CN117829899A - 基于人工智能的需求预测方法、装置、设备及存储介质 - Google Patents
基于人工智能的需求预测方法、装置、设备及存储介质 Download PDFInfo
- Publication number
- CN117829899A CN117829899A CN202410027594.9A CN202410027594A CN117829899A CN 117829899 A CN117829899 A CN 117829899A CN 202410027594 A CN202410027594 A CN 202410027594A CN 117829899 A CN117829899 A CN 117829899A
- Authority
- CN
- China
- Prior art keywords
- demand prediction
- model
- vehicle
- data
- target
- 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 72
- 238000013473 artificial intelligence Methods 0.000 title claims abstract description 47
- 238000012549 training Methods 0.000 claims abstract description 55
- 238000012360 testing method Methods 0.000 claims abstract description 45
- 241000282320 Panthera leo Species 0.000 claims abstract description 25
- 238000005457 optimization Methods 0.000 claims abstract description 24
- 238000007781 pre-processing Methods 0.000 claims abstract description 24
- 238000012216 screening Methods 0.000 claims abstract description 22
- 238000012545 processing Methods 0.000 claims description 48
- 238000011156 evaluation Methods 0.000 claims description 28
- 238000004891 communication Methods 0.000 claims description 17
- 238000004140 cleaning Methods 0.000 claims description 9
- 238000005516 engineering process Methods 0.000 abstract description 12
- 238000010276 construction Methods 0.000 description 18
- 230000008569 process Effects 0.000 description 16
- 238000004458 analytical method Methods 0.000 description 9
- 230000006870 function Effects 0.000 description 7
- 230000000694 effects Effects 0.000 description 6
- 238000010219 correlation analysis Methods 0.000 description 5
- 230000009286 beneficial effect Effects 0.000 description 4
- 238000011161 development Methods 0.000 description 4
- 238000010586 diagram Methods 0.000 description 4
- 238000010801 machine learning Methods 0.000 description 3
- 230000003287 optical effect Effects 0.000 description 3
- 238000003672 processing method Methods 0.000 description 3
- 230000008901 benefit Effects 0.000 description 2
- 230000005540 biological transmission Effects 0.000 description 2
- 238000004364 calculation method Methods 0.000 description 2
- 230000006835 compression Effects 0.000 description 2
- 238000007906 compression Methods 0.000 description 2
- 230000001419 dependent effect Effects 0.000 description 2
- 230000003993 interaction Effects 0.000 description 2
- 230000002159 abnormal effect Effects 0.000 description 1
- 238000003491 array Methods 0.000 description 1
- 238000007405 data analysis Methods 0.000 description 1
- 238000013500 data storage Methods 0.000 description 1
- 238000003066 decision tree Methods 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 235000019800 disodium phosphate Nutrition 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 239000000835 fiber Substances 0.000 description 1
- 230000002431 foraging effect Effects 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 230000010365 information processing Effects 0.000 description 1
- 230000007246 mechanism Effects 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
