CN110910257A - 信息预测方法、装置、电子设备和计算机可读介质 - Google Patents
信息预测方法、装置、电子设备和计算机可读介质 Download PDFInfo
- Publication number
- CN110910257A CN110910257A CN201911121898.7A CN201911121898A CN110910257A CN 110910257 A CN110910257 A CN 110910257A CN 201911121898 A CN201911121898 A CN 201911121898A CN 110910257 A CN110910257 A CN 110910257A
- Authority
- CN
- China
- Prior art keywords
- insurance
- information
- prediction
- sample
- user
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
- 238000000034 method Methods 0.000 title claims abstract description 46
- 238000004422 calculation algorithm Methods 0.000 claims description 54
- 238000012549 training Methods 0.000 claims description 29
- 238000010801 machine learning Methods 0.000 claims description 18
- 238000012417 linear regression Methods 0.000 claims description 17
- 238000004590 computer program Methods 0.000 claims description 9
- 238000012545 processing Methods 0.000 claims description 9
- 238000000605 extraction Methods 0.000 claims description 2
- 238000002372 labelling Methods 0.000 claims description 2
- 238000012512 characterization method Methods 0.000 claims 1
- 238000010586 diagram Methods 0.000 description 11
- 230000006870 function Effects 0.000 description 9
- 230000009471 action Effects 0.000 description 7
- 230000006399 behavior Effects 0.000 description 7
- 230000008569 process Effects 0.000 description 6
- 230000015654 memory Effects 0.000 description 5
- 238000004891 communication Methods 0.000 description 4
- 230000003287 optical effect Effects 0.000 description 4
- 239000003795 chemical substances by application Substances 0.000 description 3
- 230000000694 effects Effects 0.000 description 3
- 238000007636 ensemble learning method Methods 0.000 description 3
- 239000000284 extract Substances 0.000 description 3
- 230000036541 health Effects 0.000 description 2
- 230000000644 propagated effect Effects 0.000 description 2
- 238000005070 sampling Methods 0.000 description 2
- 230000011218 segmentation Effects 0.000 description 2
- 239000004065 semiconductor Substances 0.000 description 2
- 230000004931 aggregating effect Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 238000004140 cleaning Methods 0.000 description 1
- 238000003066 decision tree Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 239000000835 fiber Substances 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 238000007477 logistic regression Methods 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 238000010606 normalization Methods 0.000 description 1
- 239000013307 optical fiber Substances 0.000 description 1
- 238000007637 random forest analysis Methods 0.000 description 1
- 238000012216 screening Methods 0.000 description 1
- 230000006403 short-term memory Effects 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q40/00—Finance; Insurance; Tax strategies; Processing of corporate or income taxes
- G06Q40/08—Insurance
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q30/00—Commerce
- G06Q30/02—Marketing; Price estimation or determination; Fundraising
- G06Q30/0201—Market modelling; Market analysis; Collecting market data
- G06Q30/0202—Market predictions or forecasting for commercial activities
