本发明涉及人工智能的神经网络技术领域，尤其涉及一种车辆定损方法、装置、设备及存储介质。
背景技术：
随着大数据的发展与普及，用户大数据画像中能采集的数据越来越多，也越来越全面。如何将用户数据运用到传统的车险精算模型中一直是行业关注的重点。
传统的车险精算模型，如果加入用户风险因子，则需要该用户风险因子具有明确的风险相关性，同步则要求数据饱和度高。面对大数据维度多，数据稀疏性强的特征，无法将不饱和因子（也就是稀疏因子）加入到传统的模型中。
其中，不饱和数据指的是该类型的数据，只在一部分用户拥有，例如：驾驶行为数据，只有一部分车辆和用户授权模型使用驾驶行为数据。而这部分不饱和数据对出险风险具有很强的预测性，如果按照传统方法，将不饱和数据加入到传统模型中，由于大部分用户缺失该类型的数据，使得在整体模型并不能起到很强的效果，导致预测车辆损伤赔付金额的准确性低。
技术实现要素：
本发明提供了一种车辆定损方法、装置、设备及存储介质，用于通过预设的精算模型和训练好的残差网络模型确定车辆损伤赔付金额，提高车辆算损伤赔偿预测的准确性。
为实现上述目的，本发明第一方面提供了一种车辆定损方法，包括：接收车辆定损请求，按照所述车辆定损请求获取目标因子数据集，所述目标因子数据集包括驾驶人员因子数据、车辆因子数据、风险因子数据和驾驶行为因子数据；通过预设的精算模型对所述目标因子数据集进行风险预测，得到初始赔付风险预测结果；通过训练好的残差网络模型对所述驾驶行为因子数据进行风险识别处理，得到初始赔付风险残差值；根据所述初始赔付风险预测结果和所述初始赔付风险残差值计算目标赔付风险实际结果，基于所述目标赔付风险实际结果确定车辆损伤赔付金额。
可选的，在本发明第一方面的第一种实现方式中，所述通过训练好的残差网络模型对所述驾驶行为因子数据进行风险识别处理，得到初始赔付风险残差值，包括：通过训练好的残差网络模型对所述驾驶行为因子数据进行特征提取和特征向量归一化处理，得到多个归一化特征向量，所述训练好的残差网络模型包括多棵决策树；基于所述多棵决策树对所述多个归一化特征向量进行识别分类处理，得到每棵决策树对应的预测结果，累加每棵决策树对应的预测结果，得到初始赔付风险残差值。
可选的，在本发明第一方面的第二种实现方式中，所述根据所述初始赔付风险预测结果和所述初始赔付风险残差值计算目标赔付风险实际结果，基于所述目标赔付风险实际结果确定车辆损伤赔付金额，包括：判断所述初始赔付风险预测结果是否属于预设的数值范围；若所述初始赔付风险预测结果属于预设的数值范围，则对所述初始赔付风险预测结果与所述初始赔付风险残差值进行乘法运算，得到目标赔付风险实际结果；基于所述目标赔付风险实际结果从预设的风险赔偿配置表中查询目标业务风险赔偿率，并根据所述目标业务风险赔偿率和预设的赔偿基准额度确定车辆损伤赔付金额。
可选的，在本发明第一方面的第三种实现方式中，在所述基于所述目标赔付风险实际结果从预设的风险赔偿配置表中查询目标业务风险赔偿率，并根据所述目标业务风险赔偿率和预设的赔偿基准额度确定车辆损伤赔付金额之后，所述车辆定损方法还包括：若所述初始赔付风险预测结果不属于预设的数值范围，则对所述初始赔付风险预测结果与所述初始赔付风险残差值进行加法计算，得到目标赔付风险实际结果；基于所述目标赔付风险实际结果从预设的风险等级配置表中查询目标业务风险等级，当所述目标业务风险等级不为空值时，将所述目标赔付风险实际结果设置为车辆损伤赔付金额。
可选的，在本发明第一方面的第四种实现方式中，在所述接收车辆定损请求，按照所述车辆定损请求获取目标因子数据集，所述目标因子数据集包括驾驶人员因子数据、车辆因子数据、风险因子数据和驾驶行为因子数据，所述车辆定损方法还包括：获取历史驾驶风险数据集，并对所述历史驾驶风险数据集进行特征清洗，得到驾驶行为样本数据集，每个驾驶行为样本数据具有对应的样本标识；对所述驾驶行为样本数据集依次进行数值特征归一化、数据分箱和离散特征数值化处理，得到目标样本数据集；通过预设的精算模型对所述目标样本数据集进行预测识别，得到多个样本预测结果；获取每个样本预测结果对应的真实结果，分别将每个样本预测结果除以每个样本预测结果对应的真实结果，得到多个预测比值，将所述多个预测比值设置为输出变量；将所述目标样本数据集设置为输入变量，通过梯度提升决策树算法，按照所述输入变量和所述输出变量生成决策树模型，并根据最小化决策树的损失函数对所述决策树模型进行剪枝训练，得到所述训练好的残差网络模型，所述决策树模型包括多棵决策树。
