本发明涉及数字化营销管理，具体地，涉及一种信用风险评估模型的生成方法、存储介质及处理器。
背景技术：
1、赊销是一种以信用为基础的营销方式，通常在卖方与买方签订购货协议后，买方即可取走货物，且买方需要按照协议规定的日期进行付款，由于买方在购买货物时并未立即支付货款，若其因经营不善、破产或其他原因无法按时付款，卖方难以追回货款，从而导致卖方资产损失严重。为了避免出现货款难以追回的情况，需要预先对买方客户的信用状况进行持续跟踪与评估。
2、本申请发明人在实现本发明的过程中发现，当前通常采用评分卡模型或单一机器学习模型对客户信用风险进行评估，然而，在评分卡模型的建模过程中，通常由开发人员根据个人经验和偏好设定模型参数，以根据所设定的模型参数搭建评分卡模型，也即模型参数的选择受到人为主观因素的影响，因而容易导致模型的预测性能(包括准确性和稳定性)较差，另外，单一机器学习模型中的单一分类器通常存在易过拟合、预测精度有限等缺陷，同样会出现模型的预测性能较差的问题，若使用评分卡模型/单一机器学习模型进行客户信用风险评估，则会导致评估结果的准确度较低。
技术实现思路
1、本发明实施例的目的是提供一种信用风险评估模型的生成方法、存储介质及处理器，用于缓解当前信用风险评估模型的预测性能差的技术问题。
2、为了实现上述目的，本发明实施例的一个方面提供一种信用风险评估模型的生成方法，包括：
3、基于初始评估模型的初始参数组合，同步生成多个待优化种群，其中，每个待优化种群包括多个待优化参数组合；
4、对多个待优化种群进行同步迭代处理，得到目标模型参数组合；
5、基于目标模型参数组合，对初始风险评估模型进行参数优化处理，得到目标评估模型，其中，目标评估模型具有集成分类器；
6、基于客户信用数据集，对目标评估模型进行集成训练处理，得到信用风险评估模型。
7、可选地，基于初始评估模型的初始参数组合，同步生成多个待优化种群的步骤，包括：
8、获取初始评估模型的待优化参数范围；
9、基于待优化参数范围，同步对初始参数组合进行混沌映射处理，得到多个由多个待优化参数组合构成的待优化种群。
10、可选地，对多个待优化种群进行同步迭代处理，得到目标模型参数组合的步骤，包括：
11、同步获取各待优化种群中每个待优化参数组合对应的模型评估系数；
12、基于模型评估系数，对多个待优化种群进行迭代收敛处理，得到各待优化种群中的初始模型参数组合；
13、对初始模型参数组合进行迭代收敛处理，得到目标模型参数组合。
14、可选地，基于模型评估系数，对多个待优化种群进行迭代收敛处理，得到各待优化种群中的初始模型参数组合的步骤，包括：
15、基于模型评估系数，确定各待优化种群中的目标参数组合，其中，目标参数组合对应的模型评估系数大于其他待优化参数组合对应的模型评估系数；
16、根据目标参数组合，同步对各待优化种群中的每个待优化参数组合进行迭代收敛处理，以确定各待优化种群中的初始模型参数组合。
17、可选地，根据目标参数组合，同步对各待优化种群中的每个待优化参数组合进行迭代收敛处理，以确定各待优化种群中的初始模型参数组合的步骤，包括：
18、获取目标向量位置，其中，目标向量位置为目标参数组合的向量位置；
19、同步计算各待优化种群中的每个待优化参数组合的第一向量位置与目标向量位置之间的初始向量距离；
20、基于初始向量距离，同步对各待优化种群中的每个待优化参数组合进行迭代收敛处理，以将第一向量位置更新为第二向量位置；
21、确定各待优化种群中的每个待优化参数组合的第二向量位置与目标向量位置之间的目标向量距离；
22、当迭代收敛次数为预设次数时，根据目标向量距离，确定各待优化种群中的初始模型参数组合，其中，初始模型参数组合对应的目标向量距离小于其他待优化参数组合对应的目标向量距离。
23、可选地，基于客户信用数据集，对目标评估模型进行集成训练处理，得到信用风险评估模型的步骤，包括：
24、将客户信用数据集输入目标评估模型，以通过目标评估模型中的基分类器和元分类器对客户信用数据集进行集成学习，得到信用风险评估模型，其中，集成分类器包括基分类器和元分类器，基分类器包括随机森林分类器和支持向量机分类器，元分类器包括线性回归分类器。
25、可选地，将客户信用数据集输入目标评估模型，以通过目标评估模型中的基分类器和元分类器对客户信用数据集进行集成学习，得到信用风险评估模型的步骤，包括：
26、将客户信用数据集输入各基分类器，以通过各基分类器对客户信用数据进行迭代学习，输出多个信用风险预测结果数据集；
27、基于多个信用风险预测结果数据集，生成目标训练数据集；
28、将目标训练数据集输入元分类器，以通过元分类器对目标训练数据集进行学习，得到信用风险评估模型。
29、可选地，在基于客户信用数据集，对目标评估模型进行集成训练处理，得到信用风险评估模型的步骤之后，还包括：
30、当检测到信用风险评估信号时，将待评估客户信用数据输入目标风险评估模型，以通过目标风险评估模型对待评估客户信用数据进行预测处理，输出信用风险评估结果。
31、另一方面，本发明提供一种机器可读存储介质，该机器可读存储介质上存储有指令，该指令用于使得机器执行本申请上述任一项信用风险评估模型的生成方法。
32、此外，本发明的另一方面还提供一种处理器，用于运行程序，该程序被运行时用于执行本申请上述任一项信用风险评估模型的生成方法。
33、通过上述技术方案，基于初始评估模型进行同步迭代处理以生成具有最佳模型参数属性的目标模型参数组合，并使用该目标模型参数组合对初始评估模型进行参数优化，能够有效改善模型的预测性能，另外，由于目标评估模型具有集成分类器，在对其进行集成训练后，使得所生成的信用风险评估模型克服了单一分类器存在的缺陷，从而进一步改善模型的预测性能。
34、本发明实施例的其它特征和优点将在随后的具体实施方式部分予以详细说明。
1.一种信用风险评估模型的生成方法，其特征在于，包括：
2.根据权利要求1所述的信用风险评估模型的生成方法，其特征在于，所述基于初始评估模型的初始参数组合，同步生成多个待优化种群的步骤，包括：
3.根据权利要求2所述的信用风险评估模型的生成方法，其特征在于，所述对所述多个待优化种群进行同步迭代处理，得到目标模型参数组合的步骤，包括：
4.根据权利要求3所述的信用风险评估模型的生成方法，其特征在于，所述基于所述模型评估系数，对所述多个待优化种群进行迭代收敛处理，得到各待优化种群中的初始模型参数组合的步骤，包括：
5.根据权利要求4所述的信用风险评估模型的生成方法，其特征在于，所述根据所述目标参数组合，同步对各待优化种群中的每个所述待优化参数组合进行迭代收敛处理，以确定各待优化种群中的初始模型参数组合的步骤，包括：
6.根据权利要求5所述的信用风险评估模型的生成方法，其特征在于，所述基于客户信用数据集，对所述目标评估模型进行集成训练处理，得到信用风险评估模型的步骤，包括：
7.根据权利要求6所述的信用风险评估模型的生成方法，其特征在于，所述将所述客户信用数据集输入所述目标评估模型，以通过所述目标评估模型中的基分类器和元分类器对所述客户信用数据集进行集成学习，得到所述信用风险评估模型的步骤，包括：
8.根据权利要求7所述的信用风险评估模型的生成方法，其特征在于，在所述基于客户信用数据集，对所述目标评估模型进行集成训练处理，得到信用风险评估模型的步骤之后，还包括：
9.一种机器可读存储介质，其特征在于，所述机器可读存储介质上存储有指令，所述指令用于使得机器执行权利要求1至8中任一项所述的信用风险评估模型的生成方法。
10.一种处理器，其特征在于，用于运行程序，其中，所述程序被运行时用于执行：如权利要求1至8任意一项所述的信用风险评估模型的生成方法。
