基于联邦学习的智能驾驶保费评估方法及系统与流程

本发明涉及智能驾驶保费评估，尤其涉及基于联邦学习的智能驾驶保费评估方法及系统。

背景技术：

1、在智能驾驶保费评估领域，现有常规做法通常依赖车载传感器或移动设备采集驾驶行为数据，包括急加速、急刹车、超速、夜间行驶等频次或时长统计量，并基于这些统计特征构建线性回归、支持向量机或梯度提升树等传统机器学习模型，从而对驾驶风险进行评分并映射为保费费率。为推动数据隐私保护，业界引入联邦学习框架，各参与车辆在本地利用驾驶行为数据训练模型，仅将模型参数或梯度上传至中心服务器进行聚合，以避免原始驾驶数据直接外泄。

2、驾驶行为数据往往被转化为离散统计特征，忽略了驾驶操作在时间序列和路段空间上的连贯性与关联性。例如，一段连续山路中的频繁转向和加减速与平直路段的同类操作具有截然不同的风险含义，但统计特征无法区分这种场景依赖，导致模型对复杂驾驶风格的刻画能力不足，保费评估的准确性受限。

3、联邦学习场景下，各车辆本地模型更新的直接上传虽在一定程度上保护数据隐私，但中心服务器对所有参与者采用均等聚合权重，未充分考虑不同车辆数据量的差异及数据完整度的参差不齐。例如，行驶里程短或传感器故障导致数据缺失的车辆上传的更新可能引入噪声，从而拉低全局模型的预测效能。此外，为增强隐私保护加入的差分扰动虽能抵御攻击，但扰动幅度若未与数据质量动态匹配，会进一步加剧聚合损失，导致模型收敛缓慢甚至偏离真实风险分布。

技术实现思路

1、本发明实施例提供基于联邦学习的智能驾驶保费评估方法及系统，能够解决现有技术中的问题。

2、本发明实施例的第一方面，提供基于联邦学习的智能驾驶保费评估方法，包括：

3、在各参与车辆采集驾驶行为数据并去噪处理后，按行驶路段分割为路段片段，以路段片段为节点并以相邻路段间的驾驶操作转换关系为边构建驾驶行为拓扑图，将路段片段内的驾驶速度特征和操作频次特征作为节点属性向量；

4、各参与车辆利用驾驶行为拓扑图迭代训练本地保费评估模型，将驾驶行为拓扑图经图编码网络提取拓扑表征和属性表征并聚合为驾驶行为图表征，基于驾驶行为图表征计算预测损失及与全局参考保费分布的分布对齐损失，以总损失更新本地保费评估模型参数，将当前参数与全局模型参数的差值施加差分隐私扰动后上传至中心服务器；

5、中心服务器根据数据量和数据完整度为各参与车辆计算聚合权重系数，基于聚合权重系数对各参与车辆上传的扰动后参数更新量进行加权聚合，以加权聚合结果更新全局保费评估模型参数；

6、将更新后的全局保费评估模型参数下发至各参与车辆，各参与车辆利用接收的全局参数替换本地模型参数，基于更新后的本地保费评估模型对待评估车辆的驾驶行为数据推理输出保费评估结果。

7、按行驶路段分割为路段片段，包括：

8、对驾驶行为数据进行路段边界检测，检测驾驶行为数据中车辆行驶速度降低至怠速阈值并保持怠速时长超过停留判定时长的数据区段，将该数据区段的起止时间点标识为候选分隔边界；

9、对相邻候选分隔边界之间行驶数据段的行驶轨迹长度进行校核，筛除行驶轨迹长度低于最小有效路段长度的候选分隔边界对，将保留下来的候选分隔边界确定为路段分隔点；

10、依据路段分隔点将驾驶行为数据分割为多个路段片段，每个路段片段对应车辆从上一路段分隔点加速行驶至下一路段分隔点的完整路段行程；

11、对每个路段片段内的驾驶行为数据进行操作频次提取，统计该路段片段内急加速操作次数、急减速操作次数和急转弯操作次数，将统计结果与该路段片段的平均速度、速度标准差和行驶时段归属信息组合为节点属性向量。

12、以相邻路段间的驾驶操作转换关系为边构建驾驶行为拓扑图，包括：

13、提取每个路段片段结束时刻的末段车速和相邻下一路段片段起始时刻的首段车速，计算相邻路段片段间的车速突变量作为驾驶操作转换强度；

14、计算相邻路段片段间所经历的操作类型变化数量和操作频次变化率，将操作类型变化数量和操作频次变化率与驾驶操作转换强度融合为相邻路段片段间的驾驶操作转换特征；

15、遍历全部相邻路段片段对逐一计算驾驶操作转换特征，将驾驶操作转换特征高于转换关联阈值的相邻路段片段对之间建立有向连接边，并将驾驶操作转换特征归一化后作为有向连接边的边权重，路段片段作为节点，构建驾驶行为拓扑图。

16、将驾驶行为拓扑图经图编码网络提取拓扑表征和属性表征并聚合为驾驶行为图表征，基于驾驶行为图表征计算预测损失及与全局参考保费分布的分布对齐损失，包括：

17、对驾驶行为拓扑图进行多尺度图卷积操作，在对每个节点进行邻域聚合时采用基于边权重的注意力加权机制，提取保留局部路段交互模式的节点级拓扑表征，同时对全局图结构进行图池化操作提取全局图级拓扑表征；

18、将节点级拓扑表征与各节点的节点属性向量沿特征维度拼接后输入图编码网络的消息传递层，利用可学习的门控单元自适应融合拓扑信息和属性信息生成各节点的节点综合表征，将全部节点的节点综合表征进行图级池化得到驾驶行为图表征；

19、基于驾驶行为图表征经过全连接映射计算保费预测损失；对驾驶行为图表征进行概率分布映射得到本地保费分布，计算本地保费分布与中心服务器下发的全局参考保费分布之间的分布对齐损失；

20、以保费预测损失和分布对齐损失按预设比例构建联合训练总损失，利用联合训练总损失更新本地保费评估模型参数。

21、将当前参数与全局模型参数的差值施加差分隐私扰动，包括：

22、获取本期训练迭代中全局保费评估模型参数和更新后本地保费评估模型参数的差值作为原始参数更新量；

23、利用驾驶行为拓扑图的图复杂度指标和节点属性向量的特征维度计算当前训练轮次的参数灵敏度，基于参数灵敏度按预设差分隐私预算参数生成拉普拉斯噪声；

24、将拉普拉斯噪声逐元素叠加至原始参数更新量的各维参数分量上得到扰动后参数更新量；

25、对扰动后参数更新量进行范数裁剪，使裁剪后参数更新量的范数不超过预设范数上限。

26、基于聚合权重系数对各参与车辆上传的扰动后参数更新量进行加权聚合，包括：

27、为各参与车辆维护一个本地训练质量评估值，利用各参与车辆本期上传的扰动后参数更新量与上一轮聚合后全局参数更新量的方向一致性更新本地训练质量评估值；

28、基于本地训练质量评估值生成各参与车辆的基础质量权重，将基础质量权重与基于数据量和数据完整度计算的聚合权重系数相乘得到各参与车辆的修正聚合权重系数；

29、利用修正聚合权重系数对各参与车辆上传的扰动后参数更新量进行加权求和，得到全局参数更新量。

30、基于更新后的本地保费评估模型对待评估车辆的驾驶行为数据推理输出保费评估结果，包括：

31、对待评估车辆驾驶行为数据去噪和路段分割后提取路段级速度特征和操作频次特征构建路段级特征序列，将路段级特征序列输入图编码网络提取路段级表征，将路段级表征按时序输入序列编码网络得到驾驶行为综合表征；

32、基于驾驶行为综合表征计算在预设保费级别集合中各保费级别的初始归属概率，获取待评估车辆驾驶风格类别对应的风格参考保费分布对初始归属概率校准得到校准后归属概率分布；

33、从校准后归属概率分布中取概率最高级别为候选，计算候选概率与次高概率的差值作为概率差距，若概率差距低于置信度阈值则取候选与次高级别保费均值作为评估结果，否则以候选级别作为驾驶保费评估结果。

34、本发明实施例的第二方面，提供一种基于联邦学习的智能驾驶保费评估系统，包括：

35、拓扑构建单元，用于在各参与车辆采集驾驶行为数据并去噪处理后，按行驶路段分割为路段片段，以路段片段为节点并以相邻路段间的驾驶操作转换关系为边构建驾驶行为拓扑图，将路段片段内的驾驶速度特征和操作频次特征作为节点属性向量；

36、本地训练单元，用于各参与车辆利用驾驶行为拓扑图迭代训练本地保费评估模型，将驾驶行为拓扑图经图编码网络提取拓扑表征和属性表征并聚合为驾驶行为图表征，基于驾驶行为图表征计算预测损失及与全局参考保费分布的分布对齐损失，以总损失更新本地保费评估模型参数，将当前参数与全局模型参数的差值施加差分隐私扰动后上传至中心服务器；

37、全局聚合单元，用于中心服务器根据数据量和数据完整度为各参与车辆计算聚合权重系数，基于聚合权重系数对各参与车辆上传的扰动后参数更新量进行加权聚合，以加权聚合结果更新全局保费评估模型参数；

38、推理评估单元，用于将更新后的全局保费评估模型参数下发至各参与车辆，各参与车辆利用接收的全局参数替换本地模型参数，基于更新后的本地保费评估模型对待评估车辆的驾驶行为数据推理输出保费评估结果。

39、本发明实施例的第三方面，提供一种电子设备，包括：

40、处理器；

41、用于存储处理器可执行指令的存储器；

42、其中，所述处理器被配置为调用所述存储器存储的指令，以执行前述所述的方法。

43、本发明实施例的第四方面，提供一种计算机可读存储介质，其上存储有计算机程序指令，所述计算机程序指令被处理器执行时实现前述所述的方法。

44、驾驶行为拓扑图以路段片段为节点、驾驶操作转换关系为边，完整保留了驾驶行为在时间与空间维度上的连续性和结构性特征。节点属性向量融合速度特征与操作频次，使图编码网络能够同时提取拓扑结构与属性表征，从而更精准地刻画驾驶习惯与风险倾向。基于该图表征计算的预测损失与分布对齐损失共同引导模型学习全局参考保费分布，显著提升保费评估结果在复杂驾驶场景下的泛化能力与准确性。

45、联邦学习框架使各参与车辆在本地完成模型训练，原始驾驶行为数据始终存储于车辆端，不直接向外传输。上传参数前施加差分隐私扰动，在参数更新量中融入可控噪声，有效抵御参数反推攻击，为驾驶员的个人行为数据提供强可量化的隐私保护。分布对齐损失强制本地模型输出分布向全局参考分布靠拢，在保护隐私的同时避免模型因数据异构而偏离全局最优解。

46、中心服务器依据各车辆的数据量与数据完整度动态计算聚合权重系数，数据量充足且完整度高的车辆获得更高权重，其参数更新量在全局模型中占据更大贡献。此加权策略抑制低质量或稀疏数据对模型更新的干扰，加速全局模型收敛至稳定状态。全局参数下发后替换本地模型参数，使各车辆均能持续受益于集体学习成果，无需重复传输原始数据即可保持模型性能的持续优化。