基于改进DTW算法的车险欺诈预测方法及其相关设备技术

本申请实施例属于人工智能技术领域，应用于车险应用模型训练领域中，涉及一种基于改进DTW算法的车险欺诈预测方法及其相关设备，包括获取车险欺诈案件中若干车辆的欺诈性驾驶轨迹数据，构建训练集；将所述训练集输入基于改进DTW算法的神经网络学习模型，进行模型训练，获得欺诈性识别模型；获取输入到所述欺诈性识别模型中的待进行欺诈预测的驾驶轨迹数据，通过所述欺诈性识别模型处理，获得模型识别结果；根据所述模型识别结果和预设的预测方式，预测所述待进行欺诈预测的驾驶轨迹数据是否为车险欺诈数据。通过改进DTW算法使得预测方更加科学合理的结合驾驶行为数据进行车险欺诈性识别，提升预测准确率，降低因车险骗保而造成的损失。而造成的损失。而造成的损失。

【技术实现步骤摘要】
基于改进DTW算法的车险欺诈预测方法及其相关设备


[0001]本申请涉及人工智能
，尤其涉及一种基于改进DTW算法的车险欺诈预测方法及其相关设备。

技术介绍

[0002]现有车险理赔风控中，对报案到理赔的特征大部分是基于二维的维度的结构化数据，既记录该事件，如投保，报案等，当下的状态，因此多是运用有监督学习中的机器学期的二分类模型。对于时间维度仅仅只是停留在各种时间差上，如投保时间与报案时间的差异。也因此车险风控的局限性也日益体现，如果无法突破特征的上限，扩充特征因子，车险欺诈骗保所造成的渗漏风险也会越来越大。
[0003]无论是基于二维的维度的结构化数据，既记录该事件，如投保，报案等，还是时间维度仅仅只是停留在各种时间差上，如投保时间与报案时间的差异，这些都车险欺诈的判别方式，都是采用投保或者理赔时的合同约定条款项的特征，没有与驾驶人的驾驶行为产生判别关联，造成车险欺诈识别的依据还不够具有说服力。因此，现有技术在车险欺诈风险识别中，还存在无法科学合理的结合驾驶行为数据进行车险欺诈性识别的问题。

