CN113918718A - 基于人工智能的车险用户分类方法、装置、设备及介质 - Google Patents

基于人工智能的车险用户分类方法、装置、设备及介质 Download PDF

Info

Publication number
CN113918718A
CN113918718A CN202111262246.2A CN202111262246A CN113918718A CN 113918718 A CN113918718 A CN 113918718A CN 202111262246 A CN202111262246 A CN 202111262246A CN 113918718 A CN113918718 A CN 113918718A
Authority
CN
China
Prior art keywords
risk
data
user
driving behavior
behavior data
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
CN202111262246.2A
Other languages
English (en)
Inventor
黄炎鑫
赖众程
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 Bank Co Ltd
Original Assignee
Ping An Bank 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 Bank Co Ltd filed Critical Ping An Bank Co Ltd
Priority to CN202111262246.2A priority Critical patent/CN113918718A/zh
Publication of CN113918718A publication Critical patent/CN113918718A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/30—Information retrieval; Database structures therefor; File system structures therefor of unstructured textual data
    • G06F16/35—Clustering; Classification
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F40/00—Handling natural language data
    • G06F40/20—Natural language analysis
    • G06F40/237—Lexical tools
    • G06F40/242—Dictionaries
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F40/00—Handling natural language data
    • G06F40/20—Natural language analysis
    • G06F40/279—Recognition of textual entities
    • G06F40/289—Phrasal analysis, e.g. finite state techniques or chunking
    • 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
    • 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)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • Computational Linguistics (AREA)
  • Artificial Intelligence (AREA)
  • Health & Medical Sciences (AREA)
  • General Health & Medical Sciences (AREA)
  • Business, Economics & Management (AREA)
  • Data Mining & Analysis (AREA)
  • Computing Systems (AREA)
  • Finance (AREA)
  • Molecular Biology (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Evolutionary Computation (AREA)
  • Biomedical Technology (AREA)
  • Accounting & Taxation (AREA)
  • Biophysics (AREA)
  • Audiology, Speech & Language Pathology (AREA)
  • Economics (AREA)
  • Marketing (AREA)
  • Strategic Management (AREA)
  • Technology Law (AREA)
  • General Business, Economics & Management (AREA)
  • Development Economics (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技术，揭露了一种基于人工智能的车险用户分类方法，包括：将预先获取的驾驶行为数据归一化生成标准驾驶行为数据，将预先获取的车辆信息转换为车辆信息向量，利用预先训练的深度神经网络对所述标准驾驶行为数据和所述车辆信息向量进行特征描述，得到输入特征，将输入特征映射至特征空间，得到每个输入特征对应的空间坐标，并计算每个空间坐标对应的风险系数，根据预设出险率和所述风险系数计算用户的风险定级。此外，本发明还涉及区块链技术，驾驶行为数据可存储于区块链的节点。本发明还提出一种基于人工智能的车险用户分类装置、电子设备以及存储介质。本发明可以提高行车风险分析的精确度。

