System.ArgumentOutOfRangeException: 索引和长度必须引用该字符串内的位置。 参数名: length 在 System.String.Substring(Int32 startIndex, Int32 length) 在 zhuanliShow.Bind()
【技术实现步骤摘要】
本专利技术属于基于驾驶行为数据的分析与预测,具体涉及一种基于因果干预的车险用户驾驶行为分析与预测方法及设备。
技术介绍
1、汽车的出现方便了人们的日常出行,它改变了人们生活方式,也对推动社会经济的发展起到了至关重要的作用。但是汽车出行在给人们的日常生活带来极大便利的同时,也有可能会导致各种各样的意外事故。如果车主没有购买保险,这将导致一笔巨大的赔偿金。车险的出现将这种经济风险转移到了保险公司身上,为用户规避了风险,提高了用户的驾车体验。
2、车险用户的驾车数据由一连串的驾驶行为数据构成,例如转弯,加速和刹车,形成了一个驾驶行为序列。车险用户驾驶行为分析与预测旨在给定用户的驾驶行为序列的情况下预测下一个用户驾驶行为事件。预测结果可以用于驾驶员风险行为评估和打分,帮助车险公司更好地了解用户的行为风格,并为车险的定价提供珍贵的参考信息。
3、早期的事件序列预测模型依赖马尔可夫链和贝叶斯网络来学习事件关联,或使用了基于深度学习的方法来捕捉非线性时间动态,例如卷积神经网络(cnn)、循环神经网络(rnn)、自注意力(self-attention)模型等。事件序列预测模型被广泛应用于各种应用场景当中,包括推荐系统,异常检测,用户建模等等。
4、车险用户驾驶行为分析与预测问题的一个性质在于采集用户数据和预测用户驾驶行为的不同时间间隔。这样的事实对预测用户驾驶行为造成了一个障碍,即当训练的模型随着时间变化适应新的环境时,潜在的数据生成分布可能会发生变化,也称这种变化为时序分布偏移。
5、时序分布偏
6、第一,分布偏移要求预测模型有足够的分布外泛化能力,即从训练环境推断到未来新的环境。
7、但是,现有的车险用户驾驶行为分析与预测技术并没有利用神经网络技术建模用户的历史驾驶行为,而现有的基于神经网络的事件序列预测模型也没有考虑车险用户驾驶行为分析中时序分布偏移的问题。
8、专注于在当前分布下进行训练和评估的现有技术可能会在测试实例上产生次优的结果。
9、第二,现实情况中存在影响事件生成的外部因素,例如用户驾车习惯、驾驶人、路况或者天气情况的变化,都会对模型的预测结果造成干扰。且这些外部因素在实践中是未被观察到的,需要预测模型从观察的驾驶行为序列中学习。
技术实现思路
1、为了解决上述技术问题,本专利技术提出了一种基于因果干预的车险用户驾驶行为分析与预测方法及设备。
2、为了达到上述目的,本专利技术的技术方案如下:
3、一方面,本专利技术公开一种基于因果干预的车险用户驾驶行为分析与预测方法,包括:
4、步骤s1:从因果推断的角度分析驾驶行为变量之间的因果关系,找到作为共因的驾驶行为变量,即外部因素;
5、步骤s2:构建特定因素推断模型,特定因素推断模型用于推断驾驶行为序列所属外部因素中的哪个特定因素;
6、步骤s3:构建若干与特定因素一一对应的驾驶行为预测模型,每个驾驶行为预测模型用于编码对应特定因素下的驾驶行为序列,并预测下一个时间步的驾驶行为事件;
7、步骤s4:基于因果干预技术生成目标函数;
8、步骤s5:采集车险用户的驾驶行为数据,将其输入特定因素推断模型和驾驶行为预测模型,并利用目标函数进行模型训练;
9、步骤s6:将训练好的特定因素推断模型和驾驶行为预测模型部署车险用户驾驶行为分析与预测场景中。
10、在上述技术方案的基础上,还可做如下改进:
11、作为优选的方案,步骤s2包括:
12、步骤s2.1:将外部因素分为若干特征因素;
13、步骤s2.2:构建特定因素推断模型,特定因素推断模型将每个特征因素均用外部因素向量表示;
14、步骤s2.3:特定因素推断模型将每个外部因素向量进行分块处理,分为三块;
15、前两块用于转换编码后的驾驶行为序列,后一块用于计算与驾驶行为序列之间的相关性系数;
16、步骤s2.4:获得所有外部因素向量与驾驶行为序列之间的相关性系数;
17、步骤s2.5:基于所有外部因素向量与驾驶行为序列之间的相关性系数,特定因素推断模型获得外部因素的概率分布;
18、步骤s2.6:对外部因素的概率分布进行采样,得到当前外部因素的取值,即获得驾驶行为序列所属哪个特定因素。
19、作为优选的方案,步骤s3包括:
20、步骤s3.1:构建若干与特定因素一一对应的驾驶行为预测模型;
21、步骤s3.2:通过特定因素推断模型判断驾驶行为序列所属的特定因素选择对应的驾驶行为预测模型;
22、步骤s3.3:利用对应的驾驶行为预测模型对驾驶行为序列进行编码,即序列隐藏状态,并将其重新输入特定因素推断模型得到新的特定因素,重复步骤s3.2-步骤s3.3直至达到预设次数,得到最终的序列隐藏状态;
23、步骤s3.4:利用最终的序列隐藏状态计算其与所有可能出现的驾驶行为的相似度,选择最相似的驾驶行为作为预测结果,预测结果即下一个时间步的驾驶行为事件。
24、作为优选的方案,步骤s4包括:
25、步骤s4.1:基于特定因素,通过因果干预和后门调整方法得到优化目标;
26、步骤s4.2:使用变分推断将优化目标转换为目标函数,且该目标函数能够与特定因素推断模型和驾驶行为预测模型有机融合。
27、作为优选的方案,步骤s5包括:
28、步骤s5.1:采集若干车险用户的驾驶行为数据;
29、步骤s5.2:将驾驶行为数据进行预处理,得到每个车险用户的驾驶行为序列;
30、步骤s5.3:按照时间的先后顺序将所有车险用户的驾驶行为序列进行划分,得到训练集、验证集和测试集;
31、步骤s5.4:将训练集输入特定因素推断模型和驾驶行为预测模型,利用目标函数进行模型训练。
32、此外,另一方面,本专利技术还公开一种基于因果干预的车险用户驾驶行为分析与预测设备,包括:
33、外部因素推断模块,用于从因果推断的角度分析驾驶行为变量之间的因果关系,找到作为共因的驾驶行为变量,即外部因素;
34、推断模型构建模块,用于构建特定因素推断模型,特定因素推断模型用于推断驾驶行为序列所属外部因素中的哪个特定因素;
35、预测模型构建模块,用于构建若干与特定因素一一对应的驾驶行为预测模型,每个驾驶行为预测模型用于编码对应特定因素下的驾驶行为序列,并预测下一个时间步的驾驶行为事件;
36、目标函数生成模块,用于基于因果干预技术生成目标函数;
37、训练模块,用于采集车险用户的驾驶行为数据,将其输入特定因素推断模型和驾驶行为预测模型,并利用目标函数进行模型训练;
38、部署模块,用于将训练好的特定因素推断模型和驾驶行为预测模型部署车险用户本文档来自技高网...
【技术保护点】
1.基于因果干预的车险用户驾驶行为分析与预测方法,其特征在于,包括:
2.根据权利要求1所述的车险用户驾驶行为分析与预测方法,其特征在于,所述步骤S2包括:
3.根据权利要求1所述的车险用户驾驶行为分析与预测方法,其特征在于,所述步骤S3包括:
4.根据权利要求1所述的车险用户驾驶行为分析与预测方法,其特征在于,所述步骤S4包括:
5.根据权利要求1所述的车险用户驾驶行为分析与预测方法,其特征在于,所述步骤S5包括:
6.基于因果干预的车险用户驾驶行为分析与预测设备,其特征在于,包括:
7.根据权利要求6所述的车险用户驾驶行为分析与预测设备,其特征在于,所述推断模型构建模块包括:
8.根据权利要求6所述的车险用户驾驶行为分析与预测设备,其特征在于,所述预测模型构建模块包括:
9.根据权利要求6所述的车险用户驾驶行为分析与预测设备,其特征在于,所述目标函数生成模块包括:
10.根据权利要求6所述的车险用户驾驶行为分析与预测设备,其特征在于,所述训练模块包括:
【技术特征摘要】
1.基于因果干预的车险用户驾驶行为分析与预测方法,其特征在于,包括:
2.根据权利要求1所述的车险用户驾驶行为分析与预测方法,其特征在于,所述步骤s2包括:
3.根据权利要求1所述的车险用户驾驶行为分析与预测方法,其特征在于,所述步骤s3包括:
4.根据权利要求1所述的车险用户驾驶行为分析与预测方法,其特征在于,所述步骤s4包括:
5.根据权利要求1所述的车险用户驾驶行为分析与预测方法,其特征在于,所述步骤s5包括:
6.基...
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。