CN117422169B - 基于因果干预的车险用户驾驶行为分析与预测方法及设备 - Google Patents
基于因果干预的车险用户驾驶行为分析与预测方法及设备 Download PDFInfo
- Publication number
- CN117422169B CN117422169B CN202311351074.5A CN202311351074A CN117422169B CN 117422169 B CN117422169 B CN 117422169B CN 202311351074 A CN202311351074 A CN 202311351074A CN 117422169 B CN117422169 B CN 117422169B
- Authority
- CN
- China
- Prior art keywords
- driving behavior
- sequence
- specific factor
- model
- specific
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
- 230000001364 causal effect Effects 0.000 title claims abstract description 46
- 238000000034 method Methods 0.000 title claims abstract description 33
- 238000004458 analytical method Methods 0.000 title claims abstract description 28
- 238000012549 training Methods 0.000 claims abstract description 41
- 238000009826 distribution Methods 0.000 claims abstract description 26
- 230000006399 behavior Effects 0.000 claims description 247
- 239000013598 vector Substances 0.000 claims description 29
- 238000010276 construction Methods 0.000 claims description 18
- 238000005457 optimization Methods 0.000 claims description 16
- 238000007781 pre-processing Methods 0.000 claims description 10
- 238000012360 testing method Methods 0.000 claims description 10
- 238000005070 sampling Methods 0.000 claims description 9
- 238000005516 engineering process Methods 0.000 claims description 6
- 238000012795 verification Methods 0.000 claims description 6
- 238000013215 result calculation Methods 0.000 claims description 4
- 238000011478 gradient descent method Methods 0.000 claims description 3
- 238000012545 processing Methods 0.000 claims description 3
- 230000006870 function Effects 0.000 description 28
- 238000013528 artificial neural network Methods 0.000 description 5
- 238000013527 convolutional neural network Methods 0.000 description 2
- 230000004888 barrier function Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000005520 cutting process Methods 0.000 description 1
- 238000007418 data mining Methods 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 239000011159 matrix material Substances 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000003058 natural language processing Methods 0.000 description 1
- 230000001737 promoting effect Effects 0.000 description 1
