[发明专利]驾驶风险预测方法、装置、计算机设备及存储介质

权利要求书

1.一种驾驶风险预测方法，其特征在于，包括：

获取原始驾驶数据，使用清洗规则对所述原始驾驶数据进行清洗，获取有效驾驶数据；

将所述有效驾驶数据分别输入到训练好的目标lightGBM模型和目标xgboost模型中，获取所述目标lightGBM模型输出的第一有效风险系数和所述目标xgboost模型输出的第二有效风险系数；

对所述第一有效风险系数和所述第二有效风险系数进行归一化处理，获取第一标准风险系数和第二标准风险系数；

将所述第一标准风险系数和所述第二标准风险系数进行融合处理，获取目标风险系数。

2.如权利要求1所述的驾驶风险预测方法，其特征在于，所述原始驾驶数据包括原始驾驶环境数据和原始驾驶行为数据，所述清洗规则包括环境清洗规则和行为清洗规则；

所述使用清洗规则对所述原始驾驶数据进行清洗，获取有效驾驶数据，包括：

使用环境清洗规则对所述原始驾驶环境数据进行清洗，获取有效驾驶环境数据；

使用行为清洗规则对所述原始驾驶行为数据进行清洗，获取有效驾驶行为数据；

将所述有效驾驶环境数据和有效驾驶行为数据作为有效驾驶数据。

3.如权利要求1所述的驾驶风险预测方法，其特征在于，所述驾驶风险预测方法还包括：

获取训练驾驶数据，使用所述清洗规则对所述训练驾驶数据进行清洗，对清洗后的训练驾驶数据进行标签处理，获取驾驶标签；

基于所述驾驶标签查询驾驶风险系数表，获取与所述驾驶标签对应的标准驾驶风险系数，以使所述训练驾驶数据携带所述标准驾驶风险系数，将所述训练驾驶数据划分为训练集和测试集；

将所述训练集中的训练驾驶数据分别输入到原始xgboost模型和原始lightGBM模型，获取所述原始xgboost模型输出的第一训练结果和所述原始lightGBM模型输出的第二训练结果，根据所述第一训练结果获取有效xgboost模型,根据所述第二训练结果获取有效lightGBM模型；

将所述测试集中的训练驾驶数据分别输入到有效xgboost模型和有效lightGBM模型，获取所述有效xgboost模型输出的第一测试结果和所述有效lightGBM模型输出的第二测试结果；

若所述第一测试结果与所述标准驾驶风险系数的误差在预设的误差范围内，则将所述有效xgboost模型作为目标xgboost模型；若所述第二测试结果与所述标准驾驶风险系数的误差在预设的误差范围内，则将所述有效lightGBM模型作为目标lightGBM模型。

4.如权利要求3所述的驾驶风险预测方法，其特征在于，所述根据所述第一训练结果获取有效xgboost模型,根据所述第二训练结果获取有效lightGBM模型，包括：

将所述第一训练结果和所述标准驾驶风险系数进行比较，获取所述第一训练结果和所述标准驾驶风险系数的第一误差值，当所述第一误差值在预设的误差范围内，则停止训练所述原始xgboost模型，获取有效xgboost模型；

将所述第二训练结果和所述标准驾驶风险系数进行比较，获取所述第二训练结果和所述标准驾驶风险系数的第二误差值，当所述第二误差值在预设的误差范围内，则停止训练所述原始lightGBM模型，获取有效lightGBM模型。

5.如权利要求1所述的驾驶风险预测方法，其特征在于，在所述获取目标风险系数的步骤之后，所述驾驶风险预测方法还包括：

基于所述有效驾驶数据，获取与所述有效驾驶数据相对应的驾驶特征；

基于所述驾驶特征和所述目标风险系数查询产品信息表，获取待推荐车险产品，并将所述待推荐车险产品发送给所述原始驾驶数据对应的客户端。