Landscapes
- Business, Economics & Management (AREA)
- Accounting & Taxation (AREA)
- Finance (AREA)
- Engineering & Computer Science (AREA)
- Strategic Management (AREA)
- Development Economics (AREA)
- Theoretical Computer Science (AREA)
- Marketing (AREA)
- Physics & Mathematics (AREA)
- General Business, Economics & Management (AREA)
- General Physics & Mathematics (AREA)
- Economics (AREA)
- Entrepreneurship & Innovation (AREA)
- Technology Law (AREA)
- Data Mining & Analysis (AREA)
- Game Theory and Decision Science (AREA)
- Financial Or Insurance-Related Operations Such As Payment And Settlement (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本申请实施例公开了信息预测方法、装置、电子设备和计算机可读介质。该方法的实施例包括：接收终端设备发送的信息预测请求，其中，信息预测请求中包括目标用户的用户数据；从该用户数据中提取特征信息；将该特征信息分别输入至预先训练的、各类别保险对应的投保概率预测模型，得到该目标用户在预设时段内对各类别保险的投保概率；将所得到的各投保概率输入至预先训练的综合投保概率预测模型，得到该目标用户在预设时段内的投保概率；向终端设备发送所得到的各保费预测结果。该实施方式提高了信息预测结果的准确性。
Description
技术领域
本申请实施例涉及计算机技术领域，具体涉及信息预测方法、装置、电子设备和计算机可读介质。
背景技术
随着人民生活水平的提高，人们对于自身安全和声明健康的保证意识也逐步提高，而其中提高安全和健康保障的措施即是购买保险。对于保险公司而言，为了更准确地对未来各时期进行人力、物力等资源分配，通常需要对现有用户在未来某段时间的投保行为进行预测。
现有的方式，通常是基于用户信息，由保险从业人员根据个人经验来判断用户是否会进行投保。由此，现有的通过人工进行投保行为预测的方式，所预测出的信息较为单一，且对于用户投保结果预测的准确性较低。
发明内容
本申请实施例提出了信息预测方法、装置、电子设备和计算机可读介质，以解决现有技术中信息预测不够全面以及准确性较低的技术问题。
第一方面，本申请实施例提供了一种信息预测方法，该方法包括：接收终端设备发送的信息预测请求，其中，信息预测请求中包括目标用户的用户数据；从用户数据中提取特征信息；将特征信息分别输入至预先训练的、各类别保险对应的投保概率预测模型，得到目标用户在预设时段内对各类别保险的投保概率；将所得到的各投保概率输入至预先训练的综合投保概率预测模型，得到目标用户在预设时段内的投保概率；向终端设备发送所得到的各投保概率。
第二方面，本申请实施例提供了一种信息预测装置，该装置包括：接收单元，被配置成接收终端设备发送的信息预测请求，其中，信息预测请求中包括目标用户的用户数据；提取单元，被配置成从用户数据中提取特征信息；第一预测单元，被配置成将特征信息分别输入至预先训练的、各类别保险对应的投保概率预测模型，得到目标用户在预设时段内对各类别保险的投保概率；第二预测单元，被配置成将所得到的各投保概率输入至预先训练的综合投保概率预测模型，得到目标用户在预设时段内的投保概率；第一发送单元，被配置成向终端设备发送所得到的各投保概率。
第三方面，本申请实施例提供了一种电子设备，包括：一个或多个处理器；存储装置，其上存储有一个或多个程序，当一个或多个程序被一个或多个处理器执行，使得一个或多个处理器实现如第一方面所描述的方法。
第四方面，本申请实施例提供了一种计算机可读介质，其上存储有计算机程序，该程序被处理器执行时实现如第一方面所描述的方法。
本申请实施例提供的信息预测方法、装置、电子设备和计算机可读介质，通过接收终端设备发送的、包含目标用户的用户数据信息预测请求，以便从该用户数据中提取特征信息；而后将特征信息分别输入至预先训练的、各类别保险对应的投保概率预测模型，从而分别得到目标用户在预设时段内对各类别保险的投保概率；之后将所得到的各投保概率输入至预先训练的综合投保概率预测模型，从而得到目标用户在预设时段内的投保概率；最后，向终端设备发送所得到的各投保概率。由此，可以预测出用户在预设时段内对各类别保险的投保概率以及在预设时段内的投保概率，提高了信息预测结果的丰富性。此外，基于各类别保险对应的投保概率预测模型的预测结果进行综合投保概率的预测，提升了对用户投保概率预测的准确性。
附图说明
通过阅读参照以下附图所作的对非限制性实施例所作的详细描述，本申请的其它特征、目的和优点将会变得更明显：
图1是根据本申请的信息预测方法的一个实施例的流程图；
图2是根据本申请的样本集生成步骤的流程图；
图3是根据本申请的信息预测方法的一个应用场景的示意图；
图4是根据本申请的信息预测方法的又一个实施例的流程图；
图5是根据本申请的信息预测装置的一个实施例的结构示意图；
图6是适于用来实现本申请实施例的电子设备的计算机系统的结构示意图。
具体实施方式
下面结合附图和实施例对本申请作进一步的详细说明。可以理解的是，此处所描述的具体实施例仅仅用于解释相关发明，而非对该发明的限定。另外还需要说明的是，为了便于描述，附图中仅示出了与有关发明相关的部分。
需要说明的是，在不冲突的情况下，本申请中的实施例及实施例中的特征可以相互组合。下面将参考附图并结合实施例来详细说明本申请。
请参考图1，其示出了根据本申请的信息预测方法的一个实施例的流程100。该信息预测方法，包括以下步骤：
步骤101，接收终端设备发送的信息预测请求。
在本实施例中，信息预测方法的执行主体(如部署于保险公司的服务器等电子设备)可以接收终端设备发送的信息预测请求。其中，所述信息预测请求中包括目标用户的用户数据。目标用户可以是待进行信息预测的用户。例如，可以是曾经购买过保险产品的用户、曾经了解过保险产品信息的用户、未来某经营活动所针对的用户群体中的用户(如50岁以上用户)、以未来某经营活动所针对的城市为居住地的用户等。
在本实施例中，用户数据可以是与目标用户相关的各种数据。例如，可以包括但不限于以下至少一项：投保记录、接触记录、理赔行为记录、投诉行为记录、家庭结构、个人属性信息。其中，投保记录可以包括目标用户购买保险产品的时间、所购买的保险产品的类别、保费等信息。上述接触记录可以包括目标用户咨询保险业务的次数、时间等信息。上述理赔行为记录可以包括对目标用户的理赔次数、理赔时间、理赔金额等信息。上述投诉行为记录可以包括目标用户针对所购买的保险产品进行投诉的时间、次数等信息。上述家庭结构可以包括上述目标用户的家庭成员、家庭成员的年龄等信息。上述个人属性信息可以包括年龄、性别、就诊记录等信息。
步骤102，从用户数据中提取特征信息。