Description

基于人工智能的车险用户分类方法、装置、设备及介质
技术领域
本发明涉及人工智能技术领域，尤其涉及一种基于人工智能的车险用户分类方法、装置、电子设备及计算机可读存储介质。
背景技术
随着交通业的发达，人们越来越常见地驾驶汽车出行，但也因此导致交通事故频发，从而车险的需求也日益增多。但每个人的驾驶习惯不同，车险出险概率也不相同，因此大多数车险供应商针对性地对不同车主进行差异化的车险等级定级。
目前多数保险公司的商业车险风险定级方法主要是通过基准纯风险保费、附加费用率、无赔款优待系数、交通违法系数、自主核保系数、自主渠道系数等这些因素定价的，其中只有无赔款优待系数和交通违法系数与客户自身相关，而每个客户的驾驶习惯不尽相同，因此，仅依靠简单的几个系数对客户的行车风险进行分析，会导致分析的结果不够精确。
发明内容
本发明提供一种基于人工智能的车险用户分类方法、装置及计算机可读存储介质，其主要目的在于解决对用户进行行车风险分析的精确度较低的问题。
为实现上述目的，本发明提供的一种基于人工智能的车险用户分类方法，包括：
将所述用户的驾驶行为数据进行归一化处理，得到标准驾驶行为数据；
对所述用户的车辆信息进行分词处理，并对分词的结果进行向量转换，得到车辆信息向量；利用预先构建的深度神经网络对所述标准驾驶行为数据和所述车辆信息向量进行特征描述，得到输入特征，并将所述输入特征映射至预设的特征空间，得到每个输入特征对应的空间坐标，对所述空间坐标进行激活运算，得到每个所述空间坐标对应的风险系数；
根据预先获取的用户历史保险数据计算所述用户的出险率，并根据所述出险率和所述风险系数计算所述用户的风险定级。
可选地，所述将所述用户的驾驶行为数据进行归一化处理，得到标准驾驶行为数据，包括：
从所述驾驶行为数据中逐个选取其中一个数据为目标数据；
对所述目标数据进行对数运算，得到对数值；
判断所述对数值是否小于预设阈值；
当所述对数值大于或等于所述预设阈值时，返回所述对所述目标数据进行对数运算，得到对数值的步骤；
当所述对数值大于所述预设阈值时，将所述对数值作为其中一项标准驾驶行为数据；
当每一个所述驾驶行为数据都与预设阈值判断完毕时，汇总所有所述标准驾驶行为数据。
可选地，所述对所述用户的车辆信息进行分词处理，并对分词的结果进行向量转换，得到车辆信息向量，包括：
将所述用户的车辆信息按照不同字段长度进行划分，得到待筛选分词；
将所述待筛选分词在预设的词典中进行逐个检索，并将能够在所述词典中检索到的待筛选分词汇集为所述车辆信息的信息分词；
从所述信息分词中逐个选取其中一个词语为目标分词；
对所述目标分词进行字节拆分，得到拆分字节；
对所述拆分字节进行编码，得到每一个拆分字节对应的编码值；
将所述编码值按照每一个拆分字节在所述目标分词中位置的先后顺序拼接为所述目标分词的词向量。
可选地，所述利用预先构建的深度神经网络对所述标准驾驶行为数据和所述车辆信息向量进行特征描述，得到输入特征，包括：
利用预先构建的深度神经网络中的输入层对所述标准驾驶行为数据和所述车辆信息向量进行数值转换，得到每一个数据对应的数据数值；
利用所述深度神经网络中的向量化函数将所述数据数值映射为特征向量，并将所述特征向量作为输入特征。
可选地，所述将所述输入特征映射至预设的特征空间，得到每个输入特征对应的空间坐标，包括：
利用所述深度神经网络的隐藏层统计每一个所述输入特征的数据维度，选取所述数据维度最大的特征为目标特征；
构建与所述目标特征具有相同维度的特征空间；
利用预设参数将所有输入特征的数据维度扩增至与所述目标特征相同的数据维度；
利用预设的映射函数将扩增后的输入特征映射至所述特征空间，并统计每一个输入特征在所述特征空间中的空间坐标。
可选地，所述对所述空间坐标进行激活运算，得到每个所述空间坐标对应的风险系数，包括：
利用所述深度神经网络的输出层中的激活函数分别计算所述空间坐标与多个预设的风险系数标签之间的相对概率值；
选取所述相对概率值最大的风险系数标签为目标标签；
从预设的等级表中查询得到所述目标标签对应的风险系数，并将所述风险系数作为所述空间坐标的风险系数。
可选地，所述根据所述出险率和所述风险系数计算用户的风险定级，包括：
利用如下权重算法根据所述出险率和所述风险系数计算用户的风险定级：
Figure BDA0003325874090000031
其中，D为所述风险定级，P为所述出险率，ρm为第m个风险系数，N为所述风险系数的数量，α为预设常数系数。
为了解决上述问题，本发明还提供一种基于人工智能的车险用户分类装置，所述装置包括：
数据归一化模块，用于将所述用户的驾驶行为数据进行归一化处理，得到标准驾驶行为数据；
信息向量转换模块，用于对所述用户的车辆信息进行分词处理，并对分词的结果进行向量转换，得到车辆信息向量；
特征输入模块，用于利用预先构建的深度神经网络对所述标准驾驶行为数据和所述车辆信息向量进行特征描述，得到输入特征，并将所述输入特征映射至预设的特征空间，得到每个输入特征对应的空间坐标，对所述空间坐标进行激活运算，得到每个所述空间坐标对应的风险系数；
风险定级模块，用于根据预先获取的用户历史保险数据计算所述用户的出险率，并根据所述出险率和所述风险系数计算所述用户的风险定级。
为了解决上述问题，本发明还提供一种电子设备，所述电子设备包括：
至少一个处理器；以及，
与所述至少一个处理器通信连接的存储器；其中，
所述存储器存储有可被所述至少一个处理器执行的计算机程序，所述计算机程序被所述至少一个处理器执行，以使所述至少一个处理器能够执行上述所述的基于人工智能的车险用户分类方法。
为了解决上述问题，本发明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中存储有至少一个计算机程序，所述至少一个计算机程序被电子设备中的处理器执行以实现上述所述的基于人工智能的车险用户分类方法。
