电子装置、基于路况因子的车险查勘调度方法及存储介质与流程

本发明涉及车险优惠领域，尤其涉及一种电子装置、基于路况因子的车险查勘调度方法及存储介质。

背景技术：

随着保险业务在各行各业的普及，车辆保险几乎渗透在每一位车辆用户中。但是，现有技术中，当车辆发生事故需要进行查勘任务分配时，往往仅考虑出险案件的案件信息，如出险案件的地点、案件类型、受损程度等案件信息，而忽略了查勘员到出险地点的路况因子，有可能由于路况等环境因素造成查勘员不能准时到达，而延误对案件的及时处理，影响客户对服务的满意度。

技术实现要素：

有鉴于此，本发明提出一种电子装置、所述电子装置包括存储器、及与所述存储器连接的处理器，所述处理器用于执行所述存储器上存储的基于路况因子的车险查勘调度程序，所述基于路况因子的车险查勘调度程序被所述处理器执行时实现如下步骤：

a10、接收到车险报案请求后，获取车险案件信息，所述案件信息包括出险案件的第一地理位置以及案件类型；

a20、基于所述案件类型查询预存的案件类型与查勘任务以及查勘员之间的映射关系表，以确定该案件的查勘任务以及与查勘任务相匹配的各个查勘员，分别获取相匹配的各个查勘员当前所在的第二地理位置；

a30、分别确定所述第一地理位置与所述第二地理位置之间的各出行路线，获取确定的各出行路线上的路况因子；

a40、将获取的各出行路线上的路况因子输入到梯度提升决策树模型，得到所述梯度提升决策树模型输出的预测结果数据，所述预测结果数据为从确定的所述各出行路线中，决策出的所需时间最短的出行路线；

a5、根据决策出的所需时间最短的出行路线对应的第二地理位置，确定在向在该第二地理位置的查勘员分配该案件的查勘任务。

优选地，在所述步骤a40中，所述梯度提升决策树模型的训练过程包括：

b10：获取用于训练的样本集；所述样本集由预设数量的路况因子、时间数据对构成；

所述样本集：z∶z＝{(x1，y1)，(x2，y2)，(x3，y3)，...，(xi，yi)，...，(xn，yn)}，其中，xi可以表示从所述第一地理位置到第i个第二地理位置的出行路线对应的路况因子，yi可以表示行驶该第i个出行路线所需的时间数据；

b20：基于梯度提升决策树回归算法结合所述样本集训练得到梯度提升决策树模型。

优选地，所述步骤b20包括：

c10、配置梯度提升决策树回归算法的最大迭代次数t和损失函数l；

c20、初始化所述损失函数l的弱学习器：

对该初始化的弱学习器进行最大迭代次数t轮的迭代计算，以得到梯度提升决策树模型。

优选地，在所述步骤c20中，对所述初始化的弱学习器每次进行迭代计算的过程，包括：

d10、将样本集z中i＝1，2，...，n的数据，代入计算负梯度的公式中，计算负梯度，所述计算负梯度公式为：

其中，rti为第i个负梯度，为偏导符号，l(y，f(xi))为损失函数；

d20：根据所计算出的负梯度，拟合一颗cart回归树；

d30：将所述cart回归树的叶子区域，代入计算最佳拟合值的公式，所述计算最佳拟合值的公式为：

其中，ctj为最佳拟合值，rtj为cart回归树的叶子区域，且j＝1，2，...，j，j为cart回归树叶子节点的个数。

d40：根据计算的最佳拟合值，更新所述弱学习器，以得到强学习器，所述强学习器为：

d50：将更新后的强学习器作为下一轮迭代的弱学习器，重复执行上述步骤d10、d20、d30，以进行下一轮迭代，直至达到最大迭代次数t。

优选地，所述路况因子包括所述出行路线的道路路基、路面、道路周围建筑以及道路交通情况。

此外，为实现上述目的，本发明还提出一种基于路况因子的车险查勘调度基于路况因子的车险查勘调度方法，其特征在于，所述方法包括如下步骤：

s10、接收到车险报案请求后，获取车险案件信息，所述案件信息包括出险案件的第一地理位置以及案件类型；

s20、基于所述案件类型查询预存的案件类型与查勘任务以及查勘员之间的映射关系表，以确定该案件的查勘任务以及与查勘任务相匹配的各个查勘员，分别获取相匹配的各个查勘员当前所在的第二地理位置；

s30、分别确定所述第一地理位置与所述第二地理位置之间的各出行路线，获取确定的各出行路线上的路况因子；

s40、将获取的各出行路线上的路况因子输入到梯度提升决策树模型，得到所述梯度提升决策树模型输出的预测结果数据，所述预测结果数据为从确定的所述各出行路线中，决策出的所需时间最短的出行路线；

s50、根据决策出的所需时间最短的出行路线对应的第二地理位置，确定在向在该第二地理位置的查勘员分配该案件的查勘任务。

优选地，在所述步骤s40中，所述梯度提升决策树模型的训练过程包括：

b11：获取用于训练的样本集；所述样本集由预设数量的路况因子、时间数据对构成；

所述样本集：z∶z＝{(x1，y1)，(x2，y2)，(x3，y3)，...，(xi，yi)，...，(xn，yn)}，其中，xi可以表示从所述第一地理位置到第i个第二地理位置的出行路线对应的路况因子，yi可以表示行驶该第i个出行路线所需的时间数据；

b21：基于梯度提升决策树回归算法结合所述样本集训练得到梯度提升决策树模型。

优选地，所述步骤b21包括：

c11、配置梯度提升决策树回归算法的最大迭代次数t和损失函数l；

c21、初始化所述损失函数l的弱学习器：

对该初始化的弱学习器进行最大迭代次数t轮的迭代计算，以得到梯度提升决策树模型。

优选地，在所述步骤c21中，对所述初始化的弱学习器每次进行迭代计算的过程，包括：

d11、将样本集z中i＝1，2，...，n的数据，代入计算负梯度的公式中，计算负梯度，所述计算负梯度公式为：

其中，rti为第i个负梯度，为偏导符号，l(y，f(xi))为损失函数；

d21：根据所计算出的负梯度，拟合一颗cart回归树；

d31：将所述cart回归树的叶子区域，代入计算最佳拟合值的公式，所述计算最佳拟合值的公式为：

其中，ctj为最佳拟合值，rtj为cart回归树的叶子区域，且j＝1，2，...，j，j为cart回归树叶子节点的个数。

d41：根据计算的最佳拟合值，更新所述弱学习器，以得到强学习器，所述强学习器为：

d51：将更新后的强学习器作为下一轮迭代的弱学习器，重复执行上述步骤d11、d21、d31，以进行下一轮迭代，直至达到最大迭代次数t。

此外，为实现上述目的，本发明还提出一种计算机可读存储介质，所述计算机可读存储介质存储有基于路况因子的车险查勘调度程序，所述基于路况因子的车险查勘调度程序可被至少一个处理器执行，以使所述至少一个处理器执行如上所述的基于路况因子的车险查勘调度方法的步骤。

本发明所提出的电子装置、基于路况因子的车险查勘调度方法及存储介质，首先在接收到车险报案请求后，获取车险案件信息，所述案件信息包括出险案件的第一地理位置以及案件类型；其次基于所述案件类型查询预存的案件类型与查勘任务以及查勘员之间的映射关系表，以确定该案件的查勘任务以及与查勘任务相匹配的各个查勘员，分别获取相匹配的各个查勘员当前所在的第二地理位置；然后分别确定所述第一地理位置与所述第二地理位置之间的各出行路线，获取确定的各出行路线上的路况因子；再次将获取的各出行路线上的路况因子输入到梯度提升决策树模型，得到所述梯度提升决策树模型输出的预测结果数据，所述预测结果数据为从确定的所述各出行路线中，决策出的所需时间最短的出行路线；最后根据决策出的所需时间最短的出行路线对应的第二地理位置，确定在向在该第二地理位置的查勘员分配该案件的查勘任务。能够根据路况因子排除造成查勘员不能准时到达的意外因素，提高案件处理的及时准确性，提升客户对服务的满意度。

附图说明

图1是本发明提出的电子装置一可选的硬件架构的示意图；

图2是本发明电子装置一实施例中基于路况因子的车险查勘调度程序的程序模块示意图；

图3是本发明基于路况因子的车险查勘调度方法较佳实施例的实施流程图。

本发明目的的实现、功能特点及优点将结合实施例，参照附图做进一步说明。

具体实施方式

为了使本发明的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本发明进行进一步详细说明。应当理解，此处所描述的具体实施例仅用以解释本发明，并不用于限定本发明。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。

需要说明的是，在本发明中涉及“第一”、“第二”等的描述仅用于描述目的，而不能理解为指示或暗示其相对重要性或者隐含指明所指示的技术特征的数量。由此，限定有“第一”、“第二”的特征可以明示或者隐含地包括至少一个该特征。另外，各个实施例之间的技术方案可以相互结合，但是必须是以本领域普通技术人员能够实现为基础，当技术方案的结合出现相互矛盾或无法实现时应当认为这种技术方案的结合不存在，也不在本发明要求的保护范围之内。

参阅图1所示，是本发明提出的电子装置一可选的硬件架构示意图。本实施例中，电子装置10可包括，但不仅限于，可通过通信总线14相互通信连接存储器11、处理器12、网络接口13。需要指出的是，图1仅示出了具有组件11-14的电子装置10，但是应理解的是，并不要求实施所有示出的组件，可以替代的实施更多或者更少的组件。

其中，存储器11至少包括一种类型的计算机可读存储介质，计算机可读存储介质包括闪存、硬盘、多媒体卡、卡型存储器(例如，sd或dx存储器等)、随机访问存储器(ram)、静态随机访问存储器(sram)、只读存储器(rom)、电可擦除可编程只读存储器(eeprom)、可编程只读存储器(prom)、磁性存储器、磁盘、光盘等。在一些实施例中，存储器11可以是电子装置10的内部存储单元，例如电子装置10的硬盘或内存。在另一些实施例中，存储器11也可以是电子装置10的外包存储设备，例如电子装置10上配备的插接式硬盘，智能存储卡(smartmediacard,smc)，安全数字(securedigital,sd)卡，闪存卡(flashcard)等。当然，存储器11还可以既包括电子装置10的内部存储单元也包括其外包存储设备。本实施例中，存储器11通常用于存储安装于电子装置10的操作系统和各类应用软件，例如基于路况因子的车险查勘调度程序等。此外，存储器11还可以用于暂时地存储已经输出或者将要输出的各类数据。

处理器12在一些实施例中可以是中央处理器(centralprocessingunit，cpu)、控制器、微控制器、微处理器、或其他数据处理芯片。处理器12通常用于控制电子装置10的总体操作。本实施例中，处理器12用于运行存储器11中存储的程序代码或者处理数据，例如运行的基于路况因子的车险查勘调度程序等。

网络接口13可包括无线网络接口或有线网络接口，网络接口13通常用于在电子装置10与其他电子设备之间建立通信连接。

通信总线14用于实现组件11-13之间的通信连接。

图1仅示出了具有组件11-14以及基于路况因子的车险查勘调度程序的电子装置10，但是应理解的是，并不要求实施所有示出的组件，可以替代的实施更多或者更少的组件。

可选地，电子装置10还可以包括用户接口(图1中未示出)，用户接口可以包括显示器、输入单元比如键盘，其中，用户接口还可以包括标准的有线接口、无线接口等。

可选地，在一些实施例中，显示器可以是led显示器、液晶显示器、触控式液晶显示器以及oled触摸器等。进一步地，显示器也可称为显示屏或显示单元，用于显示在电子装置10中处理信息以及用于显示可视化的用户界面。

可选地，在一些实施例中，电子装置10还可以包括音频单元(音频单元图1中未示出)，音频单元可以在电子装置10处于呼叫信号接收模式、通话模式、记录模式、语音识别模式、广播接收模式等等模式下时，将接收的或者存储的音频数据转换为音频信号；进一步地，电子装置10还可以包括音频输出单元，音频输出单元将音频单元转换的音频信号输出，而且音频输出单元还可以提供与电子装置10执行的特定功能相关的音频输出(例如呼叫信号接收声音、消息接收声音等等)，音频输出单元可以包括扬声器、蜂鸣器等等。

可选地，在一些实施例中，电子装置10还可以包括警报单元(图中未示出)，警报单元可以提供输出已将事件的发生通知给电子装置10。典型的事件可以包括呼叫接收、消息接收、键信号输入、触摸输入等等。除了音频或者视频输出之外，警报单元可以以不同的方式提供输出以通知事件的发生。例如，警报单元可以以震动的形式提供输出，当接收到呼叫、消息或一些其他可以使电子装置10进入通信模式时，警报单元可以提供触觉输出(即，振动)以将其通知给用户。

在一实施例中，存储器11中存储的基于路况因子的车险查勘调度程序被处理器12执行时，实现如下操作：

a、接收到车险报案请求后，获取车险案件信息，所述案件信息包括出险案件的第一地理位置以及案件类型；

具体地，如坐席接收车险案件报案人的电话，由车险案件报案人将相关案件信息告诉坐席，并将相关案件信息录入，即接收车险案件信息。也可以根据车险案件报案人的语言信息提取相应的车险案件信息。优选地，所述案件信息还包括所属保险公司、受损部件的名称、受损程度、受损位置等。

b、基于所述案件类型查询预存的案件类型与查勘任务以及查勘员之间的映射关系表，以确定该案件的查勘任务以及与查勘任务相匹配的各个查勘员，分别获取相匹配的各个查勘员当前所在的第二地理位置；

c、分别确定所述第一地理位置与所述第二地理位置之间的各出行路线，获取确定的各出行路线上的路况因子；

具体地，可以通过向交通监管部门的交通数据库发送获取确定的各个出行路线上的路况因子的请求，以获得确定的各个出行路线上的路况因子。其中，所述路况因子可以记录在图片或者视频文件中，所述路况因子可以包含有在所述出行路线的道路路基、路面、道路周围建筑等情况，例如，路基的类型，路面的坑洼程度，道路周围建筑高矮，路面的积水等，也可以包含在所述出行路线的道路交通情况，例如，道路上行驶的车辆密集情况，人流密集情况、道路交通堵塞的程度等，还可以包含有在所述出行路线中的影像及声音。本实施例中获取到的路况因子是保存在交通监管部门的交通数据库中的，通过具有高清分辨率的摄像头来拍摄得到的图片信息和/或，影像信息。

d、将获取的各出行路线上的路况因子输入到梯度提升决策树模型，得到所述梯度提升决策树模型输出的预测结果数据，所述预测结果数据为从确定的所述各出行路线中，决策出的所需时间最短的出行路线；

具体地，梯度提升决策树模型简称为gbdt(gradientboostingdecisiontree)又称为mart(multipleadditiveregressiontree)、gbt(gradientboostingtree)、gtb(gradienttreeboosting)或者gbrt(gradientboostingregressiontree)，在本实施例中，统一称为gbdt。所述gbdt是一种迭代的决策树算法，该算法可以由多棵决策树组成，所有这些决策树的结果累加起来后即可以得到最终结果。具体的，gbdt的迭代可以使用前向分布算法(forwardstagewisealgorithm)，并且弱学习器可以使用cart回归树模型。在gbdt的迭代中，假设前一轮迭代得到的强学习器是ft-1(x)，损失函数是l(y，ft-1(x))，则本轮迭代的目标可以是找到一cart回归树模型的弱学习器ht(x)，从而使得本轮的损失l(y，ft(x))＝l(y，ft-1(x))+ht(x)最小。可以理解为，本轮迭代找到的决策树，是要让样本的损失尽量变得更小。在本实施例中，所述梯度提升决策数(gbdt)模型，可以通过如下方式训练得到：b10：获取用于训练的样本集；所述样本集由预设数量的路况因子、时间数据对构成；例如如下所示的样本集z∶z＝{(x1，y1)，(x2，y2)，(x3，y3)，...，(xi，yi)，...，(xn，yn)}，其中，xi可以表示从所述第一地理位置到第i个第二地理位置的出行路线对应的路况因子，yi可以表示行驶该第i个出行路线所需的时间数据。b20：基于梯度提升决策树回归算法结合所述样本集训练得到梯度提升决策树模型。通常，梯度提升决策树回归算法还需要配置最大迭代次数t和损失函数l。所述最大迭代次数t可以是人为设置的一个经验值。所述损失函数l可以采用业内常用的针对gbdt回归算的损失函数例如，均方差损失函数：l(y，f(x))＝(y-f(x))2，绝对损失函数：l(y，f(x))＝|y-f(x)|，所述绝对损失函数对应负梯度误差为sign(yi-f(xi))；所述sign函数为符号函数。需要说明的是，上述的损失函数仅为示例，本实施例并不对具体采用的损失函数进行限定。

具体地，所述梯度提升决策树模型的训练过程包括：首先，初始化一个弱学习器如下所示：

接着：进行t(最大迭代次数)轮的迭代计算；每一次迭代过程如下：

d10：根据样本集z中i＝1，2，...，n的数据，计算负梯度。具体地，计算负梯度可以通过如下公式：

其中，rti为第i个负梯度，为偏导符号，l(y，f(xi))为损失函数。也就是说，每一个x个都对应有一个负梯度，即(xi，rti)，i＝1，2，...，n。

d20：根据所计算出的负梯度，拟合一颗cart回归树。

如前所述，根据负梯度(xi，rti)，i＝1，2，...，n；就可以拟合一颗cart回归树，其中，对应的叶子节点区域rtj，j＝1，2，...，j，j为所述cart回归树叶子节点的个数。

d30：根据所述cart回归树的叶子区域，计算最佳拟合值。

计算最佳拟合值可以通过如下公式：

其中，ctj为最佳拟合值，rtj为cart回归树的叶子区域，且j＝1，2，...，j，j为cart回归树叶子节点的个数。

d40：根据计算的最佳拟合值，更新强学习器，得到更新之后的强学习器；

具体地，更新之后的强学习器为：

d50：将更新后的强学习器作为下一轮迭代的弱学习器，进行下一轮迭代；直至达到最大迭代次数。

最后，将最后一次迭代计算得出的强学习器的表达式为：

确定为gbdt模型。至此，gbdt模型构建完成。

e、根据决策出的所需时间最短的出行路线对应的第二地理位置，确定在向在该第二地理位置的查勘员分配该案件的查勘任务。

由上述事实施例可知，本发明提出的电子装置，首先在接收到车险报案请求后，获取车险案件信息，所述案件信息包括出险案件的第一地理位置以及案件类型；其次基于所述案件类型查询预存的案件类型与查勘任务以及查勘员之间的映射关系表，以确定该案件的查勘任务以及与查勘任务相匹配的各个查勘员，分别获取相匹配的各个查勘员当前所在的第二地理位置；然后分别确定所述第一地理位置与所述第二地理位置之间的各出行路线，获取确定的各出行路线上的路况因子；再次将获取的各出行路线上的路况因子输入到梯度提升决策树模型，得到所述梯度提升决策树模型输出的预测结果数据，所述预测结果数据为从确定的所述各出行路线中，决策出的所需时间最短的出行路线；最后根据决策出的所需时间最短的出行路线对应的第二地理位置，确定在向在该第二地理位置的查勘员分配该案件的查勘任务。能够根据路况因子排除造成查勘员不能准时到达的意外因素，提高案件处理的及时准确性，提升客户对服务的满意度。

此外，本发明的基于路况因子的车险查勘调度程序依据其各部分所实现的功能不同，可用具有相同功能的程序模块进行描述。请参阅图2所示，是本发明电子装置一实施例中基于路况因子的车险查勘调度程序的程序模块示意图。本实施例中，基于路况因子的车险查勘调度程序依据其各部分所实现的功能的不同，可以被分割成获取模块201、第一确定模块202、第二确定模块203、预测模块204以及分配模块205。由上面的描述可知，本发明所称的程序模块是指能够完成特定功能的一系列计算机程序指令段，比程序更适合于描述基于路况因子的车险查勘调度程序在电子装置10中的执行过程。所述模块201-205所实现的功能或操作步骤均与上文类似，此处不再详述，示例性地，例如其中：

获取模块201用于在接收到车险报案请求后，获取车险案件信息，所述案件信息包括出险案件的第一地理位置以及案件类型；

第一确定模块202用于基于所述案件类型查询预存的案件类型与查勘任务以及查勘员之间的映射关系表，以确定该案件的查勘任务以及与查勘任务相匹配的各个查勘员，分别获取相匹配的各个查勘员当前所在的第二地理位置；

第二确定模块203用于分别确定所述第一地理位置与所述第二地理位置之间的各出行路线，获取确定的各出行路线上的路况因子；

预测模块204用于将获取的各出行路线上的路况因子输入到梯度提升决策树模型，得到所述梯度提升决策树模型输出的预测结果数据，所述预测结果数据为从确定的所述各出行路线中，决策出的所需时间最短的出行路线；

分配模块205用于根据决策出的所需时间最短的出行路线对应的第二地理位置，确定在向在该第二地理位置的查勘员分配该案件的查勘任务。

此外，本发明还提出一种基于路况因子的车险查勘调度基于路况因子的车险查勘调度方法，请参阅图3所示，所述基于路况因子的车险查勘调度基于路况因子的车险查勘调度方法包括如下步骤：

s301、接收到车险报案请求后，获取车险案件信息，所述案件信息包括出险案件的第一地理位置以及案件类型；

具体地，如坐席接收车险案件报案人的电话，由车险案件报案人将相关案件信息告诉坐席，并将相关案件信息录入，即接收车险案件信息。也可以根据车险案件报案人的语言信息提取相应的车险案件信息。优选地，所述案件信息还包括所属保险公司、受损部件的名称、受损程度、受损位置等。

s302、基于所述案件类型查询预存的案件类型与查勘任务以及查勘员之间的映射关系表，以确定该案件的查勘任务以及与查勘任务相匹配的各个查勘员，分别获取相匹配的各个查勘员当前所在的第二地理位置；

s303、分别确定所述第一地理位置与所述第二地理位置之间的各出行路线，获取确定的各出行路线上的路况因子；

具体地，可以通过向交通监管部门的交通数据库发送获取确定的各个出行路线上的路况因子的请求，以获得确定的各个出行路线上的路况因子。其中，所述路况因子可以记录在图片或者视频文件中，所述路况因子可以包含有在所述出行路线的道路路基、路面、道路周围建筑等情况，例如，路基的类型，路面的坑洼程度，道路周围建筑高矮，路面的积水等，也可以包含在所述出行路线的道路交通情况，例如，道路上行驶的车辆密集情况，人流密集情况、道路交通堵塞的程度等，还可以包含有在所述出行路线中的影像及声音。本实施例中获取到的路况因子是保存在交通监管部门的交通数据库中的，通过具有高清分辨率的摄像头来拍摄得到的图片信息和/或，影像信息。

s304、将获取的各出行路线上的路况因子输入到梯度提升决策树模型，得到所述梯度提升决策树模型输出的预测结果数据，所述预测结果数据为从确定的所述各出行路线中，决策出的所需时间最短的出行路线；

具体地，梯度提升决策树模型简称为gbdt(gradientboostingdecisiontree)又称为mart(multipleadditiveregressiontree)、gbt(gradientboostingtree)、gtb(gradienttreeboosting)或者gbrt(gradientboostingregressiontree)，在本实施例中，统一称为gbdt。所述gbdt是一种迭代的决策树算法，该算法可以由多棵决策树组成，所有这些决策树的结果累加起来后即可以得到最终结果。具体的，gbdt的迭代可以使用前向分布算法(forwardstagewisealgorithm)，并且弱学习器可以使用cart回归树模型。在gbdt的迭代中，假设前一轮迭代得到的强学习器是ft-1(x),损失函数是l(y,ft-1(x)),则本轮迭代的目标可以是找到一cart回归树模型的弱学习器ht(x)，从而使得本轮的损失l(y,ft(x))＝l(y,ft-1(x))+ht(x)最小。可以理解为，本轮迭代找到的决策树，是要让样本的损失尽量变得更小。在本实施例中，所述梯度提升决策数(gbdt)模型，可以通过如下方式训练得到:b11：获取用于训练的样本集；所述样本集由预设数量的路况因子、时间数据对构成；例如如下所示的样本集z:z＝{(x1,y1),(x2,y2),(x3,y3),...,(xi,yi),...,(xn,yn)}，其中，xi可以表示从所述第一地理位置到第i个第二地理位置的出行路线对应的路况因子，yi可以表示行驶该第i个出行路线所需的时间数据。b21：基于梯度提升决策树回归算法结合所述样本集训练得到梯度提升决策树模型。通常，梯度提升决策树回归算法还需要配置最大迭代次数t和损失函数l。所述最大迭代次数t可以是人为设置的一个经验值。所述损失函数l可以采用业内常用的针对gbdt回归算的损失函数例如，均方差损失函数：l(y,f(x))＝(y-f(x))2，绝对损失函数：l(y,f(x))＝|y-f(x)|，所述绝对损失函数对应负梯度误差为sign(yi-f(xi))；所述sign函数为符号函数。需要说明的是，上述的损失函数仅为示例，本实施例并不对具体采用的损失函数进行限定。

具体地，所述梯度提升决策树模型的训练过程包括：首先，初始化一个弱学习器如下所示：

接着：进行t(最大迭代次数)轮的迭代计算；

每一次迭代过程如下：d11：根据样本集z中i＝1，2，...，n的数据，计算负梯度。具体地，计算负梯度可以通过如下公式为：

其中，rti为第i个负梯度，为偏导符号，l(y，f(xi))为损失函数。也就是说，每一个x个都对应有一个负梯度，即(xi，rti)，i＝1，2，...，n。

d21：根据所计算出的负梯度，拟合一颗cart回归树。

如前所述，根据负梯度(xi，rti)，i＝1，2，...，n；就可以拟合一颗cart回归树，其中，对应的叶子节点区域rtj，j＝1，2，...，j，j为所述cart回归树叶子节点的个数。

d31：根据所述cart回归树的叶子区域，计算最佳拟合值。

计算最佳拟合值可以通过如下公式：

其中，ctj为最佳拟合值，rtj为cart回归树的叶子区域，且j＝1，2，...，j，j为cart回归树叶子节点的个数。

d41：根据计算的最佳拟合值，更新强学习器，得到更新之后的强学习器；

具体地，更新之后的强学习器为：

d51：将更新后的强学习器作为下一轮迭代的弱学习器，进行下一轮迭代；直至达到最大迭代次数。

最后，将最后一次迭代计算得出的强学习器的表达式

确定为gbdt模型。至此，gbdt模型构建完成。

s305、根据决策出的所需时间最短的出行路线对应的第二地理位置，确定在向在该第二地理位置的查勘员分配该案件的查勘任务。

由上述事实施例可知，本发明提出的基于路况因子的车险查勘调度方法，首先在接收到车险报案请求后，获取车险案件信息，所述案件信息包括出险案件的第一地理位置以及案件类型；其次基于所述案件类型查询预存的案件类型与查勘任务以及查勘员之间的映射关系表，以确定该案件的查勘任务以及与查勘任务相匹配的各个查勘员，分别获取相匹配的各个查勘员当前所在的第二地理位置；然后分别确定所述第一地理位置与所述第二地理位置之间的各出行路线，获取确定的各出行路线上的路况因子；再次将获取的各出行路线上的路况因子输入到梯度提升决策树模型，得到所述梯度提升决策树模型输出的预测结果数据，所述预测结果数据为从确定的所述各出行路线中，决策出的所需时间最短的出行路线；最后根据决策出的所需时间最短的出行路线对应的第二地理位置，确定在向在该第二地理位置的查勘员分配该案件的查勘任务。能够根据路况因子排除造成查勘员不能准时到达的意外因素，提高案件处理的及时准确性，提升客户对服务的满意度。

此外，本发明还提出一种计算机可读存储介质，所述计算机可读存储介质上存储有基于路况因子的车险查勘调度基于路况因子的车险查勘调度程序，所述基于路况因子的车险查勘调度基于路况因子的车险查勘调度程序被处理器执行时实现如下操作：

接收到车险报案请求后，获取车险案件信息，所述案件信息包括出险案件的第一地理位置以及案件类型；

基于所述案件类型查询预存的案件类型与查勘任务以及查勘员之间的映射关系表，以确定该案件的查勘任务以及与查勘任务相匹配的各个查勘员，分别获取相匹配的各个查勘员当前所在的第二地理位置；

分别确定所述第一地理位置与所述第二地理位置之间的各出行路线，获取确定的各出行路线上的路况因子；

将获取的各出行路线上的路况因子输入到梯度提升决策树模型，得到所述梯度提升决策树模型输出的预测结果数据，所述预测结果数据为从确定的所述各出行路线中，决策出的所需时间最短的出行路线；

根据决策出的所需时间最短的出行路线对应的第二地理位置，确定在向在该第二地理位置的查勘员分配该案件的查勘任务。

本发明计算机可读存储介质具体实施方式与上述电子装置以及基于路况因子的车险查勘调度方法各实施例基本相同，在此不作累述。

上述本发明实施例序号仅仅为了描述，不代表实施例的优劣。

通过以上的实施方式的描述，本领域的技术人员可以清楚地了解到上述实施例方法可借助软件加必需的通用硬件平台的方式来实现，当然也可以通过硬件，但很多情况下前者是更佳的实施方式。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质(如rom/ram、磁碟、光盘)中，包括若干指令用以使得一台终端设备(可以是手机，计算机，服务器，空调器，或者网络设备等)执行本发明各个实施例所述的方法。

以上仅为本发明的优选实施例，并非因此限制本发明的专利范围，凡是利用本发明说明书及附图内容所作的等效结构或等效流程变换，或直接或间接运用在其他相关的技术领域，均同理包括在本发明的专利保护范围内。