基于人工智能的预警方法、装置、电子设备及存储介质与流程

本发明涉及人工智能，具体涉及一种基于人工智能的预警方法、装置、电子设备及存储介质。

背景技术：

1、目前，对客户咨诉问题进行风险预警是客户风险预警中的重要一环，传统客户风险预警系统一般基于预定规则进行预警。

2、然而，基于预定规则进行预警，需要预先设置预警规则，预警规则主要根据专家经验设置，具有一定的主观和局限性，导致预警准确率低。

3、因此，有必要提出一种可以准确的进行预警的方法。

技术实现思路

1、鉴于以上内容，有必要提出一种基于人工智能的预警方法、装置、电子设备及存储介质，通过从多个维度考虑进行最终预警分值确定，提高了预警准确率。

2、本发明的第一方面提供一种基于人工智能的预警方法，所述方法包括：

3、从预设的数据源中获取第一数据集；

4、对所述第一数据集进行第一预处理，得到第二数据集；

5、对所述第二数据集进行第二预处理，得到目标特征集；

6、按照预设的多个指标，从所述目标特征集中筛选出第一样本集、第二样本集和第三样本集；

7、将所述第一样本集、第二样本集和第三样本集分别输入至对应指标的深度学习模型中，得到第一预警分值、第二预警分值和第三预警分值；

8、根据所述第一预警分值、所述第二预警分值和所述第三预警分值，确定最终预警分值；

9、基于所述目标预警分值执行预警操作。

10、可选地，所述对所述第二数据集进行第二预处理，得到目标特征集包括：

11、按照数据的属性特征，对所述第二数据集进行特征分类，得到多个子数据集；

12、对每个所述子数据集进行特征提取，得到对应的特征集；

13、对所述多个子数据集的多个特征集进行融合处理，得到目标特征集。

14、可选地，所述数据的属性特征包括以下一种或多种的组合：连续特征；离散特征；文本特征；音频特征。

15、可选地，所述对每个所述子数据集进行特征提取，得到对应的特征集包括：

16、当所述子数据集中的数据的属性特征为所述连续特征时，对所述子数据集进行特征标准化处理，得到对应的特征集；和/或

17、当所述子数据集中的数据的属性特征为所述离散特征时，对所述子数据集进行编码处理，得到对应的特征集；和/或

18、当所述子数据集中的数据的属性特征为所述文本特征时，将所述子数据集输入至预先训练的第一模型中，得到对应的特征集；和/或

19、当所述子数据集中的数据的属性特征为所述音频特征时，将所述子数据集输入至预先训练的第二模型中，得到对应的特征集。

20、可选地，所述按照预设的多个指标，从所述目标特征集中筛选出第一样本集、第二样本集和第三样本集包括：

21、从所述目标特征集中筛选出表格数据特征集，确定为第一样本集，其中，所述表格数据特征集包含有数值类型特征和枚举类型特征；

22、从所述目标特征集中筛选出特征所对应标签的预警分值满足粗分类阈值要求的特征集，确定为第二样本集；

23、从所述第二样本集中筛选出特征所对应标签的预警分值满足精分类阈值要求的特征集，确定为第三样本集。

24、可选地，所述根据所述第一预警分值、所述第二预警分值和所述第三预警分值，确定最终预警分值包括：

25、获取预设的每个所述指标的预设权重值；

26、计算所述第一预警分值与对应指标的预设权重值的乘积，得到第一最终预警分值；

27、计算所述第二预警分值与对应指标的预设权重值的乘积，得到第二最终预警分值；

28、计算所述第三预警分值与对应指标的预设权重值的乘积，得到第三最终预警分值；

29、计算所述第一最终预警分值、所述第二最终预警分值和所述第三最终预警分值的总和，得到最终预警分值。

30、可选地，在所述确定最终预警分值之后，所述方法还包括：

31、根据所述最终预警分值和目标预警分值，获取梯度模长；

32、将所述梯度模长分别嵌入至预先训练的第一深度学习模型、预先训练的第二深度学习模型和预先训练的第三深度学习模型的损失函数中更新样本梯度，得到更新后的第一深度学习模型、更新后的第二深度学习模型和更新后的第三深度学习模型。

33、本发明的第二方面提供一种基于人工智能的预警装置，所述装置包括：

34、获取模块，用于从预设的数据源中获取第一数据集；

35、第一预处理模块，用于对所述第一数据集进行第一预处理，得到第二数据集；

36、第二预处理模块，用于对所述第二数据集进行第二预处理，得到目标特征集；

37、筛选模块，用于按照预设的多个指标，从所述目标特征集中筛选出第一样本集、第二样本集和第三样本集；

38、输入模块，用于将所述第一样本集、第二样本集和第三样本集分别输入至对应指标的深度学习模型中，得到第一预警分值、第二预警分值和第三预警分值；

39、确定模块，用于根据所述第一预警分值、所述第二预警分值和所述第三预警分值，确定最终预警分值；

40、执行模块，用于基于所述目标预警分值执行预警操作。

41、本发明的第三方面提供一种电子设备，所述电子设备包括处理器和存储器，所述处理器用于执行所述存储器中存储的计算机程序时实现所述的基于人工智能的预警方法。

42、本发明的第四方面提供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计算机程序，所述计算机程序被处理器执行时实现所述的基于人工智能的预警方法。

43、综上所述，本发明所述的基于人工智能的预警方法、装置、电子设备及存储介质，能够推动智慧城市的建设，应用于智慧建筑、智慧安防、智慧社区、智慧生活、物联网等领域，通过对所述第一数据集进行第一预处理，得到第二数据集，删除问题数据，提高了第二数据集的质量。对所述第二数据集进行第二预处理，得到目标特征集，在第二预处理过程中，从多个维度的数据的属性特征考虑，采用不同的处理方式，充分挖掘了所述第二数据集中的特征，提高了目标特征集的完整性和准确性。按照预设的多个指标，从所述目标特征集中筛选出第一样本集、第二样本集和第三样本集，分别输入至对应指标的深度学习模型中，得到第一预警分值、第二预警分值和第三预警分值，并确定最终预警分值执行预警操作，在执行预警操作时，深度学习模型可以自动学习不同客户群体的分类特征，无需人为制定预警规则，解决了传统的采用人为制定的预警规则进行预警，所导致的预警准确率低的问题，提高了预警准确率。

技术特征：

1.一种基于人工智能的预警方法，其特征在于，所述方法包括：

2.如权利要求1所述的基于人工智能的预警方法，其特征在于，所述对所述第二数据集进行第二预处理，得到目标特征集包括：

3.如权利要求2所述的基于人工智能的预警方法，其特征在于，所述数据的属性特征包括以下一种或多种的组合：连续特征；离散特征；文本特征；音频特征。

4.如权利要求3所述的基于人工智能的预警方法，其特征在于，所述对每个所述子数据集进行特征提取，得到对应的特征集包括：

5.如权利要求1所述的基于人工智能的预警方法，其特征在于，所述按照预设的多个指标，从所述目标特征集中筛选出第一样本集、第二样本集和第三样本集包括：

6.如权利要求1所述的基于人工智能的预警方法，其特征在于，所述根据所述第一预警分值、所述第二预警分值和所述第三预警分值，确定最终预警分值包括：

7.如权利要求6所述的基于人工智能的预警方法，其特征在于，在所述确定最终预警分值之后，所述方法还包括：

8.一种基于人工智能的预警装置，其特征在于，所述装置包括：

9.一种电子设备，其特征在于，所述电子设备包括处理器和存储器，所述处理器用于执行所述存储器中存储的计算机程序时实现如权利要求1至7中任意一项所述的基于人工智能的预警方法。

10.一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计算机程序，其特征在于，所述计算机程序被处理器执行时实现如权利要求1至7中任意一项所述的基于人工智能的预警方法。

技术总结
本发明涉及人工智能技术领域，提供一种基于人工智能的预警方法、装置、电子设备及存储介质，所述方法包括：从预设的数据源中获取第一数据集；对第一数据集进行第一预处理，得到第二数据集；对第二数据集进行第二预处理，得到目标特征集；按照预设的多个指标，从目标特征集中筛选出第一样本集、第二样本集和第三样本集；将第一样本集、第二样本集和第三样本集分别输入至对应指标的深度学习模型中，得到第一预警分值、第二预警分值和第三预警分值；根据第一预警分值、第二预警分值和第三预警分值，确定最终预警分值；基于目标预警分值执行预警操作。本发明通过从多个维度考虑进行最终预警分值确定，提高了预警准确率。

技术研发人员：杨海清,黎立桂
受保护的技术使用者：平安科技（深圳）有限公司
技术研发日：
技术公布日：2024/1/12