基于供应链的金融征信方法、装置、设备及存储介质与流程

1.本发明涉及金融征信技术领域，尤其涉及一种基于供应链的金融征信方法、装置、设备及存储介质。


背景技术：

2.为了缓解企业经营中出现的融资困难，银行积极响应国家号召，给予企业需要的资金贷款支持，但是在贷款之前需要对企业的信誉进行审核，授信审核通过之后，才能给予需要的资金贷款支持。
3.目前行业内的征信手段有合同、法人代表做担保等形式，虽然能够有效保证金融的正常运作，减少坏账率。但是现有的征信手段缺乏技术支持，对企业的偿付情况无法实时监测，对于一些特殊场景，人工无法保证是否能放款。


技术实现要素：

4.本发明提供了一种基于供应链的金融征信方法、装置、设备及存储介质，解决了现有金融征信技术中风险识别低及征信不灵活的问题。
5.本发明提供的一种基于供应链的金融征信方法，所述方法包括：
6.实时采集供应链上时间间隔内的车辆位置信息，获得车辆位置信息集合；
7.将所述车辆位置信息集合依次输入至时间序列模型，所述时间序列模型输出所述车辆位置信息集合对应的车辆风险预估概率集合；
8.通过所述车辆风险预估概率集合获取所述供应链上的车辆风险预估概率；
9.根据所述车辆风险预估概率获取所述供应链上的车辆征信结果；
10.基于所述车辆征信结果获得车辆所属公司的征信结果。
11.进一步的，所述通过所述车辆风险预估概率集合获取所述供应链上的车辆风险预估概率，包括：
12.将所述车辆风险预估概率集合中每个时间间隔对应的车辆风险预估概率相加，获取风险预估概率相加结果；
13.通过所述风险预估概率相加结果与供应链上时间间隔总数量的比值，获得所述供应链上的车辆风险预估概率。
14.进一步的，所述根据所述车辆风险预估概率获取所述供应链上的车辆征信结果，包括：
15.将所述车辆风险预估概率与第一概率阈值、第二概率阈值进行比较；其中，所述第一概率阈值大于所述第二概率阈值；
16.若所述车辆风险预估概率小于所述第二概率阈值，则车辆征信结果为车辆征信通过；
17.若所述车辆风险预估概率超过所述第一概率阈值，则车辆征信结果为车辆征信不通过。
18.进一步的，所述根据所述车辆风险预估概率获取所述供应链上的车辆征信结果，还包括：
19.若所述车辆风险预估概率小于所述第一概率阈值且大于所述第二概率阈值，获取车辆在供应链上的轨迹得分，根据所述轨迹得分获取车辆征信结果；
20.所述根据所述轨迹得分获取车辆征信结果，具体为：
21.将所述轨迹得分与参考阈值进行比较；
22.若所述轨迹得分在所述参考阈值以上，则车辆征信结果为车辆征信不通过；
23.若所述轨迹得分小于所述参考阈值，则车辆征信结果为车辆征信通过。
24.进一步的，所述获取车辆在供应链上的轨迹得分，包括：
25.将所述车辆位置信息集合依次输入至时间序列模型，所述时间序列模型输出所述车辆位置信息集合对应的车辆预测轨迹集合；
26.获取每个时间间隔内的车辆实际运行轨迹，通过每个时间间隔内所述车辆实际运行轨迹、车辆预测轨迹和时间间隔获取轨迹得分。
27.进一步的，所述通过每个时间间隔内所述车辆实际运行轨迹、车辆预测轨迹和时间间隔获取轨迹得分，包括：
28.获取每个时间间隔内的所述车辆实际运行轨迹和车辆预测轨迹的欧式距离；
29.将每个时间间隔的欧式距离乘以时间间隔的倒数，获得时间间隔轨迹得分；
30.将所述供应链上所有的所述时间间隔轨迹得分相加，获得轨迹得分。
31.进一步的，所述方法还包括：
32.将每个时间间隔内的车辆风险预估概率与第一概率阈值、第二概率阈值进行比较；其中，所述第一概率阈值大于所述第二概率阈值；
33.若该时间间隔内所述车辆风险预估概率小于所述第二概率阈值，则不进行告警；
34.若该时间间隔内所述车辆风险预估概率超过所述第一概率阈值，则进行告警。
35.进一步的，所述方法还包括：
36.若该时间间隔内所述车辆风险预估概率小于所述第一概率阈值且大于所述第二概率阈值，获取该时间间隔内车辆的轨迹得分，根据该时间间隔内车辆的轨迹得分获取告警结果；
37.所述获取该时间间隔内车辆的轨迹得分，根据该时间间隔内车辆的轨迹得分获取告警结果，包括：
38.获取该时间间隔内的所述车辆实际运行轨迹和车辆预测轨迹的欧式距离；
39.将该时间间隔的欧式距离乘以该时间间隔的倒数，获得该时间间隔内车辆的轨迹得分；
40.若该时间间隔内车辆的轨迹得分在参考阈值以上，则进行告警；
41.若该时间间隔内车辆的轨迹得分小于参考阈值，则不告警。
42.进一步的，所述方法还包括：
43.若所述车辆征信通过，增长该车辆在供应链上实时获取车辆位置信息的时间间隔；
44.若所述车辆征信不通过，缩短该车辆在供应链上实时获取车辆位置信息的时间间隔。
45.进一步的，将所述车辆位置信息集合依次输入至时间序列模型，所述时间序列模型输出所述车辆位置信息集合对应的车辆风险预估概率集合之前，还包括：
46.获取供应链上车辆的行驶轨迹作为样本数据集；所述样本数据集包括训练集、验证集和测试集；
47.基于所述训练集对所述时间序列模型进行预训练，获取初级时间序列模型；
48.基于所述验证集，对所述初级时间序列模型进行优化，获取所述初级时间序列模型的优化参数；并确定所述优化参数对应的所述初级时间序列模型为中级时间序列模型；
49.基于所述测试集，对所述中级时间序列模型进行测试和优化，获取所述训练好的时间序列模型。
50.进一步的，所述方法还包括：
