1.一种企业信用等级的计算方法,其特征在于,所述方法包括:
获取目标企业的运营数据和车辆运行信息;
均值化所述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;
从所述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;
将所述多种特征向量输入预先训练的企业信用计算模型中,输出所述目标企业对应的信用等级;其中,所述企业信用计算模型采用决策树算法创建而成。
2.根据权利要求1所述的方法,其特征在于,所述方法还包括:
根据所述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;
将所述风险报告发送至相关银行进行贷款评估。
3.根据权利要求1所述的方法,其特征在于,所述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;
预处理所述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;
将所述模型训练样本输入所述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,所述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;
基于所述决策树结构和各个属性的权重信息针对所述模型测试样本进行测试,生成置信度;
根据所述置信度生成预先训练的企业信用计算模型。
4.根据权利要求3所述的方法,其特征在于,所述预处理所述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:
从所述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;
将所述第一数量企业的周期基础信息进行清洗过滤,并将所述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,并基于所述信息选择指令从所述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;所述第二数量企业的个数小于所述第一数量企业的个数;
将所述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;
将所述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。
5.根据权利要求3所述的方法,其特征在于,所述根据所述置信度生成预先训练的企业信用计算模型,包括:
当所述置信度大于等于预先设定的阈值时,将所述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;
将所述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,
当所述置信度小于预先设定的阈值时,继续执行所述将所述模型训练样本输入所述企业信用计算模型中进行训练的步骤,直到所述置信度大于等于所述预先设定的阈值时停止训练。
6.根据权利要求3所述的方法,其特征在于,所述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;
所述将所述模型训练样本输入所述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,数据分析层计算所述训练样本对应的信息熵;
数据分析层根据所述信息熵计算所述训练样本对应的信息增益;
特征选择层从所述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;
决策树创建层基于所述目标特征针对所述模型训练样本进行从上至下的递归计算生成决策树,并将所述决策树确定为训练后的企业信用计算模型。
7.根据权利要求3所述的方法,其特征在于,所述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。
8.一种企业信用等级的计算装置,其特征在于,所述装置包括:
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,用于均值化所述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,用于从所述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,用于将所述多种特征向量输入预先训练的企业信用计算模型中,输出所述目标企业对应的信用等级;其中,所述企业信用计算模型采用决策树算法创建而成。
9.一种计算机存储介质,其特征在于,所述计算机存储介质存储有多条指令,所述指令适于由处理器加载并执行如权利要求1-7任意一项的方法步骤。
10.一种终端,其特征在于,包括:处理器和存储器;其中,所述存储器存储有计算机程序,所述计算机程序适于由所述处理器加载并执行如权利要求1-7任意一项的方法步骤。