有限公司
代理人：李艳霞
更多信息请下载全文后查看。

1、下载文档前请自行甄别文档内容的完整性，平台不提供额外的编辑、内容补充、找答案等附加服务。
2、"仅部分预览"的文档,不可在线预览部分如存在完整性等问题,可反馈申请退款(可完整预览的文档不适用该条件!)。
3、如文档侵犯您的权益，请联系客服反馈,我们会尽快为您处理(人工客服工作时间：9:00-18:30)。

(19)中华人民共和国国家知识产权局
(12)发明专利申请
(10)申请公布号 (43)申请公布日 (21)申请号 201910124383.6
(22)申请日 2019.02.18
(71)申请人南京务本信息科技有限责任公司
地址 210014 江苏省南京市光华路129-3南
京理工大学科技园A2-301
(72)发明人沈强　马守明　姜萍　
(74)专利代理机构深圳市深联知识产权代理事
务所(普通合伙) 44357
代理人张琪
(51)Int.Cl.
G06Q 40/02(2012.01)
(54)发明名称
一种基于动态集对分析的个人信用评估方
法及系统
(57)摘要
本发明属于个人征信技术领域，涉及一种基
于动态集对分析的个人信用评估方法及系统。

所
述基于动态集对分析的个人信用评估方法，包括
校验步骤，接收个人信用评估申请，并对申请身
份校验；信用评估过程，从数据库读取被申请人
的历史信用信息，利用动态集对分析模型对被申
请人的历史信用信息进行信用评估；生成评估报
告，根据信用评估结果生成信用评估报告。

本发
明通过动态集对分析，对个人历史信用信息中的
确定性和不确定性进行综合考虑，使本发明更具
普适性和更加准确。

权利要求书2页说明书7页附图1页CN 109872231 A 2019.06.11
C N 109872231
A
1.一种基于动态集对分析的个人信用评估方法，其特征在于，包括以下步骤，校验步骤，接收个人信用评估申请，并对申请身份校验；
信用评估过程，从数据库读取被申请人的历史信用信息，利用动态集对分析模型对被申请人的历史信用信息进行信用评估；
生成评估报告，根据信用评估结果生成信用评估报告。

2.根据权利要求1所述的基于动态集对分析的个人信用评估方法，其特征在于，所述新颖评估过程包括，
计算t时刻被申请人的信用集对的联系度；
分别计算被申请人信用集对中相同特性、相异特性和相反特性在t+T周期内的转移向量；
计算t+T时刻信用集对的联系度，并计算稳态时信用集对的联系度。

3.根据权利要求2所述的基于动态集对分析的个人信用评估方法，其特征在于，所述t
时刻的信用集对的联系度，
式中
其中μt 表示t时刻的信用集对的联系度；其中N代表信用集对中的特性个数，S t 表示t时刻相同特性个数，P t 表示t时刻相异特性个数，Q t 表示t时刻相反特性个数；a t ＝S t /N，b t ＝P t /N，c t ＝Q t /N；
其中表示信用集对中各特性在t时刻重编后的各序号对应的权重；i为差异度系数，j为对立度系数。

4.根据权利要求2所述的基于动态集对分析的个人信用评估方法，其特征在于，所述相
同特性的转移向量，
其中表示S t 在[t，t+T]周期内的转移向量；S t 表示t时刻相同特性的个数，S t1表示在t+T时刻相同特性的个数，S t2表示在[t，t+T]周期内相同特性变为相异特性的个数，所述S t3表示在[t，t+T]周期内相同特性变为相反特性的个数，S t1+S t2+S t3＝S t ；
其中
5.根据权利要求2所述的基于动态集对分析的个人信用评估方法，其特征在于，所述t+T时刻信用集对的联系度，
μt+T ＝a t+T +b t+T i+c t+T j＝(a t ，b t ，c t )oMo(l，i，j)
其中M是集对H在[t，t+T]期间的同异反转移矩阵。

6.根据权利要求1所述的基于动态集对分析的个人信用评估方法，其特征在于，所述生成评估报告过程包括，
根据信用集对中的相同特性和相反特性计算各时刻的集对势；
计算信用集对在稳态时的稳态势；
并将各集对势与稳态势进行对比，统计对比结果，生成信用评估报告。

权　利　要　求　书1/2页2CN 109872231 A。