CN113256436A - 车险赔付预提示方法、装置、设备及存储介质 - Google Patents

车险赔付预提示方法、装置、设备及存储介质 Download PDF

Info

Publication number
CN113256436A
CN113256436A CN202110747203.7A CN202110747203A CN113256436A CN 113256436 A CN113256436 A CN 113256436A CN 202110747203 A CN202110747203 A CN 202110747203A CN 113256436 A CN113256436 A CN 113256436A
Authority
CN
China
Prior art keywords
vehicle insurance
layer
insurance information
vehicle
principal component
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
Application number
CN202110747203.7A
Other languages
English (en)
Inventor
朱磊
徐赛奕
张霖
俞丽娟
朱艳乔
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Ping An Technology Shenzhen Co Ltd
Original Assignee
Ping An Technology Shenzhen Co Ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Ping An Technology Shenzhen Co Ltd filed Critical Ping An Technology Shenzhen Co Ltd
Priority to CN202110747203.7A priority Critical patent/CN113256436A/zh
Publication of CN113256436A publication Critical patent/CN113256436A/zh
Pending legal-status Critical Current

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
    • G06Q40/00—Finance; Insurance; Tax strategies; Processing of corporate or income taxes
    • G06Q40/08—Insurance
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
    • G06F17/10—Complex mathematical operations
    • G06F17/11—Complex mathematical operations for solving equations, e.g. nonlinear equations, general mathematical optimization problems
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/213—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods
    • G06F18/2135—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods based on approximation criteria, e.g. principal component analysis
    • 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

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • Mathematical Physics (AREA)
  • Business, Economics & Management (AREA)
  • General Engineering & Computer Science (AREA)
  • Artificial Intelligence (AREA)
  • Evolutionary Computation (AREA)
  • Mathematical Analysis (AREA)
  • Mathematical Optimization (AREA)
  • Pure & Applied Mathematics (AREA)
  • Computational Mathematics (AREA)
  • Finance (AREA)
  • Accounting & Taxation (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Software Systems (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Molecular Biology (AREA)
  • Strategic Management (AREA)
  • General Health & Medical Sciences (AREA)
  • Computational Linguistics (AREA)
  • Biophysics (AREA)
  • Biomedical Technology (AREA)
  • Development Economics (AREA)
  • Economics (AREA)
  • Marketing (AREA)
  • Computing Systems (AREA)
  • Technology Law (AREA)
  • General Business, Economics & Management (AREA)
  • Health & Medical Sciences (AREA)
  • Evolutionary Biology (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Operations Research (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Algebra (AREA)
  • Databases & Information Systems (AREA)
  • Financial Or Insurance-Related Operations Such As Payment And Settlement (AREA)

Abstract

本发明涉及人工智能领域，公开了一种车险赔付预提示方法、装置、设备及存储介质。该方法包括：获目标车辆的车险信息；将车险信息输入预置车险赔付预警模型的编码层中，并通过编码层对车险信息进行降维处理，得到车险信息中的主成分特征；将主成分特征输入车险赔付预警模型的隐藏层中，并通过隐藏层对主成分特征进行抽象化处理，得到主成分特征对应的转换特征；将转换特征输入车险赔付预警模型中的解码层，并通过解码层对转换特征进行升维处理，得到车险信息对应的重建数据集；计算车险信息和重建数据集之间的重建误差，并根据重建误差，确定目标车辆的车险赔付预警等级。本发明无需对车险信息进行标记，提升模型的训练效率，实现车险赔付的预警。

