本技術(shù)涉及人工智能，尤其涉及一種基于機(jī)器學(xué)習(xí)的風(fēng)險評估方法、裝置、計算機(jī)設(shè)備及介質(zhì)。

背景技術(shù)：

1、農(nóng)業(yè)保險作為分散和轉(zhuǎn)移農(nóng)業(yè)生產(chǎn)風(fēng)險的重要工具，對于保障農(nóng)民利益、促進(jìn)農(nóng)業(yè)發(fā)展具有重要作用。

2、目前，對于農(nóng)業(yè)保險進(jìn)行風(fēng)險評級主要依賴于人工進(jìn)行現(xiàn)場查勘定損，然后結(jié)合農(nóng)業(yè)生產(chǎn)中的實時動態(tài)情況進(jìn)行綜合判斷。然而，由于農(nóng)業(yè)生產(chǎn)具備作物種植地域遼闊的特性，并且全面捕捉農(nóng)業(yè)生產(chǎn)中實時變化的復(fù)雜因素的工作量也比較繁雜，從而導(dǎo)致對于農(nóng)業(yè)保險進(jìn)行風(fēng)險評級需要耗費的時間和人力資源成本非常高。

3、因此，如何降低對農(nóng)業(yè)保險進(jìn)行風(fēng)險評估的成本，成為了亟待解決的技術(shù)問題。

技術(shù)實現(xiàn)思路

1、本技術(shù)實施例的主要目的在于提出一種基于機(jī)器學(xué)習(xí)的風(fēng)險評估方法、裝置、計算機(jī)設(shè)備及介質(zhì)，旨在降低對農(nóng)業(yè)保險進(jìn)行風(fēng)險評估的成本。

2、為實現(xiàn)上述目的，本技術(shù)實施例的第一方面提出了一種基于機(jī)器學(xué)習(xí)的風(fēng)險評估方法，所述方法包括：

3、獲取待評估農(nóng)險的歷史理賠數(shù)據(jù)和用戶財務(wù)數(shù)據(jù)，以及，獲取所述待評估農(nóng)險的保險標(biāo)的作物的生長數(shù)據(jù)、地理數(shù)據(jù)和氣象數(shù)據(jù)；

4、基于所述歷史理賠數(shù)據(jù)、所述用戶財務(wù)數(shù)據(jù)、所述生長數(shù)據(jù)、所述地理數(shù)據(jù)和所述氣象數(shù)據(jù)，生成所述待評估農(nóng)險的農(nóng)險特征數(shù)據(jù)；

5、將所述農(nóng)險特征數(shù)據(jù)輸入預(yù)先訓(xùn)練的風(fēng)險評估模型；所述風(fēng)險評估模型基于機(jī)器學(xué)習(xí)算法對預(yù)設(shè)的農(nóng)險特征樣本數(shù)據(jù)集進(jìn)行模型訓(xùn)練得到；

6、通過所述風(fēng)險評估模型對所述農(nóng)險特征數(shù)據(jù)進(jìn)行計算，得到所述待評估農(nóng)險的風(fēng)險等級評估結(jié)果。

7、在一些實施例，所述獲取待評估農(nóng)險的歷史理賠數(shù)據(jù)和用戶財務(wù)數(shù)據(jù)，以及，獲取所述待評估農(nóng)險的保險標(biāo)的作物的生長數(shù)據(jù)、地理數(shù)據(jù)和氣象數(shù)據(jù)，包括：

8、從預(yù)設(shè)的農(nóng)險評估指標(biāo)體系中獲取風(fēng)險評估指標(biāo)；所述農(nóng)險評估指標(biāo)體系表征對農(nóng)險進(jìn)行風(fēng)險評估時的參考標(biāo)準(zhǔn)；

9、基于所述風(fēng)險評估指標(biāo)收集待評估農(nóng)險的歷史理賠數(shù)據(jù)和用戶財務(wù)數(shù)據(jù)，以及，基于所述風(fēng)險評估指標(biāo)收集所述待評估農(nóng)險的保險標(biāo)的作物的生長數(shù)據(jù)、地理數(shù)據(jù)和氣象數(shù)據(jù)。

10、在一些實施例，在所述從預(yù)設(shè)的農(nóng)險評估指標(biāo)體系中獲取風(fēng)險評估指標(biāo)之前，所述方法還包括：

11、獲取農(nóng)險歷史業(yè)務(wù)數(shù)據(jù)；

12、基于對所述農(nóng)險歷史業(yè)務(wù)數(shù)據(jù)進(jìn)行業(yè)務(wù)特征分析，得到對農(nóng)險進(jìn)行風(fēng)險評估時的多項考量因素；

13、基于所述多項考量因素構(gòu)建得到農(nóng)險評估指標(biāo)體系；

14、其中，所述多項考量因素中的一項對應(yīng)所述農(nóng)險評估指標(biāo)體系中的至少一個風(fēng)險評估指標(biāo)。

15、在一些實施例，所述歷史理賠數(shù)據(jù)包括：歷史理賠時間和歷史理賠金額；

16、所述基于所述歷史理賠數(shù)據(jù)、所述用戶財務(wù)數(shù)據(jù)、所述生長數(shù)據(jù)、所述地理數(shù)據(jù)和所述氣象數(shù)據(jù)，生成所述待評估農(nóng)險的農(nóng)險特征數(shù)據(jù)，包括：

17、對所述生長數(shù)據(jù)、所述地理數(shù)據(jù)和所述氣象數(shù)據(jù)進(jìn)行數(shù)值化處理，得到所述生長數(shù)據(jù)、所述地理數(shù)據(jù)和所述氣象數(shù)據(jù)各自對應(yīng)的特征編碼；

18、對所述生長數(shù)據(jù)、所述地理數(shù)據(jù)和所述氣象數(shù)據(jù)各自對應(yīng)的特征編碼，和，所述歷史理賠時間、所述歷史理賠金額和所述用戶財務(wù)數(shù)據(jù)，分別進(jìn)行特征值歸一化處理，得到所述待評估農(nóng)險的農(nóng)險特征數(shù)據(jù)。

19、在一些實施例，所述方法還包括：

20、獲取農(nóng)險特征樣本數(shù)據(jù)集；

21、對所述農(nóng)險特征樣本數(shù)據(jù)集進(jìn)行時序劃分得到多個子窗口樣本數(shù)據(jù)；所述多個子窗口樣本數(shù)據(jù)中相鄰的兩個子窗口樣本數(shù)據(jù)的時間序列不同；

22、將所述多個子窗口樣本數(shù)據(jù)作為預(yù)設(shè)的機(jī)器學(xué)習(xí)算法的模型輸入；

23、通過所述機(jī)器學(xué)習(xí)算法對所述多個子窗口樣本數(shù)據(jù)進(jìn)行滑動窗口模型訓(xùn)練，得到風(fēng)險評估模型。

24、在一些實施例，在所述獲取農(nóng)險特征樣本數(shù)據(jù)集之后，所述方法還包括：

25、對所述農(nóng)險特征樣本數(shù)據(jù)集進(jìn)行地區(qū)劃分得到多個子區(qū)域樣本數(shù)據(jù)；所述多個子區(qū)域樣本數(shù)據(jù)各自包含的地理位置不同；

26、將所述多個子區(qū)域樣本數(shù)據(jù)作為預(yù)設(shè)的機(jī)器學(xué)習(xí)算法的模型輸入；

27、通過所述機(jī)器學(xué)習(xí)算法對所述多個子區(qū)域樣本數(shù)據(jù)進(jìn)行分區(qū)域模型訓(xùn)練，得到風(fēng)險評估模型。

28、在一些實施例，所述機(jī)器學(xué)習(xí)算法包括第一機(jī)器學(xué)習(xí)算法和第二機(jī)器學(xué)習(xí)算法；

29、所述通過所述機(jī)器學(xué)習(xí)算法對所述多個子區(qū)域樣本數(shù)據(jù)進(jìn)行分區(qū)域模型訓(xùn)練，得到風(fēng)險評估模型，包括：

30、通過所述第一機(jī)器學(xué)習(xí)算法對所述多個子區(qū)域樣本數(shù)據(jù)中的第一樣本數(shù)據(jù)進(jìn)行模型訓(xùn)練，得到第一評估模型；所述第一樣本數(shù)據(jù)為所述多個子區(qū)域樣本數(shù)據(jù)中包含第一地理位置的子區(qū)域樣本數(shù)據(jù)；

31、通過所述第二機(jī)器學(xué)習(xí)算法對所述多個子區(qū)域樣本數(shù)據(jù)中的第二樣本數(shù)據(jù)進(jìn)行模型訓(xùn)練，得到第二評估模型；所述第二樣本數(shù)據(jù)為所述多個子區(qū)域樣本數(shù)據(jù)中包含第二地理位置的子區(qū)域樣本數(shù)據(jù)，所述第二地理位置與所述第一地理位置不同；

32、對所述第一評估模型和所述第二評估模型進(jìn)行融合，得到風(fēng)險評估模型。

33、為實現(xiàn)上述目的，本技術(shù)實施例的第二方面提出了一種基于機(jī)器學(xué)習(xí)的風(fēng)險評估裝置，所述裝置包括：

34、獲取模塊，用于獲取待評估農(nóng)險的歷史理賠數(shù)據(jù)和用戶財務(wù)數(shù)據(jù)，以及，獲取所述待評估農(nóng)險的保險標(biāo)的作物的生長數(shù)據(jù)、地理數(shù)據(jù)和氣象數(shù)據(jù)；

35、數(shù)據(jù)處理模塊，用于基于所述歷史理賠數(shù)據(jù)、所述用戶財務(wù)數(shù)據(jù)、所述生長數(shù)據(jù)、所述地理數(shù)據(jù)和所述氣象數(shù)據(jù)，生成所述待評估農(nóng)險的農(nóng)險特征數(shù)據(jù)；

