基于联邦学习的车险评分方法、装置、设备及存储介质制造方法及图纸

本发明专利技术涉及人工智能技术领域，公开了一种基于联邦学习的车险评分方法、装置、计算机设备及计算机可读存储介质，该方法包括：通过根据待训练的样本数据训练多个预置本地模型，确定各个预置本地模型更新后的第一模型参数；接收服务器发送的加密公钥，对各个第一模型参数进行加密以接收服务器对多个第一模型参数进行联邦学习后返回的聚合模型参数；根据聚合模型参数更新各个预置本地模型，生成对应的评分模型；获取待预测保险序号，并根据评分模型，获取待预测保险序号对应的风险评分；根据预置精算模型和风险评分，获取待预测保险序号的车险信息，实现保护数据隐私的基础上联合训练多个模型，并提高评分模型的准确性，从而得到更加精准的车险信息。精准的车险信息。精准的车险信息。

【技术实现步骤摘要】
基于联邦学习的车险评分方法、装置、设备及存储介质


[0001]本申请涉及人工智能和数据处理
，尤其涉及一种基于联邦学习的车险评分方法、装置、计算机设备及计算机可读存储介质。

技术介绍

[0002]对于现阶段的财险行业，大部分企业的财险综合成本率较高。汽车保险目前在财产保险中的份额较大，保费占比在70％以上，而我国传统的机动车保险定价只与车龄、性别、里程数、车价等固定因素有关，但实际上，机动车保险定价不仅仅只与车龄、性别、里程数、车价等固定数据有关，还包括用户的动态数据和车辆的动态数据等。现有通过将用户的动态数据和车辆的动态数据等上传至云端作为训练数据的数据集，通过训练集来训练模型，从而使模型具备预测车险信息，但将数据集上传至云端的过程中，容易出现数据集泄露，损害用户的安全，且得到的训练模型预测车险信息不准确。

