CN111582589A - 一种租车出险预测方法、装置、设备及存储介质 - Google Patents
一种租车出险预测方法、装置、设备及存储介质 Download PDFInfo
- Publication number
- CN111582589A CN111582589A CN202010396726.7A CN202010396726A CN111582589A CN 111582589 A CN111582589 A CN 111582589A CN 202010396726 A CN202010396726 A CN 202010396726A CN 111582589 A CN111582589 A CN 111582589A
- Authority
- CN
- China
- Prior art keywords
- information
- driving
- predicted value
- sample
- time
- 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
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
- G06Q10/00—Administration; Management
- G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
- G06N3/084—Backpropagation, e.g. using gradient descent
-
- 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
- G06Q30/06—Buying, selling or leasing transactions
- G06Q30/0645—Rental transactions; Leasing transactions
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Accounting & Taxation (AREA)
- Strategic Management (AREA)
- Economics (AREA)
- Finance (AREA)
- General Business, Economics & Management (AREA)
- Marketing (AREA)
- Development Economics (AREA)
- Data Mining & Analysis (AREA)
- Artificial Intelligence (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Molecular Biology (AREA)
- General Health & Medical Sciences (AREA)
- Evolutionary Computation (AREA)
- Computational Linguistics (AREA)
- Biophysics (AREA)
- Biomedical Technology (AREA)
- General Engineering & Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Health & Medical Sciences (AREA)
- Human Resources & Organizations (AREA)
- Game Theory and Decision Science (AREA)
- Technology Law (AREA)
- Entrepreneurship & Innovation (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Tourism & Hospitality (AREA)
- Financial Or Insurance-Related Operations Such As Payment And Settlement (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明实施例公开了一种租车出险预测方法、装置、设备及存储介质通过采集驾驶用户在第一预设时间段内的驾驶行为信息和第二预设时间段内的时间序列行程信息,将所述驾驶行为信息和所述时间序列行程信息输入至预先训练完成的时间递归神经网络模型,确定所述驾驶用户驾驶所述当前车辆的第一预测值,其中,所述时间递归神经网络模型通过样本驾驶行为信息、样本时间序列行程信息和第一样本预测值对第一初始网络训练进行反向传播训练得到,将所述第一预测值作为所述驾驶用户驾驶所述当前车辆的出险概率。达到通过结合多个维度的信息预测出险概率,提高预测准确度和全面性的目的,进一步降低租车平台的理赔成本。
Description
技术领域
本发明实施例涉及数据处理技术,尤其涉及一种租车出险预测方法、装置、设备及存储介质。
背景技术
凹凸租车平台是一个P2P(person to person,个人对个人)的共享租车平台,而在整个租车过程中,如果遇到车辆出险(无论是租客行程中报案或车主事后报案),对于车主的体验感受都会产生不好的影响,同时对于平台也会造成更多的运营处理成本和理赔成本。所以如果能够预测出每个订单的出险概率,对于平台的成本控制和风险控制有很好的作用。
传统的租车出险预测方法是根据租客历史行为的统计性评估结果,确定历史是否出险以及出险的评分,根据历史是否出险以及出险的评分预测驾驶车辆的出险概率。但是,这种方式只根据租客的历史行为数据预测租车的出险概率,预测方式单一,且预测准确度较差。
发明内容
本发明实施例提供了一种租车出险预测方法、装置、设备及存储介质,以实现提高租车出险预测的准确度。
第一方面,本发明实施例提供了一种租车出险预测方法,包括:
采集驾驶用户在第一预设时间段内的驾驶行为信息和第二预设时间段内的时间序列行程信息;
将所述驾驶行为信息和所述时间序列行程信息输入至预先训练完成的时间递归神经网络模型,确定所述驾驶用户驾驶所述当前车辆的第一预测值,其中,所述时间递归神经网络模型通过样本驾驶行为信息、样本时间序列行程信息和第一样本预测值对第一初始网络训练进行反向传播训练得到;