技术实现思路

[0004]本申请实施例的目的在于提出一种基于改进DTW算法的车险欺诈预测方法及其相关设备，以解决现有技术在车险欺诈风险识别中，还存在无法科学合理的结合驾驶行为数据进行车险欺诈性识别的问题。
[0005]为了解决上述技术问题，本申请实施例提供一种基于改进DTW算法的车险欺诈预测方法，采用了如下所述的技术方案：
[0006]一种基于改进DTW算法的车险欺诈预测方法，包括下述步骤：
[0007]获取车险欺诈案件中若干车辆的欺诈性驾驶轨迹数据，构建训练集；
[0008]将所述训练集输入基于改进DTW算法的神经网络学习模型，进行模型训练，获得欺诈性识别模型；
[0009]获取输入到所述欺诈性识别模型中的待进行欺诈预测的驾驶轨迹数据，通过所述欺诈性识别模型处理，获得模型识别结果；
[0010]根据所述模型识别结果和预设的预测方式，预测所述待进行欺诈预测的驾驶轨迹数据是否为车险欺诈数据。
[0011]进一步的，在执行所述将所述训练集输入基于改进DTW算法的神经网络学习模型的步骤之前，所述方法还包括：
[0012]获取预先采用有监督式学习框架和改进DTW算法所构建的初始化训练模型，其中，所述初始化训练模型由BP神经网络构建；
[0013]对所述训练集中每一条欺诈性驾驶轨迹数据都设置初训练标签；
[0014]所述将所述训练集输入基于改进DTW算法的神经网络学习模型的步骤，具体包括：
[0015]将所述训练集及所述初训练标签一并输入到所述初始化训练模型。
[0016]进一步的，所述进行模型训练，获得欺诈性识别模型的步骤，具体包括：
[0017]采用有监督训练方式，并基于所述训练集中每一条欺诈性驾驶轨迹数据对所述初始化训练模型进行训练，获得待验证模型；
[0018]获取车险欺诈案件中非所述若干车辆所对应的欺诈性驾驶轨迹数据，构建验证集，其中，所述构建验证集的步骤，还包括对所述获取的车险欺诈案件中非所述若干车辆所对应的欺诈性驾驶轨迹数据设置验证标签；
[0019]将所述验证集及验证标签一并输入所述待验证模型；
[0020]通过所述验证集及验证标签对所述待验证模型进行模型验证和调优处理，获得预训练模型；
[0021]获取所述预训练模型中BP神经网络的网络参数信息，其中，所述BP神经网络的网络参数信息包括所述BP神经网络的隐含层到输出层的权重和偏置，输入层到隐含层的权重和偏置；
[0022]采用迁移学习方式将所述BP神经网络的网络参数信息部署到采用所述有监督式学习框架和改进DTW算法所构建的新训练模型，获得所述欺诈性识别模型。
[0023]进一步的，在执行所述采用有监督训练方式，并基于所述训练集中每一条欺诈性驾驶轨迹数据对所述初始化训练模型进行训练的步骤之前，所述方法还包括：
[0024]获取预先设置的时间序列处理参数和改进DTW算法的输出参数，其中，所述时间序列处理参数包括处理起始时间点、预设的时间间隔值，所述改进DTW算法的输出参数包括每个时间间隔点时所对应的行驶轨迹点、行驶距离和瞬时速度；
[0025]预先以初始的行驶轨迹点对应的GPS坐标点为空号坐标系原点，以所述行驶轨迹点与原点间的直接距离变化为空间坐标系X轴、所述行驶距离与原点的行驶里程距离为空间坐标系Y轴和所述瞬时速度的变化为空间坐标系Z轴，构建空间坐标系；
[0026]所述采用有监督训练方式，并基于所述训练集中每一条欺诈性驾驶轨迹数据对所述初始化训练模型进行训练的步骤，具体包括：
[0027]根据所述处理起始时间点和预设的时间间隔值，对所述训练集中每一条欺诈性驾驶轨迹数据进行时间序列化处理；
[0028]获取所述训练集中每一条欺诈性驾驶轨迹数据对应的时间序列数据；
[0029]基于改进DTW算法对所述训练集中每一条欺诈性驾驶轨迹数据对应的时间序列数据进行时间序列特征提取，获取每个时间间隔点时所对应的行驶轨迹点、行驶距离和瞬时速度；
[0030]将所述每个时间间隔点时所对应的行驶轨迹点、行驶距离和瞬时速度输出到所述空间坐标系中，获得对应的空间表征序列；
[0031]将所述训练集中每一条欺诈性驾驶轨迹数据对应的空间表征序列作为训练输出结果，完成对所述初始化训练模型的训练，获得所述待验证模型。
[0032]进一步的，所述通过所述验证集及验证标签对所述待验证模型进行模型验证和调优处理，获得预训练模型的步骤，具体包括：
[0033]步骤A，根据所述处理起始时间点和预设的时间间隔值，对所述验证集中每个欺诈性驾驶轨迹数据进行时间序列化处理；
[0034]步骤B，获取所述验证集中每个欺诈性驾驶轨迹数据对应的时间序列数据；
[0035]步骤C，基于改进DTW算法对所述验证集中每个欺诈性驾驶轨迹数据对应的时间序列数据进行时间序列特征提取，获取每个时间间隔点时所对应的行驶轨迹点、行驶距离和瞬时速度；
[0036]步骤D，将所述每个时间间隔点时所对应的行驶轨迹点、行驶距离和瞬时速度输出到所述空间坐标系中，获得对应的空间表征序列；