可选的，在本发明第一方面的第五种实现方式中，在所述接收车辆定损请求，按照所述车辆定损请求获取目标因子数据集，所述目标因子数据集包括驾驶人员因子数据、车辆因子数据、风险因子数据和驾驶行为因子数据之前，所述车辆定损方法还包括：获取初始车辆赔付样本数据，对初始车辆赔付样本数据进行赔付数据标注处理，得到目标车辆赔付样本数据；基于所述目标车辆赔付样本数据构建所述预设的精算模型，所述预设的精算模型为训练好的线性回归模型或训练好的多项式回归模型。
可选的，在本发明第一方面的第六种实现方式中，在所述根据所述初始赔付风险预测结果和所述初始赔付风险残差值计算目标赔付风险实际结果，基于所述目标赔付风险实际结果确定车辆损伤赔付金额，所述车辆定损方法还包括：按照所述车辆损伤赔付金额生成待审核订单，通过预设的消息队列将所述待审核订单发送至目标终端；接收所述目标终端发送的审核通知消息，按照所述审核通知消息触发对应的业务流程。
本发明第二方面提供了一种车辆定损装置，包括：获取模块，用于接收车辆定损请求，按照所述车辆定损请求获取目标因子数据集，所述目标因子数据集包括驾驶人员因子数据、车辆因子数据、风险因子数据和驾驶行为因子数据；预测模块，用于通过预设的精算模型对所述目标因子数据集进行风险预测，得到初始赔付风险预测结果；识别模块，用于通过训练好的残差网络模型对所述驾驶行为因子数据进行风险识别处理，得到初始赔付风险残差值；计算模块，用于根据所述初始赔付风险预测结果和所述初始赔付风险残差值计算目标赔付风险实际结果，基于所述目标赔付风险实际结果确定车辆损伤赔付金额。
可选的，在本发明第二方面的第一种实现方式中，所述识别模块具体用于：通过训练好的残差网络模型对所述驾驶行为因子数据进行特征提取和特征向量归一化处理，得到多个归一化特征向量，所述训练好的残差网络模型包括多棵决策树；基于所述多棵决策树对所述多个归一化特征向量进行识别分类处理，得到每棵决策树对应的预测结果，累加每棵决策树对应的预测结果，得到初始赔付风险残差值。
可选的，在本发明第二方面的第二种实现方式中，所述计算模块包括：判断单元，用于判断所述初始赔付风险预测结果是否属于预设的数值范围；第一运算单元，用于若所述初始赔付风险预测结果属于预设的数值范围，则对所述初始赔付风险预测结果与所述初始赔付风险残差值进行乘法运算，得到目标赔付风险实际结果；确定单元，用于基于所述目标赔付风险实际结果从预设的风险赔偿配置表中查询目标业务风险赔偿率，并根据所述目标业务风险赔偿率和预设的赔偿基准额度确定车辆损伤赔付金额。
可选的，在本发明第二方面的第三种实现方式中，所述计算模块还包括：第二运算单元，用于若所述初始赔付风险预测结果不属于预设的数值范围，则对所述初始赔付风险预测结果与所述初始赔付风险残差值进行加法计算，得到目标赔付风险实际结果；设置单元，用于基于所述目标赔付风险实际结果从预设的风险等级配置表中查询目标业务风险等级，当所述目标业务风险等级不为空值时，将所述目标赔付风险实际结果设置为车辆损伤赔付金额。
可选的，在本发明第二方面的第四种实现方式中，所述车辆定损装置还包括：清洗模块，用于获取历史驾驶风险数据集，并对所述历史驾驶风险数据集进行特征清洗，得到驾驶行为样本数据集，每个驾驶行为样本数据具有对应的样本标识；处理模块，用于对所述驾驶行为样本数据集依次进行数值特征归一化、数据分箱和离散特征数值化处理，得到目标样本数据集；预测识别模块，用于通过预设的精算模型对所述目标样本数据集进行预测识别，得到多个样本预测结果；除法模块，用于获取每个样本预测结果对应的真实结果，分别将每个样本预测结果除以每个样本预测结果对应的真实结果，得到多个预测比值，将所述多个预测比值设置为输出变量；剪枝训练模块，用于将所述目标样本数据集设置为输入变量，通过梯度提升决策树算法，按照所述输入变量和所述输出变量生成决策树模型，并根据最小化决策树的损失函数对所述决策树模型进行剪枝训练，得到所述训练好的残差网络模型，所述决策树模型包括多棵决策树。
