CN112446791A - 基于联邦学习的车险评分方法、装置、设备及存储介质 - Google Patents

Abstract

本发明涉及人工智能技术领域，公开了一种基于联邦学习的车险评分方法、装置、计算机设备及计算机可读存储介质，该方法包括：通过根据待训练的样本数据训练多个预置本地模型，确定各个预置本地模型更新后的第一模型参数；接收服务器发送的加密公钥，对各个第一模型参数进行加密以接收服务器对多个第一模型参数进行联邦学习后返回的聚合模型参数；根据聚合模型参数更新各个预置本地模型，生成对应的评分模型；获取待预测保险序号，并根据评分模型，获取待预测保险序号对应的风险评分；根据预置精算模型和风险评分，获取待预测保险序号的车险信息，实现保护数据隐私的基础上联合训练多个模型，并提高评分模型的准确性，从而得到更加精准的车险信息。

Description

基于联邦学习的车险评分方法、装置、设备及存储介质

技术领域

本申请涉及人工智能和数据处理技术领域，尤其涉及一种基于联邦学习的车险评分方法、装置、计算机设备及计算机可读存储介质。

背景技术

对于现阶段的财险行业，大部分企业的财险综合成本率较高。汽车保险目前在财产保险中的份额较大，保费占比在70％以上，而我国传统的机动车保险定价只与车龄、性别、里程数、车价等固定因素有关，但实际上，机动车保险定价不仅仅只与车龄、性别、里程数、车价等固定数据有关，还包括用户的动态数据和车辆的动态数据等。现有通过将用户的动态数据和车辆的动态数据等上传至云端作为训练数据的数据集，通过训练集来训练模型，从而使模型具备预测车险信息，但将数据集上传至云端的过程中，容易出现数据集泄露，损害用户的安全，且得到的训练模型预测车险信息不准确。

发明内容

本申请的主要目的在于提供一种基于联邦学习的车险评分方法、装置、计算机设备及计算机可读存储介质，旨在解决现有将数据集上传至云端作为模型训练数据的过程中，容易出现数据集泄露，损害用户的安全，且得到的训练模型预测车险信息不准确的技术问题。

第一方面，本申请提供一种基于联邦学习的车险评分方法，所述基于联邦学习的车险评分方法包括以下步骤：

根据待训练的样本数据训练多个预置本地模型，确定各个所述预置本地模型更新后的第一模型参数；

接收服务器发送的加密公钥，对各个所述第一模型参数进行加密并发送至所述服务器，以接收所述服务器对多个所述第一模型参数进行联邦学习后返回的聚合模型参数；

根据所述聚合模型参数更新各个所述预置本地模型，生成对应的评分模型；

获取待预测保险序号，并根据所述评分模型，获取所述待预测保险序号对应的风险评分；

根据预置精算模型和所述风险评分，获取所述待预测保险序号的车险信息。

第二方面，本申请还提供一种基于联邦学习的车险评分装置，所述基于联邦学习的车险评分装置包括：

确定模块，用于根据待训练的样本数据训练多个预置本地模型，确定各个所述预置本地模型更新后的第一模型参数；

发送及接收模块，用于接收服务器发送的加密公钥，并将各个所述第一模型参数进行加密并发送至所述服务器，以接收所述服务器对多个所述第一模型参数进行联邦学习后返回对应的聚合模型参数；

生成模块，用于根据所述聚合模型参数更新各个所述预置本地模型，生成对应的评分模型；

第一获取模块，用于获取待预测保险序号，并根据所述评分模型，获取所述待预测保险序号对应的风险评分；

第二获取模块，用于根据预置精算模型和所述风险评分，获取所述待预测保险序号的车险信息。

第三方面，本申请还提供一种计算机设备，所述计算机设备包括处理器、存储器、以及存储在所述存储器上并可被所述处理器执行的计算机程序，其中所述计算机程序被所述处理器执行时，实现如上述的基于联邦学习的车险评分方法的步骤。

第四方面，本申请还提供一种计算机可读存储介质，所述计算机可读存储介质上存储有计算机程序，其中所述计算机程序被处理器执行时，实现如上述的基于联邦学习的车险评分方法的步骤。

本申请提供一种基于联邦学习的车险评分方法、装置、计算机设备及计算机可读存储介质，通过根据待训练的样本数据训练多个预置本地模型，确定各个所述预置本地模型更新后的第一模型参数；接收服务器发送的加密公钥，对各个所述第一模型参数进行加密并发送至所述服务器，以接收所述服务器对多个所述第一模型参数进行联邦学习后返回的聚合模型参数；根据所述聚合模型参数更新各个所述预置本地模型，生成对应的评分模型；获取待预测保险序号，并根据所述评分模型，获取所述待预测保险序号对应的风险评分；根据预置精算模型和所述风险评分，获取所述待预测保险序号的车险信息，实现保护数据隐私的基础上联合训练多个模型，并提高评分模型的准确性，从而得到更加精准的车险信息。

