CN116777645A - 一种车险风险预测模型增强调优方法及其相关设备 - Google Patents
一种车险风险预测模型增强调优方法及其相关设备 Download PDFInfo
- Publication number
- CN116777645A CN116777645A CN202310750799.5A CN202310750799A CN116777645A CN 116777645 A CN116777645 A CN 116777645A CN 202310750799 A CN202310750799 A CN 202310750799A CN 116777645 A CN116777645 A CN 116777645A
- Authority
- CN
- China
- Prior art keywords
- matrix
- data
- model
- feature
- risk prediction
- 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
- 238000013058 risk prediction model Methods 0.000 title claims abstract description 136
- 238000000034 method Methods 0.000 title claims abstract description 58
- 230000002708 enhancing effect Effects 0.000 title claims description 19
- 239000011159 matrix material Substances 0.000 claims abstract description 252
- 238000005457 optimization Methods 0.000 claims abstract description 112
- 238000012545 processing Methods 0.000 claims abstract description 96
- 230000009467 reduction Effects 0.000 claims abstract description 80
- 238000012216 screening Methods 0.000 claims abstract description 38
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 35
- 238000012549 training Methods 0.000 claims abstract description 26
- 239000013598 vector Substances 0.000 claims description 18
- 238000007781 pre-processing Methods 0.000 claims description 12
- 238000010276 construction Methods 0.000 claims description 10
- 238000004364 calculation method Methods 0.000 claims description 9
- 238000000354 decomposition reaction Methods 0.000 claims description 6
- 238000003491 array Methods 0.000 claims description 4
- 238000005516 engineering process Methods 0.000 abstract description 13
- 230000002787 reinforcement Effects 0.000 description 10
- 238000010586 diagram Methods 0.000 description 6
- 238000013473 artificial intelligence Methods 0.000 description 5
- 238000000513 principal component analysis Methods 0.000 description 5
- 230000003190 augmentative effect Effects 0.000 description 4
- 238000004891 communication Methods 0.000 description 4
- 230000008569 process Effects 0.000 description 4
- 230000003287 optical effect Effects 0.000 description 3
- 230000006399 behavior Effects 0.000 description 2
- 238000012512 characterization method Methods 0.000 description 2
- 230000000295 complement effect Effects 0.000 description 2
- 230000006835 compression Effects 0.000 description 2
- 238000007906 compression Methods 0.000 description 2
- 238000003066 decision tree Methods 0.000 description 2
- 230000003993 interaction Effects 0.000 description 2
- 238000010606 normalization Methods 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000004069 differentiation Effects 0.000 description 1
- 235000019800 disodium phosphate Nutrition 0.000 description 1
- 239000000835 fiber Substances 0.000 description 1
