基于算法、大数据和区块链的汽车金融贷款风控系统的制作方法

1.本发明创造涉及大数据领域，具体涉及一种基于算法、大数据和区块链的汽车金融贷款风控系统。


背景技术：

2.经历了汽车金融业的高速发展，中国的汽车消费市场逐步成熟起来。汽车贷款作为推动汽车销量大幅增长的催化剂，越来越受到年轻一代消费群体的接受与认可，个人汽车贷款的需求量也迅速增长。然而在汽车贷款增长的同时，汽车贷款的信用风险不断显现，汽车贷款的违约率也在攀升。因此，如何智能、准确的对汽车贷款用户进行信用风险评估，成为减小汽车贷款的信用风险，保证汽车贷款安全的有效手段，能够帮助银行做好风险管理措施。
3.人工神经网络是目前国际上的前沿交叉学科，是基于模仿大脑神经网络结构和功能而建立的一种信息处理系统。人工神经网络具有广泛的适应能力、学习能力和映射能力等，在多变量非线性系统的建模方面可取得满意的结果。目前常用的神经网络模型有很多种，其中bp神经网络算法先进成熟，工作状态稳定，特别是它适合于模式识别及数据分类，利用bp神经网络的非线性映射关系，将bp神经网络应用到汽车贷款用户的信用风险评估中，具有价高的评估精确度。
4.在利用bp神经网络对汽车贷款用户的信息风险进行评估时，针对bp神经网络自身具有的易出现收敛速度慢以及易陷入局部最优的问题，一般通过粒子群算法对bp神经网络的初始权值和阈值进行优化，从而解决bp神经网络的上述缺陷，然而，粒子群算法本身也具有易陷入局部最优的缺陷，因此，采用传统的粒子群算法对bp神经网络进行优化时，因传统粒子群算法自身存在的缺陷，并不能有效的解决bp神经网络收敛速度慢和易陷入局部最优的缺陷，此时，需要对粒子群算法进行适当的改进，从而避免粒子群算法陷入局部最优，进而有效的解决bp神经网络收敛速度慢和易陷入局部最优的缺陷，从而使得基于bp神经网络建立的汽车贷款用户的信用风险评估模型具有较高的准确度。


技术实现要素：

5.针对上述问题，本发明旨在提供基于算法、大数据和区块链的汽车金融贷款风控系统。
6.本发明创造的目的通过以下技术方案实现：
7.基于算法、大数据和区块链的汽车金融贷款风控系统，包括用户端、信息提取模块、区块链存储模块和贷款风控模块，贷款机构通过用户端上传汽车贷款用户提交的贷款材料信息至信息提取模块，信息提取模块从接收到的贷款材料信息中提取和汽车贷款用户的信用风险相关的特征数据，从而获得所述贷款材料信息的特征向量，将所述贷款材料信息的特征向量传输至区块链存储模块和贷款风控模块，所述区块链存储模块用于存储接收到的贷款材料信息的特征向量，贷款风控模块将接收到的贷款材料信息的特征向量输入至
贷款风控模块构建的信用风险评估模型中，所述信用风险评估模型的输出值即为汽车贷款用户的信用风险；
8.所述信用风险评估模型通过区块链存储模块中存储的贷款材料信息的特征向量进行构建，具体包括：
9.(1)给定模型更新周期，贷款风控模块每隔给定的模型更新周期调取区块链存储模块中存储的贷款材料信息的特征向量，并获取所述贷款材料信息的特征向量对应的汽车贷款用户的信用风险，将所述贷款材料信息的特征向量作为样本输入值，所述汽车贷款用户的信用风险作为样本输出值，形成用于训练和测试信用风险评估模型的样本集；
10.(2)利用所述样本集对bp神经网络进行训练和测试，从而建立基于bp神经网络的信用风险评估模型。
11.优选地，所述汽车贷款用户的信用风险包括低风险用户和高风险用户。
12.优选地，通过粒子群算法对贷款风控模块采用的bp神经网络的初始权值和阈值进行优化。
13.优选地，在粒子群算法中，设表示种群中粒子i在第t次迭代更新后的解，为定义的种群中粒子i在第(t+1)次迭代更新时进行学习的局部较优解，qbest
t
表示种群在第t次迭代更新后的全局最优解，令种群中粒子i通过向局部较优解和全局最优解qbest
t
进行学习，从而获得粒子i在第(t+1)次迭代更新后的解
14.所述局部较优解的值为：
15.设表示在第t次迭代更新后种群中优于粒子i当前的历史最优解的解组成的集合，且.其中，表示集合中的第j个较优解，表示集合中的较优解的数量，表示较优解的适应度函数值，表示种群中粒子i在第t次迭代更新后的历史最优解，表示历史最优解的适应度函数值；
16.对集合中的较优解依次进行筛选，定义表示针对较优解设置的个体筛选系数，表示针对集合中较优解设置的整体筛选系数，且和的值分别为：
[0017][0018][0019]
式中，表示较优解的寻优筛选因子，且的寻优筛选因子，且表示较优解的距离筛选因子，且距离筛选因子，且表示较优解的迭代调节因子，且其中，t表
示当前迭代次数，t
max
表示最大迭代次数，和的作用为取最大值，的作用为取中值；
[0020]
当集合中的较优解满足：时，则在集合中保留较优解而当较优解满足：时，则在集合中删除较优解
[0021]
设表示对集合中的较优解依次进行筛选后剩余的较优解组成的集合，所述局部较优解即为在集合中随机选取的一个较优解。
[0022]
优选地，令种群中粒子i通过向局部较优解和全局最优解qbest
t
进行学习，从而获得粒子i在第(t+1)次迭代更新后的解具体为：
[0023][0024][0025]
其中，表示种群中粒子i在第(t+1)次迭代更新时的步长，表示种群中粒子i在第t次迭代更新时的步长，c1和c2表示种群的学习因子，r1和r2分别表示随机产生的0到1之间的随机数，ω表示种群中粒子的惯性权重因子。
[0026]
本发明创造的有益效果：通过建立的信用风险评估模型对汽车贷款用户的信用风险进行评估，从而对汽车贷款用户进行筛选，能够有效的减少汽车贷款的违约率；利用bp神经网络建立信用风险评估模型，并通过改进的粒子群算法对bp神经网络的初始权值和阈值进行寻优，改进的粒子群算法能够有效的避免陷入局部最优，从而能够有效的解决bp神经网络收敛速度慢和易陷入局部最优的缺陷，使得优化后的bp神经网络具有较高的评估准确度。
附图说明
[0027]
利用附图对发明创造作进一步说明，但附图中的实施例不构成对本发明创造的任何限制，对于本领域的普通技术人员，在不付出创造性劳动的前提下，还可以根据以下附图获得其它的附图。
[0028]
图1是本发明结构示意图。
具体实施方式
[0029]
结合以下实施例对本发明作进一步描述。
[0030]
参见图1，本实施例的基于算法、大数据和区块链的汽车金融贷款风控系统，包括用户端、信息提取模块、区块链存储模块和贷款风控模块，贷款机构通过用户端上传汽车贷款用户提交的贷款材料信息至信息提取模块，信息提取模块从接收到的贷款材料信息中提取和汽车贷款用户的信用风险相关的特征数据，从而获得所述贷款材料信息的特征向量，将所述贷款材料信息的特征向量传输至区块链存储模块和贷款风控模块，所述区块链存储模块用于存储接收到的贷款材料信息的特征向量，贷款风控模块将接收到的贷款材料信息
的特征向量输入至贷款风控模块构建的信用风险评估模型中，所述信用风险评估模型的输出值即为汽车贷款用户的信用风险；
[0031]
所述信用风险评估模型通过区块链存储模块中存储的贷款材料信息的特征向量进行构建，具体包括：
[0032]
(1)给定模型更新周期，贷款风控模块每隔给定的模型更新周期调取区块链存储模块中存储的贷款材料信息的特征向量，并获取所述贷款材料信息的特征向量对应的汽车贷款用户的信用风险，将所述贷款材料信息的特征向量作为样本输入值，所述汽车贷款用户的信用风险作为样本输出值，形成用于训练和测试信用风险评估模型的样本集；
[0033]
(2)利用所述样本集对bp神经网络进行训练和测试，从而建立基于bp神经网络的信用风险评估模型。
[0034]
优选地，所述汽车贷款用户的信用风险包括低风险用户和高风险用户。
[0035]
本优选实施例通过建立的信用风险评估模型对汽车贷款用户的信用风险进行评估，从而对汽车贷款用户进行筛选，能够有效的减少汽车贷款的违约率。
[0036]
优选地，通过改进的粒子群算法对贷款风控模块采用的bp神经网络的初始权值和阈值进行优化，设置粒子群中粒子当前解的适应度函数值越小，粒子的寻优效果越好。
[0037]
本优选实施例利用bp神经网络建立信用风险评估模型，并通过改进的粒子群算法对bp神经网络的初始权值和阈值进行寻优，改进的粒子群算法能够有效的避免陷入局部最优，从而能够有效的解决bp神经网络收敛速度慢和易陷入局部最优的缺陷，使得优化后的bp神经网络具有较高的评估准确度。
[0038]
优选地，在粒子群算法中，设表示种群中粒子i在第t次迭代更新后的解，为定义的种群中粒子i在第(t+1)次迭代更新时进行学习的局部较优解，qbest
t
表示种群在第t次迭代更新后的全局最优解，令种群中粒子i通过向局部较优解和全局最优解qbest
t
进行学习，从而获得粒子i在第(t+1)次迭代更新后的解
[0039]
所述局部较优解的值为：
[0040]
设表示在第t次迭代更新后种群中优于粒子i当前的历史最优解的解组成的集合，且.其中，表示集合中的第j个较优解，表示集合中的较优解的数量，表示较优解的适应度函数值，表示种群中粒子i在第t次迭代更新后的历史最优解，表示历史最优解的适应度函数值；
[0041]
对集合中的较优解依次进行筛选，定义表示针对较优解设置的个体筛选系数，表示针对集合中较优解设置的整体筛选系数，且和的值分别为：
[0042]
[0043][0044]
式中，表示较优解的寻优筛选因子，且的寻优筛选因子，且表示较优解的距离筛选因子，且距离筛选因子，且表示较优解的迭代调节因子，且其中，t表示当前迭代次数，t
max
表示最大迭代次数，和的作用为取最大值，的作用为取中值；
[0045]
当集合中的较优解满足：时，则在集合中保留较优解而当较优解满足：时，则在集合中删除较优解
[0046]
设表示对集合中的较优解依次进行筛选后剩余的较优解组成的集合，所述局部较优解即为在集合中随机选取的一个较优解。
[0047]
优选地，令种群中粒子i通过向局部较优解和全局最优解qbest
t
进行学习，从而获得粒子i在第(t+1)次迭代更新后的解具体为：
[0048][0049][0050]
其中，表示种群中粒子i在第(t+1)次迭代更新时的步长，表示种群中粒子i在第t次迭代更新时的步长，c1和c2表示种群的学习因子，r1和r2分别表示随机产生的0到1之间的随机数，ω表示种群中粒子的惯性权重因子。
[0051]
本优选实施例对传统粒子群算法的迭代更新过程进行改进，传统的粒子群算法存在收敛速度慢和易陷入局部最优的缺陷，因此，利用传统的粒子群算法对bp神经网络的初始权值和阈值进行优化，并不能有效的解决bp神经网络收敛速度慢和易陷入局部极值的缺陷，要想通过粒子群算法真正解决bp神经网络收敛速度慢和易陷入极值的缺陷，就必须对传统的粒子群算法进行改进，因此，本优选实施例对传统粒子群算法的迭代更新方式进行改进，传统粒子群算法令粒子向其历史最优解进行学习，从而实现种群的局部寻优，令粒子向当前全局最优解进行学习，从而实现种群的全局寻优，然而该种迭代寻优方式，易使得种群陷入局部最优，缺乏跳出局部最优的能力，针对该种缺陷，本优选实施例令粒子向当前全局最优解进行学习，从而保证种群的全局寻优精度，令粒子向局部较优解进行学习，从而保证种群的局部寻优精度的同时，增加粒子群解的多样性，并且加强粒子群跳出局部最优的能力；所述粒子的局部较优解为在种群中优于粒子当前的历史最优解中随机选取出来的，针对该类较优解设置了个体筛选系数和整体筛选系数，所述个体筛选系数中的寻优筛选因子用于保证粒子的正向收敛，所述个体筛选系数中的距离筛选因子用于保证粒子的局部寻优，所述整体筛选系数通过种群中较优解之间的个体筛选系数的离散程度来控制集合中剩余的较优解的数量，当所述较优解之间的个体筛选系数的离散程度较小，表明种群中较优
解和所述粒子之间分布的较为均匀，此时，整体筛选系数的值较小，从而在较优解集合中保留更多的较优解，使得在选取局部较优解时能够增加种群的多样性，增加粒子群跳出局部最优的能力，当所述较优解之间个体筛选系数的离散程度较大，表明种群中较优解和所述粒子之间分布的较为分散，此时，整体筛选系数的值较大，从而在较优解集合中保留较少的较优解，从而加速粒子群的收敛速度。即本优选实施例通过令粒子向局部较优解学习，使得粒子群根据当前寻优情况自适应的调节粒子的寻优方式，从而在加速粒子群收敛速度的同时，加强粒子群跳出局部最优的能力。
[0052]
最后应当说明的是，以上实施例仅用以说明本发明的技术方案，而非对本发明保护范围的限制，尽管参照较佳实施例对本发明作了详细地说明，本领域的普通技术人员应当理解，可以对本发明的技术方案进行修改或者等同替换，而不脱离本发明技术方案的实质和范围。