附图说明

为了更清楚地说明本申请实施例技术方案，下面将对实施例描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图是本申请的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。

图1为本申请实施例提供的一种基于联邦学习的车险评分方法的流程示意图；

图2是本申请实施例提供的一种预置本地模型上传加密参数至联邦学习服务器的示意图；

图3为图1中的基于联邦学习的车险评分方法的子步骤流程示意图；

图4为图1中的基于联邦学习的车险评分方法的子步骤流程示意图；

图5为图1中的基于联邦学习的车险评分方法的子步骤流程示意图；

图6为本申请实施例提供的一种基于联邦学习的车险评分装置的示意性框图；

图7为本申请一实施例涉及的计算机设备的结构示意框图。

本申请目的的实现、功能特点及优点将结合实施例，参照附图做进一步说明。

具体实施方式

下面将结合本申请实施例中的附图，对本申请实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本申请一部分实施例，而不是全部的实施例。基于本申请中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本申请保护的范围。

附图中所示的流程图仅是示例说明，不是必须包括所有的内容和操作/步骤，也不是必须按所描述的顺序执行。例如，有的操作/步骤还可以分解、组合或部分合并，因此实际执行的顺序有可能根据实际情况改变。

本申请实施例提供一种基于联邦学习的车险评分方法、装置、计算机设备及计算机可读存储介质。其中，该基于联邦学习的车险评分方法可应用于计算机设备中，该计算机设备可以是笔记本电脑、台式电脑等电子设备。

下面结合附图，对本申请的一些实施方式作详细说明。在不冲突的情况下，下述的实施例及实施例中的特征可以相互组合。

请参照图1，图1为本申请的实施例提供的一种基于联邦学习的车险评分方法的流程示意图。

如图1所示，该基于联邦学习的车险评分方法包括步骤S101至步骤S105。

步骤S101、根据待训练的样本数据训练多个预置本地模型，确定各个所述预置本地模型更新后的第一模型参数。

示范性的，获取待训练的样本数据，该待训练的样本数据包括用户的驾驶行为数据和车辆行驶数据。获取待训练的样本数据的方式包括通过车载终端的摄像头采集用户的驾驶行为图像和车辆行驶图像，通过分析该驾驶行为图像，获取该驾驶行为图像中记载的驾驶行为数据，该驾驶行为数据包括用户的驾驶加减速、急刹车次数、急加速次数、变道次数、危险驾驶数据、违规驾驶数据、疲劳驾驶数据等。通过分析该车辆行驶图像，获取该车辆行驶图像中记载的车辆行驶数据，该车辆行驶数据包括车辆上短途比例、途径道路环境、检修时间等。对获取到的驾驶行为数据和车辆行驶数据进行标记，将标记好的驾驶行为数据和车辆行驶数据作为样本数据。将样本数据通过终端分别输入到如图2所示的本地模型中，其中，本地模型位于用户端，且本次模型的数量为多个。通过样本数据训练各个本地模型，得到各个本次模型基于样本数据样本数据训练后更新的第一模型参数。

在一实施例中，所述待训练的样本数据包括至少两组带标签的驾驶行为数据和带标签的车辆行驶数据，确定各个所述预置本地模型更新后的第一模型参数，包括：根据第一组带标签的驾驶行为数据和第一组带标签的车辆行驶数据训练第一预置本地模型，确定所述第一预置本地模型更新后的第一模型参数；根据所述第二组带标签的驾驶行为数据和第二组带标签的车辆行驶数据训练第二预置本地模型，确定所述第二预置本地模型更新后的第一模型参数。

示范例的，获取样本数据中第一组带标签的驾驶行为数据和第一组带标签的车辆行驶数据，将该第一组带标签的驾驶行为数据和第一组带标签的车辆行驶数据输入到第一预置本地模型中，通过第一组带标签的驾驶行为数据和第一组带标签的车辆行驶数据中训练第一预置本地模型，得到第一预置本地模型更新后的第一模型参数。例如，通过将带标签的驾驶加减速、急刹车次数、急加速次数、变道次数、危险驾驶数据、违规驾驶数据或疲劳驾驶数据和带标签的短途比例、途径道路环境参数或检修次数等训练第一预置本地模型，得到第一预置本地模型更新后的第一模型参数，其中，带标签的驾驶加减速包括驾驶加减速以及驾驶加减速的风险系数；带标签的急刹车次数包括急刹车次数以及急刹车次数的风险系数等。

