新能源车辆的购车意向预测方法、装置、存储介质以及设备与流程

摘要: 本技术涉及一种金融科技,特别是涉及一种新能源车辆的购车意向预测方法、装置、存储介质以及设备。背景技术:1、随着互联网技术在新能源汽车业务中的深入融合,线上营销成...
新能源车辆的购车意向预测方法、装置、存储介质以及设备与流程

本技术涉及一种金融科技,特别是涉及一种新能源车辆的购车意向预测方法、装置、存储介质以及设备。

背景技术:

1、随着互联网技术在新能源汽车业务中的深入融合,线上营销成为新能源汽车的营销业务的关键渠道。其中,银行等金融机构在开展线上推广时,亟须精准识别具有购车意向的客户,从而实现营销信息的精准触达,有效避免因误投放而导致的资源浪费。

2、目前,现有客户的购车意向预测通常基于用户画像技术进行定位。然而,用户画像的数据来源存在片面或特征维度单一的情况,无法挖掘全面、多维的用户维度,使得客户的购车意向预测准确性低,且添加过多的画像条件也会增加数据采购成本。因此,亟需一种新能源车辆的购车意向预测方法来解决上述问题。

技术实现思路

1、有鉴于此,本技术提供一种新能源车辆的购车意向预测方法、装置、存储介质以及设备,主要目的在于解决现有购车意向预测准确性差的问题。

2、依据本技术一个方面,提供了一种新能源车辆的购车意向预测方法,包括:

3、获取客户的业务数据;

4、基于预训练的分类模型对所述业务数据进行分类预测,得到分类预测结果:

5、在所述分类预测结果处于目标值域区间时,调取所述客户的外部数据,并基于已完成模型训练的全量预测模型对所述业务数据以及所述外部数据进行预测,得到购车意向预测结果,所述目标值域区间为基于所述分类模型对应的增益阈值确定。

6、进一步地,所述基于预训练的分类模型对所述业务数据进行分类预测,得到分类预测结果之前,所述方法还包括:

7、获取车辆保险业务的训练样本,所述训练样本包括自有样本以及全量样本,所述全量样本包括自有样本以及外部样本;

8、基于所述自有样本以及所述全量样本分别对多模型组进行模型训练,得到自有预测模型以及全量预测模型,并通过所述自有预测模型以及所述全量预测模型对所述训练样本进行预测,得到自有预测概率以及全量预测概率;

9、基于所述自有预测概率以及所述全量预测概率的概率差值作为训练标签,通过所述自有样本训练所述分类模型,并根据所述分类模型在所述训练样本上输出的预测结果确定增益阈值;

10、基于所述增益阈值确定所述目标值域区间。

11、进一步地,所述通过所述自有预测模型以及所述全量预测模型对所述训练样本进行预测,得到自有预测概率以及全量预测概率包括:

12、基于完成模型训练的所述自有预测模型进行自有样本预测,得到第一预测结果,并基于完成模型训练的所述全量预测模型进行全量样本预测,得到第二预测结果;

13、分别对所述第一预测结果以及所述第二预测结果进行加权融合,得到融合后的所述自有预测概率以及所述全量预测概率。

14、进一步地,所述基于所述增益阈值确定所述目标值域区间包括:

15、确定所述训练样本的样本对象;

16、基于所述样本对象的增益预测结果与所述增益阈值的取值结果进行对比,并基于对比结果确定目标值域区间,所述目标值域区间包括自有区间最大值以及自有区间最小值。

17、进一步地,所述方法还包括:

18、按照所述增益阈值获取不同样本对象基于所述分类模型进行分类的模型准确率;

19、基于最大模型准确率对应的增益阈值确定所述样本对象对应的增益阈值的取值结果。

20、进一步地,所述基于预训练的分类模型对所述业务数据进行分类预测,得到分类预测结果之后,所述方法还包括:

21、确定所述业务数据对应的目标值域区间;

22、若所述业务数据包括多项数据,则逐一对比所述多项数据对应的分类预测结果是否处于对应的目标阈值区间;

23、在任意一个所述分类预测结果未处于目标值域区间时,基于已完成模型训练的自有预测模型对所述业务数据进行预测,得到购车意向预测结果。

24、进一步地,所述多模型组包括xgboost模型、lightgbm模型、catboost模型、随机森林模型以及逻辑回归模型。

25、依据本技术另一个方面,提供了一种新能源车辆的购车意向预测装置,包括:

26、获取模块,用于获取客户的业务数据;

27、分类模块,用于基于预训练的分类模型对所述业务数据进行分类预测,得到分类预测结果:

28、预测模块,用于在所述分类预测结果处于目标值域区间时,调取所述客户的外部数据,并基于已完成模型训练的全量预测模型对所述业务数据以及所述外部数据进行预测,得到购车意向预测结果,所述目标值域区间为基于所述分类模型对应的增益阈值确定。

29、进一步地,所述装置还包括:训练模块,确定模块,

30、所述获取模块,还用于获取车辆保险业务的训练样本,所述训练样本包括自有样本以及全量样本,所述全量样本包括自有样本以及外部样本;

31、所述训练模块,用于基于所述自有样本以及所述全量样本分别对多模型组进行模型训练,得到自有预测模型以及全量预测模型,并通过所述自有预测模型以及所述全量预测模型对所述训练样本进行预测,得到自有预测概率以及全量预测概率;

32、所述确定模块,用于基于所述自有预测概率以及所述全量预测概率的概率差值作为训练标签,通过所述自有样本训练所述分类模型,并根据所述分类模型在所述训练样本上输出的预测结果确定增益阈值;基于所述增益阈值确定所述目标值域区间。

33、进一步地,所述训练模块,具体用于基于完成模型训练的所述自有预测模型进行自有样本预测,得到第一预测结果,并基于完成模型训练的所述全量预测模型进行全量样本预测,得到第二预测结果;分别对所述第一预测结果以及所述第二预测结果进行加权融合,得到融合后的所述自有预测概率以及所述全量预测概率。

34、进一步地,所述确定模块,具体用于确定所述训练样本的样本对象;基于所述样本对象的增益预测结果与所述增益阈值的取值结果进行对比,并基于对比结果确定目标值域区间,所述目标值域区间包括自有区间最大值以及自有区间最小值。

35、进一步地,所述确定模块,具体还用于按照所述增益阈值获取不同样本对象基于所述分类模型进行分类的模型准确率;基于最大模型准确率对应的增益阈值确定所述样本对象对应的增益阈值的取值结果。

36、进一步地,所述装置还包括:

37、对比模块,用于确定所述业务数据对应的目标值域区间;若所述业务数据包括多项数据,则逐一对比所述多项数据对应的分类预测结果是否处于对应的目标阈值区间;在任意一个所述分类预测结果未处于目标值域区间时,基于已完成模型训练的自有预测模型对所述业务数据进行预测,得到购车意向预测结果。

38、进一步地,所述多模型组包括xgboost模型、lightgbm模型、catboost模型、随机森林模型以及逻辑回归模型。

39、根据本技术的又一方面,提供了一种存储介质,所述存储介质中存储有至少一可执行指令,所述可执行指令使处理器执行如上述新能源车辆的购车意向预测方法对应的操作。

40、根据本技术的再一方面,提供了一种计算机设备,包括:处理器、存储器、通信接口和通信总线,所述处理器、所述存储器和所述通信接口通过所述通信总线完成相互间的通信;

41、所述存储器用于存放至少一可执行指令,所述可执行指令使所述处理器执行上述新能源车辆的购车意向预测方法对应的操作。

42、借由上述技术方案,本技术实施例提供的技术方案至少具有下列优点:

43、本技术提供了一种新能源车辆的购车意向预测方法、装置、存储介质以及设备,与现有技术相比,本技术实施例通过获取客户的业务数据;基于预训练的分类模型对所述业务数据进行分类预测,得到分类预测结果,所述分类模型用于判断所述业务数据的可信度:在所述分类预测结果处于目标值域区间时,调取所述客户的外部数据,并基于已完成模型训练的全量预测模型对所述业务数据以及所述外部数据进行预测,得到购车意向预测结果,所述目标值域区间为基于所述分类模型对应的增益阈值确定,通过预训练分类模型智能判别业务数据引入外部数据的预测增益,有效降低数据采购与接口调用成本,简化预测流程、缩短响应时延,适配高并发的车险购车意向预测场景,从而满足新能源车辆的多样化购车意向预测需求。

44、上述说明仅是本技术技术方案的概述,为了能够更清楚了解本技术的技术手段,而可依照说明书的内容予以实施,并且为了让本技术的上述和其它目的、特征和优点能够更明显易懂,以下特举本技术的具体实施方式。