本申请涉及金融科技技术领域，具体而言，本申请涉及一种基于夜光遥感数据的模型训练方法、违约预测方法。
背景技术：
在信贷场景下的信用风险评价过程中，企业的经营健康状况或个人的经济收入稳定情况往往是影响信贷风险的主要因素，但其很大程度上受外部宏观环境的影响，尤其是在不同地域和行业中存在着显著差异，因此需要对客户当前的宏观信用风险进行较为准确的评估。以往对当前客户所处的宏观经济状态的考量主要基于传统的官方统计数据，但是由于数据统计难度大、成本高、周期长，传统的官方统计数据并没有非常准确地测度宏观经济活动，尤其是对于发展中国家，由于政府统计机制的不完善、不同地区统计口径不一致以及较大比例的经济活动并没有被纳入统计范畴，这些国家的国内价格指数和实际国内生产总值等统计结果均存在较大的测量偏误。且官方公布的数据还存在时效性差的问题，在宏观环境恶化时，由于不能及时获得可靠信息，往往会造成信贷产品整体违约率的升高，为金融机构带来巨大损失。
随着遥感技术的进步，影像分辨率的不断提高，卫星遥感数据被广泛证实与人类社会的宏观经济之前存在高度相关性。且遥感数据具备时空连续、独立客观等优势，已被用来监测地区森林覆盖度、空气污染、以及基础设施投资等，成为测度宏观经济状态的常用数据源之一。如何使用夜光遥感数据服务于信贷场景，在宏观信用风险评价的过程中快速且准确地对外部环境变化做出智能化响应、提高整体宏观信用评价系统的准确性与稳定性是本发明要解决的主要问题。
技术实现要素：
本申请提供了一种基于夜光遥感数据的模型训练方法、违约预测方法，用于解决基于官方统计数据预测宏观经济活动的时效性差的问题，用于提升预测的宏观经济活动的时效性。本申请采用的技术方案如下：
第一方面，提供了基于夜光遥感数据的违约预测模型训练方法，包括：
确定目标区域各时间窗口的历史夜光遥感数据，并基于各时间窗口的历史夜光遥感数据确定各时间窗口的夜光衍生特征指标；
确定目标区域各时间窗口的违约率；
基于目标区域各时间窗口的违约率以及目标区域各时间窗口的夜光衍生特征指标训练违约预测模型。
可选地，确定目标区域各时间窗口的违约率，包括：
获取目标区域预定时间段内的多个目标对象的债项数据；
基于目标区域预定时间段内的多个目标对象的债项数据确定各时间窗口的违约率。
可选地，该方法还包括：
获取多个目标区域的边界矢量数据，以及整体夜光遥感数据；
基于各个目标区域的边界矢量数据以及整体夜光遥感数据，得到各个目标区域的夜光遥感数据。
可选地，夜光衍生特征指标包括夜光总强度指标、莫兰指数指标、周中周末夜光强度对比指标、前半夜与后半夜夜光强度对比指标。
可选地，该方法还包括：
确定夜光衍生特征指标的同比增长；
基于目标区域各时间窗口的违约率以及目标区域各时间窗口的夜光衍生特征指标训练违约预测模型，包括：
基于目标区域各时间窗口的违约率以及目标区域各时间窗口的夜光衍生特征指标的同比增长训练违约预测模型。
可选地，基于目标区域各时间窗口的违约率以及目标区域各时间窗口的夜光衍生特征指标的同比增长训练违约预测模型，包括：
使用梯度提升方法、线性回归方法、岭回归方法、svm方法、随机森林方法、深度学习方法训练违约预测模型。
第二方面，本申请实施例提供了一种基于夜光遥感数据的违约预测方法，包括：
确定目标区域预定时间窗口的夜光遥感数据，并基于预定时间窗口的夜光遥感数据确定目标区域预定时间窗口的夜光衍生特征指标；
基于目标区域的预定时间窗口的夜光衍生特征指标通过第一方面任一项的违约预测模型确定违约概率，并将该违约概率作为宏观信用风险评估结果。
可选地，该方法还包括：
获取多个目标区域的边界矢量数据，以及整体夜光遥感数据；
基于各个目标区域的边界矢量数据以及整体夜光遥感数据，得到各个目标区域的夜光遥感数据。
可选地，夜光衍生特征指标包括夜光总强度指标、莫兰指数指标、周中周末夜光强度对比指标、前半夜与后半夜夜光强度对比指标。
可选地，该方法还包括：
确定夜光衍生特征指标的同比增长；
基于目标区域的预定时间窗口的夜光衍生特征指标通过第一方面任一项的违约预测模型确定违约概率，包括：
基于目标区域预定时间窗口的夜光衍生特征指标的同比增长通过第一方面任一项的违约预测模型确定违约概率。
第三方面，本申请实施例提供了一种基于夜光遥感数据的违约预测模型训练装置，包括：
第一确定模块，用于确定目标区域各时间窗口的历史夜光遥感数据，并基于各时间窗口的历史夜光遥感数据确定各时间窗口的夜光衍生特征指标；
第二确定模块，用于确定目标区域各时间窗口的违约率；
训练模块，用于基于目标区域各时间窗口的违约率以及目标区域各时间窗口的夜光衍生特征指标训练违约预测模型。
可选地，第二确定模块，还用于获取目标区域预定时间段内的多个目标对象的债项数据；以及用于基于目标区域预定时间段内的多个目标对象的债项数据确定各时间窗口的违约率。
可选地，该装置还包括：
第一获取模块，用于获取多个目标区域的边界矢量数据，以及整体夜光遥感数据；
第一得到模块，用于基于各个目标区域的边界矢量数据以及整体夜光遥感数据，得到各个目标区域的夜光遥感数据。
可选地，夜光衍生特征指标包括夜光总强度指标、莫兰指数指标、周中周末夜光强度对比指标、前半夜与后半夜夜光强度对比指标。
可选地，该装置还包括：
第三确定模块，用于确定夜光衍生特征指标的同比增长；
训练模块，还用于基于目标区域各时间窗口的违约率以及目标区域各时间窗口的夜光衍生特征指标的同比增长训练违约预测模型。
可选地，训练模块，还用于使用梯度提升方法、线性回归方法、岭回归方法、svm方法、随机森林方法、深度学习方法训练违约预测模型。
第四方面，本申请示例提供了一种基于夜光遥感数据的违约预测装置，包括：
第四确定模块，用于确定目标区域预定时间窗口的夜光遥感数据，并基于预定时间窗口的夜光遥感数据确定目标区域预定时间窗口的夜光衍生特征指标；
预测模块，用于基于目标区域的预定时间窗口的夜光衍生特征指标通过第一方面所示的任一项的违约预测模型确定违约概率，并将该违约概率作为宏观信用风险评估结果。
可选地，该装置还包括：
第二获取模块，用于获取多个目标区域的边界矢量数据，以及整体夜光遥感数据；
第二得到模块，用于基于各个目标区域的边界矢量数据以及整体夜光遥感数据，得到各个目标区域的夜光遥感数据。
可选地，夜光衍生特征指标包括夜光总强度指标、莫兰指数指标、周中周末夜光强度对比指标、前半夜与后半夜夜光强度对比指标。
可选地，该装置还包括：
第五确定模块，用于确定夜光衍生特征指标的同比增长；
预测模块，还用于基于目标区域预定时间窗口的夜光衍生特征指标的同比增长通过第一方面所示的任一项的违约预测模型确定违约概率。
第五方面，提供了一种电子设备，该电子设备包括：
一个或多个处理器；
存储器；
一个或多个应用程序，其中一个或多个应用程序被存储在存储器中并被配置为由一个或多个处理器执行，一个或多个程序配置用于：执行第一方面和第二方面所示的方法。
第六方面，提供了一种计算机可读存储介质，计算机存储介质用于存储计算机指令，当其在计算机上运行时，使得计算机可以执行第一方面和第二方面所示的方法。
