(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 202210687157.0 (22)申请日 2022.06.16 (71)申请人 平安银行股份有限公司 地址 518000 广东省深圳市罗湖区深南 东 路5047号 (72)发明人 李卓尔　 (74)专利代理 机构 北京超凡宏宇专利代理事务 所(特殊普通 合伙) 11463 专利代理师 刘秋月 (51)Int.Cl. G06Q 40/02(2012.01) G06N 20/00(2019.01) (54)发明名称 一种应收账款预测模型的训练方法及装置 (57)摘要 本申请提供一种应收账款预测模型的训练 方法及装置， 该方法包括： 获取多个月份的账户 信息； 对多个月份的账户信息进行特征提取， 得 到账户数据特征； 基于开源机器学习平台和账户 数据特征进行ARIMA ‑X模型的训练， 得到多个初 始训练模型； 计算每个初始训练模 型的平均误差 率， 并将平均误差率最小的初始训练模型确定为 调试训练模 型； 基于开源机器学习平台和多个月 份的账户信息对调试训练模型进行迭代优化， 得 到应收账款预测模型。 可见， 实施这种实施方式， 能够训练出一种应收账款项预测模 型， 从而使 得 工作人员能够根据该应收账款项预测模型预测 出合适的应收款项， 进而便于更合理地准备足额 的准备金， 并不会造成准备 金的浪费。 权利要求书2页 说明书7页 附图2页 CN 115063231 A 2022.09.16 CN 115063231 A 1.一种应收账款预测模型的训练方法， 其特 征在于， 包括： 获取多个月份的账户信息； 所述账户信息包括月账户余额、 分期未入账金额和表内外 息； 对所述多个月份的账户信息进行 特征提取， 得到账户数据特 征； 基于开源机器学习平台和所述账户数据特征进行ARIMA ‑X模型的训练， 得到多个初始 训练模型； 计算每个所述初始训练模型的平均误差率， 并将所述平均误差率最小的所述初始训练 模型确定为调试训练模型； 基于所述开源机器学习平台和所述多个月份的账户信息对所述调试训练模型进行迭 代优化， 得到应收账款预测模型。 2.根据权利要求1所述的应收账款预测模型的训练方法， 其特征在于， 所述多个月份为 预测月前的5个月； 所述多个初始训练模型为37个ARIMA ‑X模型。 3.根据权利要求1所述的应收账款预测模型的训练方法， 其特征在于， 所述对所述多个 月份的账户信息进行 特征提取， 得到账户数据特 征的步骤 包括： 将所述多个月份的账户信 息转换为多个月份的数值型账户信 息； 所述数值型账户信 息 包括数值型月账户余 额、 数值型分期未入账 金额和数值型表内外 息； 将所述数值型月账户余额、 所述数值型分期未入账金额和所述数值型表内外息分别 输 入至多个深度自注意力变换网络， 以使多个所述深度自注意力变换网络输出账户数据特 征。 4.根据权利要求1所述的应收账款预测模型的训练方法， 其特征在于， 所述基于所述开 源机器学习平台和所述多个月份的账户信息对 所述调试训练模型进行迭代优化， 得到应收 账款预测模型的步骤 包括： 提取与所述调试训练模型相匹配的特 征提取方式； 基于所述开源机器学习平台、 所述多个月份的账户信 息和所述特征提取方式对所述调 试训练模型的模型参数进行迭代优化， 得到应收账款预测模型。 5.一种应收账款预测模型的训练装置， 其特征在于， 所述应收账款预测模型的训练装 置包括： 获取单元， 用于获取多个月份的账户信 息； 所述账户信 息包括月账户余额、 分期未入账 金额和表内外 息； 提取单元， 用于对所述多个月份的账户信息进行 特征提取， 得到账户数据特 征； 训练单元， 用于基于开源机器学习 平台和所述账户数据特征进行A RIMA‑X模型的训练， 得到多个初始训练模型； 计算单元， 用于计算每个所述初始训练模型的平均误差率， 并将所述平均误差率最小 的所述初始训练模型确定为调试训练模型； 优化单元， 用于基于所述开源机器学习平台和所述多个月份的账户信 息对所述调试训 练模型进行迭代优化， 得到应收账款预测模型。 6.根据权利要求5所述的应收账款预测模型的训练装置， 其特征在于， 所述多个月份为 预测月前的5个月； 所述多个初始训练模型为37个ARIMA ‑X模型。 7.根据权利要求5所述的应收账款预测模型的训练装置， 其特征在于， 所述提取单元包权　利　要　求　书 1/2 页 2 CN 115063231 A 2括： 转换子单元， 用于将所述多个月份的账户信息转换为多个月份的数值型账户信息； 所 述数值型 账户信息包括数值型月账户余 额、 数值型分期未入账 金额和数值型表内外 息； 处理子单元， 用于将所述数值型月账户余额、 所述数值型分期未入账金额和所述数值 型表内外息 分别输入至多个深度自注意力变换网络， 以使多个所述深度自注意力变换网络 输出账户数据特 征。 8.根据权利要求5所述的应收账款预测模型的训练装置， 其特征在于， 所述优化单元包 括： 提取子单 元， 用于提取与所述调试训练模型相匹配的特 征提取方式； 优化子单元， 用于基于所述开源机器学习平台、 所述多个月份的账户信息和所述特征 提取方式对所述调试训练模型的模型参数进行迭代优化， 得到应收账款预测模型。 9.一种电子设备， 其特征在于， 所述电子设备包括存储器以及处理器， 所述存储器用于 存储计算机程序， 所述处理器运行所述计算机程序以使 所述电子 设备执行权利要求 1至4中 任一项所述的应收账款预测模型的训练方法。 10.一种可读存储介质， 其特征在于， 所述可读存储介质中存储有计算机程序指令， 所 述计算机程序指 令被一处理器读取并运行时， 执行权利要求 1至4任一项 所述的应收账款预 测模型的训练方法。权　利　要　求　书 2/2 页 3 CN 115063231 A 3