在本实施例中，上述执行主体可以从所获取的用户数据中提取特征信息。其中，特征信息可以由多个特征组成，并可以向量形式进行表示。此处，特征是数据中抽取出来的对结果预测有用的信息，可以是文本或者数据。例如，可以包括但不限于：目标用户的多张保单的数值特征(如保费的和、平均值、中位数、方差等)、曾经购买过的保险的类别、理赔次数、投诉次数、年龄等等。本申请实施例对特征信息所包含的具体项目不作限定。
此外，在提取特征信息的过程中，可以根据需要对用户数据进行筛选、采样、清洗、聚合、数值处理(如归一化、编码等)等多项数据处理操作，此处对数据处理操作的具体项目不作限定。
步骤103，将特征信息分别输入至预先训练的、各类别保险对应的投保概率预测模型，得到目标用户在预设时段内对各类别保险的投保概率。
在本实施例中，上述执行主体中可以存储有预先训练的多个投保概率预测模型。其中，每一个投保概率预测模型与一种保险类别相对应。实践中，保险类别可以包括寿险、意外险、重疾险、医疗险、年金险和其他险。
在本实施例中，上述执行主体可以将步骤102所提取的特征信息分别输入至预先训练的、各类别保险对应的投保概率预测模型，分别得到目标用户在预设时段内对各类别保险的投保概率。
此处，对于每一个保险类别，该类别对应的投保概率预测模型可以预测用户在预设时段内对该类别保险进行投保的概率。各投保概率预测模型可以基于样本集，利用机器学习方法预先训练得到。
在本实施例中，预设时段可以是预先设定的任一时间窗口，例如3个月、6个月、1年等。以时间窗口为3个月为例，此时即可得到目标用户在未来3个月内对各类别保险的投保概率。
在本实施例的一些可选的实现方式中，样本集生成步骤的流程可参见图2，具体可包括如下步骤1031-步骤1035：
步骤1031，获取多个样本用户的用户数据。
此处，各样本用户的用户数据可以包括投保记录。投保记录可以包括用户购买保险产品的时间、所购买的保险产品的类别、保费等信息。
需要说明的是，各样本用户的用户数据除包含投保记录记录外，还可以包括其他信息，如接触记录、理赔行为记录、投诉行为记录、家庭结构、个人属性信息等，此处不作限定。
步骤1032，分别从各样本用户的用户数据中，选取产生于预设的历史预设时段之前的目标数据。
此处，预设的历史时段可以是预先设定的任一时间窗口，例如3个月、6个月、1年等。作为示例，若预设的历史时段为3个月，则产生于预设时段之前的目标数据，即为3个月之前产生的用户数据。例如，可以包括目标用户在3个月前的投保记录、接触记录、理赔行为记录、投诉行为记录、家庭结构、个人属性信息等。
需要说明的是，上述预设时段的时长可以与历史时段的时长相同。
步骤1033，分别从各目标数据中，提取与各样本用户对应的特征信息。
提取特征信息的操作可参见步骤101中提取特征信息的相关描述，此处不再赘述。
步骤1034，对于每一个样本用户，基于该样本用户的投保记录，生成用于指示该样本用户在历史时段内是否对各类别保险进行了投保的第一标注信息、用于指示该样本用户在历史时段内是否对任一类别保险进行了投保的第二标注信息、用于指示该样本用户在历史时段内对各类别保险投保的保费的第三标注信息。
此处，由于步骤1031所提取的投保记录中可以包括样本用户购买保险产品的时间、所购买的保险产品的类别、保费等信息，因而，可以提取投保记录中的预设的历史时段内(如近3个月内)的记录，并基于所提取的记录，确定出样本用户在历史时段之内是否购买了各类别保险、购买各类别保险的保费、是否购买了任一类别保险等信息。从而，可以生成上述第一标注信息、第二标注信息和第三标注信息。
步骤1035，将各样本用户对应的特征信息和标注信息汇总为样本，生成样本集。
需要说明的是，在生成上述样本集后，可以将该样本集进行存储并记录其存储地址。当需要进行模型训练时，可从该存储地址获取该样本集中的部分或全部数据，从而进行模型训练。
在本实施例的一些可选的实现方式中，基于所生成的样本集，可以利用如下步骤训练得到投保概率预测模型：
第一步，获取样本集。由上述生成样本集的流程可知，上述样本集中的样本可以包括从样本用户的用户数据中提取的特征信息，以及，可以包括用于指示样本用户在预设的历史时段内是否对各类别保险进行了投保的第一标注信息。
第二步，将上述样本集中的特征信息作为输入，将所输入的特征信息对应的第一标注信息作为输出，利用机器学习方法(如有监督学习算法)，训练得到分别与各类别保险对应的投保概率预测模型。实践中，可以采用多种模型训练投保概率预测模型。例如，可以逻辑回归模型、决策树、随机森林、LSTM(Long Short-Term Memory，长短期记忆网络)等各种具有分类功能的模型训练投保概率预测模型。
在本实施例的一些可选的实现方式中，可以采用LightGBM(Light GradientBoosting Machine，轻量梯度提升机)算法得到分别与各类别保险对应的投保概率预测模型。
具体地，可以首先构造LightGBM算法模型。实践中，在训练投保概率预测模型时，可分别构造与不同保险类别对应的LightGBM算法模型。例如，针对6个保险类别构造6个LightGBM算法模型，以便于进行不同类别保险的投保概率的预测。而后，可以将上述样本集中的特征信息作为上述LightGBM算法模型的输入，将所输入的特征信息对应的第一标注信息作为上述LightGBM算法模型的输出，利用LightGBM算法对上述LightGBM算法模型进行拟合，得到分别与各类别保险对应的投保概率预测模型。
实践中，LightGBM算法是Boosting(提升)算法的其中一种。Boosting是一种可以用来减小监督式学习中偏差的机器学习算法。Boosting算法的思想是将许多弱分类器集成在一起形成一个强分类器。传统的Boosting算法需要对每一个特征都要扫描所有的样本点来选择最好的切分点，因而较为耗时。LightGBM算法使用了GOSS(Gradient-based One-Side Sampling，基于梯度的单边采样)，对样本进行采样来计算梯度，而非使用所用的样本点来计算梯度，因而减少了训练的耗时。并且，LightGBM算法基于EFB(Exclusive FeatureBundling，互斥特征捆绑)，将某些特征进行捆绑在一起来降低特征的维度，而非使用所有的特征来进行扫描获得最佳的切分点，大大的降低了处理样本的时间。由此，LightGBM算法可以提升投保概率预测模型的训练速度。
在本实施例的一些可选的实现方式中，可以采用XGBoost(eXtreme GradientBoosting，极端梯度提升)算法得到分别与各类别保险对应的投保概率预测模型。具体地，可以首先构造极端梯度提升XGBoost算法模型。实践中，在训练投保概率预测模型时，可分别构造与不同保险类别对应的XGBoost算法模型。例如，针对6个保险类别构造6个XGBoost算法模型，以便于进行不同类别保险的投保概率的预测。而后，可以将上述样本集中的特征信息作为上述XGBoost算法模型的输入，将所输入的特征信息对应的第一标注信息作为上述XGBoost算法模型的输出，利用XGBoost算法对上述XGBoost算法模型进行拟合，得到分别与各类别保险对应的投保概率预测模型。
实践中，XGBoost算法是Boosting(提升)算法的其中一种。Boosting是一种可以用来减小监督式学习中偏差的机器学习算法。Boosting算法的思想是将许多弱分类器集成在一起形成一个强分类器。由于XGBoost模型是一种提升树模型，因而XGBoost模型是将许多树模型集成在一起，形成一个很强的分类器，该分类器即可作为投保概率预测模型，进行投保概率的预测。
步骤104，将所得到的各投保概率输入至预先训练的综合投保概率预测模型，得到目标用户在预设时段内的投保概率。
