一种房产交易中的贷款放款时长预测方法与流程

本发明涉及机器学习技术领域，尤其涉及一种房产交易中的贷款放款时长预测方法。

背景技术：

合同签后办理贷款的过程是房产交易中十分重要的一环。

当前，交易单贷款银行的选择大多凭借个人经验，因而无法保证每笔交易单均能够匹配到最合适的贷款银行，这直接导致了银行额度资源无法得到充分的利用，效率较低。此外，在交易单贷款办理过程，由于银行无法向交易顾问或客户提供清晰的流程预计办理时间，借贷方无法提前安排时间和准备材料，导致贷款办理放款时间延迟，用户体验较差。

技术实现要素：

本发明为解决现有技术中存在的问题，提供了一种房产交易中的贷款放款时长预测方法。

一方面，本发明提出一种房产交易中的贷款放款时长预测方法，包括：s01，将待预测的房源数据、客源数据和银行数据输入第一机器学习模型，获取各目标银行对应的放款条件达标时长；s02，将所述各目标银行对应的放款条件达标时长和当前额度使用量输入第二机器学习模型，获取各目标银行对应的放款时长。

优选地，所述第一机器学习模型通过以下步骤获取：s11，对第一样本数据进行特征筛选，获取第一训练数据；所述第一样本数据包括所述房源数据、客源数据、银行数据和放款条件达标时间对应的样本；s12，将所述第一训练数据输入gbdt模型进行参数训练，获取所述第一机器学习模型；所述第二机器学习模型通过以下步骤获取：s21，对第二样本数据进行特征筛选，获取第二训练数据，所述第二样本数据包括所述放款条件达标时间、放款时间和额度使用量对应的样本；s22，将所述第二训练数据输入gbdt模型进行参数训练，获取所述第二机器学习模型。

优选地，所述房源数据包括房源基本信息和业主信息，所述客源数据包括客户基本信息和信用信息，所述银行数据包括额度信息和政策信息。

优选地，所述步骤s11和s12前还包括：对所述第一样本数据和/或第二样本数据进行补全和去噪。

优选地，应用randomforest算法实现所述步骤s11和/或s21中的特征筛选。

优选地，应用历史交易单的统计数据和时间衰减函数获取所述放款条件达标时间和/或放款时间对应的样本；

所述时间衰减函数如下：

其中，t为时刻，t0为初始时刻，t(t)为t时刻的目标权重值，t(t0)为初始时刻的目标权重值，t(t0)＝100，k＝-ln(0.01/12)。

优选地，应用iforest算法对所述第一样本数据和/或第二样本数据进行去噪。

优选地，还包括：s03，根据所述所有银行的放款时间，获取预设数量个放款时间最短的银行。

另一方面，本发明提出一种基于房产交易的贷款时效预测设备，包括：至少一个处理器；以及与所述处理器通信连接的至少一个存储器，其中：所述存储器存储有可被所述处理器执行的程序指令，所述处理器调用所述程序指令能够执行如前所述的方法。

再一方面，本发明提出一种非暂态计算机可读存储介质，其特征在于，所述非暂态计算机可读存储介质存储计算机指令，所述计算机指令使所述计算机执行如前所述的方法。

本发明提供的一种基于房产交易的贷款时效预测方法，通过机器学习对房产交易贷款时效进行预测，为客户提供清晰的预计办理时间，相比人类经验预测更加准确，提高了客户体验度，为客户选择合适的贷款银行提供了科学依据，提高了贷款效率，保证了银行额度资源的充分利用。

附图说明

图1为本发明具体实施例的一种房产交易中的贷款放款时长预测方法的流程示意图；

图2为本发明具体实施例的一种房产交易中的贷款放款时长预测设备的结构示意图。

具体实施方式

下面结合附图和实施例，对本发明的具体实施方式作进一步详细描述。以下实施例用于说明本发明，但不用来限制本发明的范围。

图1为本发明具体实施例的一种房产交易中的贷款放款时长预测方法的流程示意图，如图1所示，一种基于房产交易的贷款时效预测方法，包括：s01，将待预测的房源数据、客源数据和银行数据输入第一机器学习模型，获取各目标银行的放款条件达标时长；s02，将所述各目标银行的放款条件达标时长和当前额度使用量输入第二机器学习模型，获取各目标银行的放款时长。