Description

车险赔付预提示方法、装置、设备及存储介质
技术领域
本发明涉及人工智能领域，尤其涉及一种车险赔付预提示方法、装置、设备及存储介质。
背景技术
车险骗保指的是通过制造虚假车辆事故案件来获得理赔，当前的骗保手法层出不穷，不同的新型种骗保方式经常出现在了保险公司的面前，主要包括三种类型：车主个人骗保、汽修厂骗保、专业犯罪团伙骗保，即骗保的行为具体涉及车主、汽修厂、团伙三个角色。
传统的风险识别方案使用的模型基于历史欺诈数据以及保险公司根据经验形成的判断欺诈的特定规则。可用于检测欺诈的数据往往局限于保险公司收集的赔案数据和少量的外部数据，同时传统的监督学习方法存在人工标注成本高，数据不规范的特点，增加了数据建模的难度，且无法针对新的骗保行为或骗保场景对模型进行拓展，即现有已训练完成的车险赔付预提示方法模型难以针对扩展场景下的车险赔付进行分析。
发明内容
本发明的主要目的在于解决现有已训练完成的车险赔付预提示方法模型难以针对扩展场景下的车险赔付进行分析的技术问题。
本发明第一方面提供了一种车险赔付预提示方法，包括：获目标车辆的车险信息；将所述车险信息输入预置车险赔付预警模型的编码层中，并通过所述编码层，采用预置非线性泛化方法对所述车险信息进行降维处理，得到所述车险信息中的主成分特征；将所述主成分特征输入所述车险赔付预警模型的隐藏层中，并通过所述隐藏层对所述主成分特征进行抽象化处理，得到所述主成分特征对应的转换特征；将所述转换特征输入所述车险赔付预警模型中的解码层，并通过所述解码层，采用所述非线性泛化方法对所述转换特征进行升维处理，得到所述车险信息对应的重建数据集；计算所述车险信息和所述重建数据集之间的重建误差，并根据所述重建误差，确定所述目标车辆的车险赔付预警等级，以对所述目标车辆的车险赔付进行风险提示。
可选的，在本发明第一方面的第一种实现方式中，所述通过所述编码层，采用预置非线性泛化方法对所述车险信息进行降维处理，得到所述车险信息中的主成分特征包括：将所述车险信息作为首层编码层的输入数据集，并根据首层编码层对应的第一权重矩阵，采用首层编码层的卷积层对输入数据集进行卷积处理，提取所述车险信息中的赔付特征；采用首层编码层的池化层对所述赔付特征进行降维处理，得到所述车险信息中的降维特征；将所述降维特征作为下一层编码层的输入数据集，并采用下一层编码层对所述输入数据集进行卷积处理和池化处理，得到所述车险信息中的新降维特征，直到新降维特征满足预设维度条件时，将满足维度条件的新降维特征作为所述车险信息中的主成分特征。
可选的，在本发明第一方面的第二种实现方式中，所述通过所述解码层，采用所述非线性泛化方法对所述转换特征进行升维处理，得到所述车险信息对应的重建数据集包括：根据首层解码层的特征维度，选取对应编码层的第一权重矩阵，计算选取的第一权重矩阵对应的转置矩阵并作为第二权重矩阵；将所述转换特征作为首层解码层的输入特征，并根据首层解码层的第二权重矩阵，采用首层解码层的卷积层对输入特征进行反卷积处理；采用首层解码层的池化层对反卷积处理后的输入特征进行反池化处理，得到所述转换特征对应的升维特征；将所述升维特征作为下一层解码层的输入特征，并采用下一层解码层对输入特征进行反卷积处理和反池化处理，得到新升维特征，直到新升维特征的维度与所述车险信息的维度相同时，将新升维特征作为所述车险信息对应的重建数据集。
可选的，在本发明第一方面的第三种实现方式中，在所述根据首层解码层的特征维度，选取对应编码层的第一权重矩阵，计算选取的第一权重矩阵对应的转置矩阵并作为第二权重矩阵之后，还包括：计算首层解码层对应微调矩阵和第二权重矩阵的和，得到新的第二权重矩阵。
可选的，在本发明第一方面的第四种实现方式中，所述通过所述隐藏层对所述主成分特征进行抽象化处理，得到所述主成分特征对应的转换特征包括：根据所述主成分特征的特征类型，分别采用对应的隐藏层对所述主成分特征进行抽象化处理，提取不同特征类型对应的转换特征；对不同特征类型对应的转换特征进行拼接，得到所述主成分特征对应的转换特征。
可选的，在本发明第一方面的第五种实现方式中，所述根据所述重建误差，确定所述目标车辆的车险赔付预警等级，以对所述目标车辆的车险赔付进行风险提示包括：对比所述重建误差和预设分级误差区间，确定所述重建误差所属的分级误差区间；根据所述分级误差区间，确定所述车险赔付的预警等级，以对所述目标车辆的车险赔付进行风险提示，其中，所述预警等级包括安全等级、低风险等级和高风险等级。
本发明第二方面提供了一种车险赔付预提示装置，包括：获取模块，用于获目标车辆的车险信息；编码模块，用于将所述车险信息输入预置车险赔付预警模型的编码层中，并通过所述编码层，采用预置非线性泛化方法对所述车险信息进行降维处理，得到所述车险信息中的主成分特征；转换模块，用于将所述主成分特征输入所述车险赔付预警模型的隐藏层中，并通过所述隐藏层对所述主成分特征进行抽象化处理，得到所述主成分特征对应的转换特征；解码模块，用于将所述转换特征输入所述车险赔付预警模型中的解码层，并通过所述解码层，采用所述非线性泛化方法对所述转换特征进行升维处理，得到所述车险信息对应的重建数据集；计算模块，用于计算所述车险信息和所述重建数据集之间的重建误差，并根据所述重建误差，确定所述目标车辆的车险赔付预警等级，以对所述目标车辆的车险赔付进行风险提示。
可选的，在本发明第二方面的第一种实现方式中，所述编码模块包括：卷积单元，用于将所述车险信息作为首层编码层的输入数据集，并根据首层编码层对应的第一权重矩阵，采用首层编码层的卷积层对输入数据集进行卷积处理，提取所述车险信息中的赔付特征；池化单元，用于采用首层编码层的池化层对所述赔付特征进行降维处理，得到所述车险信息中的降维特征；第一循环单元，用于将所述降维特征作为下一层编码层的输入数据集，并采用下一层编码层对所述输入数据集进行卷积处理和池化处理，得到所述车险信息中的新降维特征，直到新降维特征满足预设维度条件时，将满足维度条件的新降维特征作为所述车险信息中的主成分特征。
可选的，在本发明第二方面的第二种实现方式中，所述解码模块包括：转置单元，用于根据首层解码层的特征维度，选取对应编码层的第一权重矩阵，计算选取的第一权重矩阵对应的转置矩阵并作为第二权重矩阵；反卷积单元，用于将所述转换特征作为首层解码层的输入特征，并根据首层解码层的第二权重矩阵，采用首层解码层的卷积层对输入特征进行反卷积处理；反池化单元，用于采用首层解码层的池化层对反卷积处理后的输入特征进行反池化处理，得到所述转换特征对应的升维特征；第二循环单元，用于将所述升维特征作为下一层解码层的输入特征，并采用下一层解码层对输入特征进行反卷积处理和反池化处理，得到新升维特征，直到新升维特征的维度与所述车险信息的维度相同时，将新升维特征作为所述车险信息对应的重建数据集。
