基于AI的光伏制造业客户风险模型算法、装置、计算机可读存储介质的制作方法

本发明涉及光伏制造业客户风险管理，特别涉及一种基于ai的光伏制造业客户风险评估与动态授信额度计算方法、装置、计算机可读存储介质。该方法结合光伏制造业行业特征与深度学习算法，实现对光伏制造业客户信用风险的智能化识别、量化评估和动态调整。

背景技术：

1、光伏制造业作为新能源产业的核心环节，具有客户类型多样、订单金额大、账期长、原材料价格波动显著等行业特征。在光伏制造业的日常运营中，客户信用风险评估与授信额度管理是保障企业资金安全、优化资源配置的核心环节。现有技术主要存在以下局限性：

2、局限性一：传统评分规则固化，缺乏光伏制造业行业自适应能力。现有评分模型通常采用固定规则，如"注册资本超过1000万元得10分"，无法根据光伏制造业政策变化（如补贴退坡、原材料价格波动）、产业链上下游位置差异或客户个体差异进行动态调整。评分标准一旦设定便长期不变，导致评估结果与光伏制造业客户的实际风险水平偏离。

3、局限性二：授信额度计算简单，未考虑光伏制造业周期趋势。传统方法仅基于历史发货数据计算授信额度，通常采用"月均发货额乘以固定系数"的方式，无法预测光伏制造业客户受季节性需求高峰、行业政策节点影响导致的未来订单趋势变化，对于订单波动较大的光伏制造业客户评估准确性不足。

4、局限性三：风险预警滞后，缺乏光伏制造业前瞻性监控。现有风险监控多为事后统计，如逾期回款比、应收账款周转率等指标，只能反映已发生的风险，无法提前识别光伏制造业客户因原材料价格剧烈波动、国际贸易摩擦、技术迭代等产业链因素导致的潜在风险，导致企业可能在客户出现实质性风险后才采取措施。

技术实现思路

1、本发明的目的在于克服上述现有技术的局限性，提供一种基于ai的光伏制造业客户风险模型算法，通过融合光伏制造业行业特征与多种人工智能算法，实现光伏制造业客户信用风险的精准评估和授信额度的智能计算。

2、为达成上述目的，本发明的第一方面，提供一种基于ai的光伏制造业客户风险模型算法，包括以下步骤：

3、步骤s1：从多个数据源采集光伏制造业客户基本信息、交易行为数据、光伏制造业行业特征数据、外部风险数据和集团关联数据，并对所述数据进行特征工程处理，生成特征向量；

4、步骤s2：将所述特征向量输入基于xgboost的资信评分模型，计算光伏制造业客户的资信评分，并根据评分划分信用等级，确定授信系数；

5、步骤s3：从采集数据中获取客户历史发货序列输入基于lstm的发货趋势预测模型，得到未来发货预测值，结合历史发货数据计算基础授信额度，应用步骤s2确定的授信系数进行动态调整，并汇总指定的其它渠道授信额度数据确定最终授信额度；

6、步骤s4：将所述特征向量中的风险特征子集输入孤立森林算法检测光伏制造业客户的异常分数，融合内部风险指标和外部风险事件计算综合风险指数，根据综合风险指数对步骤s3确定的最终授信额度进行动态调整，并将调整后额度反馈至目标系统。

7、进一步的，所述步骤s1中光伏制造业行业特征数据包括原材料价格指数、产品月度均价波动率、客户所在国别光伏贸易政策状态；所述特征工程处理包括根据所述光伏制造业行业特征数据计算光伏制造业专属特征，所述光伏制造业专属特征至少包括产品价格波动率和贸易风险系数。

8、进一步的，所述特征工程处理包括:对交易行为数据计算比例特征，所述比例特征至少包括发货回款比和逾期回款比，并剔除单月发货额超过剔除该月后其余月份月均发货额设定倍数且相邻月份无同量级发货记录的一次性大额订单。

9、进一步的，所述步骤s2中xgboost模型的损失函数为平方误差，通过网格搜索确定树的数量、最大深度和学习率参数，并采用交叉验证方式，迭代训练至损失函数收敛得到资信评分模型，模型训练完成后输出设定区域的资信评分。

