(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 202210809978.7 (22)申请日 2022.07.11 (71)申请人 南京致景信息科技有限公司 地址 210000 江苏省南京市江北新区望江 路5号3号楼3楼X- 008 （信息申报） (72)发明人 吴声剑　于溦　钟思远　 (74)专利代理 机构 广州汇航专利代理事务所 (普通合伙) 44537 专利代理师 韩广 (51)Int.Cl. G06Q 40/02(2012.01) G06Q 10/04(2012.01) G06Q 50/04(2012.01) G06F 21/64(2013.01) G06N 5/00(2006.01)G06N 20/20(2019.01) G06N 3/04(2006.01) G06N 3/08(2006.01) (54)发明名称 一种基于IOT数据核定客户授信额度的方法 (57)摘要 本发明公开了一种基于IOT数据核定客户授 信额度的方法， 属于供应链金融技术领域， 包括 以下步骤： S1： 获取数据； S2： 确定模型架构； S3： 变量的特征工程； S4： 多算法融合技术； S5： 产能 计算； S6： 额度计算。 本发明提出的一种基于IOT 数据核定客户授信额度的方法， 基于最新的IOT 数据可以详细的获得企业设备的开机、 停机、 维 修等生产情况， 运用时间序列算法Xgboost和 lstm算法进行产能的预测， 从而获得未来一个月 企业的产能情况。 根据授信企业的实际的产能情 况去计算企业采购原材料的资金需求， 从而根据 市场上原材料的价格确定企业资金需求情况， 从 而确定对企业的授信额度。 权利要求书2页 说明书5页 附图3页 CN 115170285 A 2022.10.11 CN 115170285 A 1.一种基于IOT数据核定客户授信额度的方法， 其特 征在于， 包括以下步骤： S1： 获取数据； 获取企业的内部数据外 部数据； S2： 确定模型架构； 采用时间序列模型进行多步预测， 根据工厂设备前30天的开工 效率 情况， 预测企业未来3 0天的的设备开工效率情况； S3： 变量的特征工程； 变量的特征工程是将原始数据转化为特征， 表示预测模型处理的 实际问题， 提升对于未知数据预测的准确性； S4： 多算法融合技术； 采用多种算法预测然后进行多模型的融合从而提高预测的准确 性； S5： 产能计算； 在获得机器未来一个月的机器开工效率后， 根据机器生产的不同产品的 产成率计算出原材 材料的需求 量； S6： 额度计算； 企业的供应链的授信额度＝原材 料需求量*原材料价格。 2.如权利要求1所述的一种基于IOT数据核定客户授信额度的方法， 其特征在于， 针对 S1中， 企业的内部数据包括企业的基本信息、 设备IOT生产数据和员工 工作数据； 企业的外部数据采集原材的价格数据、 产品的销售价格数据、 宏观经济数据、 气 温信息 数据。 3.如权利要求1所述的一种基于IOT数据核定客户授信额度的方法， 其特征在于， 针对 S2中， 为了实现预测机台未来30天每天的机台效率， 模型架构采用多步预测， 即训练 时使用 机台观察点前m‑1月的每天的变量特征x1_ m‑1，……， xn_m‑1和的观察点当天的机台的运行 效率值Y进行模 型的训练； 在 模型预测时， 采用t天的数据去 预测第t+30天的机台效率， 预测 30步， 即预测未来3 0天的机台效率。 4.如权利要求1所述的一种基于IOT数据核定客户授信额度的方法， 其特征在于， 针对 S3中， 本方法采用时间戳衍生技术、 时间间隔分布衍生技术和特征组合衍生技术进行变量 的衍生： 时间戳衍生技术： 部分特征采用的最近 ‑N‑(时间单位) ‑(动作)‑(item)‑(统计量)， 这 样的模版构建出来的特 征； 时间间隔分布衍 生技术： 从最近时间， 动作的频度， 动作的稳定性 来刻企业的行为； 特征组合衍生技术： 将两个或多个输入特征通过数学运算进行组合， 分为如下三种情 况： 数值运算如对特 征进行加， 减， 乘， 除； 特征交叉， 对多个特 征进行交叉组合， 或做交， 并， 补， 笛卡尔集 运算； 暴力交叉， 暴力交叉 可能产生稀疏问题； 通过上述特征工程得到进行模型训练的特 征宽表， 即x1_m ‑1，……， xn_m‑1和预测值Y 。 5.如权利要求1所述的一种基于IOT数据核定客户授信额度的方法， 其特征在于， 针对 S4中， 将模型训练样本的特征数据x1_m ‑1，……， xn_m‑1作为输入训练参数， 对工厂设备每 日的开工效率使用XGBo ost和LSTM模型分别进行建模训练； 模型一： 用训练集训练XGBoost回归预测时， 将S3得到的样本特征数据作 为输入训练参 数， 通过设置最大树深度、 树的个数、 迭代学习率、 正则化项系数等参数， 能够获得的输出为 每个样本的开工效率的回归值； 模型二： 由于时间越近的数据对产能的预测影响越大， 而距离的时间较远的数据对产权　利　要　求　书 1/2 页 2 CN 115170285 A 2品也有部分影响， 为了既能保留历史的数据信息又不会过大 的营销距离较近的信息， 因此 采用了LSTM模型进行训练。 6.如权利要求1所述的一种基于IOT数据核定客户授信额度的方法， 其特征在于， 针对 S5中， 需求 量公式为： Y＝24*X*A*B： X为设备的开工效率； A产成品系数： 根据生产的不同品类的产品， 统计出产成品系数列表； B产品原材 料系数： 根据不同品类的产品， 统计出不同原材 料的需求系数列表。 7.如权利要求1所述的一种基于IOT数据核定客户授信额度的方法， 其特征在于， 针对 S6中， 根据企业的基础授信额度结合影响参数计算出精确的最终授信额度金额， 其中用户 基础授信额度是根据原材的需求和原材市场价格计算而得， 影响参数是根据预设影响因子 特征对用户数据筛选后的第二入模参数得到的， 通过计算企业未来一个月的产能和影响因 子模型的入 模参数类型， 进 而提高额度评分预测的准确度， 降低系统冗余。权　利　要　求　书 2/2 页 3 CN 115170285 A 3