本发明实施例能够对用户的驾驶行为数据以及车辆信息进行结合分析，增加了数据的多样性，同时考虑到了车辆本身信息的影响，有利于提高分析的精确度，并利用深度神经网络分析得到驾驶行为数据以及车辆信息的数据特征对应的风险系数，进而结合用户的出险率，实现对基于人工智能的车险用户分类的计算，进一步提高了对基于人工智能的车险用户分类进行定级的精确度。因此本发明提出的基于人工智能的车险用户分类方法、装置、电子设备及计算机可读存储介质，可以解决对用户进行行车风险分析时的精确度较低的问题。
附图说明
图1为本发明一实施例提供的基于人工智能的车险用户分类方法的流程示意图；
图2为本发明一实施例提供的归一化处理的流程示意图；
图3为本发明一实施例提供的计算风险系数的流程示意图；
图4为本发明一实施例提供的基于人工智能的车险用户分类装置的功能模块图；
图5为本发明一实施例提供的实现所述基于人工智能的车险用户分类方法的电子设备的结构示意图。
本发明目的的实现、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
应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。
本申请实施例提供一种基于人工智能的车险用户分类方法。所述基于人工智能的车险用户分类方法的执行主体包括但不限于服务端、终端等能够被配置为执行本申请实施例提供的该方法的电子设备中的至少一种。换言之，所述基于人工智能的车险用户分类方法可以由安装在终端设备或服务端设备的软件或硬件来执行，所述软件可以是区块链平台。所述服务端包括但不限于：单台服务器、服务器集群、云端服务器或云端服务器集群等。所述服务器可以是独立的服务器，也可以是提供云服务、云数据库、云计算、云函数、云存储、网络服务、云通信、中间件服务、域名服务、安全服务、内容分发网络(ContentDeliveryNetwork，CDN)、以及大数据和人工智能平台等基础云计算服务的云服务器。
参照图1所示，为本发明一实施例提供的基于人工智能的车险用户分类方法的流程示意图。在本实施例中，所述基于人工智能的车险用户分类方法包括：
S1、获取用户的驾驶行为数据，将所述用户的驾驶行为数据进行归一化处理，得到标准驾驶行为数据。
本发明实施例中，所述驾驶行为数据包括但不限于用户在驾驶汽车过程中产生的总里程、行驶速度均值、行驶速度峰值、油门深度、制动深度、急刹次数、急转弯次数、最近百公里油耗/电耗等数据。
本发明实施例中，可利用kafka消息中间件从预先构建的存储区域获取用户预先存储且授权可被获取的驾驶行为数据，所述存储区域包括但不限于用户使用的软件、系统对应的数据库、区块链节点和网络缓存。
详细地，所述kafka消息中间件是用于处理活跃的流式数据的消息中间件，可实现对数据的实时抓取，因此，利用kafka消息中间件获取用户的驾驶行为数据，可提高获取到的驾驶行为数据的时效性，进而有利于提高对用户进行分级的精确度。
本发明其中一个实际应用场景中，由于不同驾驶行为数据的数值差异较大，因此，为了对不同的数据均有较好的分析效果，可将所述驾驶行为数据进行归一化处理，得到标准驾驶行为数据，以便于提高后续对用户进行分级的精确度。
本发明实施例中，所述将所述用户的驾驶行为数据进行归一化处理，得到标准驾驶行为数据，包括：
从所述驾驶行为数据中逐个选取其中一个数据为目标数据；
对所述目标数据进行对数运算，得到对数值；
判断所述对数值是否小于预设阈值；
当所述对数值大于或等于所述预设阈值时，返回所述对所述目标数据进行对数运算，得到对数值的步骤；
当所述对数值大于所述预设阈值时，将所述对数值作为其中一项标准驾驶行为数据；
当每一个所述驾驶行为数据都与预设阈值判断完毕时，汇总所有所述标准驾驶行为数据。
示例性地，可利用如下对数函数对所述目标数据进行对数运算，得到对数值：
W＝logCi
其中，W为所述对数值，Ci为所述驾驶行为数据中第i个数据，log为对数运算符。
详细地，可通过判断所述对数值与预设阈值的大小关系，进而根据判断结果生成所述驾驶行为数据中每一个数据的标准驾驶行为数据。
例如，当所述预设阈值为0.5时，当所述对数值大于0.5，则可说明该对数值并未归一化至预设范围内，可返回对数运算的步骤，对所述对数值再次进行对数运算，并重新判断大小；当所述对数值小于或等于0.5，则可说明该对数值已归一化至预设范围内，可，因此，可将所述对数值作为所述目标数据对应的标准驾驶行为数据。
本发明实施例中，将所述驾驶行为数据中每一个数据进行归一化处理，可减少所述驾驶行为数据中每一个数据的数值多样性，进而有利于提高对用户进行分级的效率和精确度。
S2、对预先获取的车辆信息进行分词处理，并对分词的结果进行向量转换，得到车辆信息向量。
本发明实施例中，所述车辆信息是指与用户所驾驶的车辆本身的信息，所述车辆信息包括但不限于汽车品牌、车型名称、电池电压、发动机型号、变速箱型号、轮胎压力状态、汽车雷达状态。
详细地，实际行车过程中，行车风险不仅仅取决于用户的驾驶行为，还会取决于车辆自身的数据，因此，本发明实施例可对预先获取的车辆信息进行分词处理并进行向量转换，得到车辆信息向量，以在后续结合车辆信息与驾驶行为数据对用户的风险定级进行综合判断，提高对用户进行风险定级定级的精确度。
本发明实施例中，参图2所示，对所述用户的车辆信息进行分词处理，并对分词的结果进行向量转换，得到车辆信息向量，包括：
S21、将所述用户的车辆信息按照不同字段长度进行划分，得到待筛选分词；
S22、将所述待筛选分词在预设的词典中进行逐个检索，并将能够在所述词典中检索到的待筛选分词汇集为所述车辆信息的信息分词；
S23、从所述信息分词中逐个选取其中一个词语为目标分词；