可选的，在本发明第二方面的第三种实现方式中，所述解码模块还包括：计算单元，用于计算首层解码层对应微调矩阵和第二权重矩阵的和，得到新的第二权重矩阵。
可选的，在本发明第二方面的第四种实现方式中，所述转换模块包括：抽象化单元，用于根据所述主成分特征的特征类型，分别采用对应的隐藏层对所述主成分特征进行抽象化处理，提取不同特征类型对应的转换特征；拼接单元，用于对不同特征类型对应的转换特征进行拼接，得到所述主成分特征对应的转换特征。
可选的，在本发明第二方面的第五种实现方式中，所述计算模块包括：对比单元，用于对比所述重建误差和预设分级误差区间，确定所述重建误差所属的分级误差区间；确定单元，用于根据所述分级误差区间，确定所述车险赔付的预警等级，以对所述目标车辆的车险赔付进行风险提示，其中，所述预警等级包括安全等级、低风险等级和高风险等级。
本发明第三方面提供了一种车险赔付预提示设备，包括：存储器和至少一个处理器，所述存储器中存储有指令；所述至少一个处理器调用所述存储器中的所述指令，以使得所述车险赔付预提示设备执行上述的车险赔付预提示方法。
本发明的第四方面提供了一种计算机可读存储介质，所述计算机可读存储介质中存储有指令，当其在计算机上运行时，使得计算机执行上述的车险赔付预提示方法。
本发明提供的技术方案中，通过获取车险信息；将车险信息输入预置车险赔付预警模型中的编码层，并通过编码层对车险信息进行降维处理，得到车险信息中的主成分特征；将主成分特征输入车险赔付预警模型中的隐藏层，并通过隐藏层对主成分特征进行抽象化处理，得到主成分特征对应的转换特征；将转换特征输入车险赔付预警模型中的解码层，并通过解码层对转换特征进行升维处理，得到车险信息对应的重建数据集；计算车险信息和重建数据集之间的重建误差，并根据重建误差，确定车险赔付的预警等级。本发明无需对车险信息进行标记，提升模型的训练效率，使得模型能够适用于各种不同的场景，以实现车险赔付时对车险信息的分析并提示，大大提高了模型的兼容性。
附图说明
图1为本发明实施例中车险赔付预提示方法的第一个实施例示意图；
图2为本发明实施例中车险赔付预提示方法的第二个实施例示意图；
图3为本发明实施例中车险赔付预提示方法的第三个实施例示意图；
图4为本发明实施例中车险赔付预提示装置的一个实施例示意图；
图5为本发明实施例中车险赔付预提示装置的另一个实施例示意图；
图6为本发明实施例中车险赔付预提示设备的一个实施例示意图。
具体实施方式
本发明实施例提供了一种车险赔付预提示方法、装置、设备及存储介质，该方法包括：获目标车辆的车险信息；将车险信息输入预置车险赔付预警模型的编码层中，并通过编码层对车险信息进行降维处理，得到车险信息中的主成分特征；将主成分特征输入车险赔付预警模型的隐藏层中，并通过隐藏层对主成分特征进行抽象化处理，得到主成分特征对应的转换特征；将转换特征输入车险赔付预警模型中的解码层，并通过解码层对转换特征进行升维处理，得到车险信息对应的重建数据集；计算车险信息和重建数据集之间的重建误差，并根据重建误差，确定目标车辆的车险赔付预警等级。本发明无需对车险信息进行标记，提升模型的训练效率，实现车险赔付的预警。
本发明的说明书和权利要求书及上述附图中的术语“第一”、“第二”、“第三”、“第四”等（如果存在）是用于区别类似的对象，而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换，以便这里描述的实施例能够以除了在这里图示或描述的内容以外的顺序实施。此外，术语“包括”或“具有”及其任何变形，意图在于覆盖不排他的包含，例如，包含了一系列步骤或单元的过程、方法、系统、产品或设备不必限于清楚地列出的那些步骤或单元，而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。
为便于理解，下面对本发明实施例的具体流程进行描述，请参阅图1，本发明实施例中车险赔付预提示方法的第一个实施例包括：
101、获目标车辆的车险信息；
可以理解的是，本发明的执行主体可以为车险赔付预提示装置，还可以是终端或者服务器，具体此处不做限定。本发明实施例以服务器为执行主体为例进行说明。
本实施例中，目标车辆指的是即将进行车险赔付预提示的车辆，其车险信息具体可以包括历史索赔记录、历史出险现场记录、历史维修记录、保单记录、被投保人信息。
其中，对于上述的车险理赔信息，可以进行进一步的信息加工，比如 LBS（Location Based Services，基于位置的服务）因子加工、WIFI因子扩充、时序因子加工等。接着进一步对加工后的车险信息进行特征清洗，将饱和度低于饱和度阈值的车险信息筛除。以及将与模型Y标签相关性高于相关性阈值的车险信息筛除。
进一步的，LBS因子加工指的是基于客户经纬度和POI（Point of Interest，感兴趣点）加工客户最近一段时间的生活轨迹；WIFI因子扩充指的是根据用户的WIFI链接信息，以及历史黑名单记录加工当前客户与骗保黑名单之间的相关性；时序因子加工可以包括出险地与维修厂之间的欧式距离，出险驾驶人与被保人是否同一人等。
102、将车险信息输入预置车险赔付预警模型的编码层中，并通过编码层，采用预置非线性泛化方法对车险信息进行降维处理，得到车险信息中的主成分特征；
本实施例中，车险赔付预警模型中的编码层通过对车险信息进行降维处理，实质上是对车险信息的信息压缩过程，筛选与车险赔付相关的特征，使得车险赔付预提示的表征信息更直观。
其中，编码层的数量可以为一层也可以为多层，此处不做具体限定，即编码层对车险信息的降维处理可以为单次降维处理，也可以是多次连续降维处理，根据具体需求进行设置即可。
进一步的，可以设置编码层输入的原始维度，单层编码层输出的降维维度，或者多层编码层中各层编码层的输出降维维度，其中，在多层编码层中，本层编码层的输出降维维度为下一层编码层的输入维度，比如车险信息原始维度设置为1000，第一层降维处理为500，第二层降维处理为250，第三层降维处理为10，即可得到维度为10的主成分特征。
具体的，车险赔付预警模型可以采用AutoEncoder神经网络模型，编码层输入的是原始维度的数据矩阵，当AutoEncoder神经网络模型中仅包含一层编码层时，通过计算数据矩阵的协方差矩阵，得到特征向量；然后选择特征值最大的预置数量特征对应的特征向量组成特征向量矩阵，得到车险信息降维处理后的主成分特征，其中，可以通过特征值分解协方差矩阵和奇异值分解协方差矩阵的算法计算特征向量。
另外，当AutoEncoder神经网络模型中包含多层编码层时，每层编码层的输入可以通过RBM（Restricted Boltzmann Machine，受限玻尔兹曼机）进行降维处理，最后通过BP（Back Propagation，反向传播）进行每层编码层的权值调整。
其中，，每一层编码层采用RBM对输入进行降维处理时，根据预先设置好的权重矩阵{W1，W2，……Wi}对输入进行处理，还可以在权重矩阵的基础上进一步设置微调矩阵得到{W1+ɛ1，W2+ɛ2，……Wi+ɛi}，根据具体的需求进行设置即可。
103、将主成分特征输入车险赔付预警模型的隐藏层中，并通过隐藏层对主成分特征进行抽象化处理，得到主成分特征对应的转换特征；
本实施例中，主成分特征是车险信息降维处理后的最终特征表现，即筛除冗余特征后车险赔付预警模型筛选得到的与车险赔付预提示相关性最高的多个特征，通过隐藏层对主成分特征进行抽象化处理，得到线性划分后的转换特征。
比如，若主成分特征包括历史索赔记录中的历史索赔次数、索赔频率，历史出险现场记录中是否有人受伤、出险天气，历史维修记录中的维修天数、维修单位，保单记录中的投保前询价次数、投保渠道，被投保人信息中的职业类型、历史投保单数量。则通过设置相关阈值，将主成分特征抽象化为对应的历史索赔次数高/低、索赔频率高/低，历史出险现场记录中有人受伤/无人受伤、出险天气好/坏，历史维修记录中的维修天数多/少、维修单位近/远，保单记录投保前询价次数多/少、投保渠道直销/分销，被投保人信息中的职业类型中高端/普通、历史投保单数量多/少，通过二进制“1/0”表示，即可得到主成分特征对应的转换特征。
104、将转换特征输入车险赔付预警模型中的解码层，并通过解码层，采用非线性泛化方法对转换特征进行升维处理，得到车险信息对应的重建数据集；
本实施例中，车险赔付预警模型的解码层与编码层的降维和升维处理采用的函数互为反函数，而且解码层的升维维度与编码层的降维维度一致对称，即若编码层的降维维度为：1000-500-250-10，则解码层的升维维度为：10-250-500-1000。
另外，解码层对转换特征进行升维处理与编码层对车险信息进行降维处理共享权重矩阵，即若编码层采用权重矩阵{W1，W2，……，Wi}依次对车险信息进行降维处理，则解码层亦采用权重矩阵{W1，W2，……，Wi}依次对转换特征进行升维处理，具体采用共享权重矩阵的转置矩阵且呈对称分布，即各解码层从低维度到高纬度依次采用权重矩阵{Wi T，Wi-1 T，……，W1 T}。
进一步的，若编码层在采用权重矩阵的基础上还加入微调矩阵即{W1+ɛ1，W2+ɛ2，……，Wi+ɛi}，则解码层在权重矩阵的基础上还加入不同的微调矩阵得到{W1+ɛi+1，W2+ɛi+2，……，Wi+ɛ2i}。
本实施例中，车险赔付预警模型中，降维处理的编码层和升维处理的解码层针对正常的车险赔付行为进行参数设置，即极端情况下，如果完全正常的车险赔付行为，其车险信息经过降维处理、抽象化处理、升维处理后重建得到的重建数据集，与原车险信息的误差应该为0，反之为100%。
105、计算车险信息和重建数据集之间的重建误差，并根据重建误差，确定目标车辆的车险赔付预警等级，以对目标车辆的车险赔付进行风险提示。
本实施例中，车险信息经过降维处理、抽象化处理、升维处理后得到的重建数据集，其数据维度与车险信息的维度相同，此处重建车险信息对应的重建数据集用于确定目标车辆的车险信息与车险赔付正常情况下车险信息的差别。
其中，重建误差通过公式：
Figure 226781DEST_PATH_IMAGE001
进行计算，当Re（i）越小，则车险赔付的预警等级越低。另外，在车险赔付预警模型的训练阶段，在每次模型迭代过程中，采用的损失函数如下所示：
E=∑N i=1‖x(i)-gθ（fθ（x(i)））‖；
其中，
Figure 955746DEST_PATH_IMAGE002
为车险信息，为重建数据集，可以理解为，在每次模型迭代过程中，模型重建后的重建数据集合原车险信息越接近越好。
本发明实施例中，通过获取车险信息；将车险信息输入预置车险赔付预警模型中的编码层，并通过编码层对车险信息进行降维处理，得到车险信息中的主成分特征；将主成分特征输入车险赔付预警模型中的隐藏层，并通过隐藏层对主成分特征进行抽象化处理，得到主成分特征对应的转换特征；将转换特征输入车险赔付预警模型中的解码层，并通过解码层对转换特征进行升维处理，得到车险信息对应的重建数据集；计算车险信息和重建数据集之间的重建误差，并根据重建误差，确定车险赔付的预警等级。本发明无需对车险信息进行标记，提升模型的训练效率，实现车险赔付的预警，而且训练模型的可扩展性较强。
请参阅图2，本发明实施例中车险赔付预提示方法的第二个实施例包括：
201、获目标车辆的车险信息，并将车险信息输入预置车险赔付预警模型的编码层中；
202、将车险信息作为首层编码层的输入数据集，并根据首层编码层对应的第一权重矩阵，采用首层编码层的卷积层对输入数据集进行卷积处理，提取车险信息中的赔付特征；
203、采用首层编码层的池化层对赔付特征进行降维处理，得到车险信息中的降维特征；
204、将降维特征作为下一层编码层的输入数据集，并采用下一层编码层对输入数据集进行卷积处理和池化处理，得到车险信息中的新降维特征，直到新降维特征满足预设维度条件时，将满足维度条件的新降维特征作为车险信息中的主成分特征；
本实施例中，在每一层编码层中，均采用一个卷积层和一个池化层对输入数据集进行降维处理，根据车险赔付预警模型中，每一层编码层预先设置的的卷积核大小、卷积步长，以及结合每一层编码层的第一权重矩阵，依次采用各编码层的卷积层对输入数据集进行卷积处理，然后采用池化层将赔付特征的维度降低即可。其中，预先设置维度条件，比如维度数量，即可停止降维处理，得到车险信息中的主成分特征。
其中，卷积过程是采用预先设置好的卷积核在输入数据集上做滑动运算，假设卷积核大小为1*1，首层编码层的输入数据集包含20*20维度的特征因子，步长为1，则卷积后生成400个特征因子，然后采用2*2的矩阵对卷积后的降维特征做池化，即可得到19*19的降维特征，以此类推，直到得到主成分特征。
其中，在卷积处理后采用的激活函数为：P(vj=1|h)=sigmoid（aj+WT j,;h），其中，h和vj为预先设置好的车险赔付预警模型的状态向量，P（）每一层编码层输出的车险信息中各车险因子的异常概率分布，aj为微调矩阵，WT j,;h为第一权重矩阵。
另外，每一层编码层权重WT j,;h和微调矩阵的调整梯度可应采用以下公式进行计算：
Figure 238960DEST_PATH_IMAGE003
