评残条款智能预测方法、装置、计算机设备及存储介质制造方法及图纸

本发明专利技术公开了评残条款智能预测方法、装置、计算机设备及存储介质，涉及智能预测技术领域。该方法包括：获取伤者数据，并对伤者数据进行校验；将校验通过的所述伤者数据输入至预训练模型，利用所述预训练模型对伤者是否评残进行预测；若预训练模型输出的预测结果为对伤者进行评残，则调用预设的评残模型对伤者进行评残条款预测，得到伤者的评残条款，并将同一评残条款对应的伤情归入同一伤情组合；以及对伤者的评残条款进行校验，并根据校验结果对评残条款进行修正，以避免不同伤情组合之间存在伤情交叉。该方法实现了对伤情的评残条款的自动预测，提高了预测效率，降低了成本。

Intelligent prediction method, device, computer equipment and storage medium of disability assessment clause

【技术实现步骤摘要】
评残条款智能预测方法、装置、计算机设备及存储介质
本专利技术涉及智能预测
，尤其涉及一种评残条款智能预测方法、装置、计算机设备及存储介质。
技术介绍
目前，精准预测人伤赔付流程中的评残条款，再基于此精准预估残疾赔偿金，对于精准预估人伤赔付金额、提高保险公司的运营能力、提升保险公司的风控能力和降低保险公司的用人成本有着十分重要的作用。评残条款的确定与伤者的个人特质和伤情息息相关，通过对伤者本身的特征进行提取，可以确定给伤者确定为何种评残条款。在以往的人伤案件中，需要人工通过伤残国标库确定伤者被评定的评残条款，这种确定方式效率低。
技术实现思路
本专利技术实施例提供了一种评残条款智能预测方法、装置、计算机设备及存储介质，旨在解决现有技术中评残条款预测方法效率低的问题。第一方面，本专利技术实施例提供了一种基于数据处理的评残条款智能预测方法，其包括：获取伤者数据，并对伤者数据进行校验；将校验通过的所述伤者数据输入至预训练模型，利用所述预训练模型对伤者是否评残进行预测；若预训练模型输出的预测结果为对伤者进行评残，则调用预设的评残模型对伤者进行评残条款预测，得到伤者的评残条款，并将同一评残条款对应的伤情归入同一伤情组合，其中，所述评残模型按如下步骤建模：先对不同类别的伤情类别进行取样获取训练样本集合，然后按照LightGBM算法进行拟合建立评残模型；以及对伤者的评残条款进行校验，并根据校验结果对评残条款进行修正，以避免不同伤情组合之间存在伤情交叉。第二方面，本专利技术实施例提供了一种基于数据处理的评残条款智能预测装置，其包括：伤者数据校验单元，用于获取伤者数据，并对伤者数据进行校验；评残预测单元，用于将校验通过的所述伤者数据输入至预训练模型，利用所述预训练模型对伤者是否评残进行预测；评残条款预测单元，用于若预训练模型输出的预测结果为对伤者进行评残，则调用预设的评残模型对伤者进行评残条款预测，得到伤者的评残条款，并将同一评残条款对应的伤情归入同一伤情组合，其中，所述评残模型按如下步骤建模：先对不同类别的伤情类别进行取样获取训练样本集合，然后按照LightGBM算法进行拟合建立评残模型；以及校验修正单元，用于对伤者的评残条款进行校验，并根据校验结果对评残条款进行修正，以避免不同伤情组合之间存在伤情交叉。第三方面，本专利技术实施例又提供了一种计算机设备，其包括存储器、处理器及存储在所述存储器上并可在所述处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现上述第一方面所述的基于数据处理的评残条款智能预测方法。第四方面，本专利技术实施例还提供了一种计算机可读存储介质，其中所述计算机可读存储介质存储有计算机程序，所述计算机程序当被处理器执行时使所述处理器执行上述第一方面所述的基于数据处理的评残条款智能预测方法。本专利技术实施例提供了一种基于数据处理的评残条款智能预测方法、装置、计算机设备及存储介质。该方法包括获取伤者数据，并对伤者数据进行校验；将校验通过的所述伤者数据输入至预训练模型，利用所述预训练模型对伤者是否评残进行预测；若预训练模型输出的预测结果为对伤者进行评残，则调用预设的评残模型对伤者进行评残条款预测，得到伤者的评残条款，并将同一评残条款对应的伤情归入同一伤情组合；以及对伤者的评残条款进行校验，并根据校验结果对评残条款进行修正，以避免不同伤情组合之间存在伤情交叉。该方法实现了对伤情的评残条款的自动预测，提高了预测效率，降低了成本。附图说明为了更清楚地说明本专利技术实施例技术方案，下面将对实施例描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图是本专利技术的一些实施例，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为本专利技术实施例提供的基于数据处理的评残条款智能预测方法的流程示意图；图2为本专利技术实施例提供的基于数据处理的评残条款智能预测方法的子流程示意图；图3为本专利技术实施例提供的基于数据处理的评残条款智能预测方法的另一子流程示意图；图4为本专利技术实施例提供的基于数据处理的评残条款智能预测方法的另一子流程示意图；图5为本专利技术实施例提供的基于数据处理的评残条款智能预测方法的另一子流程示意图；图6为本专利技术实施例提供的基于数据处理的评残条款智能预测装置的示意性框图；图7为本专利技术实施例提供的基于数据处理的评残条款智能预测装置的评残预测单元的示意性框图；图8为本专利技术实施例提供的基于数据处理的评残条款智能预测装置的评残条款预测单元的示意性框图；图9为本专利技术实施例提供的基于数据处理的评残条款智能预测装置的校验修正单元的示意性框图；图10为本专利技术实施例提供的基于数据处理的评残条款智能预测装置的修正单元的示意性框图；以及图11为本专利技术实施例提供的计算机设备的示意性框图。具体实施方式下面将结合本专利技术实施例中的附图，对本专利技术实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本专利技术一部分实施例，而不是全部的实施例。基于本专利技术中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本专利技术保护的范围。应当理解，当在本说明书和所附权利要求书中使用时，术语“包括”和“包含”指示所描述特征、整体、步骤、操作、元素和/或组件的存在，但并不排除一个或多个其它特征、整体、步骤、操作、元素、组件和/或其集合的存在或添加。还应当理解，在此本专利技术说明书中所使用的术语仅仅是出于描述特定实施例的目的而并不意在限制本专利技术。如在本专利技术说明书和所附权利要求书中所使用的那样，除非上下文清楚地指明其它情况，否则单数形式的“一”、“一个”及“该”意在包括复数形式。还应当进一步理解，在本专利技术说明书和所附权利要求书中使用的术语“和/或”是指相关联列出的项中的一个或多个的任何组合以及所有可能组合，并且包括这些组合。请参阅图1，图1为本专利技术实施例提供的一种基于数据处理的评残条款智能预测方法的流程示意图，该方法包括步骤S101～S104：S101、获取伤者数据，并对伤者数据进行校验；其中，所述伤者数据包括伤者的个人信息和伤情信息。伤者的个人信息包含伤者的姓名、性别、年龄、治疗方式和户籍类别等中的一种或几种。其中的治疗方式指的是伤者在就医时的治疗方式，治疗方式的可取值可以包括保守治疗和手术治疗。伤者的伤情信息，顾名思义，表示伤者所受的伤情，伤者所受的伤情可以是单个伤情，也可以是多个伤情。如果伤者接受手术治疗，那么伤情信息也包括手术方式。本专利技术实施例中，获取伤者数据之后，需对伤者数据进行校验。校验的目的是使输入到模型中的数据格式统一，以便进行后续的数据处理和分析。为了提高校验效率，可在对伤者数据进行校验之前对伤者数据进行标准化处理。对伤者数据进行标准化处理包括对个人信息进行标准化处理和对伤情信息进行标准化处理。其中对个人信息进行标本文档来自技高网...

