本技術(shù)涉及人工智能，尤其涉及一種車險數(shù)據(jù)處理方法、裝置、設(shè)備、存儲介質(zhì)及程序產(chǎn)品。

背景技術(shù)：

1、隨著汽車數(shù)量的不斷增加，用戶的車險需求也在逐漸增加。傳統(tǒng)的車險業(yè)務(wù)主要依靠保險代理人的經(jīng)驗判斷評估投保人的風險和保險費率，這種方式存在主觀性和不準確的問題。

2、現(xiàn)有技術(shù)中，車險公司利用大數(shù)據(jù)技術(shù)，收集分析投保人的數(shù)據(jù)信息，對投保人進行風險評估，從而制定保險費率。

3、然而，現(xiàn)有的技術(shù)方案在對投保人進行風險評估時，僅采集車輛歷史上的出險情況，并根據(jù)車輛歷史上的出險情況對投標人進行風險評估，導致車險公司對投保人的風險評估不準確的問題。

技術(shù)實現(xiàn)思路

1、本技術(shù)實施例提供一種車險數(shù)據(jù)處理方法、裝置、設(shè)備、存儲介質(zhì)及程序產(chǎn)品，用以解決現(xiàn)有技術(shù)中存在的車險公司對投保人的風險評估不準確的問題。

2、第一方面，本技術(shù)實施例提供一種車險數(shù)據(jù)處理方法，應用于計算機設(shè)備，包括：

3、響應于工作人員輸入車險數(shù)據(jù)的操作，獲取車險數(shù)據(jù)；

4、根據(jù)所述車險數(shù)據(jù)的特征維度，判斷所述車險數(shù)據(jù)的可用率；

5、若所述車險數(shù)據(jù)的可用率滿足預設(shè)可用率限值，則對所述車險數(shù)據(jù)進行數(shù)據(jù)清洗，以生成清洗后的車險數(shù)據(jù)；

6、根據(jù)特征工程模型的數(shù)據(jù)格式，對所述清洗后的車險數(shù)據(jù)進行數(shù)據(jù)轉(zhuǎn)換，以生成轉(zhuǎn)換后的車險數(shù)據(jù)；

7、對所述轉(zhuǎn)換后的車險數(shù)據(jù)進行數(shù)據(jù)編碼，以生成訓練數(shù)據(jù)；

8、根據(jù)相關(guān)性原則對所述訓練數(shù)據(jù)進行篩選，得到篩選后的訓練數(shù)據(jù)；

9、對所述篩選后的訓練數(shù)據(jù)進行降維處理，以得到降維后的訓練數(shù)據(jù)；

10、根據(jù)卡方檢驗模型驗證所述降維后的訓練數(shù)據(jù)，生成第一驗證結(jié)果；

11、根據(jù)信息增益模型驗證所述降維后的訓練數(shù)據(jù)，生成第二驗證結(jié)果；

12、若所述第一驗證結(jié)果和所述第二驗證結(jié)果滿足預設(shè)的限值，則根據(jù)所述降維后的訓練數(shù)據(jù)訓練特征工程模型，以生成訓練后的特征工程模型；

13、響應于工作人員輸入待評估數(shù)據(jù)的操作，根據(jù)所述訓練后的特征工程模型對所述待評估數(shù)據(jù)進行特征提取，以生成特征數(shù)據(jù)集；

14、將所述特征數(shù)據(jù)集輸入風險評估模型，以輸出投保人的風險評估信息。

15、在一種可能的實施方式中，所述對所述篩選后的訓練數(shù)據(jù)進行降維處理，以得到降維后的訓練數(shù)據(jù)，包括：獲取所述篩選后的訓練數(shù)據(jù)的特征維度；根據(jù)降維模型對所述篩選后的訓練數(shù)據(jù)的特征維度進行降維處理，以得到降維后的訓練數(shù)據(jù)。

16、在一種可能的實施方式中，所述降維模型，為：

17、

18、式中，表示降維后的訓練數(shù)據(jù)的方差；x和y表示特征維度數(shù)據(jù)；和表示特征維度數(shù)據(jù)的平均值；表示特征維度x的方差；表示特征維度y的方差；mean(x)表示x特征維度數(shù)據(jù)的均值。

19、在一種可能的實施方式中，所述卡方檢驗模型模型，為：

20、

21、式中，x表示卡方統(tǒng)計量；a表示降維后的訓練數(shù)據(jù)；t表示降維前的訓練數(shù)據(jù)。

22、在一種可能的實施方式中，所述信息增益模型，為：

23、g(d,a)＝h(d)-h(d|a)

24、

25、式中，g(d,a)表示信息增益；d表示降維后的訓練數(shù)據(jù)；a表示車險數(shù)據(jù)的應用場景；h(d|a)表示降維后的訓練數(shù)據(jù)在a應用場景下的信息熵；h(d)表示降維后訓練數(shù)據(jù)的信息熵；ck表示降維后的訓練數(shù)據(jù)中的特征參數(shù)；wi表示權(quán)重；i和k表示降維后的訓練數(shù)據(jù)的特征個數(shù)。

26、在一種可能的實施方式中，所述若所述第一驗證結(jié)果和所述第二驗證結(jié)果滿足預設(shè)的限值，則根據(jù)所述降維后的訓練數(shù)據(jù)訓練特征工程模型，以生成訓練后的特征工程模型之后，還包括：配置模型監(jiān)控探針；通過所述模型監(jiān)控探針驗證所述特征工程模型輸出的特征數(shù)據(jù)集；若所述特征數(shù)據(jù)集中的特征質(zhì)量未到達預設(shè)的特征質(zhì)量閾值，則獲取未達到所述特征質(zhì)量閾值的特征數(shù)據(jù)；根據(jù)所述未達到所述特征質(zhì)量閾值的特征數(shù)據(jù)獲取所述特征工程模型中對應的特征權(quán)重；調(diào)整所述特征工程模型中對應的特征權(quán)重，以生成調(diào)整后的特征工程模型。

27、第二方面，本技術(shù)實施例提供一種車險數(shù)據(jù)處理裝置，應用于計算機設(shè)備，包括：

28、第一獲取模塊，用于響應于工作人員輸入車險數(shù)據(jù)的操作，獲取車險數(shù)據(jù)；

29、判斷模塊，用于根據(jù)所述車險數(shù)據(jù)的特征維度，判斷所述車險數(shù)據(jù)的可用率；

30、清洗模塊，用于若所述車險數(shù)據(jù)的可用率滿足預設(shè)可用率限值，則對所述車險數(shù)據(jù)進行數(shù)據(jù)清洗，以生成清洗后的車險數(shù)據(jù)；

31、轉(zhuǎn)換模塊，用于根據(jù)特征工程模型的數(shù)據(jù)格式，對所述清洗后的車險數(shù)據(jù)進行數(shù)據(jù)轉(zhuǎn)換，以生成轉(zhuǎn)換后的車險數(shù)據(jù)；

32、編碼模塊，用于對所述轉(zhuǎn)換后的車險數(shù)據(jù)進行數(shù)據(jù)編碼，以生成訓練數(shù)據(jù)；

33、篩選模塊，用于根據(jù)相關(guān)性原則對所述訓練數(shù)據(jù)進行篩選，得到篩選后的訓練數(shù)據(jù)；

34、降維模塊，用于對所述篩選后的訓練數(shù)據(jù)進行降維處理，以得到降維后的訓練數(shù)據(jù)；

35、第一生成模塊，用于根據(jù)卡方檢驗模型驗證所述降維后的訓練數(shù)據(jù)，生成第一驗證結(jié)果；

36、第二生成模塊，用于根據(jù)信息增益模型驗證所述降維后的訓練數(shù)據(jù)，生成第二驗證結(jié)果；

37、訓練模塊，用于若所述第一驗證結(jié)果和所述第二驗證結(jié)果滿足預設(shè)的限值，則根據(jù)所述降維后的訓練數(shù)據(jù)訓練特征工程模型，以生成訓練后的特征工程模型；

38、提取模塊，用于響應于工作人員輸入待評估數(shù)據(jù)的操作，根據(jù)所述訓練后的特征工程模型對所述待評估數(shù)據(jù)進行特征提取，以生成特征數(shù)據(jù)集；

39、輸出模塊，用于將所述特征數(shù)據(jù)集輸入風險評估模型，以輸出投保人的風險評估信息。

40、第三方面，本技術(shù)實施例提供一種車險數(shù)據(jù)處理設(shè)備，包括：

41、至少一個處理器和存儲器；

42、所述存儲器存儲計算機執(zhí)行指令；

43、所述至少一個處理器執(zhí)行所述存儲器存儲的計算機執(zhí)行指令，使得所述至少一個處理器執(zhí)行如上第一方面和/或第一方面各種可能的實施方式。

44、第四方面，本技術(shù)實施例提供一種計算機可讀存儲介質(zhì)，所述計算機可讀存儲介質(zhì)中存儲有計算機執(zhí)行指令，所述計算機執(zhí)行指令被處理器執(zhí)行時用于實現(xiàn)如上第一方面和/或第一方面各種可能的實施方式。

45、第五方面，本技術(shù)實施例提供一種計算機程序產(chǎn)品，包括計算機程序，該計算機程序被處理器執(zhí)行時實現(xiàn)如上第一方面和/或第一方面各種可能的實施方式。

46、本技術(shù)實施例提供的車險數(shù)據(jù)處理方法、裝置、設(shè)備、存儲介質(zhì)及程序產(chǎn)品，通過判斷車險數(shù)據(jù)的可用率，若滿足預設(shè)的可用率限值，對車險數(shù)據(jù)進行數(shù)據(jù)清洗和數(shù)據(jù)轉(zhuǎn)換，對轉(zhuǎn)換后的車險數(shù)據(jù)進行數(shù)據(jù)編碼，生成訓練數(shù)據(jù)，根據(jù)相關(guān)性原則篩選訓練數(shù)據(jù)，對篩選后的訓練數(shù)據(jù)降維處理，去除噪聲和冗余，并通過卡方檢驗模型和信息增益模型驗證降維后的訓練數(shù)據(jù)，若降維后的訓練數(shù)據(jù)滿足預設(shè)的限值，則通過降維后的訓練數(shù)據(jù)訓練特征工程模型，將待評估數(shù)據(jù)輸入特征工程模型，以輸出特征數(shù)據(jù)集，利用特征數(shù)據(jù)集輸入風險評估模型輸出投保人的風險評估信息，利用特征工程模型提取表征用戶特征的特征數(shù)據(jù)集，提高了車險公司對投保人的風險評估的準確性。