；
Figure 654898DEST_PATH_IMAGE004
。
205、将主成分特征输入车险赔付预警模型的隐藏层中，并通过隐藏层对主成分特征进行抽象化处理，得到主成分特征对应的转换特征；
206、将转换特征输入车险赔付预警模型中的解码层，并根据首层解码层的特征维度，选取对应编码层的第一权重矩阵，计算选取的第一权重矩阵对应的转置矩阵并作为第二权重矩阵；
207、计算首层解码层对应微调矩阵和第二权重矩阵的和，得到新的第二权重矩阵；
本实施例中，解码层和编码层对应维度采用共享的权重矩阵第一权重矩阵，比如编码层将1000降维至500时，采用权重矩阵Wk，则解码层将500升维至1000，亦采用权重矩阵Wk的转置矩阵，即Wk T。在此之后，还可以加入微调矩阵：计算首层解码层对应微调矩阵和第二权重矩阵的和，得到新的第二权重矩阵。即若首层解码层对应的微调矩阵为ɛk，则对应的第二权重矩阵为Wk T+ɛk。
208、将转换特征作为首层解码层的输入特征，并根据首层解码层的第二权重矩阵，采用首层解码层的卷积层对输入特征进行反卷积处理；
209、采用首层解码层的池化层对反卷积处理后的输入特征进行反池化处理，得到转换特征对应的升维特征；
210、将升维特征作为下一层解码层的输入特征，并采用下一层解码层对输入特征进行反卷积处理和反池化处理，得到新升维特征，直到新升维特征的维度与车险信息的维度相同时，将新升维特征作为车险信息对应的重建数据集；
本实施例中，此处反卷积处理实际上亦为卷积处理过程，只是相对于编码层做反向卷积处理，即19*19的输入特征经解码层中卷积核大小为1*1、2*2的矩阵做反卷积处理和反池化大小后，可得到20*20的升维特征。以此类推，直到得到与车险信息维度相同时停止，即本实施例中解码层和编码层的数量相同，升维和降维处理的维度相对于转换特征或主成分特征呈对称。
其中，本实施例中采用的反池化方法优选为最大池化，在池化过程中，将反卷积处理后的输入特征按2*2矩阵进行滑动，取最大值，将输入特征的最大值还原，并在其它地方填0。
211、计算车险信息和重建数据集之间的重建误差，并根据重建误差，确定目标车辆的车险赔付预警等级，以对目标车辆的车险赔付进行风险提示。
本发明实施例中，详细介绍了车险信息的降维处理，以及转换特征的升维处理，每个编码层和解码层均包含一个卷积层和池化层，通过编码层的第一权重矩阵进行降维和解码层的第二权重矩阵进行升维，得到与车险信息相同维度的重建数据集，通过两者的差异衡量车险信息对应的目标车辆是否理赔异常，以无监督学习的方法提升模型的训练效率。
请参阅图3，本发明实施例中车险赔付预提示方法的第三个实施例包括：
301、获目标车辆的车险信息；
302、将车险信息输入预置车险赔付预警模型的编码层中，并通过编码层，采用预置非线性泛化方法对车险信息进行降维处理，得到车险信息中的主成分特征；
303、将主成分特征输入车险赔付预警模型的隐藏层中，并根据主成分特征的特征类型，分别采用对应的隐藏层对主成分特征进行抽象化处理，提取不同特征类型对应的转换特征；
304、对不同特征类型对应的转换特征进行拼接，得到主成分特征对应的转换特征；
本实施例中，对于只有两种表征方式的主成分特征，比如是否有人受伤，可以采用0/1进行表示，而对于包含多种情况的主成分特征，比如历史索赔次数、索赔频率、出险天气、投保渠道，则采用一个自然数进行表示，其中，对于出险天气和投保渠道类型的主成分特征，可以预先对各种出险天气和各种投保渠道进行自然数编码处理。
305、将转换特征输入车险赔付预警模型中的解码层，并通过解码层，采用非线性泛化方法对转换特征进行升维处理，得到车险信息对应的重建数据集；
306、计算车险信息和重建数据集之间的重建误差，并对比重建误差和预设分级误差区间，确定重建误差所属的分级误差区间；
307、根据分级误差区间，确定车险赔付的预警等级，以对目标车辆的车险赔付进行风险提示，其中，预警等级包括安全等级、低风险等级和高风险等级。
本实施例中，根据设置好的重建误差区间（Re1，Re2）、（Re3，Re4）、……、（Rej-1，Rej），区分目标车辆的车险赔付预警等级，其中，重建误差区间至少可以包括（Re1，Re2）、（Re2，Re3）、（Re3，Re4），对应的预警等级至少可以包括安全等级、低风险等级和高风险等级。
本发明实施例中，详细介绍了车险信息中主成分特征的抽象化处理过程，即将不同特征类型的主成分特征分别转换成对应的转换特征，再进行拼接得到主成分特征的转换特征，对特征格式进行转换，提升模型的收敛性；同时预先设置预警等级的分级误差区间，在模型输出重建误差后，可以直接根据重建误差所属的分级误差区间确定预警等级，提升模型识别效率。
上面对本发明实施例中车险赔付预提示方法进行了描述，下面对本发明实施例中车险赔付预提示装置进行描述，请参阅图4，本发明实施例中车险赔付预提示装置一个实施例包括：
获取模块401，用于获目标车辆的车险信息；
编码模块402，用于将所述车险信息输入预置车险赔付预警模型的编码层中，并通过所述编码层，采用预置非线性泛化方法对所述车险信息进行降维处理，得到所述车险信息中的主成分特征；
转换模块403，用于将所述主成分特征输入所述车险赔付预警模型的隐藏层中，并通过所述隐藏层对所述主成分特征进行抽象化处理，得到所述主成分特征对应的转换特征；
解码模块404，用于将所述转换特征输入所述车险赔付预警模型中的解码层，并通过所述解码层，采用所述非线性泛化方法对所述转换特征进行升维处理，得到所述车险信息对应的重建数据集；
计算模块405，用于计算所述车险信息和所述重建数据集之间的重建误差，并根据所述重建误差，确定所述目标车辆的车险赔付预警等级，以对所述目标车辆的车险赔付进行风险提示。
本发明实施例中，通过获取车险信息；将车险信息输入预置车险赔付预警模型中的编码层，并通过编码层对车险信息进行降维处理，得到车险信息中的主成分特征；将主成分特征输入车险赔付预警模型中的隐藏层，并通过隐藏层对主成分特征进行抽象化处理，得到主成分特征对应的转换特征；将转换特征输入车险赔付预警模型中的解码层，并通过解码层对转换特征进行升维处理，得到车险信息对应的重建数据集；计算车险信息和重建数据集之间的重建误差，并根据重建误差，确定车险赔付的预警等级。本发明无需对车险信息进行标记，提升模型的训练效率，实现车险赔付的预警，而且训练模型的可扩展性较强。
请参阅图5，本发明实施例中车险赔付预提示装置的另一个实施例包括：
获取模块401，用于获目标车辆的车险信息；
编码模块402，用于将所述车险信息输入预置车险赔付预警模型的编码层中，并通过所述编码层，采用预置非线性泛化方法对所述车险信息进行降维处理，得到所述车险信息中的主成分特征；
转换模块403，用于将所述主成分特征输入所述车险赔付预警模型的隐藏层中，并通过所述隐藏层对所述主成分特征进行抽象化处理，得到所述主成分特征对应的转换特征；
解码模块404，用于将所述转换特征输入所述车险赔付预警模型中的解码层，并通过所述解码层，采用所述非线性泛化方法对所述转换特征进行升维处理，得到所述车险信息对应的重建数据集；
计算模块405，用于计算所述车险信息和所述重建数据集之间的重建误差，并根据所述重建误差，确定所述目标车辆的车险赔付预警等级，以对所述目标车辆的车险赔付进行风险提示。
具体的，所述编码模块402包括：
卷积单元4021，用于将所述车险信息作为首层编码层的输入数据集，并根据首层编码层对应的第一权重矩阵，采用首层编码层的卷积层对输入数据集进行卷积处理，提取所述车险信息中的赔付特征；
池化单元4022，用于采用首层编码层的池化层对所述赔付特征进行降维处理，得到所述车险信息中的降维特征；
第一循环单元4023，用于将所述降维特征作为下一层编码层的输入数据集，并采用下一层编码层对所述输入数据集进行卷积处理和池化处理，得到所述车险信息中的新降维特征，直到新降维特征满足预设维度条件时，将满足维度条件的新降维特征作为所述车险信息中的主成分特征。
具体的，所述解码模块404包括：
转置单元4041，用于根据首层解码层的特征维度，选取对应编码层的第一权重矩阵，计算选取的第一权重矩阵对应的转置矩阵并作为第二权重矩阵；
反卷积单元4042，用于将所述转换特征作为首层解码层的输入特征，并根据首层解码层的第二权重矩阵，采用首层解码层的卷积层对输入特征进行反卷积处理；
反池化单元4043，用于采用首层解码层的池化层对反卷积处理后的输入特征进行反池化处理，得到所述转换特征对应的升维特征；
第二循环单元4044，用于将所述升维特征作为下一层解码层的输入特征，并采用下一层解码层对输入特征进行反卷积处理和反池化处理，得到新升维特征，直到新升维特征的维度与所述车险信息的维度相同时，将新升维特征作为所述车险信息对应的重建数据集。
具体的，所述解码模块404还包括：
计算单元4045，用于计算首层解码层对应微调矩阵和第二权重矩阵的和，得到新的第二权重矩阵。
具体的，所述转换模块403包括：
抽象化单元4031，用于根据所述主成分特征的特征类型，分别采用对应的隐藏层对所述主成分特征进行抽象化处理，提取不同特征类型对应的转换特征；
拼接单元4032，用于对不同特征类型对应的转换特征进行拼接，得到所述主成分特征对应的转换特征。
具体的，所述计算模块405包括：
对比单元4051，用于对比所述重建误差和预设分级误差区间，确定所述重建误差所属的分级误差区间；
确定单元4052，用于根据所述分级误差区间，确定所述车险赔付的预警等级，以对所述目标车辆的车险赔付进行风险提示，其中，所述预警等级包括安全等级、低风险等级和高风险等级。
本发明实施例中，详细介绍了车险信息的降维处理，以及转换特征的升维处理，每个编码层和解码层均包含一个卷积层和池化层，通过编码层的第一权重矩阵进行降维和解码层的第二权重矩阵进行升维，得到与车险信息相同维度的重建数据集，通过两者的差异衡量车险信息对应的目标车辆是否理赔异常，以无监督学习的方法提升模型的训练效率；详细介绍了车险信息中主成分特征的抽象化处理过程，即将不同特征类型的主成分特征分别转换成对应的转换特征，再进行拼接得到主成分特征的转换特征，对特征格式进行转换，提升模型的收敛性；同时预先设置预警等级的分级误差区间，在模型输出重建误差后，可以直接根据重建误差所属的分级误差区间确定预警等级，提升模型识别效率。
上面图4和图5从模块化功能实体的角度对本发明实施例中的车险赔付预提示装置进行详细描述，下面从硬件处理的角度对本发明实施例中车险赔付预提示设备进行详细描述。
图6是本发明实施例提供的一种车险赔付预提示设备的结构示意图，该车险赔付预提示设备600可因配置或性能不同而产生比较大的差异，可以包括一个或一个以上处理器（central processing units，CPU）610（例如，一个或一个以上处理器）和存储器620，一个或一个以上存储应用程序633或数据632的存储介质630（例如一个或一个以上海量存储设备）。其中，存储器620和存储介质630可以是短暂存储或持久存储。存储在存储介质630的程序可以包括一个或一个以上模块（图示没标出），每个模块可以包括对车险赔付预提示设备600中的一系列指令操作。更进一步地，处理器610可以设置为与存储介质630通信，在车险赔付预提示设备600上执行存储介质630中的一系列指令操作。
车险赔付预提示设备600还可以包括一个或一个以上电源640，一个或一个以上有线或无线网络接口650，一个或一个以上输入输出接口660，和/或，一个或一个以上操作系统631，例如Windows Serve，Mac OS X，Unix，Linux，FreeBSD等等。本领域技术人员可以理解，图6示出的车险赔付预提示设备结构并不构成对车险赔付预提示设备的限定，可以包括比图示更多或更少的部件，或者组合某些部件，或者不同的部件布置。
本发明还提供一种车险赔付预提示设备，所述计算机设备包括存储器和处理器，存储器中存储有计算机可读指令，计算机可读指令被处理器执行时，使得处理器执行上述各实施例中的所述车险赔付预提示方法的步骤。
本发明还提供一种计算机可读存储介质，该计算机可读存储介质可以为非易失性计算机可读存储介质，该计算机可读存储介质也可以为易失性计算机可读存储介质，所述计算机可读存储介质中存储有指令，当所述指令在计算机上运行时，使得计算机执行所述车险赔付预提示方法的步骤。
所属领域的技术人员可以清楚地了解到，为描述的方便和简洁，上述描述的系统，装置和单元的具体工作过程，可以参考前述方法实施例中的对应过程，在此不再赘述。
所述集成的单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的全部或部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备（可以是个人计算机，服务器，或者网络设备等）执行本发明各个实施例所述方法的全部或部分步骤。而前述的存储介质包括：U盘、移动硬盘、只读存储器（read-only memory，ROM）、随机存取存储器（random access memory，RAM）、磁碟或者光盘等各种可以存储程序代码的介质。
以上所述，以上实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。

Claims (10)

1.一种车险赔付预提示方法，其特征在于，所述车险赔付预提示方法包括：
获目标车辆的车险信息；
将所述车险信息输入预置车险赔付预警模型的编码层中，并通过所述编码层，采用预置非线性泛化方法对所述车险信息进行降维处理，得到所述车险信息中的主成分特征；
将所述主成分特征输入所述车险赔付预警模型的隐藏层中，并通过所述隐藏层对所述主成分特征进行抽象化处理，得到所述主成分特征对应的转换特征；
将所述转换特征输入所述车险赔付预警模型中的解码层，并通过所述解码层，采用所述非线性泛化方法对所述转换特征进行升维处理，得到所述车险信息对应的重建数据集；
计算所述车险信息和所述重建数据集之间的重建误差，并根据所述重建误差，确定所述目标车辆的车险赔付预警等级，以对所述目标车辆的车险赔付进行风险提示。
2.根据权利要求1所述的车险赔付预提示方法，其特征在于，所述通过所述编码层，采用预置非线性泛化方法对所述车险信息进行降维处理，得到所述车险信息中的主成分特征包括：
将所述车险信息作为首层编码层的输入数据集，并根据首层编码层对应的第一权重矩阵，采用首层编码层的卷积层对输入数据集进行卷积处理，提取所述车险信息中的赔付特征；
采用首层编码层的池化层对所述赔付特征进行降维处理，得到所述车险信息中的降维特征；
将所述降维特征作为下一层编码层的输入数据集，并采用下一层编码层对所述输入数据集进行卷积处理和池化处理，得到所述车险信息中的新降维特征，直到新降维特征满足预设维度条件时，将满足维度条件的新降维特征作为所述车险信息中的主成分特征。
3.根据权利要求2所述的车险赔付预提示方法，其特征在于，所述通过所述解码层，采用所述非线性泛化方法对所述转换特征进行升维处理，得到所述车险信息对应的重建数据集包括：
根据首层解码层的特征维度，选取对应编码层的第一权重矩阵，计算选取的第一权重矩阵对应的转置矩阵并作为第二权重矩阵；
将所述转换特征作为首层解码层的输入特征，并根据首层解码层的第二权重矩阵，采用首层解码层的卷积层对输入特征进行反卷积处理；
采用首层解码层的池化层对反卷积处理后的输入特征进行反池化处理，得到所述转换特征对应的升维特征；
将所述升维特征作为下一层解码层的输入特征，并采用下一层解码层对输入特征进行反卷积处理和反池化处理，得到新升维特征，直到新升维特征的维度与所述车险信息的维度相同时，将新升维特征作为所述车险信息对应的重建数据集。
4.根据权利要求3所述的车险赔付预提示方法，其特征在于，在所述根据首层解码层的特征维度，选取对应编码层的第一权重矩阵，计算选取的第一权重矩阵对应的转置矩阵并作为第二权重矩阵之后，还包括：
计算首层解码层对应微调矩阵和第二权重矩阵的和，得到新的第二权重矩阵。
5.根据权利要求1所述的车险赔付预提示方法，其特征在于，所述通过所述隐藏层对所述主成分特征进行抽象化处理，得到所述主成分特征对应的转换特征包括：
根据所述主成分特征的特征类型，分别采用对应的隐藏层对所述主成分特征进行抽象化处理，提取不同特征类型对应的转换特征；
对不同特征类型对应的转换特征进行拼接，得到所述主成分特征对应的转换特征。
6.根据权利要求1-5中任一项所述的车险赔付预提示方法，其特征在于，所述根据所述重建误差，确定所述目标车辆的车险赔付预警等级，以对所述目标车辆的车险赔付进行风险提示包括：
对比所述重建误差和预设分级误差区间，确定所述重建误差所属的分级误差区间；
根据所述分级误差区间，确定所述车险赔付的预警等级，以对所述目标车辆的车险赔付进行风险提示，其中，所述预警等级包括安全等级、低风险等级和高风险等级。
7.一种车险赔付预提示装置，其特征在于，所述车险赔付预提示装置包括：
获取模块，用于获目标车辆的车险信息；
编码模块，用于将所述车险信息输入预置车险赔付预警模型的编码层中，并通过所述编码层，采用预置非线性泛化方法对所述车险信息进行降维处理，得到所述车险信息中的主成分特征；
转换模块，用于将所述主成分特征输入所述车险赔付预警模型的隐藏层中，并通过所述隐藏层对所述主成分特征进行抽象化处理，得到所述主成分特征对应的转换特征；
解码模块，用于将所述转换特征输入所述车险赔付预警模型中的解码层，并通过所述解码层，采用所述非线性泛化方法对所述转换特征进行升维处理，得到所述车险信息对应的重建数据集；
计算模块，用于计算所述车险信息和所述重建数据集之间的重建误差，并根据所述重建误差，确定所述目标车辆的车险赔付预警等级，以对所述目标车辆的车险赔付进行风险提示。
8.根据权利要求7所述的车险赔付预提示装置，其特征在于，所述编码模块包括：
卷积单元，用于将所述车险信息作为首层编码层的输入数据集，并根据首层编码层对应的第一权重矩阵，采用首层编码层的卷积层对输入数据集进行卷积处理，提取所述车险信息中的赔付特征；
池化单元，用于采用首层编码层的池化层对所述赔付特征进行降维处理，得到所述车险信息中的降维特征；
第一循环单元，用于将所述降维特征作为下一层编码层的输入数据集，并采用下一层编码层对所述输入数据集进行卷积处理和池化处理，得到所述车险信息中的新降维特征，直到新降维特征满足预设维度条件时，将满足维度条件的新降维特征作为所述车险信息中的主成分特征。
9.一种车险赔付预提示设备，其特征在于，所述车险赔付预提示设备包括：存储器和至少一个处理器，所述存储器中存储有指令；
所述至少一个处理器调用所述存储器中的所述指令，以使得所述车险赔付预提示设备执行如权利要求1-6中任意一项所述的车险赔付预提示方法。
10.一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指令，其特征在于，所述指令被处理器执行时实现如权利要求1-6中任一项所述车险赔付预提示方法。
CN202110747203.7A 2021-07-02 2021-07-02 车险赔付预提示方法、装置、设备及存储介质 Pending CN113256436A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110747203.7A CN113256436A (zh) 2021-07-02 2021-07-02 车险赔付预提示方法、装置、设备及存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110747203.7A CN113256436A (zh) 2021-07-02 2021-07-02 车险赔付预提示方法、装置、设备及存储介质

