[发明专利]车辆置换预测方法、装置、设备及存储介质

说明书

本发明涉及大数据领域，公开了一种车辆置换预测方法、装置、设备及存储介质。该方法包括：获取车辆的历史车险信息并提取i维特征向量；采用低阶学习模型预测车辆置换的第一概率；采用高阶学习模型预测车辆置换的第二概率；基于第一、第二概率的融合概率，确定车辆置换的预测结果，并采用修正模型对低阶学习模型和高阶学习模型进行迭代，直到低阶学习模型和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输入车辆置换预测模型集合中，预测目标车辆置换的预测结果。本发明加快了车辆置换预测模型的迭代速度和预测速度，提升车辆置换时的车险延保的概率，降低车辆续保客户的流失。

技术领域

本发明涉及大数据领域，尤其涉及一种车辆置换预测方法、装置、设备及存储介质。

背景技术

对于保险行业来说，客户续保率是一个重要的业务指标，而客户在置换新车的时候往往会因4S店的引导而更换保险公司，导致续保的流失。

而目前业内对置换车线索的获取主要依赖于被动触发的方式，且全程由人工进行数据线索跟踪，预测客户车辆置换的可能性，但绝大多数提供线索的数据质量并不高，而且更多取决于调研人员的专业能力，不仅仅是数据本身。在数据选择方面，客户的保险信息中，存在大量可用于预测受保车辆置换的数据，而在数据分析方面，如果仅采用人工的方式进行数据分析，难以充分挖掘出数据中有关车辆置换的特征，且不同调研人员对数据的分析能力不一，也会影响数据分析结果，故在车辆置换预测场景中，缺少对相关数据进行规范化的自动化分析。

发明内容

本发明的主要目的在于解决在车辆置换预测场景中，缺少对相关数据进行规范化的自动化分析的技术问题。

本发明第一方面提供了一种车辆置换预测方法，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大于等于i的正整数；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历史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历史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。

可选的，在本发明第一方面的第一种实现方式中，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。

可选的，在本发明第一方面的第二种实现方式中，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。