基于果蝇优化算法的等级预测方法、装置、设备及介质制造方法及图纸

本申请涉及人工智能技术领域及金融领域，公开了一种基于果蝇优化算法的等级预测方法、装置、设备及介质，所述方法包括获取风险特征，并将风险特征进行数值化处理，生成风险指标数值；基于果蝇优化算法与反向传播神经网络确定预测模型；通过风险指标数值与预测模型，生成对目标用户的风险等级预测结果。通过上述方式，本申请通过将车险用户的风险特征进行数值化处理后生成风险指标数值，并根据改进后的果蝇优化算法与反向传播神经网络生成预测模型，最终通过结合风险指标数值与预测模型确定车险用户的风险等级，解决了当前车险金融领域中提高对车险用户的风险等级的预测准确度低的问题。问题。问题。

【技术实现步骤摘要】
基于果蝇优化算法的等级预测方法、装置、设备及介质


[0001]本申请涉及人工智能
及金融领域，尤其涉及一种基于果蝇优化算法的等级预测方法、装置、设备及介质。

技术介绍

[0002]随着人们生活水平的提高，各式各样的车成为人们出行、运输的主要交通工具，车险市场的需求量也在急速扩张。在车险领域中，各保险公司快速发展的同时，也需要承担更多的风险，导致车险业务呈现“高保费、高赔付、低利润”的局面。针对车险客户风险等级评估的方法，现有的方法主要是通过挖掘历史交易数据信息，然后依靠专家经验去构建风险评估体系。这类方法只能用于单一场景下的客户风险评估，无法满足庞大的车险市场。
[0003]现有的车险客户风险等级评估方法是有固定的指标和等级界定的，因此我们可以将这些固有的指标抽象成特征信息，结合神经网络构建出具有普适性的客户风险等级评估模型。BP(back propagation，反向传播)网络是一种按照逆向误差不断调节的高精度神经网络，可解决非线性场景下的预测问题。但是，BP神经网络的训练过程需要初始化权阈值，这些参数会直接影响到模型迭代的复杂度及精度。因此，如何在车险金融领域中提高对车险用户的风险等级的预测准确度成为亟待解决的技术问题。