- 230000010365 information processing Effects 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000012067 mathematical 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
- 231100000279 safety data Toxicity 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 238000007619 statistical method Methods 0.000 description 1
- 239000002699 waste material Substances 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
- G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
- G06F17/10—Complex mathematical operations
- G06F17/16—Matrix or vector computation, e.g. matrix-matrix or matrix-vector multiplication, matrix factorization
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/20—Design optimisation, verification or simulation
- G06F30/27—Design optimisation, verification or simulation using machine learning, e.g. artificial intelligence, neural networks, support vector machines [SVM] or training a model
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Mathematical Physics (AREA)
- Business, Economics & Management (AREA)
- Data Mining & Analysis (AREA)
- Pure & Applied Mathematics (AREA)
- Mathematical Optimization (AREA)
- Software Systems (AREA)
- Mathematical Analysis (AREA)
- Finance (AREA)
- Accounting & Taxation (AREA)
- Computational Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Evolutionary Computation (AREA)
- Strategic Management (AREA)
- Medical Informatics (AREA)
- Computer Hardware Design (AREA)
- Geometry (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Artificial Intelligence (AREA)
- Computing Systems (AREA)
- General Business, Economics & Management (AREA)
- Technology Law (AREA)
- Marketing (AREA)
- Economics (AREA)
- Algebra (AREA)
- Development Economics (AREA)
- Databases & Information Systems (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本申请实施例属于金融科技技术领域，涉及一种车险风险预测模型增强调优方法及其相关设备，包括获取对车险定价风险进行预测的全量数据；输入到初训练完成的风险预测模型，获得预测特征矩阵，通过全量数据的实际特征矩阵和预测特征矩阵，获得模型残差；筛选出全量数据中的低覆盖度因子分别对应的数据；构建包含各个低覆盖度因子的特征稀疏矩阵；对特征稀疏矩阵进行降维处理；根据降维处理结果和预设的增强调优算法对风险预测模型进行增强建模优化。通过对低覆盖度因子进行降维处理，并结合增强调优算法，对车险风险预测模型增强调优，既能将低覆盖度因子纳入预测模型中，大幅提升数据利用率，也能有效提升模型预测能力及稳定性，降低预测误差。
Description
技术领域
本申请涉及金融科技技术领域，尤其涉及一种车险风险预测模型增强调优方法及其相关设备。
背景技术
汽车保险精算建模，是通过数学和统计方法，使用历史数据中对风险比较敏感的因子，建立风险预测模型，从而可以对车险客户风险预期进行分级。通过让优质的客户可以享受价格优惠和更优的服务，让更多的客户有意愿向优质客户转变，从而降低整个社会汽车事故率，提升道路交通安全水平。
传统的精算风险建模对数据要求很高，对入模的因子取值和因子质量都要求很高。而实际在业务发展的过程中，除了常规业务数据，也会积累很多额外的业务数据。这部分业务数据虽然只覆盖了一小部分用户，但是使用这部分数据可以加工很多额外的因子，这些额外的因子在这一小部分用户中有明显的风险区分度。现在传统的风险模型中因为这部分因子覆盖度用户很少，在实际建模的时候只能舍弃掉，没有办法很好利用这一部分数据和因子，而无法利用这一部分数据和因子，也容易导致模型出现预测误差。因此，现有技术在进行车险风险预测模型的构建上，存在无法合理使用低覆盖度因子，从而导致车险风险预测产生较大误差的问题。
发明内容
本申请实施例的目的在于提出一种车险风险预测模型增强调优方法及其相关设备，以解决现有技术在进行车险风险预测模型的构建上，无法合理使用低覆盖度因子，从而导致车险风险预测产生较大误差的问题。
为了解决上述技术问题，本申请实施例提供一种车险风险预测模型增强调优方法，采用了如下所述的技术方案：
一种车险风险预测模型增强调优方法，包括下述步骤：
获取对车险定价风险进行预测的全量数据；
将所述全量数据输入到初训练完成的风险预测模型，进行矩阵化处理，获得预测特征矩阵，通过所述全量数据的实际特征矩阵和所述预测特征矩阵，获得所述风险预测模型的模型残差，其中，所述风险预测模型根据所述全量数据中的各个高覆盖度因子以及各个高覆盖度因子分别对应的数据所构建；
筛选出所述全量数据中的各个低覆盖度因子，以及各个低覆盖度因子分别对应的数据；
以各个低覆盖度因子为特征因子，构建包含各个低覆盖度因子的特征稀疏矩阵；
对所述特征稀疏矩阵进行降维处理，获取降维处理结果；
根据所述降维处理结果和预设的增强调优算法对所述风险预测模型进行增强建模优化，直到优化之后的风险预测模型的模型残差满足预设的残差阈值，优化完成。
进一步的，在执行所述获取对车险定价风险进行预测的全量数据的步骤之后，所述方法还包括：
根据预设的划分规则，将所述全量数据划分为高覆盖度因子对应的数据和低覆盖度因子对应的数据，其中，所述预设的划分规则为判断具备目标因子的用户量在全量用户中的占比是否超过预设比例阈值，若所述占比超过预设比例阈值，则所述目标因子为高覆盖度因子，若所述占比未超过预设比例阈值，则所述目标因子为低覆盖度因子；
按照因子名称的不同分别整理出各个高覆盖度因子所对应的数据和各个低覆盖度因子所对应的数据，将整理结果作为全量数据划分结果，其中，所述因子指对车险定价风险进行预测起一定影响作用的因素。
进一步的，所述全量数据中每个用户对应的单条数据都对应一定的风险等级，在执行所述将所述全量数据输入到初训练完成的风险预测模型，进行矩阵化处理，获得预测特征矩阵的步骤之前，所述方法还包括：
将整理出的所述各个高覆盖度因子所对应的数据作为待构建的风险预测模型的输入数据；
将所述各个高覆盖度因子作为待构建的风险预测模型的模型因子；
根据所述输入数据、模型因子和所述全量数据中每个用户对应的单条数据的风险等级，进行模型训练，获得初训练完成的风险预测模型；
所述将所述全量数据输入到初训练完成的风险预测模型，进行矩阵化处理，获得预测特征矩阵的步骤，具体包括：
根据所述风险预测模型中的模型因子，从所述全量数据中筛选出各个模型因子对应的数据；
对所述各个模型因子对应的数据进行矩阵化整理，获得矩阵化整理结果，其中，所述矩阵化整理结果中的每行对应不同用户，每列对应不同模型因子；
对所述矩阵化整理结果进行预处理，获取所述全量数据对应的预测特征矩阵，其中，所述预处理包括去中心化处理和归一化处理，具体的，先分别对同列数据进行去中心化处理，再对去中心化处理后的矩阵数据进行同行归一化处理。
进一步的，在执行所述通过所述全量数据的实际特征矩阵和所述预测特征矩阵，获得所述风险预测模型的模型残差的步骤之前，所述方法还包括：
对所述全量数据进行矩阵化整理，获得矩阵化整理结果，其中，所述矩阵化整理结果中的每行对应不同用户，每列对应所述全量数据所包含的所有因子中的不同因子；
对所述矩阵化整理结果进行预处理，获取所述全量数据对应的实际特征矩阵，其中，所述预处理包括去中心化处理和归一化处理，具体的，先分别对同列数据进行去中心化处理，再对去中心化处理后的矩阵数据进行同行归一化处理；
所述通过所述全量数据的实际特征矩阵和所述预测特征矩阵，获得所述风险预测模型的模型残差的步骤，具体包括：
从所述全量数据的实际特征矩阵中筛选出所述各个模型因子对应的特征数据，作为实际特征数据；
按照所述预测特征矩阵中的矩阵阵列，对所述实际特征数据进行矩阵阵列重构，获取所述各个模型因子对应的重构矩阵；
以矩阵比较方式，计算所述预测特征矩阵和所述重构矩阵的差值，获得差值矩阵，即所述风险预测模型的模型残差。
进一步的，所述筛选出所述全量数据中的各个低覆盖度因子，以及各个低覆盖度因子分别对应的数据的步骤，具体包括：
根据所述全量数据划分结果，筛选出所述全量数据中的各个低覆盖度因子，以及各个低覆盖度因子分别对应的数据；
所述以各个低覆盖度因子为特征因子，构建包含各个低覆盖度因子的数据稀疏矩阵的步骤，具体包括：
统计所述全量数据中的各个低覆盖度因子数量，以及所述全量数据对应的用户数量；
根据所述全量数据中的各个低覆盖度因子数量，以及所述全量数据对应的用户数量，构建N行M列的初始化矩阵，其中，M表示所述全量数据中的各个低覆盖度因子数量，N表示所述全量数据对应的用户数量，所述初始化矩阵内的初始阵列值都为0；
逐个获取每个用户在各个低覆盖度因子分别对应的数据，并将各个低覆盖度因子分别对应的数据更新到所述初始化矩阵的相应位置处，获取更新后的矩阵作为所述特征稀疏矩阵。
进一步的，在执行所述对所述特征稀疏矩阵进行降维处理，获取降维处理结果的步骤之前，所述方法还包括：
筛选出所述特征稀疏矩阵中同行数据都为初始阵列值的矩阵行，并删除所述矩阵行，获取更新后的新矩阵作为所述特征稀疏矩阵；
所述对所述特征稀疏矩阵进行降维处理，获取降维处理结果的步骤，具体包括：
获取所述特征稀疏矩阵的转置矩阵，将所述特征稀疏矩阵与其对应的转置矩阵相乘，获取协方差矩阵；
采用SVD矩阵分解方式，获取所述协方差矩阵中的特征值和特征向量；
按照从大到小排列顺序累加所述协方差矩阵中的特征值，直到累加的特征值所对应的所有特征向量的总贡献率达到预设的贡献率阈值，降维处理完成；
获取降维处理完成时的矩阵作为所述降维处理结果。
进一步的，所述根据所述降维处理结果和预设的增强调优算法对所述风险预测模型进行增强建模优化，直到优化之后的风险预测模型的模型残差满足预设的残差阈值，优化完成的步骤，具体包括：
步骤601,将所述降维处理结果和预设的增强调优算法部署到所述风险预测模型内，获得风险预测增强调优模型，其中，所述预设的增强调优算法为GBDT调优算法；
步骤602,按照特征向量的贡献率大小顺序，从所述降维处理结果中筛选新的特征向量作为新引入模型因子的特征向量，添加到所述风险预测增强调优模型内；
步骤603，将所述全量数据输入到所述风险预测增强调优模型内，进行矩阵化处理，获得预测特征矩阵；
步骤604,从所述全量数据的实际特征矩阵中筛选出所述风险预测增强调优模型内各个模型因子对应的特征数据，作为实际特征数据；
步骤605，按照所述预测特征矩阵中的矩阵阵列，对所述实际特征数据进行矩阵阵列重构，获取所述各个模型因子对应的重构矩阵；
步骤606，以矩阵比较方式，计算所述预测特征矩阵和所述重构矩阵的差值，获得差值矩阵，即所述风险预测增强调优模型的模型残差；
步骤607，根据所述GBDT调优算法，循环执行步骤602至步骤607，所述风险预测增强调优模型的模型残差，直到所述模型残差满足预设的残差阈值，优化完成。
为了解决上述技术问题，本申请实施例还提供一种车险风险预测模型增强调优装置，采用了如下所述的技术方案：
一种车险风险预测模型增强调优装置，包括：
全量数据获取模块，用于获取对车险定价风险进行预测的全量数据；
模型残差计算模块，用于将所述全量数据输入到初训练完成的风险预测模型，进行矩阵化处理，获得预测特征矩阵，通过所述全量数据的实际特征矩阵和所述预测特征矩阵，获得所述风险预测模型的模型残差，其中，所述风险预测模型根据所述全量数据中的各个高覆盖度因子以及各个高覆盖度因子分别对应的数据所构建；
