基于隐私计算的电子保函价值预测方法及装置制造方法及图纸

本发明专利技术涉及一种基于隐私计算的电子保函价值预测方法及装置。该方法及装置首先构建机器学习模型，使用联邦学习方法在机器学习模型中设计符合保函价值预测的特征变量模板；再各参与方基于本地机器学习模型的特征变量模板收集数据，并输入至各自的本地机器学习模型进行训练，输出各参与方对于保函价值贡献度的数值向量；最后公共机器学习模型对于各参与方生成的贡献值向量，建立一个自注意力模型，将所有贡献值映射为单一向量，并动态计算各参与方的权重，预测电子保函价值，对于担保公司来说可作为高价值参考，提高保险人员工作效率。提高保险人员工作效率。提高保险人员工作效率。

【技术实现步骤摘要】
基于隐私计算的电子保函价值预测方法及装置


[0001]本专利技术涉及电子保函领域，具体而言，涉及一种基于隐私计算的电子保函价值预测方法及装置。

技术介绍

[0002]担保函是指银行、保险公司、担保公司或个人应申请人的请求，向第三方开立的一种书面信用担保凭证。电子担保函是信息时代的产物，同纸质保函一样，由银行、保险公司、担保公司或其他担保人应投保人的请求，向受益人开立的一种电子化担保凭证，保证在申请人未能按双方协议履行其责任或义务时，由担保人代其履行一定金额、一定时限范围内的某种支付或经济赔偿责任，电子担保函一般是由保证人以使用CA证书进行电子签名的数据电文为介质，通过计算机网络向受益人开立的具有法律效力的担保凭证，但市面上并未出现对生成的电子保函进行价值预测的方案。

技术实现思路

[0003]本专利技术实施例提供了一种基于隐私计算的电子保函价值预测方法及装置，以至少解决现有技术中未出现电子保函价值预测的技术问题。
[0004]根据本专利技术的一实施例，提供了一种基于隐私计算的电子保函价值预测方法，包括以下步骤：
[0005]S101:构建机器学习模型，使用联邦学习方法在机器学习模型中设计符合保函价值预测的特征变量模板；
[0006]S102:各参与方基于本地机器学习模型的特征变量模板收集数据，并输入至各自的本地机器学习模型进行训练，输出各参与方对于保函价值贡献度的数值向量；
[0007]S103:公共机器学习模型对于各参与方生成的贡献值向量，建立一个自注意力模型，将所有贡献值映射为单一向量，并动态计算各参与方的权重。
[0008]进一步地，在步骤S103之后，方法还包括：
[0009]S104:将映射的单一向量输入至各参与方的本地机器学习模型，进行最终保函价值预测。
[0010]进一步地，步骤S104具体包括：
[0011]将预测值与历史保函实际价值对比，使用两者最小均方误差作为损失，将损失值按当前时刻相同权重分配给各本地机器学习模型，使用梯度下降法更新各参与方的本地机器学习模型参数。
[0012]进一步地，在整个过程中，联邦学习方法使用同态加密算法，将各参与方的贡献值向量与权重加密。
[0013]进一步地，联邦学习方法为各参与方可借助其他方数据进行联合建模，各方无需共享数据资源，在数据不出本地的情况下，进行数据联合训练，建立共享的机器学习模型中。
[0014]进一步地，机器学习模型为结合前馈神经网络、XGBoost的面向回归分析的集成式机器学习模型，机器学习模型目标为输出某个具体值。
[0015]进一步地，机器学习模型基于建设工程项目特征预测电子保函价值。
[0016]进一步地，建设工程项目特征包括项目类型、体量、预计工期、项目关键参与方历史项目管理表现。
[0017]根据本专利技术的另一实施例，提供了一种基于隐私计算的电子保函价值预测装置，包括：
[0018]模型构建单元，用于构建机器学习模型，使用联邦学习方法在机器学习模型中设计符合保函价值预测的特征变量模板；
[0019]训练单元，用于各参与方基于本地机器学习模型的特征变量模板收集数据，并输入至各自的本地机器学习模型进行训练，输出各参与方对于保函价值贡献度的数值向量；
[0020]权重计算单元，用于公共机器学习模型对于各参与方生成的贡献值向量，建立一个自注意力模型，将所有贡献值映射为单一向量，并动态计算各参与方的权重。
[0021]进一步地，装置还包括：
[0022]价值预测单元，用于将映射的单一向量输入至各参与方的本地机器学习模型，进行最终保函价值预测。
[0023]一种存储介质，存储介质存储有能够实现上述任意一项基于隐私计算的电子保函价值预测方法的程序文件。
[0024]一种处理器，处理器用于运行程序，其中，程序运行时执行上述任意一项的基于隐私计算的电子保函价值预测方法。
[0025]本专利技术实施例中的基于隐私计算的电子保函价值预测方法及装置，首先构建机器学习模型，使用联邦学习方法在机器学习模型中设计符合保函价值预测的特征变量模板；再各参与方基于本地机器学习模型的特征变量模板收集数据，并输入至各自的本地机器学习模型进行训练，输出各参与方对于保函价值贡献度的数值向量；最后公共机器学习模型对于各参与方生成的贡献值向量，建立一个自注意力模型，将所有贡献值映射为单一向量，并动态计算各参与方的权重，预测电子保函价值，对于担保公司来说可作为高价值参考，提高保险人员工作效率。
附图说明
[0026]此处所说明的附图用来提供对本专利技术的进一步理解，构成本申请的一部分，本专利技术的示意性实施例及其说明用于解释本专利技术，并不构成对本专利技术的不当限定。在附图中：
[0027]图1为本专利技术基于隐私计算的电子保函价值预测方法的流程图；
[0028]图2为本专利技术基于隐私计算的电子保函价值预测方法的一优选流程图；
[0029]图3为本专利技术基于隐私计算的电子保函价值预测装置的模块图；
[0030]图4为本专利技术基于隐私计算的电子保函价值预测装置的一优选模块图。
具体实施方式
[0031]为了使本
的人员更好地理解本专利技术方案，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，所描述的实施例仅仅是
本专利技术一部分的实施例，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，都应当属于本专利技术保护的范围。
[0032]需要说明的是，本专利技术的说明书和权利要求书及上述附图中的术语“第一”、“第二”等是用于区别类似的对象，而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换，以便这里描述的本专利技术的实施例能够以除了在这里图示或描述的那些以外的顺序实施。此外，术语“包括”和“具有”以及他们的任何变形，意图在于覆盖不排他的包含，例如，包含了一系列步骤或单元的过程、方法、系统、产品或设备不必限于清楚地列出的那些步骤或单元，而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。
[0033]实施例1
[0034]根据本专利技术一实施例，提供了一种基于隐私计算的电子保函价值预测方法，参见图1，包括以下步骤：
[0035]S101:构建机器学习模型，使用联邦学习方法在机器学习模型中设计符合保函价值预测的特征变量模板；
[0036]S102:各参与方基于本地机器学习模型的特征变量模板收集数据，并输入至各自的本地机器学习模型进行训练，输出各参与方对于保函价值贡献度的数值向量；
[0037]S103:公共机器学习模型对于各参与方生成的贡献值向量，建立一个自注意力模型，将所有贡献值映射为单一向量，并动态计算各参与方的权重。
[0038]本专利技术实施例中的基于隐私计算的电子保函价值预测方法，首先构建机器学习模型，使用联邦学习方法在本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于隐私计算的电子保函价值预测方法，其特征在于，包括以下步骤：S101:构建机器学习模型，使用联邦学习方法在机器学习模型中设计符合保函价值预测的特征变量模板；S102:各参与方基于本地机器学习模型的特征变量模板收集数据，并输入至各自的本地机器学习模型进行训练，输出各参与方对于保函价值贡献度的数值向量；S103:公共机器学习模型对于各参与方生成的贡献值向量，建立一个自注意力模型，将所有贡献值映射为单一向量，并动态计算各参与方的权重。2.根据权利要求1所述的基于隐私计算的电子保函价值预测方法，其特征在于，在步骤S103之后，所述方法还包括：S104:将映射的单一向量输入至各参与方的本地机器学习模型，进行最终保函价值预测。3.根据权利要求2所述的基于隐私计算的电子保函价值预测方法，其特征在于，步骤S104具体包括：将预测值与历史保函实际价值对比，使用两者最小均方误差作为损失，将损失值按当前时刻相同权重分配给各本地机器学习模型，使用梯度下降法更新各参与方的本地机器学习模型参数。4.根据权利要求3所述的基于隐私计算的电子保函价值预测方法，其特征在于，在整个过程中，联邦学习方法使用同态加密算法，将各参与方的贡献值向量与权重加密。5.根据权利要求1所述的基于隐私计算的电子保函价值预测方法，其特征在于，联邦学习方法为各参与方可借助其他方数据进行联合建模，各方无需共享数据...

【专利技术属性】
技术研发人员：郭媛君，杨之乐，吴承科，冯伟，王尧，
申请(专利权)人：深圳先进技术研究院，
类型：发明
国别省市：