基于人工智能的酒驾欺诈行为识别方法、装置及设备与流程

本技术涉及人工智能开发与金融科技领域，尤其涉及基于人工智能的酒驾欺诈行为识别方法、装置、计算机设备及存储介质。

背景技术：

1、随着交通运输行业的快速发展，机动车保有量的急剧增加，酒后驾驶已成为全球范围内严重威胁道路交通安全的问题。酒驾行为不仅严重违反了交通法规，更是对驾驶员自身生命安全及其他道路使用者的生命财产安全的极大威胁。

2、然而，尽管目前适用于打击和惩罚酒驾行为的法律规制日益严格，仍有部分不法分子为了逃避法律责任或谋取不正当利益，采取各种欺诈手段来掩盖或伪造酒驾事实。这些欺诈行为包括但不限于：在交通事故发生后故意饮酒以混淆视听、伪造酒驾证据以骗取保险赔偿、利用替身或伪造检测结果以规避交警查处等。这些行为不仅给保险公司带来了巨大的经济损失，也严重破坏了社会公平正义。

3、目前，保险公司对于酒驾欺诈行为的识别主要依赖于人工审核和现场调查的识别方式，这种识别方式需要人工进行现场调查获取证据，并依赖于审核人员的专业知识和经验判断来根据证据生成相应的酒驾欺诈行为的识别结果，受限于人力资源有限、审核流程繁琐等因素，容易导致识别效率低下，耗时较长，且容易因人为因素产生误判或漏判。

技术实现思路

1、本技术实施例的目的在于提出一种基于人工智能的酒驾欺诈行为识别方法、装置、计算机设备及存储介质，以解决现有的保险公司采用的对于酒驾欺诈行为的识别方式存在识别效率低下，耗时较长，且容易因人为因素产生误判或漏判的技术问题。

2、为了解决上述技术问题，本技术实施例提供一种基于人工智能的酒驾欺诈行为识别方法，采用了如下所述的技术方案：

3、获取用户的用户标签数据与用户行为数据；

4、对所述用户标签数据进行预处理得到对应的标签数据，以及对所述用户行为数据进行预处理得到对应的行为数据；

5、对所述标签数据与所述行为数据进行特征提取，得到对应的第一特征；其中，所述第一特征的数量包括多个；

6、对所有所述第一特征进行特征整合处理得到第二特征；

7、调用预先训练好的第一酒驾欺诈识别模型对所述第二特征进行识别处理，得到对应的第一预测结果；其中，所述第一酒驾欺诈识别模型为基于预先采集的样本数据对卷积神经网络进行训练后生成的模型；

8、调用预先训练好的第二酒驾欺诈识别模型对所述第二特征进行识别处理，得到对应的第二预测结果；其中，所述第二酒驾欺诈识别模型为基于所述样本数据对循环神经网络进行训练后生成的模型；

9、基于预设的融合策略对所述第一预测结果与所述第二预测结果进行融合处理，生成与所述用户对应的酒驾欺诈识别结果。

10、进一步的，所述基于预设的融合策略对所述第一预测结果与所述第二预测结果进行融合处理，生成与所述用户对应的酒驾欺诈识别结果的步骤，具体包括：

11、获取与所述第一酒驾欺诈识别模型对应的第一识别阈值，以及获取与所述第二酒驾欺诈识别模型对应的第二识别阈值；

12、对所述第一识别阈值与所述第一预测结果进行数据分析，生成与所述第一酒驾欺诈识别模型对应的第一投票结果；

13、对所述第二识别阈值与所述第二预测结果进行数据分析，生成与所述第二酒驾欺诈识别模型对应的第二投票结果；

14、判断所述第一投票结果与所述第二投票结果是否相同；

15、若所述第一投票结果与所述第二投票结果相同，则将预测结果作为所述酒驾欺诈识别结果；其中，所述预测结果为所述第一预测结果或第二预测结果。

16、进一步的，在所述判断所述第一投票结果与所述第二投票结果是否相同的步骤之后，还包括：

17、若所述第一投票结果与所述第二投票结果不相同，则判断所述第一酒驾欺诈识别模型与所述第二酒驾欺诈识别模型是否存在优先级；

18、若存在优先级，则从所述第一酒驾欺诈识别模型与所述第二酒驾欺诈识别模型中筛选出优先级更高的第一指定模型；

19、获取所述第一指定模型的第一指定预测结果，并将所述第一指定预测结果作为所述酒驾欺诈识别结果；

20、若不存在优先级，则获取所述第一酒驾欺诈识别模型的第一预设权重，以及获取所述第二酒驾欺诈识别模型的第二预设权重；

21、从第一预设权重与所述第二预设权重中筛选出数值更大的指定权重，并确定出与所述指定权重对应的第二指定模型；

22、获取所述第二指定模型的第二指定预测结果，并将所述第二指定预测结果作为所述酒驾欺诈识别结果。

23、进一步的，所述对所述用户行为数据进行预处理得到对应的行为数据的步骤，具体包括：

24、对所述用户行为数据进行时间序列化处理，得到对应的第一数据；

25、对所述用户行为数据进行地理位置转换处理，得到对应的第二数据；

26、对所述用户行为数据进行行为模式提取处理，得到对应的第三数据；

27、对所述用户行为数据进行文本提取处理，得到对应的第四数据；

28、基于所述第一数据、所述第二数据、所述第三数据以及所述第四数据生成所述行为数据。

29、进一步的，在所述调用预先训练好的第一酒驾欺诈识别模型对所述第二特征进行识别处理，得到对应的第一预测结果的步骤之前，还包括：

30、获取预先采集的初始样本数据；

31、对所述初始样本数据进行样本增强处理，得到对应的样本数据；

32、按照预设的划分比例将所述样本数据划分为训练集与测试集；

33、调用预设的卷积神经网络，并基于所述训练集对所述卷积神经网络进行训练处理得到对应的第三指定模型；

34、基于所述测试集对所述第三指定模型进行测试；

35、若所述第三指定模型通过测试，则将所述第三指定模型作为所述第一酒驾欺诈识别模型。

36、进一步的，所述对所述初始样本数据进行样本增强处理，得到对应的样本数据的步骤，具体包括：

37、基于预设的目标过采样方法对所述初始样本数据进行样本生成处理，得到对应的第一样本数据；

38、调用预先训练好的样本生成模型；

39、基于所述样本生成模型对所述初始样本数据进行样本生成处理，得到对应的第二样本数据；

40、基于所述第一样本数据、所述第二样本数据与所述初始样本数据构建得到所述样本数据。

41、进一步的，所述基于预设的目标过采样方法对所述初始样本数据进行样本生成处理，得到对应的第一样本数据的步骤，具体包括：

42、获取所述初始样本数据中的少数类样本；

43、对所述少数类样本进行插值处理，得到对应的合成样本；

44、对所述合成样本与所述初始样本数据进行整合处理，得到处理后的整合样本；

45、将所述整合样本作为所述第一样本数据。

46、为了解决上述技术问题，本技术实施例还提供一种基于人工智能的酒驾欺诈行为识别装置，采用了如下所述的技术方案：

47、第一获取模块，用于获取用户的用户标签数据与用户行为数据；

48、预处理模块，用于对所述用户标签数据进行预处理得到对应的标签数据，以及对所述用户行为数据进行预处理得到对应的行为数据；

49、提取模块，用于对所述标签数据与所述行为数据进行特征提取，得到对应的第一特征；其中，所述第一特征的数量包括多个；

50、整合模块，用于对所有所述第一特征进行特征整合处理得到第二特征；

51、第一识别模块，用于调用预先训练好的第一酒驾欺诈识别模型对所述第二特征进行识别处理，得到对应的第一预测结果；其中，所述第一酒驾欺诈识别模型为基于预先采集的样本数据对卷积神经网络进行训练后生成的模型；

52、第二识别模块，用于调用预先训练好的第二酒驾欺诈识别模型对所述第二特征进行识别处理，得到对应的第二预测结果；其中，所述第二酒驾欺诈识别模型为基于所述样本数据对循环神经网络进行训练后生成的模型；

53、生成模块，用于基于预设的融合策略对所述第一预测结果与所述第二预测结果进行融合处理，生成与所述用户对应的酒驾欺诈识别结果。

54、为了解决上述技术问题，本技术实施例还提供一种计算机设备，采用了如下所述的技术方案：

55、所述计算机设备，包括存储器和处理器，所述存储器中存储有计算机程序，所述处理器执行所述计算机程序时实现本技术实施例中提出的任一项所述的基于人工智能的酒驾欺诈行为识别方法的步骤。

56、为了解决上述技术问题，本技术实施例还提供一种计算机可读存储介质，采用了如下所述的技术方案：

57、所述计算机可读存储介质上存储有计算机程序，所述计算机程序被处理器执行时实现本技术实施例中提出的任一项所述的基于人工智能的酒驾欺诈行为识别方法的步骤。

58、与现有技术相比，本技术实施例主要有以下有益效果：

59、本技术实施例中，获取用户的用户标签数据与用户行为数据；对所述用户标签数据进行预处理得到对应的标签数据，以及对所述用户行为数据进行预处理得到对应的行为数据；对所述标签数据与所述行为数据进行特征提取，得到对应的第一特征；其中，所述第一特征的数量包括多个；对所有所述第一特征进行特征整合处理得到第二特征；调用预先训练好的第一酒驾欺诈识别模型对所述第二特征进行识别处理，得到对应的第一预测结果；其中，所述第一酒驾欺诈识别模型为基于预先采集的样本数据对卷积神经网络进行训练后生成的模型；调用预先训练好的第二酒驾欺诈识别模型对所述第二特征进行识别处理，得到对应的第二预测结果；其中，所述第二酒驾欺诈识别模型为基于所述样本数据对循环神经网络进行训练后生成的模型；基于预设的融合策略对所述第一预测结果与所述第二预测结果进行融合处理，生成与所述用户对应的酒驾欺诈识别结果。本技术通过充分利用用户的用户标签数据与用户行为数据，并结合第一酒驾欺诈识别模型与第二酒驾欺诈识别模型对用户标签数据与用户行为数据进行识别处理，进而基于融合策略对第一酒驾欺诈识别模型与第二酒驾欺诈识别模型输出的预测结果进行融合处理以生成与所述用户对应的酒驾欺诈识别结果。不同于现有的基于人工审核和现场调查的识别方式，通过本技术可以实现快速准确地识别出酒驾欺诈行为，有效地提高了酒驾欺诈行为的识别效率，提高了生成的酒驾欺诈识别结果的准确性。

技术特征：

1.一种基于人工智能的酒驾欺诈行为识别方法，其特征在于，包括下述步骤：

2.根据权利要求1所述的基于人工智能的酒驾欺诈行为识别方法，其特征在于，所述基于预设的融合策略对所述第一预测结果与所述第二预测结果进行融合处理，生成与所述用户对应的酒驾欺诈识别结果的步骤，具体包括：

3.根据权利要求2所述的基于人工智能的酒驾欺诈行为识别方法，其特征在于，在所述判断所述第一投票结果与所述第二投票结果是否相同的步骤之后，还包括：

4.根据权利要求1所述的基于人工智能的酒驾欺诈行为识别方法，其特征在于，所述对所述用户行为数据进行预处理得到对应的行为数据的步骤，具体包括：

5.根据权利要求1所述的基于人工智能的酒驾欺诈行为识别方法，其特征在于，在所述调用预先训练好的第一酒驾欺诈识别模型对所述第二特征进行识别处理，得到对应的第一预测结果的步骤之前，还包括：

6.根据权利要求5所述的基于人工智能的酒驾欺诈行为识别方法，其特征在于，所述对所述初始样本数据进行样本增强处理，得到对应的样本数据的步骤，具体包括：

7.根据权利要求6所述的基于人工智能的酒驾欺诈行为识别方法，其特征在于，所述基于预设的目标过采样方法对所述初始样本数据进行样本生成处理，得到对应的第一样本数据的步骤，具体包括：

8.一种基于人工智能的酒驾欺诈行为识别装置，其特征在于，包括：

9.一种计算机设备，其特征在于，包括存储器和处理器，所述存储器中存储有计算机可读指令，所述处理器执行所述计算机可读指令时实现如权利要求1至7中任一项所述的基于人工智能的酒驾欺诈行为识别方法的步骤。

10.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质上存储有计算机可读指令，所述计算机可读指令被处理器执行时实现如权利要求1至7中任一项所述的基于人工智能的酒驾欺诈行为识别方法的步骤。

技术总结
本申请属于人工智能领域与金融科技领域，涉及一种基于人工智能的酒驾欺诈行为识别方法，包括：获取用户的用户标签数据与用户行为数据；对用户标签数据与用户行为数据进行预处理得到标签数据与行为数据；对标签数据与行为数据进行特征提取得到第一特征；对第一特征进行整合得到第二特征；调用第一酒驾欺诈识别模型与第二酒驾欺诈识别模型分别对第二特征进行识别得到对应的第一预测结果与第二预测结果；对第一预测结果与第二预测结果进行融合生成用户的酒驾欺诈识别结果。本申请还提供一种基于人工智能的酒驾欺诈行为识别装置、计算机设备及存储介质。此外，酒驾欺诈识别结果可存储于区块链中。本申请提高了酒驾欺诈行为的识别效率与识别准确性。

技术研发人员：杨逢
受保护的技术使用者：中国平安财产保险股份有限公司
技术研发日：
技术公布日：2024/12/5