技术特征：
1.一种基于动态规划算法的案件优化分配策略，其特征在于，根据业务数据表设计建模数据宽表，数据宽表的字段包括债务人信息、账户信息、案件分配、电催记录和还款信息；根据上述数据分别训练债务人还款能力和还款意愿的深度学习模型和催收员对于案件处理能力的深度学习模型；根据深度学习模型预测的债务人还款概率值和催收员对于不同案件的催收能力值作为输入，搭建动态规划模型；基于状态转移方程和递归方程求解动态规划模型，输出最优案件批次和催收员最佳分配策略。2.根据权利要求1所述的案件优化分配策略，其特征在于，债务人还款能力和还款意愿的深度学习模型采用基于lstm的卷积神经网络模型，输入宽表数据包括案件分配、电催记录和还款信息，输出为债务人还款概率值。3.根据权利要求1所述的案件优化分配策略，其特征在于，催收员对于案件处理能力的深度学习模型采用基于深度置信网络dbn的预测模型，输入宽表数据包括债务人信息、账户信息和案件分配，输出为催款员对于不同案件的催收能力值。4.根据权利要求1至3任一所述的案件优化分配策略，其特征在于，动态规划模型的要素包括阶段、状态和允许决策集合；所述阶段以催收日期为周期进行划分，以按阶段次序优化案件分配；所述状态包括案件状态和催收员状态，所述案件状态包括是否出催、是否还款、是否已接通债务人、接通债务人次数；催收员状态，所述催收员状态包括催收员与完成案件量、催收员已接通案件量、催收员待处理案件量和催收员可处理案件量；所述允许决策集合在催收日期、案件状态和催收员状态确定的基础上做出决策，允许决策集合包括在对应催收日期分配对应的案件量至对应的催收员。5.根据权利要求4所述的案件优化分配策略，其特征在于，采用状态转移方程的演绎规律更新已分配的案件状态，采用递归方程计算案件状态决策后获得的催收回款。6.根据权利要求1所述的案件优化分配策略，其特征在于，所述信用卡业务数据表包括务人信息表、账户信息表、案件分配表、电催记录表和还款信息表。7.一种基于动态规划算法的案件优化分配系统，其特征在于，包括：数据宽表模块，根据业务数据表设计建模数据宽表，所述数据宽表的字段包括债务人信息、账户信息、案件分配、电催记录和还款信息；深度学习模块，用于训练债务人还款能力和还款意愿的深度学习模型和催收员对于案件处理能力的深度学习模型；动态规划模块，根据深度学习模型预测的债务人还款概率值和催收员对于不同案件的催收能力值求解动态规划模型，输出最优案件批次和催收员的最佳分配策略，实现催收回款效率最大化。
技术总结
本发明涉及一种基于动态规划算法的案件优化分配策略及系统，其中步骤包括：根据信用卡业务数据表的数据设计建模数据宽表；根据上述数据分别训练债务人还款能力和还款意愿的深度学习模型和催收员对于案件处理能力的深度学习模型；搭建动态规划模型并基于状态转移方程和递归方程求解动态规划模型，求解最优案件批次和催收员的匹配决策集合，输出最佳分配策略。本发明基于动态规划算法的案件优化分配系统，将利用催收员对于不同案件的处理能力，将案件实时动态地分配给最合适的催收员，以提升案件的处理效率，最终达到催收回款最大化。最终达到催收回款最大化。最终达到催收回款最大化。
技术研发人员：钟浩
受保护的技术使用者：钛镕智能科技（苏州）有限公司
技术研发日：2022.03.13
技术公布日：2022/7/4