申请/专利权人：酷哇科技有限公司;上海酷移机器人有限公司

申请日：2023-10-18

公开（公告）日：2024-06-25

公开（公告）号：CN117422169B

主分类号：G06Q10/04

分类号：G06Q10/04;G06Q40/08;G06N5/04

优先权：

专利状态码：有效-授权

法律状态：2024.06.25#授权;2024.02.06#实质审查的生效;2024.01.19#公开

摘要：本发明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及设备，包括：找到外部因素；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；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；基于因果干预技术生成目标函数；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；将训练好的模型部署于真实场景中。本发明能够准确预测和分析车险用户的驾驶行为，能够为车险定价提供依据，并且能够有效抵抗时序分布偏移的影响。

主权项：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：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；驾驶行为变量包括上一个时间步的驾驶行为事件、若干外部因素以及下一个时间步的驾驶行为事件；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；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；步骤S4：基于因果干预技术生成目标函数；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；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；所述步骤S2包括：步骤S2.1：将外部因素分为若干特定因素；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定因素均用外部因素向量表示；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；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；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；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，特定因素推断模型使用Gumbel-Softmax函数或Softmax函数获得外部因素的概率分布；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；所述步骤S3包括：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；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；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；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；所述步骤S4包括：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；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；所述步骤S5包括：步骤S5.1：采集若干车险用户的驾驶行为数据；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；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，其中时间较远的驾驶行为序列作为训练集，时间较近的驾驶行为序列作为测试集；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，利用目标函数计算损失，利用梯度下降法最小化损失进行模型训练。

全文数据：

权利要求：

百度查询： 酷哇科技有限公司;上海酷移机器人有限公司 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

免责声明
1、本报告根据公开、合法渠道获得相关数据和信息，力求客观、公正，但并不保证数据的最终完整性和准确性。
2、报告中的分析和结论仅反映本公司于发布本报告当日的职业理解，仅供参考使用，不能作为本公司承担任何法律责任的依据或者凭证。

阅读全文 双屏查看 官方信息 专利公告 收藏专利 下载PDF 下载WORD