51.关联供应链上的车辆信息，所述车辆信息包括车辆所属的公司信息，所述车辆所属的公司信息包括该公司的贷款项目。
52.进一步的，所述方法还包括：
53.获取司机信息，将所述司机信息关联至所述供应链上的车辆上。
54.本发明还提供了一种基于供应链的金融征信装置，所述装置包括：
55.位置信息获取模块，用于实时获取供应链上时间间隔内的车辆位置信息，获得车辆位置信息集合；
56.第一风险获取模块，用于将所述车辆位置信息集合依次输入至时间序列模型，所述时间序列模型输出所述车辆位置信息集合对应的车辆风险预估概率集合；
57.第二风险获取模块，用于通过所述车辆风险预估概率集合获取所述供应链上的车辆风险预估概率；
58.车辆征信结果输出模块，用于根据所述车辆风险预估概率获取所述供应链上的车辆征信结果；
59.公司征信结果获取模块，用于基于所述车辆征信结果获得车辆所属公司的征信结果。
60.本发明还提供了一种基于供应链的金融征信设备，包括存储器和处理器，所述存储器存储有计算机程序，所述计算机程序被所述处理器执行时，使得所述处理器执行如下步骤：
61.实时采集供应链上时间间隔内的车辆位置信息，获得车辆位置信息集合；
62.将所述车辆位置信息集合依次输入至时间序列模型，所述时间序列模型输出所述车辆位置信息集合对应的车辆风险预估概率集合；
63.通过所述车辆风险预估概率集合获取所述供应链上的车辆风险预估概率；
64.根据所述车辆风险预估概率获取所述供应链上的车辆征信结果；
65.基于所述车辆征信结果获得车辆所属公司的征信结果。
66.本发明还提供了一种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，使得所述处理器执行如下步骤：
67.实时采集供应链上时间间隔内的车辆位置信息，获得车辆位置信息集合；
68.将所述车辆位置信息集合依次输入至时间序列模型，所述时间序列模型输出所述车辆位置信息集合对应的车辆风险预估概率集合；
69.通过所述车辆风险预估概率集合获取所述供应链上的车辆风险预估概率；
70.根据所述车辆风险预估概率获取所述供应链上的车辆征信结果；
71.基于所述车辆征信结果获得车辆所属公司的征信结果。
72.本发明提供的基于供应链的金融征信方法，通过采集的供应链上车辆位置信息对车辆所属公司进行征信，可以根据车辆征信结果实时监控公司的偿付能力，减少坏账，避免损失。且将运输链上的车辆征信结果应用于企业征信中，使放贷更加灵活和智能化，拓展了金融征信手段，使企业征信要素更加多样化。
附图说明
73.为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
74.其中：
75.图1为一个实施例中提供的基于供应链的金融征信的应用环境图；
76.图2为本发明实施例提供的一种基于供应链的金融征信方法的流程示意图；
77.图3为本发明实施例提供的一种供应链上的车辆风险预估概率的流程示意图；
78.图4为本发明实施例提供的一种根据所述车辆风险预估概率获取所述供应链上的车辆征信结果的流程示意图；
79.图5为本发明实施例提供的一种基于供应链的金融征信装置的结构示意图；
80.图6为本发明实施例提供的一种基于供应链的金融征信设备的结构示意图；
81.图7为本发明实施例提供的一种计算机可读存储介质的结构示意图。
具体实施方式
82.下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
83.为了便于理解，下面先对本技术涉及的相关术语进行介绍。
84.(1)供应链，是指产品生产和流通过程中所涉及的原材料供应商、生产商、分销商、零售商以及最终消费者等成员通过与上游、下游成员的连接(linkage)组成的网络结构。
85.(2)卫星通信，可以分为空间部分和地面部分，在两部分之间是传输信道。卫星通信系统包含了卫星通信使用的频率和电波形式以及通信方式，还包括与此相适应的通信设备和卫星以及其使用方法。在地面站和空间站之间的通信信道包括有上行信道和下行信道。为了避免相互干扰，上行信道和下行信道一般使用不同的频段(在5600mhz波段有两个卫星使用的频段，在同一频段上可以进行上行、下行传输)。
86.(3)功率放大器，是电子测量行业比较常见的一种电子放大器，主要目的是增加给定输入信号的功率幅度，使输入信号功率增加，从而驱动到发射器等输出设备的负载水平。和电流放大器与电压放大器有所不同的是，功率放大器是直接驱动负载并且最终模块在放
大器链中。
87.(4)应用程序(app；application)。app狭义指智能手机的第三方应用程序，广义指所有客户端软件，现多指移动应用程序。
88.如图1所示，为一个实施例中提供的基于供应链的金融征信的应用环境图。参照图1，该基于供应链的金融征信方法应用于银行征信系统。该银行征信系统包括服务器200和终端设备集群，终端设备集群可以包括一个或者多个终端设备，在本实施例中对终端设备的数量不进行限制。如图1所示，多个终端设备具体可以包括终端设备1、终端设备2、终端设备3、
…
、终端设备n；终端设备1、终端设备2、终端设备3、
…
、终端设备n均通过网络300与服务器200进行连接，以便于每个终端设备可以通过网络300与服务器200之间进行数据交互。终端设备1、终端设备2、终端设备3、
…
