CN117710096B - 基于地块信息的农业贷款的贷后风险监测方法及系统 - Google Patents
基于地块信息的农业贷款的贷后风险监测方法及系统 Download PDFInfo
- Publication number
- CN117710096B CN117710096B CN202410161725.2A CN202410161725A CN117710096B CN 117710096 B CN117710096 B CN 117710096B CN 202410161725 A CN202410161725 A CN 202410161725A CN 117710096 B CN117710096 B CN 117710096B
- Authority
- CN
- China
- Prior art keywords
- loan
- semantic
- loan application
- feature map
- self
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
- 238000012544 monitoring process Methods 0.000 title claims abstract description 75
- 238000000034 method Methods 0.000 title claims abstract description 35
- 238000012545 processing Methods 0.000 claims abstract description 10
- 230000003993 interaction Effects 0.000 claims description 102
- 238000012549 training Methods 0.000 claims description 57
- 239000013598 vector Substances 0.000 claims description 52
- 230000003044 adaptive effect Effects 0.000 claims description 19
- 238000012482 interaction analysis Methods 0.000 claims description 14
- 238000013527 convolutional neural network Methods 0.000 claims description 11
- 238000003062 neural network model Methods 0.000 claims description 11
- 238000005728 strengthening Methods 0.000 claims description 10
- 239000011159 matrix material Substances 0.000 claims description 9
- 238000000605 extraction Methods 0.000 claims description 7
- 238000012935 Averaging Methods 0.000 claims description 3
- 230000004913 activation Effects 0.000 claims description 3
- 238000011835 investigation Methods 0.000 abstract description 11
- 238000001514 detection method Methods 0.000 abstract description 4
- 238000009826 distribution Methods 0.000 description 18
- 238000012271 agricultural production Methods 0.000 description 11
- 238000010586 diagram Methods 0.000 description 4
- 230000006870 function Effects 0.000 description 4
- 238000004458 analytical method Methods 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 3
- 238000005457 optimization Methods 0.000 description 3
- 239000002689 soil Substances 0.000 description 3
- 238000007792 addition Methods 0.000 description 2
- 238000010276 construction Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 230000007246 mechanism Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 230000002787 reinforcement Effects 0.000 description 2
- 238000012502 risk assessment Methods 0.000 description 2
- 230000004075 alteration Effects 0.000 description 1
- 238000013473 artificial intelligence Methods 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 238000007796 conventional method Methods 0.000 description 1
- 238000007405 data analysis Methods 0.000 description 1
- 238000000354 decomposition reaction Methods 0.000 description 1
