一种企业信用等级的计算方法、装置、存储介质及终端与流程
本发明涉及计算机技术领域，特别涉及一种企业信用等级的计算方法、装置、存储介质及终端。
背景技术：
随着经济的快速发展，越来越多的中小型企业出现在大众视野，对于刚成立的中小型企业或需要业务扩展的中小型企业来说，需要大量的资金投入用于企业的快速发展，当企业资金不充足时就需要在银行贷款，银行贷款时需要针对企业的资质进行评估，根据评估结果确定是否贷款以及贷款的具体额度。
在现有的评估技术方案中，一般通过人工获取企业的信息通过开研讨会的方式进行评估，评估过程需要浪费大量的人力、财力、时间和精力，从而降低了评估效率，进一步影响了贷款效率。
其次，现有技术中出现了一种基于大数据的企业信用评估方法。包括：a1、得到影响企业信用的影响因素和数据；a2、根据层次分析模型构建指标体系，对指标体系中的偿债环境、偿债来源、财富创造能力和偿债能力的众多影响因子的权重进行计算，以专家打分和层次分析相结合的方法确定权重；a3、使影响因子在学习样本中用机器学习的方法训练权重，用期望输出与实际输出的差异引导学习过程，不断调整权重，使得权重随环境的变化纠正偏差，得到更精准的信用级别；a4、计算企业信用的偏离度，通过函数预测算法确定未来周期内受评主体的信用情况，进行企业信用风险预测；a5、根据企业用户的影响因素和数据、影响企业信用因素的权重系数等分析当前企业信用水平并生成评估报告。由于该方案在训练模型的过程中需要收集较多信息，没有对专业领域的企业的有针对性的处理，模型对所有类型的企业均适用，专家打分难以做到全面、客观、公正，评估流程可能较长，且模型的可解释性不强。
因此，如何找到一种有效的方法，实现高效率企业信用评估为亟待解决的问题。
技术实现要素：
本申请实施例提供了一种企业信用等级的计算方法、装置、存储介质及终端。为了对披露的实施例的一些方面有一个基本的理解，下面给出了简单的概括。该概括部分不是泛泛评述，也不是要确定关键/重要组成元素或描绘这些实施例的保护范围。其唯一目的是用简单的形式呈现一些概念，以此作为后面的详细说明的序言。
第一方面，本申请实施例提供了一种企业信用等级的计算方法，该方法包括：
获取目标企业的运营数据和车辆运行信息；
均值化运营数据和车辆运行信息中所包含的离散值与连续值，生成目标企业的目标数据；
从目标企业的目标数据中提取多种预设决策树类型对应的特征向量，生成多种特征向量；
将多种特征向量输入预先训练的企业信用计算模型中，输出目标企业对应的信用等级；其中，企业信用计算模型采用决策树算法创建而成。
可选的，方法还包括：
根据目标企业对应的信用等级进行企业信用风险预测，生成预测报告；
将风险报告发送至相关银行进行贷款评估。
可选的，获取目标企业的运营数据和车辆运行信息之前，还包括：
采集第一数量企业的基础信息；
预处理第一数量企业的基础信息，生成模型训练样本与模型测试样本；
采用决策树算法创建企业信用计算模型；
将模型训练样本输入企业信用计算模型中进行训练，生成训练后的企业信用计算模型；其中，训练后的企业信用计算模型中包括决策树结构和各个属性的权重信息；
基于决策树结构和各个属性的权重信息针对模型测试样本进行测试，生成置信度；
根据置信度生成预先训练的企业信用计算模型。
可选的，预处理第一数量企业的基础信息，生成模型训练样本与模型测试样本，包括：
从第一数量企业的基础信息中获取预设时间段的基础信息，生成第一数量企业的周期基础信息；
将第一数量企业的周期基础信息进行清洗过滤，并将清洗过滤后的第一数量企业的周期基础信息中所包含的多个数值指标进行归一化或离散化处理生成处理后的第一数量企业的周期基础信息；
接收信息选择指令，并基于信息选择指令从处理后的第一数量企业的周期基础信息中确定出第二数量企业的周期基础信息；第二数量企业的个数小于第一数量企业的个数；
