换电司机风险的评估方法技术

本发明专利技术公开了一种换电司机风险的评估方法

【技术实现步骤摘要】
换电司机风险的评估方法、存储介质以及电子设备


[0001]本专利技术涉及换电站
，特别涉及一种换电司机风险的评估方法
、
存储介质以及电子设备
。

技术介绍

[0002]随着换电行业的快速发展，识别和管理高风险换电司机成为行业的一个重要问题
。
传统的风险评估方法通常依赖人工判断和经验规则，这些方法在处理大量数据和复杂关系时可能效率低下且不够准确
。
因此，有必要开发一种自动化
、
高效且准确的风险评估模型来解决这一问题
。

技术实现思路

[0003]本专利技术旨在至少在一定程度上解决相关技术中的技术问题之一
。
为此，本专利技术的目的在于提出一种换电司机风险的评估方法
、
存储介质以及电子设备，该方法建立逻辑回归模型进行风险评估，可以自动处理大量数据，快速识别高风险换电司机
。
[0004]为达到上述目的，本专利技术第一方面实施例提出了一种换电司机风险的评估方法，所述方法包括：获取多个换电司机的原始数据，所述原始数据包括连续型数据和分类型数据，其中，所述连续型数据包括：换电次数
、
换电金额
、
购买记录
、
司机年龄和信用记录中的至少一者；所述分类型数据包括：车辆信息和
/
或换电时间；分别将所述连续型数据和所述分类型数据转化为数值型特征数据，根据所述数值型特征数据确定司机风险等级；建立逻辑回归模型，利用所述原始数据和所述司机风险等级训练和测试所述逻辑回归模型；利用所述逻辑回归模型对换电司机风险进行评估
。
[0005]另外，本专利技术上述实施例的换电司机风险的评估方法还可以具有如下附加的技术特征：
[0006]根据本专利技术的一个实施例，将所述连续型数据转化为数值型特征数据，包括：分别对所述换电次数
、
所述换电金额和所述信用记录进行最小
‑
最大归一化处理，得到换电次数分数
、
换电金额分数和信用分数；利用线性函数组合分别对所述购买记录和所述司机年龄进行处理，得到购买记录分数和司机年龄分数
。
[0007]根据本专利技术的一个实施例，所述将所述分类型数据转化为数值型特征数据，包括：根据所述车辆信息中的车辆类型得到车辆类型分数，其中，所述车辆类型包括豪华型
、
舒适型和经济型；根据所述换电时间所属的时间区间得到换电时间分数，其中，所述时间区间包括白天和夜间
。
[0008]根据本专利技术的一个实施例，所述根据所述数值型特征数据确定司机风险等级，包括：根据所述数值型特征数据确定所述司机的综合分数；若所述综合分数大于等于分数阈值，则确定所述司机风险等级为低风险；若所述综合分数小于所述分数阈值，则确定所述司机风险等级为高风险
。
[0009]根据本专利技术的一个实施例，所述逻辑回归模型的表达式如下：
[0010]P(Y
＝
1|X)
＝
1/(1+exp(
‑
(
β0+
β1X1+
β2X2+
…
+
β
n
X
n
)))
，
[0011]其中，
P(Y
＝
1|X)
表示
Y
＝1的概率，
Y
表示司机风险等级，
Y
＝1为高风险，
Y
＝0为低风险，
X1、X2、
…
、X
n
分别表示各所述原始数据对应的量化数据，
β0、
β1、
…
β
n
分别表示模型参数
。
[0012]根据本专利技术的一个实施例，所述利用所述逻辑回归模型对换电司机风险进行评估，包括：获取目标换电司机的换电数据，其中，所述换电数据包括连续性数据和分类型数据；利用所述逻辑回归模型根据所述换电数据，对所述目标换电司机进行风险评估
。
[0013]根据本专利技术的一个实施例，所述利用所述逻辑回归模型根据所述换电数据，对所述目标换电司机进行风险评估，包括：将所述换电数据进行量化，并将量化后的所述换电数据输入所述逻辑回归模型；根据所述逻辑回归模型的输出结果得到所述目标换电司机的风险等级
。
[0014]根据本专利技术的一个实施例，所述方法还包括：周期性获取新增换电数据；利用所述新增换电数据对所述逻辑回归模型进行优化
。
[0015]为达到上述目的，本专利技术第二方面实施例提出了一种计算机可读存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时，实现上述的换电司机风险评估方法
。
[0016]为达到上述目的，本专利技术第三方面实施例提出了一种电子设备，包括存储器
、
处理器和存储在所述存储器上的计算机程序，所述计算机程序被所述处理器执行时，实现上述的换电司机风险的评估方法
。
[0017]本专利技术实施例的换电司机风险的评估方法
、
存储介质以及电子设备，建立逻辑回归模型进行风险评估，可以自动处理大量数据，快速识别高风险换电司机
。
附图说明
[0018]图1是本专利技术第一个实施例的换电司机风险的评估方法的流程图；
[0019]图2是本专利技术第二个实施例的换电司机风险的评估方法的流程图；
[0020]图3是本专利技术第三个实施例的换电司机风险的评估方法的流程图；
[0021]图4是本专利技术第四个实施例的换电司机风险的评估方法的流程图；
[0022]图5是本专利技术第五个实施例的换电司机风险的评估方法的流程图；
[0023]图6是本专利技术一个实施例的电子设备的结构框图
。
具体实施方式
[0024]下面详细描述本专利技术的实施例，所述实施例的示例在附图中示出，其中自始至终相同或类似的标号表示相同或类似的元件或具有相同或类似功能的元件
。
下面通过参考附图描述的实施例是示例性的，旨在用于解释本专利技术，而不能理解为对本专利技术的限制
。
[0025]下面参考附图描述本专利技术实施例的换电司机风险的评估方法
、
存储介质以及电子设备
。
[0026]图1是本专利技术一个实施例的换电司机风险的评估方法的流程图
。
[0027]如图1所示，换电司机风险的评估方法包括：
[0028]S11
，获取多个换电司机的原始数据，原始数据包括连续型数据和分类型数据，其中，连续型数据包括：换电次数
、
换电金额
、
购买记录
、
司机年龄和信用记录中的至少一者；
次
60
分，4次
80
分，5次及以上
100...

【技术保护点】

【技术特征摘要】
1.
一种换电司机风险的评估方法，其特征在于，所述方法包括：获取多个换电司机的原始数据，所述原始数据包括连续型数据和分类型数据，其中，所述连续型数据包括：换电次数
、
换电金额
、
购买记录
、
司机年龄和信用记录中的至少一者；所述分类型数据包括：车辆信息和
/
或换电时间；分别将所述连续型数据和所述分类型数据转化为数值型特征数据，根据所述数值型特征数据确定司机风险等级；建立逻辑回归模型，利用所述原始数据和所述司机风险等级训练和测试所述逻辑回归模型；利用所述逻辑回归模型对换电司机风险进行评估
。2.
根据权利要求1所述的换电司机风险的评估方法，其特征在于，将所述连续型数据转化为数值型特征数据，包括：分别对所述换电次数
、
所述换电金额和所述信用记录进行最小
‑
最大归一化处理，得到换电次数分数
、
换电金额分数和信用分数；利用线性函数组合分别对所述购买记录和所述司机年龄进行处理，得到购买记录分数和司机年龄分数
。3.
根据权利要求2所述的换电司机风险的评估方法，其特征在于，所述将所述分类型数据转化为数值型特征数据，包括：根据所述车辆信息中的车辆类型得到车辆类型分数，其中，所述车辆类型包括豪华型
、
舒适型和经济型；根据所述换电时间所属的时间区间得到换电时间分数，其中，所述时间区间包括白天和夜间
。4.
根据权利要求3所述的换电司机风险的评估方法，其特征在于，所述根据所述数值型特征数据确定司机风险等级，包括：根据所述数值型特征数据确定所述司机的综合分数；若所述综合分数大于等于分数阈值，则确定所述司机风险等级为低风险；若所述综合分数小于所述分数阈值，则确定所述司机风险等级为高风险
。5.
根据权利要求1所述的换电司机风险的评估方法，其特征在于，所述逻辑回归模型的表达式如下：
P(Y
＝
1|X)
＝
1/(1+exp(
‑
...

【专利技术属性】
技术研发人员：朱曙，温金雄，计树华，
申请(专利权)人：协鑫电港云科技海南有限公司，
类型：发明
国别省市：