[发明专利]预测模型训练及预测方法、装置、电子设备、存储介质

说明书

本发明提供一种预测模型训练及预测方法、装置、电子设备、存储介质，驾驶安全风险预测模型训练方法包括：对于M个车辆，获取各车辆的出险数据，并至少根据驾驶动态数据、车辆数据、驾驶员数据及环境数据得到每个车辆的多个特征，将每个车辆的该多个特征作为该车辆的特征向量，所述M个车辆的特征向量形成样本集；利用所述样本集及对应的出险数据训练第一层第一预测模型和第一层第二预测模型；利用所述样本集训练第一层第一预测模型和第一层第二预测模型时，第一层第一预测模型的输出和第一层第二预测模型的输出及对应的出险数据训练训练第二层预测模型。本发明提供的方法及装置实现对驾驶员的风控安全把控及优质和非优质驾驶员的有效管理。

技术领域

本发明涉及大数据技术领域，尤其涉及一种预测模型训练及预测方法、装置、电子设备、存储介质。

背景技术

物流业作为国民经济基础产业，融合了道路运输业、仓储业和信息业等多个产业，涉及领域广。其中，涉及驾驶员生命的驾驶安全事故仍需特别关注。我国每年交通运输事故总量仍居高位，载重汽车导致交通事故死亡人数约占三分之一。近几年来，我国高速公路交通事故死亡人数占道路交通事故死亡总数的比例维持在10％左右。通常通过车载OBD(On-Board Diagnostic)设备或者智能手机等设备，由设备内的传感器能获得车辆行驶数据，从而能直观地对车辆行驶状态进行把控。对于互联网新兴的物流配货平台，如何能基于大数据区分驾驶安全的优质驾驶员及出险率高的非优质驾驶员，以及对驾驶员的风控安全把控也是急需解决的关键问题。CN 109636654 A公开了一种根据车主相关的数据而判断其理赔风险等级的系统，运用机器学习技术，对车主的驾驶行为和汽车属性，投保状况进行风险分析，预测未来理赔比。CN 109767145 A公开一种驾驶员驾驶技能评分系统，包含了完善的驾驶员驾驶技能评价和改善建议的功能，以提醒用户本次行程的不足和改善建议。

上述方案中，CN 109636654 A将车辆物理属性、历史承保理赔信息和交通违章信息作为自变量，通过随机森林算法模型，从而得到目标函数简单赔付率和出险频度。其缺点是只有历史静态数据，而缺乏与驾驶安全相关的车辆实时驾驶动态数据。CN 109767145 A主要是针对驾驶员的驾驶技能、是否环保、是否安全和是否省油的综合评分。其主要是在单次驾驶行程中对驾驶员进行评分和建议，而缺乏对驾驶员一种长期驾驶行为和安全风险的观察。

过去判断驾驶安全风险只能依靠一些车辆和驾驶员基本信息和过去理赔信息来简单判断，从而现有技术难以实现对驾驶员的风控安全把控及优质和非优质驾驶员的有效管理。

发明内容

本发明为了克服上述相关技术存在的缺陷，提供一种预测模型训练及预测方法、装置、电子设备、存储介质，进而至少在一定程度上克服由于相关技术的限制和缺陷而导致的一个或者多个问题。

根据本发明的一个方面，提供一种驾驶安全风险预测模型训练方法，包括：

对于M个车辆，获取各车辆的出险数据，并至少根据驾驶动态数据、车辆数据、驾驶员数据及环境数据得到每个车辆的多个特征，将每个车辆的该多个特征作为该车辆的特征向量，所述M个车辆的特征向量形成样本集，M为大于2的整数；

利用所述样本集及对应的出险数据训练第一层第一预测模型和第一层第二预测模型；

利用所述样本集训练第一层第一预测模型和第一层第二预测模型时，第一层第一预测模型的输出和第一层第二预测模型的输出及对应的出险数据训练训练第二层预测模型。

可选地，所述利用所述样本集及对应的出险数据训练第一层第一预测模型和第一层第二预测模型包括：

将所述样本集按预设比例划分为第一训练集X及第一测试集T；

将所述第一训练集划分为N个第一训练子集，N为大于1的整数；

基于该N个第一训练子集及对应的出险数据训练第一层第一预测模型，获得N个第一预测集A；