本发明涉及人工智能，尤其涉及一种基于模型融合的不良资产回收预测方法、装置及设备。
背景技术：
1、在不良资产处置中，不良资产证券化可以显著的提升不良资产的流动性和处置效益，且有望获得更高的转让价格。合理地对不良资产评估定价直接影响银行收益。
2、但目前仅通过传统的技术并不能准确预测不良资产预估回收率。因此，如何通过人工智能技术精准预测不良资产证券化回收金额具有较大的探索意义。
3、发明人在研究中发现，不良资产数据具有结构化、时序性等特点，在采用人工智能技术进行预测时，采用单一模型很难保证模型适用范围，对不良资产进行精确预估。因而，提出了一种基于模型融合的不良资产回收预测方法。
技术实现思路
1、本发明提供了一种基于模型融合的不良资产回收预测方法、装置及设备，以处理多类型不良资产数据，提高不良资产的预估准确性以及鲁棒性。
2、根据本发明的一方面，提供了一种基于模型融合的不良资产回收预测方法，该方法包括：
3、构建不良资产回收预测模型，其中，所述不良资产回收预测模型中包括第一预测模型和第二预测模型；
4、获取不良资产的特征数据，根据所述特征数据确定第一输入参数；并将所述第一输入参数输入至所述第一预测模型，得到第一预测结果；
5、根据第一预测结果与所述特征数据中的时序数据，确定第二输入参数；并将所述第二输入参数输入至所述第二预测模型，得到第二预测结果；
6、获取所述第一预测模型和所述第二预测模型分别对应的第一预测误差和第二预测误差；
7、根据第一预测结果、第二预测结果、第一预测误差以及第二预测误差，确定不良资产回收的最终预测结果。
8、可选的，根据所述特征数据确定第一输入参数，包括：
9、计算各所述特征数据与回收金额的相关性系数；
10、根据各所述特征数据与对应的相关性系数，确定第一输入参数。
11、可选的，计算各所述特征数据与回收金额的相关性系数，包括：
12、采用皮尔逊相关系数，计算各所述特征数据与回收金额的相关性系数。
13、可选的，根据各所述特征数据与对应的相关性系数，确定第一输入参数，包括：
14、计算各所述特征数据与对应的相关性系数的乘积；
15、将各乘积进行归一化处理，将归一化结果作为第一输入参数。
16、可选的，获取所述第一预测模型和所述第二预测模型分别对应的第一预测误差和第二预测误差，包括：
17、获取所述第一预测模型和所述第二预测模型针对历史不良资产的历史特征数据，预测得到的第一历史预测结果和第二历史预测结果；
18、根据所述历史特征数据、第一历史预测结果和第二历史预测结果，采用下述至少一项误差函数：平均绝对误差、平均绝对百分比误差以及均方根误差，确定第一预测误差和第二预测误差。
19、可选的，根据第一预测结果、第二预测结果、第一预测误差以及第二预测误差，确定不良资产回收的最终预测结果，包括：
20、计算第一预测误差以及第二预测误差的误差和；
21、将第一预测误差与所述误差和的比值作为第一模型系数，将第二预测误差与所述误差和的比值作为第二模型系数；
22、将第一预测结果与第一模型系数的乘积，以及第二预测结果与第二模型系数的乘积之和，作为不良资产回收的最终预测结果。
23、可选的，所述第一预测模型，包括：xgboost模型；
24、所述第二预测模型，包括：lstm模型。
25、根据本发明的另一方面，提供了一种基于模型融合的不良资产回收预测装置，该装置包括：
26、模型构建模块，用于构建不良资产回收预测模型，其中，所述不良资产回收预测模型中包括第一预测模型和第二预测模型；
27、第一预测结果确定模块，用于获取不良资产的特征数据，根据所述特征数据确定第一输入参数；并将所述第一输入参数输入至所述第一预测模型，得到第一预测结果；
28、第二预测结果确定模块，用于根据第一预测结果与所述特征数据中的时序数据，确定第二输入参数；并将所述第二输入参数输入至所述第二预测模型，得到第二预测结果；
29、预测误差获取模块，用于获取所述第一预测模型和所述第二预测模型分别对应的第一预测误差和第二预测误差；
30、最终预测结果确定模块，用于根据第一预测结果、第二预测结果、第一预测误差以及第二预测误差，确定不良资产回收的最终预测结果。
31、根据本发明的另一方面，提供了一种电子设备，所述电子设备包括：
32、至少一个处理器；以及
33、与所述至少一个处理器通信连接的存储器；其中，
34、所述存储器存储有可被所述至少一个处理器执行的计算机程序，所述计算机程序被所述至少一个处理器执行，以使所述至少一个处理器能够执行本发明任一实施例所述的基于模型融合的不良资产回收预测方法。
35、根据本发明的另一方面，提供了一种计算机可读存储介质，所述计算机可读存储介质存储有计算机指令，所述计算机指令用于使处理器执行时实现本发明任一实施例所述的基于模型融合的不良资产回收预测方法。
36、本发明实施例的技术方案，通过构建不良资产回收预测模型，其中，不良资产回收预测模型中包括第一预测模型和第二预测模型；获取不良资产的特征数据，根据特征数据确定第一输入参数；并将第一输入参数输入至第一预测模型，得到第一预测结果；根据第一预测结果与特征数据中的时序数据，确定第二输入参数；并将第二输入参数输入至第二预测模型，得到第二预测结果；获取第一预测模型和第二预测模型分别对应的第一预测误差和第二预测误差；根据第一预测结果、第二预测结果、第一预测误差以及第二预测误差，确定不良资产回收的最终预测结果，解决了不良资产的预估问题，可以处理多种类型的不良资产数据，提高不良资产的预估准确性以及鲁棒性。
37、应当理解，本部分所描述的内容并非旨在标识本发明的实施例的关键或重要特征，也不用于限制本发明的范围。本发明的其它特征将通过以下的说明书而变得容易理解。
1.一种基于模型融合的不良资产回收预测方法，其特征在于，包括：
2.根据权利要求1所述的方法，其特征在于，根据所述特征数据确定第一输入参数，包括：
3.根据权利要求2所述的方法，其特征在于，计算各所述特征数据与回收金额的相关性系数，包括：
4.根据权利要求2所述的方法，其特征在于，根据各所述特征数据与对应的相关性系数，确定第一输入参数，包括：
5.根据权利要求1所述的方法，其特征在于，获取所述第一预测模型和所述第二预测模型分别对应的第一预测误差和第二预测误差，包括：
6.根据权利要求1所述的方法，其特征在于，根据第一预测结果、第二预测结果、第一预测误差以及第二预测误差，确定不良资产回收的最终预测结果，包括：
7.根据权利要求1所述的方法，其特征在于，所述第一预测模型，包括：xgboost模型；
8.一种基于模型融合的不良资产回收预测装置，其特征在于，包括：
9.一种电子设备，其特征在于，所述电子设备包括：
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指令，所述计算机指令用于使处理器执行时实现权利要求1-7中任一项所述的基于模型融合的不良资产回收预测方法。