具体地，为了获取房产交易合同签订后办理贷款的预测时效放款时长，首先，将待预测房产交易合同中的房源数据、客源数据和银行数据输入第一机器学习模型，获取所述待预测房产交易合同对应的各目标银行的放款条件达标时长。此处，所述第一机器学习模型为以房源数据、客源数据和银行数据为输入参量，对应各目标银行预测的放款条件达标时长为输出量的机器学习模型，所述第一机器学习模型通过机器学习算法实现。

然后，将所述第一机器学习模型输出的各目标银行的放款条件达标时长和当前额度使用量输入第二机器学习模型，获取所述待预测房产交易合同对应的各目标银行的放款时长。此处，所述各目标银行的当前额度使用量能够通过所有在途已经达到放款条件但尚未放款的交易单计算得到，所述第二机器学习模型为以银行放款条件达标时长和当前额度使用量为输入参量，对应各个目标银行预测的放款时长为输出量的机器学习模型，所述第二机器学习模型通过机器学习算法实现。

本发明具体实施例中，通过机器学习对房产交易贷款时长进行预测，为客户提供清晰的预计办理时间，相比人类经验预测更加准确，提高了客户体验度，为客户选择合适的贷款银行提供了科学依据，提高了贷款效率，保证了银行额度资源的充分利用。

基于上述具体实施例，一种房产交易中的贷款放款时长预测方法，所述第一机器学习模型通过以下步骤获取：s11，对第一样本数据进行特征筛选，获取第一训练数据；所述第一样本数据包括所述房源数据、客源数据、银行数据和放款条件达标时长对应的样本；s12，将所述第一训练数据输入gbdt模型进行参数训练，获取所述第一机器学习模型；所述第二机器学习模型通过以下步骤获取：s21，对第二样本数据进行特征筛选，获取第二训练数据，所述第二样本数据包括所述放款条件达标时长、放款时长和额度使用量对应的样本；s22，将所述第二训练数据输入gbdt模型进行参数训练，获取所述第二机器学习模型。

具体地，所述第一机器学习模型用于根据待预测房产交易合同对应的房源数据、客源数据和银行数据对各目标银行的放款条件达标时长进行预测。所述第一机器学习模型通过下述步骤获取：

首先，获取第一样本数据，并对所述第一样本数据进行特征筛选，将经过特征筛选的第一样本数据作为第一训练数据。其中，所述第一样本数据包括历史交易单中对应的房源数据样本、客源数据样本、银行数据样本和放款条件达标时长样本。

其中，所述特征筛选是为了获取响应模型和算法最佳性能的特征集，常用的方法包括但不限于方差选择法、相关系数法、卡方检验法、互信息法、递归特征消除法、基于惩罚项的特征选择法和基于树模型的特征选择法等。

随后，将上述步骤中获取的第一训练数据输入gbdt模型进行参数训练，获取所述第一机器学习模型。其中，gbdt(gradientboostingdecisiontree)又名mart(multipleadditiveregressiontree)，是一种迭代的决策树算法，该算法由多棵决策树组成，所有树的结论累加起来做最终答案。gbdt通常用于回归预测。

所述第二机器学习模型用于根据待预测房产交易合同对应的银行放款条件达标时长和额度使用量对各目标银行的放款时长进行预测。所述第二机器学习模型的获取方法与所述第一机器学习模型类似：

首先，获取第二样本数据，并对所述第二样本数据进行特征筛选，将经过特征筛选的第二样本数据作为第二训练数据。其中，所述第二样本数据包括历史交易单中对应的放款条件达标时长样本、放款时长样本和额度使用量样本。

随后，将上述步骤中获取的第二训练数据输入gbdt模型进行参数训练，获取所述第二机器学习模型。

本发明具体实施例中，通过特征筛选和训练分别获取了基于gbdt的第一机器学习模型和第二机器学习模型，实现了高鲁棒性的贷款放款时长预测。

基于上述任一具体实施例，一种房产交易中的贷款放款时长预测方法，所述房源数据包括房源基本信息和业主信息，所述客源数据包括客户基本信息和信用信息，所述银行数据包括额度信息和政策信息。