、终端设备n可以是：智能手机、平板电脑、笔记本电脑、桌上型电脑、智能电视等智能终端。服务器200可以是独立的物理服务器，也可以是多个物理服务器构成的服务器集群或者分布式系统，还可以是提供云服务、云数据库、云计算、云函数、云存储、网络服务、云通信、中间件服务、域名服务、安全服务、cdn、以及大数据和人工智能平台等基础云计算服务的云服务器。网络300可以是有线网络或无线网络。在本发明一些实施例中，上述有线网络或无线网络使用标准通信技术和/或协议。网络可以是因特网，也可以是任何网络，包括但不限于广域网、城域网、区域网、第三代合作伙伴计划(3rd generation partnership project，3gpp)、长期演进(long term evolution lte)、全球互通微波访问(worldwide interoperability for microwave access wimax)的移动通信，或基于tcp/ip协议族(tcp/ipprotocol suite tcp/ip)、用户数据报协议(user datagram protocol udp的计算机网络通信等。
89.其中，终端设备1、终端设备2、终端设备3、
…
、终端设备n可以用于实时采集供应链上的车辆信息，并将采集的车辆信息传输至服务器200中，服务器200将所述车辆位置信息集合依次输入至时间序列模型，所述时间序列模型输出所述车辆位置信息集合对应的车辆风险预估概率集合；通过所述车辆风险预估概率集合获取所述供应链上的车辆风险预估概率；根据所述车辆风险预估概率获取所述供应链上的车辆征信结果；基于所述车辆征信结果获得车辆所属公司的征信结果。
90.在本技术实施例中，终端设备1、终端设备2、终端设备3、
…
、终端设备n采集车辆位置信息之后，可以通过卫星通信将其传输至服务器200，具体为终端设备1、终端设备2、终端设备3、
…
、终端设备n将采集的车辆位置信息传输至离车辆最近的基站，基站利用边缘计算能力，判断最短到达卫星时间，并将车辆位置信息经过功率放大器后传输给卫星，卫星将车辆位置信息传输到服务器最近的基站，由城市内网光纤，将车辆位置信息传输传输至服务器中，至此完成了车辆位置信息的采集。同时，在采集车辆位置信息时，可以与运营商合作，建立相关专线的5g基站，提供超大连接数，保障通信低延时。
91.如图2所示，为本发明实施例提供的一种基于供应链的金融征信方法的流程示意图，所述方法包括：
92.步骤s101，实时采集供应链上时间间隔内的车辆位置信息，获得车辆位置信息集合；
93.具体的，在本实施例中，实时采集车辆由供应链相应运输线路的起始站点到结束站点的位置信息，在采集时，可以将运输线路通过时间间隔划分为多个运输线路段，采集每
个运输线路段的位置信息，然后将每个运输线路段的位置信息根据相应时间间隔的顺序组合成车辆位置信息集合。
94.需要说明的是，在本技术实施例中，车辆为用于运送货物的汽车，车辆位置信息为车辆所在位置的经纬度。
95.在进行车辆位置信息采集时，可以在车辆上安装相关的定位仪器获取车辆的位置信息，或者通过车辆上运输人员携带的具有定位功能的通讯工具获取车辆的位置信息，或者在各时间间隔中通过人工调查或测量仪器的方式获取车辆的位置信息，测量仪器包括：磁频检测、波频检测和视频检测，具体的获取方式，在本技术实施例中不做具体限定。
96.步骤s102，将所述车辆位置信息集合依次输入至时间序列模型，所述时间序列模型输出所述车辆位置信息集合对应的车辆风险预估概率集合；
97.具体的，在本实施例中，将采集的每个时间间隔内的车辆位置信息根据采集时间间隔的顺序依次输入时间序列模型，时间序列模型根据输入的车辆位置信息获取每个时间间隔的车辆风险预估概率并输出，得到每个时间间隔中通过车辆位置信息预测的车辆风险预估概率，进而得到供应链上的车辆风险预估概率集合。
98.需要说明的是，在本技术实施例中，首先根据车辆在供应链运输路线上的历史运行数据，如运输线路距离、运输线路路口、车辆在运输线路上的用时时长、车辆的平均行驶速度、风险发生情况等，综合运行数据生成参考风险标准；然后将参考标准和车辆位置信息之间形成映射关系，在后续获取车辆的征信结果时，可以通过车辆的位置信息和映射关系，获取参考风险标准中的相对应的参考风险，根据参考风险生成车辆风险预估概率。
99.需要说明的是，在本技术实施例中，将车辆位置信息输入时间序列模型之前，对车辆位置信息进行预处理，将车辆位置信息转换为时间序列模型对应的嵌入值后，将其输入时间序列模型进行对应的风险预测。优选的，在本实施例中，首先将车辆的位置信息按照时间和经纬度拼接作为输入(nx2)，其中，n为时间长度，2为位置坐标，然后将输入(nx2)输入至时间序列模型中进行对应的风险预估概率。
100.步骤s103，通过所述车辆风险预估概率集合获取所述供应链上的车辆风险预估概率；
101.具体的，在本实施例中，得到供应链上各时间间隔对应的车辆风险预估概率后，通过对各时间间隔内的车辆风险预估概率进一步处理(具体的处理过程在下文进行详细阐述)，得到供应链运输路线上的车辆风险预估概率。
102.步骤s104，根据所述车辆风险预估概率获取所述供应链上的车辆征信结果。
103.具体的，在本实施中，首先结合车辆的历史运输情况和该车辆发生风险的情况生成概率阈值，获取车辆在供应链运输线路上的车辆风险预估概率之后，将车辆风险预估概率和概率阈值进行比较，获取车辆的征信结果。
