CN117036057A - 基于果蝇优化算法的等级预测方法、装置、设备及介质 - Google Patents
基于果蝇优化算法的等级预测方法、装置、设备及介质 Download PDFInfo
- Publication number
- CN117036057A CN117036057A CN202311044634.2A CN202311044634A CN117036057A CN 117036057 A CN117036057 A CN 117036057A CN 202311044634 A CN202311044634 A CN 202311044634A CN 117036057 A CN117036057 A CN 117036057A
- Authority
- CN
- China
- Prior art keywords
- optimization algorithm
- risk
- drosophila
- determining
- 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
- 238000004422 calculation algorithm Methods 0.000 title claims abstract description 153
- 238000005457 optimization Methods 0.000 title claims abstract description 150
- 238000000034 method Methods 0.000 title claims abstract description 75
- 241000255588 Tephritidae Species 0.000 title claims abstract description 45
- 241000255581 Drosophila <fruit fly, genus> Species 0.000 claims abstract description 141
- 238000013528 artificial neural network Methods 0.000 claims abstract description 49
- 238000012545 processing Methods 0.000 claims abstract description 14
- 238000012549 training Methods 0.000 claims description 35
- 238000004590 computer program Methods 0.000 claims description 16
- 230000000739 chaotic effect Effects 0.000 claims description 13
- 238000013473 artificial intelligence Methods 0.000 abstract description 2
- 238000013507 mapping Methods 0.000 description 8
- 238000010586 diagram Methods 0.000 description 6
- 235000013305 food Nutrition 0.000 description 4
- 238000004364 calculation method Methods 0.000 description 2
- 230000007547 defect Effects 0.000 description 2
- 230000019637 foraging behavior Effects 0.000 description 2
- 230000006870 function Effects 0.000 description 2
- 238000012502 risk assessment Methods 0.000 description 2
- 238000013058 risk prediction model Methods 0.000 description 2
- 239000000725 suspension Substances 0.000 description 2
- 238000003491 array Methods 0.000 description 1
- 230000006399 behavior Effects 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 239000006185 dispersion Substances 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 238000013210 evaluation model Methods 0.000 description 1
- 238000005065 mining Methods 0.000 description 1
- 235000001968 nicotinic acid Nutrition 0.000 description 1
- 235000019645 odor Nutrition 0.000 description 1
- 230000007436 olfactory function Effects 0.000 description 1
- 238000013139 quantization Methods 0.000 description 1
- 230000001105 regulatory effect Effects 0.000 description 1
- 241000894007 species Species 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 238000012795 verification Methods 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
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/004—Artificial life, i.e. computing arrangements simulating life
- G06N3/006—Artificial life, i.e. computing arrangements simulating life based on simulated virtual individual or collective life forms, e.g. social simulations or particle swarm optimisation [PSO]
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Business, Economics & Management (AREA)
- General Physics & Mathematics (AREA)
- General Health & Medical Sciences (AREA)
- Accounting & Taxation (AREA)
- Software Systems (AREA)
- Mathematical Physics (AREA)
- General Engineering & Computer Science (AREA)
- Computing Systems (AREA)
- Molecular Biology (AREA)
- Finance (AREA)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Marketing (AREA)
- Development Economics (AREA)
- General Business, Economics & Management (AREA)
- Economics (AREA)
- Technology Law (AREA)
- Strategic Management (AREA)
- Financial Or Insurance-Related Operations Such As Payment And Settlement (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本申请涉及人工智能技术领域及金融领域，公开了一种基于果蝇优化算法的等级预测方法、装置、设备及介质，所述方法包括获取风险特征，并将风险特征进行数值化处理，生成风险指标数值；基于果蝇优化算法与反向传播神经网络确定预测模型；通过风险指标数值与预测模型，生成对目标用户的风险等级预测结果。通过上述方式，本申请通过将车险用户的风险特征进行数值化处理后生成风险指标数值，并根据改进后的果蝇优化算法与反向传播神经网络生成预测模型，最终通过结合风险指标数值与预测模型确定车险用户的风险等级，解决了当前车险金融领域中提高对车险用户的风险等级的预测准确度低的问题。
Description
技术领域
本申请涉及人工智能技术领域及金融领域，尤其涉及一种基于果蝇优化算法的等级预测方法、装置、设备及介质。
背景技术
随着人们生活水平的提高，各式各样的车成为人们出行、运输的主要交通工具，车险市场的需求量也在急速扩张。在车险领域中，各保险公司快速发展的同时，也需要承担更多的风险，导致车险业务呈现“高保费、高赔付、低利润”的局面。针对车险客户风险等级评估的方法，现有的方法主要是通过挖掘历史交易数据信息，然后依靠专家经验去构建风险评估体系。这类方法只能用于单一场景下的客户风险评估，无法满足庞大的车险市场。
现有的车险客户风险等级评估方法是有固定的指标和等级界定的，因此我们可以将这些固有的指标抽象成特征信息，结合神经网络构建出具有普适性的客户风险等级评估模型。BP(back propagation，反向传播)网络是一种按照逆向误差不断调节的高精度神经网络，可解决非线性场景下的预测问题。但是，BP神经网络的训练过程需要初始化权阈值，这些参数会直接影响到模型迭代的复杂度及精度。因此，如何在车险金融领域中提高对车险用户的风险等级的预测准确度成为亟待解决的技术问题。
发明内容
本申请提供了一种基于果蝇优化算法的等级预测方法、装置、设备及介质，以在车险金融领域中提高对车险用户的风险等级的预测准确度。
第一方面，本申请提供了一种基于果蝇优化算法的等级预测方法，所述方法包括：
获取目标用户的风险特征，并将所述风险特征进行数值化处理，生成风险指标数值；
基于目标果蝇优化算法与反向传播神经网络确定预测模型；
通过所述风险指标数值与所述预测模型，生成对所述目标用户的风险等级预测结果。
第二方面，本申请还提供了一种基于果蝇优化算法的等级预测装置，所述装置包括：
风险指标数值生成模块，用于获取目标用户的风险特征，并将所述风险特征进行数值化处理，生成风险指标数值；
预测模型确定模块，用于基于目标果蝇优化算法与反向传播神经网络确定预测模型；
预测结果生成模块，用于通过所述风险指标数值与所述预测模型，生成对所述目标用户的风险等级预测结果。
第三方面，本申请还提供了一种计算机设备，所述计算机设备包括存储器和处理器；所述存储器用于存储计算机程序；所述处理器，用于执行所述计算机程序并在执行所述计算机程序时实现如上述的基于果蝇优化算法的等级预测方法。
第四方面，本申请还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存储有计算机程序，所述计算机程序被处理器执行时使所述处理器实现如上述的基于果蝇优化算法的等级预测方法。
本申请公开了一种基于果蝇优化算法的等级预测方法、装置、设备及介质，所述基于果蝇优化算法的等级预测方法包括获取目标用户的风险特征，并将所述风险特征进行数值化处理，生成风险指标数值；基于目标果蝇优化算法与反向传播神经网络确定预测模型；通过所述风险指标数值与所述预测模型，生成对所述目标用户的风险等级预测结果。通过上述方式，本申请通过将车险用户的风险特征进行数值化处理后生成风险指标数值，并根据改进后的果蝇优化算法与反向传播神经网络生成预测模型，最终通过结合风险指标数值与预测模型确定车险用户的风险等级，解决了当前车险金融领域中提高对车险用户的风险等级的预测准确度低的问题。
附图说明
为了更清楚地说明本申请实施例技术方案，下面将对实施例描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图是本申请的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
图1是本申请的第一实施例提供的一种基于果蝇优化算法的等级预测方法的示意流程图；
图2是本申请的第二实施例提供的一种基于果蝇优化算法的等级预测方法的示意流程图；
图3是本申请的第三实施例提供的一种基于果蝇优化算法的等级预测方法的示意流程图；
图4是本申请的第四实施例提供的一种基于果蝇优化算法的等级预测方法的示意流程图；
图5是本申请的第五实施例提供的一种基于果蝇优化算法的等级预测方法的示意流程图；
图6为本申请的实施例提供的一种基于果蝇优化算法的等级预测装置的示意性框图；
图7为本申请的实施例提供的一种计算机设备的结构示意性框图。
具体实施方式
下面将结合本申请实施例中的附图，对本申请实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本申请一部分实施例，而不是全部的实施例。基于本申请中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本申请保护的范围。
附图中所示的流程图仅是示例说明，不是必须包括所有的内容和操作/步骤，也不是必须按所描述的顺序执行。例如，有的操作/步骤还可以分解、组合或部分合并，因此实际执行的顺序有可能根据实际情况改变。
应当理解，在此本申请说明书中所使用的术语仅仅是出于描述特定实施例的目的而并不意在限制本申请。如在本申请说明书和所附权利要求书中所使用的那样，除非上下文清楚地指明其它情况，否则单数形式的“一”、“一个”及“该”意在包括复数形式。
还应当理解，在本申请说明书和所附权利要求书中使用的术语“和/或”是指相关联列出的项中的一个或多个的任何组合以及所有可能组合，并且包括这些组合。
本申请的实施例提供了一种基于果蝇优化算法的等级预测方法、装置、设备及介质。其中，该基于果蝇优化算法的等级预测方法可以应用于服务器中，通过将车险用户的风险特征进行数值化处理后生成风险指标数值，并根据改进后的果蝇优化算法与反向传播神经网络生成预测模型，最终通过结合风险指标数值与预测模型确定车险用户的风险等级，解决了当前车险金融领域中提高对车险用户的风险等级的预测准确度低的问题。其中，该服务器可以为独立的服务器，也可以为服务器集群。
下面结合附图，对本申请的一些实施方式作详细说明。在不冲突的情况下，下述的实施例及实施例中的特征可以相互组合。
请参阅图1，图1是本申请的第一实施例提供的一种基于果蝇优化算法的等级预测方法的示意流程图。该基于果蝇优化算法的等级预测方法可应用于服务器中，用于通过将车险用户的风险特征进行数值化处理后生成风险指标数值，并根据改进后的果蝇优化算法与反向传播神经网络生成预测模型，最终通过结合风险指标数值与预测模型确定车险用户的风险等级，解决了当前车险金融领域中提高对车险用户的风险等级的预测准确度低的问题。
如图1所示，该基于果蝇优化算法的等级预测方法具体包括步骤S10至步骤S30。
步骤S10、获取目标用户的风险特征，并将所述风险特征进行数值化处理，生成风险指标数值；
具体地，现有的金融车险领域中，评估车险投保人的风险等级，需要从驾驶人、车辆、环境及历史投保信息四个方面考虑。本实施例中，可以选取驾驶人的年龄、性别、学历、婚姻状况作为驾驶人风险特征；车辆风险层面，将车的类别、使用性质、车龄作为风险特征；历史投保信息可选取保费、投保次数、保额作为投保风险特征。
上述选取的风险特征，部分是非数值指标，部分为数值指标。为了更好的利用这些特征进行模型训练，需要将非数值部分统一表示为数值指标。可按照专家经验对非数值特征进行数值化预处理。例如，如表1所示，表1为风险特征数值化列表。
表1
步骤S20、基于目标果蝇优化算法与反向传播神经网络确定预测模型；
具体地，果蝇优化算法是基于果蝇觅食行为的仿生学原理而提出的一种新兴群体智能优化算法。果蝇本身在感官上优于其他物种，果蝇的嗅觉器官能很好地搜索漂浮在空气中的各种气味。果蝇通过嗅觉发现食物或同伴后，会往该方向飞去，因而可以通过果蝇优化算法获取最优解。
步骤S30、通过所述风险指标数值与所述预测模型，生成对所述目标用户的风险等级预测结果。
具体实施例中，首先需要选取可以衡量客户风险等级的指标，然后对这些指标进行量化，得到可用于训练的特征数据。然后利用改进的FOA(果蝇优化算法)-BP(反向传播神经网络)模型进行风险预测模型训练。本实施例中的FOA-BP模型，采用动态步长的思想对FOA算法迭代过程进行改进，再利用改进的FOA算法进行BP初始化权阈值寻优，以得到最优的车险客户风险预测模型。
本实施例公开了一种基于果蝇优化算法的等级预测方法、装置、设备及介质，所述基于果蝇优化算法的等级预测方法包括获取目标用户的风险特征，并将所述风险特征进行数值化处理，生成风险指标数值；基于目标果蝇优化算法与反向传播神经网络确定预测模型；通过所述风险指标数值与所述预测模型，生成对所述目标用户的风险等级预测结果。通过上述方式，本实施例通过将车险用户的风险特征进行数值化处理后生成风险指标数值，并根据改进后的果蝇优化算法与反向传播神经网络生成预测模型，最终通过结合风险指标数值与预测模型确定车险用户的风险等级，解决了当前车险金融领域中提高对车险用户的风险等级的预测准确度低的问题。
请参阅图2，图2是本申请的第二实施例提供的一种基于果蝇优化算法的等级预测方法的示意流程图。该基于果蝇优化算法的等级预测方法可应用于服务器中，用于通过动态步长确定搜索半径，并结合正弦混沌映射，改进果蝇优化算法，为果蝇优化算法寻找最优解的过程增添了多样性，避免在果蝇优化算法求最优解时陷入局部最优的状况，更为准确地结合风险指标数值与预测模型确定车险用户的风险等级，解决了当前车险金融领域中提高对车险用户的风险等级的预测准确度低的问题。
基于图1所示实施例，本实施例如图2所示，所述步骤S20之前包括步骤S11至步骤S12。
步骤S11、通过动态步长确定所述目标果蝇优化算法中的搜索半径；
具体实施例中，FOA算法是一种模仿果蝇觅食行为的群智能优化算法，具有结构简单、计算效率高等特点。但传统的FOA也存在部分缺点，如搜索半径固定、种群多样性低等。传统的FOA算法中，果蝇个体随机搜索食物的方式定义如下：
其中，r为搜索半径；(xi，yi)为果蝇个体当前位置。
在算法迭代优化过程，前期需要扩大搜索范围以获得全局最优解，要求个体搜索半径r偏大；后期需要缓慢向最优解靠近，要求搜索半径r较小。因此根据迭代次数i重新将个体搜索半径定义为下式：
步骤S12、基于正弦混沌映射确定调节参数，并基于所述调节参数与所述搜索半径，确定所述目标果蝇优化算法。
具体实施例中，混沌映射被广泛应用于优化领域，可以有效解决种群初始化、选择等过程中多样性问题。我们将Sin混沌映射作为一个调节参数λ引入到搜索过程中，弥补FOA优化过程中种群多样性低的缺点。Sin映射定义如下：
混沌映射被广泛应用于优化领域，可以有效解决种群初始化、选择等过程中多样性问题。我们将Sin混沌映射作为一个调节参数λ引入到搜索过程中，弥补FOA优化过程中种群多样性低的缺点。Sin映射定义如下：
上式中Zi为当前值；a的取值范围为(0,4)；Zi+1的值域为[-1,1]。
本实施例公开了一种基于果蝇优化算法的等级预测方法、装置、设备及介质，所述基于果蝇优化算法的等级预测方法包括通过动态步长确定所述目标果蝇优化算法中的搜索半径；基于正弦混沌映射确定调节参数，并基于所述调节参数与所述搜索半径，确定所述目标果蝇优化算法；通过动态步长确定所述目标果蝇优化算法中的搜索半径；基于正弦混沌映射确定调节参数，并基于所述调节参数与所述搜索半径，确定所述目标果蝇优化算法。通过上述方式，本实施例通过动态步长确定搜索半径，并结合正弦混沌映射，改进果蝇优化算法，为果蝇优化算法寻找最优解的过程增添了多样性，避免在果蝇优化算法求最优解时陷入局部最优的状况，更为准确地结合风险指标数值与预测模型确定车险用户的风险等级，解决了当前车险金融领域中提高对车险用户的风险等级的预测准确度低的问题。
基于图2所示实施例，本实施例中，所述步骤S11包括：
基于所述目标果蝇优化算法中的当前迭代次数与预设搜索半径公式，确定所述搜索半径。
具体实施例中，改进后的果蝇个体随机搜索食物的过程可表示为：
请参阅图3，图3是本申请的第三实施例提供的一种基于果蝇优化算法的等级预测方法的示意流程图。该基于果蝇优化算法的等级预测方法可应用于服务器中，用于通过计算果蝇种群在不同搜索半径下的个体适应度，并将个体适应度满足条件的情况下对应的搜索半径确定为最优个体，避免了果蝇优化算法陷入局部最优的局面，更准确的确定了果蝇优化算法中的最优解，解决了当前车险金融领域中提高对车险用户的风险等级的预测准确度低的问题。
基于图2所示实施例，本实施例如图3所示，所述步骤S11之后包括步骤S111至步骤S113。
步骤S111、基于所述搜索半径计算所述目标果蝇优化算法的个体适应度；
步骤S112、在所述个体适应度满足预设适应度条件时，将所述搜索半径确定为最优个体；
步骤S113、在所述个体适应度不满足所述预设适应度条件时，则返回步骤：通过动态步长确定所述目标果蝇优化算法中的搜索半径。
具体实施例中，计算个体适应度，对于初始种群中的单个果蝇，在搜索空间中的位置计算适应度，适应度越高代表着个体越优。在现有的车险领域中，将风险指标数值理解为各果蝇个体，计算各风险指标数值在各等级中的比例(即果蝇优化算法中的各位置的浓度)。计算浓度，可以通过下列方式：
1.计算果蝇个体与初始点的距离D，
2.计算浓度判别值S，S＝1/D；
3.将浓度判别值S代入味道浓度判定函数，求出果蝇个体位置的浓度Ti，Ti＝Fitness(S)；
4.为了寻求最优解，则从各个体位置取最大值，作为本次优化的最优解。
更新个体位置，根据个体适应度，更新单个果蝇在搜索空间中的位置，并更新最优解。
本实施例公开了一种基于果蝇优化算法的等级预测方法、装置、设备及介质，所述基于果蝇优化算法的等级预测方法包括基于所述搜索半径计算所述目标果蝇优化算法的个体适应度；在所述个体适应度满足预设适应度条件时，将所述搜索半径确定为最优个体；在所述个体适应度不满足所述预设适应度条件时，则返回步骤：通过动态步长确定所述目标果蝇优化算法中的搜索半径。通过上述方式，本实施例通过计算果蝇种群在不同搜索半径下的个体适应度，并将个体适应度满足条件的情况下对应的搜索半径确定为最优个体，避免了果蝇优化算法陷入局部最优的局面，更准确的确定了果蝇优化算法中的最优解，解决了当前车险金融领域中提高对车险用户的风险等级的预测准确度低的问题。
请参阅图4，图4是本申请的第四实施例提供的一种基于果蝇优化算法的等级预测方法的示意流程图。该基于果蝇优化算法的等级预测方法可应用于服务器中，用于通过将车险用户的风险特征进行数值化处理后生成风险指标数值，并根据改进后的果蝇优化算法与反向传播神经网络生成预测模型，最终通过结合风险指标数值与预测模型确定车险用户的风险等级，解决了当前车险金融领域中提高对车险用户的风险等级的预测准确度低的问题。
基于图1所示实施例，本实施例如图4所示，所述步骤S20包括步骤S201至步骤S203。
步骤S201、将所述目标果蝇优化算法的果蝇种群参数进行初始化处理；
步骤S202、通过训练集训练所述目标果蝇优化算法，以确定所述目标果蝇优化算法中果蝇的最优位置与所述果蝇种群参数；
步骤S203、将所述最优位置确定为所述反向传播神经网络的权阈值，并通过所述果蝇种群参数训练所述反向传播神经网络，以确定所述预测模型。
具体实施例中，FOA算法的基本思想是通过模拟果蝇寻找食物的行为特征，寻找目标函数的最优解，算法流程如下：
1.初始化种群：随机生成一定量的果蝇作为初始果蝇种群；
2.计算个体适应度：对于初始种群中的单个果蝇，在搜索空间中的位置计算适应度，适应度越高代表着个体越优；
3.更新个体位置：根据个体适应度，更新单个果蝇在搜索空间中的位置，并更新最优解；
4.中止条件判断：判断是否达到中止条件，若未达到则继续更新个体位置(更新最优解)，若达到了则将最终最优解作为全局最优解输出。
本实施例公开了一种基于果蝇优化算法的等级预测方法、装置、设备及介质，所述基于果蝇优化算法的等级预测方法包括获取目标用户的风险特征，并将所述风险特征进行数值化处理，生成风险指标数值；将所述目标果蝇优化算法的果蝇种群参数进行初始化处理；通过训练集训练所述目标果蝇优化算法，以确定所述目标果蝇优化算法中果蝇的最优位置与所述果蝇种群参数；将所述最优位置确定为所述反向传播神经网络的权阈值，并通过所述果蝇种群参数训练所述反向传播神经网络，以确定所述预测模型；通过所述风险指标数值与所述预测模型，生成对所述目标用户的风险等级预测结果。通过上述方式，本实施例通过将车险用户的风险特征进行数值化处理后生成风险指标数值，并根据改进后的果蝇优化算法与反向传播神经网络生成预测模型，最终通过结合风险指标数值与预测模型确定车险用户的风险等级，解决了当前车险金融领域中提高对车险用户的风险等级的预测准确度低的问题。
请参阅图5，图5是本申请的第五实施例提供的一种基于果蝇优化算法的等级预测方法的示意流程图。该基于果蝇优化算法的等级预测方法可应用于服务器中，用于通过将车险用户的风险特征进行数值化处理后生成风险指标数值，并根据改进后的果蝇优化算法与反向传播神经网络生成预测模型，最终通过结合风险指标数值与预测模型确定车险用户的风险等级，解决了当前车险金融领域中提高对车险用户的风险等级的预测准确度低的问题。
基于图4所示实施例，本实施例如图5所示，所述步骤S203包括步骤S2031至步骤S2033。
步骤S2031、基于所述权阈值与所述反向传播神经网络，确定对应的当前预测精度；
步骤S2032、若所述当前预测精度符合预设精度阈值，则退出训练；
步骤S2033、若所述当前预测精度不符合所述预设精度阈值，则基于下一权阈值对所述反向传播神经网络进行训练。
具体实施例中，预测精度是指预测误差分布的密集或离散程度，其水平取决于模型结构稳定性、外生变量预测与实际数据的精确性，以及模型设定与估计水平的精确性等。预测误差是实际值与对应的预测值之间的离差。它的大小反映了预测的精确程度。预测误差小，表明预测精度高；反之，表明预测精度低。
本实施例公开了一种基于果蝇优化算法的等级预测方法、装置、设备及介质，所述基于果蝇优化算法的等级预测方法包括通过动态步长确定所述目标果蝇优化算法中的搜索半径；基于正弦混沌映射确定调节参数，并基于所述调节参数与所述搜索半径，确定所述目标果蝇优化算法。通过上述方式，本实施例通过将车险用户的风险特征进行数值化处理后生成风险指标数值，并根据改进后的果蝇优化算法与反向传播神经网络生成预测模型，最终通过结合风险指标数值与预测模型确定车险用户的风险等级，解决了当前车险金融领域中提高对车险用户的风险等级的预测准确度低的问题。
基于上述全部实施例，本实施例中，所述风险特征包括人员信息、车辆信息、适用环境信息和历史投保信息。
基于上述全部实施例，本申请的实施流程总结为：
(1)选取上述车险客户风险指标作为样本数据集，取70％的样本数据作为训练集，其余为验证集；
(2)按照专家经验，将客户风险等级划分为低、中、高三个不同的层级(分别对应1、2、3)，并对训练数据集中的客户风险等级进行标注；
(3)初始化FOA、BP网络的参数，如最大迭代次数、精度标准等，同时初始化果蝇种群个体；
(4)根据改进的FOA算法进行迭代，得到最优个体位置，将最优个体位置作为BP网络的权阈值；
(5)利用BP网络进行客户风险等级预测模型训练，得到最优预测模型。
请参阅图6，图6是本申请的实施例提供一种基于果蝇优化算法的等级预测装置的示意性框图，该基于果蝇优化算法的等级预测装置用于执行前述的基于果蝇优化算法的等级预测方法。其中，该基于果蝇优化算法的等级预测装置可以配置于服务器。
如图6所示，该基于果蝇优化算法的等级预测装置400，包括：
风险指标数值生成模块10，用于获取目标用户的风险特征，并将所述风险特征进行数值化处理，生成风险指标数值；
预测模型确定模块20，用于基于目标果蝇优化算法与反向传播神经网络确定预测模型；
预测结果生成模块30，用于通过所述风险指标数值与所述预测模型，生成对所述目标用户的风险等级预测结果。
进一步地，所述基于果蝇优化算法的等级预测装置还包括：
搜索半径确定模块，用于通过动态步长确定所述目标果蝇优化算法中的搜索半径；
果蝇优化算法确定模块，用于基于正弦混沌映射确定调节参数，并基于所述调节参数与所述搜索半径，确定所述目标果蝇优化算法。
进一步地，所述搜索半径确定模块包括：
搜索半径公式单元，用于基于所述目标果蝇优化算法中的当前迭代次数与预设搜索半径公式，确定所述搜索半径。
进一步地，所述基于果蝇优化算法的等级预测装置还包括：
个体适应度计算模块，用于基于所述搜索半径计算所述目标果蝇优化算法的个体适应度；
最优个体确定模块，用于在所述个体适应度满足预设适应度条件时，将所述搜索半径确定为最优个体；
迭代模块，用于在所述个体适应度不满足所述预设适应度条件时，则返回步骤：通过动态步长确定所述目标果蝇优化算法中的搜索半径。
进一步地，所述预测模型确定模块20包括：
初始化参数单元，用于将所述目标果蝇优化算法的果蝇种群参数进行初始化处理；
算法训练单元，用于通过训练集训练所述目标果蝇优化算法，以确定所述目标果蝇优化算法中果蝇的最优位置与所述果蝇种群参数；
预测模型确定单元，用于将所述最优位置确定为所述反向传播神经网络的权阈值，并通过所述果蝇种群参数训练所述反向传播神经网络，以确定所述预测模型。
进一步地，所述预测模型确定单元包括：
当前预测精度确定子单元，用于基于所述权阈值与所述反向传播神经网络，确定对应的当前预测精度；
退出训练子单元，用于若所述当前预测精度符合预设精度阈值，则退出训练；
继续训练子单元，用于若所述当前预测精度不符合所述预设精度阈值，则基于下一权阈值对所述反向传播神经网络进行训练。
需要说明的是，所属领域的技术人员可以清楚地了解到，为了描述的方便和简洁，上述描述的装置和各模块的具体工作过程，可以参考前述方法实施例中的对应过程，在此不再赘述。
上述的装置可以实现为一种计算机程序的形式，该计算机程序可以在如图7所示的计算机设备上运行。
请参阅图7，图7是本申请的实施例提供的一种计算机设备的结构示意性框图。该计算机设备可以是服务器。
参阅图7，该计算机设备包括通过系统总线连接的处理器、存储器和网络接口，其中，存储器可以包括非易失性存储介质和内存储器。
非易失性存储介质可存储操作系统和计算机程序。该计算机程序包括程序指令，该程序指令被执行时，可使得处理器执行任意一种基于果蝇优化算法的等级预测方法。
处理器用于提供计算和控制能力，支撑整个计算机设备的运行。
内存储器为非易失性存储介质中的计算机程序的运行提供环境，该计算机程序被处理器执行时，可使得处理器执行任意一种基于果蝇优化算法的等级预测方法。
该网络接口用于进行网络通信，如发送分配的任务等。本领域技术人员可以理解，图7中示出的结构，仅仅是与本申请方案相关的部分结构的框图，并不构成对本申请方案所应用于其上的计算机设备的限定，具体的计算机设备可以包括比图中所示更多或更少的部件，或者组合某些部件，或者具有不同的部件布置。
应当理解的是，处理器可以是中央处理单元(Central Processing Unit，CPU)，该处理器还可以是其他通用处理器、数字信号处理器(Digital Signal Processor，DSP)、专用集成电路(Application Specific Integrated Circuit，ASIC)、现场可编程门阵列(Field-Programmable Gate Array，FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。其中，通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。
其中，在一个实施例中，所述处理器用于运行存储在存储器中的计算机程序，以实现如下步骤：
获取目标用户的风险特征，并将所述风险特征进行数值化处理，生成风险指标数值；
基于目标果蝇优化算法与反向传播神经网络确定预测模型；
通过所述风险指标数值与所述预测模型，生成对所述目标用户的风险等级预测结果。
在一个实施例中，基于目标果蝇优化算法与反向传播神经网络确定预测模型之前，包括：
通过动态步长确定所述目标果蝇优化算法中的搜索半径；
基于正弦混沌映射确定调节参数，并基于所述调节参数与所述搜索半径，确定所述目标果蝇优化算法。
在一个实施例中，通过动态步长确定所述目标果蝇优化算法中的搜索半径，包括：
基于所述目标果蝇优化算法中的当前迭代次数与预设搜索半径公式，确定所述搜索半径。
在一个实施例中，通过动态步长确定所述目标果蝇优化算法中的搜索半径之后，包括：
基于所述搜索半径计算所述目标果蝇优化算法的个体适应度；
在所述个体适应度满足预设适应度条件时，将所述搜索半径确定为最优个体；
在所述个体适应度不满足所述预设适应度条件时，则返回步骤：通过动态步长确定所述目标果蝇优化算法中的搜索半径。
在一个实施例中，基于目标果蝇优化算法与反向传播神经网络确定预测模型，包括：
将所述目标果蝇优化算法的果蝇种群参数进行初始化处理；
通过训练集训练所述目标果蝇优化算法，以确定所述目标果蝇优化算法中果蝇的最优位置与所述果蝇种群参数；
将所述最优位置确定为所述反向传播神经网络的权阈值，并通过所述果蝇种群参数训练所述反向传播神经网络，以确定所述预测模型。
在一个实施例中，将所述最优位置确定为所述反向传播神经网络的权阈值，并通过所述果蝇种群参数训练所述反向传播神经网络，以确定所述预测模型，包括：
基于所述权阈值与所述反向传播神经网络，确定对应的当前预测精度；
若所述当前预测精度符合预设精度阈值，则退出训练；
若所述当前预测精度不符合所述预设精度阈值，则基于下一权阈值对所述反向传播神经网络进行训练。
本申请的实施例中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存储有计算机程序，所述计算机程序中包括程序指令，所述处理器执行所述程序指令，实现本申请实施例提供的任一项基于果蝇优化算法的等级预测方法。
其中，所述计算机可读存储介质可以是前述实施例所述的计算机设备的内部存储单元，例如所述计算机设备的硬盘或内存。所述计算机可读存储介质也可以是所述计算机设备的外部存储设备，例如所述计算机设备上配备的插接式硬盘，智能存储卡(SmartMedia Card，SMC)，安全数字(Secure Digital，SD)卡，闪存卡(Flash Card)等。
以上所述，仅为本申请的具体实施方式，但本申请的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本申请揭露的技术范围内，可轻易想到各种等效的修改或替换，这些修改或替换都应涵盖在本申请的保护范围之内。因此，本申请的保护范围应以权利要求的保护范围为准。
Claims (10)
1.一种基于果蝇优化算法的等级预测方法，其特征在于，所述方法包括：
获取目标用户的风险特征，并将所述风险特征进行数值化处理，生成风险指标数值；
基于目标果蝇优化算法与反向传播神经网络确定预测模型；
通过所述风险指标数值与所述预测模型，生成对所述目标用户的风险等级预测结果。
2.根据权利要求1所述的基于果蝇优化算法的等级预测方法，其特征在于，所述基于目标果蝇优化算法与反向传播神经网络确定预测模型之前，包括：
通过动态步长确定所述目标果蝇优化算法中的搜索半径；
基于正弦混沌映射确定调节参数，并基于所述调节参数与所述搜索半径，确定所述目标果蝇优化算法。
3.根据权利要求2所述的基于果蝇优化算法的等级预测方法，其特征在于，所述通过动态步长确定所述目标果蝇优化算法中的搜索半径，包括：
基于所述目标果蝇优化算法中的当前迭代次数与预设搜索半径公式，确定所述搜索半径。
4.根据权利要求2所述的基于果蝇优化算法的等级预测方法，其特征在于，所述通过动态步长确定所述目标果蝇优化算法中的搜索半径之后，包括：
基于所述搜索半径计算所述目标果蝇优化算法的个体适应度；
在所述个体适应度满足预设适应度条件时，将所述搜索半径确定为最优个体；
在所述个体适应度不满足所述预设适应度条件时，则返回步骤：通过动态步长确定所述目标果蝇优化算法中的搜索半径。
5.根据权利要求1所述的基于果蝇优化算法的等级预测方法，其特征在于，所述基于目标果蝇优化算法与反向传播神经网络确定预测模型，包括：
将所述目标果蝇优化算法的果蝇种群参数进行初始化处理；
通过训练集训练所述目标果蝇优化算法，以确定所述目标果蝇优化算法中果蝇的最优位置与所述果蝇种群参数；
将所述最优位置确定为所述反向传播神经网络的权阈值，并通过所述果蝇种群参数训练所述反向传播神经网络，以确定所述预测模型。
6.根据权利要求5所述的基于果蝇优化算法的等级预测方法，其特征在于，所述将所述最优位置确定为所述反向传播神经网络的权阈值，并通过所述果蝇种群参数训练所述反向传播神经网络，以确定所述预测模型，包括：
基于所述权阈值与所述反向传播神经网络，确定对应的当前预测精度；
若所述当前预测精度符合预设精度阈值，则退出训练；
若所述当前预测精度不符合所述预设精度阈值，则基于下一权阈值对所述反向传播神经网络进行训练。
7.根据权利要求1至6中任一项所述的基于果蝇优化算法的等级预测方法，其特征在于，所述风险特征包括：人员信息、车辆信息、适用环境信息和历史投保信息。
8.一种基于果蝇优化算法的等级预测装置，其特征在于，包括：
风险指标数值生成模块，用于获取目标用户的风险特征，并将所述风险特征进行数值化处理，生成风险指标数值；
预测模型确定模块，用于基于目标果蝇优化算法与反向传播神经网络确定预测模型；
预测结果生成模块，用于通过所述风险指标数值与所述预测模型，生成对所述目标用户的风险等级预测结果。
9.一种计算机设备，其特征在于，所述计算机设备包括存储器和处理器；
所述存储器用于存储计算机程序；
所述处理器，用于执行所述计算机程序并在执行所述计算机程序时实现如权利要求1至7中任一项所述的基于果蝇优化算法的等级预测方法。
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存储有计算机程序，所述计算机程序被处理器执行时使所述处理器实现如权利要求1至7中任一项所述的基于果蝇优化算法的等级预测方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311044634.2A CN117036057A (zh) | 2023-08-17 | 2023-08-17 | 基于果蝇优化算法的等级预测方法、装置、设备及介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311044634.2A CN117036057A (zh) | 2023-08-17 | 2023-08-17 | 基于果蝇优化算法的等级预测方法、装置、设备及介质 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN117036057A true CN117036057A (zh) | 2023-11-10 |
Family
ID=88644651
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202311044634.2A Pending CN117036057A (zh) | 2023-08-17 | 2023-08-17 | 基于果蝇优化算法的等级预测方法、装置、设备及介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN117036057A (zh) |
-
2023
- 2023-08-17 CN CN202311044634.2A patent/CN117036057A/zh active Pending
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| AU2021232839B2 (en) | Updating Attribute Data Structures to Indicate Trends in Attribute Data Provided to Automated Modelling Systems | |
| TWI746814B (zh) | 電腦可讀介質、車險風險預測裝置及伺服器 | |
| CN110060144B (zh) | 额度模型训练方法、额度评估方法、装置、设备及介质 | |
| US20210188290A1 (en) | Driving model training method, driver identification method, apparatuses, device and medium | |
| CN111428874A (zh) | 风控方法、电子装置及计算机可读存储介质 | |
| CN111461812A (zh) | 对象推荐方法、装置、电子设备及可读存储介质 | |
| CN112348079B (zh) | 数据降维处理方法、装置、计算机设备及存储介质 | |
| CN111105265A (zh) | 基于客户信息的预测方法、装置、计算机设备及存储介质 | |
| CN114261400A (zh) | 一种自动驾驶决策方法、装置、设备和存储介质 | |
| CN115934490A (zh) | 服务器性能预测模型训练方法、装置、设备及存储介质 | |
| CN112668238A (zh) | 一种降雨量处理方法、装置、设备和存储介质 | |
| CN116188878A (zh) | 基于神经网络结构微调的图像分类方法、装置和存储介质 | |
| US20210342691A1 (en) | System and method for neural time series preprocessing | |
| CN116739649A (zh) | 一种用户响应潜力评估方法和装置 | |
| CN117036057A (zh) | 基于果蝇优化算法的等级预测方法、装置、设备及介质 | |
| CN116608551A (zh) | 冷负荷预测方法和装置、电子设备及存储介质 | |
| CN116523661A (zh) | 基于人工智能的理赔方法、装置、设备及存储介质 | |
| CN111241297A (zh) | 一种基于标签传播算法的图谱数据处理方法及装置 | |
| CN115600818A (zh) | 多维评分方法、装置、电子设备和存储介质 | |
| CN115564152A (zh) | 基于stirpat模型的碳排放量预测方法及装置 | |
| CN113191540A (zh) | 一种产业链路制造资源的构建方法及装置 | |
| KR20200112495A (ko) | 상권 분석 서비스 제공 서버 및 그 방법 | |
| CN117237053B (zh) | 一种机票分销平台及其控制方法 | |
| CN118017503B (zh) | 一种用户用电负荷数据预测方法、系统、终端及存储介质 | |
| US20240119470A1 (en) | Systems and methods for generating a forecast of a timeseries |
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 |