在本实施例中，在分别得到目标用户在预设时段内对各类别保险的投保概率后，上述执行主体可以将所得到的各投保概率输入至预先训练的综合投保概率预测模型，得到目标用户在预设时段内的投保概率。
此处，综合投保概率预测模型可以预测用户在预设时段内的投保概率。该投保概率可以表征目标用户的投保意愿。实践中，上述综合投保概率预测模型可以基于样本集，利用机器学习方法预先训练得到。
在本实施例的一些可选的实现方式中，上述综合投保概率预测模型可以通过stacking算法训练得到。实践中，stacking算法是一种集成学习方法。集成学习方法通过组合多种模型来改善机器学习的结果，与单一的模型相比，这种方法允许产生更好的预测性能，能够提升信息预测的准确性。此处，具体可通过如下步骤训练得到：
第一步，将上述样本集中的特征信息分别输入至与各投保概率预测模型，得到各投保概率预测模型分别输出的预测结果。
第二步，将各预测结果作为输入，将输入至各投保概率预测模型的特征信息对应的第二标注信息作为输出，利用机器学习方法，训练得到综合投保概率预测模型。此处，可以采用多种具有分类功能的模型训练综合投保概率预测模型。例如，可以采用回归模型、LightGBM(Light Gradient Boosting Machine，提升机器算法)模型等。
可选的，可以采用线性回归模型训练上述综合投保概率预测模型。首先，可以建立线性回归模型。而后，可以将各预测结果输入至上述线性回归模型，将输入至各投保概率预测模型的特征信息对应的第二标注信息作为上述线性回归模型的输出，利用线性回归算法拟合上述线性回归模型中的参数(例如权重参数)，从而得到综合投保概率预测模型。
由于综合投保概率预测模型是基于各类别保险对应的投保概率预测模型的预测结果而训练得到，因而相较于直接基于样本集进行模型训练，能够提升模型预测的准确性。
继续参见图3，图3是根据本实施例的行为信息预测方法的一个应用场景的示意图。在图3的应用场景中，需要对历史投保用户在未来3个月投保情况进行预测，以计划未来3个月的经营活动。执行信息预测方法的电子设备中可以存储有训练的、各类别保险对应的投保概率预测模型和综合投保概率预测模型。
对于每一个历史投保用户，上述电子设备可以首先获取该用户的用户数据，并从该用户数据中提取特征信息。
而后，可以将特征信息分别输入至预先训练的、各类别保险对应的投保概率预测模型，得到上述目标用户在预设时段内对各类别保险的投保概率(如图3所示的P1、P2…P6)。其中，各投保概率预测模型可以是使用LightGBM算法模型训练得到。
之后，可以将各类别保险的投保概率(如图3所示的P1、P2…P6)输入至预先训练的综合投保概率预测模型，得到上述目标用户在预设时段内的投保概率。其中，各投保概率预测模型可以是使用线性回归模型训练得到。
步骤105，向终端设备发送所得到的各投保概率。
在本实施例中，所述执行主体向所述终端设备发送所得到的各投保概率。具体地，可以发送目标用户在预设时段内对各类别保险的投保概率，以及目标用户在预设时段内的投保概率。
本申请的上述实施例提供的方法，通过接收终端设备发送的、包含目标用户的用户数据信息预测请求，以便从该用户数据中提取特征信息；而后将特征信息分别输入至预先训练的、各类别保险对应的投保概率预测模型，从而分别得到目标用户在预设时段内对各类别保险的投保概率；之后将所得到的各投保概率输入至预先训练的综合投保概率预测模型，从而得到目标用户在预设时段内的投保概率；最后，向终端设备发送所得到的各投保概率。由此，可以预测出用户在预设时段内对各类别保险的投保概率以及在预设时段内的投保概率，提高了信息预测结果的丰富性。此外，基于各类别保险对应的投保概率预测模型的预测结果进行综合投保概率的预测，提升了对用户投保概率预测的准确性。
进一步参考图4，其示出了信息预测方法的又一个实施例的流程400。该信息预测方法的流程400，包括以下步骤：
步骤401，接收终端设备发送的信息预测请求。
在本实施例中，上述信息预测请中包括目标用户的用户数据。
步骤402，从用户数据中提取特征信息。
步骤403，将特征信息分别输入至预先训练的、各类别保险对应的投保概率预测模型，得到目标用户在预设时段内对各类别保险的投保概率。
本实施例中的步骤401-步骤403可参见图1所示实施例的步骤101-步骤103，此处不再赘述。
步骤404，将特征信息分别输入至预先训练的、各类别保险对应的保费预测模型，得到目标用户在预设时段内对各类别保险投保的保费预测结果。
在本实施例中，上述执行主体中还可以存储有预先训练的多个保费预测模型。其中，每一个保费预测模型与一种保险类别相对应。此时，上述执行主体可以将步骤102所提取的特征信息分别输入至预先训练的、各类别保险对应的保费预测模型，得到上述目标用户在预设时段内对各类别保险投保的保费预测结果。
实践中，可以预先将保费划分为多个等级，如分别划分为1级、2级、3级。保费预测结果可以包括目标用户的保费属于各个预设保费等级的概率。
可选的，基于所生成的样本集，可以利用如下步骤训练得到上述保费预测模型：
第一步，获取样本集。由上述生成样本集的流程可知，上述样本集中的样本可以包括从样本用户的用户数据中提取的特征信息，以及，可以包括用于指示上述样本用户在上述历史时段内对各类别保险投保的保费的第三标注信息。
实践中，可以预先将保费划分为多个等级。第三标注信息具体可以指示样本用户在历史时段内对各类别保险投保的保费所在等级。由此，可以将保费预测问题转换为多分类问题。
第二步，将上述样本集中的特征信息作为输入，将所输入的特征信息对应的第三标注信息作为输出，利用机器学习方法(如有监督学习算法)，训练得到分别与各类别保险对应的保费预测模型。实践中，可以采用多种模型训练投保概率预测模型。例如，可以采用LightGBM算法模型、XGBoost算法模型、CNN等各种具有分类功能的模型训练投保概率预测模型。
作为示例，可以采用LightGBM算法得到分别与各类别保险对应的投保概率预测模型。具体地，可以首先构造LightGBM算法模型。实践中，在训练保费预测模型时，可分别构造与不同保险类别对应的LightGBM算法模型。例如，针对6个保险类别构造6个LightGBM算法模型，以便于进行不同类别保险的保费预测。而后，可以将上述样本集中的特征信息作为上述LightGBM算法模型的输入，将所输入的特征信息对应的第三标注信息作为上述LightGBM算法模型的输出，利用LightGBM算法对上述LightGBM算法模型进行拟合，得到分别与各类别保险对应的投保概率预测模型。
由此，可以预测出目标用户在预设时段内对各类别保险投保的保费。提高了信息预测的多样性。
步骤405，将所得到的各投保概率输入至预先训练的综合投保概率预测模型，得到目标用户在预设时段内的投保概率。
本实施例中的步骤405可参见图1所示实施例的步骤104，此处不再赘述。
步骤406，向终端设备发送所得到的各投保概率和所得到的各保费预测结果。
在本实施例中，所述执行主体向所述终端设备发送所得到的各投保概率。具体地，可以发送目标用户在预设时段内对各类别保险的投保概率、目标用户在预设时段内的投保概率，以及目标用户在预设时段内对各类别保险投保的保费预测结果。
从图4中可以看出，与图1对应的实施例相比，本实施例中的信息预测方法的流程400涉及了对保费预测步骤。由此，本实施例描述的方案可以进行多维度信息的预测，进一步提高了信息预测的丰富性。
进一步参考图5，作为对上述各图所示方法的实现，本申请提供了一种信息预测装置的一个实施例，该装置实施例与图1所示的方法实施例相对应，该装置具体可以应用于各种电子设备中。