104.步骤s105，基于所述车辆征信结果获得车辆所属公司的征信结果。
105.具体的，在本实施例中，首先根据公司产品供给关系，获取公司与产品需求公司之间的供应链，接着获取供应链上车辆的征信结果。
106.基于所述车辆征信结果获得车辆所属公司的征信结果，包括：获取一段时间内公司所有供应链上的所有车辆的征信结果，若车辆征信结果不通过的数量没有超过数量阈值，则公司征信结果为通过，否则为不通过。
107.需要说明的是，在本技术实施例中，也可以通过获取的车辆征信结果直接获取车辆所属公司的征信结果。若车辆征信结果为通过，则所属公司的征信结果为通过；若车辆征信结果为不通过，则所属公司的征信结果为不通过。
108.本实施例中提供的基于供应链的金融征信方法，通过采集的供应链上车辆位置信息对车辆所属公司进行征信，可以根据车辆征信结果实时监控公司的偿付能力，减少坏账，避免损失。且将运输链上的车辆征信结果应用于企业征信中，使放贷更加灵活和智能化，拓展了金融征信手段，使企业征信要素更加多样化。
109.在一些实施例中，如图3所示，为本发明实施例提供的一种供应链上的车辆风险预估概率的流程示意图，所述步骤s103包括：
110.步骤s1031，将所述车辆风险预估概率集合中每个时间间隔对应的车辆风险预估概率相加，获取风险预估概率相加结果；
111.步骤s1032，通过所述风险预估概率相加结果与供应链上时间间隔总数量的比值，获得所述供应链上的车辆风险预估概率。
112.具体的，在本实施例中，获取供应链上所有时间间隔对应的车辆风险预估概率之后，取其平均值作为车辆风险预估概率。
113.在一些实施例中，如图4所示，为本发明实施例提供的一种根据所述车辆风险预估概率获取所述供应链上的车辆征信结果的流程示意图，所述步骤s104包括：
114.步骤s1041，将所述车辆风险预估概率与第一概率阈值、第二概率阈值进行比较；其中，所述第一概率阈值大于所述第二概率阈值
115.步骤s1042，若所述车辆风险预估概率小于所述第二概率阈值，则车辆征信结果为车辆征信通过；
116.步骤s1043，若所述车辆风险预估概率超过所述第一概率阈值，则车辆征信结果为车辆征信不通过。
117.在一些实施例中，如图4所示，所述步骤s104还包括：
118.步骤s1044，若所述车辆风险预估概率小于所述第一概率阈值且大于所述第二概率阈值，获取车辆在供应链上的轨迹得分，根据所述轨迹得分获取车辆征信结果；
119.所述根据所述轨迹得分获取车辆征信结果，具体为：
120.将所述轨迹得分与参考阈值进行比较；
121.若所述轨迹得分在所述参考阈值以上，则车辆征信结果为车辆征信不通过；
122.若所述轨迹得分小于所述参考阈值，则车辆征信结果为车辆征信通过。
123.具体的，在本实施例中，将获取的供应链上的车辆风险预估概率与第一概率阈值和第二概率阈值进行比较，第一概率阈值大于第二概率阈值，当车辆风险预估概率小于第二概率阈值时，车辆征信结果为车辆征信通过；当车辆风险预估概率大于第一概率阈值时，车辆征信结果为车辆征信不通过；当车辆风险预估概率小于第一概率阈值且大于第二概率阈值，获取车辆在供应链上的轨迹得分，将轨迹得分和参考阈值进行比较，若轨迹得分在参考阈值以上，则车辆征信结果为车辆征信不通过；若轨迹得分小于参考阈值，则车辆征信结果为车辆征信通过。
124.需要说明的是，在本实施例中，第一概率阈值、第二概率阈值和参考阈值根据实际运行轨迹与风险发生的经验设定。
125.在一些实施例中，所述获取车辆在供应链上的轨迹得分，包括：
126.将所述车辆位置信息集合依次输入至时间序列模型，所述时间序列模型输出所述车辆位置信息集合对应的车辆预测轨迹集合；
127.获取每个时间间隔内的车辆实际运行轨迹，通过每个时间间隔内所述车辆实际运行轨迹、车辆预测轨迹和时间间隔获取轨迹得分。
128.优选的，所述通过每个时间间隔内所述车辆实际运行轨迹、车辆预测轨迹和时间间隔获取轨迹得分，包括：
129.获取每个时间间隔内的所述车辆实际运行轨迹和车辆预测轨迹的欧式距离；
130.将每个时间间隔的欧式距离乘以时间间隔的倒数，获得时间间隔轨迹得分；
131.将所述供应链上所有的所述时间间隔轨迹得分相加，获得轨迹得分。
132.具体的，在本实施例中，将收集的每个时间间隔内的车辆位置信息通过时间序列模型预测得到每个时间间隔的车辆预测轨迹，然后获取每个时间间隔内车辆的预测轨迹和车辆实际运行轨迹之间的欧氏距离，然后将每个时间间隔之间的欧式距离与时间间隔的倒数相乘，得到每个时间间隔轨迹得分。将所述时间间隔迹得分相加，得到了供应链上的轨迹得分。
133.通过欧氏距与时间间隔的倒数相乘，减小时间间隔对轨迹得分的影响。
134.在一些实施例中，所述方法还包括将每个时间间隔内的车辆风险预估概率与第一概率阈值、第二概率阈值进行比较；其中，所述第一概率阈值大于所述第二概率阈值；
135.若该时间间隔内所述车辆风险预估概率小于所述第二概率阈值，则不进行告警；
136.若该时间间隔内所述车辆风险预估概率超过所述第一概率阈值，则进行告警。
137.在一些实施例中，所述方法还包括：
138.若该时间间隔内所述车辆风险预估概率小于所述第一概率阈值且大于所述第二概率阈值，获取该时间间隔内车辆的轨迹得分，根据该时间间隔内车辆的轨迹得分获取告警结果；
139.所述获取该时间间隔内车辆的轨迹得分，根据该时间间隔内车辆的轨迹得分获取告警结果，包括：
140.获取该时间间隔内的所述车辆实际运行轨迹和车辆预测轨迹的欧式距离；
141.将该时间间隔的欧式距离乘以该时间间隔的倒数，获得该时间间隔内车辆的轨迹得分；
142.若该时间间隔内车辆的轨迹得分在参考阈值以上，则进行告警；
143.若该时间间隔内车辆的轨迹得分小于参考阈值，则不告警。
144.具体的，在本实施例中，通过对每个时间间隔的车辆风险进行监控，可以对车辆在运行中不符合规范的情况进行告警，实现风险预警，进而可以提前采取应对政策，避免一些风险发生。
145.在一些实施例中，所述方法还包括：
146.若所述车辆征信通过，增长该车辆在供应链上实时获取车辆位置信息的时间间隔；
147.若所述车辆征信不通过，缩短该车辆在供应链上实时获取车辆位置信息的时间间隔。
148.具体的，在本实施例中，若供应链上的车辆征信通过，说明该车辆运行信誉良好，增长车辆在供应链上采集位置信息的时间间隔。若供应链上的车辆征信不通过，说明该车辆运行信誉较差，缩短车辆在供应链上采集位置信息的时间间隔，对其更加密集的监控。
149.在一些实施例中，将所述车辆位置信息集合依次输入至时间序列模型，所述时间序列模型输出所述车辆位置信息集合对应的车辆风险预估概率集合之前，还包括：
150.获取供应链上车辆的行驶轨迹作为样本数据集；所述样本数据集包括训练集、验证集和测试集；
151.基于所述训练集对所述时间序列模型进行预训练，获取初级时间序列模型；
152.基于所述验证集，对所述初级时间序列模型进行优化，获取所述初级时间序列模型的优化参数；并确定所述优化参数对应的所述初级时间序列模型为中级时间序列模型；
153.基于所述测试集，对所述中级时间序列模型进行测试和优化，获取所述训练好的时间序列模型。
154.具体的，在本实施例中，时间序列模型选择n-beats模型结构，首先应用全连接层，激活层和池化层依次相连构建block。其中，1个block由5个全连接层和1层线性变换层组成。block输出分为两部分，第一部分是预测未来的一维向量，第二部分是预测过去的一维向量。block输入则是由上一层block输入减去上一层block预测过去那部分输出组成。将构建好的block按照一定数量串联，形成stack层。stack的输出则是每层block预测未来那部分输出相加而得到。将stack按照一定数量串联，形成整个时间序列模型，其中输出为stack输出累加而来。预测层由线性映射构成，输入为stack输出累加和stack的输出进行堆叠得到。其中损失函数由mseloss和celoss组，mseloss主要计算轨迹预测值的误差，celoss主要对是否发生风险进行分类(公式如下)。优化器选择adamw优化器，学习率为5e-4
，根据梯度下降算法对模型进行训练。
[0155][0156]
l
ce
＝qlog(1-p)+(1-q)log(p)
[0157]
其中，l
mse
为轨迹预测误差，l
ce
为是否发生风险，pi为第i帧预测轨迹，gi为第i帧真实轨迹，t为时间间隔；q为真实发生风险的值，p为预测发生风险的值。
[0158]
在一些实施例中，所述方法还包括：
[0159]
关联供应链上的车辆信息，所述车辆信息包括车辆所属的公司信息，所述车辆所属的公司信息包括该公司的贷款项目。
[0160]
具体的，在本实施例中，将公司、车辆和供应链进行关联，方便管理。
[0161]
在一些实施例中，所述方法还包括：获取司机信息，将所述司机信息关联至所述供应链上的车辆上。
[0162]
具体的，在本实施例中，将司机和车辆进行关联，可以在监控过程，减少人为有意造成的影响，同时，可以在运输过程中，方便及时联系。
[0163]
其中，可以提前搭建一个应用程序，在应用程序上按照不同供应链和上下游关系结构(如运输链路上的所有信息、起始、如货品的接收相关公司)，填写相关公司信息(如营业执照、管理平台和货物接收公司等)以及贷款项目等，同时，添加相关运货人员名单和车
辆信息。司机在该应用程序上通过注册，上传个人信息并绑定对应供应链和车辆，实现司机、车辆、公司与被供货公司之间的关联。
[0164]
如图5所示，为本发明实施例提供的一种基于供应链的金融征信装置的结构示意图，所述装置包括：
[0165]
位置信息获取模块501，用于实时获取供应链上时间间隔内的车辆位置信息，获得车辆位置信息集合；
[0166]
第一风险获取模块502，用于将所述车辆位置信息集合依次输入至时间序列模型，所述时间序列模型输出所述车辆位置信息集合对应的车辆风险预估概率集合；
[0167]
第二风险获取模块503，用于通过所述车辆风险预估概率集合获取所述供应链上的车辆风险预估概率；
[0168]
车辆征信结果输出模块504，用于根据所述车辆风险预估概率获取所述供应链上的车辆征信结果；
[0169]
公司征信结果获取模块505，用于基于所述车辆征信结果获得车辆所属公司的征信结果。
[0170]
在一些实施例中，第二风险获取模块还用于：
[0171]
将所述车辆风险预估概率集合中每个时间间隔对应的车辆风险预估概率相加，获取风险预估概率相加结果；
[0172]
通过所述风险预估概率相加结果与供应链上时间间隔总数量的比值，获得所述供应链上的车辆风险预估概率。
[0173]
在一些实施例中，车辆征信结果输出模块还用于：
[0174]
将所述车辆风险预估概率与第一概率阈值、第二概率阈值进行比较；其中，所述第一概率阈值大于所述第二概率阈值；
[0175]
若所述车辆风险预估概率小于所述第二概率阈值，则车辆征信结果为车辆征信通过；
[0176]
若所述车辆风险预估概率超过所述第一概率阈值，则车辆征信结果为车辆征信不通过。
[0177]
在一些实施例中，车辆征信结果输出模块还用于：
[0178]
若所述车辆风险预估概率小于所述第一概率阈值且大于所述第二概率阈值，获取车辆在供应链上的轨迹得分，根据所述轨迹得分获取车辆征信结果；
[0179]
所述根据所述轨迹得分获取车辆征信结果，具体为：
[0180]
将所述轨迹得分与参考阈值进行比较；
[0181]
若所述轨迹得分在所述参考阈值以上，则车辆征信结果为车辆征信不通过；
[0182]
若所述轨迹得分小于所述参考阈值，则车辆征信结果为车辆征信通过。
[0183]
在一些实施例中，车辆征信结果输出模块还用于：
[0184]
获取车辆在供应链上的轨迹得分，包括：
[0185]
将所述车辆位置信息集合依次输入至时间序列模型，所述时间序列模型输出所述车辆位置信息集合对应的车辆预测轨迹集合；
[0186]
获取每个时间间隔内的车辆实际运行轨迹，通过每个时间间隔内所述车辆实际运行轨迹、车辆预测轨迹和时间间隔获取轨迹得分。
[0187]
在一些实施例中，车辆征信结果输出模块还用于：
[0188]
通过每个时间间隔内所述车辆实际运行轨迹、车辆预测轨迹和时间间隔获取轨迹得分，包括：
[0189]
获取每个时间间隔内的所述车辆实际运行轨迹和车辆预测轨迹的欧式距离；
[0190]
将每个时间间隔的欧式距离乘以时间间隔的倒数，获得时间间隔轨迹得分；
[0191]
将所述供应链上所有的所述时间间隔轨迹得分相加，获得轨迹得分。
[0192]
在一些实施例中，所述装置还包括：
[0193]
告警模块，用于将每个时间间隔内的车辆风险预估概率与第一概率阈值、第二概率阈值进行比较；其中，所述第一概率阈值大于所述第二概率阈值；
[0194]
若该时间间隔内所述车辆风险预估概率小于所述第二概率阈值，则不进行告警；
[0195]
若该时间间隔内所述车辆风险预估概率超过所述第一概率阈值，则进行告警。
[0196]
在一些实施例中，所述告警模块还用于
[0197]
若该时间间隔内所述车辆风险预估概率小于所述第一概率阈值且大于所述第二概率阈值，获取该时间间隔内车辆的轨迹得分，根据该时间间隔内车辆的轨迹得分获取告警结果；
[0198]
所述获取该时间间隔内车辆的轨迹得分，根据该时间间隔内车辆的轨迹得分获取告警结果，包括：
[0199]
获取该时间间隔内的所述车辆实际运行轨迹和车辆预测轨迹的欧式距离；
[0200]
将该时间间隔的欧式距离乘以该时间间隔的倒数，获得该时间间隔内车辆的轨迹得分；
[0201]
若该时间间隔内车辆的轨迹得分在参考阈值以上，则进行告警；
[0202]
若该时间间隔内车辆的轨迹得分小于参考阈值，则不告警。
[0203]
在一些实施例中，所述装置还包括：
[0204]
时间间隔控制模块，用于若所述车辆征信通过，增长该车辆在供应链上实时获取车辆位置信息的时间间隔；
[0205]
若所述车辆征信不通过，缩短该车辆在供应链上实时获取车辆位置信息的时间间隔。
[0206]
在一些实施例中，所述装置还包括：
[0207]
模型训练模块，用于获取供应链上车辆的行驶轨迹作为样本数据集；所述样本数据集包括训练集、验证集和测试集；
[0208]
基于所述训练集对所述时间序列模型进行预训练，获取初级时间序列模型；
[0209]
基于所述验证集，对所述初级时间序列模型进行优化，获取所述初级时间序列模型的优化参数；并确定所述优化参数对应的所述初级时间序列模型为中级时间序列模型；
[0210]
基于所述测试集，对所述中级时间序列模型进行测试和优化，获取所述训练好的时间序列模型。
[0211]
在一些实施例中，所述装置还包括：
[0212]
关联模块，用于关联供应链上的车辆信息，所述车辆信息包括车辆所属的公司信息，所述车辆所属的公司信息包括该公司的贷款项目。
[0213]
在一些实施例中，所述关联模块还用于获取司机信息，将所述司机信息关联至所
述供应链上的车辆上。
[0214]
关于基于供应链的金融征信装置中各模块实现上述技术方案的其他细节，可参见上述提供的基于供应链的金融征信方法中的描述，此处不再赘述。
[0215]
在一些实施例中，如图6所示，为本发明实施例提供的一种基于供应链的金融征信设备的结构示意图，该设备包括存储器601和处理器602，所述存储器601存储有计算机程序，所述计算机程序被所述处理器602执行时，使得所述处理器601执行如下步骤：
[0216]
实时采集供应链上时间间隔内的车辆位置信息，获得车辆位置信息集合；
[0217]
将所述车辆位置信息集合依次输入至时间序列模型，所述时间序列模型输出所述车辆位置信息集合对应的车辆风险预估概率集合；
[0218]
通过所述车辆风险预估概率集合获取所述供应链上的车辆风险预估概率；
[0219]
根据所述车辆风险预估概率获取所述供应链上的车辆征信结果；
[0220]
基于所述车辆征信结果获得车辆所属公司的征信结果。
[0221]
关于基于供应链的金融征信设备中处理器601实现上述技术方案的其他细节，可参见上述提供的基于供应链的金融征信方法中的描述，此处不再赘述。
[0222]
其中，处理器601还可以称为cpu(central processing unit，中央处理单元)，处理器601可能是一种集成电路芯片，具有信号的处理能力；处理器601还可以是通用处理器、dsp(digital signal process，数字信号处理器)、asic(application specific integrated circuit，专用集成电路)、fpga(field programmable gata array，现场可编程门阵列)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件，其中通用处理器可以是微处理器或者该处理器601也可以是任何常规的处理器等。
[0223]
在一些实施例中，如图7所示，为本发明实施例提供的一种计算机可读存储介质的结构示意图，该存储介质上存储有可读的计算机程序701；其中，该计算机程序701可以以软件产品的形式存储在上述存储介质中，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务机器，或者网络设备等)或处理器(processor)执行以下步骤：
[0224]
实时采集供应链上时间间隔内的车辆位置信息，获得车辆位置信息集合；
[0225]
将所述车辆位置信息集合依次输入至时间序列模型，所述时间序列模型输出所述车辆位置信息集合对应的车辆风险预估概率集合；
[0226]
通过所述车辆风险预估概率集合获取所述供应链上的车辆风险预估概率；
[0227]
根据所述车辆风险预估概率获取所述供应链上的车辆征信结果；
[0228]
基于所述车辆征信结果获得车辆所属公司的征信结果。
[0229]
而前述的存储介质包括：u盘、移动硬盘、磁碟或者光盘、rom(read-only memory，只读存储器)、ram(random access memory，随机存取存储器)等各种可以存储程序代码的介质，或者是计算机、服务机器、手机、平板等终端设备。
[0230]
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程，是可以通过计算机程序来指令相关的硬件来完成，所述的程序可存储于一非易失性计算机可读取存储介质中，该程序在执行时，可包括如上述各方法的实施例的流程。其中，本技术所提供的各实施例中所使用的对存储器、存储、数据库或其它介质的任何引用，均可包括非易失性和/或易失性存储器。非易失性存储器可包括只读存储器(rom)、可编程rom(prom)、电可编程rom(eprom)、电可擦除可编程rom(eeprom)或闪存。易失性存储器可包括随机存取存储器
(ram)或者外部高速缓冲存储器。作为说明而非局限，ram以多种形式可得，诸如静态ram(sram)、动态ram(dram)、同步dram(sdram)、双数据率sdram(ddrsdram)、增强型sdram(esdram)、同步链路(synchlink)dram(sldram)、存储器总线(rambus)直接ram(rdram)、直接存储器总线动态ram(drdram)、以及存储器总线动态ram(rdram)等。
[0231]
以上实施例的各技术特征可以进行任意的组合，为使描述简洁，未对上述实施例中的各个技术特征所有可能的组合都进行描述，然而，只要这些技术特征的组合不存在矛盾，都应当认为是本说明书记载的范围。
[0232]
以上所述实施例仅表达了本技术的几种实施方式，其描述较为具体和详细，但并不能因此而理解为对本技术专利范围的限制。应当指出的是，对于本领域的普通技术人员来说，在不脱离本技术构思的前提下，还可以做出若干变形和改进，这些都属于本技术的保护范围。因此，本技术专利的保护范围应以所附权利要求为准。

技术特征：
1.一种基于供应链的金融征信方法，其特征在于，所述方法包括：实时采集供应链上时间间隔内的车辆位置信息，获得车辆位置信息集合；将所述车辆位置信息集合依次输入至时间序列模型，所述时间序列模型输出所述车辆位置信息集合对应的车辆风险预估概率集合；通过所述车辆风险预估概率集合获取所述供应链上的车辆风险预估概率；根据所述车辆风险预估概率获取所述供应链上的车辆征信结果；基于所述车辆征信结果获得车辆所属公司的征信结果。2.根据权利要求1所述的基于供应链的金融征信方法，其特征在于，所述通过所述车辆风险预估概率集合获取所述供应链上的车辆风险预估概率，包括：将所述车辆风险预估概率集合中每个时间间隔对应的车辆风险预估概率相加，获取风险预估概率相加结果；通过所述风险预估概率相加结果与供应链上时间间隔总数量的比值，获得所述供应链上的车辆风险预估概率。3.根据权利要求1所述的基于供应链的金融征信方法，其特征在于，所述根据所述车辆风险预估概率获取所述供应链上的车辆征信结果，包括：将所述车辆风险预估概率与第一概率阈值、第二概率阈值进行比较；其中，所述第一概率阈值大于所述第二概率阈值；若所述车辆风险预估概率小于所述第二概率阈值，则车辆征信结果为车辆征信通过；若所述车辆风险预估概率超过所述第一概率阈值，则车辆征信结果为车辆征信不通过。4.根据权利要求3所述的基于供应链的金融征信方法，其特征在于，所述根据所述车辆风险预估概率获取所述供应链上的车辆征信结果，还包括：若所述车辆风险预估概率小于所述第一概率阈值且大于所述第二概率阈值，获取车辆在供应链上的轨迹得分，根据所述轨迹得分获取车辆征信结果；所述根据所述轨迹得分获取车辆征信结果，具体为：将所述轨迹得分与参考阈值进行比较；若所述轨迹得分在所述参考阈值以上，则车辆征信结果为车辆征信不通过；若所述轨迹得分小于所述参考阈值，则车辆征信结果为车辆征信通过。