【技术保护点】
1.一种基于数据处理的评残条款智能预测方法，其特征在于，包括：/n获取伤者数据，并对伤者数据进行校验；/n将校验通过的所述伤者数据输入至预训练模型，利用所述预训练模型对伤者是否评残进行预测；/n若预训练模型输出的预测结果为对伤者进行评残，则调用预设的评残模型对伤者进行评残条款预测，得到伤者的评残条款，并将同一评残条款对应的伤情归入同一伤情组合，其中，所述评残模型按如下步骤建模：先对不同类别的伤情类别进行取样获取训练样本集合，然后按照LightGBM算法进行拟合建立评残模型；以及/n对伤者的评残条款进行校验，并根据校验结果对评残条款进行修正，以避免不同伤情组合之间存在伤情交叉。/n

【技术特征摘要】
1.一种基于数据处理的评残条款智能预测方法，其特征在于，包括：
获取伤者数据，并对伤者数据进行校验；
将校验通过的所述伤者数据输入至预训练模型，利用所述预训练模型对伤者是否评残进行预测；
若预训练模型输出的预测结果为对伤者进行评残，则调用预设的评残模型对伤者进行评残条款预测，得到伤者的评残条款，并将同一评残条款对应的伤情归入同一伤情组合，其中，所述评残模型按如下步骤建模：先对不同类别的伤情类别进行取样获取训练样本集合，然后按照LightGBM算法进行拟合建立评残模型；以及
对伤者的评残条款进行校验，并根据校验结果对评残条款进行修正，以避免不同伤情组合之间存在伤情交叉。


2.根据权利要求1所述基于数据处理的评残条款智能预测方法，其特征在于，所述先对不同类别的伤情类别进行取样获取训练样本集合，然后按照LightGBM算法进行拟合建立评残模型，包括：
获取训练样本集合；
计算训练样本集合中各个特征的直方图；
再计算各直方图每个组距中的梯度值和样本数，根据所述梯度值和样本数得到直方图中具有最大增益的节点，并作为最佳分类节点；以及
根据所述最佳分类节点获取使得损失函数最小的特征并进行分裂，直至分裂到完成分类目标后停止分裂，从而建立评残模型。


3.根据权利要求1所述基于数据处理的评残条款智能预测方法，其特征在于，所述将所述伤者数据输入至预训练模型，利用所述预训练模型对伤者是否评残进行预测包括：
将伤者数据转化为数值型格式的伤者数据；
计算伤者各部位所受伤情的数量、各等级伤情的数量以及指定部位所受伤情的数量；以及
将格式转化后的所述伤者数据以及所述伤者各部位所受伤情的数量、各等级伤情的数量以及指定部位所受伤情的数量输入至预训练模型，利用所述预训练模型对伤者是否评残进行预测。


4.根据权利要求3所述基于数据处理的评残条款智能预测方法，其特征在于，所述预训练模型通过如下步骤建立得到：
获取预训练样本集合；
计算预训练样本集合中各个特征的直方图；
再计算各直方图每个组距中的梯度值和样本数，根据所述梯度值和样本数得到直方图中具有最大增益的节点，并作为最佳分类节点；以及
根据所述最佳分类节点获取使得损失函数最小的特征并进行分裂，直至分裂到完成分类目标后停止分裂，从而建立预训练模型。


5.根据权利要求1所述基于数据处理的评残条款智能预测方法，其特征在于，所述若预训练模型输出的预测结果为对伤者进行评残，则调用预设的评残模型对伤者进行评残条款预测，得到伤者的评残条款，并将同一评残条款对应的伤情归入同一伤情组合包括：
根据伤情之间的叠加是否对评残条款造成影响对伤者的伤情进行分类，得到不同的伤情类别；
计算不同伤情类别下的伤情数量；
当所述伤情类别下的伤情数量大于1时，则调用所述预设的评残模...

【专利技术属性】
技术研发人员：钟校，郭春梅，王丽芝，安寅，周启文，
申请(专利权)人：深圳壹账通智能科技有限公司，
类型：发明
国别省市：广东;44