将第二数量企业的周期基础信息进行信用评级以及分类标注，生成第二数量企业的信用评级分类信息；
将第二数量企业的信用评级分类信息按照预先设定的比例进行计算，生成模型训练样本与模型测试样本。
可选的，根据置信度生成预先训练的企业信用计算模型，包括：
当置信度大于等于预先设定的阈值时，将训练后的企业信用计算模型确定为预先训练的企业信用计算模型；
将预先训练的企业信用计算模型部署于企业授信业务中运行；或者，
当置信度小于预先设定的阈值时，继续执行将模型训练样本输入企业信用计算模型中进行训练的步骤，直到置信度大于等于预先设定的阈值时停止训练。
可选的，企业信用计算模型包括数据分析层、特征选择层以及决策树创建层；
将模型训练样本输入企业信用计算模型中进行训练，生成训练后的企业信用计算模型，包括：
数据分析层分析模型训练样本是否满足设定的多个条件；
若满足，数据分析层计算训练样本对应的信息熵；
数据分析层根据信息熵计算训练样本对应的信息增益；
特征选择层从训练样本对应的信息增益选择最高的信息增益生成目标特征；
决策树创建层基于目标特征针对模型训练样本进行从上至下的递归计算生成决策树，并将决策树确定为训练后的企业信用计算模型。
可选的，基础信息包括企业的基本信息、资产信息、经营信息以及偿还信息。
第二方面，本申请实施例提供了一种企业信用等级的计算装置，该装置包括：
数据获取模块，用于获取目标企业的运营数据和车辆运行信息；
数据均值化模块，用于均值化运营数据和车辆运行信息中所包含的离散值与连续值，生成目标企业的目标数据；
特征向量提取模块，用于从目标企业的目标数据中提取多种预设决策树类型对应的特征向量，生成多种特征向量；
信用等级输出模块，用于将多种特征向量输入预先训练的企业信用计算模型中，输出目标企业对应的信用等级；其中，企业信用计算模型采用决策树算法创建而成。
第三方面，本申请实施例提供一种计算机存储介质，计算机存储介质存储有多条指令，指令适于由处理器加载并执行上述的方法步骤。
第四方面，本申请实施例提供一种终端，可包括：处理器和存储器；其中，存储器存储有计算机程序，计算机程序适于由处理器加载并执行上述的方法步骤。
本申请实施例提供的技术方案可以包括以下有益效果：
在本申请实施例中，企业信用等级的计算装置首先获取目标企业的运营数据和车辆运行信息，再均值化运营数据和车辆运行信息中所包含的离散值与连续值，生成目标企业的目标数据，然后从目标企业的目标数据中提取多种预设决策树类型对应的特征向量，生成多种特征向量，最后将多种特征向量输入预先训练的企业信用计算模型中，输出目标企业对应的信用等级。因此，采用本申请实施例，由于本申请通过获取企业的基础信息来训练基于决策树创建的模型，使得模型具备企业信用等级计算的能力，通过训练后的模型可以基于目标企业的基础数据快速分析出该企业的信用等级，最终有关银行可通过信用等级进行贷款评估，从而降低了银行贷款风险。
应当理解的是，以上的一般描述和后文的细节描述仅是示例性和解释性的，并不能限制本发明。
附图说明
此处的附图被并入说明书中并构成本说明书的一部分，示出了符合本发明的实施例，并与说明书一起用于解释本发明的原理。
图1是本申请实施例提供的一种企业信用等级的计算方法的流程示意图；
图2是本申请实施例提供的一种决策树构建的方法流程示意框图；
图3是本申请实施例提供的一种从样本企业中提取的特征维度和标签数据构成的全部样本对应的决策树模型的示意图；
图4是一种企业信用等级的计算模型训练方法的流程示意图；
图5是本申请实施例提供的一种企业信用等级的计算装置的装置示意图；
图6是本申请实施例提供的一种终端的结构示意图。
具体实施方式
以下描述和附图充分地示出本发明的具体实施方案，以使本领域的技术人员能够实践它们。