S24、对所述目标分词进行字节拆分，得到拆分字节；
S25、对所述拆分字节进行编码，得到每一个拆分字节对应的编码值；
S26、将所述编码值按照每一个拆分字节在所述目标分词中位置的先后顺序拼接为所述目标分词的词向量。
详细地，可利用预设的词典对所述咨询文本进行分词处理，所述词典中包含多个分词，将所述待筛选分词在预设的词典中进行逐个检索，若能检索到相同的分词，则确定检索到的分词为所述车辆信息的信息分词。
具体地，由于每一个信息分词中可能包含多个字节，因此可将信息分词拆分为多个字节，并对每一个字节进行编码，进而根据编码生成每一个信息分词对应的词向量。
例如，选取的目标关键词为：“电压”，则可将该目标关键词拆分为关键字“电”和关键字“压”，并利用预设的编码方式分别将两个关键字进行编码，得到关键字“电”的编码值为2，关键字“压”的编码值为8，进而可按照关键字“电”和关键字“压”在所述目标关键词“电压”中位置的先后顺序将所述编码值拼接为词向量：(2,8)，并将该词向量作为目标关键词“电压”的特征。
详细地，可利用one-hot编码、ASCII编码等编码方式对所述关键字进行编码，得到每一个关键字对应的编码值。
S3、获取预先训练的深度神经网络，所述深度神经网络包括输入层、隐藏层和输出层。
本发明实施例中，可利用预先训练的深度神经网络对计算、统计获取的各项数据进行分析。
详细地，所述预先训练的深度神经网络可以包括如下网络层次：
输入层：用于对输入的数据进行特征描述，以便于输入层后方网络层次对描述出的输入特征进行处理；
隐藏层：用于对输入层传输来的输入特征进行降维、映射、选择性丢弃等操作，以实现对特征的筛选，其中，隐藏层可以包含多层网络层次(如、批归一化层、丢弃层、全连接层等)；
输出层：用于对隐藏层处理得到的数据进行最终的分类输出。
具体地，所述深度神经网络可以为预先训练好的具有数据特征分析功能的人工智能网络模型，所述深度神经网络包括但不限于CNN网络、RNN网络、RCNN网络。
S4、利用所述深度神经网络的输入层对所述标准驾驶行为数据和所述车辆信息向量进行特征描述，得到输入特征。
本发明实施例中，所述利用预先构建的深度神经网络对所述标准驾驶行为数据和所述车辆信息向量进行特征描述，得到输入特征，包括：
利用预先构建的深度神经网络中的输入层对所述标准驾驶行为数据和所述车辆信息向量进行数值转换，得到每一个数据对应的数据数值；
利用所述深度神经网络中的向量化函数将所述数据数值映射为特征向量，并将所述特征向量作为输入特征。
详细地，可按照预设的编码方式对所述标准驾驶行为数据和所述车辆信息向量进行编码，以实现将上述数据转换为数值形式，得到每一个数据对应的数据数值。其中，所述编码方式包括但不限于：ASCII编码、ANSI编码、GBK编码。
具体地，由于数值转换后得到的数据仅是数字串形式的数据，不具有可分类性，因此，可利用预设的映射函数将所述数据数值映射为向量形式，提高该数据数值的可分类性，其中，所述向量化函数包括但不限于vectorize函数。
例如，通过预设的映射函数将数值形式的数据数值映射成向量的形式进行表达。
S5、利用所述深度神经网络的隐藏层将所述输入特征映射至预设的特征空间，得到每个输入特征对应的空间坐标。
本发明实施例中，可利用预先构建的深度神经网络对每一个所述关键词的特征进行分析，进而实现对所述订单咨询记录的分析，并确定所述用户达成订单的成交率的大小。
本发明实施例中，所述将所述输入特征映射至预设的特征空间，得到每个输入特征对应的空间坐标，包括：
利用所述深度神经网络的隐藏层统计每一个所述输入特征的数据维度，选取所述数据维度最大的特征为目标特征；
构建与所述目标特征具有相同维度的特征空间；
利用预设参数将所有输入特征的数据维度扩增至与所述目标特征相同的数据维度；
利用预设的映射函数将扩增后的输入特征映射至所述特征空间，并统计每一个输入特征在所述特征空间中的空间坐标。
详细地，所述数据维度是指输入特征的向量中元素的数量。
例如，所述关键词包括关键词A和关键词B，其中，关键词A的特征为：(2,8)，关键词B的特征为：(5,6,7)，经过统计可知，关键词A的特征的数据维度为2，关键词B的特征的数据维度为3，当预设参数为0时，可利用该预设参数0将关键词A的特征的数据维度进行扩增，得到扩增后的关键词A的特征：(2,8,0)。
本发明实施例中，利用预设参数将所有输入特征的数据维度扩增至相同的维度，可实现对所有输入特征的维度统一化，进而有利于将所有输入特征映射至同一个坐标系中进行分析。
具体地，所述预设函数包括但不限于高斯函数、map函数。
本发明实施例中，将每一个所述输入特征映射至预设的特征空间后，可对所有特征在所述特征空间的坐标进行统计，得到每一个输入特征在所述特征空间的空间坐标。
S6、利用所述深度神经网络的输出层对所述空间坐标进行激活运算，得到每个所述空间坐标对应的风险系数。
本发明实施例中，可利用所述深度神经网络的输出层对所述筛选特征进行计算，以得到所述筛选特征对应的特征等级，进而依据该特征等级对用户进行分级。
本发明实施例中，参图3所示，所述利用所述深度神经网络的输出层对所述空间坐标进行激活运算，得到每个所述空间坐标对应的风险系数，包括：
S31、利用所述深度神经网络的输出层中的激活函数分别计算所述空间坐标与多个预设的风险系数标签之间的相对概率值；
S32、选取所述相对概率值最大的风险系数标签为目标标签；
S33、从预设的等级表中查询得到所述目标标签对应的风险系数，并将所述风险系数作为所述空间坐标的风险系数。
详细地，所述激活函数可以为sigmoid激活函数，可利用所述激活函数对所述空间坐标进行计算，得到所述空间坐标与预设特征标签之间的相对概率值。
其中，所述相对概率值用于标识所述空间坐标属于所述预设标签的概率大小，例如，空间坐标与风险系数标签A之间的相对概率值为80，即说明该空间坐标属于风险系数标签A的概率值为百分之八十。
本发明实施例中，可分别计算所述空间坐标与多个预设的风险系数标签之间的相对概率值，并从多个预设的风险系数标签中选取所述相对概率值最大的风险系数标签作为目标标签。
S7、根据预先获取的用户历史保险数据计算所述用户的出险率，并根据所述出险率和所述风险系数计算所述用户的风险定级。
本发明实施例中，所述出险率是指预先获取的用户购买保险且已经出险的概率，例如，用户购买保险10次，出险2次，则该用户的出险率0.2。
本发明实施例中，可通过获取用户的出险率，并结合出险率和所述风险系数来对所述用户的风险定级进行综合判断，进一步提高对用户进行分线等级定级的精确度。
本发明实施例中，所述根据所述出险率和所述风险系数计算用户的风险定级，包括：
利用如下权重算法根据所述出险率和所述风险系数计算用户的风险定级：
Figure BDA0003325874090000111
其中，D为所述风险定级，P为所述出险率，ρm为第m个风险系数，N为所述风险系数的数量，α为预设常数系数。
本发明其他实施例中，还可根据所述出险率和所述出险系数从预先构建的风险等级表中查询得到所述用户的风险定级，其中，所述风险等级表中包含若干风险等级，以及每个风险等级所对应的险率和出险系数。
例如，利用Sql中的CREATE INDEX函数构建该风险等级表的索引，并利用所述出险率和所述出险系数作为检索条件在所述风险等级表的索引中进行检索，得到与所述用户的风险定级。
本发明实施例能够对用户的驾驶行为数据以及车辆信息进行结合分析，增加了数据的多样性，同时考虑到了车辆本身信息的影响，有利于提高分析的精确度，并利用深度神经网络分析得到驾驶行为数据以及车辆信息的数据特征对应的风险系数，进而结合用户的出险率，实现对基于人工智能的车险用户分类的计算，进一步提高了对基于人工智能的车险用户分类进行定级的精确度。因此本发明提出的基于人工智能的车险用户分类方法，可以解决对用户进行行车风险分析时的精确度较低的问题。
如图4所示，是本发明一实施例提供的基于人工智能的车险用户分类装置的功能模块图。
本发明所述基于人工智能的车险用户分类装置100可以安装于电子设备中。根据实现的功能，所述基于人工智能的车险用户分类装置100可以包括数据归一化模块101、信息向量转换模块102、特征输入模块103及风险定级模块104。本发明所述模块也可以称之为单元，是指一种能够被电子设备处理器所执行，并且能够完成固定功能的一系列计算机程序段，其存储在电子设备的存储器中。
在本实施例中，关于各模块/单元的功能如下：
所述数据归一化模块，用于将所述用户的驾驶行为数据进行归一化处理，得到标准驾驶行为数据；
所述信息向量转换模块，用于对所述用户的车辆信息进行分词处理，并对分词的结果进行向量转换，得到车辆信息向量；
所述特征输入模块，用于利用预先构建的深度神经网络对所述标准驾驶行为数据和所述车辆信息向量进行特征描述，得到输入特征，并将所述输入特征映射至预设的特征空间，得到每个输入特征对应的空间坐标，对所述空间坐标进行激活运算，得到每个所述空间坐标对应的风险系数；
所述风险定级模块，用于根据预先获取的用户历史保险数据计算所述用户的出险率，并根据所述出险率和所述风险系数计算所述用户的风险定级。
详细地，本发明实施例中所述基于人工智能的车险用户分类装置100中所述的各模块在使用时采用与上述图1至图3中所述的基于人工智能的车险用户分类方法一样的技术手段，并能够产生相同的技术效果，这里不再赘述。
如图5所示，是本发明一实施例提供的实现基于人工智能的车险用户分类方法的电子设备的结构示意图。
所述电子设备1可以包括处理器10、存储器11、通信总线12以及通信接口13，还可以包括存储在所述存储器11中并可在所述处理器10上运行的计算机程序，如基于人工智能的车险用户分类程序。
其中，所述处理器10在一些实施例中可以由集成电路组成，例如可以由单个封装的集成电路所组成，也可以是由多个相同功能或不同功能封装的集成电路所组成，包括一个或者多个中央处理器(Central Processing unit，CPU)、微处理器、数字处理芯片、图形处理器及各种控制芯片的组合等。所述处理器10是所述电子设备的控制核心(ControlUnit)，利用各种接口和线路连接整个电子设备的各个部件，通过运行或执行存储在所述存储器11内的程序或者模块(例如执行基于人工智能的车险用户分类程序等)，以及调用存储在所述存储器11内的数据，以执行电子设备的各种功能和处理数据。
所述存储器11至少包括一种类型的可读存储介质，所述可读存储介质包括闪存、移动硬盘、多媒体卡、卡型存储器(例如：SD或DX存储器等)、磁性存储器、磁盘、光盘等。所述存储器11在一些实施例中可以是电子设备的内部存储单元，例如该电子设备的移动硬盘。所述存储器11在另一些实施例中也可以是电子设备的外部存储设备，例如电子设备上配备的插接式移动硬盘、智能存储卡(Smart Media Card，SMC)、安全数字(Secure Digital，SD)卡、闪存卡(Flash Card)等。进一步地，所述存储器11还可以既包括电子设备的内部存储单元也包括外部存储设备。所述存储器11不仅可以用于存储安装于电子设备的应用软件及各类数据，例如基于人工智能的车险用户分类程序的代码等，还可以用于暂时地存储已经输出或者将要输出的数据。
所述通信总线12可以是外设部件互连标准(peripheral componentinterconnect，简称PCI)总线或扩展工业标准结构(extended industry standardarchitecture，简称EISA)总线等。该总线可以分为地址总线、数据总线、控制总线等。所述总线被设置为实现所述存储器11以及至少一个处理器10等之间的连接通信。