[0037]步骤E，将所述验证集中每个欺诈性驾驶轨迹数据对应的空间表征序列作为验证输出结果；
[0038]步骤F，依次获取所述验证输出结果中每一条空间表征序列与所述训练输出结果中所有空间表征序列进行序列相似度计算，获取序列相似度计算结果；
[0039]步骤G，若至少存在一个序列相似度计算结果大于预设的相似阈值，则当前条空间表征序列验证成功；
[0040]步骤H，若不存在序列相似度计算结果大于预设的相似阈值，则当前条空间表征序列验证失败，通过反向传播方式调整所述BP神经网络的网络参数信息，对所述待验证模型进行调优处理；
[0041]步骤I，获取并整理验证失败的所有空间表征序列，更新所本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于改进DTW算法的车险欺诈预测方法，其特征在于，包括下述步骤：获取车险欺诈案件中若干车辆的欺诈性驾驶轨迹数据，构建训练集；将所述训练集输入基于改进DTW算法的神经网络学习模型，进行模型训练，获得欺诈性识别模型；获取输入到所述欺诈性识别模型中的待进行欺诈预测的驾驶轨迹数据，通过所述欺诈性识别模型处理，获得模型识别结果；根据所述模型识别结果和预设的预测方式，预测所述待进行欺诈预测的驾驶轨迹数据是否为车险欺诈数据。2.根据权利要求1所述的基于改进DTW算法的车险欺诈预测方法，其特征在于，在执行所述将所述训练集输入基于改进DTW算法的神经网络学习模型的步骤之前，所述方法还包括：获取预先采用有监督式学习框架和改进DTW算法所构建的初始化训练模型，其中，所述初始化训练模型由BP神经网络构建；对所述训练集中每一条欺诈性驾驶轨迹数据都设置初训练标签；所述将所述训练集输入基于改进DTW算法的神经网络学习模型的步骤，具体包括：将所述训练集及所述初训练标签一并输入到所述初始化训练模型。3.根据权利要求2所述的基于改进DTW算法的车险欺诈预测方法，其特征在于，所述进行模型训练，获得欺诈性识别模型的步骤，具体包括：采用有监督训练方式，并基于所述训练集中每一条欺诈性驾驶轨迹数据对所述初始化训练模型进行训练，获得待验证模型；获取车险欺诈案件中非所述若干车辆所对应的欺诈性驾驶轨迹数据，构建验证集，其中，所述构建验证集的步骤，还包括对所述获取的车险欺诈案件中非所述若干车辆所对应的欺诈性驾驶轨迹数据设置验证标签；将所述验证集及验证标签一并输入所述待验证模型；通过所述验证集及验证标签对所述待验证模型进行模型验证和调优处理，获得预训练模型；获取所述预训练模型中BP神经网络的网络参数信息，其中，所述BP神经网络的网络参数信息包括所述BP神经网络的隐含层到输出层的权重和偏置，输入层到隐含层的权重和偏置；采用迁移学习方式将所述BP神经网络的网络参数信息部署到采用所述有监督式学习框架和改进DTW算法所构建的新训练模型，获得所述欺诈性识别模型。4.根据权利要求3所述的基于改进DTW算法的车险欺诈预测方法，其特征在于，在执行所述采用有监督训练方式，并基于所述训练集中每一条欺诈性驾驶轨迹数据对所述初始化训练模型进行训练的步骤之前，所述方法还包括：获取预先设置的时间序列处理参数和改进DTW算法的输出参数，其中，所述时间序列处理参数包括处理起始时间点、预设的时间间隔值，所述改进DTW算法的输出参数包括每个时间间隔点时所对应的行驶轨迹点、行驶距离和瞬时速度；预先以初始的行驶轨迹点对应的GPS坐标点为空号坐标系原点，以所述行驶轨迹点与原点间的直接距离变化为空间坐标系X轴、所述行驶距离与原点的行驶里程距离为空间坐
标系Y轴和所述瞬时速度的变化为空间坐标系Z轴，构建空间坐标系；所述采用有监督训练方式，并基于所述训练集中每一条欺诈性驾驶轨迹数据对所述初始化训练模型进行训练的步骤，具体包括：根据所述处理起始时间点和预设的时间间隔值，对所述训练集中每一条欺诈性驾驶轨迹数据进行时间序列化处理；获取所述训练集中每一条欺诈性驾驶轨迹数据对应的时间序列数据；基于改进DTW算法对所述训练集中每一条欺诈性驾驶轨迹数据对应的时间序列数据进行时间序列特征提取，获取每个时间间隔点时所对应的行驶轨迹点、行驶距离和瞬时速度；将所述每个时间间隔点时所对应的行驶轨迹点、行驶距离和瞬时速度输出到所述空间坐标系中，获得对应的空间表征序列；将所述训练集中每一条欺诈性驾驶轨迹数据对应的空间表征序列作为训练输出结果，完成对所述初始化训练模型的训练，获得所述待验证模型。5.根据权利要求4所述的基于改进DTW算法的车险欺诈预测方法，其特征在于，所述通过所述验证集及验证标签对所述待验证模型进行模型验证和调优处理，获得预训练模型的步骤，具体包括：步骤A，根据所述处理起始时间点和预设的时间间隔值，对所述验证集中每个欺诈性驾驶轨迹数据进行...

【专利技术属性】
技术研发人员：陈奕宇，付园园，
申请(专利权)人：中国平安财产保险股份有限公司，
类型：发明
国别省市：