可选的，在本发明第二方面的第五种实现方式中，所述车辆定损装置还包括：标注模块，用于获取初始车辆赔付样本数据，对初始车辆赔付样本数据进行赔付数据标注处理，得到目标车辆赔付样本数据；构建模块，用于基于所述目标车辆赔付样本数据构建所述预设的精算模型，所述预设的精算模型为训练好的线性回归模型或训练好的多项式回归模型。
可选的，在本发明第二方面的第六种实现方式中，所述车辆定损装置还包括：生成模块，用于按照所述车辆损伤赔付金额生成待审核订单，通过预设的消息队列将所述待审核订单发送至目标终端；触发模块，用于接收所述目标终端发送的审核通知消息，按照所述审核通知消息触发对应的业务流程。
本发明第三方面提供了一种车辆定损设备，包括：存储器和至少一个处理器，所述存储器中存储有指令；所述至少一个处理器调用所述存储器中的所述指令，以使得所述车辆定损设备执行上述的车辆定损方法。
本发明的第四方面提供了一种计算机可读存储介质，所述计算机可读存储介质中存储有指令，当其在计算机上运行时，使得计算机执行上述的车辆定损方法。
本发明提供的技术方案中，接收车辆定损请求，按照所述车辆定损请求获取目标因子数据集，所述目标因子数据集包括驾驶人员因子数据、车辆因子数据、风险因子数据和驾驶行为因子数据；通过预设的精算模型对所述目标因子数据集进行风险预测，得到初始赔付风险预测结果；通过训练好的残差网络模型对所述驾驶行为因子数据进行风险识别处理，得到初始赔付风险残差值；根据所述初始赔付风险预测结果和所述初始赔付风险残差值计算目标赔付风险实际结果，基于所述目标赔付风险实际结果确定车辆损伤赔付金额。本发明实施例中，按照车辆定损请求获取目标因子数据集，目标因子数据集包括驾驶人员因子数据；通过预设的精算模型对目标因子数据集进行风险预测，得到初始赔付风险预测结果；通过训练好的残差网络模型对驾驶行为因子数据进行风险识别处理，得到初始赔付风险残差值；根据初始赔付风险预测结果和初始赔付风险残差值确定车辆损伤赔付金额。通过预设的精算模型和训练好的残差网络模型确定车辆损伤赔付金额，提高了车辆算损伤赔偿预测的准确性和风险预测的准确性。
附图说明
图1为本发明实施例中车辆定损方法的一个实施例示意图；
图2为本发明实施例中车辆定损方法的另一个实施例示意图；
图3为本发明实施例中车辆定损装置的一个实施例示意图；
图4为本发明实施例中车辆定损装置的另一个实施例示意图；
图5为本发明实施例中车辆定损设备的一个实施例示意图。
具体实施方式
本发明实施例提供了一种车辆定损方法、装置、设备及存储介质，用于通过预设的精算模型和训练好的残差网络模型确定车辆损伤赔付金额，提高风险预测的准确性。
本发明的说明书和权利要求书及上述附图中的术语“第一”、“第二”、“第三”、“第四”等（如果存在）是用于区别类似的对象，而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换，以便这里描述的实施例能够以除了在这里图示或描述的内容以外的顺序实施。此外，术语“包括”或“具有”及其任何变形，意图在于覆盖不排他的包含，例如，包含了一系列步骤或单元的过程、方法、系统、产品或设备不必限于清楚地列出的那些步骤或单元，而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。
为便于理解，下面对本发明实施例的具体流程进行描述，请参阅图1，本发明实施例中车辆定损方法的一个实施例包括：
101、接收车辆定损请求，按照车辆定损请求获取目标因子数据集，目标因子数据集包括驾驶人员因子数据、车辆因子数据、风险因子数据和驾驶行为因子数据。
其中，目标因子数据集用于指示与用户驾驶风险相关的因子数据，目标因子数据集包括驾驶人员因子数据、车辆因子数据、风险因子数据和驾驶行为因子数据，其中，驾驶人员因子数据包括年龄、性别、驾龄等因子数据；车辆因子数据包括汽车型号和车况等，其中，车况是指车辆的技术状况，用于指示汽车的安全性能、动力性能、操作性能、尾气排放、车容车貌等多项指标；风险因子数据包括历史出险次数和历史出险类型，例如，历史出险次数为1，历史出险类型为理赔信息未通过审核；驾驶行为因子数据可以包括急加速数据、急减速数据、急转弯数据，驾驶行为因子数据还可以包括驾驶时长数据、驾驶里程和驾驶速度，驾驶行为因子数据也可以包括其他数据，具体此处不做限定。
具体的，服务器接收车辆定损请求，服务器解析车辆定损请求，得到风险用户身份标识和风险用户车牌号；服务器根据风险用户身份标识和风险用户车牌号查询预设的数据库，得到目标因子数据集，目标因子数据集包括驾驶人员因子数据、车辆因子数据、风险因子数据和驾驶行为因子数据。其中，预设的数据库为图数据库（例如，neo4j）、数据仓库hive、内存数据库（例如，sqlite或远程服务字典redis）或关系型数据库（例如，mysql），具体此处不做限定。进一步地，服务器将目标因子数据集存储于区块链数据库中，具体此处不做限定。
可以理解的是，本发明的执行主体可以为车辆定损装置，还可以是终端或者服务器，具体此处不做限定。本发明实施例以服务器为执行主体为例进行说明。
102、通过预设的精算模型对目标因子数据集进行风险预测，得到初始赔付风险预测结果。
需要说明的是，预设的精算模型用于指示根据目标因子数据集确定初始赔付风险预测结果，初始赔付风险预测结果的取值范围为大于或者等于0，初始赔付风险预测结果按照实际应用场景，可以为基准赔付率（也就是，概率值，符合正态标准分布表），也可以为基准赔付金额数据（大于0），具体此处不做限定。进一步地，在步骤101之前，服务器获取初始车辆赔付样本数据，服务器对初始车辆赔付样本数据进行赔付数据标注处理，得到目标车辆赔付样本数据；服务器基于目标车辆赔付样本数据构建预设的精算模型。其中，预设的精算模型可以为预先训练好的线性回归模型，也可以为预先训练好的多项式回归模型，还可以为其他预先训练好的预测用户赔付风险模型，具体此处不做限定。
具体的，服务器通过预设的精算模型对目标因子数据集进行特征筛选，得到多个精算指标特征数据，服务器确定每个精算指标特征数据对应的权重值；服务器根据每个精算指标特征数据对应的权重值进行均值计算，得到初始赔付风险预测结果。例如，当初始赔付风险预测结果为基准赔付率时，初始赔付风险预测结果可以为0.9。当初始赔付风险预测结果为基准赔付金额数据时，初始赔付风险预测结果可以为800。
103、通过训练好的残差网络模型对驾驶行为因子数据进行风险识别处理，得到初始赔付风险残差值。
需要说明的是，初始赔付风险残差值用于指示初始赔付风险预测结果与目标赔付风险实际结果之间的相对误差值。初始赔付风险残差值可以为修正赔付率，也可以为修正赔付金额数据。其中，修正赔付率的取值范围大于0，修正赔付金额数据可以为正数，也可以为负数，还可以为0。初始赔付风险残差值用于修正初始赔付风险预测结果，因而初始赔付风险残差值与初始赔付风险预测结果具备一致性。例如，当初始赔付风险预测结果为基准赔付率时，初始赔付风险残差值为修正赔付率，初始赔付风险残差值可以为1.125，当初始赔付风险预测结果为基准赔付金额数据时，初始赔付风险残差值为修正赔付金额数据，初始赔付风险残差值可以为 20，也可以为-20，还可以为0，具体此处不做限定。具体的，服务器将驾驶行为因子数据输入至训练好的残差网络模型；服务器通过训练好的残差网络模型将驾驶行为因子数据转换为多个初始特征向量；服务器对多个初始特征向量进行数值归一化处理，得到多个归一化特征向量；服务器基于多个归一化特征向量进行识别分类处理，得到初始赔付风险残差值。
104、根据初始赔付风险预测结果和初始赔付风险残差值计算目标赔付风险实际结果，基于目标赔付风险实际结果确定车辆损伤赔付金额。
