CN117787723A - 基于人工智能的数据预测方法、装置、设备及存储介质 - Google Patents

Abstract

本申请属于人工智能领域与金融科技领域，涉及一种基于人工智能的数据预测方法，包括：获取目标企业的初始理赔案件数据；从初始理赔案件数据筛选符合重要性条件的目标特征数据；基于目标LGBM模型对目标特征数据进行风险预测得到第一风险预测结果；基于目标神经网络模型对目标特征数据进行风险预测得到第二风险预测结果；基于第一风险预测结果与第二风险预测结果生成目标风险预测结果。本申请还提供一种基于人工智能的数据预测装置、计算机设备及存储介质。此外，本申请还涉及区块链技术，目标特征数据可存储于区块链中。本申请可应用于金融领域的理赔案件风险预测场景，提高了理赔案件数据的风险预测的处理效率，保证了生成的风险预测结果的准确度。

Description

基于人工智能的数据预测方法、装置、设备及存储介质

技术领域

本申请涉及人工智能开发技术领域与金融科技领域，尤其涉及基于人工智能的数据预测方法、装置、计算机设备及存储介质。

背景技术

随着互联网技术的不断发展，传统的保险企业和互联网巨头纷纷布局互联网保险。互联网保险在客户投保时无需保险代理人参与，依靠客户提交的资料进行核保，在提升用户体验感的同时，保险企业也引入了较大风险，对于理赔案件的理赔风控是保险企业的业务发展中必不可少的环节。

目前保险企业在进行保险理赔的风险预测处理时所采用的方法多为风控规则结合人工评审的方式，这种理赔风控方式在设定异常阈值上较为随意，通常是根据理赔人员的经验得到，无法保证生成的保险理赔的风险预测结果的准确性。另外，风控规则结合人工评审的处理方式会导致理赔人员的工作效率较低，工作量大，从而影响保险服务的质量。

发明内容

本申请实施例的目的在于提出一种基于人工智能的数据预测方法、装置、计算机设备及存储介质，以解决现有的保险企业在进行保险理赔的风险预测处理时所采用的风控规则结合人工评审的方式存在理赔人员的工作效率较低，工作量大的问题，且无法保证生成的保险理赔的风险预测结果的准确性的技术问题。

为了解决上述技术问题，本申请实施例提供一种基于人工智能的数据预测方法，采用了如下所述的技术方案：

获取目标企业的初始理赔案件数据；

从所述初始理赔案件数据中筛选出符合预设的重要性条件的目标特征数据；

基于目标LGBM模型对所述目标特征数据进行风险预测处理，得到对应的第一风险预测结果；其中，所述目标LGBM模型为根据预先采集的第一理赔样本数据对经过逐层反向传播算法优化的LGBM模型进行训练生成的；

基于目标神经网络模型对所述目标特征数据进行风险预测处理，得到对应的第二风险预测结果；其中，所述目标神经网络模型为根据预先采集的第二理赔样本数据对预设的神经网络模型进行训练生成的；