将所述第一预测值作为所述驾驶用户驾驶所述当前车辆的出险概率。
第二方面,本发明实施例还提供了一种租车出险预测装置,包括:
信息采集模块,用于采集驾驶用户在第一预设时间段内的驾驶行为信息和第二预设时间段内的时间序列行程信息;
第一预测值确定模块,用于将所述驾驶行为信息和所述时间序列行程信息输入至预先训练完成的时间递归神经网络模型,确定所述驾驶用户驾驶所述当前车辆的第一预测值,其中,所述时间递归神经网络模型通过样本驾驶行为信息、样本时间序列行程信息和样本预测值对第一初始网络训练进行反向传播训练得到;
出险概率确定模块,用于将所述第一预测值作为所述驾驶用户驾驶所述当前车辆的出险概率。
第三方面,本发明实施例还提供了一种租车出险预测设备,包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,所述处理器执行所述计算机程序时实现如第一方面中任一项所述的租车出险预测方法。
第四方面,本发明实施例还提供了一种包含计算机可执行指令的存储介质,所述计算机可执行指令在由计算机处理器执行时实现如第一方面中任一项所述的租车出险预测方法。
本实施例提供的技术方案,通过采集驾驶用户在第一预设时间段内的驾驶行为信息和第二预设时间段内的时间序列行程信息,将所述驾驶行为信息和所述时间序列行程信息输入至预先训练完成的时间递归神经网络模型,确定所述驾驶用户驾驶所述当前车辆的第一预测值,其中,所述时间递归神经网络模型通过样本驾驶行为信息、样本时间序列行程信息和第一样本预测值对初始网络训练进行反向传播训练得到,将所述第一预测值作为所述驾驶用户驾驶所述当前车辆的出险概率。解决了现有技术中出险概率的预测方式单一,预测准确度较差的问题,达到通过结合多个维度的信息预测出险概率,提高预测准确度和全面性的目的,进一步降低租车平台的理赔成本。
附图说明
图1为本发明实施例一提供的一种租车出险预测方法的流程示意图;
图2为本发明实施例二提供的一种租车出险预测方法的流程示意图;
图3为本发明实施例二提供的一种租车出险预测的逻辑示意图;
图4为本发明实施例三提供的一种租车出险预测方法的流程示意图;
图5为本发明实施例四提供的一种租车出险预测装置的结构示意图;
图6为本发明实施例五提供的一种租车出险预测设备的结构示意图。
具体实施方式
下面结合附图和实施例对本发明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本发明,而非对本发明的限定。另外还需要说明的是,为了便于描述,附图中仅示出了与本发明相关的部分而非全部结构。
实施例一
图1为本发明实施例一提供的一种租车出险预测方法的流程示意图,本实施例可适用于根据驾驶用户的驾驶行为信息和时间序列行程信息预测所使用的当前车辆的出险概率,该方法可以由租车出险预测装置来执行,其中该装置可由软件和/或硬件实现,并一般集成在终端或设备中。具体参见图1所示,该方法可以包括如下步骤:
S110,采集驾驶用户在第一预设时间段内的驾驶行为信息和第二预设时间段内的时间序列行程信息。
其中,所述驾驶用户可以为通过共享租车平台使用车辆的用户,所述共享租车平台存储驾驶用户的所有时间段的驾驶行为信息和所有时间点的时间序列行程信息。可选地,所述驾驶行为信息可以包括驾驶用户驾驶每个车辆的加速度信息、向左的转向角度或向右的转向角度、刹车次数以及时速信息中的至少一种,所述时间序列行程信息包括所述驾驶用户驾驶每个车辆的车辆信息、驾驶各车辆的开始时间和结束时间以及驾驶各车辆的驾驶天数中的至少一种。
可选地,所述第一预设时间段和所述第二预设时间段可以是相同的时间段也可以是不同的时间段。本实施例中,第一预设时间段可以为长期时间段,第二预设时间段可以为短期时间段。示例性地,所述第一预设时间段为驾驶用户半年内的驾驶时间段,第二预设时间段为驾驶用户两周内的驾驶时间段。
S120,将驾驶行为信息和时间序列行程信息输入至预先训练完成的时间递归神经网络模型,确定驾驶用户驾驶当前车辆的第一预测值。
其中,时间递归神经网络模型能够保留长时间的数据信息,可以将数据信息从序列的初始位置传递到序列的末端,并保留数据信息在时间维度上的关系,可以根据时间序列信息进行信息预测,即根据驾驶行为信息和时间序列行程信息确定驾驶用户驾驶当前车辆的第一预测值。本实施例中的时间递归神经网络模型为LSTM(long Short Term Memory,长短时记忆网络)模型。
可选地,所述时间递归神经网络模型可以通过样本驾驶行为信息、样本时间序列行程信息和第一样本预测值对初始网络训练进行反向传播训练得到。其中,所述样本驾驶行为信息可以为共享租车平台上大量用户的长期时间段的行为信息,所述样本时间序列行程信息为共享租车平台上大量用户的各时间段内每个时间点的行程信息,所述第一样本预测值为样本驾驶行为信息对应的样本驾驶用户驾驶每个车辆的出险概率。例如,样本驾驶行为信息为共享租车平台上的几百万以上驾驶用户的五年内的行为信息,所述样本时间序列行程信息为共享租车平台上的几百万以上驾驶用户五年内各个时间点的行程信息。
可选地,所述时间递归神经网络模型的训练方法为:获取所述样本驾驶行为信息、所述样本时间序列行程信息和所述第一样本预测值;将所述样本驾驶行为信息和所述样本时间序列行程信息输入至所述第一初始网络训练,得到第一训练预测值;根据所述第一训练预测值和所述第一样本预测值构建所述第一初始网络的损失函数,采用时序反向传播算法对所述第一初始网络的损失函数进行求解,根据求解的结果得到所述时间递归神经网络模型。
可以理解的是,所述时序反向传播算法在第一初始网络的学习过程由正向传播过程和反向传播过程组成。在正向传播过程中,输入信息可以通过第一初始网络的输入层经隐含层,逐层处理并传向输出层,得到第一训练预测值,根据第一训练预测值和所述第一样本预测值构建第一初始网络的损失函数,如果损失函数较大,转入反向传播,逐层求出损失函数对各神经元权值的偏导数,构成损失函数对权值向量的梯量,通过修改权值调整所述损失函数,直至损失函数的值小于期望值,将损失函数达到期望值的第一初始网络作为时间递归神经网络模型。
S130,将第一预测值作为驾驶用户驾驶当前车辆的出险概率。
本实施例中,根据驾驶行为信息和时间序列信息确定第一预测值,并将得到的第一预测值直接作为所述出险概率。上述方法通过根据历史行为信息和各个时间点的行程信息结合预测出险概率,可以实现提高出险概率的预测维度,更全面准确的预测出险概率。
本实施例提供的技术方案,通过采集驾驶用户在第一预设时间段内的驾驶行为信息和第二预设时间段内的时间序列行程信息,将所述驾驶行为信息和所述时间序列行程信息输入至预先训练完成的时间递归神经网络模型,确定所述驾驶用户驾驶所述当前车辆的第一预测值,其中,所述时间递归神经网络模型通过样本驾驶行为信息、样本时间序列行程信息和第一样本预测值对第一初始网络训练进行反向传播训练得到,将所述第一预测值作为所述驾驶用户驾驶所述当前车辆的出险概率。解决了现有技术中出险概率的预测方式单一,预测准确度较差的问题,达到通过结合多个维度的信息预测出险概率,提高预测准确度和全面性的目的,进一步降低租车平台的理赔成本。
实施例二
图2为本发明实施例二提供的一种租车出险预测方法的流程示意图。本实施例的技术方案在上述实施例的基础上增加了新的步骤。可选地,在所述将所述第一预测值作为所述驾驶用户驾驶所述当前车辆的出险概率之前,还包括:获取所述驾驶用户的静态特征信息,其中,所述静态特征信息包括所述驾驶用户的驾龄、性别、年龄、地域以及用车偏好中的至少一种;对所述静态特征信息进行独热编码处理,将所述静态特征信息对应的独热编码数据和所述第一预测值输入至极端梯度提升模型,得到第二预测值;计算所述第一预测值和所述第二预测值的第一加权平均值,将所述第一加权平均值作为所述驾驶用户驾驶所述当前车辆的出险概率。好处是可以结合个性化的静态特征信息预测出险概率,提高租车出险预测的全面性和准确性。在该方法实施例中未详尽描述的部分请参考上述实施例。具体参见图2所示,该方法可以包括如下步骤:
S210,采集驾驶用户在第一预设时间段内的驾驶行为信息和第二预设时间段内的时间序列行程信息。
S220,将驾驶行为信息和时间序列行程信息输入至预先训练完成的时间递归神经网络模型,确定驾驶用户驾驶当前车辆的第一预测值。
其中,所述时间递归神经网络模型通过样本驾驶行为信息、样本时间序列行程信息和第一样本预测值对第一初始网络训练进行反向传播训练得到。
S230,获取驾驶用户的静态特征信息。
其中,所述静态特征信息可以体现出驾驶用户的个性化特点,例如,体现出驾驶用户在不同时间周期或者不同地域的用车偏好。可选地,所述静态特征信息包括驾驶用户的驾龄、性别、年龄、地域以及用车偏好中的至少一种。
S240,对静态特征信息进行独热编码处理,将静态特征信息对应的独热编码数据和第一预测值输入至极端梯度提升模型,得到第二预测值。
其中,独热编码处理(one-hot编码处理)可以理解为对静态特征信息进行编码处理,即将静态特征信息中的不同分类至映射为二进制数据,以使极端梯度提升模型根据静态特征信息对应的二进制数据进行预测信息。所述极端梯度提升模型(eXtreme GradientBoosting,简称XGBoost)可以为一种回归决策树模型,用于对静态特征信息对应的独热编码数据进行分类和统计。
如图3所示为租车出险预测的逻辑示意图,结合图3,对静态特征信息进行独热编码处理后,将静态特征信息对应的独热编码数据与第一预测值作为极端梯度提升模型的输入数据,极端梯度提升模型对输入数据进行分类和统计,得到第二预测值,以便根据第二预测值确定出险概率。
可选地,所述极端梯度提升模型的训练方法为:获取样本静态特征信息、样本标定预测值和第二样本预测值,其中,所述样本标定预测值包括所述样本驾驶行为信息对应的驾驶行为标签和样本时间序列行程信息对应的时间序列标签;将所述样本静态特征信息和所述样本标定预测值输入至第二初始网络训练,得到第二训练预测值;根据所述第二样本预测值和第二训练预测值调整所述第二初始网络的网络参数,得到所述极端梯度提升模型。其中,所述样本静态特征信息可以携带样本静态特征标签。可选地,所述将所述样本静态特征信息和所述样本标定预测值输入至第二初始网络训练,包括:对所述样本静态特征信息进行独热编码处理,将所述样本静态特征信息对应的样本独热编码数据和所述第二样本预测值输入至第二初始网络。
可以理解的是,样本标定预测值包括驾驶行为标签和时间序列标签,样本静态特征信息携带样本静态特征标签,第二初始网络可以根据上述标签进行分类以及统计,得到第二训练预测值,并根据第二样本预测值和第二训练预测值之间的损失函数调整所述第二初始网络的网络参数,直至在连续指定次数该损失函数的值小于期望值,将损失函数达到期望值的第二初始网络作为极端梯度提升模型,其中,所述期望值为无线小的正数。
S250,计算第一预测值和第二预测值的第一加权平均值,将第一加权平均值作为驾驶用户驾驶当前车辆的出险概率。
结合图3,确定了第一预测值和第二预测值后,可以对第一预测值和第二预测值赋予权值,计算第一预测值和第二预测值的第一加权平均值,将得到的第一加权平均值作为驾驶用户驾驶当前车辆的出险概率。
本实施例提供的技术方案,获取所述驾驶用户的静态特征信息,对所述静态特征信息进行独热编码处理,将所述静态特征信息对应的独热编码数据和所述第一预测值输入至极端梯度提升模型,得到第二预测值,计算所述第一预测值和所述第二预测值的第一加权平均值,将所述第一加权平均值作为所述驾驶用户驾驶所述当前车辆的出险概率。上述方式通过结合驾驶行为信息、时间序列行程信息和静态特征信息预测出险概率,达到针对用户的个性化特征针对性预测出险概率的目的,可以进一步提高预测准确度和全面性。
实施例三
图4为本发明实施例三提供的一种租车出险预测方法的流程示意图。本实施例的技术方案在上述实施例的基础上增加了新的步骤。可选地,在所述将所述第一预测值作为所述驾驶用户驾驶所述当前车辆的出险概率之前,还包括:获取所述驾驶用户的静态特征信息,对所述静态特征信息进行独热编码处理;其中,所述静态特征信息包括所述驾驶用户的驾龄、性别、年龄、地域以及用车偏好中的至少一种;通过所述时间递归神经网络模型的特征向量提取模块分别提取所述驾驶行为信息和时间序列行程信息对应的第一特征向量和第二特征向量;将所述静态特征信息对应的独热编码数据、所述第一特征向量和所述第二特征向量输入至所述极端梯度提升模型,得到第三预测值;计算所述第一预测值和所述第三预测值的第二加权平均值,将所述第二加权平均值作为所述驾驶用户驾驶所述当前车辆的出险概率。好处是可以结合个性化的静态特征信息预测出险概率,提高租车出险预测的全面性和准确性。在该方法实施例中未详尽描述的部分请参考上述实施例。具体参见图4所示,该方法可以包括如下步骤:
S310,采集驾驶用户在第一预设时间段内的驾驶行为信息和第二预设时间段内的时间序列行程信息。
S320,将驾驶行为信息和时间序列行程信息输入至预先训练完成的时间递归神经网络模型,确定驾驶用户驾驶当前车辆的第一预测值。
其中,所述时间递归神经网络模型通过样本驾驶行为信息、样本时间序列行程信息和第一样本预测值对第一初始网络训练进行反向传播训练得到。
可以理解的是,驾驶行为信息可能包括异常数据和缺失数据,时间序列行程信息可能为非向量化的稀疏时序序列。为了提高第一预测值确定的准确性,可以对驾驶行为信息进行异常值处理和缺失值补全处理,以及对时间序列行程信息可进行时序处理以及向量化,将处理后的驾驶行为信息和时间序列行程信息输入至时间递归神经网络模型。对此,所述将所述驾驶行为信息和所述时间序列行程信息输入至预先训练完成的时间递归神经网络模型,包括:计算所述驾驶行为信息在第三预设时间段内的平均值,其中,所述驾驶行为信息包括加速度信息、向左的转向角度或向右的转向角度、刹车次数以及时速信息中的至少一种;根据所述平均值对所述驾驶行为信息中的异常值进行修正,以及对所述驾驶行为信息中的缺失值进行插补;根据特定单射函数对所述时间序列行程信息进行时序映射,得到所述时间序列行程信息对应的时序行程向量,将修正和插补后的行为信息和所述时序行程向量输入至时间递归神经网络模型。需要说明的是,本实施例包括但不仅限于通过上述方式对驾驶行为信息和时间序列行程信息进行处理。
S330,获取驾驶用户的静态特征信息,对静态特征信息进行独热编码处理。
可选地,所述静态特征信息包括所述驾驶用户的驾龄、性别、年龄、地域以及用车偏好中的至少一种。本步骤中对静态特征信息进行独热编码处理的方式与上述实施例相同,在此不再具体赘述。
S340,通过时间递归神经网络模型的特征向量提取模块分别提取驾驶行为信息和时间序列行程信息对应的第一特征向量和第二特征向量。
可选地,所述特征向量提取模块可以包括时间递归神经网络模型的多个卷积层,用于提取驾驶行为信息和时间序列行程信息对应的特征信息,并以特征向量的形式输出。可以理解的是,所述第一特征向量可以包括各个维度的驾驶行为信息,所述第二特征向量可以包括各个维度的时间序列行程信息。
S350,将静态特征信息对应的独热编码数据、第一特征向量和第二特征向量输入至极端梯度提升模型,得到第三预测值。
如前述实施例所述,极端梯度提升模型获取静态特征信息对应的独热编码数据、第一特征向量和第二特征向量,对上述三种数据进行分类和统计,确定第三预测值,以便根据第三预测值确定出险概率。
S360,计算第一预测值和第三预测值的第二加权平均值,将第二加权平均值作为驾驶用户驾驶当前车辆的出险概率。
本实施例提供的技术方案,获取所述驾驶用户的静态特征信息,对静态特征信息进行独热编码处理,通过时间递归神经网络模型的特征向量提取模块分别提取驾驶行为信息和时间序列行程信息对应的第一特征向量和第二特征向量,将静态特征信息对应的独热编码数据、第一特征向量和第二特征向量输入至极端梯度提升模型,得到第三预测值,计算第一预测值和第三预测值的第二加权平均值,将第二加权平均值作为驾驶用户驾驶当前车辆的出险概率。上述方式通过结合驾驶行为信息、时间序列行程信息和静态特征信息预测出险概率,达到针对用户的个性化特征针对性预测出险概率的目的,可以进一步提高预测准确度和全面性。并且,通过对驾驶行为信息中的异常值进行修正、对所述驾驶行为信息中的缺失值进行插补以及根据特定单射函数对所述时间序列行程信息进行时序映射,可以提高时间递归神经网络模型的计算速度和准确性。
实施例四
图5为本发明实施例四提供的一种租车出险预测装置的结构示意图。参见图5所示,该装置包括:信息采集模块41、第一预测值确定模块42以及出险概率确定模块43。
其中,信息采集模块41,用于采集驾驶用户在第一预设时间段内的驾驶行为信息和第二预设时间段内的时间序列行程信息;第一预测值确定模块42,用于将所述驾驶行为信息和所述时间序列行程信息输入至预先训练完成的时间递归神经网络模型,确定所述驾驶用户驾驶所述当前车辆的第一预测值,其中,所述时间递归神经网络模型通过样本驾驶行为信息、样本时间序列行程信息和样本预测值对第一初始网络训练进行反向传播训练得到;出险概率确定模块43,用于将所述第一预测值作为所述驾驶用户驾驶所述当前车辆的出险概率。
在上述各技术方案的基础上,该装置还包括:静态特征信息获取模块和第二预测值确定模块;
其中,静态特征信息获取模块,用于获取所述驾驶用户的静态特征信息,其中,所述静态特征信息包括所述驾驶用户的驾龄、性别、年龄、地域以及用车偏好中的至少一种;第二预测值确定模块,用于对所述静态特征信息进行独热编码处理,将所述静态特征信息对应的独热编码数据和所述第一预测值输入至极端梯度提升模型,得到第二预测值;出险概率确定模块43还用于,计算所述第一预测值和所述第二预测值的第一加权平均值,将所述第一加权平均值作为所述驾驶用户驾驶所述当前车辆的出险概率。
在上述各技术方案的基础上,该装置还包括:特征向量确定模块和第三预测值确定模块;其中,静态特征信息获取模块还用于,获取所述驾驶用户的静态特征信息,其中,所述静态特征信息包括所述驾驶用户的驾龄、性别、年龄、地域以及用车偏好中的至少一种;特征向量确定模块,用于通过所述时间递归神经网络模型的特征向量提取模块分别提取所述驾驶行为信息和时间序列行程信息对应的第一特征向量和第二特征向量;第三预测值确定模块,用于将所述静态特征信息对应的独热编码数据、所述第一特征向量和所述第二特征向量输入至极端梯度提升模型,得到第三预测值;出险概率确定模块43还用于,计算所述第一预测值和所述第三预测值的第二加权平均值,将所述第二加权平均值作为所述驾驶用户驾驶所述当前车辆的出险概率。
在上述各技术方案的基础上,该装置还包括:时间递归神经网络模型训练模块;其中,时间递归神经网络模型训练模块,用于获取所述样本驾驶行为信息、所述样本时间序列行程信息和所述第一样本预测值;
将所述样本驾驶行为信息和所述样本时间序列行程信息输入至所述第一初始网络训练,得到第一训练预测值;
根据所述第一训练预测值和所述第一样本预测值构建所述第一初始网络的损失函数,采用时序反向传播算法对所述第一初始网络的损失函数进行求解,根据求解的结果得到所述时间递归神经网络模型。
在上述各技术方案的基础上,该装置还包括:极端梯度提升模型训练模块;其中,极端梯度提升模型,用于获取样本静态特征信息、样本标定预测值和第二样本预测值,其中,所述样本标定预测值包括所述样本驾驶行为信息对应的驾驶行为标签和样本时间序列行程信息对应的时间序列标签;
将所述样本静态特征信息和所述样本标定预测值输入至第二初始网络训练,得到第二训练预测值;
根据所述第二样本预测值和第二训练预测值调整所述第二初始网络的网络参数,得到所述极端梯度提升模型。
在上述各技术方案的基础上,第一预测值确定模块42还用于,计算所述驾驶行为信息在第三预设时间段内的平均值,其中,所述驾驶行为信息包括加速度信息、向左的转向角度或向右的转向角度、刹车次数以及时速信息中的至少一种;
根据所述平均值对所述驾驶行为信息中的异常值进行修正,以及对所述驾驶行为信息中的缺失值进行插补;
根据特定单射函数对所述时间序列行程信息进行时序映射,得到所述时间序列行程信息对应的时序行程向量,将修正和插补后的行为信息和所述时序行程向量输入至所述时间递归神经网络模型。
在上述各技术方案的基础上,所述时间序列行程信息包括所述驾驶用户驾驶的车辆信息、驾驶各车辆的开始时间和结束时间以及驾驶各车辆的驾驶天数中的至少一种。
本实施例提供的技术方案,通过采集驾驶用户在第一预设时间段内的驾驶行为信息和第二预设时间段内的时间序列行程信息,将所述驾驶行为信息和所述时间序列行程信息输入至预先训练完成的时间递归神经网络模型,确定所述驾驶用户驾驶所述当前车辆的第一预测值,其中,所述时间递归神经网络模型通过样本驾驶行为信息、样本时间序列行程信息和第一样本预测值对第一初始网络训练进行反向传播训练得到,将所述第一预测值作为所述驾驶用户驾驶所述当前车辆的出险概率。解决了现有技术中出险概率的预测方式单一,预测准确度较差的问题,达到通过结合多个维度的信息预测出险概率,提高预测准确度和全面性的目的,进一步降低租车平台的理赔成本。
实施例五
图6为本发明实施例五提供的一种租车出险预测设备的结构示意图。图6示出了适于用来实现本发明实施方式的示例性租车出险预测设备12的框图。图6显示的租车出险预测设备12仅仅是一个示例,不应对本发明实施例的功能和使用范围带来任何限制。
如图6所示,租车出险预测设备12以通用计算设备的形式表现。租车出险预测设备12的组件可以包括但不限于:一个或者多个处理器或者处理单元16,系统存储器28,连接不同系统组件(包括系统存储器28和处理单元16)的总线18。
总线18表示几类总线结构中的一种或多种,包括存储器总线或者存储器控制器,外围总线,图形加速端口,处理器或者使用多种总线结构中的任意总线结构的局域总线。举例来说,这些体系结构包括但不限于工业标准体系结构(ISA)总线,微通道体系结构(MAC)总线,增强型ISA总线、视频电子标准协会(VESA)局域总线以及外围组件互连(PCI)总线。
租车出险预测设备12典型地包括多种计算机系统可读介质。这些介质可以是任何能够被租车出险预测设备12访问的可用介质,包括易失性和非易失性介质,可移动的和不可移动的介质。
系统存储器28可以包括易失性存储器形式的计算机系统可读介质,例如随机存取存储器(RAM)30和/或高速缓存存储器32。租车出险预测设备12可以进一步包括其它可移动/不可移动的、易失性/非易失性计算机系统存储介质。仅作为举例,存储系统34可以用于读写不可移动的、非易失性磁介质(图6未显示,通常称为“硬盘驱动器”)。尽管图6中未示出,可以提供用于对可移动非易失性磁盘(例如“软盘”)读写的磁盘驱动器,以及对可移动非易失性光盘(例如CD-ROM,DVD-ROM或者其它光介质)读写的光盘驱动器。在这些情况下,每个驱动器可以通过一个或者多个数据介质接口与总线18相连。存储器28可以包括至少一个程序产品,该程序产品具有一组(例如租车出险预测装置的信息采集模块41、第一预测值确定模块42以及出险概率确定模块43)程序模块,这些程序模块被配置以执行本发明各实施例的功能。
具有一组(例如租车出险预测装置的信息采集模块41、第一预测值确定模块42以及出险概率确定模块43)程序模块46的程序/实用工具44,可以存储在例如存储器28中,这样的程序模块46包括但不限于操作系统、一个或者多个应用程序、其它程序模块以及程序数据,这些示例中的每一个或某种组合中可能包括网络环境的实现。程序模块46通常执行本发明所描述的实施例中的功能和/或方法。
租车出险预测设备12也可以与一个或多个外部设备14(例如键盘、指向设备、显示器24等)通信,还可与一个或者多个使得用户能与该租车出险预测设备12交互的设备通信,和/或与使得该租车出险预测设备12能与一个或多个其它计算设备进行通信的任何设备(例如网卡,调制解调器等等)通信。这种通信可以通过输入/输出(I/O)接口22进行。并且,租车出险预测设备12还可以通过网络适配器20与一个或者多个网络(例如局域网(LAN),广域网(WAN)和/或公共网络,例如因特网)通信。如图所示,网络适配器20通过总线18与租车出险预测设备12的其它模块通信。应当明白,尽管图中未示出,可以结合租车出险预测设备12使用其它硬件和/或软件模块,包括但不限于:微代码、设备驱动器、冗余处理单元、外部磁盘驱动阵列、RAID系统、磁带驱动器以及数据备份存储系统等。
处理单元16通过运行存储在系统存储器28中的程序,从而执行各种功能应用以及数据处理,例如实现本发明实施例所提供的一种租车出险预测方法,包括:
采集驾驶用户在第一预设时间段内的驾驶行为信息和第二预设时间段内的时间序列行程信息;
将所述驾驶行为信息和所述时间序列行程信息输入至预先训练完成的时间递归神经网络模型,确定所述驾驶用户驾驶所述当前车辆的第一预测值,其中,所述时间递归神经网络模型通过样本驾驶行为信息、样本时间序列行程信息和第一样本预测值对第一初始网络训练进行反向传播训练得到;
将所述第一预测值作为所述驾驶用户驾驶所述当前车辆的出险概率。
处理单元16通过运行存储在系统存储器28中的程序,从而执行各种功能应用以及数据处理,例如实现本发明实施例所提供的一种租车出险预测方法。
当然,本领域技术人员可以理解,处理器还可以实现本发明任意实施例所提供的一种租车出险预测方法的技术方案。
实施例六
本发明实施例六还提供了一种计算机可读存储介质,其上存储有计算机程序,该程序被处理器执行时实现如本发明实施例所提供的一种租车出险预测方法,包括:
采集驾驶用户在第一预设时间段内的驾驶行为信息和第二预设时间段内的时间序列行程信息;
将所述驾驶行为信息和所述时间序列行程信息输入至预先训练完成的时间递归神经网络模型,确定所述驾驶用户驾驶所述当前车辆的第一预测值,其中,所述时间递归神经网络模型通过样本驾驶行为信息、样本时间序列行程信息和第一样本预测值对第一初始网络训练进行反向传播训练得到;
将所述第一预测值作为所述驾驶用户驾驶所述当前车辆的出险概率。
当然,本发明实施例所提供的一种计算机可读存储介质,其上存储的计算机程序不限于如上的方法操作,还可以执行本发明任意实施例所提供的一种租车出险预测方法中的相关操作。
本发明实施例的计算机存储介质,可以采用一个或多个计算机可读的介质的任意组合。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。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、系统或器件,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(非穷举的列表)包括:具有一个或多个导线的电连接、便携式计算机磁盘、硬盘、随机存取存储器(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。在本文件中,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、系统或者器件使用或者与其结合使用。
计算机可读的信号介质可以包括在驾驶行为信息、时间序列行程信息、第一预测值等,其中承载了计算机可读的程序代码。这种传播的驾驶行为信息、时间序列行程信息、第一预测值等形式。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、系统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。
可以以一种或多种程序设计语言或其组合来编写用于执行本发明操作的计算机程序代码,程序设计语言包括面向对象的程序设计语言—诸如Java、Smalltalk、C++,还包括常规的过程式程序设计语言—诸如”C”语言或类似的程序设计语言。程序代码可以完全地在用户计算机上执行、部分地在用户计算机上执行、作为一个独立的软件包执行、部分在用户计算机上部分在远程计算机上执行、或者完全在远程计算机或服务器上执行。在涉及远程计算机的情形中,远程计算机可以通过任意种类的网络——包括局域网(LAN)或广域网(WAN)—连接到用户计算机,或者,可以连接到外部计算机(例如利用因特网服务提供商来通过因特网连接)。
值得注意的是,上述租车出险预测装置的实施例中,所包括的各个模块只是按照功能逻辑进行划分的,但并不局限于上述的划分,只要能够实现相应的功能即可;另外,各功能单元的具体名称也只是为了便于相互区分,并不用于限制本发明的保护范围。
注意,上述仅为本发明的较佳实施例及所运用技术原理。本领域技术人员会理解,本发明不限于这里所述的特定实施例,对本领域技术人员来说能够进行各种明显的变化、重新调整和替代而不会脱离本发明的保护范围。因此,虽然通过以上实施例对本发明进行了较为详细的说明,但是本发明不仅仅限于以上实施例,在不脱离本发明构思的情况下,还可以包括更多其他等效实施例,而本发明的范围由所附的权利要求范围决定。
Claims (10)
1.一种租车出险预测方法,其特征在于,包括:
采集驾驶用户在第一预设时间段内的驾驶行为信息和第二预设时间段内的时间序列行程信息;
将所述驾驶行为信息和所述时间序列行程信息输入至预先训练完成的时间递归神经网络模型,确定所述驾驶用户驾驶所述当前车辆的第一预测值,其中,所述时间递归神经网络模型通过样本驾驶行为信息、样本时间序列行程信息和第一样本预测值对第一初始网络训练进行反向传播训练得到;
将所述第一预测值作为所述驾驶用户驾驶所述当前车辆的出险概率。
2.根据权利要求1所述的方法,其特征在于,还包括:
获取所述驾驶用户的静态特征信息,其中,所述静态特征信息包括所述驾驶用户的驾龄、性别、年龄、地域以及用车偏好中的至少一种;
对所述静态特征信息进行独热编码处理,将所述静态特征信息对应的独热编码数据和所述第一预测值输入至极端梯度提升模型,得到第二预测值;
计算所述第一预测值和所述第二预测值的第一加权平均值,将所述第一加权平均值作为所述驾驶用户驾驶所述当前车辆的出险概率。
3.根据权利要求1所述的方法,其特征在于,还包括:
获取所述驾驶用户的静态特征信息,对所述静态特征信息进行独热编码处理;其中,所述静态特征信息包括所述驾驶用户的驾龄、性别、年龄、地域以及用车偏好中的至少一种;
通过所述时间递归神经网络模型的特征向量提取模块分别提取所述驾驶行为信息和时间序列行程信息对应的第一特征向量和第二特征向量;
将所述静态特征信息对应的独热编码数据、所述第一特征向量和所述第二特征向量输入至极端梯度提升模型,得到第三预测值;
计算所述第一预测值和所述第三预测值的第二加权平均值,将所述第二加权平均值作为所述驾驶用户驾驶所述当前车辆的出险概率。
4.根据权利要求1所述的方法,其特征在于,还包括:
获取所述样本驾驶行为信息、所述样本时间序列行程信息和所述第一样本预测值;
将所述样本驾驶行为信息和所述样本时间序列行程信息输入至所述第一初始网络训练,得到第一训练预测值;
根据所述第一训练预测值和所述第一样本预测值构建所述第一初始网络的损失函数,采用时序反向传播算法对所述第一初始网络的损失函数进行求解,根据求解的结果得到所述时间递归神经网络模型。
5.根据权利要求2所述的方法,其特征在于,还包括:
获取样本静态特征信息、样本标定预测值和第二样本预测值,其中,所述样本标定预测值包括所述样本驾驶行为信息对应的驾驶行为标签和样本时间序列行程信息对应的时间序列标签;
将所述样本静态特征信息和所述样本标定预测值输入至第二初始网络训练,得到第二训练预测值;
根据所述第二样本预测值和第二训练预测值调整所述第二初始网络的网络参数,得到所述极端梯度提升模型。
6.根据权利要求1所述的方法,其特征在于,所述将所述驾驶行为信息和所述时间序列行程信息输入至预先训练完成的时间递归神经网络模型,包括:
计算所述驾驶行为信息在第三预设时间段内的平均值,其中,所述驾驶行为信息包括加速度信息、向左的转向角度或向右的转向角度、刹车次数以及时速信息中的至少一种;
根据所述平均值对所述驾驶行为信息中的异常值进行修正,以及对所述驾驶行为信息中的缺失值进行插补;
根据特定单射函数对所述时间序列行程信息进行时序映射,得到所述时间序列行程信息对应的时序行程向量,将修正和插补后的行为信息和所述时序行程向量输入至所述时间递归神经网络模型。
7.根据权利要求1所述的方法,其特征在于,所述时间序列行程信息包括所述驾驶用户驾驶的车辆信息、驾驶各车辆的开始时间和结束时间以及驾驶各车辆的驾驶天数中的至少一种。
8.一种租车出险预测装置,其特征在于,包括:
信息采集模块,用于采集驾驶用户在第一预设时间段内的驾驶行为信息和第二预设时间段内的时间序列行程信息;
第一预测值确定模块,用于将所述驾驶行为信息和所述时间序列行程信息输入至预先训练完成的时间递归神经网络模型,确定所述驾驶用户驾驶所述当前车辆的第一预测值,其中,所述时间递归神经网络模型通过样本驾驶行为信息、样本时间序列行程信息和样本预测值对第一初始网络训练进行反向传播训练得到;
出险概率确定模块,用于将所述第一预测值作为所述驾驶用户驾驶所述当前车辆的出险概率。
9.一种租车出险预测设备,包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,其特征在于,所述处理器执行所述计算机程序时实现如权利要求1-7中任一项所述的租车出险预测方法。
10.一种包含计算机可执行指令的存储介质,其特征在于,所述计算机可执行指令在由计算机处理器执行时实现如权利要求1-7中任一项所述的租车出险预测方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010396726.7A CN111582589A (zh) | 2020-05-12 | 2020-05-12 | 一种租车出险预测方法、装置、设备及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010396726.7A CN111582589A (zh) | 2020-05-12 | 2020-05-12 | 一种租车出险预测方法、装置、设备及存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN111582589A true CN111582589A (zh) | 2020-08-25 |
Family
ID=72124914
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010396726.7A Pending CN111582589A (zh) | 2020-05-12 | 2020-05-12 | 一种租车出险预测方法、装置、设备及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111582589A (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112061136A (zh) * | 2020-08-26 | 2020-12-11 | 西北工业大学 | 基于长短期记忆网络的司机驾驶行为自动化分析方法 |
CN113570204A (zh) * | 2021-07-06 | 2021-10-29 | 北京淇瑀信息科技有限公司 | 用户行为预测方法、系统和计算机设备 |
CN116226787A (zh) * | 2023-05-04 | 2023-06-06 | 中汽信息科技(天津)有限公司 | 商用车出险概率预测方法、设备和介质 |
Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109741112A (zh) * | 2019-01-10 | 2019-05-10 | 博拉网络股份有限公司 | 一种基于移动大数据的用户购买意向预测方法 |
CN110264270A (zh) * | 2019-06-20 | 2019-09-20 | 京东数字科技控股有限公司 | 一种行为预测方法、装置、设备和存储介质 |
CN110263972A (zh) * | 2019-05-15 | 2019-09-20 | 北京航空航天大学 | 产品质量预测方法及装置 |
CN110599353A (zh) * | 2018-06-13 | 2019-12-20 | 百度在线网络技术(北京)有限公司 | 一种车辆出险和赔付率预测方法、装置、设备及介质 |
CN110675267A (zh) * | 2018-07-03 | 2020-01-10 | 北京嘀嘀无限科技发展有限公司 | 一种根据实时路况进行车险预警的方法及系统 |
CN110738574A (zh) * | 2019-09-06 | 2020-01-31 | 中国平安财产保险股份有限公司 | 数据预测方法、装置、设备及存储介质 |
CN110838070A (zh) * | 2019-10-12 | 2020-02-25 | 中国平安财产保险股份有限公司 | 智能车险理赔概率预测方法、装置及计算机可读存储介质 |
CN111105110A (zh) * | 2018-10-25 | 2020-05-05 | 北京嘀嘀无限科技发展有限公司 | 驾驶风险确定方法、装置、介质和计算设备 |
CN111105148A (zh) * | 2019-12-04 | 2020-05-05 | 贝壳技术有限公司 | 离职概率评估方法、装置及计算机可读存储介质 |
-
2020
- 2020-05-12 CN CN202010396726.7A patent/CN111582589A/zh active Pending
Patent Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110599353A (zh) * | 2018-06-13 | 2019-12-20 | 百度在线网络技术(北京)有限公司 | 一种车辆出险和赔付率预测方法、装置、设备及介质 |
CN110675267A (zh) * | 2018-07-03 | 2020-01-10 | 北京嘀嘀无限科技发展有限公司 | 一种根据实时路况进行车险预警的方法及系统 |
CN111105110A (zh) * | 2018-10-25 | 2020-05-05 | 北京嘀嘀无限科技发展有限公司 | 驾驶风险确定方法、装置、介质和计算设备 |
CN109741112A (zh) * | 2019-01-10 | 2019-05-10 | 博拉网络股份有限公司 | 一种基于移动大数据的用户购买意向预测方法 |
CN110263972A (zh) * | 2019-05-15 | 2019-09-20 | 北京航空航天大学 | 产品质量预测方法及装置 |
CN110264270A (zh) * | 2019-06-20 | 2019-09-20 | 京东数字科技控股有限公司 | 一种行为预测方法、装置、设备和存储介质 |
CN110738574A (zh) * | 2019-09-06 | 2020-01-31 | 中国平安财产保险股份有限公司 | 数据预测方法、装置、设备及存储介质 |
CN110838070A (zh) * | 2019-10-12 | 2020-02-25 | 中国平安财产保险股份有限公司 | 智能车险理赔概率预测方法、装置及计算机可读存储介质 |
CN111105148A (zh) * | 2019-12-04 | 2020-05-05 | 贝壳技术有限公司 | 离职概率评估方法、装置及计算机可读存储介质 |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112061136A (zh) * | 2020-08-26 | 2020-12-11 | 西北工业大学 | 基于长短期记忆网络的司机驾驶行为自动化分析方法 |
CN113570204A (zh) * | 2021-07-06 | 2021-10-29 | 北京淇瑀信息科技有限公司 | 用户行为预测方法、系统和计算机设备 |
CN116226787A (zh) * | 2023-05-04 | 2023-06-06 | 中汽信息科技(天津)有限公司 | 商用车出险概率预测方法、设备和介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110288096B (zh) | 预测模型训练及预测方法、装置、电子设备、存储介质 | |
TWI746814B (zh) | 電腦可讀介質、車險風險預測裝置及伺服器 | |
CN109636047B (zh) | 用户活跃度预测模型训练方法、系统、设备及存储介质 | |
CN111582589A (zh) | 一种租车出险预测方法、装置、设备及存储介质 | |
US11195111B2 (en) | Method and device for predicting box office trend of film, and storage medium | |
CN110264270B (zh) | 一种行为预测方法、装置、设备和存储介质 | |
CN109543909B (zh) | 车辆案件数量的预测方法、装置和计算机设备 | |
CN110599353A (zh) | 一种车辆出险和赔付率预测方法、装置、设备及介质 | |
CN112668238B (zh) | 一种降雨量处理方法、装置、设备和存储介质 | |
CN111397625A (zh) | 车辆导航方法及相关装置 | |
CN111858873A (zh) | 一种推荐内容的确定方法、装置、电子设备及存储介质 | |
CN114021840A (zh) | 换道策略生成方法和装置、计算机存储介质、电子设备 | |
CN112988840A (zh) | 一种时间序列预测方法、装置、设备和存储介质 | |
CN113239702A (zh) | 意图识别方法、装置、电子设备 | |
CN114103987B (zh) | 车辆续航预警方法、装置及电子设备 | |
CN114021080A (zh) | 轨迹预测模型训练以及轨迹预测方法、装置、设备及介质 | |
CN113010785B (zh) | 用户推荐方法及设备 | |
CN111754261B (zh) | 一种车辆出租意愿的评估方法、装置及终端设备 | |
CN113095889A (zh) | 一种保险定价方法、装置、服务器及存储介质 | |
CN109934496B (zh) | 区域间通行影响确定方法、装置、设备和介质 | |
CN111260484A (zh) | 一种人伤识别的数据处理方法、装置、服务器及系统 | |
CN111126311A (zh) | 城市道路的潜在危险区域识别方法、装置及电子设备 | |
CN116245630A (zh) | 一种反欺诈检测方法、装置、电子设备及介质 | |
CN115278757A (zh) | 一种检测异常数据的方法、装置及电子设备 | |
CN114612132A (zh) | 基于机器学习的客户续保预测方法及相关设备 |
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 | ||
CB02 | Change of applicant information |
Address after: 200030 room 587, building 3, No. 333, Hongqiao Road, Xuhui District, Shanghai Applicant after: Shanghai Lexiang Sijin Technology Co.,Ltd. Address before: 200030 room 587, building 3, No. 333, Hongqiao Road, Xuhui District, Shanghai Applicant before: Shanghai xinwin Information Technology Co.,Ltd. |
|
CB02 | Change of applicant information | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20200825 |
|
RJ01 | Rejection of invention patent application after publication |