[发明专利]区域风险等级的评估方法、装置、计算机设备及存储介质

权利要求书

1.一种区域风险等级的评估方法，其特征在于，包括：

对待进行区域风险评估的目标区域数据进行初始化处理，得到各个预设维度的指标数据，所述指标数据至少包括类别特征下的第一指标数据以及连续特征下的第二指标数据；

基于多模态异构算法训练得到符合预设训练标准的风险评级模型，所述风险评级模型包括适用于所述第一指标数据识别的类别特征风险评级子模型，以及适用于所述第二指标数据识别的连续特征风险评级子模型；

将所述第一指标数据和所述第二指标数据分别输入所述类别特征风险评级子模型和所述连续特征风险评级子模型中，得到目标区域属于不同预设风险等级的预测概率；

将对应所述预测概率最高的预设风险等级确定为所述目标区域的风险评估等级。

2.根据权利要求1所述的方法，其特征在于，所述对待进行区域风险评估的目标区域数据进行初始化处理，得到各个预设维度的指标数据，所述指标数据至少包括类别特征下的第一指标数据以及连续特征下的第二指标数据，具体包括：

对目标区域内的目标区域数据进行栅格划分处理，得到预设尺寸大小的多个栅格单元，所述栅格单元内包含有各个预设维度的栅格数据；

对各个所述栅格数据进行初始化处理，得到各个所述栅格单元内关于类别特征的第一指标数据以及关于连续特征的第二指标数据，所述初始化处理至少包括归一化处理、坐标矫正处理、类别特征和连续特征的划分处理。

3.根据权利要求1所述的方法，其特征在于，所述基于多模态异构算法训练得到符合预设训练标准的风险评级模型，所述风险评级模型包括适用于所述第一指标数据识别的类别特征风险评级子模型，以及适用于所述第二指标数据识别的连续特征风险评级子模型，具体包括：

利用CART分类树算法和朴素贝叶斯算法分别训练适用于类别特征识别的第一风险评级子模型以及第二风险评级子模型；

利用多项逻辑回归模型和支持向量机算法分别训练适用于连续特征识别的第三风险评级子模型以及第四风险评级子模型；

基于样本标签数据以及所述第一风险评级子模型、所述第二风险评级子模型、所述第三风险评级子模型、所述第四风险评级子模型分批次训练风险评级模型，以使所述风险评级模型符合预设训练标准。

4.根据权利要求3所述的方法，其特征在于，所述样本标签数据中标记有各个预设风险级别下的风险评级概率；

所述基于样本标签数据以及所述第一风险评级子模型、所述第二风险评级子模型、所述第三风险评级子模型、所述第四风险评级子模型分批次训练风险评级模型，以使所述风险评级模型符合预设训练标准，具体包括：

将所述样本标签数据划分为多个训练批次；

针对每个训练批次，将所述第一风险评级子模型和所述第二风险评级子模型中的任意一个确定为类别特征风险评级子模型，将所述第三风险评级子模型和所述第四风险评级子模型中的任意一个确定为连续特征风险评级子模型；

依据所述样本标签数据中标记的风险评级概率，训练各个训练批次下的类别特征风险评级子模型和连续特征风险评级子模型；

若判断任意一个训练批次下，所述类别特征风险评级子模型和所述连续特征风险评级子模型的损失函数均小于预设阈值，则判定所述风险评级模型完成训练。

5.根据权利要求4所述的方法，其特征在于，所述将所述第一指标数据和所述第二指标数据分别输入所述类别特征风险评级子模型和所述连续特征风险评级子模型中，得到目标区域属于不同预设风险等级的预测概率，具体包括：

将所述第一指标数据分别输入所述第一风险评级子模型和所述第二风险评级子模型中，获取得到第一预测结果和第二预测结果；

将所述第二指标数据分别输入所述第三风险评级子模型和所述第四风险评级子模型中，获取得到第三预测结果和第四预测结果；

根据所述第一预测结果、所述第二预测结果、所述第三预测结果和所述第四预测结果计算各个栅格单元针对各个预设风险级别的预测概率。

6.根据权利要求5所述的方法，其特征在于，所述将对应所述预测概率最高的预设风险等级确定为所述目标区域的风险评估等级，具体包括：

将对应所述预测概率最高的预设风险级别确定为所述各个栅格单元的风险评估等级。