基于多时间跨度特征集成可解释机器学习算法的不动产查封概率预测方法、装置及其可读存储介质

本发明提出了基于多时间跨度特征集成可解释机器学习算法的不动产查封概率预测方法、装置及其可读存储介质，通过马尔科夫决策过程构建不动产状态转移矩阵（正常N、抵押M、查封S），划分观察期与表现期；构建多时间跨度特征集（含短期、中期、长期窗口的变化趋势、统计及时间关系特征），利用决策树分箱计算证据权重（EW），通过拟合单调/二次型关系保留可解释模式；集成逻辑回归/神经网络模型，基于特征重要性输出查封概率及关键驱动因子；建立稳定性指标（PSI）监控模型稳定性，触发异常预警。系统实现从数据预处理到动态预警的全流程自动化。本发明为不动产管理提供量化决策工具，推动“被动处置”向“智能预防”转型。