- 230000003111 delayed effect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 239000003337 fertilizer Substances 0.000 description 1
- 230000004927 fusion Effects 0.000 description 1
- 230000002452 interceptive effect Effects 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 238000005065 mining Methods 0.000 description 1
- 230000008447 perception Effects 0.000 description 1
- 230000000737 periodic effect Effects 0.000 description 1
- 239000000575 pesticide Substances 0.000 description 1
- 238000005215 recombination Methods 0.000 description 1
- 230000006798 recombination Effects 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q40/00—Finance; Insurance; Tax strategies; Processing of corporate or income taxes
- G06Q40/03—Credit; Loans; Processing thereof
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/063—Operations research, analysis or management
- G06Q10/0635—Risk analysis of enterprise or organisation activities
Landscapes
- Business, Economics & Management (AREA)
- Engineering & Computer Science (AREA)
- Human Resources & Organizations (AREA)
- Strategic Management (AREA)
- Economics (AREA)
- Entrepreneurship & Innovation (AREA)
- General Business, Economics & Management (AREA)
- Finance (AREA)
- Development Economics (AREA)
- Marketing (AREA)
- Accounting & Taxation (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Physics & Mathematics (AREA)
- Educational Administration (AREA)
- Tourism & Hospitality (AREA)
- Quality & Reliability (AREA)
- Operations Research (AREA)
- Game Theory and Decision Science (AREA)
- Technology Law (AREA)
- Financial Or Insurance-Related Operations Such As Payment And Settlement (AREA)
Abstract
一种基于地块信息的农业贷款的贷后风险监测方法及系统，涉及智能化贷款风险监测技术领域，其通过采集目标客户的贷款申请信息和目标地块的遥感影像，然后在后端引入图像处理和语义理解算法来进行所述遥感影像和所述贷款申请信息的分析，以此来综合进行贷后风险的检测和等级判断，这样能够提高贷后风险监测的准确性和效率，降低人工调查的成本和风险损失，为金融机构提供更好的决策依据。
Description
技术领域
本申请涉及智能化贷款风险监测技术领域，并且更具体地，涉及一种基于地块信息的农业贷款的贷后风险监测方法及系统。
背景技术
农业贷款是指金融机构向农业生产经营者提供的用于农业生产、经营或农村建设的贷款。农业贷款的特点是贷款期限较短，贷款金额较小，贷款对象分散，贷后风险较高。为了有效控制农业贷款的风险，金融机构需要对贷款客户的信用状况和抵押物的价值进行贷后风险监测。
然而，传统的贷后风险监测方法主要基于贷款客户的还款情况和财务指标进行评估，但这种方法往往无法全面了解贷款人的实际经营情况和风险状况。此外，有些贷后风险监测方法还通常需要依赖于人工进行现场调查，这种方式不仅耗时耗力，成本较高，效率较低，而且难以覆盖所有的贷款客户和抵押物。因此，如何利用现代信息技术提高农业贷款的贷后监测效率和精度，降低监测成本和风险损失，是一个亟待解决的问题。
因此，期望一种基于地块信息的农业贷款的贷后风险监测方案。
发明内容
为了解决上述技术问题，提出了本申请。本申请提供了一种基于地块信息的农业贷款的贷后风险监测方法及系统，其通过采集目标客户的贷款申请信息和目标地块的遥感影像，其中所述贷款申请信息包括了所述目标客户的信贷项目的项目信息和所述信贷项目中被抵押的目标地块的地块信息，然后在后端引入图像处理和语义理解算法来进行所述遥感影像和所述贷款申请信息的分析，以此来综合进行贷后风险的检测和等级判断，这样能够提高贷后风险监测的准确性和效率，降低人工调查的成本和风险损失，为金融机构提供更好的决策依据。
第一方面，提供了一种基于地块信息的农业贷款的贷后风险监测方法，其包括：
获取目标客户的贷款申请信息；
获取目标地块的遥感影像；
对所述贷款申请信息进行语义编码以得到贷款申请信息语义编码特征向量；
通过基于深度神经网络模型的地块要素语义特征提取器对所述遥感影像进行特征提取以得到遥感影像地块要素语义特征图；
对所述遥感影像地块要素语义特征图和所述贷款申请信息语义编码特征向量进行跨模态语义交互分析以得到贷款申请-地块要素语义交互特征图；