获取样本数据中第二组带标签的驾驶行为数据和第二组带标签的车辆行驶数据，将该第二组带标签的驾驶行为数据和第二组带标签的车辆行驶数据输入到第二预置本地模型中，通过第二组带标签的驾驶行为数据和第二组带标签的车辆行驶数据中训练第二预置本地模型，得到第二预置本地模型更新后的第一模型参数。例如，通过将带标签的驾驶加减速、急刹车次数、急加速次数、变道次数、危险驾驶数据、违规驾驶数据或疲劳驾驶数据和带标签的短途比例、途径道路环境参数或检修次数等训练第二预置本地模型，得到第二预置本地模型更新后的第一模型参数，其中，带标签的驾驶加减速包括驾驶加减速以及驾驶加减速的风险系数；带标签的急刹车次数包括急刹车次数以及急刹车次数的风险系数等。

在一实施例中，所述确定所述第一预置本地模型更新后的第一模型参数，包括：将所述第一组带标签的驾驶行为数据和所述第一组带标签的第一车辆行驶数据输入第一预置本地模型，得到所述第一组带标签的驾驶行为数据和第一组带标签的车辆行驶数据对应的梯度值；根据所述梯度值更新所述第一预置本地模型的初始模型参数，确定更新后的第一模型参数。

示例性的，将第一组带标签的驾驶行为数据和第一组带标签的车辆行驶数据输入到第一预置本地模型中，通过第一预置本地模型中的网络层对第一组带标签的驾驶行为数据和第一组带标签的车辆行驶数据进行特征提取，得到第一组带标签的驾驶行为数据和第一组带标签的车辆行驶数据的梯度值。例如，通过该第一预置本地模型中隐藏层的全权重矩阵得到该特征的向量特征信息，以及通过第一预置本地模型中隐藏层的全权重矩阵得到该标签值的向量特征信息，根据向量特征信息得到对应的梯度值。通过该第一组带标签的驾驶行为数据和第一组带标签的车辆行驶数据的梯度值更新第一预置本地模型的模型参数，得到该第一预置本地模型更新后的第一模型参数。

步骤S102、接收服务器发送的加密公钥，对各个所述第一模型参数进行加密并发送至所述服务器，以接收所述服务器对多个所述第一模型参数进行联邦学习后返回的聚合模型参数。

示例性的，接收服务器发送的的加密公钥，通过该加密公钥对各个预置本地模型的第一模型参数进行加密，如图2所示将加密后的第一模型参数发送至服务器。服务器在接收到加密后的第一模型参数时，分别对各个加密后的第一模型参数进行解密，获取解密后各个预置模型的第一模型参数。通过服务器中预置的联邦学习机制对各个第一模型参数进行学习，得到对应的聚合模型参数，将得到的聚合模型参数返回至各个预置本地模型。其中，联邦学习服务器包括联邦学习模型。示例性的，联邦学习分为横向联邦学习、纵向联邦学习以及联邦迁移学习等类型。

需要说明的是，联邦学习是指通过联合不同的客户端或参与者进行机器学习建模的方法。在联邦学习中，客户端不需要向其它客户端和协调者(也称为服务器)暴露自己所拥有的数据，因而联邦学习可以很好的保护用户隐私和保障数据安全，并可以解决数据孤岛问题。联邦学习具有以下优势：数据隔离，数据不会泄露到外部，满足用户隐私保护和数据安全的需求；能够保证联邦学习模型的质量无损，不会出现负迁移，保证联邦学习模型比割裂的独立模型效果好；能够保证各客户端在保持独立性的情况下，进行信息与模型参数的加密交换，并同时获得成长。

在一实施例中，具体地，参照图3，步骤S102包括：子步骤S1021至子步骤S1023。

子步骤S1021、根据所述加密公钥，分别对所述第一预置本地模型的第一模型参数和所述第二预置本地模型的第一模型参数进行加密。

实例性的，接收服务器发送的公钥，其中，该公钥的数量为多个。例如，该公钥的数量为两个时，即第一公钥和第二公钥。通过接收到的公钥分别对第一预置本地模型的第一模型参数和第二预置本地模型的第一模型参数进行加密。例如，在接收到第一公钥和第二公钥时，第一公钥和第二公钥分别第一预置本地模型的第一模型参数进行加密，以及第一公钥和第二公钥分别对第二预置本地模型的第一模型参数进行加密。

子步骤S1022、将加密后的第一预置本地模型的第一模型参数和所述第二预置本地模型的第一模型参数发送至所述服务器。

示例性的，在通过公钥对第一预置本地模型的第一模型参数和第二预置本地模型的第一模型参数机密后，如图2所示，第一预置本地模型和第二预置本地模型采用不经意传输的一种构造方法，建立秘密通信通道，将加密处理后的第一模型参数通过该秘密通信通道发送至服务器。示范性的，在第一公钥和第二公钥分别第一预置本地模型的第一模型参数进行加密，以及第一公钥和第二公钥分别对第二预置本地模型的第一模型参数进行加密时，通过秘密通信通道，将第一公钥加密的第一预置本地模型的第一模型参数和第二公钥加密的第一预置本地模型的第一模型参数，以及第一公钥加密的第二预置本地模型的第一模型参数和第二公钥加密的第二预置本地模型的第一模型参数发送至服务器。

子步骤S1023、接收所述服务器对所述第一预置本地模型的第一模型参数和所述第二预置本地模型的第一模型参数进行聚合联邦平均计算后的聚合模型参数。

示范例的，服务器对接收到加密后的第一预置本地模型的第一模型参数和第二预置本地模型的第二模型参数进行解密。例如，接收第一公钥加密的第一预置本地模型的第一模型参数和第二公钥加密的第一预置本地模型的第一模型参数，以及第一公钥加密的第二预置本地模型的第一模型参数和第二公钥加密的第二预置本地模型的第一模型参数时，通过私钥随机对第一公钥加密的第一预置本地模型的第一模型参数和第二公钥加密的第一预置本地模型的第一模型参数，以及对第一公钥加密的第二预置本地模型的第一模型参数和第二公钥加密的第二预置本地模型的第一模型参数进行解密。其中，私钥与第一公钥或第二公钥对应，即私钥解密第一公钥或解密第二公钥。在通过私钥解密第一公钥加密的第一预置本地模型的第一模型参数和第二公钥加密的第一预置本地模型的第一模型参数，得到第一预置本地模型的第一模型参数，通过私钥解密第二预置本地模型的第一模型参数和第二公钥加密的第二预置本地模型的第一模型参数，得到第二预置本地模型的第一模型参数。通过服务器中的横向联邦学习机制学习第一预置本地模型的第一模型参数和第二预置本地模型的第一模型参数中的交集特征对应的参数，通过平均计算交集特征对应的参数，得到对应的聚合模型参数，并将该聚合模型参数返回至第一预置本地模型和/或第二预置本地模型。

步骤S103、根据所述聚合模型参数更新各个所述预置本地模型，生成对应的评分模型。

示范例的，在接收到服务器返回的聚合模型参数，通过将该聚合模型参数更新第一预置本地模型的第一模型参数或第二预置本地模型的第一模型参数，将更新聚合模型参数后的第一预置本地模型生成对应的评分模型，或将更新聚合模型参数后的第二预置本地模型参数生成对应的评分模型。

在一实施例中，具体地，参照图4，步骤S103包括：子步骤S1031至子步骤S1032。

子步骤S1031、确定所述第一预置本地模型或所述第二预置本地模型是否处于收敛状态。

示范例的，通过将服务器返回的聚合模型参数更新第一预置本地模型的第一模型参数，或更新第二预置本地模型的第一模型参数时，确定第一预置本地模型或第二预置本地模型是否处于收敛状态。例如，将该聚合模型参数与之前记录的聚合模型参数进行比对，若该聚合模型参数与之前记录的聚合模型参数相同，或者，该聚合模型参数与之前记录的聚合模型参数的差值小于预置差值，则确定该第一预置本地模型或第二预置本地模型处于收敛状态；或者，该聚合模型参数与之前记录的聚合模型参数不相同，或者，该聚合模型参数与之前记录的聚合模型参数的差值大于或等于预置差值，则确定该第一预置本地模型或第二预置本地模型不处于收敛状态。

子步骤S1032、若确定所述第一预置本地模型或所述第二预置本地模型处于收敛状态，则将所述第一预置本地模型或所述第二预置本地模型作为评分模型。

示范例的，若确定第一预置本地模型或第二预置本地模型处于收敛状态，例如，将该聚合模型参数与之前记录的聚合模型参数进行比对，若该聚合模型参数与之前记录的聚合模型参数相同，或者，该聚合模型参数与之前记录的聚合模型参数的差值小于预置差值，则确定该第一预置本地模型或第二预置本地模型处于收敛状态，则将该第一预置本地模型或第二预置本地模型作为评分模型。

在一实施例中，所述确定所述第一预置本地模型或所述第二预置本地模型是否处于收敛状态之后，还包括：若所述预置本地模型未处于收敛状态，则根据所述待训练样本数据继续训练所述第一预置本地模型和所述第二预置本地模型，确定更新后的第二模型参数。

示范例为，该聚合模型参数与之前记录的聚合模型参数进行比对，若该聚合模型参数与之前记录的聚合模型参数不相同，或者，该聚合模型参数与之前记录的聚合模型参数的差值大于或等于预置差值，则确定该第一预置本地模型或第二预置本地模型不处于收敛状态。当第一预置本地模型或第二预置本地模型不处于收敛状态时，获取待训练数据中的第三组带标签的驾驶行为数据和第三组带标签的车辆行驶数据训练第一预置本地模型，确定第一预置本地模型更新后的第二模型参数；根据第四组带标签的驾驶行为数据和第四组带标签的车辆行驶数据训练第二预置本地模型，确定第二预置本地模型更新后的第二模型参数，根据第一预置本地模型更新后的第二模型参数和第二预置本地模型更新后的第二模型参数得到对应的聚合模型参数，通过第一预置本地模型更新后的第二模型参数和第二预置本地模型更新后的第二模型参数得到对应的聚合模型参数更新第一预置本地模型和第二预置本地模型，直至第一预置本地模型和第二预置本地模型处于收敛状态。