低覆盖度因子信息筛选模块，用于筛选出所述全量数据中的各个低覆盖度因子，以及各个低覆盖度因子分别对应的数据；
特征稀疏矩阵构建模块，用于以各个低覆盖度因子为特征因子，构建包含各个低覆盖度因子的特征稀疏矩阵；
降维处理模块，用于对所述特征稀疏矩阵进行降维处理，获取降维处理结果；
增强优化模块，用于根据所述降维处理结果和预设的增强调优算法对所述风险预测模型进行增强建模优化，直到优化之后的风险预测模型的模型残差满足预设的残差阈值，优化完成。
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车险风险预测模型增强调优方法的步骤。
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车险风险预测模型增强调优方法的步骤。
与现有技术相比，本申请实施例主要有以下有益效果：
本申请实施例所述车险风险预测模型增强调优方法，通过获取对车险定价风险进行预测的全量数据；将所述全量数据输入到初训练完成的风险预测模型，进行矩阵化处理，获得预测特征矩阵，通过所述全量数据的实际特征矩阵和所述预测特征矩阵，获得所述风险预测模型的模型残差；筛选出所述全量数据中的各个低覆盖度因子，以及各个低覆盖度因子分别对应的数据；以各个低覆盖度因子为特征因子，构建包含各个低覆盖度因子的特征稀疏矩阵；对所述特征稀疏矩阵进行降维处理，获取降维处理结果；根据所述降维处理结果和预设的增强调优算法对所述风险预测模型进行增强建模优化，直到优化之后的风险预测模型的模型残差满足预设的残差阈值，优化完成。通过对低覆盖度因子进行降维处理，并结合增强调优算法，将低覆盖度因子使用到对车险风险预测模型的增强优化上，既能将原本低覆盖度因子纳入预测模型中，大幅提升预测模型的使用信息量，提升数据利用率，也能有效提升模型预测能力及稳定性，降低预测误差。
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根据本申请的车险风险预测模型增强调优方法的一个实施例的流程图；
图3是图2所示步骤204的一个具体实施例的流程图；
图4是图3所示步骤303的一个具体实施例的流程图；
图5是图2所示步骤205的一个具体实施例的流程图；
图6是图2所示步骤206的一个具体实施例的流程图；
图7根据本申请的车险风险预测模型增强调优装置的一个实施例的结构示意图；
图8是图7中所述模块702的一个具体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车险风险预测模型增强调优方法一般由服务器/终端设备执行，相应地，车险风险预测模型增强调优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车险风险预测模型增强调优方法的一个实施例的流程图。所述的车险风险预测模型增强调优方法，包括以下步骤：
步骤201，获取对车险定价风险进行预测的全量数据。
本实施例中，在执行所述获取对车险定价风险进行预测的全量数据的步骤之后，所述方法还包括：根据预设的划分规则，将所述全量数据划分为高覆盖度因子对应的数据和低覆盖度因子对应的数据；按照因子名称的不同分别整理出各个高覆盖度因子所对应的数据和各个低覆盖度因子所对应的数据，将整理结果作为全量数据划分结果。
通过将全量数据划分为高覆盖度因子对应的数据和低覆盖度因子对应的数据，以及对全量数据划分整理，方便在后程序在初始模型构建和优化步骤时对数据的选择与调用。
本实施例中，所述预设的划分规则为判断具备目标因子的用户量在全量用户中的占比是否超过预设比例阈值，若所述占比超过预设比例阈值，则所述目标因子为高覆盖度因子，若所述占比未超过预设比例阈值，则所述目标因子为低覆盖度因子。
本实施例中，所述因子指对车险定价风险进行预测起一定影响作用的因素，例如：驾驶行为数据、车辆安全数据、车辆行驶速度、驾驶人年龄等为高覆盖度因子，即大多数用户都具备的因子；还包括是否存在代驾数据、代驾频率、代驾司机驾驶行为数据等低覆盖度因子，即少量用户具备的因子。
步骤202，将所述全量数据输入到初训练完成的风险预测模型，进行矩阵化处理，获得预测特征矩阵，通过所述全量数据的实际特征矩阵和所述预测特征矩阵，获得所述风险预测模型的模型残差。
本实施例中，所述风险预测模型根据所述全量数据中的各个高覆盖度因子以及各个高覆盖度因子分别对应的数据所构建。
本实施例中，所述全量数据中每个用户对应的单条数据都对应一定的风险等级。
本实施例中，在执行所述将所述全量数据输入到初训练完成的风险预测模型，进行矩阵化处理，获得预测特征矩阵的步骤之前，所述方法还包括：将整理出的所述各个高覆盖度因子所对应的数据作为待构建的风险预测模型的输入数据；将所述各个高覆盖度因子作为待构建的风险预测模型的模型因子；根据所述输入数据、模型因子和所述全量数据中每个用户对应的单条数据的风险等级，进行模型训练，获得初训练完成的风险预测模型。
通过使用所述各个高覆盖度因子，以及各个高覆盖度因子所对应的数据，构建出初训练完成的风险预测模型，使得所述风险预测模型的构建在模型因子选择上都是大多数用户所具备的因子，保证了风险预测模型的适用范围。
本实施例中，所述将所述全量数据输入到初训练完成的风险预测模型，进行矩阵化处理，获得预测特征矩阵的步骤，具体包括：根据所述风险预测模型中的模型因子，从所述全量数据中筛选出各个模型因子对应的数据；对所述各个模型因子对应的数据进行矩阵化整理，获得矩阵化整理结果，其中，所述矩阵化整理结果中的每行对应不同用户，每列对应不同模型因子；对所述矩阵化整理结果进行预处理，获取所述全量数据对应的预测特征矩阵，其中，所述预处理包括去中心化处理和归一化处理，具体的，先分别对同列数据进行去中心化处理，再对去中心化处理后的矩阵数据进行同行归一化处理。
本实施例中，先分别对同列数据进行去中心化处理，使得同列的相同模型因子的数据更加便于计算机处理，再对去中心化处理后的矩阵数据进行同行归一化处理，采用归一化处理方式，相当于获取同一用户在不同模型因子下所对应的特征值，便于后续进行模型残差获取和分析。
本实施例中，在执行所述通过所述全量数据的实际特征矩阵和所述预测特征矩阵，获得所述风险预测模型的模型残差的步骤之前，所述方法还包括：对所述全量数据进行矩阵化整理，获得矩阵化整理结果，其中，所述矩阵化整理结果中的每行对应不同用户，每列对应所述全量数据所包含的所有因子中的不同因子；对所述矩阵化整理结果进行预处理，获取所述全量数据对应的实际特征矩阵，其中，所述预处理包括去中心化处理和归一化处理，具体的，先分别对同列数据进行去中心化处理，再对去中心化处理后的矩阵数据进行同行归一化处理。