将所述贷款申请-地块要素语义交互特征图通过自适应注意力模块以得到自适应强化贷款申请-地块要素语义交互特征图作为自适应强化贷款申请-地块要素语义交互特征；
基于所述自适应强化贷款申请-地块要素语义交互特征，确定贷后风险等级标签。
第二方面，提供了一种基于地块信息的农业贷款的贷后风险监测系统，其包括：
贷款申请信息获取模块，用于获取目标客户的贷款申请信息；
遥感影像获取模块，用于获取目标地块的遥感影像；
语义编码模块，用于对所述贷款申请信息进行语义编码以得到贷款申请信息语义编码特征向量；
特征提取模块，用于通过基于深度神经网络模型的地块要素语义特征提取器对所述遥感影像进行特征提取以得到遥感影像地块要素语义特征图；
跨模态语义交互分析模块，用于对所述遥感影像地块要素语义特征图和所述贷款申请信息语义编码特征向量进行跨模态语义交互分析以得到贷款申请-地块要素语义交互特征图；
自适应注意力模块，用于将所述贷款申请-地块要素语义交互特征图通过自适应注意力模块以得到自适应强化贷款申请-地块要素语义交互特征图作为自适应强化贷款申请-地块要素语义交互特征；
贷后风险等级标签确定模块，用于基于所述自适应强化贷款申请-地块要素语义交互特征，确定贷后风险等级标签。
与现有技术相比，本申请提供的基于地块信息的农业贷款的贷后风险监测方法及系统，其通过采集目标客户的贷款申请信息和目标地块的遥感影像，其中所述贷款申请信息包括了所述目标客户的信贷项目的项目信息和所述信贷项目中被抵押的目标地块的地块信息，然后在后端引入图像处理和语义理解算法来进行所述遥感影像和所述贷款申请信息的分析，以此来综合进行贷后风险的检测和等级判断，这样能够提高贷后风险监测的准确性和效率，降低人工调查的成本和风险损失，为金融机构提供更好的决策依据。
附图说明
为了更清楚地说明本申请实施例的技术方案，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申请的一些实施例，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。
图1为根据本申请实施例的基于地块信息的农业贷款的贷后风险监测方法的流程图。
图2为根据本申请实施例的基于地块信息的农业贷款的贷后风险监测方法的架构示意图。
图3为根据本申请实施例的基于地块信息的农业贷款的贷后风险监测系统的框图。
图4为根据本申请实施例的基于地块信息的农业贷款的贷后风险监测方法的场景示意图。
具体实施方式
下面将结合本申请实施例中的附图，对本申请实施例中的技术方案进行描述，显然，所描述的实施例是本申请一部分实施例，而不是全部的实施例。基于本申请中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本申请保护的范围。
除非另有说明，本申请实施例所使用的所有技术和科学术语与本申请的技术领域的技术人员通常理解的含义相同。本申请中所使用的术语只是为了描述具体的实施例的目的，不是旨在限制本申请的范围。
在本申请实施例记载中，需要说明的是，除非另有说明和限定，术语“连接”应做广义理解，例如，可以是电连接，也可以是两个元件内部的连通，可以是直接相连，也可以通过中间媒介间接相连，对于本领域的普通技术人员而言，可以根据具体情况理解上述术语的具体含义。
需要说明的是，本申请实施例所涉及的术语“第一\第二\第三”仅仅是是区别类似的对象，不代表针对对象的特定排序，可以理解地，“第一\第二\第三”在允许的情况下可以互换特定的顺序或先后次序。应该理解“第一\第二\第三”区分的对象在适当情况下可以互换，以使这里描述的本申请的实施例可以除了在这里图示或描述的那些以外的顺序实施。
农业贷款是指金融机构向农业生产经营者提供的用于农业生产、经营或农村建设的贷款，这种贷款通常用于购买种子、肥料、农药、农业机械设备、支付劳务费用以及其他与农业生产相关的支出。
农业生产的周期相对较短，因此农业贷款通常具有较短的贷款期限，以适应农业生产的特点；相对于一些大型工业或商业项目的贷款，农业贷款金额通常较小，因为农业生产经营者的资金需求一般较为有限；农业贷款的借款人通常是分散的农业生产经营者，而非集中在少数大型企业或机构；由于农业生产受天气、自然灾害等因素影响较大，以及农产品价格波动等因素，农业贷款的贷后风险相对较高。
为了有效控制农业贷款的风险，金融机构通常需要采取一系列措施，包括但不限于：
信用状况评估，金融机构在向农业生产经营者发放贷款前，会对其信用状况进行评估，以确保借款人有偿还贷款的能力。
抵押物评估，在发放农业贷款时，金融机构通常会要求借款人提供抵押物作为贷款的担保，因此需要对抵押物的价值进行评估。
贷后风险监测，一旦贷款发放，金融机构需要对贷款客户的经营状况、还款情况以及抵押物价值进行定期监测，以及时发现并处理可能存在的风险。
传统的贷后风险监测方法主要依赖于贷款客户的还款情况和财务指标，通常包括：监测贷款客户是否按时还款，以及是否存在逾期还款情况；通过财务报表和财务指标（如资产负债表、利润表、现金流量表等）来评估贷款客户的经营状况和偿债能力；有时候需要依赖人工进行现场调查，以了解贷款客户的实际经营情况、抵押物的状况等。
然而，传统的贷后风险监测方法存在一些缺陷，传统方法主要依赖于客户提供的财务报表和还款记录，无法全面了解客户的实际经营情况和风险状况，客户可能会提供不完整或不准确的信息，导致监测结果不够准确。依赖还款记录和财务报表的监测方法通常是定期性的，无法实时了解客户的经营状况和风险变化，因此监测结果可能滞后。传统的贷后监测方法中，现场调查需要耗费大量人力物力，成本高昂，而且难以覆盖所有的贷款客户和抵押物。传统方法难以提前发现风险信号，一旦出现问题往往已经比较严重，无法及时采取措施进行风险防范。依赖人工的现场调查容易受到主观因素的影响，监测结果可能存在误差。
因此，如何利用现代信息技术提高农业贷款的贷后监测效率和精度，降低监测成本和风险损失，是当前亟待解决的问题。
图1为根据本申请实施例的基于地块信息的农业贷款的贷后风险监测方法的流程图。图2为根据本申请实施例的基于地块信息的农业贷款的贷后风险监测方法的架构示意图。如图1和图2所示，所述基于地块信息的农业贷款的贷后风险监测方法，包括：110，获取目标客户的贷款申请信息；120，获取目标地块的遥感影像；130，对所述贷款申请信息进行语义编码以得到贷款申请信息语义编码特征向量；140，通过基于深度神经网络模型的地块要素语义特征提取器对所述遥感影像进行特征提取以得到遥感影像地块要素语义特征图；150，对所述遥感影像地块要素语义特征图和所述贷款申请信息语义编码特征向量进行跨模态语义交互分析以得到贷款申请-地块要素语义交互特征图；160，将所述贷款申请-地块要素语义交互特征图通过自适应注意力模块以得到自适应强化贷款申请-地块要素语义交互特征图作为自适应强化贷款申请-地块要素语义交互特征；170，基于所述自适应强化贷款申请-地块要素语义交互特征，确定贷后风险等级标签。