具体地，所述房源数据包括房源基本信息和业主信息；本发明具体实施例中，所述房源基本信息包括房屋类型、房屋面积、房屋位置等，所述业主信息包括产权信息、婚姻状况等，且不限于此。

所述客源数据包括客户基本信息和信用信息；本发明具体实施例中，所述客户基本信息包括客户年龄、国籍等，信用信息包括客户信用卡数量、还贷逾期状况等，且不限于此。

所述银行数据包括额度信息和政策信息；本发明具体实施例中，所述额度信息包括各个目标银行当前额度和未来计划额度等，所述政策信息包括当前规定的放贷年龄要求等，且不限于此。

本发明具体实施例中，对预测时效需要的数据进行了限定，有助于提供更加精确的房产交易预测结果。

基于上述任一具体实施例，一种房产交易中的贷款放款时长预测方法，所述步骤s11和s12前还包括：对所述第一样本数据和/或第二样本数据进行补全和去噪。

具体地，在对所述第一样本数据和/或第二样本数据进行特征筛选和训练之前，对所述第一样本数据和/或第二样本数据进行补全和去噪。其中，样本数据可通过人工经验进行补全。

基于上述任一具体实施例，一种房产交易中的贷款放款时长预测方法，应用randomforest算法实现所述步骤s11和/或s21中的特征筛选。

具体地，randomforest即随机森林，在机器学习中，随机森林是一个包含多个决策树的分类器，并且其输出的类别是由个别树输出的类别的众数而定。

基于上述任一具体实施例，一种房产交易中的贷款放款时长预测方法，应用历史交易单的统计数据和时间衰减函数获取所述放款条件达标时长和/或放款时长对应的样本。

具体地，假设交易时长在时间上具有相关性，即当月交易时长会对未来月份上的交易时长造成影响，则应用历史交易单的统计数据和时间衰减函数计算获取放款条件达标时长样本和/或放款时长样本。

本发明具体实施例中，假设当月交易时长对未来月份交易时长的影响持续时长为12个月，则使用如下全衰期为12个月的时间衰减函数获取对应的时间样本：

其中，t为时刻，t0为初始时刻，t(t)为t时刻的目标权重值，t(t0)为初始时刻的目标权重值，t(t0)＝100，k＝-ln(0.01/12)。

上述时间衰减函数对当前时间之前12个月份内不同银行不同交易单对应的时长进行了衰减，获取了不同银行对应的时间样本。

本发明具体实施例中，通过应用时间衰减函数在预测模型中加入了交易时效的相关性，进一步提高了贷款时效预测的准确度。

基于上述任一具体实施例，一种房产交易中的贷款放款时长预测方法，应用iforest算法对所述第一样本数据和/或第二样本数据进行去噪。

具体地，iforest(isolationforest)即孤立森林，是一个基于ensemble的快速异常检测方法，具有线性时间复杂度和高精准度，是符合大数据处理要求的state-of-the-art算法。iforest算法可用于网络安全中的攻击检测、金融交易欺诈检测、疾病侦测和噪声数据过滤等。

基于上述任一具体实施例，一种房产交易中的贷款放款时长预测方法，还包括：s03，根据所述各目标银行的放款时长，获取预设数量个放款时长最短的银行。

具体地，在所述第二机器学习模型输出各目标银行对应的放款时长后，还能够根据上述预测的放款时长，在各目标银行中提取放款时长最短的预设数量个银行，并将所述预设数量个放款时长最短的银行推荐给客户，供客户进行选择。

例如，根据所述第二机器学习模型获取的各目标银行对应的放款时长，按照放款时长从短到长的顺序进行排序，选择序列中的前三所银行，即根据预测结果得出的放款时长最短的三所银行。

本发明具体实施例中，通过预测的放款时长为客户推荐银行，提高了贷款效率，优化了用户体验。

图2为本发明具体实施例的一种基于房产交易的贷款时效预测设备的结构示意图，如图2所示，该设备包括：至少一个处理器201；以及与所述处理器201通信连接的至少一个存储器202，其中：所述存储器202存储有可被所述处理器201执行的程序指令，所述处理器201调用所述程序指令能够执行上述各实施例所提供的网络设备配置核查的方法，例如包括：s01，将待预测的房源数据、客源数据和银行数据输入第一机器学习模型，获取各目标银行对应的放款条件达标时长；s02，将所述各目标银行对应的放款条件达标时长和当前额度使用量输入第二机器学习模型，获取各目标银行对应的放款时长。