- 230000000306 recurrent effect Effects 0.000 description 1
- 238000003860 storage Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N5/00—Computing arrangements using knowledge-based models
- G06N5/04—Inference or reasoning models
- G06N5/041—Abduction
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q40/00—Finance; Insurance; Tax strategies; Processing of corporate or income taxes
- G06Q40/08—Insurance
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Theoretical Computer Science (AREA)
- Economics (AREA)
- Physics & Mathematics (AREA)
- Strategic Management (AREA)
- General Physics & Mathematics (AREA)
- Marketing (AREA)
- Accounting & Taxation (AREA)
- Development Economics (AREA)
- Finance (AREA)
- General Business, Economics & Management (AREA)
- Human Resources & Organizations (AREA)
- General Engineering & Computer Science (AREA)
- Computational Linguistics (AREA)
- Mathematical Physics (AREA)
- Computing Systems (AREA)
- Evolutionary Computation (AREA)
- Data Mining & Analysis (AREA)
- Technology Law (AREA)
- Software Systems (AREA)
- Game Theory and Decision Science (AREA)
- Artificial Intelligence (AREA)
- Entrepreneurship & Innovation (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Tourism & Hospitality (AREA)
- Financial Or Insurance-Related Operations Such As Payment And Settlement (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开一种基于因果干预的车险用户驾驶行为分析与预测方法及设备，包括：找到外部因素；构建特定因素推断模型，特定因素推断模型用于推断驾驶行为序列所属外部因素中的哪个特定因素；构建若干与特定因素一一对应的驾驶行为预测模型，每个驾驶行为预测模型用于编码对应特定因素下的驾驶行为序列，并预测下一个时间步的驾驶行为事件；基于因果干预技术生成目标函数；采集车险用户的驾驶行为数据，将其输入特定因素推断模型和驾驶行为预测模型，并利用目标函数进行模型训练；将训练好的模型部署于真实场景中。本发明能够准确预测和分析车险用户的驾驶行为，能够为车险定价提供依据，并且能够有效抵抗时序分布偏移的影响。
Description
技术领域
本发明属于基于驾驶行为数据的分析与预测技术领域，具体涉及一种基于因果干预的车险用户驾驶行为分析与预测方法及设备。
背景技术
汽车的出现方便了人们的日常出行，它改变了人们生活方式，也对推动社会经济的发展起到了至关重要的作用。但是汽车出行在给人们的日常生活带来极大便利的同时，也有可能会导致各种各样的意外事故。如果车主没有购买保险，这将导致一笔巨大的赔偿金。车险的出现将这种经济风险转移到了保险公司身上，为用户规避了风险，提高了用户的驾车体验。
车险用户的驾车数据由一连串的驾驶行为数据构成，例如转弯，加速和刹车，形成了一个驾驶行为序列。车险用户驾驶行为分析与预测旨在给定用户的驾驶行为序列的情况下预测下一个用户驾驶行为事件。预测结果可以用于驾驶员风险行为评估和打分，帮助车险公司更好地了解用户的行为风格，并为车险的定价提供珍贵的参考信息。
早期的事件序列预测模型依赖马尔可夫链和贝叶斯网络来学习事件关联，或使用了基于深度学习的方法来捕捉非线性时间动态，例如卷积神经网络(CNN)、循环神经网络(RNN)、自注意力(Self-Attention)模型等。事件序列预测模型被广泛应用于各种应用场景当中，包括推荐系统，异常检测，用户建模等等。
车险用户驾驶行为分析与预测问题的一个性质在于采集用户数据和预测用户驾驶行为的不同时间间隔。这样的事实对预测用户驾驶行为造成了一个障碍，即当训练的模型随着时间变化适应新的环境时，潜在的数据生成分布可能会发生变化，也称这种变化为时序分布偏移。
时序分布偏移会带来以下的技术问题：
第一，分布偏移要求预测模型有足够的分布外泛化能力，即从训练环境推断到未来新的环境。
但是，现有的车险用户驾驶行为分析与预测技术并没有利用神经网络技术建模用户的历史驾驶行为，而现有的基于神经网络的事件序列预测模型也没有考虑车险用户驾驶行为分析中时序分布偏移的问题。
专注于在当前分布下进行训练和评估的现有技术可能会在测试实例上产生次优的结果。
第二，现实情况中存在影响事件生成的外部因素，例如用户驾车习惯、驾驶人、路况或者天气情况的变化，都会对模型的预测结果造成干扰。且这些外部因素在实践中是未被观察到的，需要预测模型从观察的驾驶行为序列中学习。
发明内容
为了解决上述技术问题，本发明提出了一种基于因果干预的车险用户驾驶行为分析与预测方法及设备。
为了达到上述目的，本发明的技术方案如下：
一方面，本发明公开一种基于因果干预的车险用户驾驶行为分析与预测方法，包括：
步骤S1：从因果推断的角度分析驾驶行为变量之间的因果关系，找到作为共因的驾驶行为变量，即外部因素；
步骤S2：构建特定因素推断模型，特定因素推断模型用于推断驾驶行为序列所属外部因素中的哪个特定因素；
步骤S3：构建若干与特定因素一一对应的驾驶行为预测模型，每个驾驶行为预测模型用于编码对应特定因素下的驾驶行为序列，并预测下一个时间步的驾驶行为事件；
步骤S4：基于因果干预技术生成目标函数；
步骤S5：采集车险用户的驾驶行为数据，将其输入特定因素推断模型和驾驶行为预测模型，并利用目标函数进行模型训练；
步骤S6：将训练好的特定因素推断模型和驾驶行为预测模型部署车险用户驾驶行为分析与预测场景中。
在上述技术方案的基础上，还可做如下改进：
作为优选的方案，步骤S2包括：
步骤S2.1：将外部因素分为若干特定因素；
步骤S2.2：构建特定因素推断模型，特定因素推断模型将每个特定因素均用外部因素向量表示；
步骤S2.3：特定因素推断模型将每个外部因素向量进行分块处理，分为三块；
前两块用于转换编码后的驾驶行为序列，后一块用于计算与驾驶行为序列之间的相关性系数；
步骤S2.4：获得所有外部因素向量与驾驶行为序列之间的相关性系数；
步骤S2.5：基于所有外部因素向量与驾驶行为序列之间的相关性系数，特定因素推断模型获得外部因素的概率分布；
步骤S2.6：对外部因素的概率分布进行采样，得到当前外部因素的取值，即获得驾驶行为序列所属哪个特定因素。
作为优选的方案，步骤S3包括：
步骤S3.1：构建若干与特定因素一一对应的驾驶行为预测模型；
步骤S3.2：通过特定因素推断模型判断驾驶行为序列所属的特定因素选择对应的驾驶行为预测模型；
步骤S3.3：利用对应的驾驶行为预测模型对驾驶行为序列进行编码，即序列隐藏状态，并将其重新输入特定因素推断模型得到新的特定因素，重复步骤S3.2-步骤S3.3直至达到预设次数，得到最终的序列隐藏状态；
步骤S3.4：利用最终的序列隐藏状态计算其与所有可能出现的驾驶行为的相似度，选择最相似的驾驶行为作为预测结果，预测结果即下一个时间步的驾驶行为事件。
作为优选的方案，步骤S4包括：
步骤S4.1：基于特定因素，通过因果干预和后门调整方法得到优化目标；
步骤S4.2：使用变分推断将优化目标转换为目标函数，且该目标函数能够与特定因素推断模型和驾驶行为预测模型有机融合。
作为优选的方案，步骤S5包括：
步骤S5.1：采集若干车险用户的驾驶行为数据；
步骤S5.2：将驾驶行为数据进行预处理，得到每个车险用户的驾驶行为序列；
步骤S5.3：按照时间的先后顺序将所有车险用户的驾驶行为序列进行划分，得到训练集、验证集和测试集；
步骤S5.4：将训练集输入特定因素推断模型和驾驶行为预测模型，利用目标函数进行模型训练。
此外，另一方面，本发明还公开一种基于因果干预的车险用户驾驶行为分析与预测设备，包括：
外部因素推断模块，用于从因果推断的角度分析驾驶行为变量之间的因果关系，找到作为共因的驾驶行为变量，即外部因素；
推断模型构建模块，用于构建特定因素推断模型，特定因素推断模型用于推断驾驶行为序列所属外部因素中的哪个特定因素；
预测模型构建模块，用于构建若干与特定因素一一对应的驾驶行为预测模型，每个驾驶行为预测模型用于编码对应特定因素下的驾驶行为序列，并预测下一个时间步的驾驶行为事件；
目标函数生成模块，用于基于因果干预技术生成目标函数；
训练模块，用于采集车险用户的驾驶行为数据，将其输入特定因素推断模型和驾驶行为预测模型，并利用目标函数进行模型训练；
部署模块，用于将训练好的特定因素推断模型和驾驶行为预测模型部署车险用户驾驶行为分析与预测场景中。
作为优选的方案，推断模型构建模块包括：
划分单元，用于将外部因素分为若干特定因素；
判断模型构建单元，用于构建特定因素推断模型，特定因素推断模型将每个特定因素均用外部因素向量表示；
分块单元，用于特定因素推断模型将每个外部因素向量进行分块处理，分为三块；
前两块用于转换编码后的驾驶行为序列，后一块用于计算与驾驶行为序列之间的相关性系数；
相关性系数获得单元，用于获得所有外部因素向量与驾驶行为序列之间的相关性系数；
概率分布获得单元，用于基于所有外部因素向量与驾驶行为序列之间的相关性系数，特定因素推断模型获得外部因素的概率分布；
采样单元，用于对外部因素的概率分布进行采样，得到当前外部因素的取值，即获得驾驶行为序列所属哪个特定因素。
作为优选的方案，预测模型构建模块包括：
预测模型构建单元，用于构建若干与特定因素一一对应的驾驶行为预测模型；
选择单元，用于通过特定因素推断模型判断驾驶行为序列所属的特定因素选择对应的驾驶行为预测模型；
序列隐藏状态获得单元，用于利用对应的驾驶行为预测模型对驾驶行为序列进行编码，即序列隐藏状态，并将其重新输入特定因素推断模型得到新的特定因素，重复依次执行选择单元和序列隐藏状态获得单元内的方法直至达到预设次数，得到最终的序列隐藏状态；
预测结果计算单元，用于利用最终的序列隐藏状态计算其与所有可能出现的驾驶行为的相似度，选择最相似的驾驶行为作为预测结果，预测结果即下一个时间步的驾驶行为事件。
作为优选的方案，目标函数生成模块包括：
优化目标获得单元，用于基于特定因素，通过因果干预和后门调整方法得到优化目标；
目标函数获得单元，用于使用变分推断将优化目标转换为目标函数，且该目标函数能够与特定因素推断模型和驾驶行为预测模型有机融合。
作为优选的方案，训练模块包括：
采集单元，用于采集若干车险用户的驾驶行为数据；
预处理单元，用于将驾驶行为数据进行预处理，得到每个车险用户的驾驶行为序列；
数据划分单元，用于按照时间的先后顺序将所有车险用户的驾驶行为序列进行划分，得到训练集、验证集和测试集；
训练单元，用于将训练集输入特定因素推断模型和驾驶行为预测模型，利用目标函数进行模型训练。
本发明一种基于因果干预的车险用户驾驶行为分析与预测方法及设备，能够准确预测和分析车险用户的驾驶行为，能够为车险定价提供依据，并且能够有效抵抗时序分布偏移的影响。
附图说明
为了更清楚地说明本发明实施例的技术方案，下面将对实施例中所需要使用的附图作简单地介绍，应当理解，以下附图仅示出了本发明的某些实施例，因此不应被看作是对范围的限定，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相关的附图。
图1为本发明实施例提供的车险用户驾驶行为分析与预测方法的流程图。
具体实施方式
下面结合附图详细说明本发明的优选实施方式。
下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
另外，“包括”元件的表述是“开放式”表述，该“开放式”表述仅仅是指存在对应的部件或步骤，不应当解释为排除附加的部件或步骤。
为了达到本发明的目的，基于因果干预的车险用户驾驶行为分析与预测方法及设备的其中一些实施例中，
如图1所示，车险用户驾驶行为分析与预测方法包括：
步骤S1：从因果推断的角度分析驾驶行为变量之间的因果关系，找到作为共因的驾驶行为变量，即外部因素；
步骤S2：构建特定因素推断模型，特定因素推断模型用于推断驾驶行为序列所属外部因素中的哪个特定因素；
步骤S3：构建若干与特定因素一一对应的驾驶行为预测模型，每个驾驶行为预测模型用于编码对应特定因素下的驾驶行为序列，并预测下一个时间步的驾驶行为事件；
步骤S4：基于因果干预技术生成目标函数；
步骤S5：采集车险用户的驾驶行为数据，将其输入特定因素推断模型和驾驶行为预测模型，并利用目标函数进行模型训练；
步骤S6：将训练好的特定因素推断模型和驾驶行为预测模型部署车险用户驾驶行为分析与预测场景中。
为了解决行为分析中时序分布偏移的问题，本发明利用因果推断技术来进行车险用户行为分析与预测。因果推断技术是识别变量之间因果关系、解决数据中的混杂偏差以及追求稳定和稳健的学习和推理的基本方法，它受到了广泛的关注并被应用在各个领域，例如计算机视觉、自然语言处理和数据挖掘。
下面对每个步骤进行详细阐述。
步骤S1具体如下：
从因果推断的角度分析驾驶行为变量(上一个时间步的驾驶行为事件、若干外部因素以及下一个时间步的驾驶行为事件)之间的因果关系，找到作为共因的驾驶行为变量(即同时影响了其他变量的变量)，即外部因素C。
例如，当外部因素指代驾车习惯时，它导致了用户之前的驾车行为，也将会导致未来将要发生的驾车行为；反之，驾车行为本身不会导致该外部因素。
进一步，步骤S2包括：
步骤S2.1：将外部因素C分层为离散的部分，每一个部分表示某种特定因素；
例如，当外部因素指代驾车习惯，则特定因素可以指代为具体的驾车习惯行为，如：正踩刹车，斜踩油门、轻点刹车、重点刹车等等；
步骤S2.2：构建特定因素推断模型，对于每一种特定因素，特定因素推断模型均用一个全局的嵌入矩阵映射为低维空间中的一个向量，称之为外部因素向量；
步骤S2.3：特定因素推断模型将每个外部因素向量进行分块处理，分为三块；
前两块用于转换编码后的驾驶行为序列，后一块用于计算与驾驶行为序列之间的相关性系数；
步骤S2.4：获得所有外部因素向量与驾驶行为序列之间的相关性系数；
步骤S2.5：基于所有外部因素向量与驾驶行为序列之间的相关性系数，特定因素推断模型使用Gumbel-Softmax函数或Softmax函数获得外部因素的概率分布；
步骤S2.6：对外部因素的概率分布进行采样，得到当前外部因素的取值，即获得驾驶行为序列所属哪个特定因素。
进一步，步骤S3包括：
步骤S3.1：构建若干与特定因素一一对应的驾驶行为预测模型；
步骤S3.2：通过特定因素推断模型判断驾驶行为序列所属的特定因素选择对应的驾驶行为预测模型；
步骤S3.3：利用对应的驾驶行为预测模型对驾驶行为序列进行编码，即序列隐藏状态，并将其重新输入特定因素推断模型得到新的特定因素，重复步骤S3.2-步骤S3.3直至达到预设次数，得到最终的序列隐藏状态；