其中，所述深度神经网络模型为卷积神经网络模型。
随着遥感技术和人工智能的发展，利用地块信息和遥感影像进行农业贷款的贷后风险监测成为可能。地块信息包括地块的位置、面积、土壤类型、作物种植情况等，而遥感影像可以提供地块的实时监测和评估数据。通过结合地块信息和遥感影像，可以更准确地检测贷款人的经营风险和贷款的风险状况。基于此，在本申请的技术方案中，提出了一种基于地块信息的农业贷款的贷后风险监测方法，其能够通过采集目标客户的贷款申请信息和目标地块的遥感影像，其中所述贷款申请信息包括了所述目标客户的信贷项目的项目信息和所述信贷项目中被抵押的目标地块的地块信息，然后在后端引入图像处理和语义理解算法来进行所述遥感影像和所述贷款申请信息的分析，以此来综合进行贷后风险的检测和等级判断，这样能够提高贷后风险监测的准确性和效率，降低人工调查的成本和风险损失，为金融机构提供更好的决策依据。
具体地，在本申请的技术方案中，首先，获取目标客户的贷款申请信息和目标地块的遥感影像。应可以理解，所述贷款申请信息包括了目标客户的信贷项目的项目信息和信贷项目中被抵押的目标地块的地块信息。这两部分信息都是贷后风险监测的重要组成部分。所述目标客户的信贷项目的项目信息可以提供关于贷款人的基本情况、贷款金额、贷款期限等重要信息。这些信息可以反映贷款人的信用状况和还款能力，对评估贷款的风险起到重要作用。而所述信贷项目中被抵押的目标地块的地块信息则提供了关于地块的位置、面积、土壤类型、作物种植情况等具体数据。这些地块信息可以帮助评估贷款人的农业经营状况、土地价值和抵押物的价值，对贷款的风险评估也具有重要意义。因此，为了能够对于这些贷款申请信息进行语义分析和理解，以将这些关键语义转化为特征向量，以帮助后续的数据分析和风险监测工作，在本申请的技术方案中，需要对所述贷款申请信息进行语义编码以得到贷款申请信息语义编码特征向量。通过对所述贷款申请信息的语义编码，可以更全面地了解贷款人的情况和抵押物的价值，从而提高贷后风险监测的准确性和效率。
然后，为了从遥感影像中提取地块要素的语义特征，以便后续的数据处理和分析，通过在图像的隐含特征提取方面具有优异表现性能的基于卷积神经网络模型的地块要素语义特征提取器对所述遥感影像进行特征挖掘，以提取出所述遥感影像中关于目标地块的地块要素语义特征信息，从而得到遥感影像地块要素语义特征图。特别地，这里，所述地块要素语义特征提取器可以学习到所述遥感影像中关于目标地块的纹理、形状、颜色等特征信息，以及与地块要素相关的语义特征信息，如植被覆盖度、土壤质地、作物类型等。这些特征可以帮助更好地理解地块的特征和状态，为后续的贷后风险评估提供更多的信息。
应可以理解，所述遥感影像地块要素语义特征图包含了关于目标地块的要素语义特征，而所述贷款申请信息语义编码特征向量则包含了贷款申请的文本信息特征。这两种数据源提供了不同的视角和信息，为了融合这两种不同数据源的信息，以获取更全面、更丰富的特征表示，在本申请的技术方案中，进一步将所述遥感影像地块要素语义特征图和所述贷款申请信息语义编码特征向量通过基于元网络模型的跨模态语义交互器以得到贷款申请-地块要素语义交互特征图。通过所述基于元网络模型的跨模态语义交互器进行处理，可以实现不同模态数据之间的信息交互和融合，以此来提供更全面、更准确的贷后风险特征表示。这有助于提高贷后风险监测的准确性和效果，从而为金融机构提供更可靠的决策依据。
在本申请的一个具体实施例中，对所述遥感影像地块要素语义特征图和所述贷款申请信息语义编码特征向量进行跨模态语义交互分析以得到贷款申请-地块要素语义交互特征图，包括：将所述遥感影像地块要素语义特征图和所述贷款申请信息语义编码特征向量通过基于元网络模型的跨模态语义交互器以得到所述贷款申请-地块要素语义交互特征图。
进一步地，将所述遥感影像地块要素语义特征图和所述贷款申请信息语义编码特征向量通过基于元网络模型的跨模态语义交互器以得到所述贷款申请-地块要素语义交互特征图，包括：将所述遥感影像地块要素语义特征图通过所述基于元网络模型的跨模态语义交互器的卷积神经网络以得到遥感影像地块特征图；将所述贷款申请信息语义编码特征向量通过所述基于元网络模型的跨模态语义交互器的一维卷积层以得到贷款申请信息关联特征向量；以及，以所述贷款申请信息关联特征向量对所述遥感影像地块特征图进行通道加权以得到所述贷款申请-地块要素语义交互特征图。
进一步地，考虑到所述贷款申请-地块要素语义交互特征图的每个通道都表示不同的语义交互特征，然而，并非所有的特征都对贷后风险监测具有相同的重要性。也就是说，有些特征可能更加关键，能够更好地反映贷款的风险状况，而有些则为无关的干扰特征。因此，为了能够进一步强化贷款申请-地块要素之间的关键语义交互特征，需要将注意力集中在重要的通道特征上，减弱无关特征对于贷后风险监测的影响。基于此，在本申请的技术方案中，可以通过注意力机制，将特征图中的重要信息进行加权，以提高对关键特征的感知和识别能力。具体地，在本申请的技术方案中，进一步将所述贷款申请-地块要素语义交互特征图通过自适应注意力模块以得到自适应强化贷款申请-地块要素语义交互特征图。应可以理解，所述自适应注意力模块通过利用元权重生成器，将每个通道的特征图转化为一个权重值。这些权重值与所述贷款申请-地块要素语义交互特征图逐通道相乘，可以使得特征图中的每个通道都受到不同程度的关注，从而突出重要的与贷后风险监测相关的通道特征信息。这样，可以将注意力集中在重要的特征上，减弱无关特征的影响，从而提高分类器的贷后风险等级判断能力和分类能力。
在本申请的一个具体实施例中，将所述贷款申请-地块要素语义交互特征图通过自适应注意力模块以得到自适应强化贷款申请-地块要素语义交互特征图作为自适应强化贷款申请-地块要素语义交互特征，包括：将所述贷款申请-地块要素语义交互特征图通过自适应注意力模块以如下自适应强化公式以得到所述自适应强化贷款申请-地块要素语义交互特征图；其中，所述自适应强化公式为：