应当明确，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其它实施例，都属于本发明保护的范围。
下面的描述涉及附图时，除非另有表示，不同附图中的相同数字表示相同或相似的要素。以下示例性实施例中所描述的实施方式并不代表与本发明相一致的所有实施方式。相反，它们仅是如所附权利要求书中所详述的、本发明的一些方面相一致的装置和方法的例子。
在本发明的描述中，需要理解的是，术语“第一”、“第二”等仅用于描述目的，而不能理解为指示或暗示相对重要性。对于本领域的普通技术人员而言，可以具体情况理解上述术语在本发明中的具体含义。此外，在本发明的描述中，除非另有说明，“多个”是指两个或两个以上。“和/或”，描述关联对象的关联关系，表示可以存在三种关系，例如，a和/或b，可以表示：单独存在a，同时存在a和b，单独存在b这三种情况。字符“/”一般表示前后关联对象是一种“或”的关系。
本申请提供的技术方案中，由于本申请通过获取企业的基础信息来训练基于决策树创建的模型，使得模型具备企业信用等级计算的能力，通过训练后的模型可以基于目标企业的基础数据快速分析出该企业的信用等级，最终有关银行可通过信用等级进行贷款评估，从而降低了银行贷款风险，下面采用示例性的实施例进行详细说明。
下面将结合附图1-附图4，对本申请实施例提供的企业信用等级的计算方法进行详细介绍。该方法可依赖于计算机程序实现，可运行于基于冯诺依曼体系的企业信用等级的计算装置上。该计算机程序可集成在应用中，也可作为独立的工具类应用运行。其中，本申请实施例中的企业信用等级的计算装置可以为用户终端，包括但不限于：个人电脑、平板电脑、手持设备、车载设备、可穿戴设备、计算设备或连接到无线调制解调器的其它处理设备等。在不同的网络中用户终端可以叫做不同的名称，例如：用户设备、接入终端、用户单元、用户站、移动站、移动台、远方站、远程终端、移动设备、用户终端、终端、无线通信设备、用户代理或用户装置、蜂窝电话、无绳电话、个人数字处理(personaldigitalassistant，pda)、5g网络或未来演进网络中的终端设备等。
请参见图1，为本申请实施例提供了一种企业信用等级的计算方法的流程示意图。如图1所示，本申请实施例的方法可以包括以下步骤：
s101，获取目标企业的运营数据和车辆运行信息；
其中，目标企业为需要进行信用等级计算的待评估企业。在本申请中，可以是物流企业。
通常，该物流企业的运营数据可以通过爬虫技术进行抓取，或通过银行渠道进行收集，该企业车辆运行信息通过定位设备实时反馈至公司内的数据中心，该数据中心也可以为专业评估公司的数据中心。
在一种可能的实现方式中，当物流企业需要在银行贷款时，银行首先需要委托专业评估公司对该物流企业进行企业信用等级进行评估或计算，在进行评估或计算时，首先需要通过爬虫技术或银行渠道采集该物流企业的运营数据，然后通过运营数据中的车辆标识从数据中心加载该物流公司车辆的车辆运行信息，最后将运营数据与车辆运行信息确定为该企业的运营数据和车辆运行信息。
s102，均值化运营数据和车辆运行信息中所包含的离散值与连续值，生成目标企业的目标数据；
其中，离散值就是离散型变量，是孤立的点集,像区间,它在每一点上都是离散的。连续值为连续型变量，连续型变量的域(即对象的集合s)是连续的。
在一种可能的实现方式中，在根据步骤s101获取到目标企业的运营数据和车辆运行信息后，该信息中包含离散值与连续值，需要通过统计学的方式将离散值与连续值进行均值化处理。
进一步地，均值化处理可以为去均值、归一化以及pca/白化等方式。
s103，从目标企业的目标数据中提取多种预设决策树类型对应的特征向量，生成多种特征向量；
其中，多种预设决策树类型为预先设定的多种决策树类型参数。特征向量是根据多种决策树类型参数从目标数据中提取的向量值。通常，特征向量的提取可以通过深度学习的方式进行提取。
在一种可能的实现方式中，在基于步骤s102得到目标数据后，首先对目标数据通过深度学习的方式生成特征向量矩阵，可以先计算矩阵中每一列特征的平均值，然后每一维度都需要减去该列的特征平均值，再计算特征的协方差矩阵，其次针对协方差矩阵进行特征值和特征向量的计算，再对计算得到的特征值进行从大到小的排序，再取出前k个特征向量和特征值，并进行回退，即得到了降维后的特征矩阵，再获取预先设定的多种预设决策树类型，最后基于多种预设决策树类型从降维后的特征矩阵挑取多种特征向量。
s104，将多种特征向量输入预先训练的企业信用计算模型中，输出目标企业对应的信用等级；
其中，企业信用计算模型采用决策树算法创建而成。
通常，预先训练的企业信用计算模型生成时，首先采集第一数量企业的基础信息，再预处理第一数量企业的基础信息，生成模型训练样本与模型测试样本，然后采用决策树算法创建企业信用计算模型，再将模型训练样本输入企业信用计算模型中进行训练，生成训练后的企业信用计算模型；其中，训练后的企业信用计算模型中包括决策树结构和各个属性的权重信息，其次基于决策树结构和各个属性的权重信息针对模型测试样本进行测试，生成置信度，最后根据置信度生成预先训练的企业信用计算模型。
进一步地，在生成模型训练样本与模型测试样本时，首先从第一数量企业的基础信息中获取预设时间段的基础信息，生成第一数量企业的周期基础信息，再将第一数量企业的周期基础信息进行清洗过滤，并将清洗过滤后的第一数量企业的周期基础信息中所包含的多个数值指标进行归一化或离散化处理生成处理后的第一数量企业的周期基础信息，然后接收信息选择指令，并基于信息选择指令从处理后的第一数量企业的周期基础信息中确定出第二数量企业的周期基础信息；第二数量企业的个数小于第一数量企业的个数，其次将第二数量企业的周期基础信息进行信用评级以及分类标注，生成第二数量企业的信用评级分类信息，最后将第二数量企业的信用评级分类信息按照预先设定的比例进行计算，生成模型训练样本与模型测试样本。其中基础信息包括企业的基本信息、资产信息、经营信息以及偿还信息；基本信息包括企业成立年限、注册资本等信息；资产信息主要包括企业名下车辆信息及变化情况；经营信息包括分时段、分道路类型的行驶时长、里程，途径频次较高的省市、停靠地点等信息；偿还信息包括部分贷款消费、还款信息等。
进一步地，在根据置信度生成预先训练的企业信用计算模型时，首先当置信度大于等于预先设定的阈值时，将训练后的企业信用计算模型确定为预先训练的企业信用计算模型，然后将预先训练的企业信用计算模型部署于企业授信业务中运行；或者当置信度小于预先设定的阈值时，继续执行将模型训练样本输入企业信用计算模型中进行训练的步骤，直到置信度大于等于预先设定的阈值时停止训练。
进一步地，企业信用计算模型包括数据分析层、特征选择层以及决策树创建层，在将模型训练样本输入企业信用计算模型中进行训练时，数据分析层首先分析模型训练样本是否满足设定的多个条件，若满足时，数据分析层再计算训练样本对应的信息熵，数据分析层然后根据信息熵计算训练样本对应的信息增益，通过特征选择层从训练样本对应的信息增益选择最高的信息增益生成目标特征，最后通过决策树创建层基于目标特征针对模型训练样本进行从上至下的递归计算生成决策树，并将决策树确定为训练后的企业信用计算模型，例如图2所示，图2是本申请提供的一种决策树构建的方法流程示意框图，首先创建节点n，再判断训练样本中的数据集是否为空，是则返回节点n，否则进一步判断训练样本中的样本类型是否为c类，是则返回节点n，否则进一步判断训练样本中的属性列表是否为空，是则标记n为数据集，否则进一步判断训练样本中的属性是否为连续型，是则进行离散化处理，否则进一步根据公式计算属性列表，最后选择信息增益率最高的计算结果，最后生成决策树。
具体的，训练样本对应的信息熵可定义为：
在一种可能的实现方式中，本申请中信用计算算法选取部分真实企业作为样本，依据企业的基本信息、使用金融产品的履约情况和能够从互联网搜索到的公开信息作为评级依据，首先进行人工标注信用等级。采用国际国内通行的“四等十级制”，将企业信息等级从“a”到“d”计算为4个级别：
a级：诚信，即企业经济指标很好，运营稳定，盈利能力强，使用金融产品履约能力强；
b级：守信，即企业经济指标良好，运营较为稳定，偶尔存在波动，但无违约行为；
c级：信用警示，即运营能力不稳定，偿债能力存在一定范围的波动，导致产生部分违约行为；
d级：失信，即企业已不具备基本的偿债能力，处于破产或接近破产的状态。
例如，将企业的信用等级按照企业在经营活动中的置信度，通过数据评估和分析设定等级划分的阈值范围：
a级：借款额度>c，且无逾期行为；
b级：借款额度<＝c，且无逾期行为；
c级：逾期比率<＝p；
d级：逾期比率>p；
其中，c为具体额度值，p为比率，取值范围在[0,1]。进一步提取样本企业的特征维度和标签数据构成全部样本，从全体样本中抽取2/3的样本作为训练数据集，根据这些训练数据训练决策树模型。使用训练好的模型对剩余的1/3样本进行推断，并与人工标注的分类信息进行对比，代入后对模型进行评价。将模型应用于样本之外的真实企业以验证其准确度，对比模型分类结果与企业在金融产品中的真实信用等级，准确率可达78％左右。由此可知，此模型可用于符合一定特征的中小物流企业信用风险的评估，其结果可作为对企业进行金融授信的辅助判断依据之一。
例如，从样本企业中提取的特征维度和标签数据构成的全部样本，包括注册资本、成立年限、车辆数、月运营车辆数、月运营里程、月高速里程、平均借贷周期、有无公开风险信息等特征向量，如下表：
上述表格中，v1和v2为具体数值，且满足v1<v2。
上述表格中全部样本对应的决策树模型如图3所示，信用等级的决策树模型评价过程如下：
首先，第一级对注册资本进行评价，当注册资本达到v2+时，进入第二级评价；
其次，当车辆数达到v2+时，进入第三级评价；
之后，当运营里程达到[v1，v2)或v2+时，进入第四级评价；
最后，当运营里程达到[v1，v2),高速里程达到[v1,v2)时，得到b级信用等级评价结果；当运营里程达到[v1，v2),高速里程达到[0,v1)时，得到c级信用等级评价结果；当运营里程达到v2+，无风险或低风险时，得到a级信用等级评价结果；当运营里程达到v2+，高风险时，得到c级信用等级评价结果。进一步地，在确定出目标企业信用等级后，可根据目标企业对应的信用等级进行企业信用风险预测，生成预测报告，最后将风险报告发送至相关银行进行贷款评估。
在本申请实施例中，企业信用等级的计算装置首先获取目标企业的运营数据和车辆运行信息，再均值化运营数据和车辆运行信息中所包含的离散值与连续值，生成目标企业的目标数据，然后从目标企业的目标数据中提取多种预设决策树类型对应的特征向量，生成多种特征向量，最后将多种特征向量输入预先训练的企业信用计算模型中，输出目标企业对应的信用等级。由于本申请通过获取企业的基础信息来训练基于决策树创建的模型，使得模型具备企业信用等级计算的能力，通过训练后的模型可以基于目标企业的基础数据快速分析出该企业的信用等级，最终有关银行可通过信用等级进行贷款评估，从而降低了银行贷款风险。
请参见图4，为本申请实施例提供了一种企业信用等级的计算模型训练方法的流程示意图。如图4所示，本申请实施例的方法可以包括以下步骤：
s201，采集第一数量企业的基础信息；
s202，从第一数量企业的基础信息中获取预设时间段的基础信息，生成第一数量企业的周期基础信息；