其中，初始赔付风险残差值的取值范围大于或等于0，若初始赔付风险预测结果可以为0至1之间的取值范围，也就是初始赔付风险预测结果为风险预测概率值，则服务器对初始赔付风险预测结果和初始赔付风险残差值进行乘法运算，得到目标赔付风险实际结果，目标赔付风险实际结果的取值范围为0至1之间；服务器根据目标赔付风险实际结果确定车辆损伤赔付金额。例如，进一步地，其中，初始赔付风险预测结果为基本赔偿金额，初始赔付风险残差值为正的或者负的赔偿差额，服务器将初始赔付风险预测结果与初始赔付风险残差值进行加法计算，得到车辆损伤赔付金额。
本发明实施例中，按照车辆定损请求获取目标因子数据集，目标因子数据集包括驾驶人员因子数据；通过预设的精算模型对目标因子数据集进行风险预测，得到初始赔付风险预测结果；通过训练好的残差网络模型对驾驶行为因子数据进行风险识别处理，得到初始赔付风险残差值；根据初始赔付风险预测结果和初始赔付风险残差值确定车辆损伤赔付金额。通过预设的精算模型和训练好的残差网络模型确定车辆损伤赔付金额，提高了车辆算损伤赔偿预测的准确性和风险预测的准确性。
请参阅图2，本发明实施例中车辆定损方法的另一个实施例包括：
201、接收车辆定损请求，按照车辆定损请求获取目标因子数据集，目标因子数据集包括驾驶人员因子数据、车辆因子数据、风险因子数据和驾驶行为因子数据。
该步骤201的执行过程与步骤101步骤的执行过程相似，具体此处不再赘述。
进一步地，在步骤201之前，服务器获取历史驾驶风险数据集，并对历史驾驶风险数据集进行特征清洗，得到驾驶行为样本数据集，每个驾驶行为样本数据具有对应的样本标识；也就是，服务器对历史驾驶风险数据集（也就是，所有用于建模的底层因子或者初步加工的因子）进行特征选择，主要基于饱和度和相关性进行筛选，删除饱和度低的特征；服务器去除与y标签相关性过高的特征（可能存在数据泄露的特征）。服务器对驾驶行为样本数据集依次进行数值特征归一化、数据分箱和离散特征数值化处理，得到目标样本数据集；其中，数值特征归一化提高了模型的稳定性；数据分箱能避免模型过拟合；服务器通过独热编码one-hot或目标编码targetencoding实现离散特征数值化。服务器通过预设的精算模型对目标样本数据集进行预测识别，得到多个样本预测结果；服务器获取每个样本预测结果对应的真实结果，分别将每个样本预测结果除以每个样本预测结果对应的真实结果，得到多个比值，将多个比值设置为输出变量；服务器将目标样本数据集设置为输入变量，通过梯度提升决策树算法，按照输入变量和输出变量生成决策树模型，并根据最小化决策树的损失函数对决策树模型进行剪枝训练，得到训练好的残差网络模型，决策树模型包括多棵决策树。通过剪枝训练以后，应用训练好的残差模型能够降低能源消耗以及提高风险预测速度。
202、通过预设的精算模型对目标因子数据集进行风险预测，得到初始赔付风险预测结果。
该步骤202的执行过程与步骤102步骤的执行过程相似，具体此处不再赘述。
203、通过训练好的残差网络模型对驾驶行为因子数据进行风险识别处理，得到初始赔付风险残差值。
其中，初始赔付风险残差值用于指示初始赔付风险预测结果与目标赔付风险实际结果之间的相对误差值。可选的，服务器通过训练好的残差网络模型对驾驶行为因子数据进行特征提取和特征向量归一化处理，得到多个归一化特征向量，训练好的残差网络模型包括多棵决策树；服务器基于多棵决策树对多个归一化特征向量进行识别分类处理，得到每棵决策树对应的预测结果，累加每棵决策树对应的预测结果，得到初始赔付风险残差值。
其中，每个归一化特征向量属于[0,1]区间。通过预设的精算模型和训练好的残差网络模型，优化精算模型的初始赔付风险预测结果。既可以提升精算模型预测的准确性，也不会影响精算模型的预测结果。针对有驾驶行为因子数据的用户，使用残差网络模型调整风险，使用模型预测结果更为精准。精算模型通用性增强，针对其他不饱和数据，例如用户位置服务数据、新能源车辆数据，均可以使用残差网络模型提升风险预测的准确性。
204、根据初始赔付风险预测结果和初始赔付风险残差值计算目标赔付风险实际结果，基于目标赔付风险实际结果确定车辆损伤赔付金额。
具体的，服务器判断初始赔付风险预测结果是否属于预设的数值范围；其中，预设的数值范围为大于或等于0，并且小于或等于1。进一步地，服务器判断初始赔付风险预测结果是否大于或等于0，并且小于或等于1，例如，若初始赔付风险预测结果为0.75，则服务器确定初始赔付风险预测结果属于预设的数值范围，也就是，初始赔付风险预测结果为基准赔付率；若初始赔付风险预测结果为4000，则服务器确定初始赔付风险预测结果不属于预设的数值范围。若初始赔付风险预测结果属于预设的数值范围，则服务器对初始赔付风险预测结果与初始赔付风险残差值进行乘法运算，得到目标赔付风险实际结果；例如，初始赔付风险预测结果为0.780，初始赔付风险残差值为0.975，初始赔付风险预测结果和初始赔付风险残差值相乘，也就是0.78*0.975，得到目标赔付风险实际结果为0.800。服务器基于目标赔付风险实际结果从预设的风险赔偿配置表中查询目标业务风险赔偿率，并根据目标业务风险赔偿率和预设的赔偿基准额度确定车辆损伤赔付金额。
进一步地，若初始赔付风险预测结果不属于预设的数值范围，则服务器对初始赔付风险预测结果与初始赔付风险残差值进行加法计算，得到目标赔付风险实际结果；例如，初始赔付风险预测结果为1250，初始赔付风险残差值为-105，初始赔付风险预测结果和初始赔付风险残差值相加，也就是1250 （-105），得到目标赔付风险实际结果为1145。服务器基于目标赔付风险实际结果从预设的风险等级配置表中查询目标业务风险等级，当目标业务风险等级不为空值时，服务器将目标赔付风险实际结果设置为车辆损伤赔付金额。
205、按照车辆损伤赔付金额生成待审核订单，通过预设的消息队列将待审核订单发送至目标终端。
具体的，服务器获取审核订单生成请求；服务器解析审核订单生成请求，得到业务类型、目标审核人标识和用户赔付信息，用户赔付信息包括车辆损伤赔付金额；服务器根据业务类型获取订单模板信息；服务器基于模板信息按照用户赔付信息进行订单填充处理，得到订单内容信息；服务器根据目标审核人标识获取审核人信息，并将审核人信息和订单内容信息转换为待审核订单，待审核订单具有唯一的订单标识；服务器将待审核订单写入至预设的消息队列，并通过预设的消息队列按照审核人信息将待审核订单发送至目标终端。
206、接收目标终端发送的审核通知消息，按照审核通知消息触发对应的业务流程。
具体的，服务器接收目标终端发送的审核通知消息，并从审核通知消息中提取订单标识、审核结果和审核意见信息，服务器根据订单标识和审核结果更新待审核订单对应的订单状态，订单状态包括待审核状态、审核中状态、审核通过状态和审核未通过状态；并通过预设的通知方式将审核结果和审核意见信息送至目标用户，预设的通知方式包括短信方式和消息通知方式，具体此处不做限定；当审核结果为审核通过时，服务器按照订单标识获取业务类型，并按照业务类型调用对应的业务流程（例如，车辆赔偿业务流程）。
本发明实施例中，按照车辆定损请求获取目标因子数据集，目标因子数据集包括驾驶人员因子数据；通过预设的精算模型对目标因子数据集进行风险预测，得到初始赔付风险预测结果；通过训练好的残差网络模型对驾驶行为因子数据进行风险识别处理，得到初始赔付风险残差值；根据初始赔付风险预测结果和初始赔付风险残差值确定车辆损伤赔付金额。通过预设的精算模型和训练好的残差网络模型确定车辆损伤赔付金额，提高了车辆算损伤赔偿预测的准确性和风险预测的准确性。
上面对本发明实施例中车辆定损方法进行了描述，下面对本发明实施例中车辆定损装置进行描述，请参阅图3，本发明实施例中车辆定损装置的一个实施例包括：
获取模块301，用于接收车辆定损请求，按照车辆定损请求获取目标因子数据集，目标因子数据集包括驾驶人员因子数据、车辆因子数据、风险因子数据和驾驶行为因子数据；
预测模块302，用于通过预设的精算模型对目标因子数据集进行风险预测，得到初始赔付风险预测结果；
识别模块303，用于通过训练好的残差网络模型对驾驶行为因子数据进行风险识别处理，得到初始赔付风险残差值；
计算模块304，用于根据初始赔付风险预测结果和初始赔付风险残差值计算目标赔付风险实际结果，基于目标赔付风险实际结果确定车辆损伤赔付金额。
进一步地，将目标因子数据集存储于区块链数据库中，具体此处不做限定。
本发明实施例中，按照车辆定损请求获取目标因子数据集，目标因子数据集包括驾驶人员因子数据；通过预设的精算模型对目标因子数据集进行风险预测，得到初始赔付风险预测结果；通过训练好的残差网络模型对驾驶行为因子数据进行风险识别处理，得到初始赔付风险残差值；根据初始赔付风险预测结果和初始赔付风险残差值确定车辆损伤赔付金额。通过预设的精算模型和训练好的残差网络模型确定车辆损伤赔付金额，提高了车辆算损伤赔偿预测的准确性和风险预测的准确性。
请参阅图4，本发明实施例中车辆定损装置的另一个实施例包括：
获取模块301，用于接收车辆定损请求，按照车辆定损请求获取目标因子数据集，目标因子数据集包括驾驶人员因子数据、车辆因子数据、风险因子数据和驾驶行为因子数据；
预测模块302，用于通过预设的精算模型对目标因子数据集进行风险预测，得到初始赔付风险预测结果；
识别模块303，用于通过训练好的残差网络模型对驾驶行为因子数据进行风险识别处理，得到初始赔付风险残差值；
计算模块304，用于根据初始赔付风险预测结果和初始赔付风险残差值计算目标赔付风险实际结果，基于目标赔付风险实际结果确定车辆损伤赔付金额。
可选的，识别模块303还可以具体用于：
通过训练好的残差网络模型对驾驶行为因子数据进行特征提取和特征向量归一化处理，得到多个归一化特征向量，训练好的残差网络模型包括多棵决策树；
基于多棵决策树对多个归一化特征向量进行识别分类处理，得到每棵决策树对应的预测结果，累加每棵决策树对应的预测结果，得到初始赔付风险残差值。
可选的，计算模块304还可以包括：
判断单元3041，用于判断初始赔付风险预测结果是否属于预设的数值范围；
第一运算单元3042，用于若初始赔付风险预测结果属于预设的数值范围，则对初始赔付风险预测结果与初始赔付风险残差值进行乘法运算，得到目标赔付风险实际结果；
确定单元3043，用于基于目标赔付风险实际结果从预设的风险赔偿配置表中查询目标业务风险赔偿率，并根据目标业务风险赔偿率和预设的赔偿基准额度确定车辆损伤赔付金额。
可选的，计算模块304还可以包括：
第二运算单元3044，用于若初始赔付风险预测结果不属于预设的数值范围，则对初始赔付风险预测结果与初始赔付风险残差值进行加法计算，得到目标赔付风险实际结果；
设置单元3045，用于基于目标赔付风险实际结果从预设的风险等级配置表中查询目标业务风险等级，当目标业务风险等级不为空值时，将目标赔付风险实际结果设置为车辆损伤赔付金额。
可选的，车辆定损装置还可以包括：
清洗模块305，用于获取历史驾驶风险数据集，并对历史驾驶风险数据集进行特征清洗，得到驾驶行为样本数据集，每个驾驶行为样本数据具有对应的样本标识；
处理模块306，用于对驾驶行为样本数据集依次进行数值特征归一化、数据分箱和离散特征数值化处理，得到目标样本数据集；
预测识别模块307，用于通过预设的精算模型对目标样本数据集进行预测识别，得到多个样本预测结果；
除法模块308，用于获取每个样本预测结果对应的真实结果，分别将每个样本预测结果除以每个样本预测结果对应的真实结果，得到多个预测比值，将多个预测比值设置为输出变量；
剪枝训练模块309，用于将目标样本数据集设置为输入变量，通过梯度提升决策树算法，按照输入变量和输出变量生成决策树模型，并根据最小化决策树的损失函数对决策树模型进行剪枝训练，得到训练好的残差网络模型，决策树模型包括多棵决策树。
可选的，车辆定损装置还可以包括：
标注模块310，用于获取初始车辆赔付样本数据，对初始车辆赔付样本数据进行赔付数据标注处理，得到目标车辆赔付样本数据；
构建模块311，用于基于目标车辆赔付样本数据构建预设的精算模型，预设的精算模型为训练好的线性回归模型或训练好的多项式回归模型。
可选的，车辆定损装置还可以包括：
生成模块312，用于按照车辆损伤赔付金额生成待审核订单，通过预设的消息队列将待审核订单发送至目标终端；
触发模块313，用于接收目标终端发送的审核通知消息，按照审核通知消息触发对应的业务流程。
本发明实施例中，按照车辆定损请求获取目标因子数据集，目标因子数据集包括驾驶人员因子数据；通过预设的精算模型对目标因子数据集进行风险预测，得到初始赔付风险预测结果；通过训练好的残差网络模型对驾驶行为因子数据进行风险识别处理，得到初始赔付风险残差值；根据初始赔付风险预测结果和初始赔付风险残差值确定车辆损伤赔付金额。通过预设的精算模型和训练好的残差网络模型确定车辆损伤赔付金额，提高了车辆算损伤赔偿预测的准确性和风险预测的准确性。
上面图3和图4从模块化的角度对本发明实施例中的车辆定损装置进行详细描述，下面从硬件处理的角度对本发明实施例中车辆定损设备进行详细描述。
图5是本发明实施例提供的一种车辆定损设备的结构示意图，该车辆定损设备500可因配置或性能不同而产生比较大的差异，可以包括一个或一个以上处理器（centralprocessingunits，cpu）510（例如，一个或一个以上处理器）和存储器520，一个或一个以上存储应用程序533或数据532的存储介质530（例如一个或一个以上海量存储设备）。其中，存储器520和存储介质530可以是短暂存储或持久存储。存储在存储介质530的程序可以包括一个或一个以上模块（图示没标出），每个模块可以包括对车辆定损设备500中的一系列指令操作。更进一步地，处理器510可以设置为与存储介质530通信，在车辆定损设备500上执行存储介质530中的一系列指令操作。
车辆定损设备500还可以包括一个或一个以上电源540，一个或一个以上有线或无线网络接口550，一个或一个以上输入输出接口560，和/或，一个或一个以上操作系统531，例如windowsserve，macosx，unix，linux，freebsd等等。本领域技术人员可以理解，图5示出的车辆定损设备结构并不构成对车辆定损设备的限定，可以包括比图示更多或更少的部件，或者组合某些部件，或者不同的部件布置。
本发明还提供一种计算机可读存储介质，该计算机可读存储介质可以为非易失性计算机可读存储介质，该计算机可读存储介质也可以为易失性计算机可读存储介质，所述计算机可读存储介质中存储有指令，当所述指令在计算机上运行时，使得计算机执行所述车辆定损方法的步骤。
本发明还提供一种车辆定损设备，所述车辆定损设备包括存储器和处理器，存储器中存储有指令，所述指令被处理器执行时，使得处理器执行上述各实施例中的所述车辆定损方法的步骤。
进一步地，所述计算机可读存储介质可主要包括存储程序区和存储数据区，其中，存储程序区可存储操作系统、至少一个功能所需的应用程序等；存储数据区可存储根据区块链节点的使用所创建的数据等。
本发明所指区块链是分布式数据存储、点对点传输、共识机制、加密算法等计算机技术的新型应用模式。区块链(blockchain)，本质上是一个去中心化的数据库，是一串使用密码学方法相关联产生的数据块，每一个数据块中包含了一批次网络交易的信息，用于验证其信息的有效性(防伪)和生成下一个区块。区块链可以包括区块链底层平台、平台产品服务层以及应用服务层等。
所属领域的技术人员可以清楚地了解到，为描述的方便和简洁，上述描述的系统，装置和单元的具体工作过程，可以参考前述方法实施例中的对应过程，在此不再赘述。
所述集成的单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。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或者该技术方案的全部或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中，包括若干指令用以使得一台计算机设备（可以是个人计算机，服务器，或者网络设备等）执行本发明各个实施例所述方法的全部或部分步骤。而前述的存储介质包括：u盘、移动硬盘、只读存储器（read-onlymemory，rom）、随机存取存储器（randomaccessmemory，ram）、磁碟或者光盘等各种可以存储程序代码的介质。
以上所述，以上实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。