其中，是所述贷款申请-地块要素语义交互特征图，/>表示对特征图中沿通道维度的各个特征矩阵进行全局均值池化处理，/>是所述贷款申请-地块要素语义交互特征图的通道特征向量，/>和/>是卷积层的权重和偏置，/>为激活函数，/>是所述通道特征向量的卷积特征向量，/>是所述卷积特征向量中各个位置的特征值，/>是权重向量，/>是按位置点乘，/>是所述自适应强化贷款申请-地块要素语义交互特征图。
继而，再将所述自适应强化贷款申请-地块要素语义交互特征图通过分类器以得到分类结果，所述分类结果用于表示贷后风险等级标签。具体地，所述分类器的分类标签为贷后风险等级标签，例如低风险、中风险或高风险，因此，利用分类结果，可以综合进行贷后风险的检测和等级判断。这样，能够提高贷后风险监测的准确性和效率，降低人工调查的成本和风险损失，为金融机构提供更好的决策依据。
在本申请的一个具体实施例中，基于所述自适应强化贷款申请-地块要素语义交互特征，确定贷后风险等级标签，包括：将所述自适应强化贷款申请-地块要素语义交互特征图通过分类器以得到分类结果，所述分类结果用于表示贷后风险等级标签。
在本申请的一个实施例中，所述的基于地块信息的农业贷款的贷后风险监测方法，还包括训练步骤：用于对所述基于卷积神经网络模型的地块要素语义特征提取器、所述基于元网络模型的跨模态语义交互器、所述自适应注意力模块和所述分类器进行训练。所述训练步骤，包括：获取目标客户的训练贷款申请信息；获取目标地块的训练遥感影像；对所述训练贷款申请信息进行语义编码以得到训练贷款申请信息语义编码特征向量；通过所述基于深度神经网络模型的地块要素语义特征提取器对所述训练遥感影像进行特征提取以得到训练遥感影像地块要素语义特征图；对所述训练遥感影像地块要素语义特征图和所述训练贷款申请信息语义编码特征向量进行跨模态语义交互分析以得到训练贷款申请-地块要素语义交互特征图；对所述训练贷款申请-地块要素语义交互特征图进行优化以得到优化训练贷款申请-地块要素语义交互特征图；将所述优化训练贷款申请-地块要素语义交互特征图通过所述自适应注意力模块以得到训练自适应强化贷款申请-地块要素语义交互特征图；将所述训练自适应强化贷款申请-地块要素语义交互特征图通过所述分类器以得到分类损失函数值；基于所述分类损失函数值对所述基于卷积神经网络模型的地块要素语义特征提取器、所述基于元网络模型的跨模态语义交互器、所述自适应注意力模块和所述分类器进行训练。
在上述技术方案中，所述训练遥感影像地块要素语义特征图的各个特征矩阵表达所述目标地块的训练遥感影像的图像语义特征，而各个特征矩阵之间遵循所述卷积神经网络模型的通道维度分布，这样，在使用基于元网络模型的跨模态语义交互器对所述训练遥感影像地块要素语义特征图和所述训练贷款申请信息语义编码特征向量进行跨模态交互后，会基于所述训练贷款申请信息语义编码特征向量表达的所述目标客户的训练贷款申请信息的编码语义特征在通道维度上对所述训练遥感影像地块要素语义特征图进行约束，这也使得所述训练贷款申请-地块要素语义交互特征图在通道维度上具有与特征矩阵的图像语义分布关联弱化的混合分布，使得所述训练贷款申请-地块要素语义交互特征图的基于图像语义特征空间分布和通道维度分布的整体特征分布在概率密度域下的概率密度表示稀疏化。而将所述训练贷款申请-地块要素语义交互特征图通过自适应注意力模块，则是使用自适应注意力模块对所述训练贷款申请-地块要素语义交互特征图的沿通道维度的各个特征矩阵进行自适应强化，这会使得所述训练自适应强化贷款申请-地块要素语义交互特征图的基于图像语义特征空间分布和通道维度分布的整体特征分布在概率密度域下的概率密度表示进一步稀疏化，从而影响其通过分类器进行分类判断时的分类结果回归收敛效果。
基于此，本申请的申请人对所述训练贷款申请-地块要素语义交互特征图进行优化，表示为：以如下优化公式对所述训练贷款申请-地块要素语义交互特征图进行优化以得到优化训练贷款申请-地块要素语义交互特征图；其中，所述优化公式为：
其中，表示特征图的逐位置平方图，/>为参数可训练的中间权重图，例如基于所述贷款申请-地块要素语义交互特征图/>的图像语义特征空间分布和通道维度分布性质，初始设置为其每个特征矩阵的特征值为所述遥感影像地块要素语义特征图的相应特征矩阵的特征值均值，再以所述贷款申请信息语义编码特征向量沿通道加权，此外，/>为所有特征值为1的单位图，/>是所述训练贷款申请-地块要素语义交互特征图，/>是所述优化训练贷款申请-地块要素语义交互特征图，/>表示按位置加法，/>表示按位置点乘。
这里，为了优化所述训练贷款申请-地块要素语义交互特征图的稀疏概率密度在整体概率空间内的分布均匀性和一致性，通过类标准柯西分布式的尾部分布加强机制，来对所述训练贷款申请-地块要素语义交互特征图/>在高维特征空间内的距离式空间分布进行基于空间角度倾斜式的距离分布优化，以实现所述训练贷款申请-地块要素语义交互特征图/>的各个局部特征分布的距离弱相关的特征分布空间共振，从而提升所述训练贷款申请-地块要素语义交互特征图/>整体在概率密度分布层面相对于回归概率收敛的均匀性和一致性，提升分类回归收敛效果，即分类收敛的速度和准确性。这样能够基于地块信息和遥感影像综合进行贷后风险的检测和等级判断，从而提高贷后风险监测的准确性和效率，降低人工调查的成本和风险损失，为金融机构提供更好的决策依据。
综上，基于本申请实施例的基于地块信息的农业贷款的贷后风险监测方法被阐明，其能够提高贷后风险监测的准确性和效率，降低人工调查的成本和风险损失，为金融机构提供更好的决策依据。
在本申请的一个实施例中，图3为根据本申请实施例的基于地块信息的农业贷款的贷后风险监测系统的框图。如图3所示，根据本申请实施例的基于地块信息的农业贷款的贷后风险监测系统200，包括：贷款申请信息获取模块210，用于获取目标客户的贷款申请信息；遥感影像获取模块220，用于获取目标地块的遥感影像；语义编码模块230，用于对所述贷款申请信息进行语义编码以得到贷款申请信息语义编码特征向量；特征提取模块240，用于通过基于深度神经网络模型的地块要素语义特征提取器对所述遥感影像进行特征提取以得到遥感影像地块要素语义特征图；跨模态语义交互分析模块250，用于对所述遥感影像地块要素语义特征图和所述贷款申请信息语义编码特征向量进行跨模态语义交互分析以得到贷款申请-地块要素语义交互特征图；自适应注意力模块260，用于将所述贷款申请-地块要素语义交互特征图通过自适应注意力模块以得到自适应强化贷款申请-地块要素语义交互特征图作为自适应强化贷款申请-地块要素语义交互特征；贷后风险等级标签确定模块270，用于基于所述自适应强化贷款申请-地块要素语义交互特征，确定贷后风险等级标签。