本申请提供了一种基于夜光遥感数据的模型训练方法、违约预测方法，与现有技术通过官方统计的数据进行宏观信用风险相比，本申请通过确定目标区域预定时间窗口的夜光遥感数据，并基于预定时间窗口的夜光遥感数据确定目标区域预定时间窗口的夜光衍生特征指标；基于目标区域的预定时间窗口的夜光衍生特征指标通过违约预测模型确定违约概率，并将该违约概率作为宏观信用风险评估结果。即根据夜光遥感数据进行宏观信用风险的评估，避免基于官方统计数据的进行宏观信用风险评估的滞后性，从而提升宏观信用风险评估的时效性。
本申请附加的方面和优点将在下面的描述中部分给出，这些将从下面的描述中变得明显，或通过本申请的实践了解到。
附图说明
本申请上述的和/或附加的方面和优点从下面结合附图对实施例的描述中将变得明显和容易理解，其中：
图1为本申请实施例的一种基于夜光遥感数据的违约预测模型训练方法的流程示意图；
图2为本申请实施例的基于夜光遥感数据的违约预测方法的流程示意图；
图3为本申请实施例的基于夜光遥感数据的违约预测模型训练装置的结构示意图；
图4为本申请实施例的基于夜光遥感数据的违约预测装置的结构示意图；
图5为本申请实施例的一种电子设备的结构示意图；
图6为本申请实施例的基于夜光遥感数据的违约预测模型训练方法的流程示例图。
具体实施方式
下面详细描述本申请的实施例，各实施例的示例在附图中示出，其中自始至终相同或类似的标号表示相同或类似的元件或具有相同或类似功能的元件。下面通过参考附图描述的实施例是示例性的，仅用于解释本申请，而不能解释为对本申请的限制。
本技术领域技术人员可以理解，除非特意声明，这里使用的单数形式“一”、“一个”和“该”也可包括复数形式。应该进一步理解的是，本申请的说明书中使用的措辞“包括”是指存在特征、整数、步骤、操作、元件和/或组件，但是并不排除存在或添加一个或多个其他特征、整数、步骤、操作、元件、组件和/或它们的组。这里使用的措辞“和/或”包括一个或更多个相关联的列出项的全部或任一单元和全部组合。
为使本申请的目的、技术方案和优点更加清楚，下面将结合附图对本申请实施方式作进一步地详细描述。
下面以具体地实施例对本申请的技术方案以及本申请的技术方案如何解决上述技术问题进行详细说明。下面这几个具体的实施例可以相互结合，对于相同或相似的概念或过程可能在某些实施例中不再赘述。下面将结合附图，对本申请的实施例进行描述。
实施例一
本申请实施例提供了一种基于夜光遥感数据的违约预测模型训练方法，如图1所示，包括：
步骤s101，确定目标区域各时间窗口的历史夜光遥感数据，并基于各时间窗口的历史夜光遥感数据确定各时间窗口的夜光衍生特征指标；其中，目标地区可以为一个也可以为多个，其中，目标地区可以是一个省、市、县等按照行政区域划分的区域；也可以是科技园区等特定行业的区域，从而可以用来训练特定行业的风险预测模型；还可以是行政区域与科技园区的结合；其中，该时间窗口可以是一个月、一周等时间段。
其中，夜光遥感数据可以是suomi国家级轨道伙伴关系卫星(snpp)搭载的可见光红外成像辐射仪(viirs)传感器采集的夜光数据，也可以是其他能够实现本申请功能的方式采集的夜光遥感数据。
步骤s102，确定目标区域各时间窗口的违约率；具体地，可以获取多个企业的债项数据，并确定各企业的违约情况，然后统计确定一定时间段内的违约率。
步骤s103，基于目标区域各时间窗口的违约率以及目标区域各时间窗口的夜光衍生特征指标训练违约预测模型。
对于本申请实施例，传统风险评估模型在考虑国内外地区经济形势时，往往使用官方统计的宏观数据，存在时效性差、统计口技不一致、准确率低等问题。本发明创新地使用更为客观、更及时的夜光遥感数据对宏观信贷风险进行评估，并提出了在风险管控领域中，夜光数据的处理加工逻辑与较为有效的特征指标。并基于经济金融理论，构建了一种更科学、更及时的宏观信贷风险评价系统，可以快速且准确地对外部环境变化做出智能化响应，提升金融机构整体的风控能力。本申请实施例提供了一种，基于夜光遥感数据的违约预测模型训练方法，基于目标区域各时间窗口的违约率以及目标区域各时间窗口的夜光衍生特征指标训练违约预测模型，从而避免通过官方的统计数据进行宏观风险的预测，提升了宏观信用风险预测的时效性，进而避免给金融机构带来损失。
可选地，确定目标区域各时间窗口的违约率，包括：
获取目标区域预定时间段内的多个目标对象的债项数据；
基于目标区域预定时间段内的多个目标对象的债项数据确定各时间窗口的违约率。
可选地，该方法还包括：
获取多个目标区域的边界矢量数据，以及整体夜光遥感数据；
基于各个目标区域的边界矢量数据以及整体夜光遥感数据，得到各个目标区域的夜光遥感数据。
可选地，夜光衍生特征指标包括夜光总强度指标、莫兰指数指标、周中周末夜光强度对比指标、前半夜与后半夜夜光强度对比指标。从而能减少或消除由于周中与周末，前半夜与后半夜夜光差异带来的影响。
可选地，该方法还包括：
确定夜光衍生特征指标的同比增长；
基于目标区域各时间窗口的违约率以及目标区域各时间窗口的夜光衍生特征指标训练违约预测模型，包括：
基于目标区域各时间窗口的违约率以及目标区域各时间窗口的夜光衍生特征指标的同比增长训练违约预测模型。
可选地，基于目标区域各时间窗口的违约率以及目标区域各时间窗口的夜光衍生特征指标的同比增长训练违约预测模型，包括：
使用梯度提升方法、线性回归方法、岭回归方法、svm方法、随机森林方法、深度学习方法训练违约预测模型。
示例性地，本申请提供了一种模型训练方法，主要包括如下步骤：
获取过去三年的小微企业申贷债项数据、各省会城市的边界矢量数据、以及suomi国家级轨道伙伴关系卫星(snpp)搭载的可见光红外成像辐射仪(viirs)传感器中国日度夜光数据；
以月份为时间窗口，计算每月各省的宏观信用风险指标——平均债项的违约率结果
基于各省会城市的行政区划边界矢量数据，裁剪出各省会城市的夜光影像数据，得到过去三年各省会城市每日的snpp-viirs数据；
对夜光影像数据进行预处理，消除残余日光、月光、极光、闪电、云等自然光的影响；
基于夜光影像数据加工各省月度夜光衍生指标，本实施例中，使用月度平均的各省会城市的夜光总强度irt与代表夜光空间分布集中度的莫兰指数mrt作为主要特征指标；
由于夜光数据存在较强的季节效应，且各省会城市本身存在差异，夜光强度与莫兰指数的绝对值意义不大，因此计算各指标的同比增长，以反映各省会城市随时间的发展变化情况，同比增长指标计算逻辑如下：
即使用当前时间段计算得到特征值减去去年同期的特征值再闭上去年同期的特征值。
本实施例中，使用各省会过去6个月的夜光强度同比增长与莫兰指数同比增长对当月各省的宏观信用风险进行预测，考虑到不同宏中观变量与系统风险之间可能存在非线性关系，本实施例中使用极端梯度提升方法(xgboost)进行预测训练:
即使用过去6个月各省会城市的夜光强度特征与莫兰指数特征构建xgboost模型，对当期各省的总体信用风险违约率进行预测。此外，还可以使用其他机器学习算法，如线性回归、岭回归、svm、随机森林、adaboost、决策树以及dnn等深度学习神经网络方法进行模型的训练。
实施例二
本申请实施例提供了一种基于夜光遥感数据的违约预测方法，如图2所示，包括：
步骤s201，确定目标区域预定时间窗口的夜光遥感数据，并基于预定时间窗口的夜光遥感数据确定目标区域预定时间窗口的夜光衍生特征指标；
步骤s202，基于目标区域的预定时间窗口的夜光衍生特征指标通过第一方面任一项的违约预测模型确定违约概率，并将该违约概率作为宏观信用风险评估结果。
可选地，该方法还包括：
获取多个目标区域的边界矢量数据，以及整体夜光遥感数据；
基于各个目标区域的边界矢量数据以及整体夜光遥感数据，得到各个目标区域的夜光遥感数据。
可选地，夜光衍生特征指标包括夜光总强度指标、莫兰指数指标、周中周末夜光强度对比指标、前半夜与后半夜夜光强度对比指标。从而能减少或消除由于周中与周末，前半夜与后半夜夜光差异带来的影响。
可选地，该方法还包括：
确定夜光衍生特征指标的同比增长；
基于目标区域的预定时间窗口的夜光衍生特征指标通过第一方面任一项的违约预测模型确定违约概率，包括：
基于目标区域预定时间窗口的夜光衍生特征指标的同比增长通过第一方面任一项的违约预测模型确定违约概率。
示例性地，预测方法可以包括如下步骤：
获取历史各省会城市的夜光数据并进行数据预处理；
基于各省的边界矢量数据，计算抽取各省会城市过去6个月的夜光强度同比增长与夜光莫兰指数同比增长指标；
基于预训练的宏观风险评估模型，计算各省当前的宏观信用风险评估结果。
本申请实施例的有益效果同实施一，此处不再赘述。
实施例三
图3为本申请实施例提供的基于夜光遥感数据的违约预测模型训练装置，包括：
第一确定模块301，用于确定目标区域各时间窗口的历史夜光遥感数据，并基于各时间窗口的历史夜光遥感数据确定各时间窗口的夜光衍生特征指标；
第二确定模块302，用于确定目标区域各时间窗口的违约率；
训练模块303，用于基于目标区域各时间窗口的违约率以及目标区域各时间窗口的夜光衍生特征指标训练违约预测模型。
可选地，第二确定模块，还用于获取目标区域预定时间段内的多个目标对象的债项数据；以及用于基于目标区域预定时间段内的多个目标对象的债项数据确定各时间窗口的违约率。
可选地，该装置还包括：
第一获取模块，用于获取多个目标区域的边界矢量数据，以及整体夜光遥感数据；
第一得到模块，用于基于各个目标区域的边界矢量数据以及整体夜光遥感数据，得到各个目标区域的夜光遥感数据。
可选地，夜光衍生特征指标包括夜光总强度指标、莫兰指数指标。
可选地，该装置还包括：
第三确定模块，用于确定夜光衍生特征指标的同比增长；
训练模块，还用于基于目标区域各时间窗口的违约率以及目标区域各时间窗口的夜光衍生特征指标的同比增长训练违约预测模型。
可选地，训练模块，还用于使用梯度提升方法、线性回归方法、岭回归方法、svm方法、随机森林方法、深度学习方法训练违约预测模型。
传统风险评估模型在考虑国内外地区经济形势时，往往使用官方统计的宏观数据，存在时效性差、统计口技不一致、准确率低等问题。本发明创新地使用更为客观、更及时的夜光遥感数据对宏观信贷风险进行评估，并提出了在风险管控领域中，夜光数据的处理加工逻辑与较为有效的特征指标。并基于经济金融理论，构建了一种更科学、更及时的宏观信贷风险评价系统，可以快速且准确地对外部环境变化做出智能化响应，提升金融机构整体的风控能力。本申请实施例提供了一种，基于夜光遥感数据的违约预测模型训练方法，基于目标区域各时间窗口的违约率以及目标区域各时间窗口的夜光衍生特征指标训练违约预测模型，从而避免通过官方的统计数据进行宏观风险的预测，提升了宏观信用风险预测的时效性，进而避免给金融机构带来损失。
本申请实施例的装置的有益效果与实施例一所示的方法相似，在此不再赘述。
实施例四
本申请实施例提供了一种基于夜光遥感数据的违约预测装置，如图4所示，包括：
第四确定模块401，用于确定目标区域预定时间窗口的夜光遥感数据，并基于预定时间窗口的夜光遥感数据确定目标区域预定时间窗口的夜光衍生特征指标；
预测模块402，用于基于目标区域的预定时间窗口的夜光衍生特征指标通过违约预测模型确定违约概率，并将该违约概率作为宏观信用风险评估结果。
可选地，该装置还包括：
第二获取模块，用于获取多个目标区域的边界矢量数据，以及整体夜光遥感数据；
第二得到模块，用于基于各个目标区域的边界矢量数据以及整体夜光遥感数据，得到各个目标区域的夜光遥感数据。
可选地，夜光衍生特征指标包括夜光总强度指标、莫兰指数指标。
可选地，该装置还包括：
第五确定模块，用于确定夜光衍生特征指标的同比增长；
预测模块，还用于基于目标区域预定时间窗口的夜光衍生特征指标的同比增长通过违约预测模型确定违约概率。
传统风险评估模型在考虑国内外地区经济形势时，往往使用官方统计的宏观数据，存在时效性差、统计口技不一致、准确率低等问题。本发明创新地使用更为客观、更及时的夜光遥感数据对宏观信贷风险进行评估，并提出了在风险管控领域中，夜光数据的处理加工逻辑与较为有效的特征指标。并基于经济金融理论，构建了一种更科学、更及时的宏观信贷风险评价系统，可以快速且准确地对外部环境变化做出智能化响应，提升金融机构整体的风控能力。本申请实施例提供了一种，基于夜光遥感数据的违约预测模型训练方法，基于目标区域各时间窗口的违约率以及目标区域各时间窗口的夜光衍生特征指标训练违约预测模型，从而避免通过官方的统计数据进行宏观风险的预测，提升了宏观信用风险预测的时效性，进而避免给金融机构带来损失。
本申请实施例的装置的有益效果与实施例二所示的方法相似，在此不再赘述。
实施例五
本申请实施例提供了一种电子设备，如图5所示，图5所示的电子设备50包括：处理器501和存储器503。其中，处理器501和存储器503相连，如通过总线502相连。进一步地，电子设备50还可以包括收发器503。需要说明的是，实际应用中收发器504不限于一个，该电子设备50的结构并不构成对本申请实施例的限定。其中，处理器501应用于本申请实施例中，用于实现图3或图4所示模块的功能。收发器504包括接收机和发射机。
处理器501可以是cpu，通用处理器，dsp，asic，fpga或者其他可编程逻辑器件、晶体管逻辑器件、硬件部件或者其任意组合。其可以实现或执行结合本申请公开内容所描述的各种示例性的逻辑方框，模块和电路。处理器501也可以是实现计算功能的组合，例如包含一个或多个微处理器组合，dsp和微处理器的组合等。
总线502可包括一通路，在上述组件之间传送信息。总线502可以是pci总线或eisa总线等。总线502可以分为地址总线、数据总线、控制总线等。为便于表示，图5中仅用一条粗线表示，但并不表示仅有一根总线或一种类型的总线。
存储器503可以是rom或可存储静态信息和指令的其他类型的静态存储设备，ram或者可存储信息和指令的其他类型的动态存储设备，也可以是eeprom、cd-rom或其他光盘存储、光碟存储(包括压缩光碟、激光碟、光碟、数字通用光碟、蓝光光碟等)、磁盘存储介质或者其他磁存储设备、或者能够用于携带或存储具有指令或数据结构形式的期望的程序代码并能够由计算机存取的任何其他介质，但不限于此。
存储器503用于存储执行本申请方案的应用程序代码，并由处理器501来控制执行。处理器501用于执行存储器503中存储的应用程序代码，以实现图3或图4所示实施例提供的装置的功能。
本申请实施例提供了一种电子设备，与现有技术通过官方统计的数据进行宏观信用风险相比，本申请通过确定目标区域预定时间窗口的夜光遥感数据，并基于预定时间窗口的夜光遥感数据确定目标区域预定时间窗口的夜光衍生特征指标；基于目标区域的预定时间窗口的夜光衍生特征指标通过违约预测模型确定违约概率，并将该违约概率作为宏观信用风险评估结果。即根据夜光遥感数据进行宏观信用风险的评估，避免基于官方统计数据的进行宏观信用风险评估的滞后性，从而提升宏观信用风险评估的时效性。
本申请实施例提供了一种电子设备适用于上述装置实施例。在此不再赘述。
实施六
本申请实施例提供了一种计算机可读存储介质，该计算机可读存储介质上存储有计算机程序，该程序被处理器执行时实现上述实施例中所示的装置。
本申请实施例提供了一种计算机可读存储介质，与现有技术通过官方统计的数据进行宏观信用风险相比，本申请通过确定目标区域预定时间窗口的夜光遥感数据，并基于预定时间窗口的夜光遥感数据确定目标区域预定时间窗口的夜光衍生特征指标；基于目标区域的预定时间窗口的夜光衍生特征指标通过违约预测模型确定违约概率，并将该违约概率作为宏观信用风险评估结果。即根据夜光遥感数据进行宏观信用风险的评估，避免基于官方统计数据的进行宏观信用风险评估的滞后性，从而提升宏观信用风险评估的时效性。
本申请实施例提供了一种计算机可读存储介质适用于上述装置实施例。在此不再赘述。
应该理解的是，虽然附图的流程图中的各个步骤按照箭头的指示依次显示，但是这些步骤并不是必然按照箭头指示的顺序依次执行。除非本文中有明确的说明，这些步骤的执行并没有严格的顺序限制，其可以以其他的顺序执行。而且，附图的流程图中的至少一部分步骤可以包括多个子步骤或者多个阶段，这些子步骤或者阶段并不必然是在同一时刻执行完成，而是可以在不同的时刻执行，其执行顺序也不必然是依次进行，而是可以与其他步骤或者其他步骤的子步骤或者阶段的至少一部分轮流或者交替地执行。
以上仅是本申请的部分实施方式，应当指出，对于本技术领域的普通技术人员来说，在不脱离本申请原理的前提下，还可以做出若干改进和润饰，这些改进和润饰也应视为本申请的保护范围。
1.一种基于夜光遥感数据的违约预测模型训练方法，其特征在于，包括：
确定目标区域各时间窗口的历史夜光遥感数据，并基于所述各时间窗口的历史夜光遥感数据确定各时间窗口的夜光衍生特征指标；
确定目标区域各时间窗口的违约率；
基于目标区域各时间窗口的违约率以及目标区域各时间窗口的夜光衍生特征指标训练违约预测模型。
2.根据权利要求1所述的方法，其特征在于，所述确定目标区域各时间窗口的违约率，包括：
获取目标区域预定时间段内的多个目标对象的债项数据；
基于所述目标区域预定时间段内的多个目标对象的债项数据确定各时间窗口的违约率。
3.根据权利要求1所述的方法，其特征在于，该方法还包括：
获取多个目标区域的边界矢量数据，以及整体夜光遥感数据；
基于各个目标区域的边界矢量数据以及所述整体夜光遥感数据，得到各个目标区域的夜光遥感数据。
4.根据权利要求1所述的方法，其特征在于，所述夜光衍生特征指标包括夜光总强度指标、莫兰指数指标、周中周末夜光强度对比指标、前半夜与后半夜夜光强度对比指标。
5.根据权利要求4所述的方法，其特征在于，该方法还包括：
确定所述夜光衍生特征指标的同比增长；
所述基于目标区域各时间窗口的违约率以及目标区域各时间窗口的夜光衍生特征指标训练违约预测模型，包括：
基于目标区域各时间窗口的违约率以及目标区域各时间窗口的夜光衍生特征指标的同比增长训练违约预测模型。
6.根据权利要求5所述的方法，其特征在于，所述基于目标区域各时间窗口的违约率以及目标区域各时间窗口的夜光衍生特征指标的同比增长训练违约预测模型，包括：
使用梯度提升方法、线性回归方法、岭回归方法、svm方法、随机森林方法、深度学习方法训练所述违约预测模型。
7.一种基于夜光遥感数据的违约预测方法，其特征在于，包括：
确定目标区域预定时间窗口的夜光遥感数据，并基于所述预定时间窗口的夜光遥感数据确定目标区域所述预定时间窗口的夜光衍生特征指标；
基于所述目标区域的预定时间窗口的夜光衍生特征指标通过权利要求1-6任一项的违约预测模型确定违约概率，并将该违约概率作为宏观信用风险评估结果。
8.根据权利要求7所述的方法，其特征在于，该方法还包括：
获取多个目标区域的边界矢量数据，以及整体夜光遥感数据；
基于各个目标区域的边界矢量数据以及所述整体夜光遥感数据，得到各个目标区域的夜光遥感数据。
9.根据权利要求8所述的方法，其特征在于，所述夜光衍生特征指标包括夜光总强度指标、莫兰指数指标、周中周末夜光强度对比指标、前半夜与后半夜夜光强度对比指标。
10.根据权利要求9所述的方法，其特征在于，该方法还包括：
确定所述夜光衍生特征指标的同比增长；
所述基于所述目标区域的预定时间窗口的夜光衍生特征指标通过权利要求1-6任一项的违约预测模型确定违约概率，包括：
基于目标区域预定时间窗口的夜光衍生特征指标的同比增长通过权利要求1-6任一项的违约预测模型确定违约概率。
11.一种基于夜光遥感数据的违约预测模型训练装置，其特征在于，包括：
第一确定模块，用于确定目标区域各时间窗口的历史夜光遥感数据，并基于所述各时间窗口的历史夜光遥感数据确定各时间窗口的夜光衍生特征指标；
第二确定模块，用于确定目标区域各时间窗口的违约率；
训练模块，用于基于目标区域各时间窗口的违约率以及目标区域各时间窗口的夜光衍生特征指标训练违约预测模型。
12.根据权利要求11所述的装置，其特征在于，该装置还包括：
第三确定模块，用于确定所述夜光衍生特征指标的同比增长；
所述训练模块，还用于基于目标区域各时间窗口的违约率以及目标区域各时间窗口的夜光衍生特征指标的同比增长训练违约预测模型。
13.一种基于夜光遥感数据的违约预测装置，其特征在于，包括：
第四确定模块，用于确定目标区域预定时间窗口的夜光遥感数据，并基于所述预定时间窗口的夜光遥感数据确定目标区域所述预定时间窗口的夜光衍生特征指标；
预测模块，用于基于所述目标区域的预定时间窗口的夜光衍生特征指标通过权利要求1-6任一项的违约预测模型确定违约概率，并将该违约概率作为宏观信用风险评估结果。
14.一种电子设备，其特征在于，包括：
一个或多个处理器；
存储器；
一个或多个应用程序，其中所述一个或多个应用程序被存储在所述存储器中并被配置为由所述一个或多个处理器执行，所述一个或多个程序配置用于：执行根据权利要求1至10任一项所述的方法。
15.一种计算机可读存储介质，其特征在于，所述计算机存储介质用于存储计算机指令，当其在计算机上运行时，使得计算机可以执行上述权利要求1至10中任一项所述的方法。
技术总结