一种估损方法和装置制造方法及图纸

本发明专利技术提供了一种估损方法和装置，其中，所述估损方法包括：获取出险案件对应的预设信息，其中，所述预设信息包括以下至少之一：文本信息、图像以及数字信息；将所述预设信息，输入预先训练好的多模态机器学习模型中，得到输出结果；将所述输出结果，确定为估损金额。通过本发明专利技术实施例提供的估损方法，能够节省人力资源、确保估损的时效性。

【技术实现步骤摘要】
一种估损方法和装置
本专利技术涉及保险
，特别是涉及一种估损方法和装置。
技术介绍
保险机构出于需要平衡资金等考虑，会在出险案件报案之后预先估计最终的赔偿金额。现在业内常见的预估赔付金额的方法为，组织人力通过报案时提供的信息，人工预估赔偿金额。人工预估的方式有如下缺点：1、对参与人员的经验要求高；2、工作速度慢，工作时间长；3、参与人员难以记忆或查询海量对比案件；4、参与人员容易忘记较长时间以前的结案案件的赔付金额作为参考。可见，现有的人工预估赔偿金额的方式，不仅效率低且受参与人员自身素质的局限性。
技术实现思路
本专利技术提供了一种估损方法和装置，以解决现有的人工预估赔偿金额的方式，效率低且受参与人员自身素质的局限性的问题。第一方面，本申请实施例提供了一种估损方法，包括：获取出险案件对应的预设信息，其中，所述预设信息包括以下至少之一：文本信息、图像以及数字信息；将所述预设信息，输入预先训练好的多模态机器学习模型中，得到输出结果；将所述输出结果，确定为估损金额。可选地，将所述预设信息，输入预先训练好的多模态机器学习模型中，得到输出信息的步骤，包括：将所述预设信息输入预先训练好的多模态机器学习模型中；通过所述多模态机器学习模型中的预设编码器，将所述预设信息转换成输入向量；通过所述多模态机器学习模型中包含的深度学习网络，对所述输入向量进行评估，得到所述多模态机器学习模型的输出结果。可选地，其特征在于，所述通过所述多模态机器学习模型中的预设编码器，将所述预设信息转换成输入向量的步骤，包括：针对获取的每种类型的预设信息，通过所述多模态机器学习模型中与所述类型匹配的预设编码器，将所述类型的预设信息转换成第一向量；分别将各类型的预设信息转换后的第一向量进行拼接，得到输入向量。可选地，所述针对获取的每种类型的预设信息，通过所述多模态机器学习模型中与所述类型匹配的预设编码器，将所述类型的预设信息转换成第一向量的步骤，包括：针对获取的文本信息，通过所述多模态机器学习模型中的文本编码器，将所述文本信息转换成文本向量。可选地，所述针对获取的每种类型的预设信息，通过所述多模态机器学习模型中与所述类型匹配的预设编码器，将所述类型的预设信息转换成第一向量的步骤，包括：针对获取的每个图像，通过图像检测模块识别所述图像中的目标对象；针对各所述目标对象，确定所述目标对象在所述图像中所占图像区域的边框；从所述边框中，采集预设数量的边框位置点坐标；通过所述多模态机器学习模型中的图像编码器，将所述图像和各所述目标对象对应的边框位置点坐标转换成图像向量。可选地，所述针对获取的每种类型的预设信息，通过所述多模态机器学习模型中与所述类型匹配的预设编码器，将所述类型的预设信息转换成第一向量的步骤，包括：针对获取的数字信息，确定所述数字信息包含的数字段数量；在所述数字段数量小于预设数量的情况下，采用预设字符将所述数字信息中的数字段补充至所述预设数量；将各所述数字段转换成数字向量。可选地，在所述获取出险案件对应的预设信息的步骤之前，所述方法还包括：获取多个历史出险案件的预设信息和赔付金额；分别将各所述历史出险案件的预设信息和赔付金额，输入多模态机器学习模型中进行模型训练；在所述多模态机器学习模型的收敛度小于预设收敛度的情况下，确定所述多模态机器学习模型训练完成。第二方面，本申请实施例提供了一种估损装置，其中，所述估损装置包括：第一获取模块，用于获取出险案件对应的预设信息，其中，所述预设信息包括以下至少之一：文本信息、图像以及数字信息；输入模块，用于将所述预设信息，输入预先训练好的多模态机器学习模型中，得到输出结果；确定模块，用于将所述输出结果，确定为估损金额。可选地，所述输入模块包括：第一子模块，用于将所述预设信息输入预先训练好的多模态机器学习模型中；第二子模块，用于通过所述多模态机器学习模型中的预设编码器，将所述预设信息转换成输入向量；第三子模块，用于通过所述多模态机器学习模型中包含的深度学习网络，对所述输入向量进行评估，得到所述多模态机器学习模型的输出结果。可选地，所述第二子模块包括：第一单元，用于针对获取的每种类型的预设信息，通过所述多模态机器学习模型中与所述类型匹配的预设编码器，将所述类型的预设信息转换成第一向量；第二单元，用于分别将各类型的预设信息转换后的第一向量进行拼接，得到输入向量。可选地，所述第一单元具体用于：针对获取的文本信息，通过所述多模态机器学习模型中的文本编码器，将所述文本信息转换成文本向量。可选地，所述第一单元具体用于：针对获取的每个图像，通过图像检测模块识别所述图像中的目标对象；针对各所述目标对象，确定所述目标对象在所述图像中所占图像区域的边框；从所述边框中，采集预设数量的边框位置点坐标；通过所述多模态机器学习模型中的图像编码器，将各所述目标对象对应的边框位置点坐标转换成图像向量。可选地，所述第一单元具体用于：针对获取的数字信息，确定所述数字信息包含的数字段数量；在所述数字段数量小于预设数量的情况下，采用预设字符将所述数字信息中的数字段补充至所述预设数量；将各所述数字段转换成数字向量。可选地，所述装置还包括：第二获取模块，用于在所述第一获取模块获取出险案件对应的预设信息的之前，获取多个历史出险案件的预设信息和赔付金额；训练模块，用于分别将各所述历史出险案件的预设信息和赔付金额，输入多模态机器学习模型中进行模型训练；训练结果确定模块，用于在所述多模态机器学习模型的收敛度小于预设收敛度的情况下，确定所述多模态机器学习模型训练完成。第三方面，本申请实施例提供了一种电子设备，该电子设备包括处理器、存储器及存储在所述存储器上并可在所述处理器上运行的程序或指令，所述程序或指令被所述处理器执行时实现如第一方面所述的方法的步骤。第四方面，本申请实施例提供了一种用于估损的装置，包括存储器，以及一个或者一个以上的程序，其中所述一个或者一个以上程序存储于所述存储器中，且经配置以由一个或者一个以上处理器执行所述一个或者一个以上程序包含用于进行以下操作的指令：获取出险案件对应的预设信息，其中，所述预设信息包括以下至少之一：文本信息、图像以及数字信息；将所述预设信息，输入预先训练好的多模态机器学习模型中，得到输出结果；将所述输出结果，确定为估损金额。与现有技术相比，本专利技术具有以下优点：本专利技术实施例提供的估损方案，获取出险案件对应的预设信息；将预设信息输入预先训练好的多模态机器学习模型中，得到输出结果；将输出结果，确定为估损金额。第一方面，由于机器自动估损，因此能够节省人力资源、确保估损的时效性；第二方面，多模态机器学习模型基于多个维度的预设信息对出险案件进行本文档来自技高网...