- 230000001105 regulatory effect Effects 0.000 description 1
- 230000003068 static 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
- G06Q30/00—Commerce
- G06Q30/02—Marketing; Price estimation or determination; Fundraising
- G06Q30/0201—Market modelling; Market analysis; Collecting market data
- G06Q30/0202—Market predictions or forecasting for commercial activities
-
- 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
- G06F18/211—Selection of the most significant subset of features
- G06F18/2113—Selection of the most significant subset of features by ranking or filtering the set of features, e.g. using a measure of variance or of feature cross-correlation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/243—Classification techniques relating to the number of classes
- G06F18/24323—Tree-organised classifiers
-
- 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
- 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
- G06Q30/00—Commerce
- G06Q30/02—Marketing; Price estimation or determination; Fundraising
- G06Q30/0201—Market modelling; Market analysis; Collecting market data
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q40/00—Finance; Insurance; Tax strategies; Processing of corporate or income taxes
- G06Q40/08—Insurance
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Theoretical Computer Science (AREA)
- Finance (AREA)
- Accounting & Taxation (AREA)
- Data Mining & Analysis (AREA)
- Physics & Mathematics (AREA)
- Strategic Management (AREA)
- Development Economics (AREA)
- General Physics & Mathematics (AREA)
- Entrepreneurship & Innovation (AREA)
- Marketing (AREA)
- Life Sciences & Earth Sciences (AREA)
- General Engineering & Computer Science (AREA)
- General Business, Economics & Management (AREA)
- Evolutionary Computation (AREA)
- Economics (AREA)
- Artificial Intelligence (AREA)
- Game Theory and Decision Science (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Biomedical Technology (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Computing Systems (AREA)
- Biophysics (AREA)
- Software Systems (AREA)
- Technology Law (AREA)
- Mathematical Physics (AREA)
- Computational Linguistics (AREA)
- Molecular Biology (AREA)
- Financial Or Insurance-Related Operations Such As Payment And Settlement (AREA)
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需求预测方法,包括:获取与车险需求相关的初始特征数据;从初始特征数据筛选关键特征数据;对关键特征进行预处理得到车险需求样本数据;基于狮群优化算法对lightGBM模型进行优化得到目标lightGBM模型;基于车险需求样本数据对目标lightGBM模型进行训练与测试得到车险需求预测模型;基于车险需求预测模型对车险需求预测服务请求进行预测处理。本申请还提供一种基于人工智能的需求预测装置、计算机设备及存储介质。此外,本申请的车险需求预测模型可存储于区块链中。本申请可以应用于金融领域的车险需求预测场景,基于车险需求预测模型的使用有效地提高了车险需求预测结果的生成效率与数据准确性。
Description
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需求预测方法、装置、计算机设备及存储介质。
背景技术
随着汽车数量的不断增加和人民生活水平的提高,车辆使用率越来越高。而车辆保险作为保障车主利益的重要手段,也逐渐成为人们关注的焦点。然而,由于不同地区、不同人群对车险的需求和理解存在差异,因此如何准确地预测车险市场需求成为了亟待解决的问题。
传统的车险市场需求分析方法主要依靠调查问卷和统计数据分析,这种处理方法存在处理效率不高的问题,并且这种处理方法往往受到样本数量和质量的限制,难以准确反映车险市场需求的真实情况,使得生成的车险需求分析结果的准确性较低。
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需求预测方法、装置、计算机设备及存储介质,以解决现有的车险市场需求分析方法存在处理效率不高的问题,并且这种处理方法受到样本数量和质量的限制,难以准确反映车险市场需求的真实情况,使得生成的车险需求分析结果的准确性较低的技术问题。
