[发明专利]车辆置换预测方法、装置、设备及存储介质

权利要求书

1.一种车辆置换预测方法，其特征在于，所述车辆置换预测方法包括：

获取车辆的历史车险信息，提取所述历史车险信息中与车辆置换相关的i维特征向量；

采用预置预训练模型集合中的低阶学习模型对各所述i维特征向量进行融合，得到所述历史车险信息中的i+1维特征向量，并通过i+1维特征向量，预测车辆置换的第一概率，其中，i为大于等于1的正整数；

基于所述i维特征向量，采用所述预训练模型集合中的高阶学习模型提取所述历史车险信息中与车辆置换相关的j维特征向量，并通过所述j维特征向量，预测车辆置换的第二概率，其中，j为大于等于i的正整数，其中，所述基于所述i维特征向量，采用所述预训练模型集合中的高阶学习模型提取所述历史车险信息中与车辆置换相关的j维特征向量包括：

将所述i维特征向量作为第二基础向量，采用所述预训练模型集合中的高阶学习模型对各所述第二基础向量进行加权组合，得到多个加权组合向量，并对各所述加权组合向量进行非线性映射处理，得到与车辆置换相关的k维特征向量，其中，j＞k＞i；

将所述k维特征向量作为新的第二基础向量，并判断所述新的第二基础向量是否满足预置跳变条件；

若满足，则计算所述k维特征向量对应的残差向量，并将所述残差向量作为k+1维特征向量，将所述k+1维特征向量作为新的第二基础向量，对各所述新的第二基础向量进行加权组合以及非线性映射处理，直到得到j维特征向量时停止；

若不满足，则对各所述新的第二基础向量进行加权组合以及非线性映射处理，直到得到j维特征向量时停止；

采用所述预训练模型集合中的修正模型对所述第一概率和所述第二概率融合，得到融合概率，并根据所述融合概率，确定所述预训练模型集合对车辆置换的预测结果；

采用所述修正模型计算所述预测结果和车辆置换的真实结果之间的残差值，通过所述i维特征向量和所述残差值，对所述预测结果进行线性回归处理，得到处理结果；

根据所述处理结果对所述低阶学习模型和所述高阶学习模型进行迭代，直到所述低阶学习模型和所述高阶学习模型收敛时，得到车辆置换预测模型集合；

获取目标车辆的车险信息，并将所述目标车辆的车险信息输入所述车辆置换预测模型集合中，预测所述目标车辆置换的预测结果。

2.根据权利要求1所述的车辆置换预测方法，其特征在于，所述提取所述历史车险信息中与车辆置换相关的i维特征向量包括：

当i=1时，提取所述历史车险信息中与车辆置换相关的多个特征因子和各所述特征因子对应的属性类别，并根据所述属性类别，对各所述特征因子进行分组处理，得到多个因子组合；

采用预置稀疏特征向量对各所述因子组合进行编码嵌入，得到所述历史车险信息中的一维特征向量。

3.根据权利要求1所述的车辆置换预测方法，其特征在于，所述采用预置预训练模型集合中的低阶学习模型对各所述i维特征向量进行融合，得到所述历史车险信息中的i+1维特征向量包括：

将所述i维特征向量作为第一基础向量，采用预置预训练模型集合中的低阶学习模型对每两个第一基础向量进行组合，得到多个向量组合；

根据所述向量组合的数量，建立i维特征向量对应的交叉权重矩阵，并根据所述交叉权重矩阵，依次对各所述向量组合中的两个第一基础向量进行融合，得到对应的i+1维特征向量。

4.根据权利要求1所述的车辆置换预测方法，其特征在于，所述将所述i维特征向量作为第二基础向量，采用所述预训练模型集合中的高阶学习模型对各所述第二基础向量进行加权组合，得到多个加权组合向量包括：

将所述i维特征向量作为第二基础向量，并根据各所述第二基础向量的预置激活概率，采用所述预训练模型集合中的高阶学习模型随机选取多个第二基础向量；

根据所述激活概率确定选取的第二基础向量对应的加权系数，并采用所述加权系数对各所述第二基础向量进行加权组合，得到多个加权组合向量。