对所述第一风险预测结果与所述第二风险预测结果进行融合处理，生成与所述初始理赔案件数据对应的目标风险预测结果。

进一步的，所述从所述初始理赔案件数据中筛选出符合预设的重要性条件的目标特征数据的步骤，具体包括：

对所述初始理赔案件数据进行预处理，得到处理后的理赔案件数据；

基于预设的随机森林算法对所述理赔案件数据进行特征重要性分析，从所述理赔案件数据中筛选出特征重要性大于第一预设阈值的第一特征；

基于预设的信息增益算法对所述理赔案件数据进行特征重要性分析，从所述理赔案件数据中筛选出特征重要性大于第二预设阈值的第二特征；

基于预设的稀疏特征选择算法对所述理赔案件数据进行特征重要性分析，从所述理赔案件数据中筛选出特征重要性大于第三预设阈值的第三特征；

基于所述第一特征、所述第二特征以及所述第三特征构建得到所述目标特征数据。

进一步的，所述对所述初始理赔案件数据进行预处理，得到处理后的理赔案件数据的步骤，具体包括：

对所述初始理赔案件数据进行数据清洗处理，得到对应的第一处理数据；

对所述第一处理数据进行数据标准化处理，得到对应的第二处理数据；

将所述第二处理数据作为所述理赔案件数据。

进一步的，所述基于所述第一特征、所述第二特征以及所述第三特征构建得到所述目标特征数据的步骤，具体包括：

对所述第一特征、所述第二特征以及所述第三特征进行整合处理，得到对应的特征组合；

对所述特征组合进行去重处理，得到处理后的指定特征组合；

将所述指定特征组合作为所述目标特征数据。

进一步的，所述对所述第一风险预测结果与所述第二风险预测结果进行融合处理，生成与所述初始理赔案件数据对应的目标风险预测结果的步骤，具体包括：

获取与所述目标LGBM模型对应的第一权重；

获取与所述目标神经网络模型对应的第二权重；

基于所述第一权重与所述第二权重对所述第一风险预测结果与所述第二风险预测结果进行加权求和处理，得到对应的计算结果；

将所述计算结果作为与所述初始理赔案件数据对应的目标风险预测结果。

进一步的，在所述基于目标神经网络模型对所述目标特征数据进行风险预测处理，得到对应的第二风险预测结果的步骤之前，还包括：

获取预设采集的所述第二理赔样本数据；

对所述第二理赔样本数据进行重要性特征提取，得到对应的样本特征数据；

基于所述样本特征数据构建训练集与测试集；

确定与所述神经网络模型对应的损失函数；

采用预设的梯度下降算法，基于所述训练集对所述神经网络模型进行训练，以使所述损失函数处于预设数值范围内，得到训练后的神经网络模型；

基于所述测试集对所述训练后的神经网络模型进行测试；

若所述训练后的神经网络模型通过测试，则将所述训练后的神经网络模型作为所述目标神经网络模型。

进一步的，在所述对所述第一风险预测结果与所述第二风险预测结果进行融合处理，生成与所述初始理赔案件数据对应的目标风险预测结果的步骤之后，还包括：

对所述目标风险预测结果进行分析，判断所述目标风险预测结果是否属于风险欺诈案件结果；

若是，确定与所述初始理赔案件数据对应的目标业务人员；

获取所述目标业务人员的通讯信息；

基于所述通讯信息，将所述目标风险预测结果推送给所述目标业务人员。

为了解决上述技术问题，本申请实施例还提供一种基于人工智能的数据预测装置，采用了如下所述的技术方案：

第一获取模块，用于获取目标企业的初始理赔案件数据；

筛选模块，用于从所述初始理赔案件数据中筛选出符合预设的重要性条件的目标特征数据；

第一预测模块，用于基于目标LGBM模型对所述目标特征数据进行风险预测处理，得到对应的第一风险预测结果；其中，所述目标LGBM模型为根据预先采集的第一理赔样本数据对经过逐层反向传播算法优化的LGBM模型进行训练生成的；

第二预测模块，用于基于目标神经网络模型对所述目标特征数据进行风险预测处理，得到对应的第二风险预测结果；其中，所述目标神经网络模型为根据预先采集的第二理赔样本数据对预设的神经网络模型进行训练生成的；

生成模块，用于对所述第一风险预测结果与所述第二风险预测结果进行融合处理，生成与所述初始理赔案件数据对应的目标风险预测结果。

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：

获取目标企业的初始理赔案件数据；

从所述初始理赔案件数据中筛选出符合预设的重要性条件的目标特征数据；

基于目标LGBM模型对所述目标特征数据进行风险预测处理，得到对应的第一风险预测结果；其中，所述目标LGBM模型为根据预先采集的第一理赔样本数据对经过逐层反向传播算法优化的LGBM模型进行训练生成的；

基于目标神经网络模型对所述目标特征数据进行风险预测处理，得到对应的第二风险预测结果；其中，所述目标神经网络模型为根据预先采集的第二理赔样本数据对预设的神经网络模型进行训练生成的；

对所述第一风险预测结果与所述第二风险预测结果进行融合处理，生成与所述初始理赔案件数据对应的目标风险预测结果。

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：

获取目标企业的初始理赔案件数据；

从所述初始理赔案件数据中筛选出符合预设的重要性条件的目标特征数据；

基于目标LGBM模型对所述目标特征数据进行风险预测处理，得到对应的第一风险预测结果；其中，所述目标LGBM模型为根据预先采集的第一理赔样本数据对经过逐层反向传播算法优化的LGBM模型进行训练生成的；

基于目标神经网络模型对所述目标特征数据进行风险预测处理，得到对应的第二风险预测结果；其中，所述目标神经网络模型为根据预先采集的第二理赔样本数据对预设的神经网络模型进行训练生成的；

对所述第一风险预测结果与所述第二风险预测结果进行融合处理，生成与所述初始理赔案件数据对应的目标风险预测结果。

与现有技术相比，本申请实施例主要有以下有益效果：

本申请实施例通过从获取目标企业的初始理赔案件数据中筛选出符合预设的重要性条件的目标特征数据，进而基于目标LGBM模型对所述目标特征数据进行风险预测处理，得到对应的第一风险预测结果，以及基于目标神经网络模型对所述目标特征数据进行风险预测处理，得到对应的第二风险预测结果，最后结合目标LGBM模型输出的第一风险预测结果以及目标神经网络模型输出的第二风险预测结果进行融合以实现快速准确地生成与所述初始理赔案件数据对应的目标风险预测结果，可以有效减少对于理赔案件数据的风险预测处理的工作量，提高了对于理赔案件数据的风险预测处理的处理效率。并且可以避免使用单一模型对目标企业的初始理赔案件数据进行风险预测所存在的误差，有效地保证了生成的初始理赔案件数据的目标风险预测结果的准确度。

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根据本申请的基于人工智能的数据预测方法的一个实施例的流程图；

图3是根据本申请的基于人工智能的数据预测装置的一个实施例的结构示意图；

图4是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 Picture ExpertsGroup Audio Layer III，动态影像专家压缩标准音频层面3)、MP4(Moving PictureExperts 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人工智能的数据预测方法一般由服务器/终端设备执行，相应地，基于人工智能的数据预测装置一般设置于服务器/终端设备中。

应理解，图1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人工智能的数据预测方法的一个实施例的流程图。根据不同的需求，该流程图中步骤的顺序可以改变，某些步骤可以省略。本申请实施例提供的基于人工智能的数据预测方法能够应用于任意一种需要进行理赔案件风险预测的场景中，则该基于人工智能的数据预测方法能够应用于这些场景的产品中，例如，金融保险领域中的理赔案件风险预测。所述的基于人工智能的数据预测方法，包括以下步骤：

步骤S201，获取目标企业的初始理赔案件数据。

在本实施例中，基于人工智能的数据预测方法运行于其上的电子设备(例如图1所示的服务器/终端设备)，可以通过有线连接方式或者无线连接方式获取目标企业的初始理赔案件数据。需要指出的是，上述无线连接方式可以包括但不限于3G/4G/5G连接、WiFi连接、蓝牙连接、WiMAX连接、Zigbee连接、UWB(ultra wideband)连接、以及其他现在已知或将来开发的无线连接方式。在金融保险的理赔案件风险预测的业务场景下，目标企业包括保险企业，初始理赔案件数据至少可包括企业数据、保险数据，理赔数据(保费和保额)，等等。