技术实现思路

[0003]本申请的主要目的在于提供一种基于联邦学习的车险评分方法、装置、计算机设备及计算机可读存储介质，旨在解决现有将数据集上传至云端作为模型训练数据的过程中，容易出现数据集泄露，损害用户的安全，且得到的训练模型预测车险信息不准确的技术问题。
[0004]第一方面，本申请提供一种基于联邦学习的车险评分方法，所述基于联邦学习的车险评分方法包括以下步骤：
[0005]根据待训练的样本数据训练多个预置本地模型，确定各个所述预置本地模型更新后的第一模型参数；
[0006]接收服务器发送的加密公钥，对各个所述第一模型参数进行加密并发送至所述服务器，以接收所述服务器对多个所述第一模型参数进行联邦学习后返回的聚合模型参数；
[0007]根据所述聚合模型参数更新各个所述预置本地模型，生成对应的评分模型；
[0008]获取待预测保险序号，并根据所述评分模型，获取所述待预测保险序号对应的风险评分；
[0009]根据预置精算模型和所述风险评分，获取所述待预测保险序号的车险信息。
[0010]第二方面，本申请还提供一种基于联邦学习的车险评分装置，所述基于联邦学习的车险评分装置包括：
[0011]确定模块，用于根据待训练的样本数据训练多个预置本地模型，确定各个所述预置本地模型更新后的第一模型参数；
[0012]发送及接收模块，用于接收服务器发送的加密公钥，并将各个所述第一模型参数进行加密并发送至所述服务器，以接收所述服务器对多个所述第一模型参数进行联邦学习后返回对应的聚合模型参数；
[0013]生成模块，用于根据所述聚合模型参数更新各个所述预置本地模型，生成对应的
评分模型；
[0014]第一获取模块，用于获取待预测保险序号，并根据所述评分模型，获取所述待预测保险序号对应的风险评分；
[0015]第二获取模块，用于根据预置精算模型和所述风险评分，获取所述待预测保险序号的车险信息。
[0016]第三方面，本申请还提供一种计算机设备，所述计算机设备包括处理器、存储器、以及存储在所述存储器上并可被所述处理器执行的计算机程序，其中所述计算机程序被所述处理器执行时，实现如上述的基于联邦学习的车险评分方法的步骤。
[0017]第四方面，本申请还提供一种计算机可读存储介质，所述计算机可读存储介质上存储有计算机程序，其中所述计算机程序被处理器执行时，实现如上述的基于联邦学习的车险评分方法的步骤。
[0018]本申请提供一种基于联邦学习的车险评分方法、装置、计算机设备及计算机可读存储介质，通过根据待训练的样本数据训练多个预置本地模型，确定各个所述预置本地模型更新后的第一模型参数；接收服务器发送的加密公钥，对各个所述第一模型参数进行加密并发送至所述服务器，以接收所述服务器对多个所述第一模型参数进行联邦学习后返回的聚合模型参数；根据所述聚合模型参数更新各个所述预置本地模型，生成对应的评分模型；获取待预测保险序号，并根据所述评分模型，获取所述待预测保险序号对应的风险评分；根据预置精算模型和所述风险评分，获取所述待预测保险序号的车险信息，实现保护数据隐私的基础上联合训练多个模型，并提高评分模型的准确性，从而得到更加精准的车险信息。
附图说明
[0019]为了更清楚地说明本申请实施例技术方案，下面将对实施例描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图是本申请的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
[0020]图1为本申请实施例提供的一种基于联邦学习的车险评分方法的流程示意图；
[0021]图2是本申请实施例提供的一种预置本地模型上传加密参数至联邦学习服务器的示意图；
[0022]图3为图1中的基于联邦学习的车险评分方法的子步骤流程示意图；
[0023]图4为图1中的基于联邦学习的车险评分方法的子步骤流程示意图；
[0024]图5为图1中的基于联邦学习的车险评分方法的子步骤流程示意图；
[0025]图6为本申请实施例提供的一种基于联邦学习的车险评分装置的示意性框图；
[0026]图7为本申请一实施例涉及的计算机设备的结构示意框图。
[0027]本申请目的的实现、功能特点及优点将结合实施例，参照附图做进一步说明。
具体实施方式
[0028]下面将结合本申请实施例中的附图，对本申请实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本申请一部分实施例，而不是全部的实施例。基于本申请中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施
例，都属于本申请保护的范围。
[0029]附图中所示的流程图仅是示例说明，不是必须包括所有的内容和操作/步骤，也不是必须按所描述的顺序执行。例如，有的操作/步骤还可以分解、组合或部分合并，因此实际执行的顺序有可能根据实际情况改变。
[0030]本申请实施例提供一种基于联邦学习的车险评分方法、装置、计算机设备及计算机可读存储介质。其中，该基于联邦学习的车险评分方法可应用于计算机设备中，该计算机设备可以是笔记本电脑、台式电脑等电子设备。
[0031]下面结合附图，对本申请的一些实施方式作详细说明。在不冲突的情况下，下述的实施例及实施例中的特征可以相互组合。
[0032]请参照图1，图1为本申请的实施例提供的一种基于联邦学习的车险评分方法的流程示意图。
[0033]如图1所示，该基于联邦学习的车险评分方法包括步骤S101至步骤S105。
[0034]步骤S101、根据待训练的样本数据训练多个预置本地模型，确定各个所述预置本地模型更新后的第一模型参数。
[0035]示范性的，获取待训练的样本数据，该待训练的样本数据包括用户的驾驶行为数据和车辆行驶数据。获取待训练的样本数据的方式包括通过车载终端的摄像头采集用户的驾驶行为图像和车辆行驶图像，通过分析该驾驶行为图像，获取该驾驶行为图像中记载的驾驶行为数据，该驾驶行为数据包括用户的驾驶加减速、急刹车本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于联邦学习的车险评分方法，其特征在于，包括：根据待训练的样本数据训练多个预置本地模型，确定各个所述预置本地模型更新后的第一模型参数；接收服务器发送的加密公钥，对各个所述第一模型参数进行加密并发送至所述服务器，以接收所述服务器对多个所述第一模型参数进行联邦学习后返回的聚合模型参数；根据所述聚合模型参数更新各个所述预置本地模型，生成对应的评分模型；获取待预测保险序号，并根据所述评分模型，获取所述待预测保险序号对应的风险评分；根据预置精算模型和所述风险评分，获取所述待预测保险序号的车险信息。2.如权利要求1所述的基于联邦学习的车险评分方法，其特征在于，所述待训练的样本数据包括至少两组带标签的驾驶行为数据和带标签的车辆行驶数据，所述确定各个所述预置本地模型更新后的第一模型参数，包括：根据第一组带标签的驾驶行为数据和第一组带标签的车辆行驶数据训练第一预置本地模型，确定所述第一预置本地模型更新后的第一模型参数；根据所述第二组带标签的驾驶行为数据和第二组带标签的车辆行驶数据训练第二预置本地模型，确定所述第二预置本地模型更新后的第一模型参数。3.如权利要求2所述的基于联邦学习的车险评分方法，其特征在于，所述确定所述第一预置本地模型更新后的第一模型参数，包括：将所述第一组带标签的驾驶行为数据和所述第一组带标签的第一车辆行驶数据输入第一预置本地模型，得到所述第一组带标签的驾驶行为数据和第一组带标签的车辆行驶数据对应的梯度值；根据所述梯度值更新所述第一预置本地模型的初始模型参数，确定更新后的第一模型参数。4.如权利要求2所述的基于联邦学习的车险评分方法，其特征在于，所述对各个所述第一模型参数进行加密并发送至所述服务器，以接收所述服务器对多个所述第一模型参数进行联邦学习后返回的聚合模型参数，包括：根据所述加密公钥，分别对所述第一预置本地模型的第一模型参数和所述第二预置本地模型的第一模型参数进行加密；将加密后的第一预置本地模型的第一模型参数和所述第二预置本地模型的第一模型参数发送至所述服务器；接收所述服务器对所述第一预置本地模型的第一模型参数和所述第二预置本地模型的第一模型参数进行聚合联邦平均计算后的聚合模型参数。5.如权利要求2所述的基于联邦学习的车险评分方法，其特征在于，所述根据所述聚合模型参数更新各个所述预置本地模型，生成对应的评分模型，包括：确定所述第...

【专利技术属性】
技术研发人员：李泽远，王健宗，
申请(专利权)人：平安科技深圳有限公司，
类型：发明
国别省市：