【技术实现步骤摘要】
本专利技术涉及人工智能，具体提供一种高风险案件预测方法、控制装置及可读存储介质。
技术介绍
1、在保险理赔过程中，需要对理赔案件是否符合理赔标准进行判定。例如，外卖骑手的理赔案件，需要对理赔案件是否为高风险案件进行判定，以基于判定结果来判断理赔案件的真实性，从而有效的降低保险赔付支出。因而，高风险案件判断的准确性直接影响了保险赔付的支出。现有技术中，一般都是通过单一模型对高风险案件进行预测的，这样往往准确率较低。
2、相应地，本领域需要一种新的高风险案件预测方案来解决上述问题。
技术实现思路
1、为了克服上述缺陷，提出了本专利技术，以提供解决或至少部分地解决如何有效提升高风险案件的预测准确率的问题。
2、在第一方面，本专利技术提供一种高风险案件预测方法，所述方法包括：
3、应用训练数据集，对预设的多个不同类型的深度学习模型进行模型训练，获得多个训练好的不同类型的深度学习模型；其中，所述训练数据集中包含标注案件数据，所述标注案件数据的标签为高风险案件标签或低风险案件标签；
4、根据预设的模型评价指标对所述训练好的不同类型的深度学习模型进行对比，获得最终的高风险案件预测模型；
5、应用所述高风险案件预测模型对待预测案件数据进行预测，获得预测结果。
6、在上述高风险案件预测方法的一个技术方案中，所述模型评价指标包括预测准确度；
7、所述根据预设的模型评价指标对所述训练好的不同类型的深度学习模型进行对比，获
8、根据所述预测准确度对所述训练好的不同类型的深度学习模型进行对比，获得最终的高风险案件预测模型。
9、在上述高风险案件预测方法的一个技术方案中，所述模型评价指标包括预测准确度和运行性能指标；
10、所述根据预设的模型评价指标对所述训练好的不同类型的深度学习模型进行对比，获得最终的高风险案件预测模型，包括：
11、根据所述预测准确度和所述运行性能指标对所述训练好的不同类型的深度学习模型进行对比，获得最终的高风险案件预测模型。
12、在上述高风险案件预测方法的一个技术方案中，所述方法还包括根据以下步骤获取所述预测准确度：
13、应用预设的测试数据集，对所述训练好的不同类型的深度学习模型进行模型测试，获得每个训练好的深度学习模型的预测准确度。
14、在上述高风险案件预测方法的一个技术方案中，所述应用训练数据集，对预设的多个不同类型的深度学习模型进行模型训练，包括：
15、针对每个深度学习模型，随机初始化所述深度学习模型的模型参数；
16、针对每次迭代训练，将所述训练数据集中的标注案件数据输入至所述深度学习模型中，获得当前迭代的预测结果；
17、根据所述预测结果和所述标注案件数据的标签，计算当前迭代训练的损失；
18、根据所述损失，反向传播更新所述模型参数，以实现所述深度学习模型的模型训练。
19、在上述高风险案件预测方法的一个技术方案中，所述应用训练数据集，对预设的多个不同类型的深度学习模型进行模型训练，还包括：
20、针对每个深度学习模型，在每次迭代训练完成后，判断所述深度学习模型是否收敛；
21、若是，则将所述深度学习模型保存为训练好的深度学习模型；
22、若否，则进行所述深度学习模型的下一次迭代训练。
23、在上述高风险案件预测方法的一个技术方案中，在所述应用训练数据集，对预设的多个不同类型的深度学习模型进行模型训练之前，所述方法还包括：
24、获取用于训练的案件数据；
25、对所述用于训练的案件数据进行特征提取后，进行正则化处理；
26、对正则化处理后的案件数据进行标注，获得标注案件数据；
27、基于所述标注案件数据构建所述训练数据集。
28、在上述高风险案件预测方法的一个技术方案中，所述多个不同类型的深度学习模型包括gcn图卷积深度学习模型和/或gat图卷积深度学习模型和/或graphsage图卷积深度学习模型。
29、在第二方面，提供一种控制装置，该控制装置包括至少一个处理器和至少一个存储装置，所述存储装置适于存储多条程序代码，所述程序代码适于由所述处理器加载并运行以执行上述高风险案件预测方法的技术方案中任一项技术方案所述的高风险案件预测方法。
30、在第三方面，提供一种计算机可读存储介质，该计算机可读存储介质其中存储有多条程序代码，所述程序代码适于由处理器加载并运行以执行上述高风险案件预测方法的技术方案中任一项技术方案所述的高风险案件预测方法。
31、本专利技术上述一个或多个技术方案，至少具有如下一种或多种
32、有益效果：
33、在实施本专利技术的技术方案中，本专利技术可以应用训练数据集对多个不同类型的深度学习进行模型训练，从而获得多个训练好的深度学习模型，应用预设的模型评价指标对多个训练好的深度学习模型进行对比，获得最终的高风险案件预测模型，以应用训练好的高风险案件预测模型对待预测案件数据进行预测从而获得预测结果。通过上述配置方式，由于本专利技术的训练数据集中包含标注案件数据，标注案件数据的标签为高风险案件标签和低风险案件标签，能够使得训练好的深度学习模型能够对高风险案件和低风险案件进行有效预测。同时，基于模型评价指标对多个训练好的深度学习模型进行对比，能够实现不同的应用场景，有针对性地应用对应的深度学习模型进行预测，能够有效提升预测的准确性，进而基于预测结果能够有效降低保险赔付支出。
本文档来自技高网...【技术保护点】
1.一种高风险案件预测方法，其特征在于，所述方法包括：
2.根据权利要求1所述的高风险案件预测方法，其特征在于，所述模型评价指标包括预测准确度；
3.根据权利要求1所述的高风险案件预测方法，其特征在于，所述模型评价指标包括预测准确度和运行性能指标；
4.根据权利要求2或3所述的高风险案件预测方法，其特征在于，
5.根据权利要求1所述的高风险案件预测方法，其特征在于，
6.根据权利要求5所述的高风险案件预测方法，其特征在于，
7.根据权利要求1所述的高风险案件预测方法，其特征在于，
8.根据权利要求1至7中任一项所述的高风险案件预测方法，其特征在于，
9.一种控制装置，包括至少一个处理器和至少一个存储装置，所述存储装置适于存储多条程序代码，其特征在于，所述程序代码适于由所述处理器加载并运行以执行权利要求1至8中任一项所述的高风险案件预测方法。
10.一种计算机可读存储介质，其中存储有多条程序代码，其特征在于，所述程序代码适于由处理器加载并运行以执行权利要求1至8中任一项所述的
...【技术特征摘要】
1.一种高风险案件预测方法，其特征在于，所述方法包括：
2.根据权利要求1所述的高风险案件预测方法，其特征在于，所述模型评价指标包括预测准确度；
3.根据权利要求1所述的高风险案件预测方法，其特征在于，所述模型评价指标包括预测准确度和运行性能指标；
4.根据权利要求2或3所述的高风险案件预测方法，其特征在于，
5.根据权利要求1所述的高风险案件预测方法，其特征在于，
6.根据权利要求5所述的高风险案件预测方法，其特征在于，
7.根据...
【专利技术属性】
技术研发人员：鲁鑫，
申请(专利权)人：北京宏瓴科技发展有限公司，
类型：发明
国别省市：
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。