这里，本领域技术人员可以理解，上述基于地块信息的农业贷款的贷后风险监测系统中的各个单元和模块的具体功能和操作已经在上面参考图1到图2的基于地块信息的农业贷款的贷后风险监测方法的描述中得到了详细介绍，并因此，将省略其重复描述。
如上所述，根据本申请实施例的基于地块信息的农业贷款的贷后风险监测系统200可以实现在各种终端设备中，例如用于基于地块信息的农业贷款的贷后风险监测的服务器等。在一个示例中，根据本申请实施例的基于地块信息的农业贷款的贷后风险监测系统200可以作为一个软件模块和/或硬件模块而集成到终端设备中。例如，该基于地块信息的农业贷款的贷后风险监测系统200可以是该终端设备的操作系统中的一个软件模块，或者可以是针对于该终端设备所开发的一个应用程序；当然，该基于地块信息的农业贷款的贷后风险监测系统200同样可以是该终端设备的众多硬件模块之一。
替换地，在另一示例中，该基于地块信息的农业贷款的贷后风险监测系统200与该终端设备也可以是分立的设备，并且基于地块信息的农业贷款的贷后风险监测系统200可以通过有线和/或无线网络连接到该终端设备，并且按照约定的数据格式来传输交互信息。
图4为根据本申请实施例的基于地块信息的农业贷款的贷后风险监测方法的场景示意图。如图4所示，在该应用场景中，首先，获取目标客户的贷款申请信息（例如，如图4中所示意的C1）；以及，获取目标地块的遥感影像（例如，如图4中所示意的C2）；然后，将获取的贷款申请信息与遥感影像输入至部署有基于地块信息的农业贷款的贷后风险监测算法的服务器（例如，如图4中所示意的S）中，其中所述服务器能够基于地块信息的农业贷款的贷后风险监测算法对所述贷款申请信息与所述遥感影像进行处理，以确定贷后风险等级标签。
还需要指出的是，在本申请的装置、设备和方法中，各部件或各步骤是可以分解和/或重新组合的。这些分解和/或重新组合应视为本申请的等效方案。
提供所公开的方面的以上描述以使本领域的任何技术人员能够做出或者使用本申请。对这些方面的各种修改对于本领域技术人员而言是非常显而易见的，并且在此定义的一般原理可以应用于其他方面而不脱离本申请的范围。因此，本申请不意图被限制到在此示出的方面，而是按照与在此公开的原理和新颖的特征一致的最宽范围。
为了例示和描述的目的已经给出了以上描述。此外，此描述不意图将本申请的实施例限制到在此公开的形式。尽管以上已经讨论了多个示例方面和实施例，但是本领域技术人员将认识到其某些变型、修改、改变、添加和子组合。
Claims (7)
1.一种基于地块信息的农业贷款的贷后风险监测方法，其特征在于，包括：
获取目标客户的贷款申请信息；
获取目标地块的遥感影像；
对所述贷款申请信息进行语义编码以得到贷款申请信息语义编码特征向量；
通过基于深度神经网络模型的地块要素语义特征提取器对所述遥感影像进行特征提取以得到遥感影像地块要素语义特征图；
对所述遥感影像地块要素语义特征图和所述贷款申请信息语义编码特征向量进行跨模态语义交互分析以得到贷款申请-地块要素语义交互特征图；
将所述贷款申请-地块要素语义交互特征图通过自适应注意力模块以得到自适应强化贷款申请-地块要素语义交互特征图作为自适应强化贷款申请-地块要素语义交互特征；
基于所述自适应强化贷款申请-地块要素语义交互特征，确定贷后风险等级标签；
其中，对所述遥感影像地块要素语义特征图和所述贷款申请信息语义编码特征向量进行跨模态语义交互分析以得到贷款申请-地块要素语义交互特征图，包括：将所述遥感影像地块要素语义特征图和所述贷款申请信息语义编码特征向量通过基于元网络模型的跨模态语义交互器以得到所述贷款申请-地块要素语义交互特征图；
其中，将所述贷款申请-地块要素语义交互特征图通过自适应注意力模块以得到自适应强化贷款申请-地块要素语义交互特征图作为自适应强化贷款申请-地块要素语义交互特征，包括：将所述贷款申请-地块要素语义交互特征图通过自适应注意力模块以如下自适应强化公式以得到所述自适应强化贷款申请-地块要素语义交互特征图；
其中，所述自适应强化公式为：
；
；
；
；
其中，是所述贷款申请-地块要素语义交互特征图，/>表示对特征图中沿通道维度的各个特征矩阵进行全局均值池化处理，/>是所述贷款申请-地块要素语义交互特征图的通道特征向量，/>和/>是卷积层的权重和偏置，/>为激活函数，/>是所述通道特征向量的卷积特征向量，/>是所述卷积特征向量中各个位置的特征值，/>是权重向量，/>是按位置点乘，/>是所述自适应强化贷款申请-地块要素语义交互特征图；
其中，基于所述自适应强化贷款申请-地块要素语义交互特征，确定贷后风险等级标签，包括：将所述自适应强化贷款申请-地块要素语义交互特征图通过分类器以得到分类结果，所述分类结果用于表示贷后风险等级标签。
2.根据权利要求1所述的基于地块信息的农业贷款的贷后风险监测方法，其特征在于，所述深度神经网络模型为卷积神经网络模型。
3.根据权利要求2所述的基于地块信息的农业贷款的贷后风险监测方法，其特征在于，将所述遥感影像地块要素语义特征图和所述贷款申请信息语义编码特征向量通过基于元网络模型的跨模态语义交互器以得到所述贷款申请-地块要素语义交互特征图，包括：
将所述遥感影像地块要素语义特征图通过所述基于元网络模型的跨模态语义交互器的卷积神经网络以得到遥感影像地块特征图；
将所述贷款申请信息语义编码特征向量通过所述基于元网络模型的跨模态语义交互器的一维卷积层以得到贷款申请信息关联特征向量；
以及以所述贷款申请信息关联特征向量对所述遥感影像地块特征图进行通道加权以得到所述贷款申请-地块要素语义交互特征图。
4.根据权利要求3所述的基于地块信息的农业贷款的贷后风险监测方法，其特征在于，还包括训练步骤：用于对基于卷积神经网络模型的地块要素语义特征提取器、所述基于元网络模型的跨模态语义交互器、所述自适应注意力模块和所述分类器进行训练。
5.根据权利要求4所述的基于地块信息的农业贷款的贷后风险监测方法，其特征在于，所述训练步骤，包括：
获取目标客户的训练贷款申请信息；
获取目标地块的训练遥感影像；
对所述训练贷款申请信息进行语义编码以得到训练贷款申请信息语义编码特征向量；
通过所述基于深度神经网络模型的地块要素语义特征提取器对所述训练遥感影像进行特征提取以得到训练遥感影像地块要素语义特征图；
对所述训练遥感影像地块要素语义特征图和所述训练贷款申请信息语义编码特征向量进行跨模态语义交互分析以得到训练贷款申请-地块要素语义交互特征图；
对所述训练贷款申请-地块要素语义交互特征图进行优化以得到优化训练贷款申请-地块要素语义交互特征图；
将所述优化训练贷款申请-地块要素语义交互特征图通过所述自适应注意力模块以得到训练自适应强化贷款申请-地块要素语义交互特征图；
将所述训练自适应强化贷款申请-地块要素语义交互特征图通过所述分类器以得到分类损失函数值；
基于所述分类损失函数值对所述基于卷积神经网络模型的地块要素语义特征提取器、所述基于元网络模型的跨模态语义交互器、所述自适应注意力模块和所述分类器进行训练。
6.一种基于地块信息的农业贷款的贷后风险监测系统，其特征在于，包括：
贷款申请信息获取模块，用于获取目标客户的贷款申请信息；
遥感影像获取模块，用于获取目标地块的遥感影像；
语义编码模块，用于对所述贷款申请信息进行语义编码以得到贷款申请信息语义编码特征向量；
特征提取模块，用于通过基于深度神经网络模型的地块要素语义特征提取器对所述遥感影像进行特征提取以得到遥感影像地块要素语义特征图；
跨模态语义交互分析模块，用于对所述遥感影像地块要素语义特征图和所述贷款申请信息语义编码特征向量进行跨模态语义交互分析以得到贷款申请-地块要素语义交互特征图；
自适应注意力模块，用于将所述贷款申请-地块要素语义交互特征图通过自适应注意力模块以得到自适应强化贷款申请-地块要素语义交互特征图作为自适应强化贷款申请-地块要素语义交互特征；
贷后风险等级标签确定模块，用于基于所述自适应强化贷款申请-地块要素语义交互特征，确定贷后风险等级标签；
其中，跨模态语义交互分析模块，包括：将所述遥感影像地块要素语义特征图和所述贷款申请信息语义编码特征向量通过基于元网络模型的跨模态语义交互器以得到所述贷款申请-地块要素语义交互特征图；
其中，自适应注意力模块，包括：将所述贷款申请-地块要素语义交互特征图通过自适应注意力模块以如下自适应强化公式以得到所述自适应强化贷款申请-地块要素语义交互特征图；
其中，所述自适应强化公式为：
；
；
；
；
其中，是所述贷款申请-地块要素语义交互特征图，/>表示对特征图中沿通道维度的各个特征矩阵进行全局均值池化处理，/>是所述贷款申请-地块要素语义交互特征图的通道特征向量，/>和/>是卷积层的权重和偏置，/>为激活函数，/>是所述通道特征向量的卷积特征向量，/>是所述卷积特征向量中各个位置的特征值，/>是权重向量，/>是按位置点乘，/>是所述自适应强化贷款申请-地块要素语义交互特征图；
其中，贷后风险等级标签确定模块，包括：将所述自适应强化贷款申请-地块要素语义交互特征图通过分类器以得到分类结果，所述分类结果用于表示贷后风险等级标签。
7.根据权利要求6所述的基于地块信息的农业贷款的贷后风险监测系统，其特征在于，所述深度神经网络模型为卷积神经网络模型。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202410161725.2A CN117710096B (zh) | 2024-02-05 | 2024-02-05 | 基于地块信息的农业贷款的贷后风险监测方法及系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202410161725.2A CN117710096B (zh) | 2024-02-05 | 2024-02-05 | 基于地块信息的农业贷款的贷后风险监测方法及系统 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN117710096A CN117710096A (zh) | 2024-03-15 |
| CN117710096B true CN117710096B (zh) | 2024-04-16 |
Family
ID=90162800
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202410161725.2A Active CN117710096B (zh) | 2024-02-05 | 2024-02-05 | 基于地块信息的农业贷款的贷后风险监测方法及系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN117710096B (zh) |
Families Citing this family (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN118396732A (zh) * | 2024-03-28 | 2024-07-26 | 北京佳格天地科技有限公司 | 一种农业信贷的贷后风险监测方法及系统 |
| CN118230175B (zh) * | 2024-05-23 | 2024-08-13 | 济南市勘察测绘研究院 | 基于人工智能的不动产测绘数据处理方法及系统 |
Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN116308754A (zh) * | 2023-03-22 | 2023-06-23 | 广州信瑞泰信息科技有限公司 | 一种银行信贷风险预警系统及其方法 |
| CN116310822A (zh) * | 2023-03-09 | 2023-06-23 | 中国工商银行股份有限公司 | 针对耕地的贷款请求处理方法、装置及电子设备 |
| CN116452316A (zh) * | 2023-02-28 | 2023-07-18 | 中国工商银行股份有限公司 | 农业贷款的贷后风险监测方法及装置、电子设备 |
| CN116681889A (zh) * | 2023-05-16 | 2023-09-01 | 南京南瑞信息通信科技有限公司 | 基于am及特征融合的多分支图像语义分割方法及系统 |
| CN116777608A (zh) * | 2023-08-25 | 2023-09-19 | 北京佳格天地科技有限公司 | 基于大数据的农业金融风险监管系统、方法及存储介质 |
| CN117252689A (zh) * | 2023-11-13 | 2023-12-19 | 北京佳格天地科技有限公司 | 基于大数据的农业用户信贷决策支持方法及系统 |
Family Cites Families (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20180330435A1 (en) * | 2017-05-11 | 2018-11-15 | Harvesting Inc. | Method for monitoring and supporting agricultural entities |
-
2024
- 2024-02-05 CN CN202410161725.2A patent/CN117710096B/zh active Active
Patent Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN116452316A (zh) * | 2023-02-28 | 2023-07-18 | 中国工商银行股份有限公司 | 农业贷款的贷后风险监测方法及装置、电子设备 |
| CN116310822A (zh) * | 2023-03-09 | 2023-06-23 | 中国工商银行股份有限公司 | 针对耕地的贷款请求处理方法、装置及电子设备 |
| CN116308754A (zh) * | 2023-03-22 | 2023-06-23 | 广州信瑞泰信息科技有限公司 | 一种银行信贷风险预警系统及其方法 |
| CN116681889A (zh) * | 2023-05-16 | 2023-09-01 | 南京南瑞信息通信科技有限公司 | 基于am及特征融合的多分支图像语义分割方法及系统 |
| CN116777608A (zh) * | 2023-08-25 | 2023-09-19 | 北京佳格天地科技有限公司 | 基于大数据的农业金融风险监管系统、方法及存储介质 |
| CN117252689A (zh) * | 2023-11-13 | 2023-12-19 | 北京佳格天地科技有限公司 | 基于大数据的农业用户信贷决策支持方法及系统 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN117710096A (zh) | 2024-03-15 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN117710096B (zh) | 基于地块信息的农业贷款的贷后风险监测方法及系统 | |
| CN108629413B (zh) | 神经网络模型训练、交易行为风险识别方法及装置 | |
| US11263644B2 (en) | Systems and methods for detecting unauthorized or suspicious financial activity | |
| Zhang et al. | Using gaussian distribution to construct fitness functions in genetic programming for multiclass object classification | |
| CN116777608A (zh) | 基于大数据的农业金融风险监管系统、方法及存储介质 | |
| CN114298815A (zh) | 上市公司财务异常识别方法及系统 | |
| Qaddour et al. | Automatic damaged vehicle estimator using enhanced deep learning algorithm | |
| Yadav et al. | Geological information extraction from satellite imagery using machine learning | |
| CN111369152A (zh) | 农业土地价值评估优化方法、装置、设备及可读存储介质 | |
| Kaur et al. | Deep learning: survey of environmental and camera impacts on internet of things images | |
| CN113159874A (zh) | 增值税发票的检测方法、装置和可读存储介质 | |
| CN117975133A (zh) | 高光谱图像分类方法、系统、计算机程序产品 | |
| CN117670359A (zh) | 异常交易数据的识别方法、装置、存储介质及电子设备 | |
| CN117196808A (zh) | 一种同业业务的流动性风险预测方法及相关装置 | |
| CN116824488A (zh) | 一种基于迁移学习的目标检测方法 | |
| CN116011822A (zh) | 一种门店收银管理方法、装置、计算机设备及存储介质 | |
| Li et al. | A Copula-Based Method for Change Detection with Multi-sensor Optical Remote Sensing Images | |
| CN114898181A (zh) | 用于涉爆视频的隐患违章识别方法及装置 | |
| CN114663899A (zh) | 金融票据的处理方法、装置、设备及介质 | |
| Jan et al. | Detection of fraudulent financial statements using decision tree and artificial neural network | |
| CN116630909B (zh) | 基于无人机的无人值守智能监控系统及其方法 | |
| Tian et al. | Entropy based generative adversarial network for PolSAR image classification | |
| CN118628114B (zh) | 一种供应链金融风险评估方法及系统 | |
| CN118311563B (zh) | 一种多波段雷达融合处理方法及系统 | |
| Wu et al. | Lightweight Field Insect Recognition and Classification Model Based on Improved Deep Learning under Complex Background |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |