CN116681534A - 基于改进dtw算法的车险欺诈预测方法及其相关设备 - Google Patents
基于改进dtw算法的车险欺诈预测方法及其相关设备 Download PDFInfo
- Publication number
- CN116681534A CN116681534A CN202310505437.XA CN202310505437A CN116681534A CN 116681534 A CN116681534 A CN 116681534A CN 202310505437 A CN202310505437 A CN 202310505437A CN 116681534 A CN116681534 A CN 116681534A
- Authority
- CN
- China
- Prior art keywords
- model
- training
- fraudulent
- fraud
- driving track
- 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 58
- 238000012549 training Methods 0.000 claims abstract description 179
- 238000012545 processing Methods 0.000 claims abstract description 56
- 238000013528 artificial neural network Methods 0.000 claims abstract description 44
- 238000012795 verification Methods 0.000 claims description 92
- 238000012512 characterization method Methods 0.000 claims description 40
- 238000004364 calculation method Methods 0.000 claims description 30
- 238000000605 extraction Methods 0.000 claims description 9
- 238000005457 optimization Methods 0.000 claims description 6
- 238000013526 transfer learning Methods 0.000 claims description 6
- 238000009825 accumulation Methods 0.000 claims description 4
- 230000008859 change Effects 0.000 claims description 4
- 230000006399 behavior Effects 0.000 abstract description 10
- 238000013473 artificial intelligence Methods 0.000 abstract description 9
- 238000005516 engineering process Methods 0.000 description 9
- 238000004891 communication Methods 0.000 description 4
- 238000010586 diagram Methods 0.000 description 4
- 230000003287 optical effect Effects 0.000 description 3
- 230000006835 compression Effects 0.000 description 2
- 238000007906 compression Methods 0.000 description 2
- 230000003993 interaction Effects 0.000 description 2
- 238000010801 machine learning Methods 0.000 description 2
- 238000013508 migration Methods 0.000 description 2
- 230000005012 migration Effects 0.000 description 2
- 230000008569 process Effects 0.000 description 2
- 238000013459 approach Methods 0.000 description 1
- 238000003491 array Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000013524 data verification Methods 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 235000019800 disodium phosphate Nutrition 0.000 description 1
- 239000000835 fiber Substances 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 230000010365 information processing Effects 0.000 description 1
- 238000007726 management method Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000003058 natural language processing Methods 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
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
- 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
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
-
- 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
-
- 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
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02T—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO TRANSPORTATION
- Y02T10/00—Road transport of goods or passengers
- Y02T10/10—Internal combustion engine [ICE] based vehicles
- Y02T10/40—Engine management systems
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Business, Economics & Management (AREA)
- Biophysics (AREA)
- Finance (AREA)
- Software Systems (AREA)
- Mathematical Physics (AREA)
- Computing Systems (AREA)
- Molecular Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- General Health & Medical Sciences (AREA)
- Computational Linguistics (AREA)
- Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Accounting & Taxation (AREA)
- General Business, Economics & Management (AREA)
- Development Economics (AREA)
- Economics (AREA)
- Marketing (AREA)
- Strategic Management (AREA)
- Technology Law (AREA)
- Financial Or Insurance-Related Operations Such As Payment And Settlement (AREA)
Abstract
本申请实施例属于人工智能技术领域,应用于车险应用模型训练领域中,涉及一种基于改进DTW算法的车险欺诈预测方法及其相关设备,包括获取车险欺诈案件中若干车辆的欺诈性驾驶轨迹数据,构建训练集;将所述训练集输入基于改进DTW算法的神经网络学习模型,进行模型训练,获得欺诈性识别模型;获取输入到所述欺诈性识别模型中的待进行欺诈预测的驾驶轨迹数据,通过所述欺诈性识别模型处理,获得模型识别结果;根据所述模型识别结果和预设的预测方式,预测所述待进行欺诈预测的驾驶轨迹数据是否为车险欺诈数据。通过改进DTW算法使得预测方更加科学合理的结合驾驶行为数据进行车险欺诈性识别,提升预测准确率,降低因车险骗保而造成的损失。
Description
技术领域
本申请涉及人工智能技术领域,尤其涉及一种基于改进DTW算法的车险欺诈预测方法及其相关设备。
背景技术
现有车险理赔风控中,对报案到理赔的特征大部分是基于二维的维度的结构化数据,既记录该事件,如投保,报案等,当下的状态,因此多是运用有监督学习中的机器学期的二分类模型。对于时间维度仅仅只是停留在各种时间差上,如投保时间与报案时间的差异。也因此车险风控的局限性也日益体现,如果无法突破特征的上限,扩充特征因子,车险欺诈骗保所造成的渗漏风险也会越来越大。
无论是基于二维的维度的结构化数据,既记录该事件,如投保,报案等,还是时间维度仅仅只是停留在各种时间差上,如投保时间与报案时间的差异,这些都车险欺诈的判别方式,都是采用投保或者理赔时的合同约定条款项的特征,没有与驾驶人的驾驶行为产生判别关联,造成车险欺诈识别的依据还不够具有说服力。因此,现有技术在车险欺诈风险识别中,还存在无法科学合理的结合驾驶行为数据进行车险欺诈性识别的问题。
发明内容
本申请实施例的目的在于提出一种基于改进DTW算法的车险欺诈预测方法及其相关设备,以解决现有技术在车险欺诈风险识别中,还存在无法科学合理的结合驾驶行为数据进行车险欺诈性识别的问题。
为了解决上述技术问题,本申请实施例提供一种基于改进DTW算法的车险欺诈预测方法,采用了如下所述的技术方案:
一种基于改进DTW算法的车险欺诈预测方法,包括下述步骤:
获取车险欺诈案件中若干车辆的欺诈性驾驶轨迹数据,构建训练集;
将所述训练集输入基于改进DTW算法的神经网络学习模型,进行模型训练,获得欺诈性识别模型;
获取输入到所述欺诈性识别模型中的待进行欺诈预测的驾驶轨迹数据,通过所述欺诈性识别模型处理,获得模型识别结果;
根据所述模型识别结果和预设的预测方式,预测所述待进行欺诈预测的驾驶轨迹数据是否为车险欺诈数据。
进一步的,在执行所述将所述训练集输入基于改进DTW算法的神经网络学习模型的步骤之前,所述方法还包括:
获取预先采用有监督式学习框架和改进DTW算法所构建的初始化训练模型,其中,所述初始化训练模型由BP神经网络构建;
对所述训练集中每一条欺诈性驾驶轨迹数据都设置初训练标签;
所述将所述训练集输入基于改进DTW算法的神经网络学习模型的步骤,具体包括:
将所述训练集及所述初训练标签一并输入到所述初始化训练模型。
进一步的,所述进行模型训练,获得欺诈性识别模型的步骤,具体包括:
采用有监督训练方式,并基于所述训练集中每一条欺诈性驾驶轨迹数据对所述初始化训练模型进行训练,获得待验证模型;
获取车险欺诈案件中非所述若干车辆所对应的欺诈性驾驶轨迹数据,构建验证集,其中,所述构建验证集的步骤,还包括对所述获取的车险欺诈案件中非所述若干车辆所对应的欺诈性驾驶轨迹数据设置验证标签;
将所述验证集及验证标签一并输入所述待验证模型;
通过所述验证集及验证标签对所述待验证模型进行模型验证和调优处理,获得预训练模型;
获取所述预训练模型中BP神经网络的网络参数信息,其中,所述BP神经网络的网络参数信息包括所述BP神经网络的隐含层到输出层的权重和偏置,输入层到隐含层的权重和偏置;
采用迁移学习方式将所述BP神经网络的网络参数信息部署到采用所述有监督式学习框架和改进DTW算法所构建的新训练模型,获得所述欺诈性识别模型。
进一步的,在执行所述采用有监督训练方式,并基于所述训练集中每一条欺诈性驾驶轨迹数据对所述初始化训练模型进行训练的步骤之前,所述方法还包括:
获取预先设置的时间序列处理参数和改进DTW算法的输出参数,其中,所述时间序列处理参数包括处理起始时间点、预设的时间间隔值,所述改进DTW算法的输出参数包括每个时间间隔点时所对应的行驶轨迹点、行驶距离和瞬时速度;
预先以初始的行驶轨迹点对应的GPS坐标点为空号坐标系原点,以所述行驶轨迹点与原点间的直接距离变化为空间坐标系X轴、所述行驶距离与原点的行驶里程距离为空间坐标系Y轴和所述瞬时速度的变化为空间坐标系Z轴,构建空间坐标系;
所述采用有监督训练方式,并基于所述训练集中每一条欺诈性驾驶轨迹数据对所述初始化训练模型进行训练的步骤,具体包括:
根据所述处理起始时间点和预设的时间间隔值,对所述训练集中每一条欺诈性驾驶轨迹数据进行时间序列化处理;
获取所述训练集中每一条欺诈性驾驶轨迹数据对应的时间序列数据;
基于改进DTW算法对所述训练集中每一条欺诈性驾驶轨迹数据对应的时间序列数据进行时间序列特征提取,获取每个时间间隔点时所对应的行驶轨迹点、行驶距离和瞬时速度;
将所述每个时间间隔点时所对应的行驶轨迹点、行驶距离和瞬时速度输出到所述空间坐标系中,获得对应的空间表征序列;
将所述训练集中每一条欺诈性驾驶轨迹数据对应的空间表征序列作为训练输出结果,完成对所述初始化训练模型的训练,获得所述待验证模型。
进一步的,所述通过所述验证集及验证标签对所述待验证模型进行模型验证和调优处理,获得预训练模型的步骤,具体包括:
步骤A,根据所述处理起始时间点和预设的时间间隔值,对所述验证集中每个欺诈性驾驶轨迹数据进行时间序列化处理;
步骤B,获取所述验证集中每个欺诈性驾驶轨迹数据对应的时间序列数据;
步骤C,基于改进DTW算法对所述验证集中每个欺诈性驾驶轨迹数据对应的时间序列数据进行时间序列特征提取,获取每个时间间隔点时所对应的行驶轨迹点、行驶距离和瞬时速度;
步骤D,将所述每个时间间隔点时所对应的行驶轨迹点、行驶距离和瞬时速度输出到所述空间坐标系中,获得对应的空间表征序列;
步骤E,将所述验证集中每个欺诈性驾驶轨迹数据对应的空间表征序列作为验证输出结果;
步骤F,依次获取所述验证输出结果中每一条空间表征序列与所述训练输出结果中所有空间表征序列进行序列相似度计算,获取序列相似度计算结果;
步骤G,若至少存在一个序列相似度计算结果大于预设的相似阈值,则当前条空间表征序列验证成功;
步骤H,若不存在序列相似度计算结果大于预设的相似阈值,则当前条空间表征序列验证失败,通过反向传播方式调整所述BP神经网络的网络参数信息,对所述待验证模型进行调优处理;
步骤I,获取并整理验证失败的所有空间表征序列,更新所述验证输出结果,重复执行步骤F至步骤I,直到所述验证集中每个欺诈性驾驶轨迹数据对应的空间表征序列都验证成功,所述待验证模型调优处理完成。
进一步的,在执行所述若至少存在一个序列相似度计算结果大于预设的相似阈值,则当前条空间表征序列验证成功的步骤之后,所述方法还包括:
将验证成功时所述验证结果中相应的目标空间表征序列加入到所述训练输出结果中,对所述训练输出结果进行增量式累加。
进一步的,所述通过所述欺诈性识别模型处理,获得模型识别结果的步骤,具体包括:
根据所述处理起始时间点和预设的时间间隔值,对所述待进行欺诈预测的驾驶轨迹数据进行时间序列化处理;
获取所述待进行欺诈预测的驾驶轨迹数据对应的时间序列数据;
基于改进DTW算法对所述时间序列数据进行时间序列特征提取,获取每个时间间隔点时所对应的行驶轨迹点、行驶距离和瞬时速度;
将所述每个时间间隔点时所对应的行驶轨迹点、行驶距离和瞬时速度输出到所述空间坐标系中,获得所述待进行欺诈预测的驾驶轨迹数据对应的空间表征序列作为所述模型识别结果。
进一步的,所述根据所述模型识别结果和预设的预测方式,预测所述待进行欺诈预测的驾驶轨迹数据是否为车险欺诈数据的步骤,具体包括:
依次将所述模型识别结果与所述训练输出结果中所有空间表征序列进行序列相似度计算,获取序列相似度计算结果;
若至少存在一个序列相似度计算结果大于预设的相似阈值,则验证成功,所述待进行欺诈预测的驾驶轨迹数据为车险欺诈数据;
若不存在序列相似度计算结果大于预设的相似阈值,则验证失败,所述待进行欺诈预测的驾驶轨迹数据为车险正常数据。
为了解决上述技术问题,本申请实施例还提供一种基于改进DTW算法的车险欺诈预测装置,采用了如下所述的技术方案:
一种基于改进DTW算法的车险欺诈预测装置,包括:
训练集获取模块,用于获取车险欺诈案件中若干车辆的欺诈性驾驶轨迹数据,构建训练集;
模型训练模块,用于将所述训练集输入基于改进DTW算法的神经网络学习模型,进行模型训练,获得欺诈性识别模型;
模型预测模块,用于获取输入到所述欺诈性识别模型中的待进行欺诈预测的驾驶轨迹数据,通过所述欺诈性识别模型处理,获得模型识别结果;
欺诈判断模块,用于根据所述模型识别结果和预设的预测方式,预测所述待进行欺诈预测的驾驶轨迹数据是否为车险欺诈数据。
为了解决上述技术问题,本申请实施例还提供一种计算机设备,采用了如下所述的技术方案:
一种计算机设备,包括存储器和处理器,所述存储器中存储有计算机可读指令,所述处理器执行所述计算机可读指令时实现上述所述的基于改进DTW算法的车险欺诈预测方法的步骤。
为了解决上述技术问题,本申请实施例还提供一种计算机可读存储介质,采用了如下所述的技术方案:
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可读指令,所述计算机可读指令被处理器执行时实现如上述所述的基于改进DTW算法的车险欺诈预测方法的步骤。
与现有技术相比,本申请实施例主要有以下有益效果:
本申请实施例所述基于改进DTW算法的车险欺诈预测方法,通过获取车险欺诈案件中若干车辆的欺诈性驾驶轨迹数据,构建训练集;将所述训练集输入基于改进DTW算法的神经网络学习模型,进行模型训练,获得欺诈性识别模型;获取输入到所述欺诈性识别模型中的待进行欺诈预测的驾驶轨迹数据,通过所述欺诈性识别模型处理,获得模型识别结果;根据所述模型识别结果和预设的预测方式,预测所述待进行欺诈预测的驾驶轨迹数据是否为车险欺诈数据。通过改进DTW算法使得预测方更加科学合理的结合驾驶行为数据进行车险欺诈性识别,提升预测准确率,降低因车险骗保而造成的损失。
附图说明
为了更清楚地说明本申请中的方案,下面将对本申请实施例描述中所需要使用的附图作一个简单介绍,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是本申请可以应用于其中的示例性系统架构图;
图2根据本申请的基于改进DTW算法的车险欺诈预测方法的一个实施例的流程图;
图3是图2所示步骤202中进行欺诈性识别模型训练的一个具体实施例的流程图;
图4是图3所示步骤301的一个具体实施例的流程图;
图5是图3所示步骤304的一个具体实施例的流程图;
图6是图2所示步骤203的一个具体实施例的流程图;
图7是图2所示步骤204的一个具体实施例的流程图;
图8根据本申请的基于改进DTW算法的车险欺诈预测装置的一个实施例的结构示意图;
图9根据本申请的计算机设备的一个实施例的结构示意图。
具体实施方式
除非另有定义,本文所使用的所有的技术和科学术语与属于本申请的技术领域的技术人员通常理解的含义相同;本文中在申请的说明书中所使用的术语只是为了描述具体的实施例的目的,不是旨在于限制本申请;本申请的说明书和权利要求书及上述附图说明中的术语“包括”和“具有”以及它们的任何变形,意图在于覆盖不排他的包含。本申请的说明书和权利要求书或上述附图中的术语“第一”、“第二”等是用于区别不同对象,而不是用于描述特定顺序。