步骤S3.4：利用最终的序列隐藏状态计算其与所有可能出现的驾驶行为的相似度，选择最相似的驾驶行为作为预测结果，预测结果即下一个时间步的驾驶行为事件。
进一步，步骤S4包括：
步骤S4.1：基于特定因素，通过因果干预和后门调整方法得到优化目标，切断其与驾驶行为序列之间的因果联系；
步骤S4.2：使用变分推断将优化目标转换为目标函数，且该目标函数能够与特定因素推断模型和驾驶行为预测模型有机融合。
进一步，步骤S5包括：
步骤S5.1：采集若干车险用户的驾驶行为数据；
步骤S5.2：将驾驶行为数据进行预处理，得到每个车险用户的驾驶行为序列；
步骤S5.3：按照时间的先后顺序将所有车险用户的驾驶行为序列进行划分，得到训练集、验证集和测试集，其中：时间较远的驾驶行为序列作为训练集，时间较近的驾驶行为序列作为测试集；
步骤S5.4：将训练集输入特定因素推断模型和驾驶行为预测模型，利用目标函数计算损失，利用梯度下降法最小化损失进行模型训练。
综上述，上述特定因素推断模型采用神经网络框架进行构建，该模型可以根据驾驶行为序列预测其背后的特定因素。
上述驾驶行为预测模型采用基于自注意力机制的骨干神经网络进行构建，该模型可以编码驾驶行为序列，将其映射到低维空间，并根据特定因素推断模型推断的特定因素来自适应地更新网络结构。
进一步，利用变分推断和因果干预技术人为切断外部因素和驾驶行为序列之间的因果联系，借此消除时序分布偏移对模型分布的影响。进一步，采集车险用户的行为数据，进行预处理得到输入和输出信息，并将处理后的数据用于模型训练，训练后得到的模型部署于真实应用场景中。
本发明还公开一种基于因果干预的车险用户驾驶行为分析与预测设备，包括：
外部因素推断模块，用于从因果推断的角度分析驾驶行为变量之间的因果关系，找到作为共因的驾驶行为变量，即外部因素；
推断模型构建模块，用于构建特定因素推断模型，特定因素推断模型用于推断驾驶行为序列所属外部因素中的哪个特定因素；
预测模型构建模块，用于构建若干与特定因素一一对应的驾驶行为预测模型，每个驾驶行为预测模型用于编码对应特定因素下的驾驶行为序列，并预测下一个时间步的驾驶行为事件；
目标函数生成模块，用于基于因果干预技术生成目标函数；
训练模块，用于采集车险用户的驾驶行为数据，将其输入特定因素推断模型和驾驶行为预测模型，并利用目标函数进行模型训练；
部署模块，用于将训练好的特定因素推断模型和驾驶行为预测模型部署车险用户驾驶行为分析与预测场景中。
进一步，推断模型构建模块包括：
划分单元，用于将外部因素分为若干特定因素；
判断模型构建单元，用于构建特定因素推断模型，特定因素推断模型将每个特定因素均用外部因素向量表示；
分块单元，用于特定因素推断模型将每个外部因素向量进行分块处理，分为三块；
前两块用于转换编码后的驾驶行为序列，后一块用于计算与驾驶行为序列之间的相关性系数；
相关性系数获得单元，用于获得所有外部因素向量与驾驶行为序列之间的相关性系数；
概率分布获得单元，用于基于所有外部因素向量与驾驶行为序列之间的相关性系数，特定因素推断模型获得外部因素的概率分布；
采样单元，用于对外部因素的概率分布进行采样，得到当前外部因素的取值，即获得驾驶行为序列所属哪个特定因素。
进一步，预测模型构建模块包括：
预测模型构建单元，用于构建若干与特定因素一一对应的驾驶行为预测模型；
选择单元，用于通过特定因素推断模型判断驾驶行为序列所属的特定因素选择对应的驾驶行为预测模型；
序列隐藏状态获得单元，用于利用对应的驾驶行为预测模型对驾驶行为序列进行编码，即序列隐藏状态，并将其重新输入特定因素推断模型得到新的特定因素，重复依次执行选择单元和序列隐藏状态获得单元内的方法直至达到预设次数，得到最终的序列隐藏状态；
预测结果计算单元，用于利用最终的序列隐藏状态计算其与所有可能出现的驾驶行为的相似度，选择最相似的驾驶行为作为预测结果，预测结果即下一个时间步的驾驶行为事件。
进一步，目标函数生成模块包括：
优化目标获得单元，用于特定因素，通过因果干预和后门调整方法得到优化目标；
目标函数获得单元，用于使用变分推断将优化目标转换为目标函数，且该目标函数能够与特定因素推断模型和驾驶行为预测模型有机融合。
进一步，训练模块包括：
采集单元，用于采集若干车险用户的驾驶行为数据；
预处理单元，用于将驾驶行为数据进行预处理，得到每个车险用户的驾驶行为序列；
数据划分单元，用于按照时间的先后顺序将所有车险用户的驾驶行为序列进行划分，得到训练集、验证集和测试集；
训练单元，用于将训练集输入特定因素推断模型和驾驶行为预测模型，利用目标函数进行模型训练。
上述车险用户驾驶行为分析与预测设备所涉及的内容与车险用户驾驶行为分析与预测方法相似，在此不再赘述。
本发明一种基于因果干预的车险用户驾驶行为分析与预测方法及设备，能够准确预测和分析车险用户的驾驶行为，能够为车险定价提供依据，并且能够有效抵抗时序分布偏移的影响。
应当理解，这里描述的各种技术可结合硬件或软件，或者它们的组合一起实现。从而，本发明的方法和设备，或者本发明的方法和设备的某些方面或部分可采取嵌入有形媒介，例如软盘、CD-ROM、硬盘驱动器或者其它任意机器可读的存储介质中的程序代码(即指令)的形式，其中当程序被载入诸如计算机之类的机器，并被该机器执行时，该机器变成实践本发明的设备。