如图5所示，本实施例所述的信息预测装置500包括：接收单元501，被配置成接收终端设备发送的信息预测请求，其中，所述信息预测请求中包括目标用户的用户数据；提取单元502，被配置成从上述用户数据中提取特征信息；第一预测单元503，被配置成将上述特征信息分别输入至预先训练的、各类别保险对应的投保概率预测模型，得到上述目标用户在预设时段内对各类别保险的投保概率；第二预测单元504，被配置成将所得到的各投保概率输入至预先训练的综合投保概率预测模型，得到上述目标用户在预设时段内的投保概率。第一发送单元505，被配置成向所述终端设备发送所得到的各投保概率。
在本实施例的一些可选的实现方式中，上述装置还包括：第三预测单元，被配置成将上述特征信息分别输入至预先训练的、各类别保险对应的保费预测模型，得到上述目标用户在预设时段内对各类别保险投保的保费预测结果；第二发送单元，被配置成向所述终端设备发送所得到的各保费预测结果。
在本实施例的一些可选的实现方式中，上述投保概率预测模型通过如下步骤训练得到：获取样本集，上述样本集中的样本包括从样本用户的用户数据中提取的特征信息和第一标注信息，上述第一标注信息用于指示上述样本用户在预设的历史时段内是否对各类别保险进行了投保；将上述样本集中的特征信息作为输入，将所输入的特征信息对应的第一标注信息作为输出，利用机器学习方法，训练得到分别与各类别保险对应的投保概率预测模型。
在本实施例的一些可选的实现方式中，利用机器学习方法，训练得到分别与各类别保险对应的投保概率预测模型，包括：构造轻量梯度提升机LightGBM算法模型；将样本集中的特征信息作为LightGBM算法模型的输入，将所输入的特征信息对应的第一标注信息作为LightGBM算法模型的输出，利用LightGBM算法对LightGBM算法模型进行拟合，得到分别与各类别保险对应的投保概率预测模型。
在本实施例的一些可选的实现方式中，上述样本集中的样本还包括第二标注信息，上述第二标注信息用于指示上述样本用户在上述历史时段内是否对任一保险进行了投保；以及上述综合投保概率预测模型通过如下步骤训练得到：将上述样本集中的特征信息分别输入至与各投保概率预测模型，得到各投保概率预测模型分别输出的预测结果；将各预测结果作为输入，将输入至各投保概率预测模型的特征信息对应的第二标注信息作为输出，利用机器学习方法，训练得到综合投保概率预测模型。
在本实施例的一些可选的实现方式中，上述将各预测结果作为输入，将输入至各投保概率预测模型的特征信息对应的第二标注信息作为输出，利用机器学习方法，训练得到综合投保概率预测模型，包括：建立线性回归模型；将各预测结果输入至上述线性回归模型，将输入至各投保概率预测模型的特征信息对应的第二标注信息作为上述线性回归模型的输出，利用线性回归算法拟合上述线性回归模型中的参数，得到综合投保概率预测模型。
在本实施例的一些可选的实现方式中，上述保费预测模型通过如下步骤训练得到：获取样本集，上述样本集中的样本包括从样本用户的用户数据中提取的特征信息和第三标注信息，上述第三标注信息用于指示上述样本用户在上述历史时段内对各类别保险投保的保费；将上述样本集中的特征信息作为输入，将所输入的特征信息对应的第三标注信息作为输出，利用机器学习方法，训练得到分别与各类别保险对应的保费预测模型。
在本实施例的一些可选的实现方式中，上述样本集通过如下步骤生成：获取多个样本用户的用户数据，其中，各样本用户的用户数据包括投保记录；分别从各样本用户的用户数据中，选取产生于预设的历史时段之前的目标数据；分别从各目标数据中，提取与各样本用户对应的特征信息；对于每一个样本用户，基于该样本用户的投保记录，生成用于指示该样本用户在上述历史时段内是否对各类别保险进行了投保的第一标注信息、用于指示该样本用户在上述历史时段内是否对任一类别保险进行了投保的第二标注信息、用于指示该样本用户在上述历史时段内对各类别保险投保的保费的第三标注信息；将各样本用户对应的特征信息和标注信息汇总为样本，生成样本集。
在本实施例的一些可选的实现方式中，上述用户数据包括以下至少一项：投保记录、接触记录、理赔行为记录、投诉行为记录、家庭结构。
本申请的上述实施例提供的装置，通过接收终端设备发送的、包含目标用户的用户数据信息预测请求，以便从该用户数据中提取特征信息；而后将特征信息分别输入至预先训练的、各类别保险对应的投保概率预测模型，从而分别得到目标用户在预设时段内对各类别保险的投保概率；之后将所得到的各投保概率输入至预先训练的综合投保概率预测模型，从而得到目标用户在预设时段内的投保概率；最后，向终端设备发送所得到的各投保概率。由此，可以预测出用户在预设时段内对各类别保险的投保概率以及在预设时段内的投保概率，提高了信息预测结果的丰富性。此外，基于各类别保险对应的投保概率预测模型的预测结果进行综合投保概率的预测，提升了对用户投保概率预测的准确性。
下面参考图6，其示出了适于用来实现本申请实施例的电子设备的计算机系统600的结构示意图。图6示出的电子设备仅仅是一个示例，不应对本申请实施例的功能和使用范围带来任何限制。
如图6所示，计算机系统600包括中央处理单元(CPU)601，其可以根据存储在只读存储器(ROM)602中的程序或者从存储部分608加载到随机访问存储器(RAM)603中的程序而执行各种适当的动作和处理。在RAM 603中，还存储有系统600操作所需的各种程序和数据。CPU601、ROM 602以及RAM 603通过总线604彼此相连。输入/输出(I/O)接口605也连接至总线604。
以下部件连接至I/O接口605：包括键盘、鼠标等的输入部分606；包括诸如液晶显示器(LCD)等以及扬声器等的输出部分607；包括硬盘等的存储部分608；以及包括诸如LAN卡、调制解调器等的网络接口卡的通信部分609。通信部分609经由诸如因特网的网络执行通信处理。驱动器610也根据需要连接至I/O接口605。可拆卸介质611，诸如磁盘、光盘、磁光盘、半导体存储器等等，根据需要安装在驱动器610上，以便于从其上读出的计算机程序根据需要被安装入存储部分608。
特别地，根据本公开的实施例，上文参考流程图描述的过程可以被实现为计算机软件程序。例如，本公开的实施例包括一种计算机程序产品，其包括承载在计算机可读介质上的计算机程序，该计算机程序包含用于执行流程图所示的方法的程序代码。在这样的实施例中，该计算机程序可以通过通信部分609从网络上被下载和安装，和/或从可拆卸介质611被安装。在该计算机程序被中央处理单元(CPU)601执行时，执行本申请的方法中限定的上述功能。需要说明的是，本申请所述的计算机可读介质可以是计算机可读信号介质或者计算机可读存储介质或者是上述两者的任意组合。计算机可读存储介质例如可以是——但不限于——电、磁、光、电磁、红外线、或半导体的系统、装置或器件，或者任意以上的组合。计算机可读存储介质的更具体的例子可以包括但不限于：具有一个或多个导线的电连接、便携式计算机磁盘、硬盘、随机访问存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、光纤、便携式紧凑磁盘只读存储器(CD-ROM)、光存储器件、磁存储器件、或者上述的任意合适的组合。在本申请中，计算机可读存储介质可以是任何包含或存储程序的有形介质，该程序可以被指令执行系统、装置或者器件使用或者与其结合使用。而在本申请中，计算机可读的信号介质可以包括在基带中或者作为载波一部分传播的数据信号，其中承载了计算机可读的程序代码。这种传播的数据信号可以采用多种形式，包括但不限于电磁信号、光信号或上述的任意合适的组合。计算机可读的信号介质还可以是计算机可读存储介质以外的任何计算机可读介质，该计算机可读介质可以发送、传播或者传输用于由指令执行系统、装置或者器件使用或者与其结合使用的程序。计算机可读介质上包含的程序代码可以用任何适当的介质传输，包括但不限于：无线、电线、光缆、RF等等，或者上述的任意合适的组合。
附图中的流程图和框图，图示了按照本申请各种实施例的系统、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上，流程图或框图中的每个方框可以代表一个模块、程序段、或代码的一部分，该模块、程序段、或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。也应当注意，在有些作为替换的实现中，方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如，两个接连地表示的方框实际上可以基本并行地执行，它们有时也可以按相反的顺序执行，这依所涉及的功能而定。也要注意的是，框图和/或流程图中的每个方框、以及框图和/或流程图中的方框的组合，可以用执行规定的功能或操作的专用的基于硬件的系统来实现，或者可以用专用硬件与计算机指令的组合来实现。
描述于本申请实施例中所涉及到的单元可以通过软件的方式实现，也可以通过硬件的方式来实现。所描述的单元也可以设置在处理器中，其中，这些单元的名称在某种情况下并不构成对该单元本身的限定。
作为另一方面，本申请还提供了一种计算机可读介质，该计算机可读介质可以是上述实施例中描述的装置中所包含的；也可以是单独存在，而未装配入该装置中。上述计算机可读介质承载有一个或者多个程序，当上述一个或者多个程序被该装置执行时，使得该装置：接收终端设备发送的信息预测请求，其中，信息预测请求中包括目标用户的用户数据；从该用户数据中提取特征信息；将该特征信息分别输入至预先训练的、各类别保险对应的投保概率预测模型，得到该目标用户在预设时段内对各类别保险的投保概率；将所得到的各投保概率输入至预先训练的综合投保概率预测模型，得到该目标用户在预设时段内的投保概率；向终端设备发送所得到的各保费预测结果。。
以上描述仅为本申请的较佳实施例以及对所运用技术原理的说明。本领域技术人员应当理解，本申请中所涉及的发明范围，并不限于上述技术特征的特定组合而成的技术方案，同时也应涵盖在不脱离上述发明构思的情况下，由上述技术特征或其等同特征进行任意组合而形成的其它技术方案。例如上述特征与本申请中公开的(但不限于)具有类似功能的技术特征进行互相替换而形成的技术方案。
Claims (10)
1.一种信息预测方法，其特征在于，所述方法包括：
接收终端设备发送的信息预测请求，其中，所述信息预测请求中包括目标用户的用户数据；
从所述用户数据中提取特征信息；
将所述特征信息分别输入至预先训练的、各类别保险对应的投保概率预测模型，得到所述目标用户在预设时段内对各类别保险的投保概率；
将所得到的各投保概率输入至预先训练的综合投保概率预测模型，得到所述目标用户在预设时段内的投保概率；
向所述终端设备发送所得到的各投保概率。
2.根据权利要求1所述的方法，其特征在于，在所述生成特征信息之后，所述方法还包括：
将所述特征信息分别输入至预先训练的、各类别保险对应的保费预测模型，得到所述目标用户在预设时段内对各类别保险投保的保费预测结果；
向所述终端设备发送所得到的各保费预测结果。
3.根据权利要求1所述的方法，其特征在于，所述投保概率预测模型通过如下步骤训练得到：
获取样本集，所述样本集中的样本包括从样本用户的用户数据中提取的特征信息和第一标注信息，所述第一标注信息用于指示所述样本用户在预设的历史时段内是否对各类别保险进行了投保；
将所述样本集中的特征信息作为输入，将所输入的特征信息对应的第一标注信息作为输出，利用机器学习方法，训练得到分别与各类别保险对应的投保概率预测模型。
4.根据权利要求3所述的方法，其特征在于，所述利用机器学习方法，训练得到分别与各类别保险对应的投保概率预测模型，包括：
构造轻量梯度提升机LightGBM算法模型；
将所述样本集中的特征信息作为所述LightGBM算法模型的输入，将所输入的特征信息对应的第一标注信息作为所述LightGBM算法模型的输出，利用LightGBM算法对所述LightGBM算法模型进行拟合，得到分别与各类别保险对应的投保概率预测模型。
5.根据权利要求3所述的方法，其特征在于，所述样本集中的样本还包括第二标注信息，所述第二标注信息用于指示所述样本用户在所述历史时段内是否对任一保险进行了投保；以及
所述综合投保概率预测模型通过如下步骤训练得到：
将所述样本集中的特征信息分别输入至与各投保概率预测模型，得到各投保概率预测模型分别输出的预测结果；
将各预测结果作为输入，将输入至各投保概率预测模型的特征信息对应的第二标注信息作为输出，利用机器学习方法，训练得到综合投保概率预测模型；
其中，所述将各预测结果作为输入，将输入至各投保概率预测模型的特征信息对应的第二标注信息作为输出，利用机器学习方法，训练得到综合投保概率预测模型，包括：
建立线性回归模型；
将各预测结果输入至所述线性回归模型，将输入至各投保概率预测模型的特征信息对应的第二标注信息作为所述线性回归模型的输出，利用线性回归算法拟合所述线性回归模型中的参数，得到综合投保概率预测模型。
6.根据权利要求2所述的方法，其特征在于，所述保费预测模型通过如下步骤训练得到：
获取样本集，所述样本集中的样本包括从样本用户的用户数据中提取的特征信息和第三标注信息，所述第三标注信息用于指示所述样本用户在所述历史时段内对各类别保险投保的保费；
将所述样本集中的特征信息作为输入，将所输入的特征信息对应的第三标注信息作为输出，利用机器学习方法，训练得到分别与各类别保险对应的保费预测模型。
7.根据权利要求3-6之一所述的方法，其特征在于，所述样本集通过如下步骤生成：
获取多个样本用户的用户数据，其中，各样本用户的用户数据包括投保记录；
分别从各样本用户的用户数据中，选取产生于预设的历史时段之前的目标数据；
分别从各目标数据中，提取与各样本用户对应的特征信息；
对于每一个样本用户，基于该样本用户的投保记录，生成用于指示该样本用户在所述历史时段内是否对各类别保险进行了投保的第一标注信息、用于指示该样本用户在所述历史时段内是否对任一类别保险进行了投保的第二标注信息、用于指示该样本用户在所述历史时段内对各类别保险投保的保费的第三标注信息；
将各样本用户对应的特征信息和标注信息汇总为样本，生成样本集。
8.一种信息预测装置，其特征在于，所述装置包括：
接收单元，被配置成接收终端设备发送的信息预测请求，其中，所述信息预测请求中包括目标用户的用户数据；
提取单元，被配置成从所述用户数据中提取特征信息；
第一预测单元，被配置成将所述特征信息分别输入至预先训练的、各类别保险对应的投保概率预测模型，得到所述目标用户在预设时段内对各类别保险的投保概率；
第二预测单元，被配置成将所得到的各投保概率输入至预先训练的综合投保概率预测模型，得到所述目标用户在预设时段内的投保概率；
第一发送单元，被配置成向所述终端设备发送所得到的各投保概率。
9.一种电子设备，其特征在于，包括：
一个或多个处理器；
存储装置，其上存储有一个或多个程序，
当所述一个或多个程序被所述一个或多个处理器执行，使得所述一个或多个处理器实现如权利要求1-7中任一所述的方法。
10.一种计算机可读介质，其上存储有计算机程序，其特征在于，该程序被处理器执行时实现如权利要求1-7中任一所述的方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201911121898.7A CN110910257A (zh) | 2019-11-15 | 2019-11-15 | 信息预测方法、装置、电子设备和计算机可读介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201911121898.7A CN110910257A (zh) | 2019-11-15 | 2019-11-15 | 信息预测方法、装置、电子设备和计算机可读介质 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN110910257A true CN110910257A (zh) | 2020-03-24 |
Family
ID=69816845
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201911121898.7A Pending CN110910257A (zh) | 2019-11-15 | 2019-11-15 | 信息预测方法、装置、电子设备和计算机可读介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN110910257A (zh) |
Cited By (13)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111178987A (zh) * | 2020-04-10 | 2020-05-19 | 支付宝(杭州)信息技术有限公司 | 训练用户行为预测模型的方法和装置 |
| CN111475392A (zh) * | 2020-04-08 | 2020-07-31 | 北京字节跳动网络技术有限公司 | 生成预测信息的方法、装置、电子设备和计算机可读介质 |
| CN111598664A (zh) * | 2020-05-18 | 2020-08-28 | 广州朗道信息科技有限公司 | 一种基于车辆信息识别的预报价方法及装置 |
| CN111598661A (zh) * | 2020-05-14 | 2020-08-28 | 拉扎斯网络科技（上海）有限公司 | 一种异常报备处理方法、装置、平台服务器及存储介质 |
| CN112070534A (zh) * | 2020-08-31 | 2020-12-11 | 深圳市铭数信息有限公司 | 一种消费预算生成方法、装置、计算机设备及存储介质 |
| CN112270348A (zh) * | 2020-10-21 | 2021-01-26 | 中国银联股份有限公司 | 用户激活方法、模型训练方法、装置、设备及存储介质 |
| CN112288334A (zh) * | 2020-11-27 | 2021-01-29 | 上海评驾科技有限公司 | 一种基于lightgbm的车联网风险因子的提取方法 |
| CN112561569A (zh) * | 2020-12-07 | 2021-03-26 | 上海明略人工智能(集团)有限公司 | 基于双模型的到店预测方法、系统、电子设备及存储介质 |
| CN112634062A (zh) * | 2020-11-17 | 2021-04-09 | 平安科技（深圳）有限公司 | 基于Hadoop的数据处理方法、装置、设备及存储介质 |
| WO2021189949A1 (zh) * | 2020-03-26 | 2021-09-30 | 平安科技（深圳）有限公司 | 信息推荐方法、装置、电子设备及介质 |
| CN113673760A (zh) * | 2021-08-19 | 2021-11-19 | 上海上实龙创智能科技股份有限公司 | 一种能耗预测方法、装置、计算机设备和存储介质 |
| CN113850686A (zh) * | 2021-10-08 | 2021-12-28 | 同盾网络科技有限公司 | 投保概率确定方法、装置、存储介质及电子设备 |
| CN116070929A (zh) * | 2022-10-12 | 2023-05-05 | 华院计算技术(上海)股份有限公司 | 一种基于自适应的局部动态焦炭质量预测方法及系统 |
Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN107103036A (zh) * | 2017-03-22 | 2017-08-29 | 广州优视网络科技有限公司 | 应用下载概率的获取方法、设备及可编程设备 |
| CN109492191A (zh) * | 2018-09-17 | 2019-03-19 | 平安科技（深圳）有限公司 | 计算投保概率的方法、装置、计算机设备和存储介质 |
| CN109598625A (zh) * | 2018-10-23 | 2019-04-09 | 平安科技（深圳）有限公司 | 基于大数据的保费计算方法、装置、介质及电子设备 |
| CN110147389A (zh) * | 2019-03-14 | 2019-08-20 | 腾讯科技（深圳）有限公司 | 帐号处理方法和装置、存储介质及电子装置 |
-
2019
- 2019-11-15 CN CN201911121898.7A patent/CN110910257A/zh active Pending
Patent Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN107103036A (zh) * | 2017-03-22 | 2017-08-29 | 广州优视网络科技有限公司 | 应用下载概率的获取方法、设备及可编程设备 |
| CN109492191A (zh) * | 2018-09-17 | 2019-03-19 | 平安科技（深圳）有限公司 | 计算投保概率的方法、装置、计算机设备和存储介质 |
| CN109598625A (zh) * | 2018-10-23 | 2019-04-09 | 平安科技（深圳）有限公司 | 基于大数据的保费计算方法、装置、介质及电子设备 |
| CN110147389A (zh) * | 2019-03-14 | 2019-08-20 | 腾讯科技（深圳）有限公司 | 帐号处理方法和装置、存储介质及电子装置 |
Cited By (22)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2021189949A1 (zh) * | 2020-03-26 | 2021-09-30 | 平安科技（深圳）有限公司 | 信息推荐方法、装置、电子设备及介质 |
| CN111475392A (zh) * | 2020-04-08 | 2020-07-31 | 北京字节跳动网络技术有限公司 | 生成预测信息的方法、装置、电子设备和计算机可读介质 |
| CN111475392B (zh) * | 2020-04-08 | 2022-05-20 | 北京字节跳动网络技术有限公司 | 生成预测信息的方法、装置、电子设备和计算机可读介质 |
| CN111178987B (zh) * | 2020-04-10 | 2020-06-30 | 支付宝(杭州)信息技术有限公司 | 训练用户行为预测模型的方法和装置 |
| CN111178987A (zh) * | 2020-04-10 | 2020-05-19 | 支付宝(杭州)信息技术有限公司 | 训练用户行为预测模型的方法和装置 |
| CN111598661A (zh) * | 2020-05-14 | 2020-08-28 | 拉扎斯网络科技（上海）有限公司 | 一种异常报备处理方法、装置、平台服务器及存储介质 |
| CN111598661B (zh) * | 2020-05-14 | 2023-09-22 | 拉扎斯网络科技（上海）有限公司 | 一种异常报备处理方法、装置、平台服务器及存储介质 |
| CN111598664A (zh) * | 2020-05-18 | 2020-08-28 | 广州朗道信息科技有限公司 | 一种基于车辆信息识别的预报价方法及装置 |
| CN112070534A (zh) * | 2020-08-31 | 2020-12-11 | 深圳市铭数信息有限公司 | 一种消费预算生成方法、装置、计算机设备及存储介质 |
| CN112270348A (zh) * | 2020-10-21 | 2021-01-26 | 中国银联股份有限公司 | 用户激活方法、模型训练方法、装置、设备及存储介质 |
| WO2022105127A1 (zh) * | 2020-11-17 | 2022-05-27 | 平安科技（深圳）有限公司 | 基于 Hadoop 的数据处理方法、装置、设备及存储介质 |
| CN112634062A (zh) * | 2020-11-17 | 2021-04-09 | 平安科技（深圳）有限公司 | 基于Hadoop的数据处理方法、装置、设备及存储介质 |
| CN112634062B (zh) * | 2020-11-17 | 2023-07-21 | 平安科技（深圳）有限公司 | 基于Hadoop的数据处理方法、装置、设备及存储介质 |
| CN112288334A (zh) * | 2020-11-27 | 2021-01-29 | 上海评驾科技有限公司 | 一种基于lightgbm的车联网风险因子的提取方法 |
| CN112288334B (zh) * | 2020-11-27 | 2024-04-16 | 上海评驾科技有限公司 | 一种基于lightgbm的车联网风险因子的提取方法 |
| CN112561569B (zh) * | 2020-12-07 | 2024-02-27 | 上海明略人工智能(集团)有限公司 | 基于双模型的到店预测方法、系统、电子设备及存储介质 |
| CN112561569A (zh) * | 2020-12-07 | 2021-03-26 | 上海明略人工智能(集团)有限公司 | 基于双模型的到店预测方法、系统、电子设备及存储介质 |
| CN113673760A (zh) * | 2021-08-19 | 2021-11-19 | 上海上实龙创智能科技股份有限公司 | 一种能耗预测方法、装置、计算机设备和存储介质 |
| CN113850686A (zh) * | 2021-10-08 | 2021-12-28 | 同盾网络科技有限公司 | 投保概率确定方法、装置、存储介质及电子设备 |
| CN113850686B (zh) * | 2021-10-08 | 2023-11-28 | 同盾网络科技有限公司 | 投保概率确定方法、装置、存储介质及电子设备 |
| CN116070929A (zh) * | 2022-10-12 | 2023-05-05 | 华院计算技术(上海)股份有限公司 | 一种基于自适应的局部动态焦炭质量预测方法及系统 |
| CN116070929B (zh) * | 2022-10-12 | 2023-10-03 | 华院计算技术(上海)股份有限公司 | 一种基于自适应的局部动态焦炭质量预测方法及系统 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN110910257A (zh) | 信息预测方法、装置、电子设备和计算机可读介质 | |
| CN110070391B (zh) | 数据处理方法、装置、计算机可读介质及电子设备 | |
| CN109976997B (zh) | 测试方法和装置 | |
| US20210224832A1 (en) | Method and apparatus for predicting customer purchase intention, electronic device and medium | |
| CN109214585B (zh) | 用户消费预测方法、装置、电子设备及存储介质 | |
| US10666576B2 (en) | Processing system responsive to analysis filter criteria | |
| CN111260102A (zh) | 一种用户满意度预测方法、装置、电子设备及存储介质 | |
| CN110827157B (zh) | 数据处理方法与装置、存储介质、电子设备 | |
| CN111210335A (zh) | 用户风险识别方法、装置及电子设备 | |
| CN111145009A (zh) | 用户贷后风险评估方法、装置及电子设备 | |
| CN111180065A (zh) | 保险用户评估方法、装置、电子设备及计算机可读介质 | |
| CN111192133A (zh) | 用户贷后风险模型生成方法、装置及电子设备 | |
| CN110647523A (zh) | 数据质量的分析方法及装置、存储介质、电子设备 | |
| CN112990281A (zh) | 异常投标识别模型训练方法、异常投标识别方法及装置 | |
| CN111582314A (zh) | 目标用户确定方法、装置及电子设备 | |
| CN111178687A (zh) | 金融风险分类方法、装置及电子设备 | |
| CN115375177A (zh) | 用户价值评估方法、装置、电子设备及存储介质 | |
| CN111179095A (zh) | 基于健康风险评估的核保方法、系统、设备及存储介质 | |
| CN111191677A (zh) | 用户特征数据生成方法、装置及电子设备 | |
| CN109933926B (zh) | 用于预测航班可靠性的方法和装置 | |
| CN115238588A (zh) | 图数据处理方法、风险预测模型训练方法及装置 | |
| CN114066513A (zh) | 一种用户分类的方法和装置 | |
| CN114117017A (zh) | 会话信息提取方法、系统、设备及存储介质 | |
| CN113298637A (zh) | 业务平台的用户导流方法、装置和系统 | |
| CN113870007A (zh) | 一种产品推荐方法、装置、设备及介质 |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| RJ01 | Rejection of invention patent application after publication |
Application publication date: 20200324 |
|
| RJ01 | Rejection of invention patent application after publication |