在本文中提及“实施例”意味着,结合实施例描述的特定特征、结构或特性可以包含在本申请的至少一个实施例中。在说明书中的各个位置出现该短语并不一定均是指相同的实施例,也不是与其它实施例互斥的独立的或备选的实施例。本领域技术人员显式地和隐式地理解的是,本文所描述的实施例可以与其它实施例相结合。
为了使本技术领域的人员更好地理解本申请方案,下面将结合附图,对本申请实施例中的技术方案进行清楚、完整地描述。
如图1所示,系统架构100可以包括终端设备101、102、103,网络104和服务器105。网络104用以在终端设备101、102、103和服务器105之间提供通信链路的介质。网络104可以包括各种连接类型,例如有线、无线通信链路或者光纤电缆等等。
用户可以使用终端设备101、102、103通过网络104与服务器105交互,以接收或发送消息等。终端设备101、102、103上可以安装有各种通讯客户端应用,例如网页浏览器应用、购物类应用、搜索类应用、即时通信工具、邮箱客户端、社交平台软件等。
终端设备101、102、103可以是具有显示屏并且支持网页浏览的各种电子设备,包括但不限于智能手机、平板电脑、电子书阅读器、MP3播放器(Moving PictureExpertsGroup Audio Layer III,动态影像专家压缩标准音频层面3)、MP4(MovingPictureExperts Group Audio Layer IV,动态影像专家压缩标准音频层面4)播放器、膝上型便携计算机和台式计算机等等。
服务器105可以是提供各种服务的服务器,例如对终端设备101、102、103上显示的页面提供支持的后台服务器。
需要说明的是,本申请实施例所提供的基于改进DTW算法的车险欺诈预测方法一般由服务器/终端设备执行,相应地,基于改进DTW算法的车险欺诈预测装置一般设置于服务器/终端设备中。
应该理解,图1中的终端设备、网络和服务器的数目仅仅是示意性的。根据实现需要,可以具有任意数目的终端设备、网络和服务器。
继续参考图2,示出了根据本申请的基于改进DTW算法的车险欺诈预测方法的一个实施例的流程图。所述的基于改进DTW算法的车险欺诈预测方法,包括以下步骤:
步骤201,获取车险欺诈案件中若干车辆的欺诈性驾驶轨迹数据,构建训练集。
步骤202,将所述训练集输入基于改进DTW算法的神经网络学习模型,进行模型训练,获得欺诈性识别模型。
本实施例中,在执行所述将所述训练集输入基于改进DTW算法的神经网络学习模型的步骤之前,所述方法还包括:获取预先采用有监督式学习框架和改进DTW算法所构建的初始化训练模型,其中,所述初始化训练模型由BP神经网络构建;对所述训练集中每一条欺诈性驾驶轨迹数据都设置初训练标签。
有监督式学习框架主要是对具有概念分类的训练样本进行学习,以尽可能对训练样本集外的数据进行分类预测,本实施例中,将所述训练集,即每一条欺诈性驾驶轨迹数据作为分类为欺诈性的训练样本,通过进行有监督式学习,使得欺诈性识别模型能够对未知分类的驾驶轨迹数据进行分类预测。
以往采用非改进DTW(Dynamic Time Warping,动态时间归整)算法进行时间序列特征提取时,都是采用降至二维的处理方式对时间序列数据进行特征提取,但是,降至二维,导致时间特征损失的维度较多,因此,在对驾驶轨迹数据进行时间序列特征提取时,所获得的数据也往往不够精确,本实施例中,所述改进DTW算法主要在于,至少保留三个时间特征维度,如行驶轨迹点、行驶距离和瞬时速度,并根据保留的时间特征维度,在三维空间坐标系中对驾驶轨迹数据进行时间序列特征提取,从而使得时间特征提取结果较以往未进行DTW算法改进前更加有效,便于结合驾驶轨迹数据对应的更加有效的时间序列特征,进行车险欺诈识别,保证车险理赔风控的准确率。
本实施例中,所述初始化训练模型由BP神经网络构建,BP神经网络是一种多层的前馈神经网络,既能进行前向传播进行训练结果输出,也能通过反向传播进行训练结果误差反馈,从而能够通过误差反馈进行模型调优。
本实施例中,所述将所述训练集输入基于改进DTW算法的神经网络学习模型的步骤,具体包括:将所述训练集及所述初训练标签一并输入到所述初始化训练模型。所述初训练标签指所述训练集中每一条驾驶轨迹数据对应的分类类别,其中,所述分类类别包括欺诈性和非欺诈性,而结合本申请,所述训练集中每一条驾驶轨迹数据都为预先已经明确的欺诈性数据,因此,所述初训练标签指欺诈性类别分类。
继续参考图3,图3是图2所示步骤202中进行欺诈性识别模型训练的一个具体实施例的流程图,所述进行欺诈性识别模型训练的步骤,具体包括:
步骤301,采用有监督训练方式,并基于所述训练集中每一条欺诈性驾驶轨迹数据对所述初始化训练模型进行训练,获得待验证模型;
本实施例中,在执行所述采用有监督训练方式,并基于所述训练集中每一条欺诈性驾驶轨迹数据对所述初始化训练模型进行训练的步骤之前,所述方法还包括:获取预先设置的时间序列处理参数和改进DTW算法的输出参数,其中,所述时间序列处理参数包括处理起始时间点、预设的时间间隔值,所述改进DTW算法的输出参数包括每个时间间隔点时所对应的行驶轨迹点、行驶距离和瞬时速度;预先以初始的行驶轨迹点对应的GPS坐标点为空号坐标系原点,以所述行驶轨迹点与原点间的直接距离变化为空间坐标系X轴、所述行驶距离与原点的行驶里程距离为空间坐标系Y轴和所述瞬时速度的变化为空间坐标系Z轴,构建空间坐标系。
在三维空间坐标系中对驾驶轨迹数据进行时间序列特征提取,从而使得时间特征提取结果较以往未进行DTW算法改进前仅仅在二维坐标系中对驾驶轨迹数据进行时间序列特征提取更加有效,便于结合驾驶轨迹数据对应的更加有效的时间序列特征,进行车险欺诈识别,保证车险理赔风控的准确率。
继续参考图4,图4是图3所示步骤301的一个具体实施例的流程图,包括:
步骤401,根据所述处理起始时间点和预设的时间间隔值,对所述训练集中每一条欺诈性驾驶轨迹数据进行时间序列化处理;
步骤402,获取所述训练集中每一条欺诈性驾驶轨迹数据对应的时间序列数据;
步骤403,基于改进DTW算法对所述训练集中每一条欺诈性驾驶轨迹数据对应的时间序列数据进行时间序列特征提取,获取每个时间间隔点时所对应的行驶轨迹点、行驶距离和瞬时速度;
步骤404,将所述每个时间间隔点时所对应的行驶轨迹点、行驶距离和瞬时速度输出到所述空间坐标系中,获得对应的空间表征序列;
步骤405,将所述训练集中每一条欺诈性驾驶轨迹数据对应的空间表征序列作为训练输出结果,完成对所述初始化训练模型的训练,获得所述待验证模型。
通过对所述训练集中每一条驾驶轨迹数据进行时间序列特征提取,并根据时间序列特征提取出的行驶轨迹点、行驶距离和瞬时速度构建对应的空间表征序列,从而实现了将每一条驾驶轨迹数据对应以三维空间表征序列的形式进行表征,便于后期更加直观的对比识别。
步骤302,获取车险欺诈案件中非所述若干车辆所对应的欺诈性驾驶轨迹数据,构建验证集,其中,所述构建验证集的步骤,还包括对所述获取的车险欺诈案件中非所述若干车辆所对应的欺诈性驾驶轨迹数据设置验证标签;
