本申請實施例提供一種貸中風險預測方法及裝置，可用于人工智能技術領域，方法包括：將目標用戶的預測用數據輸入預設的貸中風險預測模型，并根據該貸中風險預測模型的輸出確定所述目標用戶的貸中風險預測結果，其中，所述預測用數據包括：行為特征數據以及應用貸中行為評分卡模型獲取的貸中風險評分數據；輸出所述目標用戶的貸中風險預測結果。本申請能夠在保證貸中風險預測的準確性的基礎上，有效提高用于貸中風險預測模型的輸入數據的獲取效率及可靠性，并能夠有效降低貸中風險預測過程中的數據處理難度及數據計算量，進而能夠有效縮短貸中風險預測周期并提高貸中風險預測結果的獲取效率。

技術領域

本申請涉及數據處理技術領域，特別涉及人工智能技術領域，具體涉及貸中風險預測方法及裝置。

背景技術

為了滿足不同階段的信用風控需求，金融機構通常需要利用貸前的申請評分卡、貸中的行為評分卡和貸后的催收評分卡對金融用戶進行風險評分。其中的貸中行為評分卡模型(Behavior Scoring)是一種根據金融用戶在賬戶使用期間所產生的各種行為，動態預測金融用戶貸中風險的評分模型。而由于貸中行為評分卡模型是一種線性模型，雖然其評價結果具有可解釋性，但由于其模型性質使得其存在測準確度較及風險敏感性不足等問題。因此，金融領域的技術人員開始嘗試將機器學習算法應用至貸中風險預測的過程中來致力于提高金融用戶的貸中風險預測結果的準確性。

現有的將機器學習算法應用至貸中風險預測的方式通常為：構建包含有貸中行為評分卡模型和機器學習模型的多個模型，然后對這些模型進行模型融合或加權等處理以形成新的綜合性模型，然后對用戶數據進行預處理后，應用這個新的綜合性模型根據預處理后的用戶數據進行貸中風險預測。

然而，上述的貸中風險預測方式雖然能夠在一定程度上提供預測結果的準確性，但是由于其過程中涉及到一個、甚至多個機器學習模型的輸入數據的預處理過程，還涉及到多個模型之間的融合過程，因而使得該貸中風險預測方式需要進行大量的數據計算且耗時很長。也就是說，現有的貸中風險預測方式無法同時滿足貸中風險預測過程的準確性和效率要求。

發明內容

針對現有技術中的問題，本申請提供一種貸中風險預測方法及裝置，能夠在保證貸中風險預測的準確性的基礎上，有效提高用于貸中風險預測模型的輸入數據的獲取效率及可靠性，并能夠有效降低貸中風險預測過程中的數據處理難度及數據計算量，進而能夠有效縮短貸中風險預測周期并提高貸中風險預測結果的獲取效率。

為解決上述技術問題，本申請提供以下技術方案：

第一方面，本申請提供一種貸中風險預測方法，包括：

將目標用戶的預測用數據輸入預設的貸中風險預測模型，并根據該貸中風險預測模型的輸出確定所述目標用戶的貸中風險預測結果，其中，所述預測用數據包括：行為特征數據以及應用貸中行為評分卡模型獲取的貸中風險評分數據；

輸出所述目標用戶的貸中風險預測結果。

進一步地，還包括：

輸出所述目標用戶的貸中風險評分數據。

進一步地，所述貸中風險預測模型為預先根據多個用戶的訓練用數據，基于XGBoost算法訓練得到的；

其中，所述訓練用數據和所述預測用數據均包括：用戶數據、觀察期數據和表現期預測數據；

所述用戶數據承載的信息包括：個人信息、資產信息和賬戶信息中的至少一項；

所述觀察期數據承載的信息包括：賬戶交易信息和/或歷史風險信息；

所述表現期預測數據包括：所述行為特征數據和對應的貸中風險評分數據。

進一步地，在所述將目標用戶的預測用數據輸入預設的貸中風險預測模型之前，還包括：