本发明实施例还提供一种非暂态计算机可读存储介质，该非暂态计算机可读存储介质存储计算机指令，该计算机指令使计算机执行对应实施例所提供的视频码率自适应方法，例如包括：s01，将待预测的房源数据、客源数据和银行数据输入第一机器学习模型，获取各目标银行对应的放款条件达标时长；s02，将所述各目标银行对应的放款条件达标时长和当前额度使用量输入第二机器学习模型，获取各目标银行对应的放款时长。

本领域普通技术人员可以理解：实现上述方法实施例的全部或部分步骤可以通过程序指令相关的硬件来完成，前述的程序可以存储于一计算机可读取存储介质中，该程序在执行时，执行包括上述方法实施例的步骤；而前述的存储介质包括：rom、ram、磁碟或者光盘等各种可以存储程序代码的介质。

为了更好地理解与应用本发明提出的一种房产交易中的贷款放款时长预测方法，本发明进行以下示例，且本发明不仅局限于以下示例。

首先，将待预测房产交易合同中的房源数据、客源数据和银行数据输入第一机器学习模型，获取所述待预测房产交易合同对应的各目标银行的放款条件达标时长。

其中，所述房源数据包括房源基本信息和业主信息，所述房源基本信息包括房屋类型、房屋面积、房屋位置，所述业主信息包括产权信息、婚姻状况。所述客源数据包括客户基本信息和信用信息，所述客户基本信息包括客户年龄、国籍，信用信息包括客户信用卡数量、还贷逾期状况。所述银行数据包括额度信息和政策信息，所述额度信息包括各个银行当前额度和未来计划额度，所述政策信息包括当前规定的放贷年龄要求等。

其中，所述第一机器学习模型通过下述步骤获取：

s11，获取第一样本数据，对所述第一样本数据中的缺失数据进行补全，并应用iforest算法对所述第一样本数据进行去噪。所述第一样本数据包括历史交易单中对应的房源数据样本、客源数据样本、银行数据样本和放款条件达标时长样本。

s12，应用randomforest算法对所述第一样本数据进行特征筛选，将经过特征筛选的第一样本数据作为第一训练数据。

s13，将所述第一训练数据输入gbdt模型进行参数训练，获取所述第一机器学习模型。

然后，将所述第一机器学习模型输出的各目标银行的放款条件达标时长和当前额度使用量输入第二机器学习模型，获取所述待预测房产交易合同对应的各目标银行的放款时长。

其中，所述第二机器学习模型通过下述步骤获取：

s21，获取第二样本数据，对所述第二样本数据中的缺失数据进行补全，并应用iforest算法对所述第二样本数据进行去噪。所述第二样本数据包括历史交易单中对应的放款条件达标时长样本、放款时长样本和额度使用量样本。

s22，应用randomforest算法对所述第二样本数据进行特征筛选，将经过特征筛选的第二样本数据作为第二训练数据。

s23，将所述第二训练数据输入gbdt模型进行参数训练，获取所述第二机器学习模型。

需要注意的是，所述放款条件达标时长样本和放款时长样本在时间上具有相关性，本示例中假设当月交易时长对未来月份交易时长的影响持续时长为12个月，并应用如下全衰期为12个月的时间衰减函数获取对应的时间样本：

其中，t为时刻，t0为初始时刻，t(t)为t时刻的目标权重值，t(t0)为初始时刻的目标权重值，t(t0)＝100，k＝-ln(0.01/12)。

最后，根据所述第二机器学习模型获取的各目标银行对应的放款时长，按照放款时长从短到长的顺序进行排序，选择序列中的前三所银行，即根据预测结果得出的放款时长最短的三所银行，并将上述三所放款时长最短的银行推荐给客户，供客户进行选择。

本示例中，通过机器学习对房产交易贷款放款时长进行预测，为客户提供清晰的预计办理时间，相比人类经验预测更加准确，提高了客户体验度，为客户选择合适的贷款银行提供了科学依据，提高了贷款效率，保证了银行额度资源的充分利用。

最后，本申请的方法仅为较佳的实施方案，并非用于限定本发明的保护范围。凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。