本实施例中，所述通过所述全量数据的实际特征矩阵和所述预测特征矩阵，获得所述风险预测模型的模型残差的步骤，具体包括：从所述全量数据的实际特征矩阵中筛选出所述各个模型因子对应的特征数据，作为实际特征数据；按照所述预测特征矩阵中的矩阵阵列，对所述实际特征数据进行矩阵阵列重构，获取所述各个模型因子对应的重构矩阵；以矩阵比较
方式，计算所述预测特征矩阵和所述重构矩阵的差值，获得差值矩阵，即所述风险预测模型的模型残差。
通过从所述全量数据的实际特征矩阵中筛选出所述各个模型因子对应的特征数据，实现了筛选出的模型因子的类别与预测特征矩阵的类别相同，按照所述预测特征矩阵中的矩阵阵列，对所述实际特征数据进行矩阵阵列重构，获取所述各个模型因子对应的重构矩阵，保证了所述重构矩阵的行列值与所述预测特征矩阵的行列值相互对应，便于计算所述预测特征矩阵和所述重构矩阵的差值，获得差值矩阵。
步骤203，筛选出所述全量数据中的各个低覆盖度因子，以及各个低覆盖度因子分别对应的数据。
本实施例中，所述筛选出所述全量数据中的各个低覆盖度因子，以及各个低覆盖度因子分别对应的数据的步骤，具体包括：根据所述全量数据划分结果，筛选出所述全量数据中的各个低覆盖度因子，以及各个低覆盖度因子分别对应的数据。
直接根据步骤201之后的全量数据划分结果，获取各个低覆盖度因子，以及各个低覆盖度因子分别对应的数据，无需再进行二次筛选，即可拿来使用，避免了消耗过多的计算资源。
步骤204，以各个低覆盖度因子为特征因子，构建包含各个低覆盖度因子的特征稀疏矩阵。
继续参考图3，图3是图2所示步骤204的一个具体实施例的流程图，包括：
步骤301，统计所述全量数据中的各个低覆盖度因子数量，以及所述全量数据对应的用户数量；
步骤302，根据所述全量数据中的各个低覆盖度因子数量，以及所述全量数据对应的用户数量，构建N行M列的初始化矩阵，其中，M表示所述全量数据中的各个低覆盖度因子数量，N表示所述全量数据对应的用户数量，所述初始化矩阵内的初始阵列值都为0；
步骤303，逐个获取每个用户在各个低覆盖度因子分别对应的数据，并将各个低覆盖度因子分别对应的数据更新到所述初始化矩阵的相应位置处，获取更新后的矩阵作为所述特征稀疏矩阵。
通过构建所述特征稀疏矩阵，使得以后可以直接利用所示特征稀疏矩阵，避免了对数据资源的浪费。
继续参考图4，图4是图3所示步骤303的一个具体实施例的流程图，包括：
步骤401，获取所述初始化矩阵中每列分别代表的低覆盖因子的因子名称；
步骤402，筛选出当前用户所对应的目标条数据中属于低覆盖度因子的表征数据，以及所述低覆盖因子的因子名称；
步骤403，根据所述低覆盖因子的因子名称确定所述表征数据更新到所述初始化矩阵时的列值信息；
步骤404，根据所述列值信息和当前用户的序列值，将所述数据更新到所述初始化矩阵的相应位置处，其中，用户的序列值为1至N的正整数，N表示所述全量数据对应的用户数量。
步骤205，对所述特征稀疏矩阵进行降维处理，获取降维处理结果。
本实施例中，在执行所述对所述特征稀疏矩阵进行降维处理，获取降维处理结果的步骤之前，所述方法还包括：筛选出所述特征稀疏矩阵中同行数据都为初始阵列值的矩阵行，并删除所述矩阵行，获取更新后的新矩阵作为所述特征稀疏矩阵。
由于若所述特征稀疏矩阵中同行数据都为初始阵列值的矩阵行，则显然所示矩阵行对应的用户不存在低覆盖度因子对应的数据，该用户对于所述特征稀疏矩阵的构建无任何实质意义，而通过删除所示矩阵行，能够一定程度上缩减所示特征稀疏矩阵的数据量，便于后续对所示特征稀疏矩阵进行降维处理，节省了降维处理时的资源消耗。
继续参考图5，图5是图2所示步骤205的一个具体实施例的流程图，包括：
步骤501，获取所述特征稀疏矩阵的转置矩阵，将所述特征稀疏矩阵与其对应的转置矩阵相乘，获取协方差矩阵；
步骤502，采用SVD矩阵分解方式，获取所述协方差矩阵中的特征值和特征向量，其中，SVD(Singular Value Decomposition)矩阵分解实质上是奇异值分解；
步骤503，按照从大到小排列顺序累加所述协方差矩阵中的特征值，直到累加的特征值所对应的所有特征向量的总贡献率达到预设的贡献率阈值，降维处理完成；
本实施例中，实质上是采用PCA(Principal Component Analysis),即主成分分析,主要是以“提取出特征的主要成分”这一方式来实现降维的,进行降维处理，所述协方差矩阵中的特征值实际上是一个多维的实数向量，所述按照从大到小排列顺序累加所述协方差矩阵中的特征值，直到累加的特征值所对应的所有特征向量的总贡献率达到预设的贡献率阈值，降维处理完成的步骤，具体实现方式可以为，预先设置所述协方差矩阵中所有特征向量加起来的贡献率是1；预先设置的PCA参数，即贡献率阈值为一定值，按特征值从大到小一直加到累计贡献率大于等于所述贡献率阈值，选择进行累加的特征值所对应的特征向量个数，作为降维的最终维度。
通过PCA降维处理，使得无法直接进行建模使用的特征稀疏矩阵转化为可进行建模使用的数据。
步骤504，获取降维处理完成时的矩阵作为所述降维处理结果。
步骤206，根据所述降维处理结果和预设的增强调优算法对所述风险预测模型进行增强建模优化，直到优化之后的风险预测模型的模型残差满足预设的残差阈值，优化完成。
继续参考图6，图6是图2所示步骤206的一个具体实施例的流程图，包括：
步骤601,将所述降维处理结果和预设的增强调优算法部署到所述风险预测模型内，获得风险预测增强调优模型，其中，所述预设的增强调优算法为GBDT调优算法，即梯度提升决策树算法(Gradient Boosting Decision Tree，GBDT)；
步骤602,按照特征向量的贡献率大小顺序，从所述降维处理结果中筛选新的特征向量作为新引入模型因子的特征向量，添加到所述风险预测增强调优模型内；
步骤603，将所述全量数据输入到所述风险预测增强调优模型内，进行矩阵化处理，获得预测特征矩阵；
步骤604,从所述全量数据的实际特征矩阵中筛选出所述风险预测增强调优模型内各个模型因子对应的特征数据，作为实际特征数据；
步骤605，按照所述预测特征矩阵中的矩阵阵列，对所述实际特征数据进行矩阵阵列重构，获取所述各个模型因子对应的重构矩阵；
步骤606，以矩阵比较方式，计算所述预测特征矩阵和所述重构矩阵的差值，获得差值矩阵，即所述风险预测增强调优模型的模型残差；
步骤607，根据所述GBDT调优算法，循环执行步骤602至步骤607，所述风险预测增强调优模型的模型残差，直到所述模型残差满足预设的残差阈值，优化完成。
通过采用GBDT调优算法，依次选择低覆盖度因子中贡献率相对较高的因子，将该因子作为补充因子依次加入到所述风险预测模型内，获得风险预测增强调优模型，并在本次进行补充因子加入后使用全量数据进行预测，计算预测特征矩阵与实际特征矩阵间的模型残差，直到所述模型残差满足预设的残差阈值，优化完成。使得低覆盖度因子和低覆盖度因子对应的数据也被使用的风险预测模型的构建和预测中，大幅提升预测模型的使用信息量，提升数据利用率，有效提升模型预测能力及稳定性。
本申请通过获取对车险定价风险进行预测的全量数据；将所述全量数据输入到初训练完成的风险预测模型，进行矩阵化处理，获得预测特征矩阵，通过所述全量数据的实际特征矩阵和所述预测特征矩阵，获得所述风险预测模型的模型残差；筛选出所述全量数据中的各个低覆盖度因子，以及各个低覆盖度因子分别对应的数据；以各个低覆盖度因子为特征因子，构建包含各个低覆盖度因子的特征稀疏矩阵；对所述特征稀疏矩阵进行降维处理，获取降维处理结果；根据所述降维处理结果和预设的增强调优算法对所述风险预测模型进行增强建模优化，直到优化之后的风险预测模型的模型残差满足预设的残差阈值，优化完成。通过对低覆盖度因子进行降维处理，并结合增强调优算法，将低覆盖度因子使用到对车险风险预测模型的增强优化上，既能将原本低覆盖度因子纳入预测模型中，大幅提升预测模型的使用信息量，提升数据利用率，也能有效提升模型预测能力及稳定性，降低预测误差。
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，通过对低覆盖度因子进行降维处理，并结合增强调优算法，将低覆盖度因子使用到对车险风险预测模型的增强优化上，既能将原本低覆盖度因子纳入预测模型中，大幅提升预测模型的使用信息量，提升数据利用率，也能有效提升模型预测能力及稳定性，降低预测误差。
进一步参考图7，作为对上述图2所示方法的实现，本申请提供了一种车险风险预测模型增强调优装置的一个实施例，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7所示，本实施例所述的车险风险预测模型增强调优装置700包括：全量数据获取模块701、模型残差计算模块702、低覆盖度因子信息筛选模块703、特征稀疏矩阵构建模块704、降维处理模块705和增强优化模块706。其中：
全量数据获取模块701，用于获取对车险定价风险进行预测的全量数据；
模型残差计算模块702，用于将所述全量数据输入到初训练完成的风险预测模型，进行矩阵化处理，获得预测特征矩阵，通过所述全量数据的实际特征矩阵和所述预测特征矩阵，获得所述风险预测模型的模型残差，其中，所述风险预测模型根据所述全量数据中的各个高覆盖度因子以及各个高覆盖度因子分别对应的数据所构建；
低覆盖度因子信息筛选模块703，用于筛选出所述全量数据中的各个低覆盖度因子，以及各个低覆盖度因子分别对应的数据；
特征稀疏矩阵构建模块704，用于以各个低覆盖度因子为特征因子，构建包含各个低覆盖度因子的特征稀疏矩阵；
降维处理模块705，用于对所述特征稀疏矩阵进行降维处理，获取降维处理结果；
增强优化模块706，用于根据所述降维处理结果和预设的增强调优算法对所述风险预测模型进行增强建模优化，直到优化之后的风险预测模型的模型残差满足预设的残差阈值，优化完成。
继续参考图8，图8是图7中所述模块702的一个具体实施例的结构示意图，所述模型残差计算模块702包括预测特征矩阵获取子模块801和模型残差计算子模块802。其中：
预测特征矩阵获取子模块801，用于将所述全量数据输入到初训练完成的风险预测模型，进行矩阵化处理，获得预测特征矩阵；
模型残差计算子模块802，用于通过所述全量数据的实际特征矩阵和所述预测特征矩阵，获得所述风险预测模型的模型残差。
本申请通过获取对车险定价风险进行预测的全量数据；将所述全量数据输入到初训练完成的风险预测模型，进行矩阵化处理，获得预测特征矩阵，通过所述全量数据的实际特征矩阵和所述预测特征矩阵，获得所述风险预测模型的模型残差；筛选出所述全量数据中的各个低覆盖度因子，以及各个低覆盖度因子分别对应的数据；以各个低覆盖度因子为特征因子，构建包含各个低覆盖度因子的特征稀疏矩阵；对所述特征稀疏矩阵进行降维处理，获取降维处理结果；根据所述降维处理结果和预设的增强调优算法对所述风险预测模型进行增强建模优化，直到优化之后的风险预测模型的模型残差满足预设的残差阈值，优化完成。通过对低覆盖度因子进行降维处理，并结合增强调优算法，将低覆盖度因子使用到对车险风险预测模型的增强优化上，既能将原本低覆盖度因子纳入预测模型中，大幅提升预测模型的使用信息量，提升数据利用率，也能有效提升模型预测能力及稳定性，降低预测误差。
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，例如车险风险预测模型增强调优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，例如运行所述车险风险预测模型增强调优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，属于金融科技技术领域。本申请通过获取对车险定价风险进行预测的全量数据；将所述全量数据输入到初训练完成的风险预测模型，进行矩阵化处理，获得预测特征矩阵，通过所述全量数据的实际特征矩阵和所述预测特征矩阵，获得所述风险预测模型的模型残差；筛选出所述全量数据中的各个低覆盖度因子，以及各个低覆盖度因子分别对应的数据；以各个低覆盖度因子为特征因子，构建包含各个低覆盖度因子的特征稀疏矩阵；对所述特征稀疏矩阵进行降维处理，获取降维处理结果；根据所述降维处理结果和预设的增强调优算法对所述风险预测模型进行增强建模优化，直到优化之后的风险预测模型的模型残差满足预设的残差阈值，优化完成。通过对低覆盖度因子进行降维处理，并结合增强调优算法，将低覆盖度因子使用到对车险风险预测模型的增强优化上，既能将原本低覆盖度因子纳入预测模型中，大幅提升预测模型的使用信息量，提升数据利用率，也能有效提升模型预测能力及稳定性，降低预测误差。
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车险风险预测模型增强调优方法的步骤。
本实施例提出的计算机可读存储介质，属于金融科技技术领域。本申请通过获取对车险定价风险进行预测的全量数据；将所述全量数据输入到初训练完成的风险预测模型，进行矩阵化处理，获得预测特征矩阵，通过所述全量数据的实际特征矩阵和所述预测特征矩阵，获得所述风险预测模型的模型残差；筛选出所述全量数据中的各个低覆盖度因子，以及各个低覆盖度因子分别对应的数据；以各个低覆盖度因子为特征因子，构建包含各个低覆盖度因子的特征稀疏矩阵；对所述特征稀疏矩阵进行降维处理，获取降维处理结果；根据所述降维处理结果和预设的增强调优算法对所述风险预测模型进行增强建模优化，直到优化之后的风险预测模型的模型残差满足预设的残差阈值，优化完成。通过对低覆盖度因子进行降维处理，并结合增强调优算法，将低覆盖度因子使用到对车险风险预测模型的增强优化上，既能将原本低覆盖度因子纳入预测模型中，大幅提升预测模型的使用信息量，提升数据利用率，也能有效提升模型预测能力及稳定性，降低预测误差。
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 (10)
1.一种车险风险预测模型增强调优方法，其特征在于，包括下述步骤：
获取对车险定价风险进行预测的全量数据；
将所述全量数据输入到初训练完成的风险预测模型，进行矩阵化处理，获得预测特征矩阵，通过所述全量数据的实际特征矩阵和所述预测特征矩阵，获得所述风险预测模型的模型残差，其中，所述风险预测模型根据所述全量数据中的各个高覆盖度因子以及各个高覆盖度因子分别对应的数据所构建；
筛选出所述全量数据中的各个低覆盖度因子，以及各个低覆盖度因子分别对应的数据；
以各个低覆盖度因子为特征因子，构建包含各个低覆盖度因子的特征稀疏矩阵；
对所述特征稀疏矩阵进行降维处理，获取降维处理结果；
根据所述降维处理结果和预设的增强调优算法对所述风险预测模型进行增强建模优化，直到优化之后的风险预测模型的模型残差满足预设的残差阈值，优化完成。
2.根据权利要求1所述的车险风险预测模型增强调优方法，其特征在于，在执行所述获取对车险定价风险进行预测的全量数据的步骤之后，所述方法还包括：
根据预设的划分规则，将所述全量数据划分为高覆盖度因子对应的数据和低覆盖度因子对应的数据，其中，所述预设的划分规则为判断具备目标因子的用户量在全量用户中的占比是否超过预设比例阈值，若所述占比超过预设比例阈值，则所述目标因子为高覆盖度因子，若所述占比未超过预设比例阈值，则所述目标因子为低覆盖度因子；
按照因子名称的不同分别整理出各个高覆盖度因子所对应的数据和各个低覆盖度因子所对应的数据，将整理结果作为全量数据划分结果，其中，所述因子指对车险定价风险进行预测起一定影响作用的因素。
3.根据权利要求2所述的车险风险预测模型增强调优方法，其特征在于，所述全量数据中每个用户对应的单条数据都对应一定的风险等级，在执行所述将所述全量数据输入到初训练完成的风险预测模型，进行矩阵化处理，获得预测特征矩阵的步骤之前，所述方法还包括：
将整理出的所述各个高覆盖度因子所对应的数据作为待构建的风险预测模型的输入数据；
将所述各个高覆盖度因子作为待构建的风险预测模型的模型因子；
根据所述输入数据、模型因子和所述全量数据中每个用户对应的单条数据的风险等级，进行模型训练，获得初训练完成的风险预测模型；
所述将所述全量数据输入到初训练完成的风险预测模型，进行矩阵化处理，获得预测特征矩阵的步骤，具体包括：
根据所述风险预测模型中的模型因子，从所述全量数据中筛选出各个模型因子对应的数据；
对所述各个模型因子对应的数据进行矩阵化整理，获得矩阵化整理结果，其中，所述矩阵化整理结果中的每行对应不同用户，每列对应不同模型因子；
对所述矩阵化整理结果进行预处理，获取所述全量数据对应的预测特征矩阵，其中，所述预处理包括去中心化处理和归一化处理，具体的，先分别对同列数据进行去中心化处理，再对去中心化处理后的矩阵数据进行同行归一化处理。
4.根据权利要求3所述的车险风险预测模型增强调优方法，其特征在于，在执行所述通过所述全量数据的实际特征矩阵和所述预测特征矩阵，获得所述风险预测模型的模型残差的步骤之前，所述方法还包括：
对所述全量数据进行矩阵化整理，获得矩阵化整理结果，其中，所述矩阵化整理结果中的每行对应不同用户，每列对应所述全量数据所包含的所有因子中的不同因子；
对所述矩阵化整理结果进行预处理，获取所述全量数据对应的实际特征矩阵，其中，所述预处理包括去中心化处理和归一化处理，具体的，先分别对同列数据进行去中心化处理，再对去中心化处理后的矩阵数据进行同行归一化处理；
所述通过所述全量数据的实际特征矩阵和所述预测特征矩阵，获得所述风险预测模型的模型残差的步骤，具体包括：
从所述全量数据的实际特征矩阵中筛选出所述各个模型因子对应的特征数据，作为实际特征数据；
按照所述预测特征矩阵中的矩阵阵列，对所述实际特征数据进行矩阵阵列重构，获取所述各个模型因子对应的重构矩阵；
以矩阵比较方式，计算所述预测特征矩阵和所述重构矩阵的差值，获得差值矩阵，即所述风险预测模型的模型残差。
5.根据权利要求2所述的车险风险预测模型增强调优方法，其特征在于，所述筛选出所述全量数据中的各个低覆盖度因子，以及各个低覆盖度因子分别对应的数据的步骤，具体包括：
根据所述全量数据划分结果，筛选出所述全量数据中的各个低覆盖度因子，以及各个低覆盖度因子分别对应的数据；
所述以各个低覆盖度因子为特征因子，构建包含各个低覆盖度因子的数据稀疏矩阵的步骤，具体包括：
统计所述全量数据中的各个低覆盖度因子数量，以及所述全量数据对应的用户数量；
根据所述全量数据中的各个低覆盖度因子数量，以及所述全量数据对应的用户数量，构建N行M列的初始化矩阵，其中，M表示所述全量数据中的各个低覆盖度因子数量，N表示所述全量数据对应的用户数量，所述初始化矩阵内的初始阵列值都为0；
逐个获取每个用户在各个低覆盖度因子分别对应的数据，并将各个低覆盖度因子分别对应的数据更新到所述初始化矩阵的相应位置处，获取更新后的矩阵作为所述特征稀疏矩阵。
6.根据权利要求5所述的车险风险预测模型增强调优方法，其特征在于，在执行所述对所述特征稀疏矩阵进行降维处理，获取降维处理结果的步骤之前，所述方法还包括：
筛选出所述特征稀疏矩阵中同行数据都为初始阵列值的矩阵行，并删除所述矩阵行，获取更新后的新矩阵作为所述特征稀疏矩阵；
所述对所述特征稀疏矩阵进行降维处理，获取降维处理结果的步骤，具体包括：
获取所述特征稀疏矩阵的转置矩阵，将所述特征稀疏矩阵与其对应的转置矩阵相乘，获取协方差矩阵；
采用SVD矩阵分解方式，获取所述协方差矩阵中的特征值和特征向量；
按照从大到小排列顺序累加所述协方差矩阵中的特征值，直到累加的特征值所对应的所有特征向量的总贡献率达到预设的贡献率阈值，降维处理完成；
获取降维处理完成时的矩阵作为所述降维处理结果。
7.根据权利要求6所述的车险风险预测模型增强调优方法，其特征在于，所述根据所述降维处理结果和预设的增强调优算法对所述风险预测模型进行增强建模优化，直到优化之后的风险预测模型的模型残差满足预设的残差阈值，优化完成的步骤，具体包括：
步骤601,将所述降维处理结果和预设的增强调优算法部署到所述风险预测模型内，获得风险预测增强调优模型，其中，所述预设的增强调优算法为GBDT调优算法；
步骤602,按照特征向量的贡献率大小顺序，从所述降维处理结果中筛选新的特征向量作为新引入模型因子的特征向量，添加到所述风险预测增强调优模型内；
步骤603，将所述全量数据输入到所述风险预测增强调优模型内，进行矩阵化处理，获得预测特征矩阵；
步骤604,从所述全量数据的实际特征矩阵中筛选出所述风险预测增强调优模型内各个模型因子对应的特征数据，作为实际特征数据；
步骤605，按照所述预测特征矩阵中的矩阵阵列，对所述实际特征数据进行矩阵阵列重构，获取所述各个模型因子对应的重构矩阵；
步骤606，以矩阵比较方式，计算所述预测特征矩阵和所述重构矩阵的差值，获得差值矩阵，即所述风险预测增强调优模型的模型残差；
步骤607，根据所述GBDT调优算法，循环执行步骤602至步骤607，所述风险预测增强调优模型的模型残差，直到所述模型残差满足预设的残差阈值，优化完成。
8.一种车险风险预测模型增强调优装置，其特征在于，包括：
全量数据获取模块，用于获取对车险定价风险进行预测的全量数据；
模型残差计算模块，用于将所述全量数据输入到初训练完成的风险预测模型，进行矩阵化处理，获得预测特征矩阵，通过所述全量数据的实际特征矩阵和所述预测特征矩阵，获得所述风险预测模型的模型残差，其中，所述风险预测模型根据所述全量数据中的各个高覆盖度因子以及各个高覆盖度因子分别对应的数据所构建；
低覆盖度因子信息筛选模块，用于筛选出所述全量数据中的各个低覆盖度因子，以及各个低覆盖度因子分别对应的数据；
特征稀疏矩阵构建模块，用于以各个低覆盖度因子为特征因子，构建包含各个低覆盖度因子的特征稀疏矩阵；
降维处理模块，用于对所述特征稀疏矩阵进行降维处理，获取降维处理结果；
增强优化模块，用于根据所述降维处理结果和预设的增强调优算法对所述风险预测模型进行增强建模优化，直到优化之后的风险预测模型的模型残差满足预设的残差阈值，优化完成。
9.一种计算机设备，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7中任一项所述的车险风险预测模型增强调优方法的步骤。
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7中任一项所述的车险风险预测模型增强调优方法的步骤。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310750799.5A CN116777645A (zh) | 2023-06-21 | 2023-06-21 | 一种车险风险预测模型增强调优方法及其相关设备 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310750799.5A CN116777645A (zh) | 2023-06-21 | 2023-06-21 | 一种车险风险预测模型增强调优方法及其相关设备 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN116777645A true CN116777645A (zh) | 2023-09-19 |
Family
ID=87992585
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202310750799.5A Pending CN116777645A (zh) | 2023-06-21 | 2023-06-21 | 一种车险风险预测模型增强调优方法及其相关设备 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN116777645A (zh) |
-
2023
- 2023-06-21 CN CN202310750799.5A patent/CN116777645A/zh active Pending
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN112418292B (zh) | 一种图像质量评价的方法、装置、计算机设备及存储介质 | |
| CN112508118B (zh) | 针对数据偏移的目标对象行为预测方法及其相关设备 | |
| CN112035549B (zh) | 数据挖掘方法、装置、计算机设备及存储介质 | |
| CN112328909B (zh) | 信息推荐方法、装置、计算机设备及介质 | |
| CN112785005B (zh) | 多目标任务的辅助决策方法、装置、计算机设备及介质 | |
| CN113177700B (zh) | 一种风险评估方法、系统、电子设备及存储介质 | |
| CN115099326A (zh) | 基于人工智能的行为预测方法、装置、设备及存储介质 | |
| CN111210332A (zh) | 贷后管理策略生成方法、装置及电子设备 | |
| CN116777646A (zh) | 基于人工智能的风险识别方法、装置、设备及存储介质 | |
| CN110532448B (zh) | 基于神经网络的文档分类方法、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 | |
| CN116934283A (zh) | 一种员工权限配置方法、装置、设备及其存储介质 | |
| 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 | |
| CN116777645A (zh) | 一种车险风险预测模型增强调优方法及其相关设备 | |
| CN116307742B (zh) | 一种细分客群的风险识别方法、装置、设备及存储介质 | |
| CN114417944B (zh) | 识别模型训练方法及装置、用户异常行为识别方法及装置 | |
| CN114238583B (zh) | 自然语言处理方法、装置、计算机设备及存储介质 | |
| CN116993516A (zh) | 一种理赔模型解释优化方法、装置、设备及其存储介质 | |
| CN116797381A (zh) | 一种健康险承保风险预测方法及其相关设备 | |
| CN117493563A (zh) | 一种会话意图分析方法、装置、设备及其存储介质 | |
| CN117235633A (zh) | 机构分类方法、装置、计算机设备及存储介质 | |
| CN116823499A (zh) | 基于模型的车险定价方法、系统、计算机设备及存储介质 | |
| CN117114894A (zh) | 一种理赔结果预测方法、装置、设备及其存储介质 | |
| CN116777065A (zh) | 基于人工智能的数据预测方法、装置、设备及存储介质 | |
| CN116797380A (zh) | 金融数据处理方法及其相关设备 |
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 |