步骤S104、获取待预测保险序号，并根据所述评分模型，获取所述待预测保险序号对应的风险评分。

示范例的，获取待预测保险序号，根据该待预测保险序号，获取该待预测保险序号对应的而车辆动态信息，该车辆动态信息包括待预测驾驶行为数据和待预测车辆行驶数据，通过评分模型得到该待预测保险序号对应的风险评分。

在一实施例中，具体地，参照图5，步骤S104包括：子步骤S1041至子步骤S1043。

子步骤S1041、基于所述待预测保险序号获取对应的待预测驾驶行为数据和待预测车辆行驶数据。

示范例的，在获取到待预测保险序号时，通过该待预测保险序号获取该待预测保险序号对应的车辆动态信息，该车辆动态信息包括待预测驾驶行为数据和待预测车辆行驶数据。例如，将该待预测驾驶行为数据和待预测车辆行驶数据存储值区块链或数据库中，通过该待预测保险序号搜索对应的数据库，获取待预测驾驶行为数据和待预测车辆行驶数据；或，基于该待预测保险序号获取区块链中该预测保险序号对应的节点，在该节点处获取待预测驾驶行为数据和待预测车辆行驶数据。

子步骤S1042、将所述待预测驾驶行为数据和所述待预测车辆行驶数据输入所述评分模型，通过所述评分模型获取所述待预测驾驶行为数据的向量特征信息和所述待预测车辆行驶数据的向量特征信息。

示范例的，在获取到待预测驾驶行为数据和待预测车辆行驶数据时，将该待预测驾驶行为数据和待预测车辆行驶数据输入到评分模型中，通过评分模型获取所述待预测驾驶行为数据的向量特征信息和所述待预测车辆行驶数据的向量特征信息。例如，将该待预测驾驶行为数据和待预测车辆行驶数据输入到评分模型中，通过评分模型的输入层提取待预测驾驶行为数据的驾驶行为特征，提取车辆行驶数据的车辆行驶特征。基于该评分模型的隐藏层，获取驾驶行为特征的向量特征信息以及车辆行驶特征的向量特征信息。

子步骤S1043、基于所述待预测驾驶行为数据的向量特征信息和所述待预测车辆行驶数据的向量特征信息，获取所述评分模型输出的所述待预测保险序号的风险评分。

示范例的，评分模型基于驾驶行为特征的向量特征信息以及车辆行驶特征的向量特征信息，输出待预测保险序号的风险评分。例如，基于该评分模型的输出层在获取到驾驶行为特征的向量特征信息以及车辆行驶特征的向量特征信息时，基于该驾驶行为特征的向量特征信息以及车辆行驶特征的向量特征信息，输出该待预测保险序号的风险评分。

步骤S105、根据预置精算模型和所述风险评分，获取所述待预测保险序号的车险信息。

示范例的，在获取到待预测保险序号的风险评分时，基于预置精算模型和待预测保险序号的风险评分，获取该待预测保险序号对应的车险信息。例如，将该风险评分输入到预置精算模型中，该预置精算模型基于该风险评分，确定该风险评分的车险类型和车险额度，并输出该车险类型和车险额度。获取预置精算模型输出的车险类型和车险额度，将该车险类型和车险额度作为该待预测保险保险序号对应的车辆信息。

在本发明实施例中，使用安全计算保护数据隐私的基础上联合训练多个预置本地模型，用户不必将数据上传到服务器，通过加密机制下的参数交换与优化，建立一个共有联邦学习服务器的基础上联合训练多个预置本地模型，获取到丰富的数据信息(如用户的驾驶加减速、排气量、转弯数等)，提高评分模型的准确性也符合数据安全保护原则；此外，使用评分模型进行汽车专属风险评分，该评分模型可以准确输出汽车当前的风险系数，风险系数通过精算模型给用户一个更专业更合理的车险信息。

请参照图6，图6为本申请实施例提供的一种基于联邦学习的车险评分装置的示意性框图。

如图6所示，该基于联邦学习的车险评分装置400，包括：确定模块401、发送及接收模块402、生成模块403、第一获取模块404、第二获取模块405。

确定模块401，用于根据待训练的样本数据训练多个预置本地模型，确定各个所述预置本地模型更新后的第一模型参数；

发送及接收模块402，用于接收服务器发送的加密公钥，对各个所述第一模型参数进行加密并发送至所述服务器，以接收所述服务器对多个所述第一模型参数进行联邦学习后返回的聚合模型参数；

生成模块403，用于根据所述聚合模型参数更新各个所述预置本地模型，生成对应的评分模型；

第一获取模块404，用于获取待预测保险序号，并根据所述评分模型，获取所述待预测保险序号对应的风险评分；

第二获取模块405，用于根据预置精算模型和所述风险评分，获取所述待预测保险序号的车险信息。

其中，确定模块401具体还用于：

根据第一组带标签的驾驶行为数据和第一组带标签的车辆行驶数据训练第一预置本地模型，确定所述第一预置本地模型更新后的第一模型参数；

根据所述第二组带标签的驾驶行为数据和第二组带标签的车辆行驶数据训练第二预置本地模型，确定所述第二预置本地模型更新后的第一模型参数。

其中，确定模块401具体还用于：

将所述第一组带标签的驾驶行为数据和所述第一组带标签的第一车辆行驶数据输入第一预置本地模型，得到所述第一组带标签的驾驶行为数据和第一组带标签的车辆行驶数据对应的梯度值；

根据所述梯度值更新所述第一预置本地模型的初始模型参数，确定更新后的第一模型参数。

其中，发送及接收模块402具体还用于：

根据所述加密公钥，分别对所述第一预置本地模型的第一模型参数和所述第二预置本地模型的第一模型参数进行加密；

将加密后的第一预置本地模型的第一模型参数和所述第二预置本地模型的第一模型参数发送至所述服务器；

接收所述服务器对所述第一预置本地模型的第一模型参数和所述第二预置本地模型的第一模型参数进行聚合联邦平均计算后的聚合模型参数。

其中，生成模块403具体还用于：

确定所述第一预置本地模型或所述第二预置本地模型是否处于收敛状态；

若确定所述第一预置本地模型或所述第二预置本地模型处于收敛状态，则将所述第一预置本地模型或所述第二预置本地模型作为评分模型。

其中，生成模块403具体还用于：

若所述预置本地模型未处于收敛状态，则根据所述待训练样本数据继续训练所述第一预置本地模型和所述第二预置本地模型，确定更新后的第二模型参数。

其中，第一获取模块404还用于：

基于所述待预测保险序号获取对应的待预测驾驶行为数据和待预测车辆行驶数据；

将所述待预测驾驶行为数据和所述待预测车辆行驶数据输入所述评分模型，通过所述评分模型获取所述待预测驾驶行为数据的向量特征信息和所述待预测车辆行驶数据的向量特征信息；

基于所述待预测驾驶行为数据的向量特征信息和所述待预测车辆行驶数据的向量特征信息，获取所述评分模型预测的所述待预测保险序号的风险评分。

需要说明的是，所属领域的技术人员可以清楚地了解到，为了描述的方便和简洁，上述描述的装置和各模块及单元的具体工作过程，可以参考前述基于联邦学习的车险评分方法实施例中的对应过程，在此不再赘述。

上述实施例提供的装置可以实现为一种计算机程序的形式，该计算机程序可以在如图7所示的计算机设备上运行。

请参阅图7，图7为本申请实施例提供的一种计算机设备的结构示意性框图。该计算机设备可以为终端。

如图7所示，该计算机设备包括通过系统总线连接的处理器、存储器和网络接口，其中，存储器可以包括非易失性存储介质和内存储器。

非易失性存储介质可存储操作系统和计算机程序。该计算机程序包括程序指令，该程序指令被执行时，可使得处理器执行任意一种基于联邦学习的车险评分方法。

处理器用于提供计算和控制能力，支撑整个计算机设备的运行。

内存储器为非易失性存储介质中的计算机程序的运行提供环境，该计算机程序被处理器执行时，可使得处理器执行任意一种基于联邦学习的车险评分方法。

该网络接口用于进行网络通信，如发送分配的任务等。本领域技术人员可以理解，图7中示出的结构，仅仅是与本申请方案相关的部分结构的框图，并不构成对本申请方案所应用于其上的计算机设备的限定，具体的计算机设备可以包括比图中所示更多或更少的部件，或者组合某些部件，或者具有不同的部件布置。

应当理解的是，处理器可以是中央处理单元(Central Processing Unit，CPU)，该处理器还可以是其他通用处理器、数字信号处理器(Digital Signal Processor，DSP)、专用集成电路(Application Specific Integrated Circuit，ASIC)、现场可编程门阵列(Field-Programmable Gate Array，FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。其中，通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。

其中，在一个实施例中，所述处理器用于运行存储在存储器中的计算机程序，以实现如下步骤：

根据待训练的样本数据训练多个预置本地模型，确定各个所述预置本地模型更新后的第一模型参数；

接收服务器发送的加密公钥，对各个所述第一模型参数进行加密并发送至所述服务器，以接收所述服务器对多个所述第一模型参数进行联邦学习后返回的聚合模型参数；

根据所述聚合模型参数更新各个所述预置本地模型，生成对应的评分模型；

获取待预测保险序号，并根据所述评分模型，获取所述待预测保险序号对应的风险评分；

根据预置精算模型和所述风险评分，获取所述待预测保险序号的车险信息。

在一个实施例中，所述处理器根据所述待训练的样本数据包括至少两组带标签的驾驶行为数据和带标签的车辆行驶数据，所述确定各个所述预置本地模型更新后的第一模型参数实现时，用于实现：

根据第一组带标签的驾驶行为数据和第一组带标签的车辆行驶数据训练第一预置本地模型，确定所述第一预置本地模型更新后的第一模型参数；

根据所述第二组带标签的驾驶行为数据和第二组带标签的车辆行驶数据训练第二预置本地模型，确定所述第二预置本地模型更新后的第一模型参数。

在一个实施例中，所述处理器所述确定所述第一预置本地模型更新后的第一模型参数实现时，用于实现：

将所述第一组带标签的驾驶行为数据和所述第一组带标签的第一车辆行驶数据输入第一预置本地模型，得到所述第一组带标签的驾驶行为数据和第一组带标签的车辆行驶数据对应的梯度值；

根据所述梯度值更新所述第一预置本地模型的初始模型参数，确定更新后的第一模型参数。

在一个实施例中，所述处理器所述对各个所述第一模型参数进行加密并发送至所述服务器，以接收所述服务器对多个所述第一模型参数进行联邦学习后返回的聚合模型参数实现时，用于实现：

根据所述加密公钥，分别对所述第一预置本地模型的第一模型参数和所述第二预置本地模型的第一模型参数进行加密；

将加密后的第一预置本地模型的第一模型参数和所述第二预置本地模型的第一模型参数发送至所述服务器；

接收所述服务器对所述第一预置本地模型的第一模型参数和所述第二预置本地模型的第一模型参数进行聚合联邦平均计算后的聚合模型参数。

在一个实施例中，所述处理器所述根据所述聚合模型参数更新各个所述预置本地模型，生成对应的评分模型实现时，用于实现：

确定所述第一预置本地模型或所述第二预置本地模型是否处于收敛状态；

若确定所述第一预置本地模型或所述第二预置本地模型处于收敛状态，则将所述第一预置本地模型或所述第二预置本地模型作为评分模型。

在一个实施例中，所述处理器所述确定所述第一预置本地模型或所述第二预置本地模型是否处于收敛状态之后实现时，用于实现：

若所述预置本地模型未处于收敛状态，则根据所述待训练样本数据继续训练所述第一预置本地模型和所述第二预置本地模型，确定更新后的第二模型参数。

在一个实施例中，所述处理器所述根据所述评分模型，获取所述待预测保险序号对应的风险评分实现时，用于实现：

基于所述待预测保险序号获取对应的待预测驾驶行为数据和待预测车辆行驶数据；

将所述待预测驾驶行为数据和所述待预测车辆行驶数据输入所述评分模型，通过所述评分模型获取所述待预测驾驶行为数据的向量特征信息和所述待预测车辆行驶数据的向量特征信息；

基于所述待预测驾驶行为数据的向量特征信息和所述待预测车辆行驶数据的向量特征信息，获取所述评分模型预测的所述待预测保险序号的风险评分。

本申请实施例还提供一种计算机可读存储介质，所述计算机可读存储介质上存储有计算机程序，所述计算机程序中包括程序指令，所述程序指令被执行时所实现的方法可参照本申请基于联邦学习的车险评分方法的各个实施例。

其中，所述计算机可读存储介质可以是前述实施例所述的计算机设备的内部存储单元，例如所述计算机设备的硬盘或内存。所述计算机可读存储介质也可以是所述计算机设备的外部存储设备，例如所述计算机设备上配备的插接式硬盘，智能存储卡(SmartMedia Card，SMC)，安全数字(Secure Digital，SD)卡，闪存卡(Flash Card)等。

进一步地，所述计算机可读存储介质可主要包括存储程序区和存储数据区，其中，存储程序区可存储操作系统、至少一个功能所需的应用程序等；存储数据区可存储根据区块链节点的使用所创建的数据等。

本发明所指区块链是评分模型和精算模型的存储、点对点传输、共识机制、加密算法等计算机技术的新型应用模式。区块链(Blockchain)，本质上是一个去中心化的数据库，是一串使用密码学方法相关联产生的数据块，每一个数据块中包含了一批次网络交易的信息，用于验证其信息的有效性(防伪)和生成下一个区块。区块链可以包括区块链底层平台、平台产品服务层以及应用服务层等。

需要说明的是，在本文中，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者系统不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者系统所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括该要素的过程、方法、物品或者系统中还存在另外的相同要素。

上述本申请实施例序号仅仅为了描述，不代表实施例的优劣。以上所述，仅为本申请的具体实施方式，但本申请的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本申请揭露的技术范围内，可轻易想到各种等效的修改或替换，这些修改或替换都应涵盖在本申请的保护范围之内。因此，本申请的保护范围应以权利要求的保护范围为准。

Claims (10)

1.一种基于联邦学习的车险评分方法，其特征在于，包括：

根据待训练的样本数据训练多个预置本地模型，确定各个所述预置本地模型更新后的第一模型参数；

接收服务器发送的加密公钥，对各个所述第一模型参数进行加密并发送至所述服务器，以接收所述服务器对多个所述第一模型参数进行联邦学习后返回的聚合模型参数；

根据所述聚合模型参数更新各个所述预置本地模型，生成对应的评分模型；

获取待预测保险序号，并根据所述评分模型，获取所述待预测保险序号对应的风险评分；

根据预置精算模型和所述风险评分，获取所述待预测保险序号的车险信息。

2.如权利要求1所述的基于联邦学习的车险评分方法，其特征在于，所述待训练的样本数据包括至少两组带标签的驾驶行为数据和带标签的车辆行驶数据，所述确定各个所述预置本地模型更新后的第一模型参数，包括：

根据第一组带标签的驾驶行为数据和第一组带标签的车辆行驶数据训练第一预置本地模型，确定所述第一预置本地模型更新后的第一模型参数；

根据所述第二组带标签的驾驶行为数据和第二组带标签的车辆行驶数据训练第二预置本地模型，确定所述第二预置本地模型更新后的第一模型参数。

3.如权利要求2所述的基于联邦学习的车险评分方法，其特征在于，所述确定所述第一预置本地模型更新后的第一模型参数，包括：

将所述第一组带标签的驾驶行为数据和所述第一组带标签的第一车辆行驶数据输入第一预置本地模型，得到所述第一组带标签的驾驶行为数据和第一组带标签的车辆行驶数据对应的梯度值；

根据所述梯度值更新所述第一预置本地模型的初始模型参数，确定更新后的第一模型参数。

4.如权利要求2所述的基于联邦学习的车险评分方法，其特征在于，所述对各个所述第一模型参数进行加密并发送至所述服务器，以接收所述服务器对多个所述第一模型参数进行联邦学习后返回的聚合模型参数，包括：

根据所述加密公钥，分别对所述第一预置本地模型的第一模型参数和所述第二预置本地模型的第一模型参数进行加密；

将加密后的第一预置本地模型的第一模型参数和所述第二预置本地模型的第一模型参数发送至所述服务器；

接收所述服务器对所述第一预置本地模型的第一模型参数和所述第二预置本地模型的第一模型参数进行聚合联邦平均计算后的聚合模型参数。

5.如权利要求2所述的基于联邦学习的车险评分方法，其特征在于，所述根据所述聚合模型参数更新各个所述预置本地模型，生成对应的评分模型，包括：

确定所述第一预置本地模型或所述第二预置本地模型是否处于收敛状态；

若确定所述第一预置本地模型或所述第二预置本地模型处于收敛状态，则将所述第一预置本地模型或所述第二预置本地模型作为评分模型。

6.如权利要求5所述的基于联邦学习的车险评分方法，其特征在于，所述确定所述第一预置本地模型或所述第二预置本地模型是否处于收敛状态之后，还包括：

若所述预置本地模型未处于收敛状态，则根据所述待训练样本数据继续训练所述第一预置本地模型和所述第二预置本地模型，确定更新后的第二模型参数。

7.如权利要求1所述的基于联邦学习的车险评分方法，其特征在于，所述根据所述评分模型，获取所述待预测保险序号对应的风险评分，包括：

基于所述待预测保险序号获取对应的待预测驾驶行为数据和待预测车辆行驶数据；

将所述待预测驾驶行为数据和所述待预测车辆行驶数据输入所述评分模型，通过所述评分模型获取所述待预测驾驶行为数据的向量特征信息和所述待预测车辆行驶数据的向量特征信息；

基于所述待预测驾驶行为数据的向量特征信息和所述待预测车辆行驶数据的向量特征信息，获取所述评分模型预测的所述待预测保险序号的风险评分。

8.一种基于联邦学习的车险评分装置，其特征在于，包括：

确定模块，用于根据待训练的样本数据训练多个预置本地模型，确定各个所述预置本地模型更新后的第一模型参数；

发送及接收模块，用于接收服务器发送的加密公钥，并将各个所述第一模型参数进行加密并发送至所述服务器，以接收所述服务器对多个所述第一模型参数进行联邦学习后返回对应的聚合模型参数；

生成模块，用于根据所述聚合模型参数更新各个所述预置本地模型，生成对应的评分模型；

第一获取模块，用于获取待预测保险序号，并根据所述评分模型，获取所述待预测保险序号对应的风险评分；

第二获取模块，用于根据预置精算模型和所述风险评分，获取所述待预测保险序号的车险信息。

9.一种计算机设备，其特征在于，所述计算机设备包括处理器、存储器、以及存储在所述存储器上并可被所述处理器执行的计算机程序，其中所述计算机程序被所述处理器执行时，实现如权利要求1至7中任一项所述的基于联邦学习的车险评分方法的步骤。

10.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质上存储有计算机程序，其中所述计算机程序被处理器执行时，实现如权利要求1至7中任一项所述的基于联邦学习的车险评分方法的步骤。

Images