步骤S202，从所述初始理赔案件数据中筛选出符合预设的重要性条件的目标特征数据。

在本实施例中，上述从所述初始理赔案件数据中筛选出符合预设的重要性条件的目标特征数据的具体实施过程，本申请将在后续的具体实施例中对此进行进一步的细节描述，在此不作过多阐述。

步骤S203，基于目标LGBM模型对所述目标特征数据进行风险预测处理，得到对应的第一风险预测结果。

在本实施例中，轻量级梯度提升机(Light Gradient Boosting Machine,LGBM)是一种基于决策树的模型,通过带有深度限制的叶子生长算法,在分裂次数相同的情况下降低更多的误差,预测精度较高。可通过将所述目标特征数据输入至目标LGBM模型内，以通过所述目标LGBM模型对所述目标特征数据进行风险预测处理，并输出与所述目标特征数据对应的第一风险预测结果。其中，所述目标LGBM模型为根据预先采集的第一理赔样本数据对经过逐层反向传播算法优化的LGBM模型进行训练生成的。具体地，逐层反向传播算法优的过程可包括：再次初始化神经网络参数(权重和偏置等)。循环：1、计算输入的每一条数据搭建的卷积神经网络(因数据集格式为图像、文本、语音等)、输出、误差。使用均方误差损失函数计算损失值计算输出层。2、反向传播算法计算每个参数对损失值的梯度更新输出层的权重和偏置，使用梯度下降算法等优化算法逐层向前传播。3、计算每一层的输入和输出值逐层向后传播，计算每一层的梯度和参数的更新值更新每一层的权重和偏置，具体可使用梯度下降算法等优化算法。另外，对于目标LGBM模型的训练过程可参考现有的LGBM模型的训练过程，在此不做过多阐述。

步骤S204，基于目标神经网络模型对所述目标特征数据进行风险预测处理，得到对应的第二风险预测结果；其中，所述目标神经网络模型为根据预先采集的第二理赔样本数据对预设的神经网络模型进行训练生成的。

在本实施例中，可通过将所述目标特征数据输入至目标神经网络模型内，以通过所述目标神经网络模型对所述目标特征数据进行风险预测处理，并输出与所述目标特征数据对应的第二风险预测结果。其中，对于目标神经网络模型的构建过程，本申请将在后续的具体实施例中对此进行进一步的细节描述，在此不作过多阐述。

步骤S205，对所述第一风险预测结果与所述第二风险预测结果进行融合处理，生成与所述初始理赔案件数据对应的目标风险预测结果。

在本实施例中，上述对所述第一风险预测结果与所述第二风险预测结果进行融合处理，生成与所述初始理赔案件数据对应的目标风险预测结果的具体实施过程，本申请将在后续的具体实施例中对此进行进一步的细节描述，在此不作过多阐述。

本申请首先获取目标企业的初始理赔案件数据；然后从所述初始理赔案件数据中筛选出符合预设的重要性条件的目标特征数据；之后基于目标LGBM模型对所述目标特征数据进行风险预测处理，得到对应的第一风险预测结果；以及基于目标神经网络模型对所述目标特征数据进行风险预测处理，得到对应的第二风险预测结果；最后对所述第一风险预测结果与所述第二风险预测结果进行融合处理，生成与所述初始理赔案件数据对应的目标风险预测结果。本申请通过从获取目标企业的初始理赔案件数据中筛选出符合预设的重要性条件的目标特征数据，进而基于目标LGBM模型对所述目标特征数据进行风险预测处理，得到对应的第一风险预测结果，以及基于目标神经网络模型对所述目标特征数据进行风险预测处理，得到对应的第二风险预测结果，最后结合目标LGBM模型输出的第一风险预测结果以及目标神经网络模型输出的第二风险预测结果进行融合以实现快速准确地生成与所述初始理赔案件数据对应的目标风险预测结果，可以有效减少对于理赔案件数据的风险预测处理的工作量，提高了对于理赔案件数据的风险预测处理的处理效率。并且可以避免使用单一模型对目标企业的初始理赔案件数据进行风险预测所存在的误差，有效地保证了生成的初始理赔案件数据的目标风险预测结果的准确度。

在一些可选的实现方式中，步骤S202包括以下步骤：

对所述初始理赔案件数据进行预处理，得到处理后的理赔案件数据。

在本实施例中，上述对所述初始理赔案件数据进行预处理，得到处理后的理赔案件数据的具体实施过程，本申请将在后续的具体实施例中对此进行进一步的细节描述，在此不作过多阐述。

基于预设的随机森林算法对所述理赔案件数据进行特征重要性分析，从所述理赔案件数据中筛选出特征重要性大于第一预设阈值的第一特征。

在本实施例中，可基于随机森林算法构建用于分析数据特征重要性的随机森林模型，然后通过将所述理赔案件数据输入至所述随机森林中进行计算，分析出理赔案件数据终包含的各个数据特征的特征重要性。后续再从所述理赔案件数据中筛选出特征重要性大于第一预设阈值的第一特征。其中，对于上述第一预设阈值的取值不做具体限定，可根据实际的使用需求进行设置。

基于预设的信息增益算法对所述理赔案件数据进行特征重要性分析，从所述理赔案件数据中筛选出特征重要性大于第二预设阈值的第二特征。

在本实施例中，信息增益算法的原理是基于信息熵的概念。信息熵是一个用于衡量数据不确定性的指标，它的值越大，数据的不确定性就越高。在分类问题中，信息增益算法就是用来衡量每个特征对分类的贡献程度。具体地，信息增益算法的步骤如下:1.计算数据集的信息。这个步骤是为了衡量整个数据集的不确定性。2.对于每个特征，计算它对数据集的信息增益。信息增益是指在使用该特征进行分类后，数据集的不确定性减少的程度。3.选择信息增益最大的特征作为分类依据。4.重复上述步骤，直到所有数据都被分类到同一类别中。其中，对于上述第二预设阈值的取值不做具体限定，可根据实际的使用需求进行设置。

基于预设的稀疏特征选择算法对所述理赔案件数据进行特征重要性分析，从所述理赔案件数据中筛选出特征重要性大于第三预设阈值的第三特征。

在本实施例中，可采用全局冗余最小化的稀疏特征选择算法(GRMS，GlobalRedundancy Minimize feature Selection)作为上述稀疏特征选择算法。可通过使用稀疏特征选择算法对所述理赔案件数据进行特征重要性计算，得到所述理赔案件数据中包含的各个特征的特征重要性，再从所述理赔案件数据中筛选出特征重要性大于第三预设阈值的第三特征。其中，对于上述第三预设阈值的取值不做具体限定，可根据实际的使用需求进行设置。

基于所述第一特征、所述第二特征以及所述第三特征构建得到所述目标特征数据。

在本实施例中，上述基于所述第一特征、所述第二特征以及所述第三特征构建得到所述目标特征数据的具体实施过程，本申请将在后续的具体实施例中对此进行进一步的细节描述，在此不作过多阐述。

本申请通过对所述初始理赔案件数据进行预处理，得到处理后的理赔案件数据；然后基于预设的随机森林算法对所述理赔案件数据进行特征重要性分析，从所述理赔案件数据中筛选出特征重要性大于第一预设阈值的第一特征；以及基于预设的信息增益算法对所述理赔案件数据进行特征重要性分析，从所述理赔案件数据中筛选出特征重要性大于第二预设阈值的第二特征；并基于预设的稀疏特征选择算法对所述理赔案件数据进行特征重要性分析，从所述理赔案件数据中筛选出特征重要性大于第三预设阈值的第三特征；后续基于所述第一特征、所述第二特征以及所述第三特征构建得到所述目标特征数据。本申请在对所述初始理赔案件数据进行预处理，得到理赔案件数据后，通过结合随机森林算法、信息增益算法以及稀疏特征选择算法的使用对理赔案件数据进行特征重要性分析，可以根据由各种算法得出的第一特征、第二特征以及第三特征来构建得到符合预设的重要性条件的目标特征数据，提高了目标特征数据的生成效率，有效地保证了得到的目标特征数据的准确性与科学性。且后续通过对目标特征数据进行关于目标企业的初始理赔案件数据的风险预测，有利于提高风险预测的处理准确性。

在本实施例的一些可选的实现方式中，所述对所述初始理赔案件数据进行预处理，得到处理后的理赔案件数据，包括以下步骤：

对所述初始理赔案件数据进行数据清洗处理，得到对应的第一处理数据。

在本实施例中，可通过采用常用的数据清洗工具对所述初始理赔案件数据进行数据清洗处理，例如可包括对所述初始理赔案件数据进行删除缺失值、异常值与重复数据的清除处理，以得到对应的第一处理数据。其中，对于上述数据清洗工具的选取不做具体限定，可根据实际的业务使用需求进行选取。

对所述第一处理数据进行数据标准化处理，得到对应的第二处理数据。

在本实施例中，可通过采用常用的数据标准化工具对所述第一处理数据进行数据标准化处理，以得到符合模型的预测处理需求所对应的第二处理数据。

将所述第二处理数据作为所述理赔案件数据。

本申请通过对所述初始理赔案件数据进行数据清洗处理，得到对应的第一处理数据；然后对所述第一处理数据进行数据标准化处理，得到对应的第二处理数据；后续将所述第二处理数据作为所述理赔案件数据。本申请通过对得到的初始理赔案件数据进行数据清洗处理以及数据标准化处理，从而实现快速准确地构建出所需的理赔案件数据，有效地确保了生成的理赔案件数据的数据准确性与数据规范性，有利于保证后续根据生成的理赔案件数据来筛选出的符合预设的重要性条件的目标特征数据的数据准确性。

在一些可选的实现方式中，所述基于所述第一特征、所述第二特征以及所述第三特征构建得到所述目标特征数据，包括以下步骤：

对所述第一特征、所述第二特征以及所述第三特征进行整合处理，得到对应的特征组合。

在本实施例中，上述特征组合由所述第一特征、所述第二特征以及所述第三特征构成。

对所述特征组合进行去重处理，得到处理后的指定特征组合。

在本实施例中，可通过筛选出所述特征组合中存在的相同的特征，并只保留相同的特征中的一个，以完成对于特征组合的去重处理，从而得到处理后的指定特征组合。

将所述指定特征组合作为所述目标特征数据。

本申请通过对所述第一特征、所述第二特征以及所述第三特征进行整合处理，得到对应的特征组合；然后对所述特征组合进行去重处理，得到处理后的指定特征组合；后续将所述指定特征组合作为所述目标特征数据。本申请通过对得到的所述第一特征、所述第二特征以及所述第三特征进行整合去重处理，从而可以实现快速准确地生成后续用于进行数据预测处理的目标特征数据，保证了生成的目标特征数据的数据准确性。

在一些可选的实现方式中，步骤S205包括以下步骤：

获取与所述目标LGBM模型对应的第一权重。

在本实施例中，对于上述第一权重的取值，可根据实际的业务使用需求进行设置，具体可根据目标LGBM模型的性能与置信度进行设置，例如可设为0.73。

获取与所述目标神经网络模型对应的第二权重。

在本实施例中，对于上述第二权重的取值，可根据实际的业务使用需求进行设置，具体可根据目标LGBM模型的性能与置信度进行设置，例如可设为0.27。

基于所述第一权重与所述第二权重对所述第一风险预测结果与所述第二风险预测结果进行加权求和处理，得到对应的计算结果。

将所述计算结果作为与所述初始理赔案件数据对应的目标风险预测结果。

本申请通过获取与所述目标LGBM模型对应的第一权重；然后获取与所述目标神经网络模型对应的第二权重；之后基于所述第一权重与所述第二权重对所述第一风险预测结果与所述第二风险预测结果进行加权求和处理，得到对应的计算结果；后续将所述计算结果作为与所述初始理赔案件数据对应的目标风险预测结果。本申请通过基于获取到的与所述目标LGBM模型对应的第一权重，以及与所述目标神经网络模型对应的第二权重来对所述第一风险预测结果与所述第二风险预测结果进行加权求和处理，可以实现快速准确地与所述初始理赔案件数据对应的目标风险预测结果。由于目标风险预测结果为结合目标LGBM模型输出的第一风险预测结果以及目标神经网络模型输出的第二风险预测结果进行融合生成的，可以有效避免使用单一模型对目标企业的初始理赔案件数据进行风险预测所存在的误差，有效地保证了生成的初始理赔案件数据的目标风险预测结果的准确度。

在本实施例的一些可选的实现方式中，在步骤S204之前，上述电子设备还可以执行以下步骤：

获取预设采集的所述第二理赔样本数据。

在本实施例中，上述第二理赔样本数据可包括一定数量的企业的历史理赔案件数据。历史理赔案件数据中包括案件特征数据，以及与案件特征数据所对应的标签数据。其中，案件特征数据可包括企业信息、保险信息和理赔信息等相关特征数据，标签数据可包括是否理赔、是否拒赔。

对所述第二理赔样本数据进行重要性特征提取，得到对应的样本特征数据。

在本实施例中，对所述第二理赔样本数据进行重要性特征提取，得到对应的样本特征数据的具体过程，可参照前述的从所述初始理赔案件数据中筛选出符合预设的重要性条件的目标特征数据的处理过程，在此不做过多阐述。其中，通过对所述第二理赔样本数据进行重要性特征提取，可得到的样本特征数据例如可包括黑名单雇员数、过往是否拒赔过、是否清亏过、报案时间与保单截止时间是否在一个月内、是否有流窜风险等特征数据。

基于所述样本特征数据构建训练集与测试集。

在本实施例中，可通过将所述样本特征数据按照10:3的划分数值进行随机抽取划分。具体地，随机选择样本特征数据中10/13的数据作为训练集，再选择样本特征数据中剩余的3/13的数据作为测试集，如此可以有效保证模型在训练过程中具有较好的泛化能力。

确定与所述神经网络模型对应的损失函数。

在本实施例中，上述神经网络模型具体采用(DNN，DeepNeuralNetworks)，上述损失函数具体可采用均方差误损失函数。

采用预设的梯度下降算法，基于所述训练集对所述神经网络模型进行训练，以使所述损失函数处于预设数值范围内，得到训练后的神经网络模型。

在本实施例中，对于梯度下降算法具体可采用随机梯度下降算法。其中，采用预设的梯度下降算法，基于所述训练集对所述神经网络模型进行训练的训练过程，可参考现有的DNN模型的训练过程。另外，上述预设数值范围的取值不做具体限定，可根据实际的模型构建需求进行设置。

基于所述测试集对所述训练后的神经网络模型进行测试；

在本实施例中，可通过使用所述测试集对对所述训练后的神经网络模型进行测试，计算得到与所述训练后的神经网络模型对应的模型评估指标。其中，对于该模型评估指标的指标类型不做具体限定，可根据实际的使用需求进行设置，例如可采用精确率。

若所述训练后的神经网络模型通过测试，则将所述训练后的神经网络模型作为所述目标神经网络模型。

在本实施例中，可通过判断基于所述测试集对所述训练后的神经网络模型进行测试后得到的模型评估指标是否符合预期的指标范围，若符合预期的指标范围，则判定所述训练后的神经网络模型通过测试。其中，对于指标范围的取值不做具体限定，可根据实际的模型测试需求进行构建。

本申请通过获取预设采集的所述第二理赔样本数据，并对所述第二理赔样本数据进行重要性特征提取，得到对应的样本特征数据；然后基于所述样本特征数据构建训练集与测试集；之后确定与所述神经网络模型对应的损失函数；后续采用预设的梯度下降算法，基于所述训练集对所述神经网络模型进行训练，以使所述损失函数处于预设数值范围内，得到训练后的神经网络模型；最后基于所述测试集对所述训练后的神经网络模型进行测试；若所述训练后的神经网络模型通过测试，则将所述训练后的神经网络模型作为所述目标神经网络模型。本申请通过将预先采集的第二理赔样本数据进行重要性特征提取得到样本特征数据，并将样本特征数据划分为训练集与测试集，然后采用梯度下降算法，基于所述训练集对所述神经网络模型进行训练以使所述损失函数处于预设数值范围内，得到训练后的神经网络模型，进而基于所述测试集对所述训练后的神经网络模型进行测试，并将通过测试通过的所述训练后的神经网络作为目标神经网络模型，以完成目标神经网络模型的构建过程，有效的保证了生成的目标神经网络模型的模型效果与预测处理准确性，提高了目标神经网络模型的构建效率。

在本实施例的一些可选的实现方式中，在步骤S205之后，上述电子设备还可以执行以下步骤：

对所述目标风险预测结果进行分析，判断所述目标风险预测结果是否属于风险欺诈案件结果。

在本实施例中，可通过对所述目标风险预测结果进行数值分析，从预设的结果映射表中提取出与所述目标风险预测结果的数值对应的结果数据。其中，结果数据的内容可包括风险欺诈案件结果或非风险欺诈案件结果。上述结果映射表为预先构建的存储有数值与结果数据之间的对应关系的数据表。

若是，确定与所述初始理赔案件数据对应的目标业务人员。

在本实施例中，上述目标业务人员是指初始理赔案件数据所对应的案件处理人员。

获取所述目标业务人员的通讯信息。

在本实施例中，上述通讯信息是指目标业务人员的电话号码或邮件地址。

基于所述通讯信息，将所述目标风险预测结果推送给所述目标业务人员。

本申请通过对所述目标风险预测结果进行分析，判断所述目标风险预测结果是否属于风险欺诈案件结果；若是，确定与所述初始理赔案件数据对应的目标业务人员；之后获取所述目标业务人员的通讯信息；后续基于所述通讯信息，将所述目标风险预测结果推送给所述目标业务人员。本申请在生成与所述初始理赔案件数据对应的目标风险预测结果后，还会智能地对所述目标风险预测结果进行分析，如果检测出目标风险预测结果属于风险欺诈案件结果，则会确定与所述初始理赔案件数据对应的目标业务人员，并根据目标业务人员的通讯信息，将所述目标风险预测结果推送给所述目标业务人员，以便后续目标业务人员能够根据得到的目标风险预测结果来及时进行对于初始理赔案件数据的业务调整处理，有利于提高目标业务人员的工作效率与工作体验。

应理解，上述实施例中各步骤的序号的大小并不意味着执行顺序的先后，各过程的执行顺序应以其功能和内在逻辑确定，而不应对本发明实施例的实施过程构成任何限定。

需要强调的是，为进一步保证上述目标风险预测结果的私密和安全性，上述目标风险预测结果还可以存储于一区块链的节点中。

本申请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。

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一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。

进一步参考图3，作为对上述图2所示方法的实现，本申请提供了一种基于人工智能的数据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3所示，本实施例所述的基于人工智能的数据预测装置300包括：第一获取模块301、筛选模块302、第一预测模块303、第二预测模块304以及生成模块305。其中：

第一获取模块301，用于获取目标企业的初始理赔案件数据；

筛选模块302，用于从所述初始理赔案件数据中筛选出符合预设的重要性条件的目标特征数据；

第一预测模块303，用于基于目标LGBM模型对所述目标特征数据进行风险预测处理，得到对应的第一风险预测结果；其中，所述目标LGBM模型为根据预先采集的第一理赔样本数据对经过逐层反向传播算法优化的LGBM模型进行训练生成的；

第二预测模块304，用于基于目标神经网络模型对所述目标特征数据进行风险预测处理，得到对应的第二风险预测结果；其中，所述目标神经网络模型为根据预先采集的第二理赔样本数据对预设的神经网络模型进行训练生成的；

生成模块305，用于对所述第一风险预测结果与所述第二风险预测结果进行融合处理，生成与所述初始理赔案件数据对应的目标风险预测结果。

在本实施例中，上述模块或单元分别用于执行的操作与前述实施方式的基于人工智能的数据预测方法的步骤一一对应，在此不再赘述。

在本实施例的一些可选的实现方式中，筛选模块302包括：

第一处理子模块，用于对所述初始理赔案件数据进行预处理，得到处理后的理赔案件数据；

第二处理子模块，用于基于预设的随机森林算法对所述理赔案件数据进行特征重要性分析，从所述理赔案件数据中筛选出特征重要性大于第一预设阈值的第一特征；

第三处理子模块，用于基于预设的信息增益算法对所述理赔案件数据进行特征重要性分析，从所述理赔案件数据中筛选出特征重要性大于第二预设阈值的第二特征；

第四处理子模块，用于基于预设的稀疏特征选择算法对所述理赔案件数据进行特征重要性分析，从所述理赔案件数据中筛选出特征重要性大于第三预设阈值的第三特征；

构建子模块，用于基于所述第一特征、所述第二特征以及所述第三特征构建得到所述目标特征数据。

在本实施例中，上述模块或单元分别用于执行的操作与前述实施方式的基于人工智能的数据预测方法的步骤一一对应，在此不再赘述。

在本实施例的一些可选的实现方式中,第一处理子模块包括：

第一处理单元，用于对所述初始理赔案件数据进行数据清洗处理，得到对应的第一处理数据；

第二处理单元，用于对所述第一处理数据进行数据标准化处理，得到对应的第二处理数据；

第一确定单元，用于将所述第二处理数据作为所述理赔案件数据。

本实施例中，上述模块或单元分别用于执行的操作与前述实施方式的基于人工智能的数据预测方法的步骤一一对应，在此不再赘述。

在本实施例的一些可选的实现方式中，构建子模块包括：

第三处理单元，用于对所述第一特征、所述第二特征以及所述第三特征进行整合处理，得到对应的特征组合；

第四处理单元，用于对所述特征组合进行去重处理，得到处理后的指定特征组合；

第二确定单元，用于将所述指定特征组合作为所述目标特征数据。

在本实施例中，上述模块或单元分别用于执行的操作与前述实施方式的基于人工智能的数据预测方法的步骤一一对应，在此不再赘述。

在本实施例的一些可选的实现方式中，生成模块305包括：

第一获取子模块，用于获取与所述目标LGBM模型对应的第一权重；

第二获取子模块，用于获取与所述目标神经网络模型对应的第二权重；

计算子模块，用于基于所述第一权重与所述第二权重对所述第一风险预测结果与所述第二风险预测结果进行加权求和处理，得到对应的计算结果；

第二确定子模块，用于将所述计算结果作为与所述初始理赔案件数据对应的目标风险预测结果。

在本实施例中，上述模块或单元分别用于执行的操作与前述实施方式的基于人工智能的数据预测方法的步骤一一对应，在此不再赘述。

在本实施例的一些可选的实现方式中，基于人工智能的数据预测装置还包括：

第二获取模块，用于获取预设采集的所述第二理赔样本数据；

提取模块，用于对所述第二理赔样本数据进行重要性特征提取，得到对应的样本特征数据；

构建模块，用于基于所述样本特征数据构建训练集与测试集；

第一确定模块，用于确定与所述神经网络模型对应的损失函数；

训练模块，用于采用预设的梯度下降算法，基于所述训练集对所述神经网络模型进行训练，以使所述损失函数处于预设数值范围内，得到训练后的神经网络模型；

测试模块，用于基于所述测试集对所述训练后的神经网络模型进行测试；

第二确定模块，用于若所述训练后的神经网络模型通过测试，则将所述训练后的神经网络模型作为所述目标神经网络模型。

在本实施例中，上述模块或单元分别用于执行的操作与前述实施方式的基于人工智能的数据预测方法的步骤一一对应，在此不再赘述。

在本实施例的一些可选的实现方式中，基于人工智能的数据预测装置还包括：

判断模块，用于对所述目标风险预测结果进行分析，判断所述目标风险预测结果是否属于风险欺诈案件结果；

第三确定模块，用于若是，确定与所述初始理赔案件数据对应的目标业务人员；

第三获取模块，用于获取所述目标业务人员的通讯信息；

推送模块，用于基于所述通讯信息，将所述目标风险预测结果推送给所述目标业务人员。

在本实施例中，上述模块或单元分别用于执行的操作与前述实施方式的基于人工智能的数据预测方法的步骤一一对应，在此不再赘述。

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4，图4为本实施例计算机设备基本结构框图。

所述计算机设备4包括通过系统总线相互通信连接存储器41、处理器42、网络接口43。需要指出的是，图中仅示出了具有组件41-43的计算机设备4，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41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41可以是所述计算机设备4的内部存储单元，例如该计算机设备4的硬盘或内存。在另一些实施例中，所述存储器41也可以是所述计算机设备4的外部存储设备，例如该计算机设备4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41还可以既包括所述计算机设备4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41通常用于存储安装于所述计算机设备4的操作系统和各类应用软件，例如基于人工智能的数据预测方法的计算机可读指令等。此外，所述存储器41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42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42通常用于控制所述计算机设备4的总体操作。本实施例中，所述处理器42用于运行所述存储器41中存储的计算机可读指令或者处理数据，例如运行所述基于人工智能的数据预测方法的计算机可读指令。

所述网络接口43可包括无线网络接口或有线网络接口，该网络接口43通常用于在所述计算机设备4与其他电子设备之间建立通信连接。

与现有技术相比，本申请实施例主要有以下有益效果：

本申请实施例中，通过从获取目标企业的初始理赔案件数据中筛选出符合预设的重要性条件的目标特征数据，进而基于目标LGBM模型对所述目标特征数据进行风险预测处理，得到对应的第一风险预测结果，以及基于目标神经网络模型对所述目标特征数据进行风险预测处理，得到对应的第二风险预测结果，最后结合目标LGBM模型输出的第一风险预测结果以及目标神经网络模型输出的第二风险预测结果进行融合以实现快速准确地生成与所述初始理赔案件数据对应的目标风险预测结果，可以有效减少对于理赔案件数据的风险预测处理的工作量，提高了对于理赔案件数据的风险预测处理的处理效率。并且可以避免使用单一模型对目标企业的初始理赔案件数据进行风险预测所存在的误差，有效地保证了生成的初始理赔案件数据的目标风险预测结果的准确度。

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至少一个处理器执行，以使所述至少一个处理器执行如上述的基于人工智能的数据预测方法的步骤。

与现有技术相比，本申请实施例主要有以下有益效果：

本申请实施例中，通过从获取目标企业的初始理赔案件数据中筛选出符合预设的重要性条件的目标特征数据，进而基于目标LGBM模型对所述目标特征数据进行风险预测处理，得到对应的第一风险预测结果，以及基于目标神经网络模型对所述目标特征数据进行风险预测处理，得到对应的第二风险预测结果，最后结合目标LGBM模型输出的第一风险预测结果以及目标神经网络模型输出的第二风险预测结果进行融合以实现快速准确地生成与所述初始理赔案件数据对应的目标风险预测结果，可以有效减少对于理赔案件数据的风险预测处理的工作量，提高了对于理赔案件数据的风险预测处理的处理效率。并且可以避免使用单一模型对目标企业的初始理赔案件数据进行风险预测所存在的误差，有效地保证了生成的初始理赔案件数据的目标风险预测结果的准确度。

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)

1.一种基于人工智能的数据预测方法，其特征在于，包括下述步骤：

获取目标企业的初始理赔案件数据；

从所述初始理赔案件数据中筛选出符合预设的重要性条件的目标特征数据；

基于目标LGBM模型对所述目标特征数据进行风险预测处理，得到对应的第一风险预测结果；其中，所述目标LGBM模型为根据预先采集的第一理赔样本数据对经过逐层反向传播算法优化的LGBM模型进行训练生成的；

基于目标神经网络模型对所述目标特征数据进行风险预测处理，得到对应的第二风险预测结果；其中，所述目标神经网络模型为根据预先采集的第二理赔样本数据对预设的神经网络模型进行训练生成的；

对所述第一风险预测结果与所述第二风险预测结果进行融合处理，生成与所述初始理赔案件数据对应的目标风险预测结果。

2.根据权利要求1所述的基于人工智能的数据预测方法，其特征在于，所述从所述初始理赔案件数据中筛选出符合预设的重要性条件的目标特征数据的步骤，具体包括：

对所述初始理赔案件数据进行预处理，得到处理后的理赔案件数据；

基于预设的随机森林算法对所述理赔案件数据进行特征重要性分析，从所述理赔案件数据中筛选出特征重要性大于第一预设阈值的第一特征；

基于预设的信息增益算法对所述理赔案件数据进行特征重要性分析，从所述理赔案件数据中筛选出特征重要性大于第二预设阈值的第二特征；

基于预设的稀疏特征选择算法对所述理赔案件数据进行特征重要性分析，从所述理赔案件数据中筛选出特征重要性大于第三预设阈值的第三特征；

基于所述第一特征、所述第二特征以及所述第三特征构建得到所述目标特征数据。

3.根据权利要求2所述的基于人工智能的数据预测方法，其特征在于，所述对所述初始理赔案件数据进行预处理，得到处理后的理赔案件数据的步骤，具体包括：

对所述初始理赔案件数据进行数据清洗处理，得到对应的第一处理数据；

对所述第一处理数据进行数据标准化处理，得到对应的第二处理数据；

将所述第二处理数据作为所述理赔案件数据。

4.根据权利要求2所述的基于人工智能的数据预测方法，其特征在于，所述基于所述第一特征、所述第二特征以及所述第三特征构建得到所述目标特征数据的步骤，具体包括：

对所述第一特征、所述第二特征以及所述第三特征进行整合处理，得到对应的特征组合；

对所述特征组合进行去重处理，得到处理后的指定特征组合；

将所述指定特征组合作为所述目标特征数据。

5.根据权利要求1所述的基于人工智能的数据预测方法，其特征在于，所述对所述第一风险预测结果与所述第二风险预测结果进行融合处理，生成与所述初始理赔案件数据对应的目标风险预测结果的步骤，具体包括：

获取与所述目标LGBM模型对应的第一权重；

获取与所述目标神经网络模型对应的第二权重；

基于所述第一权重与所述第二权重对所述第一风险预测结果与所述第二风险预测结果进行加权求和处理，得到对应的计算结果；

将所述计算结果作为与所述初始理赔案件数据对应的目标风险预测结果。

6.根据权利要求1所述的基于人工智能的数据预测方法，其特征在于，在所述基于目标神经网络模型对所述目标特征数据进行风险预测处理，得到对应的第二风险预测结果的步骤之前，还包括：

获取预设采集的所述第二理赔样本数据；

对所述第二理赔样本数据进行重要性特征提取，得到对应的样本特征数据；

基于所述样本特征数据构建训练集与测试集；

确定与所述神经网络模型对应的损失函数；

采用预设的梯度下降算法，基于所述训练集对所述神经网络模型进行训练，以使所述损失函数处于预设数值范围内，得到训练后的神经网络模型；

基于所述测试集对所述训练后的神经网络模型进行测试；

若所述训练后的神经网络模型通过测试，则将所述训练后的神经网络模型作为所述目标神经网络模型。

7.根据权利要求1所述的基于人工智能的数据预测方法，其特征在于，在所述对所述第一风险预测结果与所述第二风险预测结果进行融合处理，生成与所述初始理赔案件数据对应的目标风险预测结果的步骤之后，还包括：

对所述目标风险预测结果进行分析，判断所述目标风险预测结果是否属于风险欺诈案件结果；

若是，确定与所述初始理赔案件数据对应的目标业务人员；

获取所述目标业务人员的通讯信息；

基于所述通讯信息，将所述目标风险预测结果推送给所述目标业务人员。

8.一种基于人工智能的数据预测装置，其特征在于，包括：

第一获取模块，用于获取目标企业的初始理赔案件数据；

筛选模块，用于从所述初始理赔案件数据中筛选出符合预设的重要性条件的目标特征数据；

第一预测模块，用于基于目标LGBM模型对所述目标特征数据进行风险预测处理，得到对应的第一风险预测结果；其中，所述目标LGBM模型为根据预先采集的第一理赔样本数据对经过逐层反向传播算法优化的LGBM模型进行训练生成的；

第二预测模块，用于基于目标神经网络模型对所述目标特征数据进行风险预测处理，得到对应的第二风险预测结果；其中，所述目标神经网络模型为根据预先采集的第二理赔样本数据对预设的神经网络模型进行训练生成的；

生成模块，用于对所述第一风险预测结果与所述第二风险预测结果进行融合处理，生成与所述初始理赔案件数据对应的目标风险预测结果。

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中任一项所述的基于人工智能的数据预测方法的步骤。

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中任一项所述的基于人工智能的数据预测方法的步骤。