[发明专利]电子装置、基于路况因子的车险查勘调度方法及存储介质

权利要求书

1.一种电子装置，其特征在于，所述电子装置包括存储器、及与所述存储器连接的处理器，所述处理器用于执行所述存储器上存储的基于路况因子的车险查勘调度程序，所述基于路况因子的车险查勘调度程序被所述处理器执行时实现如下步骤：

A10、接收到车险报案请求后，获取车险案件信息，所述案件信息包括出险案件的第一地理位置以及案件类型；

A20、基于所述案件类型查询预存的案件类型与查勘任务以及查勘员之间的映射关系表，以确定该案件的查勘任务以及与查勘任务相匹配的各个查勘员，分别获取相匹配的各个查勘员当前所在的第二地理位置；

A30、分别确定所述第一地理位置与所述第二地理位置之间的各出行路线，获取确定的各出行路线上的路况因子；

A40、将获取的各出行路线上的路况因子输入到梯度提升决策树模型，得到所述梯度提升决策树模型输出的预测结果数据，所述预测结果数据为从确定的所述各出行路线中，决策出的所需时间最短的出行路线；

A5、根据决策出的所需时间最短的出行路线对应的第二地理位置，确定向在该第二地理位置的查勘员分配该案件的查勘任务。

2.如权利要求1所述的电子装置，其特征在于，在所述步骤A40中，所述梯度提升决策树模型的训练过程包括：

B10：获取用于训练的样本集；所述样本集由预设数量的路况因子、时间数据对构成；

所述样本集：Z:Z＝{(x1,y1),(x2,y2),(x3,y3),...,(xi,yi),...,(xn,yn)}，其中，xi可以表示从所述第一地理位置到第i个第二地理位置的出行路线对应的路况因子，yi可以表示行驶该第i个出行路线所需的时间数据；

B20：基于梯度提升决策树回归算法结合所述样本集训练得到梯度提升决策树模型。

3.如权利要求2所述的电子装置，其特征在于，所述步骤B20包括：

C10、配置梯度提升决策树回归算法的最大迭代次数t和损失函数L；

C20、初始化所述损失函数L的弱学习器：

对该初始化的弱学习器进行最大迭代次数t轮的迭代计算，以得到梯度提升决策树模型。

4.如权利要求3所述的电子装置，其特征在于，在所述步骤C20中，对所述初始化的弱学习器每次进行迭代计算的过程，包括：

D10、将样本集Z中i＝1，2，…，n的数据，代入计算负梯度的公式中，计算负梯度，所述计算负梯度公式为：

其中，r_ti为第i个负梯度，为偏导符号，L(y,f(xi))为损失函数；

D20：根据所计算出的负梯度，拟合一颗CART回归树；

D30：将所述CART回归树的叶子区域，代入计算最佳拟合值的公式，所述计算最佳拟合值的公式为：

其中，c_tj为最佳拟合值，R_tj为CART回归树的叶子区域，且j＝1,2,…,J，j为CART回归树叶子节点的个数。

D40：根据计算的最佳拟合值，更新所述弱学习器，以得到强学习器，所述强学习器为：

D50：将更新后的强学习器作为下一轮迭代的弱学习器，重复执行上述步骤D10、D20、D30，以进行下一轮迭代，直至达到最大迭代次数t。

5.如权利要求1-4任一项所述的电子装置，其特征在于，所述路况因子包括所述出行路线的道路路基、路面、道路周围建筑以及道路交通情况。