【技术保护点】
1.一种估损方法，其特征在于，包括：/n获取出险案件对应的预设信息，其中，所述预设信息包括以下至少之一：文本信息、图像以及数字信息；/n将所述预设信息，输入预先训练好的多模态机器学习模型中，得到输出结果；/n将所述输出结果，确定为估损金额。/n

【技术特征摘要】
1.一种估损方法，其特征在于，包括：
获取出险案件对应的预设信息，其中，所述预设信息包括以下至少之一：文本信息、图像以及数字信息；
将所述预设信息，输入预先训练好的多模态机器学习模型中，得到输出结果；
将所述输出结果，确定为估损金额。


2.根据权利要求1所述的方法，其特征在于，将所述预设信息，输入预先训练好的多模态机器学习模型中，得到输出信息的步骤，包括：
将所述预设信息输入预先训练好的多模态机器学习模型中；
通过所述多模态机器学习模型中的预设编码器，将所述预设信息转换成输入向量；
通过所述多模态机器学习模型中包含的深度学习网络，对所述输入向量进行评估，得到所述多模态机器学习模型的输出结果。


3.根据权利要求2所述的方法，其特征在于，所述通过所述多模态机器学习模型中的预设编码器，将所述预设信息转换成输入向量的步骤，包括：
针对获取的每种类型的预设信息，通过所述多模态机器学习模型中与所述类型匹配的预设编码器，将所述类型的预设信息转换成第一向量；
分别将各类型的预设信息转换后的第一向量进行拼接，得到输入向量。


4.根据权利要求3所述的方法，其特征在于，所述针对获取的每种类型的预设信息，通过所述多模态机器学习模型中与所述类型匹配的预设编码器，将所述类型的预设信息转换成第一向量的步骤，包括：
针对获取的文本信息，通过所述多模态机器学习模型中的文本编码器，将所述文本信息转换成文本向量。


5.根据权要求3所述的方法，其特征在于，所述针对获取的每种类型的预设信息，通过所述多模态机器学习模型中与所述类型匹配的预设编码器，将所述类型的预设信息转换成第一向量的步骤，包括：
针对获取的每个图像，通过图像检测模块识别所述图像中的目标对象；
针对各所述目标对象，确定所述目标对象在所述图像中所占图像区域的边框；
从所述边框中，采集预设数量的边框位置点坐标；
通过所述多模态机器学习模型中的图像编码器，将所述图像和各所述目标对象对应的边框位置点坐标转换...

【专利技术属性】
技术研发人员：许建智，冯佳茵，晁晓娟，卢哲，彭勇，
申请(专利权)人：北京优全智汇信息技术有限公司，
类型：发明
国别省市：北京;11