所述通信接口13用于上述电子设备与其他设备之间的通信，包括网络接口和用户接口。可选地，所述网络接口可以包括有线接口和/或无线接口(如WI-FI接口、蓝牙接口等)，通常用于在该电子设备与其他电子设备之间建立通信连接。所述用户接口可以是显示器(Display)、输入单元(比如键盘(Keyboard))，可选地，用户接口还可以是标准的有线接口、无线接口。可选地，在一些实施例中，显示器可以是LED显示器、液晶显示器、触控式液晶显示器以及OLED(Organic Light-Emitting Diode，有机发光二极管)触摸器等。其中，显示器也可以适当的称为显示屏或显示单元，用于显示在电子设备中处理的信息以及用于显示可视化的用户界面。
图5仅示出了具有部件的电子设备，本领域技术人员可以理解的是，图5示出的结构并不构成对所述电子设备1的限定，可以包括比图示更少或者更多的部件，或者组合某些部件，或者不同的部件布置。
例如，尽管未示出，所述电子设备还可以包括给各个部件供电的电源(比如电池)，优选地，电源可以通过电源管理装置与所述至少一个处理器10逻辑相连，从而通过电源管理装置实现充电管理、放电管理、以及功耗管理等功能。电源还可以包括一个或一个以上的直流或交流电源、再充电装置、电源故障检测电路、电源转换器或者逆变器、电源状态指示器等任意组件。所述电子设备还可以包括多种传感器、蓝牙模块、Wi-Fi模块等，在此不再赘述。
应该了解，所述实施例仅为说明之用，在专利申请范围上并不受此结构的限制。
所述电子设备1中的所述存储器11存储的基于人工智能的车险用户分类程序是多个指令的组合，在所述处理器10中运行时，可以实现：
将所述用户的驾驶行为数据进行归一化处理，得到标准驾驶行为数据；
对所述用户的车辆信息进行分词处理，并对分词的结果进行向量转换，得到车辆信息向量；利用预先构建的深度神经网络对所述标准驾驶行为数据和所述车辆信息向量进行特征描述，得到输入特征，并将所述输入特征映射至预设的特征空间，得到每个输入特征对应的空间坐标，对所述空间坐标进行激活运算，得到每个所述空间坐标对应的风险系数；
根据预先获取的用户历史保险数据计算所述用户的出险率，并根据所述出险率和所述风险系数计算所述用户的风险定级。
具体地，所述处理器10对上述指令的具体实现方法可参考附图对应实施例中相关步骤的描述，在此不赘述。
进一步地，所述电子设备1集成的模块/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存储介质中。所述计算机可读存储介质可以是易失性的，也可以是非易失性的。例如，所述计算机可读介质可以包括：能够携带所述计算机程序代码的任何实体或装置、记录介质、U盘、移动硬盘、磁碟、光盘、计算机存储器、只读存储器(ROM，Read-Only Memory)。
本发明还提供一种计算机可读存储介质，所述可读存储介质存储有计算机程序，所述计算机程序在被电子设备的处理器所执行时，可以实现：
将所述用户的驾驶行为数据进行归一化处理，得到标准驾驶行为数据；
对所述用户的车辆信息进行分词处理，并对分词的结果进行向量转换，得到车辆信息向量；利用预先构建的深度神经网络对所述标准驾驶行为数据和所述车辆信息向量进行特征描述，得到输入特征，并将所述输入特征映射至预设的特征空间，得到每个输入特征对应的空间坐标，对所述空间坐标进行激活运算，得到每个所述空间坐标对应的风险系数；
根据预先获取的用户历史保险数据计算所述用户的出险率，并根据所述出险率和所述风险系数计算所述用户的风险定级。
在本发明所提供的几个实施例中，应该理解到，所揭露的设备，装置和方法，可以通过其它的方式实现。例如，以上所描述的装置实施例仅仅是示意性的，例如，所述模块的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式。
所述作为分离部件说明的模块可以是或者也可以不是物理上分开的，作为模块显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。
另外，在本发明各个实施例中的各功能模块可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现，也可以采用硬件加软件功能模块的形式实现。
对于本领域技术人员而言，显然本发明不限于上述示范性实施例的细节，而且在不背离本发明的精神或基本特征的情况下，能够以其他的具体形式实现本发明。
因此，无论从哪一点来看，均应将实施例看作是示范性的，而且是非限制性的，本发明的范围由所附权利要求而不是上述说明限定，因此旨在将落在权利要求的等同要件的含义和范围内的所有变化涵括在本发明内。不应将权利要求中的任何附关联图标记视为限制所涉及的权利要求。
本发明所指区块链是分布式数据存储、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。
本申请实施例可以基于人工智能技术对相关的数据进行获取和处理。其中，人工智能(Artificial Intelligence，AI)是利用数字计算机或者数字计算机控制的机器模拟、延伸和扩展人的智能，感知环境、获取知识并使用知识获得最佳结果的理论、方法、技术及应用系统。
此外，显然“包括”一词不排除其他单元或步骤，单数不排除复数。系统权利要求中陈述的多个单元或装置也可以由一个单元或装置通过软件或者硬件来实现。第一、第二等词语用来表示名称，而并不表示任何特定的顺序。
最后应说明的是，以上实施例仅用以说明本发明的技术方案而非限制，尽管参照较佳实施例对本发明进行了详细说明，本领域的普通技术人员应当理解，可以对本发明的技术方案进行修改或等同替换，而不脱离本发明技术方案的精神和范围。

Claims (10)

1.一种基于人工智能的车险用户分类方法，其特征在于，所述方法包括：
获取用户的驾驶行为数据，将所述用户的驾驶行为数据进行归一化处理，得到标准驾驶行为数据；
对所述用户的车辆信息进行分词处理，并对分词的结果进行向量转换，得到车辆信息向量；
利用预先构建的深度神经网络对所述标准驾驶行为数据和所述车辆信息向量进行特征描述，得到输入特征，并将所述输入特征映射至预设的特征空间，得到每个输入特征对应的空间坐标，对所述空间坐标进行激活运算，得到每个所述空间坐标对应的风险系数；
根据预先获取的用户历史保险数据计算所述用户的出险率，并根据所述出险率和所述风险系数计算所述用户的风险定级。
2.如权利要求1所述的基于人工智能的车险用户分类方法，其特征在于，所述将所述用户的驾驶行为数据进行归一化处理，得到标准驾驶行为数据，包括：
从所述驾驶行为数据中逐个选取其中一个数据为目标数据；
对所述目标数据进行对数运算，得到对数值；
判断所述对数值是否小于预设阈值；
当所述对数值大于或等于所述预设阈值时，返回所述对所述目标数据进行对数运算，得到对数值的步骤；
当所述对数值大于所述预设阈值时，将所述对数值作为其中一项标准驾驶行为数据；
当每一个所述驾驶行为数据都与预设阈值判断完毕时，汇总所有所述标准驾驶行为数据。
3.如权利要求1所述的基于人工智能的车险用户分类方法，其特征在于，所述对所述用户的车辆信息进行分词处理，并对分词的结果进行向量转换，得到车辆信息向量，包括：
将所述用户的车辆信息按照不同字段长度进行划分，得到待筛选分词；
将所述待筛选分词在预设的词典中进行逐个检索，并将能够在所述词典中检索到的待筛选分词汇集为所述车辆信息的信息分词；
从所述信息分词中逐个选取其中一个词语为目标分词；
对所述目标分词进行字节拆分，得到拆分字节；
对所述拆分字节进行编码，得到每一个拆分字节对应的编码值；
将所述编码值按照每一个拆分字节在所述目标分词中位置的先后顺序拼接为所述目标分词的词向量。
4.如权利要求1所述的基于人工智能的车险用户分类方法，其特征在于，所述利用预先构建的深度神经网络对所述标准驾驶行为数据和所述车辆信息向量进行特征描述，得到输入特征，包括：
利用预先构建的深度神经网络中的输入层对所述标准驾驶行为数据和所述车辆信息向量进行数值转换，得到每一个数据对应的数据数值；
利用所述深度神经网络中的向量化函数将所述数据数值映射为特征向量，并将所述特征向量作为输入特征。
5.如权利要求1所述的基于人工智能的车险用户分类方法，其特征在于，所述将所述输入特征映射至预设的特征空间，得到每个输入特征对应的空间坐标，包括：
利用所述深度神经网络的隐藏层统计每一个所述输入特征的数据维度，选取所述数据维度最大的特征为目标特征；
构建与所述目标特征具有相同维度的特征空间；
利用预设参数将所有输入特征的数据维度扩增至与所述目标特征相同的数据维度；
利用预设的映射函数将扩增后的输入特征映射至所述特征空间，并统计每一个输入特征在所述特征空间中的空间坐标。
6.如权利要求1所述的基于人工智能的车险用户分类方法，其特征在于，所述对所述空间坐标进行激活运算，得到每个所述空间坐标对应的风险系数，包括：
利用所述深度神经网络的输出层中的激活函数分别计算所述空间坐标与多个预设的风险系数标签之间的相对概率值；
选取所述相对概率值最大的风险系数标签为目标标签；
从预设的等级表中查询得到所述目标标签对应的风险系数，并将所述风险系数作为所述空间坐标的风险系数。
7.如权利要求1至6中任一项所述的基于人工智能的车险用户分类方法，其特征在于，所述根据所述出险率和所述风险系数计算用户的风险定级，包括：
利用如下权重算法根据所述出险率和所述风险系数计算用户的风险定级：
Figure FDA0003325874080000031
其中，D为所述风险定级，P为所述出险率，ρm为第m个风险系数，N为所述风险系数的数量，α为预设常数系数。
8.一种基于人工智能的车险用户分类装置，其特征在于，所述装置包括：
数据归一化模块，用于将所述用户的驾驶行为数据进行归一化处理，得到标准驾驶行为数据；
信息向量转换模块，用于对所述用户的车辆信息进行分词处理，并对分词的结果进行向量转换，得到车辆信息向量；
特征输入模块，用于利用预先构建的深度神经网络对所述标准驾驶行为数据和所述车辆信息向量进行特征描述，得到输入特征，并将所述输入特征映射至预设的特征空间，得到每个输入特征对应的空间坐标，对所述空间坐标进行激活运算，得到每个所述空间坐标对应的风险系数；
风险定级模块，用于根据预先获取的用户历史保险数据计算所述用户的出险率，并根据所述出险率和所述风险系数计算所述用户的风险定级。
9.一种电子设备，其特征在于，所述电子设备包括：
至少一个处理器；以及，
与所述至少一个处理器通信连接的存储器；其中，
所述存储器存储有可被所述至少一个处理器执行的计算机程序，所述计算机程序被所述至少一个处理器执行，以使所述至少一个处理器能够执行如权利要求1至7中任意一项所述的基于人工智能的车险用户分类方法。
10.一种计算机可读存储介质，存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现如权利要求1至7中任意一项所述的基于人工智能的车险用户分类方法。
CN202111262246.2A 2021-10-28 2021-10-28 基于人工智能的车险用户分类方法、装置、设备及介质 Pending CN113918718A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202111262246.2A CN113918718A (zh) 2021-10-28 2021-10-28 基于人工智能的车险用户分类方法、装置、设备及介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202111262246.2A CN113918718A (zh) 2021-10-28 2021-10-28 基于人工智能的车险用户分类方法、装置、设备及介质

Publications (1)

Publication Number Publication Date
CN113918718A true CN113918718A (zh) 2022-01-11

Family

ID=79243419

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202111262246.2A Pending CN113918718A (zh) 2021-10-28 2021-10-28 基于人工智能的车险用户分类方法、装置、设备及介质

Country Status (1)

Country Link
CN (1) CN113918718A (zh)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114553541A (zh) * 2022-02-17 2022-05-27 苏州良医汇网络科技有限公司 一种分级校验防爬虫的方法、装置、设备及存储介质
CN115577701A (zh) * 2022-09-23 2023-01-06 刘娇平 针对大数据安全的风险行为识别方法、装置、设备及介质

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106530717A (zh) * 2016-12-26 2017-03-22 长安大学 基于云模型的施工路段行车险态评价方法
CN107610091A (zh) * 2017-07-31 2018-01-19 阿里巴巴集团控股有限公司 车险图像处理方法、装置、服务器及系统
CN109544351A (zh) * 2018-10-12 2019-03-29 平安科技（深圳）有限公司 车辆风险评估方法、装置、计算机设备及存储介质
CN113256436A (zh) * 2021-07-02 2021-08-13 平安科技（深圳）有限公司 车险赔付预提示方法、装置、设备及存储介质

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106530717A (zh) * 2016-12-26 2017-03-22 长安大学 基于云模型的施工路段行车险态评价方法
CN107610091A (zh) * 2017-07-31 2018-01-19 阿里巴巴集团控股有限公司 车险图像处理方法、装置、服务器及系统
CN109544351A (zh) * 2018-10-12 2019-03-29 平安科技（深圳）有限公司 车辆风险评估方法、装置、计算机设备及存储介质
CN113256436A (zh) * 2021-07-02 2021-08-13 平安科技（深圳）有限公司 车险赔付预提示方法、装置、设备及存储介质

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114553541A (zh) * 2022-02-17 2022-05-27 苏州良医汇网络科技有限公司 一种分级校验防爬虫的方法、装置、设备及存储介质
CN114553541B (zh) * 2022-02-17 2024-02-06 苏州良医汇网络科技有限公司 一种分级校验防爬虫的方法、装置、设备及存储介质
CN115577701A (zh) * 2022-09-23 2023-01-06 刘娇平 针对大数据安全的风险行为识别方法、装置、设备及介质
CN115577701B (zh) * 2022-09-23 2023-09-19 刘娇平 针对大数据安全的风险行为识别方法、装置、设备及介质

Similar Documents

Publication Publication Date Title
CN112507936B (zh) 图像信息审核方法、装置、电子设备及可读存储介质
CN113157927B (zh) 文本分类方法、装置、电子设备及可读存储介质
CN107704512A (zh) 基于社交数据的金融产品推荐方法、电子装置及介质
CN113688923B (zh) 订单异常智能检测方法、装置、电子设备及存储介质
CN113918718A (zh) 基于人工智能的车险用户分类方法、装置、设备及介质
CN111652278A (zh) 用户行为检测方法、装置、电子设备及介质
CN114781832A (zh) 课程推荐方法、装置、电子设备及存储介质
CN113706291A (zh) 欺诈风险预测方法、装置、设备及存储介质
CN114638547A (zh) 企业战略智能预警方法、装置、电子设备及存储介质
CN113658002B (zh) 基于决策树的交易结果生成方法、装置、电子设备及介质
CN113628043B (zh) 基于数据分类的投诉有效性判断方法、装置、设备及介质
CN113656690B (zh) 产品推荐方法、装置、电子设备及可读存储介质
CN115018588A (zh) 产品推荐方法、装置、电子设备及可读存储介质
CN113505273A (zh) 基于重复数据筛选的数据排序方法、装置、设备及介质
CN113705201B (zh) 基于文本的事件概率预测评估算法、电子设备及存储介质
CN116401606A (zh) 欺诈行为识别方法、装置、设备及介质
CN115809930A (zh) 基于数据融合匹配的反欺诈分析方法、装置、设备及介质
CN113706019B (zh) 基于多维数据的业务能力分析方法、装置、设备及介质
CN113706207A (zh) 基于语义解析的订单成交率分析方法、装置、设备及介质
CN111652281B (zh) 信息数据的分类方法、装置及可读存储介质
CN113657546A (zh) 信息分类方法、装置、电子设备及可读存储介质
CN113888760A (zh) 基于软件应用的违规信息监控方法、装置、设备及介质
CN113657488B (zh) 基于驾驶行为的用户分级方法、装置、设备及存储介质
CN113688924B (zh) 异常订单检测方法、装置、设备及介质
CN113592606B (zh) 基于多重决策的产品推荐方法、装置、设备及存储介质

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