36、模型輸入模塊，用于將所述農(nóng)險特征數(shù)據(jù)輸入預(yù)先訓(xùn)練的風(fēng)險評估模型；所述風(fēng)險評估模型基于機(jī)器學(xué)習(xí)算法對預(yù)設(shè)的農(nóng)險特征樣本數(shù)據(jù)集進(jìn)行模型訓(xùn)練得到；

37、模型計算模塊，用于通過所述風(fēng)險評估模型對所述農(nóng)險特征數(shù)據(jù)進(jìn)行計算，得到所述待評估農(nóng)險的風(fēng)險等級評估結(jié)果。

38、為實現(xiàn)上述目的，本技術(shù)實施例的第三方面提出了一種計算機(jī)設(shè)備，所述計算機(jī)設(shè)備包括存儲器和處理器，所述存儲器存儲有計算機(jī)程序，所述處理器執(zhí)行所述計算機(jī)程序時實現(xiàn)上述第一方面所述的方法。

39、為實現(xiàn)上述目的，本技術(shù)實施例的第四方面提出了一種計算機(jī)可讀存儲介質(zhì)，所述計算機(jī)可讀存儲介質(zhì)存儲有計算機(jī)程序，所述計算機(jī)程序被處理器執(zhí)行時實現(xiàn)上述第一方面所述的方法。

40、為實現(xiàn)上述目的，本技術(shù)實施例的第四方面提出了一種計算機(jī)程序產(chǎn)品，所述計算機(jī)程序產(chǎn)品存儲有計算機(jī)程序，所述計算機(jī)程序被處理器執(zhí)行時實現(xiàn)上述第一方面所述的方法。

41、本技術(shù)實施例提出的基于機(jī)器學(xué)習(xí)的風(fēng)險評估方法、裝置、計算機(jī)設(shè)備、計算機(jī)可讀存儲存儲介質(zhì)以及計算機(jī)程序產(chǎn)品,其通過獲取待評估農(nóng)險的歷史理賠數(shù)據(jù)和用戶財務(wù)數(shù)據(jù)，以及，獲取所述待評估農(nóng)險的保險標(biāo)的作物的生長數(shù)據(jù)、地理數(shù)據(jù)和氣象數(shù)據(jù)；基于所述歷史理賠數(shù)據(jù)、所述用戶財務(wù)數(shù)據(jù)、所述生長數(shù)據(jù)、所述地理數(shù)據(jù)和所述氣象數(shù)據(jù)，生成所述待評估農(nóng)險的農(nóng)險特征數(shù)據(jù)；將所述農(nóng)險特征數(shù)據(jù)輸入預(yù)先訓(xùn)練的風(fēng)險評估模型；所述風(fēng)險評估模型基于機(jī)器學(xué)習(xí)算法對預(yù)設(shè)的農(nóng)險特征樣本數(shù)據(jù)集進(jìn)行模型訓(xùn)練得到；通過所述風(fēng)險評估模型對所述農(nóng)險特征數(shù)據(jù)進(jìn)行計算，得到所述待評估農(nóng)險的風(fēng)險等級評估結(jié)果。

42、相比于通過人工進(jìn)行現(xiàn)場查勘來對農(nóng)業(yè)保險進(jìn)行風(fēng)險評估的方式，本技術(shù)實施例通過利用機(jī)器學(xué)習(xí)算法訓(xùn)練得到一個可用于農(nóng)業(yè)種植保險的風(fēng)險評估模型，從而只需要獲取待評估農(nóng)險的歷史理賠數(shù)據(jù)和用戶財務(wù)數(shù)據(jù)，以及，待評估農(nóng)險的保險標(biāo)的作物的生長數(shù)據(jù)、地理數(shù)據(jù)和氣象數(shù)據(jù)，然后基于該歷史理賠數(shù)據(jù)、用戶財務(wù)數(shù)據(jù)，該保險標(biāo)的作物的生長數(shù)據(jù)、地理數(shù)據(jù)和氣象數(shù)據(jù)，生成待評估農(nóng)險的農(nóng)險特征數(shù)據(jù)，再將該農(nóng)險特征數(shù)據(jù)輸入風(fēng)險評估模型，就可以通過風(fēng)險評估模型對農(nóng)險特征數(shù)據(jù)進(jìn)行計算，得到待評估農(nóng)險的風(fēng)險等級評估結(jié)果。

43、如此，本技術(shù)實施例通過機(jī)器學(xué)習(xí)算法智能化的進(jìn)行對農(nóng)業(yè)保險的風(fēng)險評估，可以不需要依賴大量的人工進(jìn)行現(xiàn)場查勘和捕捉農(nóng)業(yè)生產(chǎn)中的實時變化和復(fù)雜因素，從而有效地降低了對農(nóng)業(yè)保險進(jìn)行風(fēng)險評估的時間和人力成本。