s203，将第一数量企业的周期基础信息进行清洗过滤，并将清洗过滤后的第一数量企业的周期基础信息中所包含的多个数值指标进行归一化或离散化处理生成处理后的第一数量企业的周期基础信息；
s204，接收信息选择指令，并基于信息选择指令从处理后的第一数量企业的周期基础信息中确定出第二数量企业的周期基础信息；第二数量企业的个数小于第一数量企业的个数；
s205，将第二数量企业的周期基础信息进行信用评级以及分类标注，生成第二数量企业的信用评级分类信息；
s206，将第二数量企业的信用评级分类信息按照预先设定的比例进行计算，生成模型训练样本与模型测试样本；
s207，采用决策树算法创建企业信用计算模型；
s208，将模型训练样本输入企业信用计算模型中进行训练，生成训练后的企业信用计算模型；其中，训练后的企业信用计算模型中包括决策树结构和各个属性的权重信息；
s209，基于决策树结构和各个属性的权重信息针对模型测试样本进行测试，生成置信度；
s210根据置信度生成预先训练的企业信用计算模型。
在本申请实施例中，企业信用等级的计算装置首先获取目标企业的运营数据和车辆运行信息，再均值化运营数据和车辆运行信息中所包含的离散值与连续值，生成目标企业的目标数据，然后从目标企业的目标数据中提取多种预设决策树类型对应的特征向量，生成多种特征向量，最后将多种特征向量输入预先训练的企业信用计算模型中，输出目标企业对应的信用等级。由于本申请通过获取企业的基础信息来训练基于决策树创建的模型，使得模型具备企业信用等级计算的能力，通过训练后的模型可以基于目标企业的基础数据快速分析出该企业的信用等级，最终有关银行可通过信用等级进行贷款评估，从而降低了银行贷款风险。
下述为本发明装置实施例，可以用于执行本发明方法实施例。对于本发明装置实施例中未披露的细节，请参照本发明方法实施例。
请参见图5，其示出了本发明一个示例性实施例提供的企业信用等级的计算装置的结构示意图。该企业信用等级的计算装置可以通过软件、硬件或者两者的结合实现成为终端的全部或一部分。该装置1包括数据获取模块10、数据均值化模块20、特征向量提取模块30、信用等级输出模块40。
数据获取模块10，用于获取目标企业的运营数据和车辆运行信息；
数据均值化模块20，用于均值化运营数据和车辆运行信息中所包含的离散值与连续值，生成目标企业的目标数据；
特征向量提取模块30，用于从目标企业的目标数据中提取多种预设决策树类型对应的特征向量，生成多种特征向量；
信用等级输出模块40，用于将多种特征向量输入预先训练的企业信用计算模型中，输出目标企业对应的信用等级；其中，企业信用计算模型采用决策树算法创建而成。
需要说明的是，上述实施例提供的企业信用等级的计算装置在执行企业信用等级的计算方法时，仅以上述各功能模块的计算进行举例说明，实际应用中，可以根据需要而将上述功能分配由不同的功能模块完成，即将设备的内部结构计算成不同的功能模块，以完成以上描述的全部或者部分功能。另外，上述实施例提供的企业信用等级的计算装置与企业信用等级的计算方法实施例属于同一构思，其体现实现过程详见方法实施例，这里不再赘述。
上述本申请实施例序号仅仅为了描述，不代表实施例的优劣。
在本申请实施例中，企业信用等级的计算装置首先获取目标企业的运营数据和车辆运行信息，再均值化运营数据和车辆运行信息中所包含的离散值与连续值，生成目标企业的目标数据，然后从目标企业的目标数据中提取多种预设决策树类型对应的特征向量，生成多种特征向量，最后将多种特征向量输入预先训练的企业信用计算模型中，输出目标企业对应的信用等级。由于本申请通过获取企业的基础信息来训练基于决策树创建的模型，使得模型具备企业信用等级计算的能力，通过训练后的模型可以基于目标企业的基础数据快速分析出该企业的信用等级，最终有关银行可通过信用等级进行贷款评估，从而降低了银行贷款风险。
本发明还提供一种计算机可读介质，其上存储有程序指令，该程序指令被处理器执行时实现上述各个方法实施例提供的企业信用等级的计算方法。本发明还提供了一种包含指令的计算机程序产品，当其在计算机上运行时，使得计算机执行上述各个方法实施例的企业信用等级的计算方法。
请参见图6，为本申请实施例提供了一种终端的结构示意图。如图6所示，终端1000可以包括：至少一个处理器1001，至少一个网络接口1004，用户接口1003，存储器1005，至少一个通信总线1002。
其中，通信总线1002用于实现这些组件之间的连接通信。
其中，用户接口1003可以包括显示屏(display)、摄像头(camera)，可选用户接口1003还可以包括标准的有线接口、无线接口。
其中，网络接口1004可选的可以包括标准的有线接口、无线接口(如wi-fi接口)。
其中，处理器1001可以包括一个或者多个处理核心。处理器1001利用各种借口和线路连接整个电子设备1000内的各个部分，通过运行或执行存储在存储器1005内的指令、程序、代码集或指令集，以及调用存储在存储器1005内的数据，执行电子设备1000的各种功能和处理数据。可选的，处理器1001可以采用数字信号处理(digitalsignalprocessing，dsp)、现场可编程门阵列(field-programmablegatearray，fpga)、可编程逻辑阵列(programmablelogicarray，pla)中的至少一种硬件形式来实现。处理器1001可集成中央处理器(centralprocessingunit，cpu)、图像处理器(graphicsprocessingunit，gpu)和调制解调器等中的一种或几种的组合。其中，cpu主要处理操作系统、用户界面和应用程序等；gpu用于负责显示屏所需要显示的内容的渲染和绘制；调制解调器用于处理无线通信。可以理解的是，上述调制解调器也可以不集成到处理器1001中，单独通过一块芯片进行实现。
其中，存储器1005可以包括随机存储器(randomaccessmemory，ram)，也可以包括只读存储器(read-onlymemory)。可选的，该存储器1005包括非瞬时性计算机可读介质(non-transitorycomputer-readablestoragemedium)。存储器1005可用于存储指令、程序、代码、代码集或指令集。存储器1005可包括存储程序区和存储数据区，其中，存储程序区可存储用于实现操作系统的指令、用于至少一个功能的指令(比如触控功能、声音播放功能、图像播放功能等)、用于实现上述各个方法实施例的指令等；存储数据区可存储上面各个方法实施例中涉及到的数据等。存储器1005可选的还可以是至少一个位于远离前述处理器1001的存储装置。如图6所示，作为一种计算机存储介质的存储器1005中可以包括操作系统、网络通信模块、用户接口模块以及企业信用等级的计算应用程序。
在图6所示的终端1000中，用户接口1003主要用于为用户提供输入的接口，获取用户输入的数据；而处理器1001可以用于调用存储器1005中存储的企业信用等级的计算应用程序，并具体执行以下操作：
获取目标企业的运营数据和车辆运行信息；
均值化运营数据和车辆运行信息中所包含的离散值与连续值，生成目标企业的目标数据；
从目标企业的目标数据中提取多种预设决策树类型对应的特征向量，生成多种特征向量；
将多种特征向量输入预先训练的企业信用计算模型中，输出目标企业对应的信用等级；其中，企业信用计算模型采用决策树算法创建而成。
在一个实施例中，处理器1001在执行输出目标企业对应的信用等级之后时，还执行以下操作：
根据目标企业对应的信用等级进行企业信用风险预测，生成预测报告；
将风险报告发送至相关银行进行贷款评估。
在一个实施例中，处理器1001在执行获取目标企业的运营数据和车辆运行信息之前时，具体执行以下操作：
采集第一数量企业的基础信息；
预处理第一数量企业的基础信息，生成模型训练样本与模型测试样本；
采用决策树算法创建企业信用计算模型；
将模型训练样本输入企业信用计算模型中进行训练，生成训练后的企业信用计算模型；其中，训练后的企业信用计算模型中包括决策树结构和各个属性的权重信息；
基于决策树结构和各个属性的权重信息针对模型测试样本进行测试，生成置信度；
根据置信度生成预先训练的企业信用计算模型。
在一个实施例中，处理器1001在执行预处理第一数量企业的基础信息，生成模型训练样本与模型测试样本时，具体执行以下操作：
从第一数量企业的基础信息中获取预设时间段的基础信息，生成第一数量企业的周期基础信息；
将第一数量企业的周期基础信息进行清洗过滤，并将清洗过滤后的第一数量企业的周期基础信息中所包含的多个数值指标进行归一化或离散化处理生成处理后的第一数量企业的周期基础信息；
接收信息选择指令，并基于信息选择指令从处理后的第一数量企业的周期基础信息中确定出第二数量企业的周期基础信息；第二数量企业的个数小于第一数量企业的个数；
将第二数量企业的周期基础信息进行信用评级以及分类标注，生成第二数量企业的信用评级分类信息；
将第二数量企业的信用评级分类信息按照预先设定的比例进行计算，生成模型训练样本与模型测试样本。
在一个实施例中，处理器1001在执行根据置信度生成预先训练的企业信用计算模型时，具体执行以下操作：
当置信度大于等于预先设定的阈值时，将训练后的企业信用计算模型确定为预先训练的企业信用计算模型；
将预先训练的企业信用计算模型部署于企业授信业务中运行；或者，
当置信度小于预先设定的阈值时，继续执行将模型训练样本输入企业信用计算模型中进行训练的步骤，直到置信度大于等于预先设定的阈值时停止训练。
在一个实施例中，处理器1001在执行将模型训练样本输入企业信用计算模型中进行训练，生成训练后的企业信用计算模型时，具体执行以下操作：
数据分析层分析模型训练样本是否满足设定的多个条件；
若满足，数据分析层计算训练样本对应的信息熵；
数据分析层根据信息熵计算训练样本对应的信息增益；
特征选择层从训练样本对应的信息增益选择最高的信息增益生成目标特征；
决策树创建层基于目标特征针对模型训练样本进行从上至下的递归计算生成决策树，并将决策树确定为训练后的企业信用计算模型。
在本申请实施例中，企业信用等级的计算装置首先获取目标企业的运营数据和车辆运行信息，再均值化运营数据和车辆运行信息中所包含的离散值与连续值，生成目标企业的目标数据，然后从目标企业的目标数据中提取多种预设决策树类型对应的特征向量，生成多种特征向量，最后将多种特征向量输入预先训练的企业信用计算模型中，输出目标企业对应的信用等级。由于本申请通过获取企业的基础信息来训练基于决策树创建的模型，使得模型具备企业信用等级计算的能力，通过训练后的模型可以基于目标企业的基础数据快速分析出该企业的信用等级，最终有关银行可通过信用等级进行贷款评估，从而降低了银行贷款风险。
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程，是可以通过计算机程序来指令相关的硬件来完成，企业信用等级的计算的程序可存储于计算机可读取存储介质中，该程序在执行时，可包括如上述各方法的实施例的流程。其中，的存储介质可为磁碟、光盘、只读存储记忆体或随机存储记忆体等。
以上所揭露的仅为本申请较佳实施例而已，当然不能以此来限定本申请之权利范围，因此依本申请权利要求所作的等同变化，仍属本申请所涵盖的范围。
- 还没有人留言评论。精彩留言会获得点赞！