技术实现思路

[0004]本申请提供了一种基于果蝇优化算法的等级预测方法、装置、设备及介质，以在车险金融领域中提高对车险用户的风险等级的预测准确度。
[0005]第一方面，本申请提供了一种基于果蝇优化算法的等级预测方法，所述方法包括：
[0006]获取目标用户的风险特征，并将所述风险特征进行数值化处理，生成风险指标数值；
[0007]基于目标果蝇优化算法与反向传播神经网络确定预测模型；
[0008]通过所述风险指标数值与所述预测模型，生成对所述目标用户的风险等级预测结果。
[0009]第二方面，本申请还提供了一种基于果蝇优化算法的等级预测装置，所述装置包括：
[0010]风险指标数值生成模块，用于获取目标用户的风险特征，并将所述风险特征进行数值化处理，生成风险指标数值；
[0011]预测模型确定模块，用于基于目标果蝇优化算法与反向传播神经网络确定预测模型；
[0012]预测结果生成模块，用于通过所述风险指标数值与所述预测模型，生成对所述目标用户的风险等级预测结果。
[0013]第三方面，本申请还提供了一种计算机设备，所述计算机设备包括存储器和处理器；所述存储器用于存储计算机程序；所述处理器，用于执行所述计算机程序并在执行所述
计算机程序时实现如上述的基于果蝇优化算法的等级预测方法。
[0014]第四方面，本申请还提供了一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，所述计算机程序被处理器执行时使所述处理器实现如上述的基于果蝇优化算法的等级预测方法。
[0015]本申请公开了一种基于果蝇优化算法的等级预测方法、装置、设备及介质，所述基于果蝇优化算法的等级预测方法包括获取目标用户的风险特征，并将所述风险特征进行数值化处理，生成风险指标数值；基于目标果蝇优化算法与反向传播神经网络确定预测模型；通过所述风险指标数值与所述预测模型，生成对所述目标用户的风险等级预测结果。通过上述方式，本申请通过将车险用户的风险特征进行数值化处理后生成风险指标数值，并根据改进后的果蝇优化算法与反向传播神经网络生成预测模型，最终通过结合风险指标数值与预测模型确定车险用户的风险等级，解决了当前车险金融领域中提高对车险用户的风险等级的预测准确度低的问题。
附图说明
[0016]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。
[0017]图1是本申请的第一实施例提供的一种基于果蝇优化算法的等级预测方法的示意流程图；
[0018]图2是本申请的第二实施例提供的一种基于果蝇优化算法的等级预测方法的示意流程图；
[0019]图3是本申请的第三实施例提供的一种基于果蝇优化算法的等级预测方法的示意流程图；
[0020]图4是本申请的第四实施例提供的一种基于果蝇优化算法的等级预测方法的示意流程图；
[0021]图5是本申请的第五实施例提供的一种基于果蝇优化算法的等级预测方法的示意流程图；
[0022]图6为本申请的实施例提供的一种基于果蝇优化算法的等级预测装置的示意性框图；
[0023]图7为本申请的实施例提供的一种计算机设备的结构示意性框图。
具体实施方式
[0024]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。
[0025]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。
[0026]应当理解，在此本申请说明书中所使用的术语仅仅是出于描述特定实施例的目的而并不意在限制本申请。如在本申请说明书和所附权利要求书中所使用的那样，除非上下文清楚地指明其它情况，否则单数形式的“一”、“一个”及“该”意在包括复数形式。
[0027]还应当理解，在本申请说明书和所附权利要求书中使用的术语“和/或”是指相关联列出的项中的一个或多个的任何组合以及所有可能组合，并且包括这些组合。
[0028]本申请的实施例提供了一种基于果蝇优化算法的等级预测方法、装置、设备及介质。其中，该基于果蝇优化算法的等级预测方法可以应用于服务器中，通过将车险用户的风险特征进行数值化处理后生成风险指标数值，并根据改进后的果蝇优化算法与反向传播神经网络生成预测模型，最终通过结合风险指标数值与预测模型确定车险用户的风险等级，解决了当前车险金融领域中提高对车险用户的风险等级的预测准确度低的问题。其中，该服务器可以为独立的服务器，也可以为服务器集群。
[0029]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。
[0030]请参阅图1，图1是本申请的第一实施例提供的一种基于果蝇优化算法的等级预测方法的示意流程图。该基于果蝇优化算法的等级预测方法可应用于服务器中，用于通过将车险用户的风险特征进行数值化处理后生成风险指标数值，并根据改进后的果蝇优化算法与反向传播神经网络生成预测模型，最终通过结合风险指标数值与预测模型确定车险用户的风险等级，解决了当前车险金融领域中提高对车险用户的风险等级的预测准确度低的问题。
[0031]如图1所示，该基于果蝇优化算法的等级预测方法具本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于果蝇优化算法的等级预测方法，其特征在于，所述方法包括：获取目标用户的风险特征，并将所述风险特征进行数值化处理，生成风险指标数值；基于目标果蝇优化算法与反向传播神经网络确定预测模型；通过所述风险指标数值与所述预测模型，生成对所述目标用户的风险等级预测结果。2.根据权利要求1所述的基于果蝇优化算法的等级预测方法，其特征在于，所述基于目标果蝇优化算法与反向传播神经网络确定预测模型之前，包括：通过动态步长确定所述目标果蝇优化算法中的搜索半径；基于正弦混沌映射确定调节参数，并基于所述调节参数与所述搜索半径，确定所述目标果蝇优化算法。3.根据权利要求2所述的基于果蝇优化算法的等级预测方法，其特征在于，所述通过动态步长确定所述目标果蝇优化算法中的搜索半径，包括：基于所述目标果蝇优化算法中的当前迭代次数与预设搜索半径公式，确定所述搜索半径。4.根据权利要求2所述的基于果蝇优化算法的等级预测方法，其特征在于，所述通过动态步长确定所述目标果蝇优化算法中的搜索半径之后，包括：基于所述搜索半径计算所述目标果蝇优化算法的个体适应度；在所述个体适应度满足预设适应度条件时，将所述搜索半径确定为最优个体；在所述个体适应度不满足所述预设适应度条件时，则返回步骤：通过动态步长确定所述目标果蝇优化算法中的搜索半径。5.根据权利要求1所述的基于果蝇优化算法的等级预测方法，其特征在于，所述基于目标果蝇优化算法与反向传播神经网络确定预测模型，包括：将所述目标果蝇优化算法的果蝇种群参数进行初始化处理；通过训练集训练所述目标果蝇优化算法，以确定所述目标果蝇优化算法中果蝇的最优位置与所述果蝇种群参数；将所述最优位置确定...

【专利技术属性】
技术研发人员：刘兴廷，
申请(专利权)人：中国平安财产保险股份有限公司，
类型：发明
国别省市：