(19)国家知识产权局 (12)发明 专利申请 (10)申请公布号 (43)申请公布日 (21)申请 号 202211216487.8 (22)申请日 2022.09.30 (71)申请人 中国银行股份有限公司 地址 100818 北京市西城区复兴门内大街1 号 (72)发明人 何雅彤　 (74)专利代理 机构 北京三友知识产权代理有限 公司 11127 专利代理师 赵冬梅 (51)Int.Cl. G06Q 40/02(2012.01) G06Q 40/08(2012.01) G06K 9/62(2022.01) G06N 20/00(2019.01) (54)发明名称 银行信用卡的风险预测方法及装置 (57)摘要 本发明公开了一种银行信用卡的风险预测 方法及装置， 涉及人工智 能技术领域， 该方法包 括： 获取不同用户的银行信用卡使用信息， 构建 训练集和测试集； 分别根据训练集中的用户历史 借款信息及对应的还款信息， 对多个不同类型的 机器学习模 型进行训练， 得到多个银行信用卡风 险预测模型； 分别根据测试集中的用户历史借款 信息及对应的还款信息， 对多个银行信用卡风险 预测模型进行测试； 利用接受者操作特性曲线 ROC， 对多个银行信用卡风险预测模型的测试结 果进行比对， 根据比对结果， 确定最优银行信用 卡风险预测模 型； 利用最优 银行信用卡风险预测 模型， 对用户提出的银行信用卡借款请求进行风 险预测， 可以提高银行信用卡风险预测的准确 性。 权利要求书2页 说明书7页 附图4页 CN 115482095 A 2022.12.16 CN 115482095 A 1.一种银 行信用卡的风险预测方法， 其特 征在于， 包括： 获取不同用户的银行信用卡使用信息， 构建训练集和测试集， 其中银行信用卡使用信 息包括用户历史借款信息及对应的还款信息； 分别根据训练集中的用户历史借款信 息及对应的还款信 息， 对多个不同类型的机器学 习模型进行训练， 得到多个银 行信用卡 风险预测模型； 分别根据测试集中的用户历史借款信 息及对应的还款信 息， 对多个银行信用卡风险预 测模型进行测试； 利用接受者操作特性曲线ROC， 对多个银行信用卡风险预测模型的测试结果进行比对， 根据比对结果， 确定最优银 行信用卡 风险预测模型； 利用最优银行信用卡风险预测模型， 对用户提出的银行信用卡借款请求进行风险预 测。 2.如权利要求1所述的方法， 其特征在于， 所述借款信 息包括以下信 息其中之一或任意 组合： 借款用途信息、 借款时间信息、 借款金额信息、 指定的还款渠道和指定的还款时间信 息； 所述还款信息包括以下信息其中之一或任意组合： 还款时间信息、 还款金额信息和还款渠道信息 。 3.如权利要求1所述的方法， 其特征在于， 所述多个机器学习模型包括以下模型其中之 一或任意组合： 逻辑回归 模型、 决策树模型、 随机森林模型、 自适应增强模型和梯度提升树模型。 4.如权利要求1所述的方法， 其特征在于， 利用ROC接受者操作特性曲线， 对多个银行信 用卡风险预测模型 的测试结果进行比对， 根据比对结果， 确定最优银行信用卡风险预测模 型， 包括： 根据每一银 行信用卡 风险预测模型的测试 结果， 构建对应的ROC 接受者操作特性曲线； 计算每一ROC接受者操作特性曲线的曲线面积， 根据每一ROC接受者操作特性曲线的曲 线面积， 确定每一银 行信用卡 风险预测模型的偏差值； 将多个银行信用卡风险预测模型的偏差值进行比对， 将偏差值最小的银行信用卡风险 预测模型， 确定为 最优银行信用卡 风险预测模型。 5.一种银 行信用卡的风险预测装置， 其特 征在于， 包括： 获取与构建模块， 用于获取不同用户的银行信用卡使用信 息， 构建训练集和测试集， 其 中银行信用卡使用信息包括用户历史借款信息及对应的还款信息； 训练模块， 用于分别根据训练集中的用户历史借款信息及对应的还款信息， 对多个不 同类型的机器学习模型进行训练， 得到多个银 行信用卡 风险预测模型； 测试模块， 用于分别根据测试集中的用户历史借款信息及对应的还款信息， 对多个银 行信用卡 风险预测模型进行测试； 比对与确定模块， 用于利用接受者操作特性曲线ROC， 对多个银行信用卡风险预测模型 的测试结果进行比对， 根据比对结果， 确定最优银 行信用卡 风险预测模型； 风险预测模块， 用于利用最优银行信用卡风险预测模型， 对用户提出的银行信用卡借 款请求进行风险预测。权　利　要　求　书 1/2 页 2 CN 115482095 A 26.如权利要求5所述的装置， 其特征在于， 所述借款信 息包括以下信 息其中之一或任意 组合： 借款用途信息、 借款时间信息、 借款金额信息、 指定的还款渠道和指定的还款时间信 息； 所述还款信息包括以下信息其中之一或任意组合： 还款时间信息、 还款金额信息和还款渠道信息 。 7.如权利要求5所述的装置， 其特征在于， 所述多个机器学习模型包括以下模型其中之 一或任意组合： 逻辑回归 模型、 决策树模型、 随机森林模型、 自适应增强模型和梯度提升树模型。 8.如权利要求5所述的装置， 其特 征在于， 比对与确定模块具体用于： 根据每一银 行信用卡 风险预测模型的测试 结果， 构建对应的ROC 接受者操作特性曲线； 计算每一ROC接受者操作特性曲线的曲线面积， 根据每一ROC接受者操作特性曲线的曲 线面积， 确定每一银 行信用卡 风险预测模型的偏差值； 将多个银行信用卡风险预测模型的偏差值进行比对， 将偏差值最小的银行信用卡风险 预测模型， 确定为 最优银行信用卡 风险预测模型。 9.一种计算机设备， 包括存储器、 处理器及存储在存储器上并可在处理器上运行的计 算机程序， 其特征在于， 所述处理器执行所述计算机程序时实现权利要求1至4任一所述方 法。 10.一种计算机可读存储介质， 其特征在于， 所述计算机可读存储介质存储有计算机程 序， 所述计算机程序被处 理器执行时实现权利要求1至4任一所述方法。 11.一种计算机程序产品， 其特征在于， 所述计算机程序产品包括计算机程序， 所述计 算机程序被处 理器执行时实现权利要求1至4任一所述方法。权　利　要　求　书 2/2 页 3 CN 115482095 A 3