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需求预测方法,采用了如下所述的技术方案:
获取预先采集的与车险需求相关的初始特征数据;
从所述初始特征数据中筛选出关键特征数据;
对所述关键特征进行预处理,得到对应的车险需求样本数据;
基于预设的狮群优化算法对lightGBM模型进行优化,得到优化后的目标lightGBM模型;
基于所述车险需求样本数据对所述目标lightGBM模型进行训练与测试,得到符合预期条件的车险需求预测模型;
基于所述车险需求预测模型对待处理的车险需求预测服务请求进行预测处理。
进一步的,所述从所述初始特征数据中筛选出关键特征数据的步骤,具体包括:
基于Person相关系数计算各所述初始特征数据与车险需求之间的相关性大小;
确定目标数量;
从所有所述相关性大小中筛选出与所述目标数量相同且数值最高的指定相关性大小;
从所有所述初始特征数据中获取与所述指定相关性大小对应的指定特征数据;
将所述指定特征数据作为所述关键特征数据。
进一步的,所述对所述关键特征进行预处理,得到对应的车险需求样本数据的步骤,具体包括:
对所述关键特征数据进行数据清洗处理,得到对应的第一特征数据;
对所述第一特征数据进行标准化处理,得到对应的第二特征数据;
将所述第二特征数据作为所述车险需求样本数据。
进一步的,所述基于所述车险需求样本数据对所述目标lightGBM模型进行训练与测试,得到符合预期条件的车险需求预测模型的步骤,具体包括:
将所述车险需求样本数据划分为训练数据与测试数据;
使用所述训练数据对所述目标lightGBM模型进行训练,得到训练后的目标lightGBM模型;
使用所述测试数据对所述训练后的目标lightGBM模型进行测试,计算与所述训练后的目标lightGBM模型对应的评估指标;
判断所述评估指标是否大于预设的指标阈值;
若所述评估指标大于所述指标阈值,则将所述训练后的目标lightGBM模型作为所述车险需求预测模型。
进一步的,在所述判断所述评估指标是否大于预设的指标阈值的步骤之后,还包括:
若所述评估指标小于所述指标阈值,获取预设的模型调整策略;
基于所述模型调整策略对所述训练后的目标lightGBM模型进行调整,得到调整后的目标lightGBM模型;
基于所述调整后的目标lightGBM模型进行模型更新处理。
进一步的,在所述基于所述车险需求样本数据对所述目标lightGBM模型进行训练与测试,得到符合预期条件的车险需求预测模型的步骤之后,还包括:
确定与车险需求预测业务关联的目标业务***;
获取所述目标业务***的通讯地址信息;
基于所述通讯地址信息,将所述车险需求预测模型部署至所述目标业务***内。
进一步的,所述基于所述车险需求预测模型对待处理的车险需求预测服务请求进行预测处理的步骤,具体包括:
获取用户在所述目标业务***中输入的待处理的车险需求预测服务请求;其中,所述车险需求预测服务请求携带车险需求业务数据;
从所述车险需求预测服务请求中提取出所述车险需求业务数据;
将所述车险需求业务数据输入至所述车险需求预测模型内,通过所述车险需求预测模型对所述车险需求业务数据进行预测处理,生成与所述车险需求业务数据对应的车险需求预测结果。
为了解决上述技术问题,本申请实施例还提供一种基于人工智能的需求预测装置,采用了如下所述的技术方案:
第一获取模块,用于获取预先采集的与车险需求相关的初始特征数据;
筛选模块,用于从所述初始特征数据中筛选出关键特征数据;
预处理模块,用于对所述关键特征进行预处理,得到对应的车险需求样本数据;
优化模块,用于基于预设的狮群优化算法对lightGBM模型进行优化,得到优化后的目标lightGBM模型;
第一处理模块,用于基于所述车险需求样本数据对所述目标lightGBM模型进行训练与测试,得到符合预期条件的车险需求预测模型;
第二处理模块,用于基于所述车险需求预测模型对待处理的车险需求预测服务请求进行预测处理。
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:
获取预先采集的与车险需求相关的初始特征数据;
从所述初始特征数据中筛选出关键特征数据;
对所述关键特征进行预处理,得到对应的车险需求样本数据;
基于预设的狮群优化算法对lightGBM模型进行优化,得到优化后的目标lightGBM模型;
基于所述车险需求样本数据对所述目标lightGBM模型进行训练与测试,得到符合预期条件的车险需求预测模型;
基于所述车险需求预测模型对待处理的车险需求预测服务请求进行预测处理。
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:
获取预先采集的与车险需求相关的初始特征数据;
从所述初始特征数据中筛选出关键特征数据;
对所述关键特征进行预处理,得到对应的车险需求样本数据;
基于预设的狮群优化算法对lightGBM模型进行优化,得到优化后的目标lightGBM模型;
基于所述车险需求样本数据对所述目标lightGBM模型进行训练与测试,得到符合预期条件的车险需求预测模型;
基于所述车险需求预测模型对待处理的车险需求预测服务请求进行预测处理。
与现有技术相比,本申请实施例主要有以下有益效果:
本申请实施例首先获取预先采集的与车险需求相关的初始特征数据;然后从所述初始特征数据中筛选出关键特征数据;之后对所述关键特征进行预处理,得到对应的车险需求样本数据;后续基于预设的狮群优化算法对lightGBM模型进行优化,得到优化后的目标lightGBM模型;进一步基于所述车险需求样本数据对所述目标lightGBM模型进行训练与测试,得到符合预期条件的车险需求预测模型;最后基于所述车险需求预测模型对待处理的车险需求预测服务请求进行预测处理。本申请实施例在进行车险需求预测模型的模型构建之前,通过先对预先采集的与车险需求相关的初始特征数据进行相关性分析,以从所述初始特征数据中筛选出与车险需求的相关性最高的关键特征数据,有效地确保了生成的关键特征数据的准确性与有效性。然后对所述关键特征进行预处理以构建车险需求样本数据,进而使用所述车险需求样本数据对经过狮群优化算法进行优化的目标lightGBM模型进行训练与测试,以得到符合预期条件的车险需求预测模型,保证了生成的车险需求预测模型的模型效果与预测准确性,提高了车险需求预测模型的构建效率。后续再基于所述车险需求预测模型对待处理的车险需求预测服务请求进行预测处理,可以实现快速准确地生成与所述车险需求业务数据对应的车险需求预测结果,提高了车险需求预测的处理效率,保证了生成的车险需求预测结果的准确性。
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***架构图;
图2根据本申请的基于人工智能的需求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需求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,***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需求预测方法一般由服务器/终端设备执行,相应地,基于人工智能的需求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人工智能的需求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需求预测方法能够应用于任意一种需要进行车险需求预测的场景中,则该基于人工智能的需求预测方法能够应用于这些场景的产品中,例如,金融保险领域中的预测用户对车辆保险的需求。所述的基于人工智能的需求预测方法,包括以下步骤:
步骤S201,获取预先采集的与车险需求相关的初始特征数据。
在本实施例中,基于人工智能的需求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与车险需求相关的初始特征数据。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。在车险市场需求分析的车险业务应用场景中,可通过由车险企业的车险业务人员对当前车险市场现状进行分析,归纳出影响车险需求的因素以得到与车险需求相关的初始特征数据,并对该初始特征数据进行存储。其中,上述与车险需求相关的初始特征数据至少可包括车销量、居民消费水平、车险费率、城镇化水平、道路交通、教育程度等特征。
步骤S202,从所述初始特征数据中筛选出关键特征数据。
在本实施例中,上述从所述初始特征数据中筛选出关键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,对所述关键特征进行预处理,得到对应的车险需求样本数据。
在本实施例中,上述对所述关键特征进行预处理,得到对应的车险需求样本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S204,基于预设的狮群优化算法对lightGBM模型进行优化,得到优化后的目标lightGBM模型。
在本实施例中,由于车险需求分析受区域和环境因素的影响,数据特征量较大,在本申请中使用LightGBM(轻量梯度提升机算法)来构建车险需求预测模型。在车险需求的决策上,机器学习算法相较于传统的数据统计有更大的优势。一方面,通过机器学习算法建立的车险需求预测模型,可以快速预测出未来车险市场的需求趋势;另一方面,针对不同地区、不同人群的特征,仅通过模型迭代即可得到具普适性很强的车险需求预测模型,有效地保证了车险需求预测模型在车险需求预测应用上的普适性。其中,考虑到LightGBM在训练时受初始超参数的影响较大,计划结合LSO算法(狮群优化算法)先对超参数(决策树的深度、学习率)进行优化。通过将LightGBM模型的均方根误差(RMSE)作为适应度函数,通过狮群迭代得到最优的模型参数,后续再重新利用优化后的LightGBM慢跑鞋进行车险需求预测模型训练以得到最终的车险需求预测模型。具体地,使用狮群优化算法对lightGBM模型进行优化以得到优化后的目标lightGBM模型的过程可包括:
(1)将LightGBM模型的超参数编码为狮王位置,初始化狮群种群和LightGBM模型。
(2)将LightGBM模型的误差函数RMSE作为适应度函数,进行个体适应度值计算。按照狮群觅食原理进行狮群个***置更新。
其中,N为种群个体数;yi为某一个体当前预测值;为对应的真实值。
(3)计算狮群个体适应度,更新历史最优位置。
(4)判断是否满足退出条件:满足则退出迭代,输出最优个***置,即LightGBM模型的最优树深度和学习率;否则继续回到步骤(2)重复迭代。最后再将经过LSO算法优化得到的最优树深度和学习率输入至LightGBM模型内,以得到优化后的目标lightGBM模型。本实施例通过引入LSO算法优化LightGBM模型的超参数,可以有效提升训练得到的模型的预测结果的准确性。
步骤S205,基于所述车险需求样本数据对所述目标lightGBM模型进行训练与测试,得到符合预期条件的车险需求预测模型。
在本实施例中,上述基于所述车险需求样本数据对所述目标lightGBM模型进行训练与测试,得到符合预期条件的车险需求预测模型的具体实施过程,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。其中,最终训练生成的车险需求预测模型可以用来有效且准确地预测用户对车辆保险的需求,解决车险需求预测难的问题,帮助车险企业提前布局市场,合理开展业务。本申请提出的研究车险市场需求分析的基于人工智能的需求预测方法具有重要意义,不仅可以帮助车险企业更准确地了解市场的车险需求,制定更有针对性的营销策略,还可以为政府和监管机构提供决策支持,促进行业健康发展。
步骤S206,基于所述车险需求预测模型对待处理的车险需求预测服务请求进行预测处理。
在本实施例中,上述基于所述车险需求预测模型对待处理的车险需求预测服务请求进行预测处理的具体实施过程,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。
本申请首先获取预先采集的与车险需求相关的初始特征数据;然后从所述初始特征数据中筛选出关键特征数据;之后对所述关键特征进行预处理,得到对应的车险需求样本数据;后续基于预设的狮群优化算法对lightGBM模型进行优化,得到优化后的目标lightGBM模型;进一步基于所述车险需求样本数据对所述目标lightGBM模型进行训练与测试,得到符合预期条件的车险需求预测模型;最后基于所述车险需求预测模型对待处理的车险需求预测服务请求进行预测处理。本申请在进行车险需求预测模型的模型构建之前,通过先对预先采集的与车险需求相关的初始特征数据进行相关性分析,以从所述初始特征数据中筛选出与车险需求的相关性最高的关键特征数据,有效地确保了生成的关键特征数据的准确性与有效性。然后对所述关键特征进行预处理以构建车险需求样本数据,进而使用所述车险需求样本数据对经过狮群优化算法进行优化的目标lightGBM模型进行训练与测试,以得到符合预期条件的车险需求预测模型,保证了生成的车险需求预测模型的模型效果与预测准确性,提高了车险需求预测模型的构建效率。后续再基于所述车险需求预测模型对待处理的车险需求预测服务请求进行预测处理,可以实现快速准确地生成与所述车险需求业务数据对应的车险需求预测结果,提高了车险需求预测的处理效率,保证了生成的车险需求预测结果的准确性。
在一些可选的实现方式中,步骤S202包括以下步骤:
基于Person相关系数计算各所述初始特征数据与车险需求之间的相关性大小。
在本实施例中,上述初始特征数据包括多个特征,以及与各个特征分别对应的车险需求标签。可通过将某一特征看做因变量x,对应的车险需求为因变量y,利用Person系数计算得到该特征与车险需求之间的相关性大小。其中,Person系数的计算公式可包括:
其中,γ为相关性大小,xi为所有所述初始特征数据中的第i个特征,为所有所述初始特征数据中的所有特征的平均值,yi为所有所述初始特征数据中的第i个特征对应的车险需求标签,/>为所有所述初始特征数据中的所有特征对应的车险需求标签的平均值。
确定目标数量。
在本实施例中,对于上述目标数量的取值不做具体限定,可根据实际的业务使用需求进行设置,例如可设为6。
从所有所述相关性大小中筛选出与所述目标数量相同且数值最高的指定相关性大小。
在本实施例中,特征与车险需求之间的相关性大小的数值越高,则表示该特征对于车险需求的影响度越高。在车险市场的实际应用场景中,车险市场与地域、经济等因素均有关联,影响车险需求预测的特征较多。基于车险企业历史市场的分析数据,在利用Person相关系数对所有影响车险需求预测的特征进行计算可以得到与车险需求的相关性最高的六个特征,分别是汽车销量、居民消费水平、车险费率、城镇化水平、道路交通、教育程度。
从所有所述初始特征数据中获取与所述指定相关性大小对应的指定特征数据。
在本实施例中,可通过使用所述指定相关性大小对所述初始特征数据进行数据匹配,以从所有所述初始特征数据中获取与所述指定相关性大小对应的指定特征数据。
将所述指定特征数据作为所述关键特征数据。
本申请通过基于Person相关系数计算各所述初始特征数据与车险需求之间的相关性大小;然后确定目标数量;之后从所有所述相关性大小中筛选出与所述目标数量相同且数值最高的指定相关性大小;后续从所有所述初始特征数据中获取与所述指定相关性大小对应的指定特征数据,并将所述指定特征数据作为所述关键特征数据。本申请在进行车险需求预测模型的模型构建之前,使用Person相关系数对与车险需求相关的初始特征数据进行相关性分析,以实现快速准确地从所述初始特征数据中筛选出与车险需求的相关性最高的关键特征数据,有效地确保了生成的关键特征数据的准确性与有效性。另外,后续只需要使用得到的关键特征数据来完成车险需求预测模型的构建,而不需要使用所有的初始特征数据来来进行车险需求预测模型的构建,有效地降低了车险需求预测模型的构建工作量,提高了车险需求预测模型的构建效率。
在本实施例的一些可选的实现方式中,步骤S203包括以下步骤:
对所述关键特征数据进行数据清洗处理,得到对应的第一特征数据。
在本实施例中,可通过采用通用的数据清洗工具对所述关键特征数据进行数据清洗处理,即对所述关键特征数据进行删除缺失值、异常值和重复数据的处理,以得到对应的第一特征数据。其中,对于上述数据清洗工具的选取不做具体限定,可根据实际的使用需求进行选取。
对所述第一特征数据进行标准化处理,得到对应的第二特征数据。
在本实施例中,可通过使用max-min的处理方式对所述第一特征数据进行标准化处理,以得到对应的第二特征数据。
将所述第二特征数据作为所述车险需求样本数据。
本申请通过对所述关键特征数据进行数据清洗处理,得到对应的第一特征数据;然后对所述第一特征数据进行标准化处理,得到对应的第二特征数据;后续将所述第二特征数据作为所述车险需求样本数据。本申请通过对得到的关键特征数据进行数据清洗处理以及标准化处理,从而实现快速准确地构建出所需的车险需求样本数据,有效地确保了生成的车险需求样本数据的准确性、完整性和一致性,使得后续使用该车险需求样本数据来进行车险需求预测模型的模型构建处理,可以有效减少车险需求预测模型的建模复杂度,进而提高车险需求预测模型的构建效率。
在一些可选的实现方式中,步骤S205包括以下步骤:
将所述车险需求样本数据划分为训练数据与测试数据。
在本实施例中,可通过将所述车险需求样本数据按照7:3的划分数值进行随机抽取划分。具体地,随机选择车险需求样本数据中70%的数据作为训练数据,再选择车险需求样本数据中剩余的30%的数据作为测试数据,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。
使用所述训练数据对所述目标lightGBM模型进行训练,得到训练后的目标lightGBM模型。
在本实施例中,使用使用所述训练数据对所述目标lightGBM模型进行训练的具体训练过程,可参照现有的lightGBM模型的训练过程,在此不做过多阐述。
使用所述测试数据对所述训练后的目标lightGBM模型进行测试,计算与所述训练后的目标lightGBM模型对应的评估指标。
在本实施例中,为了保证最终构建的车险需求预测模型的准确性,在完成目标lightGBM模型的训练后,还需要进一步使用所述测试数据对所述训练后的目标lightGBM模型进行模型评估,即通过使用所述测试数据对所述训练后的目标lightGBM模型进行测试,计算与所述训练后的目标lightGBM模型对应的评估指标。其中,对于上述评估指标的选取不做具体限定,可根据实际的模型构建需求进行确定,例如包括训练后的目标lightGBM模型对测试数据进行预测处理后得到的预测结果的准确率、召回率、F1分数等中的一种或多种。
判断所述评估指标是否大于预设的指标阈值。
在本实施例中,对于上述指标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。
若所述评估指标大于所述指标阈值,则将所述训练后的目标lightGBM模型作为所述车险需求预测模型。
在本实施例中,如果检测出所述评估指标大于所述指标阈值,则表明所述训练后的目标lightGBM模型通过模型评估,并会将所述训练后的目标lightGBM模型作为最终的用于进行车险需求预测处理的车险需求预测模型。其中,最终训练生成的车险需求预测模型可用来有效且准确地预测用户对车辆保险的需求,解决车险需求预测难的问题,帮助车险企业提前布局市场,合理开展业务。
本申请通过将所述车险需求样本数据划分为训练数据与测试数据;然后使用所述训练数据对所述目标lightGBM模型进行训练,得到训练后的目标lightGBM模型;之后使用所述测试数据对所述训练后的目标lightGBM模型进行测试,计算与所述训练后的目标lightGBM模型对应的评估指标;后续判断所述评估指标是否大于预设的指标阈值;若所述评估指标大于所述指标阈值,则将所述训练后的目标lightGBM模型作为所述车险需求预测模型。本申请通过将所述车险需求样本数据划分为训练数据与测试数据,进而使用使用所述训练数据对所述目标lightGBM模型进行训练,得到训练后的目标lightGBM模型,后续使用所述测试数据对所述训练后的目标lightGBM模型进行测试,并将测试通过的所述训练后的目标lightGBM模型作为最终的车险需求预测模型以完成车险需求预测模型的构建过程,有效的保证了生成的车险需求预测模型的模型效果与预测准确性,提高了车险需求预测模型的构建效率。
在一些可选的实现方式中,在所述判断所述评估指标是否大于预设的指标阈值的步骤之后,上述电子设备还可以执行以下步骤:
若所述评估指标小于所述指标阈值,获取预设的模型调整策略。
在本实施例中,上述模型调整策略为预先构建的内容为使用样本数据对模型进行重新训练以及模型参数调整处理,以使得最终训练生成的模型能够符合相应的预期训练条件的策略。
基于所述模型调整策略对所述训练后的目标lightGBM模型进行调整,得到调整后的目标lightGBM模型。
在本实施例中,可通过执行所述模型调整策略,使用所述车险需求样本数据对所述训练后的目标lightGBM模型进行重新训练以及模型参数调整处理,以确保得到的处理后的目标lightGBM模型为符合预期条件的模型,从而将处理后的目标lightGBM模型作为上述目标lightGBM模型。
基于所述调整后的目标lightGBM模型进行模型更新处理。
在本实施例中,可通过使用所述调整后的目标lightGBM模型对上述训练后的目标lightGBM模型进行替换处理,即将该调整后的目标lightGBM模型作为最终的车险需求预测模型,并对该训练后的目标lightGBM模型进行删除处理,从而完成相应的模型更新处理。
本申请若检测出所述评估指标小于所述指标阈值,获取预设的模型调整策略;然后基于所述模型调整策略对所述训练后的目标lightGBM模型进行调整,得到调整后的目标lightGBM模型;后续基于所述调整后的目标lightGBM模型进行模型更新处理。本申请当检测出所述训练后的目标lightGBM模型的评估指标小于所述指标阈值后,还会智能地调用预设的模型调整策略对所述训练后的目标lightGBM模型进行调整,进而使用经过调整处理后得到的调整后的目标lightGBM模型进行模型更新处理以完成最终的车险需求预测模型的构建,有效的保证了生成的车险需求预测模型的模型效果与预测准确性,提高了车险需求预测模型的构建智能性。
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:
确定与车险需求预测业务关联的目标业务***。
在本实施例中,上述目标业务***为开设有车险需求预测业务的业务***,示例性的,该目标业务***可以为车险企业内部的车险业务***。
获取所述目标业务***的通讯地址信息。
在本实施例中,上述通讯地址信息可以指目标业务***的url地址或邮件地址。
基于所述通讯地址信息,将所述车险需求预测模型部署至所述目标业务***内。
在本实施例中,通过根据目标业务***的通讯地址信息与该目标业务***进行数据传输,以实现所述车险需求预测模型部署至所述目标业务***内,从而可以根据部署成功的车险需求预测模型实现为车险企业提供车险需求预测服务的功能,有利于车险企业能够根据车险需求预测模型的应用提前规划业务部署方案,进而有效提高车险企业的相关车险业务的业务开展效率。
本申请通过确定与车险需求预测业务关联的目标业务***;然后获取所述目标业务***的通讯地址信息;后续基于所述通讯地址信息,将所述车险需求预测模型部署至所述目标业务***内。本申请在所述基于所述车险需求样本数据对所述目标lightGBM模型进行训练与测试,得到符合预期条件的车险需求预测模型之后,还会智能地确定与车险需求预测业务关联的目标业务***,并会根据该目标业务***的通讯地址信息,将所述车险需求预测模型部署至所述目标业务***内,以根据部署成功的车险需求预测模型实现为车险企业提供车险需求预测服务的功能,有利于车险企业能够根据车险需求预测模型的应用提前规划业务部署方案,进而有效提高车险企业的相关车险业务的业务开展效率。
在本实施例的一些可选的实现方式中,步骤S206包括以下步骤:
获取用户在所述目标业务***中输入的待处理的车险需求预测服务请求;其中,所述车险需求预测服务请求携带车险需求业务数据。
在本实施例中,用户可以通过点击所述目标业务***中的车险需求预测功能按钮,以触发相应的车险需求预测服务请求。
从所述车险需求预测服务请求中提取出所述车险需求业务数据。
在本实施例中,可通过对所述车险需求预测服务请求进行信息解析,以从所述车险需求预测服务请求中提取出所述车险需求业务数据。
将所述车险需求业务数据输入至所述车险需求预测模型内,通过所述车险需求预测模型对所述车险需求业务数据进行预测处理,生成与所述车险需求业务数据对应的车险需求预测结果。
在本实施例中,在所述车险需求预测模型对所述车险需求业务数据进行预测处理后,会对应输出与所述车险需求业务数据对应的车险需求预测结果。
本申请通过获取用户在所述目标业务***中输入的待处理的车险需求预测服务请求;然后从所述车险需求预测服务请求中提取出所述车险需求业务数据;后续将所述车险需求业务数据输入至所述车险需求预测模型内,通过所述车险需求预测模型对所述车险需求业务数据进行预测处理,生成与所述车险需求业务数据对应的车险需求预测结果。本申请在从用户在所述目标业务***中输入的待处理的车险需求预测服务请求中提取出车险需求业务数据后,通过使用预先训练好的车险需求预测模型对所述车险需求业务数据进行预测处理,可以实现快速准确地生成与所述车险需求业务数据对应的车险需求预测结果,保证了生成的车险需求预测结果的准确性。
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,为进一步保证上述车险需求预测模型的私密和安全性,上述车险需求预测模型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***。
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***、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需求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需求预测装置300包括:第一获取模块301、筛选模块302、预处理模块303、优化模块304、第一处理模块305以及第二处理模块306。其中:
第一获取模块301,用于获取预先采集的与车险需求相关的初始特征数据;
筛选模块302,用于从所述初始特征数据中筛选出关键特征数据;
预处理模块303,用于对所述关键特征进行预处理,得到对应的车险需求样本数据;
优化模块304,用于基于预设的狮群优化算法对lightGBM模型进行优化,得到优化后的目标lightGBM模型;
第一处理模块305,用于基于所述车险需求样本数据对所述目标lightGBM模型进行训练与测试,得到符合预期条件的车险需求预测模型;
第二处理模块306,用于基于所述车险需求预测模型对待处理的车险需求预测服务请求进行预测处理。
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需求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:
计算子模块,用于基于Person相关系数计算各所述初始特征数据与车险需求之间的相关性大小;
第一确定子模块,用于确定目标数量;
筛选子模块,用于从所有所述相关性大小中筛选出与所述目标数量相同且数值最高的指定相关性大小;
第一获取子模块,用于从所有所述初始特征数据中获取与所述指定相关性大小对应的指定特征数据;
第二确定子模块,用于将所述指定特征数据作为所述关键特征数据。
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需求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,预处理模块303包括:
第一处理子模块,用于对所述关键特征数据进行数据清洗处理,得到对应的第一特征数据;
第二处理子模块,用于对所述第一特征数据进行标准化处理,得到对应的第二特征数据;
第三确定子模块,用于将所述第二特征数据作为所述车险需求样本数据。
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需求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,第一处理模块305包括:
划分子模块,用于将所述车险需求样本数据划分为训练数据与测试数据;
训练子模块,用于使用所述训练数据对所述目标lightGBM模型进行训练,得到训练后的目标lightGBM模型;
测试子模块,用于使用所述测试数据对所述训练后的目标lightGBM模型进行测试,计算与所述训练后的目标lightGBM模型对应的评估指标;
判断子模块,用于判断所述评估指标是否大于预设的指标阈值;
第四确定子模块,用于若所述评估指标大于所述指标阈值,则将所述训练后的目标lightGBM模型作为所述车险需求预测模型。
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需求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,第一处理模块305还包括:
第二获取子模块,用于若所述评估指标小于所述指标阈值,获取预设的模型调整策略;
调整子模块,用于基于所述模型调整策略对所述训练后的目标lightGBM模型进行调整,得到调整后的目标lightGBM模型;
更新子模块,用于基于所述调整后的目标lightGBM模型进行模型更新处理。
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需求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,基于人工智能的需求预测装置还包括:
确定模块,用于确定与车险需求预测业务关联的目标业务***;
第二获取模块,用获取所述目标业务***的通讯地址信息;
部署模块,用基于所述通讯地址信息,将所述车险需求预测模型部署至所述目标业务***内。
在本实施例的一些可选的实现方式中,第二处理模块306包括:
第三获取子模块,用于获取用户在所述目标业务***中输入的待处理的车险需求预测服务请求;其中,所述车险需求预测服务请求携带车险需求业务数据;
提取子模块,用于从所述车险需求预测服务请求中提取出所述车险需求业务数据;
预测子模块,用于将所述车险需求业务数据输入至所述车险需求预测模型内,通过所述车险需求预测模型对所述车险需求业务数据进行预测处理,生成与所述车险需求业务数据对应的车险需求预测结果。
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需求预测方法的步骤一一对应,在此不再赘述。
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需求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***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***和各类应用软件,例如基于人工智能的需求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需求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,首先获取预先采集的与车险需求相关的初始特征数据;然后从所述初始特征数据中筛选出关键特征数据;之后对所述关键特征进行预处理,得到对应的车险需求样本数据;后续基于预设的狮群优化算法对lightGBM模型进行优化,得到优化后的目标lightGBM模型;进一步基于所述车险需求样本数据对所述目标lightGBM模型进行训练与测试,得到符合预期条件的车险需求预测模型;最后基于所述车险需求预测模型对待处理的车险需求预测服务请求进行预测处理。本申请实施例在进行车险需求预测模型的模型构建之前,通过先对预先采集的与车险需求相关的初始特征数据进行相关性分析,以从所述初始特征数据中筛选出与车险需求的相关性最高的关键特征数据,有效地确保了生成的关键特征数据的准确性与有效性。然后对所述关键特征进行预处理以构建车险需求样本数据,进而使用所述车险需求样本数据对经过狮群优化算法进行优化的目标lightGBM模型进行训练与测试,以得到符合预期条件的车险需求预测模型,保证了生成的车险需求预测模型的模型效果与预测准确性,提高了车险需求预测模型的构建效率。后续再基于所述车险需求预测模型对待处理的车险需求预测服务请求进行预测处理,可以实现快速准确地生成与所述车险需求业务数据对应的车险需求预测结果,提高了车险需求预测的处理效率,保证了生成的车险需求预测结果的准确性。
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需求预测方法的步骤。
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,首先获取预先采集的与车险需求相关的初始特征数据;然后从所述初始特征数据中筛选出关键特征数据;之后对所述关键特征进行预处理,得到对应的车险需求样本数据;后续基于预设的狮群优化算法对lightGBM模型进行优化,得到优化后的目标lightGBM模型;进一步基于所述车险需求样本数据对所述目标lightGBM模型进行训练与测试,得到符合预期条件的车险需求预测模型;最后基于所述车险需求预测模型对待处理的车险需求预测服务请求进行预测处理。本申请实施例在进行车险需求预测模型的模型构建之前,通过先对预先采集的与车险需求相关的初始特征数据进行相关性分析,以从所述初始特征数据中筛选出与车险需求的相关性最高的关键特征数据,有效地确保了生成的关键特征数据的准确性与有效性。然后对所述关键特征进行预处理以构建车险需求样本数据,进而使用所述车险需求样本数据对经过狮群优化算法进行优化的目标lightGBM模型进行训练与测试,以得到符合预期条件的车险需求预测模型,保证了生成的车险需求预测模型的模型效果与预测准确性,提高了车险需求预测模型的构建效率。后续再基于所述车险需求预测模型对待处理的车险需求预测服务请求进行预测处理,可以实现快速准确地生成与所述车险需求业务数据对应的车险需求预测结果,提高了车险需求预测的处理效率,保证了生成的车险需求预测结果的准确性。
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需求预测方法,其特征在于,包括下述步骤:
获取预先采集的与车险需求相关的初始特征数据;
从所述初始特征数据中筛选出关键特征数据;
对所述关键特征进行预处理,得到对应的车险需求样本数据;
基于预设的狮群优化算法对lightGBM模型进行优化,得到优化后的目标lightGBM模型;
基于所述车险需求样本数据对所述目标lightGBM模型进行训练与测试,得到符合预期条件的车险需求预测模型;
基于所述车险需求预测模型对待处理的车险需求预测服务请求进行预测处理。
2.根据权利要求1所述的基于人工智能的需求预测方法,其特征在于,所述从所述初始特征数据中筛选出关键特征数据的步骤,具体包括:
基于Per son相关系数计算各所述初始特征数据与车险需求之间的相关性大小;
确定目标数量;
从所有所述相关性大小中筛选出与所述目标数量相同且数值最高的指定相关性大小;
从所有所述初始特征数据中获取与所述指定相关性大小对应的指定特征数据;
将所述指定特征数据作为所述关键特征数据。
3.根据权利要求1所述的基于人工智能的需求预测方法,其特征在于,所述对所述关键特征进行预处理,得到对应的车险需求样本数据的步骤,具体包括:
对所述关键特征数据进行数据清洗处理,得到对应的第一特征数据;
对所述第一特征数据进行标准化处理,得到对应的第二特征数据;
将所述第二特征数据作为所述车险需求样本数据。
4.根据权利要求1所述的基于人工智能的需求预测方法,其特征在于,所述基于所述车险需求样本数据对所述目标li ghtGBM模型进行训练与测试,得到符合预期条件的车险需求预测模型的步骤,具体包括:
将所述车险需求样本数据划分为训练数据与测试数据;
使用所述训练数据对所述目标lightGBM模型进行训练,得到训练后的目标lightGBM模型;
使用所述测试数据对所述训练后的目标lightGBM模型进行测试,计算与所述训练后的目标lightGBM模型对应的评估指标;
判断所述评估指标是否大于预设的指标阈值;
若所述评估指标大于所述指标阈值,则将所述训练后的目标lightGBM模型作为所述车险需求预测模型。
5.根据权利要求4所述的基于人工智能的需求预测方法,其特征在于,在所述判断所述评估指标是否大于预设的指标阈值的步骤之后,还包括:
若所述评估指标小于所述指标阈值,获取预设的模型调整策略;
基于所述模型调整策略对所述训练后的目标lightGBM模型进行调整,得到调整后的目标lightGBM模型;
基于所述调整后的目标li ghtGBM模型进行模型更新处理。
6.根据权利要求1所述的基于人工智能的需求预测方法,其特征在于,在所述基于所述车险需求样本数据对所述目标lightGBM模型进行训练与测试,得到符合预期条件的车险需求预测模型的步骤之后,还包括:
确定与车险需求预测业务关联的目标业务***;
获取所述目标业务***的通讯地址信息;
基于所述通讯地址信息,将所述车险需求预测模型部署至所述目标业务***内。
7.根据权利要求6所述的基于人工智能的需求预测方法,其特征在于,所述基于所述车险需求预测模型对待处理的车险需求预测服务请求进行预测处理的步骤,具体包括:
获取用户在所述目标业务***中输入的待处理的车险需求预测服务请求;其中,所述车险需求预测服务请求携带车险需求业务数据;
从所述车险需求预测服务请求中提取出所述车险需求业务数据;
将所述车险需求业务数据输入至所述车险需求预测模型内,通过所述车险需求预测模型对所述车险需求业务数据进行预测处理,生成与所述车险需求业务数据对应的车险需求预测结果。
8.一种基于人工智能的需求预测装置,其特征在于,包括:
第一获取模块,用于获取预先采集的与车险需求相关的初始特征数据;
筛选模块,用于从所述初始特征数据中筛选出关键特征数据;
预处理模块,用于对所述关键特征进行预处理,得到对应的车险需求样本数据;
优化模块,用于基于预设的狮群优化算法对lightGBM模型进行优化,得到优化后的目标lightGBM模型;
第一处理模块,用于基于所述车险需求样本数据对所述目标lightGBM模型进行训练与测试,得到符合预期条件的车险需求预测模型;
第二处理模块,用于基于所述车险需求预测模型对待处理的车险需求预测服务请求进行预测处理。
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需求预测方法的步骤。
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需求预测方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202410027594.9A CN117829899A (zh) | 2024-01-04 | 2024-01-04 | 基于人工智能的需求预测方法、装置、设备及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202410027594.9A CN117829899A (zh) | 2024-01-04 | 2024-01-04 | 基于人工智能的需求预测方法、装置、设备及存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN117829899A true CN117829899A (zh) | 2024-04-05 |
Family
ID=90505824
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202410027594.9A Pending CN117829899A (zh) | 2024-01-04 | 2024-01-04 | 基于人工智能的需求预测方法、装置、设备及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117829899A (zh) |
-
2024
- 2024-01-04 CN CN202410027594.9A patent/CN117829899A/zh active Pending
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111506723B (zh) | 问答响应方法、装置、设备及存储介质 | |
CN113011895B (zh) | 关联账户样本筛选方法、装置和设备及计算机存储介质 | |
CN110674636B (zh) | 一种用电行为分析方法 | |
CN112085378B (zh) | 资源分配方法、装置、计算机设备及存储介质 | |
CN115099326A (zh) | 基于人工智能的行为预测方法、装置、设备及存储介质 | |
CN116684330A (zh) | 基于人工智能的流量预测方法、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 | |
CN115936895A (zh) | 基于人工智能的风险评估方法、装置、设备及存储介质 | |
CN116402625B (zh) | 客户评估方法、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 | |
CN116777646A (zh) | 基于人工智能的风险识别方法、装置、设备及存储介质 | |
CN116843395A (zh) | 一种业务***的告警分级方法、装置、设备及存储介质 | |
CN116703466A (zh) | 基于改进灰狼算法的***访问量预测方法及其相关设备 | |
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 | |
CN117829899A (zh) | 基于人工智能的需求预测方法、装置、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 | |
CN117876021A (zh) | 基于人工智能的数据预测方法、装置、设备及存储介质 | |
CN118035560A (zh) | 基于人工智能的数据推荐方法、装置、设备及存储介质 | |
CN116523662A (zh) | 基于人工智能的预测方法、装置、计算机设备及存储介质 | |
CN116910095A (zh) | 埋点处理方法、装置、计算机设备及存储介质 | |
CN117787723A (zh) | 基于人工智能的数据预测方法、装置、设备及存储介质 | |
CN116993218A (zh) | 基于人工智能的指标分析方法、装置、设备及存储介质 | |
CN116702995A (zh) | 一种车险风险指标预测方法及其相关设备 | |
CN117078406A (zh) | 一种客户流失预警方法、装置、计算机设备及存储介质 | |
CN117252362A (zh) | 基于人工智能的调度方法、装置、计算机设备及存储介质 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination |