基于物联网的金融贷后监管系统与监管方法与流程

本发明涉及一种基于物联网的监管系统，尤其是一种基于物联网传感器数据分析建模用于企业运营状况监控和告警的贷后监管系统。

背景技术：

随着政府对于民营经济营造更好发展环境，帮助民营经济解决发展中的困难，支持民营企业改革发展的推进需求，解决好融资难问题，让民营企业“敢贷、能贷、愿贷”，以及物联网技术的飞速发展，利用物联网技术，实时准确的收集企业实际运营数据，使得金融贷款机构对于企业实时运营状况的掌握有了可能。

目前金融机构贷后监管的现状主要还是通过传统的人工监控录入的方式，通过预先设计的excel表格，定期派人到相关企业收集数据，实时性以及准确性不够，人工成本大；并且通过人工观察收集的数据，格式多样，结构复杂，通过人力整理和分析，往往得不到有效实时的信息。

技术实现要素：

本发明的目的在于克服现有技术中存在的不足，提供一种基于物联网的金融贷后监管系统与监管方法，通过安装传感器设备等手段收集与企业运营相关的特征数据，然后分析建模得出企业综合评分；为金融机构贷后监管提供实时有效的数据支撑，能够大大减少人力物力。本发明采用的技术方案是：

一种基于物联网的金融贷后监管系统，包括：

数据采集层，用于收集与企业运营相关的特征数据，作为评价企业运营状况的指标；

数据存储层，用于存储所收集的与企业运营相关的特征数据至数据仓库，供数据分析层调用、分析处理；

数据分析层，包括主成分分析单元和建立的多元线性回归模型；

主成分分析单元，对于评价企业运营状况的各指标，将各指标的多个线性组合所构成的综合指标作为主成分，然后基于相关系数矩阵方法进行主成分提取，并且提取重要性最大的第一主成分；

将第一主成分作为多元线性回归模型的因变量，收集的指标作为自变量，计算出多元线性回归模型中的回归系数，然后得到评分模型；将监测得到的特征数据代入所述评分模型，得到与统计时段相应的企业综合评分；

应用层，通过web服务为金融机构提供贷后监管相关的服务。

进一步地，主成分分析单元，进行主成分分析具体包括：

假设有p个指标，把这p个指标看作p个随机变量，记为x1，x2，…，xp，主成分分析就是要把这p个指标的问题，转变为讨论p个指标的线性组合的问题，而这些新的综合指标f1，f2，…，fk(k≤p)，按照保留主要信息量的原则充分反映原指标的信息，并且相互独立；主成分分析做法是，寻求原指标的线性组合fi

f1＝u11x1+u21x2+…+up1xp

f2＝u12x1+u22x2+…+up2xp

……

fi＝u1ix1+u2ix2+…+upixp

……

fk＝u1kx1+u2kx2+…+upkxp

每个主成分的系数平方和为1，即：

主成分之间相互独立；基于相关系数矩阵方法进行主成分提取，并且提取重要性最大的第一主成分。

进一步地，多元线性回归模型表示为：

y＝β0+β1x1+β2x2+β3x3+······+βkxk+ε

β0是回归常数，β1，β2，β3，······，βk是回归系数，ε是误差项；

根据回归模型的假定，ε的期望为0；有：

e(y)＝β0+β1x1+β2x2+β3x3+······+βkxk

e()表示求期望；

根据最小二乘法，求残差q：

其中，是yi的估计值，是βk的估计值；

使残差q最小，通过求导可得方程组：

······

根据微积分通过求导算极值能够得到回归系数舍去

得到的评分模型为：

进一步地，第一主成分在作为因变量输入多元线性回归模型前，先进行归一化处理。

进一步地，在应用层，提供企业每天和每周的基本信息、评分统计图及运营数据统计图；

在应用层，若工作日的企业综合评分超出设定合理波动范围，则应用层会发出监控预警。

一种基于物联网的金融贷后监管方法，包括：

s1，收集与企业运营相关的特征数据，作为评价企业运营状况的指标；

s2，存储所收集的与企业运营相关的特征数据；

s3，进行主成分分析：对于评价企业运营状况的各指标，将各指标的多个线性组合所构成的综合指标作为主成分，然后基于相关系数矩阵方法进行主成分提取，并且提取重要性最大的第一主成分；

建立多元线性回归模型，将第一主成分作为多元线性回归模型的因变量，收集的指标作为自变量，计算出多元线性回归模型中的回归系数，然后得到评分模型；将监测得到的特征数据代入所述评分模型，得到与统计时段相应的企业综合评分；

s4，通过web服务为金融机构提供贷后监管相关的服务。

进一步地，主成分分析具体包括：

假设有p个指标，把这p个指标看作p个随机变量，记为x1，x2，…，xp，主成分分析就是要把这p个指标的问题，转变为讨论p个指标的线性组合的问题，而这些新的综合指标f1，f2，…，fk(k≤p)，按照保留主要信息量的原则充分反映原指标的信息，并且相互独立；主成分分析做法是，寻求原指标的线性组合fi

f1＝u11x1+u21x2+…+up1xp

f2＝u12x1+u22x2+…+up2xp

……

fi＝u1ix1+u2ix2+…+upixp

……

fk＝u1kx1+u2kx2+…+upkxp

每个主成分的系数平方和为1，即：

主成分之间相互独立；基于相关系数矩阵方法进行主成分提取，并且提取重要性最大的第一主成分。

进一步地，多元线性回归模型表示为：

y＝β0+β1x1+β2x2+β3x3+······+βkxk+ε

β0是回归常数，β1，β2，β3，······，βk是回归系数，ε是误差项；

根据回归模型的假定，ε的期望为0；有：

e(y)＝β0+β1x1+β2x2+β3x3+······+βkxk

e()表示求期望；

根据最小二乘法，求残差q：

其中，是yi的估计值，是βk的估计值；

使残差q最小，通过求导可得方程组：

······

根据微积分通过求导算极值能够得到回归系数舍去

得到的评分模型为：

进一步地，第一主成分在作为因变量输入多元线性回归模型前，先进行归一化处理。

进一步地，提供的贷后监管相关的服务包括：

在应用层，提供企业每天和每周的基本信息、评分统计图及运营数据统计图；

在应用层，若工作日的企业综合评分超出设定合理波动范围，则应用层会发出监控预警。

本发明的优点在于：

1)通过传感器设备或接入第三方数据收集企业各种维度的经营相关的特征数据，可以通过新增传感器类型，扩展特征数据，不断充实完善企业运营数据。

2)通过主成分分析对原始的特征数据进行降维处理，力求数据信息丢失最少。

3)通过建立多元线性回归模型以得到评分模型，能够科学高效的对企业运营状况进行评分，直观简明地评价企业运行状况，并能设置监控预警。

附图说明

图1为本发明的结构组成示意图。

具体实施方式

下面结合具体附图和实施例对本发明作进一步说明。

本发明提出的一种基于物联网的金融贷后监管系统，如图1所示，包括：数据采集层、数据存储层、数据分析层和应用层；

(一)数据采集层用于收集与企业运营相关的特征数据，作为评价企业运营状况的指标；

特征数据的收集可以采用传感器设备采集，或者通过接入第三方数据获得；

例如，对于制造型企业安装电流传感器，监控企业电流变化情况；或者安装振动传感器，收集企业核心产线设备运行数据；或者安装视频识别传感设备，收集企业出入口的人流和/或车流数据；或者安装噪音传感器，收集企业运行时相应的噪声数据；

对于科创型企业，可以安装神经节设备，神经节设备可以看做多传感器设备的一个集合体，可以收集温度、湿度、光照、二氧化碳、pm2.5、噪声等环境数据；

接入的第三方数据如：行政处罚，人员招募，法院判决，征信评分等数据；

这些多维度的与企业运营相关的特征数据，能够进一步提高数据分析的准确性，具有良好的扩展性；

(二)数据存储层，用于存储所收集的与企业运营相关的特征数据至数据仓库，供数据分析层调用、分析处理；

对于传感器设备采集的特征数据，可先通过网关上传到物联网平台，然后通过api接口将物联网平台的特征数据保存至数据存储层的数据仓库；

对于第三方数据，可通过互联网传输，获取后保存至数据存储层的数据仓库；

特征数据在保存进数据仓库前可先进行数据预处理，如识别异常数据，过滤空数据等，保证数据的质量。每天凌晨会对前一天的数据进行汇总统计，如：最大值，最小值，均值等；

(三)数据分析层包括主成分分析单元和多元线性回归模型；

(3.1)主成分分析单元，对于评价企业运营状况的各指标，将各指标的多个线性组合所构成的综合指标作为主成分，然后基于相关系数矩阵方法进行主成分提取，并且提取重要性最大的第一主成分；

主成分分析是把各变量之间互相关联的复杂关系进行简化分析的方法，主成分分析试图在力保数据信息丢失最少的原则下，对这种多变量的截面数据表进行最佳综合简化，也就是说，对高维变量空间进行降维处理；在力求数据作息丢失最少的原则下，对高维的变量空间降维，即研究指标体系的少数几个线性组合，并且这几个线性组合所构成的综合指标将尽可能多地保留原来指标变异方面的信息；这些综合指标就称为主成分。

假设有p个指标，把这p个指标看作p个随机变量，记为x1，x2，…，xp主成分分析就是要把这p个指标的问题，转变为讨论p个指标的线性组合的问题，而这些新的综合指标f1，f2，…，fk(k≤p)，按照保留主要信息量的原则充分反映原指标的信息，并且相互独立；主成分分析通常的做法是，寻求原指标的线性组合fi

f1＝u11x1+u21x2+…+up1xp

f2＝u12x1+u22x2+…+up2xp

……

fi＝u1ix1+u2ix2+…+upixp

……

fk＝u1kx1+u2kx2+…+upkxp

每个主成分的系数平方和为1，即：

主成分之间相互独立，即无重叠的信息，即：

cov(fi，fj)＝0，i≠j，j＝1，2，…，k

主成分的方差依次递减，若f1，f2，…，fk重要性依次递减，即：

var(f1)之var(f2)≥…≥var(fk)

贡献率：第i个主成分fi的方差在全部方差中所占比重称为贡献率，反映了主成分fi原来p个指标多大的信息，有多大的综合能力；

累积贡献率：前k个主成分共有多大的综合能力，用这前k个主成分的方差和在全部方差中所占比重；

本发明基于相关系数矩阵方法进行主成分提取，并且提取重要性最大的第一主成分；本实施例中第一主成分假定为f1；

(3.2)建立多元线性回归模型，将第一主成分作为多元线性回归模型的因变量，收集的指标作为自变量，计算出多元线性回归模型中的回归系数，然后得到评分模型；将监测得到的特征数据代入所述评分模型，得到与统计时段相应的企业综合评分。

线性回归使用最佳的拟合直线(也就是回归线)在因变量(y)和一个或多个自变量(x)之间建立一种关系，其实是一种函数关系；

因变量：被预测或被解释的变量，常用y表示；

自变量：用来预测或解释因变量的一个或多个变量，常用x表示；

误差项：除自变量x以外的其他因素对因变量y的影响，常用ε表示；

多元线性回归模型可表示为：

y＝β0+β1x1+β2x2+β3x3+······+βkxk+ε

β0是回归常数，β1，β2，β3，······，βk是回归系数，ε是误差项；

根据回归模型的假定，ε的期望为0；有：

e(y)＝β0+β1x1+β2x2+β3x3+······+βkxk

e()表示求期望；

根据最小二乘法，求残差q：

其中，是yi的估计值，是βk的估计值；

使残差q最小，通过求导可得方程组：

······

根据微积分通过求导算极值得到回归系数本例中舍去

在多元线性回归方程中每个回归系数表示在其余自变量保持不变的情况下，自变量xi变化一个单位时，因变量y平均变化量；

本发明在建立多元线性回归模型时，首先把第一主成分进行归一化处理，作为因变量，也即是企业综合评分；检测收集的指标作为自变量；其中多元线性回归模型中的回归系数表示相应指标对综合评分的影响程度；

计算出回归系数后，得到的评分模型为：

在一个实例中，评分模型如下：

max_light光照最大值；

avg_light光照平均值；

max_sound噪声最大值；

min_sound噪声最小值；

avg_sound噪声平均值；

max_co2二氧化碳最大值；

min_co2二氧化碳最小值；

avg_co2二氧化碳最大值；

max_humidity湿度最大值；

min_humidity湿度最小值；

avg_humidity湿度平均值；

max_pm25pm2.5最大值；

min_pm25pm2.5最小值；

avg_pm25pm2.5平均值；

以上指标为按照天为一个统计时段内的指标；

另一个实例中，还可以加入温度变量，如：

max_temperature温度最高值，min_temperature温度最低值，avg_temperature温度平均值；

例如：目前利用监测到的某企业光照，声音等变量及衍生变量作为原始变量，

首先利用主成分分析得出第一主成分表达式：

f1＝-0.297096*max_light-0.259112*avg_light+0.119370*max_sound-0.006401*min_sound+0.106605*avg_sound+max_co2*0.099159+0.027093*min_co2+0.125683*avg_co2+0.356915*max_humidity+0.404794*min_humidity+0.400434*avg_humidity-0.201424max_temperature-0.065980*min_temperature-0.106441*avg_temperature+0.317089*max_pm25+0.276607*min_pm25+0.328133*avg_pm25

再通过归一化对第一主成分进行处理；

归一化公式：

归一化后的第一主成分作为因变量，其余变量作为自变量，经过最小二乘法计算出回归系数，从而得到如下评分模型：

score＝-0.00122*max_light-0.01165*avg_light+0.35170*max_sound-0.02251*min_sound+0.37009*avg_sound+0.00428*max_co2-0.03037*min_co2+0.03443*avg_co2+0.34561*max_humidity+0.34127*min_humidity+0.56565*avg_humidity-0.77375*max_temperature

+0.13906*min_temperature-0.82690*avg_temperature+0.28132*max_pm25+0.73731*min_pm25+0.63998*avg_pm25

假如监测到这家企业某一天数据如下：

把这些数据代入上述评分模型中：

score＝-0.00122*2077-0.01165*525+0.35170*49-0.02251*36+0.37009*42

+0.00428*576-0.03037*392+0.03443*438+0.34561*54.5+0.34127*46.1

+0.56565*50.92-0.77375*30.5+0.13906*26.2-0.82690*28.17+0.28132*40

+0.73731*11+0.63998*19

＝85.669

因此此企业当天的综合评分是85.669。

(四)应用层，通过web服务为金融机构提供贷后监管相关的服务；

用户通过网址登陆本系统后，在系统首页即可看到按综合排名进行排序的企业列表，在各个企业的信息框中，可看到企业名称、评分、行业排名、日评分趋势、周评分趋势等数据；

点击制造型企业的名称，即可进行企业详情页面；在详情页面，可查看企业每天和每周的基本信息、评分统计图及运营数据统计图(设备采样振动统计图、企业车流统计图、企业人流统计图、企业电流统计图)；

点击科技型企业的名称，即可进行企业详情页面；在详情页面，可查看企业每天和每周的基本信息、评分统计图及运营数据统计图(二氧化碳区间统计图、温度区间统计图、温度区间统计图、pm2.5区间统计图、噪声区间统计图、光照区间统计图)。

经营正常的企业，其工作日的企业综合评分虽有波动，但会在一个合理的波动范围内，若根据监控的特征数据，得到工作日的企业综合评分超出设定合理波动范围，则应用层会发出监控预警信息。

最后所应说明的是，以上具体实施方式仅用以说明本发明的技术方案而非限制，尽管参照实例对本发明进行了详细说明，本领域的普通技术人员应当理解，可以对本发明的技术方案进行修改或者等同替换，而不脱离本发明技术方案的精神和范围，其均应涵盖在本发明的权利要求范围当中。