步骤303,将所述验证集及验证标签一并输入所述待验证模型;
步骤304,通过所述验证集及验证标签对所述待验证模型进行模型验证和调优处理,获得预训练模型;
继续参考图5,图5是图3所示步骤304的一个具体实施例的流程图,包括:
步骤501,根据所述处理起始时间点和预设的时间间隔值,对所述验证集中每个欺诈性驾驶轨迹数据进行时间序列化处理;
步骤502,获取所述验证集中每个欺诈性驾驶轨迹数据对应的时间序列数据;
步骤503,基于改进DTW算法对所述验证集中每个欺诈性驾驶轨迹数据对应的时间序列数据进行时间序列特征提取,获取每个时间间隔点时所对应的行驶轨迹点、行驶距离和瞬时速度;
步骤504,将所述每个时间间隔点时所对应的行驶轨迹点、行驶距离和瞬时速度输出到所述空间坐标系中,获得对应的空间表征序列;
步骤505,将所述验证集中每个欺诈性驾驶轨迹数据对应的空间表征序列作为验证输出结果;
步骤506,依次获取所述验证输出结果中每一条空间表征序列与所述训练输出结果中所有空间表征序列进行序列相似度计算,获取序列相似度计算结果;
步骤507,若至少存在一个序列相似度计算结果大于预设的相似阈值,则当前条空间表征序列验证成功;
本实施例中,在执行所述若至少存在一个序列相似度计算结果大于预设的相似阈值,则当前条空间表征序列验证成功的步骤之后,所述方法还包括:将验证成功时所述验证结果中相应的目标空间表征序列加入到所述训练输出结果中,对所述训练输出结果进行增量式累加。
步骤508,若不存在序列相似度计算结果大于预设的相似阈值,则当前条空间表征序列验证失败,通过反向传播方式调整所述BP神经网络的网络参数信息,对所述待验证模型进行调优处理;
步骤509,获取并整理验证失败的所有空间表征序列,更新所述验证输出结果,重复执行步骤506至步骤509,直到所述验证集中每个欺诈性驾驶轨迹数据对应的空间表征序列都验证成功,所述待验证模型调优处理完成。
通过改进DTW算法,获取验证集中每条驾驶轨迹数据对应的空间表征序列,再根据序列间的相似度比较,进行数据验证,并通过反向传播和增量式累加训练结果的方式对所述待验证模型进行调优处理,保证了最终获得的预训练模型的预测有效性和预测准确性。
步骤305,获取所述预训练模型中BP神经网络的网络参数信息,其中,所述BP神经网络的网络参数信息包括所述BP神经网络的隐含层到输出层的权重和偏置,输入层到隐含层的权重和偏置;
步骤306,采用迁移学习方式将所述BP神经网络的网络参数信息部署到采用所述有监督式学习框架和改进DTW算法所构建的新训练模型,获得所述欺诈性识别模型。
通过采用迁移学习方式将所述BP神经网络的网络参数信息部署到采用所述有监督式学习框架和改进DTW算法所构建的新训练模型,避免了二次训练和因以往训练数据较多导致预测效率过低的情况发生,同时,也保证了新训练模型的高可用性和模型预测效率。
步骤203,获取输入到所述欺诈性识别模型中的待进行欺诈预测的驾驶轨迹数据,通过所述欺诈性识别模型处理,获得模型识别结果。
继续参考图6,图6是图2所示步骤203的一个具体实施例的流程图,包括:
步骤601,根据所述处理起始时间点和预设的时间间隔值,对所述待进行欺诈预测的驾驶轨迹数据进行时间序列化处理;
步骤602,获取所述待进行欺诈预测的驾驶轨迹数据对应的时间序列数据;
步骤603,基于改进DTW算法对所述时间序列数据进行时间序列特征提取,获取每个时间间隔点时所对应的行驶轨迹点、行驶距离和瞬时速度;
步骤604,将所述每个时间间隔点时所对应的行驶轨迹点、行驶距离和瞬时速度输出到所述空间坐标系中,获得所述待进行欺诈预测的驾驶轨迹数据对应的空间表征序列作为所述模型识别结果。
步骤204,根据所述模型识别结果和预设的预测方式,预测所述待进行欺诈预测的驾驶轨迹数据是否为车险欺诈数据。
本实施例中,所述预设的预测方式为若至少存在一个序列相似度计算结果大于预设的相似阈值,则验证成功,所述待进行欺诈预测的驾驶轨迹数据为车险欺诈数据;若不存在序列相似度计算结果大于预设的相似阈值,则验证失败,所述待进行欺诈预测的驾驶轨迹数据为车险正常数据。
继续参考图7,图7是图2所示步骤204的一个具体实施例的流程图,包括:
步骤701,依次将所述模型识别结果与所述训练输出结果中所有空间表征序列进行序列相似度计算,获取序列相似度计算结果;
步骤702,若至少存在一个序列相似度计算结果大于预设的相似阈值,则验证成功,所述待进行欺诈预测的驾驶轨迹数据为车险欺诈数据;
步骤703,若不存在序列相似度计算结果大于预设的相似阈值,则验证失败,所述待进行欺诈预测的驾驶轨迹数据为车险正常数据。
本申请通过获取车险欺诈案件中若干车辆的欺诈性驾驶轨迹数据,构建训练集;将所述训练集输入基于改进DTW算法的神经网络学习模型,进行模型训练,获得欺诈性识别模型;获取输入到所述欺诈性识别模型中的待进行欺诈预测的驾驶轨迹数据,通过所述欺诈性识别模型处理,获得模型识别结果;根据所述模型识别结果和预设的预测方式,预测所述待进行欺诈预测的驾驶轨迹数据是否为车险欺诈数据。通过改进DTW算法使得预测方更加科学合理的结合驾驶行为数据进行车险欺诈性识别,提升预测准确率,降低因车险骗保而造成的损失。
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。
人工智能基础技术一般包括如传感器、专用人工智能芯片、云计算、分布式存储、大数据处理技术、操作/交互系统、机电一体化等技术。人工智能软件技术主要包括计算机视觉技术、机器人技术、生物识别技术、语音处理技术、自然语言处理技术以及机器学习/深度学习等几大方向。
本申请实施例中,通过有监督式学习训练、迁移学习、BP神经网络、反向传播和改进DTW算法使得预测方更加科学合理的结合驾驶行为数据进行车险欺诈性识别。
进一步参考图8,作为对上述图2所示方法的实现,本申请提供了一种基于改进DTW算法的车险欺诈预测装置的一个实施例,该装置实施例与图2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8所示,本实施例所述的基于改进DTW算法的车险欺诈预测装置800包括:训练集获取模块801、模型训练模块802、模型预测模块803和欺诈判断模块804。其中:
训练集获取模块801,用于获取车险欺诈案件中若干车辆的欺诈性驾驶轨迹数据,构建训练集;
模型训练模块802,用于将所述训练集输入基于改进DTW算法的神经网络学习模型,进行模型训练,获得欺诈性识别模型;
模型预测模块803,用于获取输入到所述欺诈性识别模型中的待进行欺诈预测的驾驶轨迹数据,通过所述欺诈性识别模型处理,获得模型识别结果;
欺诈判断模块804,用于根据所述模型识别结果和预设的预测方式,预测所述待进行欺诈预测的驾驶轨迹数据是否为车险欺诈数据。
本实施例中,所述模型训练模块802包括有监督训练子模块、验证集获取子模块、验证数据输入子模块、验证及调优子模块、网络参数信息获取子模块和迁移学习重部署子模块。其中:
有监督训练子模块,用于采用有监督训练方式,并基于所述训练集中每一条欺诈性驾驶轨迹数据对所述初始化训练模型进行训练,获得待验证模型;
验证集获取子模块,用于获取车险欺诈案件中非所述若干车辆所对应的欺诈性驾驶轨迹数据,构建验证集,其中,所述构建验证集的步骤,还包括对所述获取的车险欺诈案件中非所述若干车辆所对应的欺诈性驾驶轨迹数据设置验证标签;
验证数据输入子模块,用于将所述验证集及验证标签一并输入所述待验证模型;
验证及调优子模块,用于通过所述验证集及验证标签对所述待验证模型进行模型验证和调优处理,获得预训练模型;
网络参数信息获取子模块,用于获取所述预训练模型中BP神经网络的网络参数信息,其中,所述BP神经网络的网络参数信息包括所述BP神经网络的隐含层到输出层的权重和偏置,输入层到隐含层的权重和偏置;
迁移学习重部署子模块,用于采用迁移学习方式将所述BP神经网络的网络参数信息部署到采用所述有监督式学习框架和改进DTW算法所构建的新训练模型,获得所述欺诈性识别模型。
本申请通过获取车险欺诈案件中若干车辆的欺诈性驾驶轨迹数据,构建训练集;将所述训练集输入基于改进DTW算法的神经网络学习模型,进行模型训练,获得欺诈性识别模型;获取输入到所述欺诈性识别模型中的待进行欺诈预测的驾驶轨迹数据,通过所述欺诈性识别模型处理,获得模型识别结果;根据所述模型识别结果和预设的预测方式,预测所述待进行欺诈预测的驾驶轨迹数据是否为车险欺诈数据。通过改进DTW算法使得预测方更加科学合理的结合驾驶行为数据进行车险欺诈性识别,提升预测准确率,降低因车险骗保而造成的损失。
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程,是可以通过计算机可读指令来指令相关的硬件来完成,该计算机可读指令可存储于计算机可读取存储介质中,该程序在执行时,可包括如上述各方法的实施例的流程。其中,前述的存储介质可为磁碟、光盘、只读存储记忆体(Read-Only Memory,ROM)等非易失性存储介质,或随机存储记忆体(Random Access Memory,RAM)等。
应该理解的是,虽然附图的流程图中的各个步骤按照箭头的指示依次显示,但是这些步骤并不是必然按照箭头指示的顺序依次执行。除非本文中有明确的说明,这些步骤的执行并没有严格的顺序限制,其可以以其他的顺序执行。而且,附图的流程图中的至少一部分步骤可以包括多个子步骤或者多个阶段,这些子步骤或者阶段并不必然是在同一时刻执行完成,而是可以在不同的时刻执行,其执行顺序也不必然是依次进行,而是可以与其他步骤或者其他步骤的子步骤或者阶段的至少一部分轮流或者交替地执行。
为解决上述技术问题,本申请实施例还提供计算机设备。具体请参阅图9,图9为本实施例计算机设备基本结构框图。
所述计算机设备9包括通过系统总线相互通信连接存储器9a、处理器9b、网络接口9c。需要指出的是,图中仅示出了具有组件9a-9c的计算机设备9,但是应理解的是,并不要求实施所有示出的组件,可以替代的实施更多或者更少的组件。其中,本技术领域技术人员可以理解,这里的计算机设备是一种能够按照事先设定或存储的指令,自动进行数值计算和/或信息处理的设备,其硬件包括但不限于微处理器、专用集成电路(ApplicationSpecific Integrated Circuit,ASIC)、可编程门阵列(Field-Programmable GateArray,FPGA)、数字处理器(Digital Signal Processor,DSP)、嵌入式设备等。
所述计算机设备可以是桌上型计算机、笔记本、掌上电脑及云端服务器等计算设备。所述计算机设备可以与用户通过键盘、鼠标、遥控器、触摸板或声控设备等方式进行人机交互。
所述存储器9a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、硬盘、多媒体卡、卡型存储器(例如,SD或DX存储器等)、随机访问存储器(RAM)、静态随机访问存储器(SRAM)、只读存储器(ROM)、电可擦除可编程只读存储器(EEPROM)、可编程只读存储器(PROM)、磁性存储器、磁盘、光盘等。在一些实施例中,所述存储器9a可以是所述计算机设备9的内部存储单元,例如该计算机设备9的硬盘或内存。在另一些实施例中,所述存储器9a也可以是所述计算机设备9的外部存储设备,例如该计算机设备9上配备的插接式硬盘,智能存储卡(Smart Media Card,SMC),安全数字(Secure Digital,SD)卡,闪存卡(FlashCard)等。当然,所述存储器9a还可以既包括所述计算机设备9的内部存储单元也包括其外部存储设备。本实施例中,所述存储器9a通常用于存储安装于所述计算机设备9的操作系统和各类应用软件,例如基于改进DTW算法的车险欺诈预测方法的计算机可读指令等。此外,所述存储器9a还可以用于暂时地存储已经输出或者将要输出的各类数据。
所述处理器9b在一些实施例中可以是中央处理器(Central Processing Unit,CPU)、控制器、微控制器、微处理器、或其他数据处理芯片。该处理器9b通常用于控制所述计算机设备9的总体操作。本实施例中,所述处理器9b用于运行所述存储器9a中存储的计算机可读指令或者处理数据,例如运行所述基于改进DTW算法的车险欺诈预测方法的计算机可读指令。
所述网络接口9c可包括无线网络接口或有线网络接口,该网络接口9c通常用于在所述计算机设备9与其他电子设备之间建立通信连接。
本实施例提出的计算机设备,属于人工智能技术领域。本申请通过获取车险欺诈案件中若干车辆的欺诈性驾驶轨迹数据,构建训练集;将所述训练集输入基于改进DTW算法的神经网络学习模型,进行模型训练,获得欺诈性识别模型;获取输入到所述欺诈性识别模型中的待进行欺诈预测的驾驶轨迹数据,通过所述欺诈性识别模型处理,获得模型识别结果;根据所述模型识别结果和预设的预测方式,预测所述待进行欺诈预测的驾驶轨迹数据是否为车险欺诈数据。通过改进DTW算法使得预测方更加科学合理的结合驾驶行为数据进行车险欺诈性识别,提升预测准确率,降低因车险骗保而造成的损失。
本申请还提供了另一种实施方式,即提供一种计算机可读存储介质,所述计算机可读存储介质存储有计算机可读指令,所述计算机可读指令可被处理器执行,以使所述处理器执行如上述的基于改进DTW算法的车险欺诈预测方法的步骤。
本实施例提出的计算机可读存储介质,属于人工智能技术领域。本申请通过获取车险欺诈案件中若干车辆的欺诈性驾驶轨迹数据,构建训练集;将所述训练集输入基于改进DTW算法的神经网络学习模型,进行模型训练,获得欺诈性识别模型;获取输入到所述欺诈性识别模型中的待进行欺诈预测的驾驶轨迹数据,通过所述欺诈性识别模型处理,获得模型识别结果;根据所述模型识别结果和预设的预测方式,预测所述待进行欺诈预测的驾驶轨迹数据是否为车险欺诈数据。通过改进DTW算法使得预测方更加科学合理的结合驾驶行为数据进行车险欺诈性识别,提升预测准确率,降低因车险骗保而造成的损失。
通过以上的实施方式的描述,本领域的技术人员可以清楚地了解到上述实施例方法可借助软件加必需的通用硬件平台的方式来实现,当然也可以通过硬件,但很多情况下前者是更佳的实施方式。基于这样的理解,本申请的技术方案本质上或者说对现有技术做出贡献的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(如ROM/RAM、磁碟、光盘)中,包括若干指令用以使得一台终端设备(可以是手机,计算机,服务器,空调器,或者网络设备等)执行本申请各个实施例所述的方法。
显然,以上所描述的实施例仅仅是本申请一部分实施例,而不是全部的实施例,附图中给出了本申请的较佳实施例,但并不限制本申请的专利范围。本申请可以以许多不同的形式来实现,相反地,提供这些实施例的目的是使对本申请的公开内容的理解更加透彻全面。尽管参照前述实施例对本申请进行了详细的说明,对于本领域的技术人员来而言,其依然可以对前述各具体实施方式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效替换。凡是利用本申请说明书及附图内容所做的等效结构,直接或间接运用在其他相关的技术领域,均同理在本申请专利保护范围之内。
Claims (11)
1.一种基于改进DTW算法的车险欺诈预测方法,其特征在于,包括下述步骤:
获取车险欺诈案件中若干车辆的欺诈性驾驶轨迹数据,构建训练集;
将所述训练集输入基于改进DTW算法的神经网络学习模型,进行模型训练,获得欺诈性识别模型;
获取输入到所述欺诈性识别模型中的待进行欺诈预测的驾驶轨迹数据,通过所述欺诈性识别模型处理,获得模型识别结果;
根据所述模型识别结果和预设的预测方式,预测所述待进行欺诈预测的驾驶轨迹数据是否为车险欺诈数据。
2.根据权利要求1所述的基于改进DTW算法的车险欺诈预测方法,其特征在于,在执行所述将所述训练集输入基于改进DTW算法的神经网络学习模型的步骤之前,所述方法还包括:
获取预先采用有监督式学习框架和改进DTW算法所构建的初始化训练模型,其中,所述初始化训练模型由BP神经网络构建;
对所述训练集中每一条欺诈性驾驶轨迹数据都设置初训练标签;
所述将所述训练集输入基于改进DTW算法的神经网络学习模型的步骤,具体包括:
将所述训练集及所述初训练标签一并输入到所述初始化训练模型。
3.根据权利要求2所述的基于改进DTW算法的车险欺诈预测方法,其特征在于,所述进行模型训练,获得欺诈性识别模型的步骤,具体包括:
采用有监督训练方式,并基于所述训练集中每一条欺诈性驾驶轨迹数据对所述初始化训练模型进行训练,获得待验证模型;
获取车险欺诈案件中非所述若干车辆所对应的欺诈性驾驶轨迹数据,构建验证集,其中,所述构建验证集的步骤,还包括对所述获取的车险欺诈案件中非所述若干车辆所对应的欺诈性驾驶轨迹数据设置验证标签;
将所述验证集及验证标签一并输入所述待验证模型;
通过所述验证集及验证标签对所述待验证模型进行模型验证和调优处理,获得预训练模型;
获取所述预训练模型中BP神经网络的网络参数信息,其中,所述BP神经网络的网络参数信息包括所述BP神经网络的隐含层到输出层的权重和偏置,输入层到隐含层的权重和偏置;
采用迁移学习方式将所述BP神经网络的网络参数信息部署到采用所述有监督式学习框架和改进DTW算法所构建的新训练模型,获得所述欺诈性识别模型。
4.根据权利要求3所述的基于改进DTW算法的车险欺诈预测方法,其特征在于,在执行所述采用有监督训练方式,并基于所述训练集中每一条欺诈性驾驶轨迹数据对所述初始化训练模型进行训练的步骤之前,所述方法还包括:
获取预先设置的时间序列处理参数和改进DTW算法的输出参数,其中,所述时间序列处理参数包括处理起始时间点、预设的时间间隔值,所述改进DTW算法的输出参数包括每个时间间隔点时所对应的行驶轨迹点、行驶距离和瞬时速度;
预先以初始的行驶轨迹点对应的GPS坐标点为空号坐标系原点,以所述行驶轨迹点与原点间的直接距离变化为空间坐标系X轴、所述行驶距离与原点的行驶里程距离为空间坐标系Y轴和所述瞬时速度的变化为空间坐标系Z轴,构建空间坐标系;
所述采用有监督训练方式,并基于所述训练集中每一条欺诈性驾驶轨迹数据对所述初始化训练模型进行训练的步骤,具体包括:
根据所述处理起始时间点和预设的时间间隔值,对所述训练集中每一条欺诈性驾驶轨迹数据进行时间序列化处理;
获取所述训练集中每一条欺诈性驾驶轨迹数据对应的时间序列数据;
基于改进DTW算法对所述训练集中每一条欺诈性驾驶轨迹数据对应的时间序列数据进行时间序列特征提取,获取每个时间间隔点时所对应的行驶轨迹点、行驶距离和瞬时速度;
将所述每个时间间隔点时所对应的行驶轨迹点、行驶距离和瞬时速度输出到所述空间坐标系中,获得对应的空间表征序列;
将所述训练集中每一条欺诈性驾驶轨迹数据对应的空间表征序列作为训练输出结果,完成对所述初始化训练模型的训练,获得所述待验证模型。
5.根据权利要求4所述的基于改进DTW算法的车险欺诈预测方法,其特征在于,所述通过所述验证集及验证标签对所述待验证模型进行模型验证和调优处理,获得预训练模型的步骤,具体包括:
步骤A,根据所述处理起始时间点和预设的时间间隔值,对所述验证集中每个欺诈性驾驶轨迹数据进行时间序列化处理;
步骤B,获取所述验证集中每个欺诈性驾驶轨迹数据对应的时间序列数据;
步骤C,基于改进DTW算法对所述验证集中每个欺诈性驾驶轨迹数据对应的时间序列数据进行时间序列特征提取,获取每个时间间隔点时所对应的行驶轨迹点、行驶距离和瞬时速度;
步骤D,将所述每个时间间隔点时所对应的行驶轨迹点、行驶距离和瞬时速度输出到所述空间坐标系中,获得对应的空间表征序列;
步骤E,将所述验证集中每个欺诈性驾驶轨迹数据对应的空间表征序列作为验证输出结果;
步骤F,依次获取所述验证输出结果中每一条空间表征序列与所述训练输出结果中所有空间表征序列进行序列相似度计算,获取序列相似度计算结果;
步骤G,若至少存在一个序列相似度计算结果大于预设的相似阈值,则当前条空间表征序列验证成功;
步骤H,若不存在序列相似度计算结果大于预设的相似阈值,则当前条空间表征序列验证失败,通过反向传播方式调整所述BP神经网络的网络参数信息,对所述待验证模型进行调优处理;
步骤I,获取并整理验证失败的所有空间表征序列,更新所述验证输出结果,重复执行步骤F至步骤I,直到所述验证集中每个欺诈性驾驶轨迹数据对应的空间表征序列都验证成功,所述待验证模型调优处理完成。
6.根据权利要求5所述的基于改进DTW算法的车险欺诈预测方法,其特征在于,在执行所述若至少存在一个序列相似度计算结果大于预设的相似阈值,则当前条空间表征序列验证成功的步骤之后,所述方法还包括:
将验证成功时所述验证结果中相应的目标空间表征序列加入到所述训练输出结果中,对所述训练输出结果进行增量式累加。
7.根据权利要求4至6任一所述的基于改进DTW算法的车险欺诈预测方法,其特征在于,所述通过所述欺诈性识别模型处理,获得模型识别结果的步骤,具体包括:
根据所述处理起始时间点和预设的时间间隔值,对所述待进行欺诈预测的驾驶轨迹数据进行时间序列化处理;
获取所述待进行欺诈预测的驾驶轨迹数据对应的时间序列数据;
基于改进DTW算法对所述时间序列数据进行时间序列特征提取,获取每个时间间隔点时所对应的行驶轨迹点、行驶距离和瞬时速度;
将所述每个时间间隔点时所对应的行驶轨迹点、行驶距离和瞬时速度输出到所述空间坐标系中,获得所述待进行欺诈预测的驾驶轨迹数据对应的空间表征序列作为所述模型识别结果。
8.根据权利要求7所述的基于改进DTW算法的车险欺诈预测方法,其特征在于,所述根据所述模型识别结果和预设的预测方式,预测所述待进行欺诈预测的驾驶轨迹数据是否为车险欺诈数据的步骤,具体包括:
依次将所述模型识别结果与所述训练输出结果中所有空间表征序列进行序列相似度计算,获取序列相似度计算结果;
若至少存在一个序列相似度计算结果大于预设的相似阈值,则验证成功,所述待进行欺诈预测的驾驶轨迹数据为车险欺诈数据;
若不存在序列相似度计算结果大于预设的相似阈值,则验证失败,所述待进行欺诈预测的驾驶轨迹数据为车险正常数据。
9.一种基于改进DTW算法的车险欺诈预测装置,其特征在于,包括:
训练集获取模块,用于获取车险欺诈案件中若干车辆的欺诈性驾驶轨迹数据,构建训练集;
模型训练模块,用于将所述训练集输入基于改进DTW算法的神经网络学习模型,进行模型训练,获得欺诈性识别模型;
模型预测模块,用于获取输入到所述欺诈性识别模型中的待进行欺诈预测的驾驶轨迹数据,通过所述欺诈性识别模型处理,获得模型识别结果;
欺诈判断模块,用于根据所述模型识别结果和预设的预测方式,预测所述待进行欺诈预测的驾驶轨迹数据是否为车险欺诈数据。
10.一种计算机设备,包括存储器和处理器,所述存储器中存储有计算机可读指令,所述处理器执行所述计算机可读指令时实现如权利要求1至8中任一项所述的基于改进DTW算法的车险欺诈预测方法的步骤。
11.一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可读指令,所述计算机可读指令被处理器执行时实现如权利要求1至8中任一项所述的基于改进DTW算法的车险欺诈预测方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310505437.XA CN116681534A (zh) | 2023-05-06 | 2023-05-06 | 基于改进dtw算法的车险欺诈预测方法及其相关设备 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310505437.XA CN116681534A (zh) | 2023-05-06 | 2023-05-06 | 基于改进dtw算法的车险欺诈预测方法及其相关设备 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN116681534A true CN116681534A (zh) | 2023-09-01 |
Family
ID=87788065
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310505437.XA Pending CN116681534A (zh) | 2023-05-06 | 2023-05-06 | 基于改进dtw算法的车险欺诈预测方法及其相关设备 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116681534A (zh) |
-
2023
- 2023-05-06 CN CN202310505437.XA patent/CN116681534A/zh active Pending
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN117395253A (zh) | 一种负载均衡方法、装置、设备及其存储介质 | |
CN115099326A (zh) | 基于人工智能的行为预测方法、装置、设备及存储介质 | |
CN116777642A (zh) | 基于集成学习模型的车险风险参数预测方法及装置 | |
CN114359582B (zh) | 一种基于神经网络的小样本特征提取方法及相关设备 | |
CN116431878A (zh) | 向量检索服务方法、装置、设备及其存储介质 | |
CN114241411B (zh) | 基于目标检测的计数模型处理方法、装置及计算机设备 | |
CN117234844A (zh) | 云服务器异常管理方法、装置、计算机设备及存储介质 | |
CN117235633A (zh) | 机构分类方法、装置、计算机设备及存储介质 | |
CN117034230A (zh) | 一种数据校验方法、装置、设备及其存储介质 | |
CN116451125A (zh) | 一种新能源车车主识别方法、装置、设备及存储介质 | |
CN116703466A (zh) | 基于改进灰狼算法的系统访问量预测方法及其相关设备 | |
CN116681534A (zh) | 基于改进dtw算法的车险欺诈预测方法及其相关设备 | |
CN115185625A (zh) | 基于可配置卡片的自推荐式界面更新方法及其相关设备 | |
CN112949317B (zh) | 文本语义识别方法、装置、计算机设备及存储介质 | |
CN113792342B (zh) | 一种脱敏数据还原的方法、装置、计算机设备及存储介质 | |
CN116307742B (zh) | 一种细分客群的风险识别方法、装置、设备及存储介质 | |
CN116542782A (zh) | 基于近端策略优化车险欺诈识别模型的方法及其相关设备 | |
CN117252713A (zh) | 一种新能源车的风险识别方法、装置、设备及存储介质 | |
CN117114894A (zh) | 一种理赔结果预测方法、装置、设备及其存储介质 | |
CN116824600A (zh) | 一种公司印章识别方法及其相关设备 | |
CN116993516A (zh) | 一种理赔模型解释优化方法、装置、设备及其存储介质 | |
CN116611939A (zh) | 基于深度q学习优化理赔预测模型的方法及其相关设备 | |
CN116468563A (zh) | 理赔事项智能反馈方法、装置、设备及其存储介质 | |
CN117874518A (zh) | 基于人工智能的保险欺诈预测方法、装置、设备及介质 | |
CN117609013A (zh) | 基于模糊加权宽度学习的软件缺陷预测方法及装置 |
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 |