5.根据权利要求3所述的基于供应链的金融征信方法，其特征在于，所述获取车辆在供应链上的轨迹得分，包括：将所述车辆位置信息集合依次输入至时间序列模型，所述时间序列模型输出所述车辆位置信息集合对应的车辆预测轨迹集合；获取每个时间间隔内的车辆实际运行轨迹，通过每个时间间隔内所述车辆实际运行轨迹、车辆预测轨迹和时间间隔获取轨迹得分。6.根据权利要求5所述的基于供应链的金融征信方法，其特征在于，所述通过每个时间间隔内所述车辆实际运行轨迹、车辆预测轨迹和时间间隔获取轨迹得分，包括：获取每个时间间隔内的所述车辆实际运行轨迹和车辆预测轨迹的欧式距离；将每个时间间隔的欧式距离乘以时间间隔的倒数，获得时间间隔轨迹得分；将所述供应链上所有的所述时间间隔轨迹得分相加，获得轨迹得分。
7.根据权利要求1-6任一项所述的基于供应链的金融征信方法，其特征在于，所述方法还包括：将每个时间间隔内的车辆风险预估概率与第一概率阈值、第二概率阈值进行比较；其中，所述第一概率阈值大于所述第二概率阈值；若该时间间隔内所述车辆风险预估概率小于所述第二概率阈值，则不进行告警；若该时间间隔内所述车辆风险预估概率超过所述第一概率阈值，则进行告警。8.根据权利要求7所述的基于供应链的金融征信方法，其特征在于，所述方法还包括：若该时间间隔内所述车辆风险预估概率小于所述第一概率阈值且大于所述第二概率阈值，获取该时间间隔内车辆的轨迹得分，根据该时间间隔内车辆的轨迹得分获取告警结果；所述获取该时间间隔内车辆的轨迹得分，根据该时间间隔内车辆的轨迹得分获取告警结果，包括：获取该时间间隔内的所述车辆实际运行轨迹和车辆预测轨迹的欧式距离；将该时间间隔的欧式距离乘以该时间间隔的倒数，获得该时间间隔内车辆的轨迹得分；若该时间间隔内车辆的轨迹得分在参考阈值以上，则进行告警；若该时间间隔内车辆的轨迹得分小于参考阈值，则不告警。9.根据权利要求1所述的基于供应链的金融征信方法，其特征在于，所述方法还包括：若所述车辆征信通过，增长该车辆在供应链上实时获取车辆位置信息的时间间隔；若所述车辆征信不通过，缩短该车辆在供应链上实时获取车辆位置信息的时间间隔。10.根据权利要求1所述的基于供应链的金融征信方法，其特征在于，将所述车辆位置信息集合依次输入至时间序列模型，所述时间序列模型输出所述车辆位置信息集合对应的车辆风险预估概率集合之前，还包括：获取供应链上车辆的行驶轨迹作为样本数据集；所述样本数据集包括训练集、验证集和测试集；基于所述训练集对所述时间序列模型进行预训练，获取初级时间序列模型；基于所述验证集，对所述初级时间序列模型进行优化，获取所述初级时间序列模型的优化参数；并确定所述优化参数对应的所述初级时间序列模型为中级时间序列模型；基于所述测试集，对所述中级时间序列模型进行测试和优化，获取所述训练好的时间序列模型。11.根据权利要求1所述的基于供应链的金融征信方法，其特征在于，所述方法还包括：关联供应链上的车辆信息，所述车辆信息包括车辆所属的公司信息，所述车辆所属的公司信息包括该公司的贷款项目。12.根据权利要求11所述的基于供应链的金融征信方法，其特征在于，所述方法还包括：获取司机信息，将所述司机信息关联至所述供应链上的车辆上。13.一种基于供应链的金融征信装置，其特征在于，所述装置包括：位置信息获取模块，用于实时获取供应链上时间间隔内的车辆位置信息，获得车辆位置信息集合；
第一风险获取模块，用于将所述车辆位置信息集合依次输入至时间序列模型，所述时间序列模型输出所述车辆位置信息集合对应的车辆风险预估概率集合；第二风险获取模块，用于通过所述车辆风险预估概率集合获取所述供应链上的车辆风险预估概率；车辆征信结果输出模块，用于根据所述车辆风险预估概率获取所述供应链上的车辆征信结果；公司征信结果获取模块，用于基于所述车辆征信结果获得车辆所属公司的征信结果。14.一种基于供应链的金融征信设备，包括存储器和处理器，所述存储器存储有计算机程序，所述计算机程序被所述处理器执行时，使得所述处理器执行如权利要求1至12中任一项所述方法的步骤。15.一种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，使得所述处理器执行如权利要求1至12中任一项所述方法的步骤。

技术总结
本发明实施例公开了一种基于供应链的金融征信方法、装置、设备及存储介质，所述方法包括：实时采集供应链上时间间隔内的车辆位置信息，获得车辆位置信息集合；将所述车辆位置信息集合依次输入至时间序列模型，所述时间序列模型输出所述车辆位置信息集合对应的车辆风险预估概率集合；通过所述车辆风险预估概率集合获取所述供应链上的车辆风险预估概率；根据所述车辆风险预估概率获取所述供应链上的车辆征信结果；基于所述车辆征信结果获得车辆所属公司的征信结果。该方法可以减少坏账，避免损失。且将运输链上的车辆征信结果应用于企业征信中，使放贷更加灵活和智能化，拓展了金融征信手段，使企业征信要素更加多样化。使企业征信要素更加多样化。使企业征信要素更加多样化。


技术研发人员：周博 苏沁宁
受保护的技术使用者：平安银行股份有限公司
技术研发日：2023.06.05
技术公布日：2023/8/1