10、进一步的，在xgboost模型训练完成后，基于同一组决策树结构，统计每个特征在所有决策树中的分裂增益总和占总增益的比例，作为该特征的重要性得分，其中，所述资信评分由模型的叶子节点加权求和得出，所述重要性得分由同一树结构的分裂增益统计得出。

11、进一步的，所述xgboost模型的参数优化方式包括：配置网格搜索范围为树的数量∈{50,100,200,300}、树的最大深度∈{4,6,8,10}、学习率∈{0.01,0.05,0.1,0.2}、最小叶节点样本权重∈{1,3,5}；配置模型验证方式采用5折交叉验证，将训练样本随机均分为5份，依次取其中1份作为验证集、其余4份作为训练子集训练模型，并在验证集上计算均方根误差，重复5次取平均作为该组超参数组合的交叉验证rmse；选取交叉验证rmse最小的参数组合作为最优参数。

12、进一步的，xgboost模型在训练前执行有标签清洗步骤，所述标签清洗步骤包括：使用全部样本的原始人工评分标签执行网格搜索与交叉验证，确定初始超参数；以所述初始超参数在全部样本上训练初始xgboost模型，对每个样本计算交叉验证预测评分，得到残差绝对值δ=｜人工评分-模型预测评分｜；计算全部样本残差绝对值，基于所述残差绝对值的分布，计算其第n百分位数；若样本满足以下任一条件，则判定为客观风险特征与人工评分严重背离的异常评分样本并予以剔除：条件一，δ大于或等于第一阈值，且近期逾期回款比高于全部样本的第m百分位数或存在复数级司法诉讼数或存在失信记录；条件二，δ≥第n百分位数，所述n、m为整数。

13、进一步的，根据评分划分信用等级并确定授信系数的方式，包括：根据所述资信评分与预设的多个评分阈值进行比较，将所述目标客户划分为多个信用等级中的一个；根据所述信用等级，依据设定映射关系确定对应的授信系数，所述授信系数与所述信用等级呈正向关联。

14、进一步的，所述特征工程处理包括对时间特征提取存续年限及光伏制造业需求旺季的季节性特征，以及为lstm模型构造预设历史窗口长度的发货序列特征，对发货记录不足历史窗口长度的新客户以零值填充缺失月份，并生成与发货序列等长的有效发货掩码向量，有效发货掩码向量中对真实零值位置配置辅助标记信息，配置lstm每个时间步的输入为发货额与掩码构成的二维特征、输入维度为复数级，最终输出融合序列信息与标记信息的多维特征向量。

15、lstm模型的构建方式包括：采用单层lstm网络，配置隐藏层维度为64，输入维度复数级，输入特征序列包含对应于多个历史时间步的所述二维特征，所述历史时间步对应历史窗口长度，每一时间步为一个月，输出维度对应预测的未来设定时间步的发货额，并配置模型的训练样本包含光伏制造业至少一个完整年度周期的历史发货数据，所述历史发货数据中携带由光伏制造业需求旺季与政策节点周期构成的时间序列波动模式。

16、进一步的，lstm模型超参数与训练配置方式包括：损失函数采用均方误差，lstm单元内部采用tanh作为候选记忆激活函数、sigmoid作为输入门、遗忘门和输出门的激活函数，输出层采用线性激活函数，隐藏层输出后连接丢弃率为0.2的dropout层；优化器采用adam，初始学习率为0.001，每训练30轮学习率衰减为原来的0.5倍，训练轮数为100，批大小为32。

17、进一步的，所述步骤s3中基础授信额度计算方式包括：基础授信额度选取历史额度与预测额度的较大值，其中历史额度等于剔除一次性大额订单后的近期设定时段内发货总额除以发货月份数再乘以min(发货月份数, 3)，预测额度等于lstm模型预测的未来发货额之和。

18、进一步的，所述步骤s3中，最终授信额度等于调整后基础授信额度与sap实际授信额度中的较小值；若客户属于企业集团，则最终授信额度等于调整后基础授信额度、sap实际授信额度与集团剩余可用额度三者中的较小值，其中集团剩余可用额度等于集团总授信上限减去集团内其他客户已占用额度之和。

19、进一步的，所述孤立森林算法的超参数配置规则被配置为：树的数量200、每棵树的样本采样数256、特征采样数18、树的最大高度10、每个数的特征采用数对应所述风险特征子集；所述异常分数计算方式被配置为：异常分数等于2的负平均路径长度除以归一化系数c(n)次方，其中c(n)=2h(n-1)-2(n-1)/n，h(n)为调和数ln(n)+γ，γ为欧拉-马歇罗尼常数，n取每棵孤立树的样本采样数。

20、进一步的，所述综合风险指数计算方式包括：综合风险指数等于异常分数、外部风险分值标准化与内部风险分值标准化的加权求和；所述外部风险分值等于自身风险得分乘与周边风险得分的加权求和，自身风险得分与周边风险得分按设定风险事件的类型分档计分规则进行量化，外部风险分值标准化等于外部风险分值除以max(外部风险分值最大值,1)；所述内部风险分值标准化等于内部风险分值除以max(内部风险分值最大值, 1)，内部风险分值由近期逾期回款比、应收账款周转天数与订单取消率加权归一化得到。

21、进一步的，所述步骤s4中动态调额采用分级折扣方式，基于综合风险指数与分级折扣区间的比较，查找对应折扣系数；调整后额度等于步骤s3确定的最终授信额度乘以折扣系数，并将调整后额度反馈至目标系统，发送对应折扣区间的预警信息，在下一轮数据采集周期中作为基准数据参与新一轮计算。

22、进一步的，当综合风险指数连续多个计算周期回落至安全折扣区间以下时，触发额度回升机制，每周期向步骤s3确定的最终授信额度方向上调一个档位，回升后额度不超过步骤s3确定的最终授信额度。

23、本发明第二方面，提供一种基于ai的光伏制造业客户风险模型装置，包括：

24、多维采集模块，用于从多个数据源采集光伏制造业客户基本信息、交易行为数据、光伏制造业行业特征数据、外部风险数据和集团关联数据，并对所述数据进行特征工程处理，生成特征向量；

25、资信评分模块，用于将所述特征向量输入基于xgboost的资信评分模型，计算光伏制造业客户的资信评分，并根据评分划分信用等级，确定授信系数；

26、额度计算模块，用于从采集数据中获取客户历史发货序列输入基于lstm的发货趋势预测模型，得到未来发货预测值，结合历史发货数据计算基础授信额度，应用步骤s2确定的授信系数进行动态调整，并汇总指定的其它渠道授信额度数据确定最终授信额度；

27、风险检测调整模块，用于将所述特征向量中的风险特征子集输入孤立森林算法检测光伏制造业客户的异常分数，融合内部风险指标和外部风险事件计算综合风险指数，根据综合风险指数对步骤s3确定的最终授信额度进行动态调整，并将调整后额度反馈至目标系统。

28、本发明第三方面，提供一种计算机可读存储介质，所述计算机可读存储介质存储一个或多个程序，所述一个或多个程序当被处理器执行时，实现上述的光伏制造业客户风险模型算法。

29、相比于现有技术，本发明具有以下有益效果：

30、（1）融合光伏制造业行业特征的ai自适应评分引擎，采用xgboost梯度提升树算法替代传统固定规则评分，通过历史数据自动学习各指标的重要性权重，使评分模型能自适应光伏制造业不同类型客户的风险特征。模型特别引入光伏制造业专属特征，如原材料价格波动率、产品价格波动率、贸易国别风险等，提升评分的行业针对性。

31、（2）基于lstm的光伏制造业发货趋势预测，引入长短期记忆网络（lstm）对光伏制造业客户历史发货数据进行时间序列建模，预测未来发货趋势，将预测结果纳入授信额度计算，提升额度的前瞻性；应用授信系数进行动态调整，并汇总指定的其它渠道授信额度数据确定最终授信额度，提升准确性。模型融合光伏制造业的季节性需求特征与政策节点周期信息，以提升预测精度。

32、（3）实施光伏制造业多维风险实时监控，利用光伏制造业客户的企业工商信息、司法风险、经营异常等外部数据，结合光伏制造业特有的原材料价格波动、贸易政策变化等产业链风险信号组建风险特征子集，结合孤立森林算法检测异常风险模式，实现风险的实时识别和预警；融合内部风险指标和外部风险事件计算综合风险指数，对最终授信额度二次动态调整，进一步优化准确性。

33、所述说明仅是本发明技术方案的概述，为了能够更清楚了解本发明的技术手段，而可依照说明书的内容予以实施，并且为了让本发明的所述和其它目的、特征和优点能够更明显易懂，以下特举本发明的具体实施方式。