Publications (1)

Publication Number Publication Date
CN113256436A true CN113256436A (zh) 2021-08-13

Family

ID=77190465

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110747203.7A Pending CN113256436A (zh) 2021-07-02 2021-07-02 车险赔付预提示方法、装置、设备及存储介质

Country Status (1)

Country Link
CN (1) CN113256436A (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2024026917A1 (zh) * 2022-08-02 2024-02-08 高新兴智联科技有限公司 一种非机动车备案管理方法、系统和存储介质

Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107273917A (zh) * 2017-05-26 2017-10-20 电子科技大学 一种基于并行化主成分分析算法的数据降维方法
CN109859817A (zh) * 2019-04-01 2019-06-07 安徽大学 食管放射治疗计划中风险器官剂量学评估方法、评估系统
CN110263807A (zh) * 2019-05-13 2019-09-20 杭州安恒信息技术股份有限公司 基于auto-encoder的异常行为检测方法
CN111588375A (zh) * 2020-04-27 2020-08-28 中国地质大学（武汉） 一种基于栈式稀疏自编码模型的涟波和快速涟波检测方法
CN112101426A (zh) * 2020-08-26 2020-12-18 东南大学 基于自编码器的无监督学习图像异常检测方法
CN112232280A (zh) * 2020-11-04 2021-01-15 安徽大学 基于自编码器与3d深度残差网络的高光谱图像分类方法
CN112800043A (zh) * 2021-02-05 2021-05-14 凯通科技股份有限公司 一种物联网终端信息提取方法、装置、设备和存储介质
CN112924749A (zh) * 2021-02-04 2021-06-08 西安电子科技大学 无监督对抗学习电磁频谱异常信号检测方法

Patent Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107273917A (zh) * 2017-05-26 2017-10-20 电子科技大学 一种基于并行化主成分分析算法的数据降维方法
CN109859817A (zh) * 2019-04-01 2019-06-07 安徽大学 食管放射治疗计划中风险器官剂量学评估方法、评估系统
CN110263807A (zh) * 2019-05-13 2019-09-20 杭州安恒信息技术股份有限公司 基于auto-encoder的异常行为检测方法
CN111588375A (zh) * 2020-04-27 2020-08-28 中国地质大学（武汉） 一种基于栈式稀疏自编码模型的涟波和快速涟波检测方法
CN112101426A (zh) * 2020-08-26 2020-12-18 东南大学 基于自编码器的无监督学习图像异常检测方法
CN112232280A (zh) * 2020-11-04 2021-01-15 安徽大学 基于自编码器与3d深度残差网络的高光谱图像分类方法
CN112924749A (zh) * 2021-02-04 2021-06-08 西安电子科技大学 无监督对抗学习电磁频谱异常信号检测方法
CN112800043A (zh) * 2021-02-05 2021-05-14 凯通科技股份有限公司 一种物联网终端信息提取方法、装置、设备和存储介质

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
张向荣 等: "《人工智能前沿技术丛书 简明人工智能》", 30 September 2019 *
甘胜丰 等著: "《机器视觉表面缺陷检测技术及其在钢铁工业中的应用》", 30 June 2017 *

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2024026917A1 (zh) * 2022-08-02 2024-02-08 高新兴智联科技有限公司 一种非机动车备案管理方法、系统和存储介质

Similar Documents

Publication Publication Date Title
CN111523668B (zh) 基于差分隐私的数据生成系统的训练方法及装置
CN111967502B (zh) 一种基于条件变分自编码器的网络入侵检测方法
US20130346350A1 (en) Computer-implemented semi-supervised learning systems and methods
CN112800053B (zh) 数据模型的生成方法、调用方法、装置、设备及存储介质
WO2003090160A2 (en) Processing mixed numeric and/or non-numeric data
US10223332B2 (en) Evolved transform for processing data
JP2016212825A (ja) 商品価格予測のための装置及び方法
CN113256436A (zh) 车险赔付预提示方法、装置、设备及存储介质
CN114332500A (zh) 图像处理模型训练方法、装置、计算机设备和存储介质
CN113159837A (zh) 车辆价格的评估方法及装置
Fan et al. Image steganalysis via random subspace fisher linear discriminant vector functional link network and feature mapping
CN115913643A (zh) 一种基于对抗自编码器的网络入侵检测方法、系统及介质
CN115618212A (zh) 电力数据处理方法、装置、计算机设备和存储介质
CN113470036B (zh) 基于知识蒸馏的高光谱图像无监督波段选择方法及系统
CN115100599A (zh) 基于掩码transformer的半监督人群场景异常检测方法
KR102334390B1 (ko) 인공지능 기술을 활용한 코덱 압축 효율 향상 장치 및 방법
Chen et al. Mixed-Precision Quantization for Federated Learning on Resource-Constrained Heterogeneous Devices
CN109918905B (zh) 行为推论模型生成装置及其行为推论模型生成方法
Verma et al. Q-matrix unaware double JPEG detection using DCT-domain deep BiLSTM network
CN117576518B (zh) 图像蒸馏方法、装置、电子设备和计算机可读存储介质
CN115860574B (zh) 充电设备的使用效果分析方法及装置
Yang Constrained-storage multistage vector quantization based on genetic algorithms
Lin et al. Efficient Micro-Structured Weight Unification and Pruning for Neural Network Compression
CN112016480B (zh) 人脸特征表示方法、系统、电子设备和存储介质
Chakrapani et al. Implementation of Fractal Image Compression Employing Hybrid Genetic-Neural Approach

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
RJ01 Rejection of invention patent application after publication

Application publication date: 20210813