以上显示和描述了本发明的基本原理和主要特征和本发明的优点，本行业的技术人员应该了解，本发明不受上述实施例的限制，上述实施例和说明书中描述的只是说明本发明的原理，在不脱离本发明精神和范围的前提下，本发明还会有各种变化和改进，这些变化和改进都落入要求保护的本发明范围内，本发明要求保护范围由所附的权利要求书及其等效物界定。
Claims (2)
1.基于因果干预的车险用户驾驶行为分析与预测方法，其特征在于，包括：
步骤S1：从因果推断的角度分析驾驶行为变量之间的因果关系，找到作为共因的驾驶行为变量，即外部因素；
驾驶行为变量包括上一个时间步的驾驶行为事件、若干外部因素以及下一个时间步的驾驶行为事件；
步骤S2：构建特定因素推断模型，特定因素推断模型用于推断驾驶行为序列所属外部因素中的哪个特定因素；
步骤S3：构建若干与特定因素一一对应的驾驶行为预测模型，每个驾驶行为预测模型用于编码对应特定因素下的驾驶行为序列，并预测下一个时间步的驾驶行为事件；
步骤S4：基于因果干预技术生成目标函数；
步骤S5：采集车险用户的驾驶行为数据，将其输入特定因素推断模型和驾驶行为预测模型，并利用目标函数进行模型训练；
步骤S6：将训练好的特定因素推断模型和驾驶行为预测模型部署车险用户驾驶行为分析与预测场景中；
所述步骤S2包括：
步骤S2.1：将外部因素分为若干特定因素；
步骤S2.2：构建特定因素推断模型，特定因素推断模型将每个特定因素均用外部因素向量表示；
步骤S2.3：特定因素推断模型将每个外部因素向量进行分块处理，分为三块；
前两块用于转换编码后的驾驶行为序列，后一块用于计算与驾驶行为序列之间的相关性系数；
步骤S2.4：获得所有外部因素向量与驾驶行为序列之间的相关性系数；
步骤S2.5：基于所有外部因素向量与驾驶行为序列之间的相关性系数，特定因素推断模型使用Gumbel-Softmax函数或Softmax函数获得外部因素的概率分布；
步骤S2.6：对外部因素的概率分布进行采样，得到当前外部因素的取值，即获得驾驶行为序列所属哪个特定因素；
所述步骤S3包括：
步骤S3.1：构建若干与特定因素一一对应的驾驶行为预测模型；
步骤S3.2：通过特定因素推断模型判断驾驶行为序列所属的特定因素选择对应的驾驶行为预测模型；
步骤S3.3：利用对应的驾驶行为预测模型对驾驶行为序列进行编码，即序列隐藏状态，并将其重新输入特定因素推断模型得到新的特定因素，重复步骤S3.2-步骤S3.3直至达到预设次数，得到最终的序列隐藏状态；
步骤S3.4：利用最终的序列隐藏状态计算其与所有可能出现的驾驶行为的相似度，选择最相似的驾驶行为作为预测结果，预测结果即下一个时间步的驾驶行为事件；
所述步骤S4包括：
步骤S4.1：基于特定因素，通过因果干预和后门调整方法得到优化目标；
步骤S4.2：使用变分推断将优化目标转换为目标函数，且该目标函数能够与特定因素推断模型和驾驶行为预测模型有机融合；
所述步骤S5包括：
步骤S5.1：采集若干车险用户的驾驶行为数据；
步骤S5.2：将驾驶行为数据进行预处理，得到每个车险用户的驾驶行为序列；
步骤S5.3：按照时间的先后顺序将所有车险用户的驾驶行为序列进行划分，得到训练集、验证集和测试集，其中时间较远的驾驶行为序列作为训练集，时间较近的驾驶行为序列作为测试集；
步骤S5.4：将训练集输入特定因素推断模型和驾驶行为预测模型，利用目标函数计算损失，利用梯度下降法最小化损失进行模型训练。
2.基于因果干预的车险用户驾驶行为分析与预测设备，其特征在于，包括：
外部因素推断模块，用于从因果推断的角度分析驾驶行为变量之间的因果关系，找到作为共因的驾驶行为变量，即外部因素；
驾驶行为变量包括上一个时间步的驾驶行为事件、若干外部因素以及下一个时间步的驾驶行为事件；
推断模型构建模块，用于构建特定因素推断模型，所述特定因素推断模型用于推断驾驶行为序列所属外部因素中的哪个特定因素；
预测模型构建模块，用于构建若干与特定因素一一对应的驾驶行为预测模型，每个驾驶行为预测模型用于编码对应特定因素下的驾驶行为序列，并预测下一个时间步的驾驶行为事件；
目标函数生成模块，用于基于因果干预技术生成目标函数；
训练模块，用于采集车险用户的驾驶行为数据，将其输入特定因素推断模型和驾驶行为预测模型，并利用目标函数进行模型训练；
部署模块，用于将训练好的特定因素推断模型和驾驶行为预测模型部署车险用户驾驶行为分析与预测场景中；所述推断模型构建模块包括：
划分单元，用于将外部因素分为若干特定因素；
判断模型构建单元，用于构建特定因素推断模型，特定因素推断模型将每个特定因素均用外部因素向量表示；
分块单元，用于特定因素推断模型将每个外部因素向量进行分块处理，分为三块；
前两块用于转换编码后的驾驶行为序列，后一块用于计算与驾驶行为序列之间的相关性系数；
相关性系数获得单元，用于获得所有外部因素向量与驾驶行为序列之间的相关性系数；
概率分布获得单元，用于基于所有外部因素向量与驾驶行为序列之间的相关性系数，特定因素推断模型使用Gumbel-Softmax函数或Softmax函数获得外部因素的概率分布；
采样单元，用于对外部因素的概率分布进行采样，得到当前外部因素的取值，即获得驾驶行为序列所属哪个特定因素；
所述预测模型构建模块包括：
预测模型构建单元，用于构建若干与特定因素一一对应的驾驶行为预测模型；
选择单元，用于通过特定因素推断模型判断驾驶行为序列所属的特定因素选择对应的驾驶行为预测模型；
序列隐藏状态获得单元，用于利用对应的驾驶行为预测模型对驾驶行为序列进行编码，即序列隐藏状态，并将其重新输入特定因素推断模型得到新的特定因素，重复依次执行选择单元和序列隐藏状态获得单元内的方法直至达到预设次数，得到最终的序列隐藏状态；
预测结果计算单元，用于利用最终的序列隐藏状态计算其与所有可能出现的驾驶行为的相似度，选择最相似的驾驶行为作为预测结果，预测结果即下一个时间步的驾驶行为事件；
所述目标函数生成模块包括：
优化目标获得单元，用于基于特定因素，通过因果干预和后门调整方法得到优化目标；
目标函数获得单元，用于使用变分推断将优化目标转换为目标函数，且该目标函数能够与特定因素推断模型和驾驶行为预测模型有机融合；
所述训练模块包括：
采集单元，用于采集若干车险用户的驾驶行为数据；
预处理单元，用于将驾驶行为数据进行预处理，得到每个车险用户的驾驶行为序列；
数据划分单元，用于按照时间的先后顺序将所有车险用户的驾驶行为序列进行划分，得到训练集、验证集和测试集，其中时间较远的驾驶行为序列作为训练集，时间较近的驾驶行为序列作为测试集；
训练单元，用于将训练集输入特定因素推断模型和驾驶行为预测模型，利用目标函数计算损失，利用梯度下降法最小化损失进行模型训练。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311351074.5A CN117422169B (zh) | 2023-10-18 | 2023-10-18 | 基于因果干预的车险用户驾驶行为分析与预测方法及设备 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311351074.5A CN117422169B (zh) | 2023-10-18 | 2023-10-18 | 基于因果干预的车险用户驾驶行为分析与预测方法及设备 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN117422169A CN117422169A (zh) | 2024-01-19 |
| CN117422169B true CN117422169B (zh) | 2024-06-25 |
Family
ID=89529413
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202311351074.5A Active CN117422169B (zh) | 2023-10-18 | 2023-10-18 | 基于因果干预的车险用户驾驶行为分析与预测方法及设备 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN117422169B (zh) |
Family Cites Families (10)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN108268678B (zh) * | 2016-12-30 | 2021-07-23 | 上海擎感智能科技有限公司 | 驾驶行为分析方法、装置及系统 |
| JP7053213B2 (ja) * | 2017-10-13 | 2022-04-12 | 株式会社デンソー | 運転データ解析装置 |
| CN109840612A (zh) * | 2018-07-24 | 2019-06-04 | 上海赢科信息技术有限公司 | 用户驾驶行为分析方法及系统 |
| CN110490275B (zh) * | 2019-06-28 | 2020-07-07 | 北京理工大学 | 一种基于迁移学习的驾驶行为预测方法 |
| CN110837979B (zh) * | 2019-11-18 | 2022-02-15 | 吉旗物联科技（上海）有限公司 | 基于随机森林的安全驾驶风险预测方法及装置 |
| CN112149908B (zh) * | 2020-09-28 | 2023-09-08 | 深圳壹账通智能科技有限公司 | 车辆驾驶预测方法、系统、计算机设备及可读存储介质 |
| CN114137967B (zh) * | 2021-11-23 | 2023-12-15 | 常熟理工学院 | 基于多网络联合学习的驾驶行为决策方法 |
| CN115718890A (zh) * | 2022-11-21 | 2023-02-28 | 珍真（深圳）科技有限公司 | 驾驶行为预测方法、装置、电子设备及存储介质 |
| CN116022154A (zh) * | 2023-01-04 | 2023-04-28 | 大拓(山东)物联网科技有限公司 | 驾驶行为预测方法、装置、计算机设备及存储介质 |
| CN116311944A (zh) * | 2023-03-28 | 2023-06-23 | 南通大学 | 一种不同天气状况下机动车驾驶行为预测方法 |
-
2023
- 2023-10-18 CN CN202311351074.5A patent/CN117422169B/zh active Active
Non-Patent Citations (2)
| Title |
|---|
| EGCN-CeDML：一种面向车辆驾驶行为预测的分布式机器学习框架;李可等;《计算机科学》;20230904;第50卷(第09期);第318-330页 * |
| 复杂交通环境下汽车驾驶特性建模与控制;尹念东;何彬;郭文婷;;湖北理工学院学报;20180612(第03期);全文 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN117422169A (zh) | 2024-01-19 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN110164128B (zh) | 一种城市级智能交通仿真系统 | |
| CN109492830B (zh) | 一种基于时空深度学习的移动污染源排放浓度预测方法 | |
| US11189171B2 (en) | Traffic prediction with reparameterized pushforward policy for autonomous vehicles | |
| Xu et al. | Short-term traffic flow prediction using a methodology based on autoregressive integrated moving average and genetic programming | |
| CN113076599A (zh) | 一种基于长短时记忆网络的多模态车辆轨迹预测方法 | |
| CN111369299A (zh) | 识别的方法、装置、设备及计算机可读存储介质 | |
| CN116691418B (zh) | 一种可自动分配控制功率的充电方法 | |
| Liao et al. | Online prediction of lane change with a hierarchical learning-based approach | |
| De Miguel et al. | Vehicles trajectory prediction using recurrent VAE network | |
| CN116822652A (zh) | 地铁故障预测方法、装置、电子设备、系统及存储介质 | |
| CN113112819A (zh) | 一种基于改进lstm的图卷积交通速度预测方法 | |
| CN116166642A (zh) | 基于引导信息的时空数据填补方法、系统、设备及介质 | |
| Zhong et al. | Estimating link flows in road networks with synthetic trajectory data generation: Inverse reinforcement learning approach | |
| CN117422169B (zh) | 基于因果干预的车险用户驾驶行为分析与预测方法及设备 | |
| Glasmacher et al. | Acquire driving scenarios efficiently: A framework for prospective assessment of cost-optimal scenario acquisition | |
| Platho et al. | Learning driving situations and behavior models from data | |
| CN115883424B (zh) | 一种高速骨干网间流量数据预测方法及系统 | |
| Adeyemo et al. | Surrogate-based digital twin for predictive fault modelling and testing of cyber physical systems | |
| KR102512552B1 (ko) | 인공지능 처리 결과 분석 장치 및 그 방법 | |
| Ozkan et al. | Trust-Aware Control of Automated Vehicles in Car-Following Interactions with Human Drivers | |
| Jeba et al. | Flood prediction through hydrological modeling of rainfall using Conv1D-SBiGRU algorithm and RDI estimation: A hybrid approach | |
| CN115641195A (zh) | 银行头寸的预测方法及装置 | |
| Das | An efficient way to enable prognostics in an onboard system | |
| Derras et al. | Prediction of recovery time of infrastructure functionalities after an earthquake using machine learning | |
| Kataria et al. | Software Defects Classification Using RNN Model |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |