用户酒驾行为分析预测方法、装置、设备及存储介质

技术领域

本发明涉及人工智能的神经网络领域，尤其涉及一种用户酒驾行为分析预测方法、装置、设备及存储介质。

背景技术

酒驾风险识别是指在交通事故发生时，人们运用各种方法系统的、连续的认识所面临的酒驾风险以及分析交通风险事故发生的潜在原因。酒驾风险识别过程包含感知风险和分析风险两个环节。

传统的风险识别方案使用的模型一般基于历史经验数据形成判断酒驾行为的特定规则。也就是，可用于检测用户酒驾行为的数据往往局限于历史收集的赔案数据和少量的外部数据。在车辆损失赔偿业务中，酒驾人群往往会具有一些特定的行为模式，而通过传统的风险识别方案，预测用户酒驾行为风险的准确率低，以及由醉酒驾驶造成的车辆损失赔偿风险高。

发明内容

本发明提供了一种用户酒驾行为分析预测方法、装置、设备及存储介质，用于提升用户酒驾行为风险的识别准确率和识别效率，并降低车辆赔偿损失风险。

为实现上述目的，本发明第一方面提供了一种用户酒驾行为分析预测方法，包括：接收用户酒驾行为分析请求，并按照所述用户酒驾行为分析请求获取用户明细数据，所述用户明细数据包括案件工单信息、用户的基于位置服务轨迹数据和用户的行动热点轨迹数据；根据预设的数据清洗规则对所述用户的基于位置服务轨迹数据和所述用户的行动热点轨迹数据进行数据清洗，得到已清洗的基于位置服务轨迹数据和已清洗的行动热点轨迹数据；对所述案件工单信息、所述已清洗的基于位置服务轨迹数据和所述已清洗的行动热点轨迹数据进行数据分析和统计处理，得到风险特征因子数据集，所述风险特征因子数据集用于指示多个与酒驾行为相关的特征因子；基于预设的酒驾预测模型对所述风险特征因子数据集进行酒驾分析和预测，得到酒驾预测结果；按照所述酒驾预测结果生成用户酒驾测评信息，并将所述用户酒驾测评信息推送至目标终端，以使得所述目标终端按照所述用户酒驾测评信息处理对应的车辆赔偿业务。

可选的，在本发明第一方面的第一种实现方式中，所述根据预设的数据清洗规则对所述用户的基于位置服务轨迹数据和所述用户的行动热点轨迹数据进行数据清洗，得到已清洗的基于位置服务轨迹数据和已清洗的行动热点轨迹数据，包括：按照预设的数据格式对预设的数据清洗规则进行数据解析，得到已解析的数据清洗规则，所述已解析的数据清洗规则包括轨迹数据类型、多个轨迹字段以及每个轨迹字段对应的数据清理转换表达式；基于所述轨迹数据类型、所述多个轨迹字段以及每个轨迹字段对应的数据清理转换表达式，分别对所述用户的基于位置服务轨迹数据和所述用户的行动热点轨迹数据依次进行数据去重、异常数据删除、空值数据清理和数据格式标准化处理，得到已清洗的基于位置服务轨迹数据和已清洗的行动热点轨迹数据。

可选的，在本发明第一方面的第二种实现方式中，所述对所述案件工单信息、所述已清洗的基于位置服务轨迹数据和所述已清洗的行动热点轨迹数据进行数据分析和统计处理，得到风险特征因子数据集，所述风险特征因子数据集用于指示多个与酒驾行为相关的特征因子，包括：对所述案件工单信息进行数据解析，得到案件发生时刻和案件发生地点；按照所述案件发生地点和预设的地点范围筛选案件地点周边环境信息，并将所述案件发生时刻和所述案件地点周边环境信息合并为案件特征因子；按照预设的特征提取策略分别从所述已清洗的基于位置服务轨迹数据和所述已清洗的行动热点轨迹数据中读取与目标场所相关联的多个位置服务兴趣点数据和多个行动热点兴趣点数据，所述目标场所包括娱乐场所和餐饮场所；按照预设的维度分别对所述多个位置服务兴趣点数据和所述多个行动热点兴趣点数据进行聚类分析，得到位置服务特征因子和行动热点特征因子；将所述案件特征因子、所述位置服务特征因子和所述行动热点特征因子组合为风险特征因子数据集，所述风险特征因子数据集用于指示多个与酒驾行为相关的特征因子。

可选的，在本发明第一方面的第三种实现方式中，所述基于预设的酒驾预测模型对所述风险特征因子数据集进行酒驾分析和预测，得到酒驾预测结果，包括：将所述风险特征因子数据集输入至预设的酒驾预测模型，通过所述酒驾预测模型中的特征提取层对风险特征因子数据集进行特征编码和向量化处理，得多个嵌入向量特征，所述多个嵌入向量特征包括位置服务特征向量集和行动热点特征向量集；通过所述酒驾预测模型中的因子分解机层对所述多个嵌入向量特征进行交叉特征组合，得到第一输出结果；通过所述酒驾预测模型中的深度神经网络层对所述多个嵌入向量特征进行特征全连接处理，得到第二输出结果；通过所述酒驾预测模型中的激活函数层，对所述第一输出结果和所述第二输出结果进行酒驾分析和预测，得到酒驾预测结果，并将所述酒驾预测结果和所述用户酒驾行为分析请求映射存储至预设的内存数据表中。

可选的，在本发明第一方面的第四种实现方式中，所述按照所述酒驾预测结果生成用户酒驾测评信息，并将所述用户酒驾测评信息推送至目标终端，以使得所述目标终端按照所述用户酒驾测评信息处理对应的车辆赔偿业务，包括：按照所述酒驾预测结果匹配预设的信息分类表，得到信息配置模板，并基于所述信息配置模板和所述案件工单信息生成用户酒驾测评信息；通过预设的消息队列将所述用户酒驾测评信息推送至目标终端中，以使得所述目标终端按照所述用户酒驾测评信息处理对应的车辆赔偿业务，所述车辆赔偿业务包括车辆损坏赔偿业务和人身伤害赔偿业务。

可选的，在本发明第一方面的第五种实现方式中，在所述接收用户酒驾行为分析请求，并按照所述用户酒驾行为分析请求获取用户明细数据，所述用户明细数据包括案件工单信息、用户的基于位置服务轨迹数据和用户的行动热点轨迹数据之前，所述用户酒驾行为分析预测方法还包括：从预设的酒驾拒赔案件和预设的非酒驾拒赔案件中提取基于位置服务行为轨迹样本数据和行动热点行为轨迹样本数据；根据时刻维度和空间维度将所述基于位置服务行为轨迹样本数据和所述行动热点行为轨迹样本数据转换为基于位置服务样本特征因子和行动热点样本特征因子；根据所述位置服务样本特征因子和所述行动热点样本特征因子对初始深度神经网络模型进行训练，得到所述预设的酒驾预测模型。

可选的，在本发明第一方面的第六种实现方式中，在所述按照所述酒驾预测结果生成用户酒驾测评信息，并将所述用户酒驾测评信息推送至目标终端，以使得所述目标终端按照所述用户酒驾测评信息处理对应的车辆赔偿业务之后，所述用户酒驾行为分析预测方法还包括：根据所述用户明细数据、所述酒驾预测结果、所述用户酒驾测评信息和所述车辆赔偿业务构建用户行为画像；将所述用户行为画像存储至预设的图数据库中，并将所述用户行为画像发送至目标终端。

本发明第二方面提供了一种用户酒驾行为分析预测装置，包括：获取模块，用于接收用户酒驾行为分析请求，并按照所述用户酒驾行为分析请求获取用户明细数据，所述用户明细数据包括案件工单信息、用户的基于位置服务轨迹数据和用户的行动热点轨迹数据；清洗模块，用于根据预设的数据清洗规则对所述用户的基于位置服务轨迹数据和所述用户的行动热点轨迹数据进行数据清洗，得到已清洗的基于位置服务轨迹数据和已清洗的行动热点轨迹数据；分析模块，用于对所述案件工单信息、所述已清洗的基于位置服务轨迹数据和所述已清洗的行动热点轨迹数据进行数据分析和统计处理，得到风险特征因子数据集，所述风险特征因子数据集用于指示多个与酒驾行为相关的特征因子；预测模块，用于基于预设的酒驾预测模型对所述风险特征因子数据集进行酒驾分析和预测，得到酒驾预测结果；生成模块，用于按照所述酒驾预测结果生成用户酒驾测评信息，并将所述用户酒驾测评信息推送至目标终端，以使得所述目标终端按照所述用户酒驾测评信息处理对应的车辆赔偿业务。

可选的，在本发明第二方面的第一种实现方式中，所清洗模块具体用于：按照预设的数据格式对预设的数据清洗规则进行数据解析，得到已解析的数据清洗规则，所述已解析的数据清洗规则包括轨迹数据类型、多个轨迹字段以及每个轨迹字段对应的数据清理转换表达式；基于所述轨迹数据类型、所述多个轨迹字段以及每个轨迹字段对应的数据清理转换表达式，分别对所述用户的基于位置服务轨迹数据和所述用户的行动热点轨迹数据依次进行数据去重、异常数据删除、空值数据清理和数据格式标准化处理，得到已清洗的基于位置服务轨迹数据和已清洗的行动热点轨迹数据。

可选的，在本发明第二方面的第二种实现方式中，所述分析模块具体用于：对所述案件工单信息进行数据解析，得到案件发生时刻和案件发生地点；按照所述案件发生地点和预设的地点范围筛选案件地点周边环境信息，并将所述案件发生时刻和所述案件地点周边环境信息合并为案件特征因子；按照预设的特征提取策略分别从所述已清洗的基于位置服务轨迹数据和所述已清洗的行动热点轨迹数据中读取与目标场所相关联的多个位置服务兴趣点数据和多个行动热点兴趣点数据，所述目标场所包括娱乐场所和餐饮场所；按照预设的维度分别对所述多个位置服务兴趣点数据和所述多个行动热点兴趣点数据进行聚类分析，得到位置服务特征因子和行动热点特征因子；将所述案件特征因子、所述位置服务特征因子和所述行动热点特征因子组合为风险特征因子数据集，所述风险特征因子数据集用于指示多个与酒驾行为相关的特征因子。

可选的，在本发明第二方面的第三种实现方式中，所述预测模块具体用于：将所述风险特征因子数据集输入至预设的酒驾预测模型，通过所述酒驾预测模型中的特征提取层对风险特征因子数据集进行特征编码和向量化处理，得多个嵌入向量特征，所述多个嵌入向量特征包括位置服务特征向量集和行动热点特征向量集；通过所述酒驾预测模型中的因子分解机层对所述多个嵌入向量特征进行交叉特征组合，得到第一输出结果；通过所述酒驾预测模型中的深度神经网络层对所述多个嵌入向量特征进行特征全连接处理，得到第二输出结果；通过所述酒驾预测模型中的激活函数层，对所述第一输出结果和所述第二输出结果进行酒驾分析和预测，得到酒驾预测结果，并将所述酒驾预测结果和所述用户酒驾行为分析请求映射存储至预设的内存数据表中。

可选的，在本发明第二方面的第四种实现方式中，所述生成模块具体用于：按照所述酒驾预测结果匹配预设的信息分类表，得到信息配置模板，并基于所述信息配置模板和所述案件工单信息生成用户酒驾测评信息；通过预设的消息队列将所述用户酒驾测评信息推送至目标终端中，以使得所述目标终端按照所述用户酒驾测评信息处理对应的车辆赔偿业务，所述车辆赔偿业务包括车辆损坏赔偿业务和人身伤害赔偿业务。

可选的，在本发明第二方面的第五种实现方式中，所述用户酒驾行为分析预测装置还包括：提取模块，用于从预设的酒驾拒赔案件和预设的非酒驾拒赔案件中提取基于位置服务行为轨迹样本数据和行动热点行为轨迹样本数据；转换模块，用于根据时刻维度和空间维度将所述基于位置服务行为轨迹样本数据和所述行动热点行为轨迹样本数据转换为基于位置服务样本特征因子和行动热点样本特征因子；训练模块，用于根据所述位置服务样本特征因子和所述行动热点样本特征因子对初始深度神经网络模型进行训练，得到所述预设的酒驾预测模型。

可选的，在本发明第二方面的第六种实现方式中，所述用户酒驾行为分析预测装置还包括：构建模块，用于根据所述用户明细数据、所述酒驾预测结果、所述用户酒驾测评信息和所述车辆赔偿业务构建用户行为画像；存储模块，用于将所述用户行为画像存储至预设的图数据库中，并将所述用户行为画像发送至目标终端。

本发明第三方面提供了一种用户酒驾行为分析预测设备，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，以使得所述用户酒驾行为分析预测设备执行上述的用户酒驾行为分析预测方法。

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用户酒驾行为分析预测方法。

本发明提供的技术方案中，接收用户酒驾行为分析请求，并按照所述用户酒驾行为分析请求获取用户明细数据，所述用户明细数据包括案件工单信息、用户的基于位置服务轨迹数据和用户的行动热点轨迹数据；根据预设的数据清洗规则对所述用户的基于位置服务轨迹数据和所述用户的行动热点轨迹数据进行数据清洗，得到已清洗的基于位置服务轨迹数据和已清洗的行动热点轨迹数据；对所述案件工单信息、所述已清洗的基于位置服务轨迹数据和所述已清洗的行动热点轨迹数据进行数据分析和统计处理，得到风险特征因子数据集，所述风险特征因子数据集用于指示多个与酒驾行为相关的特征因子；基于预设的酒驾预测模型对所述风险特征因子数据集进行酒驾分析和预测，得到酒驾预测结果；按照所述酒驾预测结果生成用户酒驾测评信息，并将所述用户酒驾测评信息推送至目标终端，以使得所述目标终端按照所述用户酒驾测评信息处理对应的车辆赔偿业务。本发明实施例中，对案件工单信息、用户的基于位置服务轨迹数据和用户的行动热点轨迹数据分析酒驾相关因子特征，通过预设的酒驾预测模型的异常检测算法交叉分析酒驾相关因子特征，则可以筛选出酒驾风险高的用户，提升了用户酒驾行为风险的识别准确率和识别效率，并降低了车辆赔偿损失风险。

附图说明

图1为本发明实施例中用户酒驾行为分析预测方法的一个实施例示意图；

图2为本发明实施例中用户酒驾行为分析预测方法的另一个实施例示意图；

图3为本发明实施例中用户酒驾行为分析预测装置的一个实施例示意图；

图4为本发明实施例中用户酒驾行为分析预测装置的另一个实施例示意图；

图5为本发明实施例中用户酒驾行为分析预测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用户酒驾行为分析预测方法、装置、设备及存储介质，用于提升用户酒驾行为风险的识别准确率和识别效率，并降低了车辆赔偿损失风险。

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，本发明实施例中用户酒驾行为分析预测方法的一个实施例包括：

101、接收用户酒驾行为分析请求，并按照用户酒驾行为分析请求获取用户明细数据，用户明细数据包括案件工单信息、用户的基于位置服务轨迹数据和用户的行动热点轨迹数据。

其中，案件工单信息可以包括案件发生时刻、案件发生地点和用户报案电话号码。用户明细数据可以包括案件工单信息、用户的基于位置服务轨迹数据和用户的行动热点轨迹数据，还可以包括用户年龄、用户居住地址信息、用户酒驾次数，具体此处不做限定。具体的，服务器接收用户酒驾行为分析请求，服务器对用户酒驾行为分析请求进行参数解析，得到参数解析数据；服务器对参数解析数据进行校验处理，得到校验结果；当校验结果为预设值时，服务器确定校验结果为校验通过，服务器从参数解析数据中提取用户标识；服务器按照结构化查询语言语法规则、用户标识和预设的待处理工单状态生成第一查询语句；服务器执行第一查询语句，从预设的工单数据库中读取案件工单信息；服务器按照结构化查询语言语法规则、用户报案电话号码和预设的轨迹数据类型生成第二查询语句；服务器执行第二查询语句，从预设的轨迹数据库中读取用户的基于位置服务轨迹数据和用的户行动热点轨迹数据；服务器将案件工单信息、用户的基于位置服务轨迹数据和用户的行动热点轨迹数据组装为用户明细数据。

需要说明的是，用户的基于位置服务轨迹数据和用户的行动热点轨迹数据均为服务器从预设的数据源中按照预设的数据抽取规则获取并存储的。服务器还可以将案件工单信息、用户的基于位置服务轨迹数据和用户的行动热点轨迹数据预先存储在预设的内存数据库中。服务器将用户标识或用户报案电话号码设置为目标键，服务器按照目标键查询预设的内存数据库，得到用户明细数据，用户明细数据包括案件工单信息、用户的基于位置服务轨迹数据和用户的行动热点轨迹数据。

可以理解的是，本发明的执行主体可以为用户酒驾行为分析预测装置，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、根据预设的数据清洗规则对用户的基于位置服务轨迹数据和用户的行动热点轨迹数据进行数据清洗，得到已清洗的基于位置服务轨迹数据和已清洗的行动热点轨迹数据。

其中，预设的数据清洗规则包括轨迹数据类型、多个轨迹字段和每个轨迹字段对应的数据清理转换表达式。例如，用户的基于位置服务轨迹数据对应的数据类型可以为type_1，用户的行动热点轨迹数据对应的数据类型为type_2。用户基于位置服务轨迹字段具有多个轨迹字段，用户行动热点轨迹数据具有多个轨迹字段。具体的，服务器按照预设的数据清洗规则分别对用户的基于位置服务轨迹数据和用户的行动热点轨迹数据依次进行数据去重、异常数据删除、空值数据清理和统一数据格式，得到已清洗的基于位置服务轨迹数据和已清洗的行动热点轨迹数据。

103、对案件工单信息、已清洗的基于位置服务轨迹数据和已清洗的行动热点轨迹数据进行数据分析和统计处理，得到风险特征因子数据集，风险特征因子数据集用于指示多个与酒驾行为相关的特征因子。

其中，风险特征因子数据集为根据案件工单信息、已清洗的基于位置服务轨迹数据和已清洗的行动热点轨迹数据加工的酒驾活动因子，也就是，多个与酒驾行为相关的特征因子。具体的，服务器对案件工单信息、已清洗的基于位置服务轨迹数据和已清洗的行动热点轨迹数据进行数据分析和统计处理，得到与基于位置服务相关的特征因子(也就是，位置服务特征因子)、与行动热点相关的特征因子(也就是，行动热点特征因子)和与案件相关的特征因子(也就是，案件特征因子)；服务器将与基于位置服务相关的特征因子、与行动热点相关的特征因子和与案件相关的特征因子组合为风险特征因子数据集，风险特征因子数据集用于指示多个与酒驾行为相关的特征因子。与基于位置服务相关的特征因子包括用户活动范围、用户活动地点、用户活动时刻、用户在娱乐场所出现次数和出现时刻、用户在餐饮场所出现次数和出现时刻；与行动热点相关的特征因子包括：用户在娱乐场所的行动热点连接时刻、用户在餐饮场所的连接次数和连接时刻；与案件相关的特征因子：报案时刻、报案地点和报案地点周边环境。

104、基于预设的酒驾预测模型对风险特征因子数据集进行酒驾分析和预测，得到酒驾预测结果。

其中，预设的酒驾预测模型用于指示预先训练好的模型。例如，预设的酒驾预测模型可以为随机森林分类模型，也可以为贝叶斯分类模型或逻辑回归模型，具体此处不做限定。进一步地，服务器通过训练好的基于深度神经网络的FM模型deepFM模型(也就是，预设的酒驾预测模型)，对风险特征因子数据集进行酒驾分析和预测，得到酒驾预测结果。具体的，服务器通过预设的酒驾预测模型对风险特征因子数据集进行特征编码和特征向量化处理，得到位置服务特征向量集和行动热点特征向量集，而服务器通过隐藏层对分别对位置服务特征向量集和行动热点特征向量集进行特征处理，得到位置服务隐含层特征向量集和行动热点隐含层特征向量集，服务器通过因子分解机FM层对位置服务特征向量集和行动热点特征向量集进行交叉特征组合，得到第一输出结果。服务器通过深度神经网络层对位置服务隐含层特征向量集和行动热点隐含层特征向量集进行交叉特征组合全连接处理，得到第二输出结果；服务器通过神经网络的激活函数sigmoid层，将第一输出结果和第二输出结果进行酒驾分析和预测，得到酒驾预测结果，酒驾预测结果的取值范围在0至1之间。

105、按照酒驾预测结果生成用户酒驾测评信息，并将用户酒驾测评信息推送至目标终端，以使得目标终端按照用户酒驾测评信息处理对应的车辆赔偿业务。

其中，酒驾预测结果与用户酒驾测评信息存在一一对应关系。车辆赔偿业务包括车辆损坏赔偿业务，也可以包括人身伤害赔偿业务，具体此处不做限定。酒驾预测结果的取值范围可以为0至1之间。例如，酒驾预测结果为0，则服务器生成的用户酒驾测评信息为“用户不存在醉酒驾驶的风险”，酒驾预测结果为0.9，则服务器生成的用户酒驾测评信息为“用户存在醉酒驾驶的风险”。具体的，服务器按照酒驾预测结果生成用户酒驾测评信息，并按照酒驾预测结果对用户酒驾测评信息进行分类，得到不同类型的待推送消息；服务器通过预设的消息队列将不同类型的待推送消息按照消息类型推送至目标终端，以使得目标终端按照用户酒驾测评信息处理对应的车辆赔偿业务。例如，目标终端核查车辆赔偿业务后，向用户发放车辆赔偿业务对应的赔偿金额。

本发明实施例中，对案件工单信息、用户的基于位置服务轨迹数据和用户的行动热点轨迹数据分析酒驾相关因子特征，通过预设的酒驾预测模型的异常检测算法交叉分析酒驾相关因子特征，则可以筛选出酒驾风险高的用户，提升了用户酒驾行为风险的识别准确率和识别效率，并降低了车辆赔偿损失风险。

请参阅图2，本发明实施例中用户酒驾行为分析预测方法的另一个实施例包括：

201、接收用户酒驾行为分析请求，并按照用户酒驾行为分析请求获取用户明细数据，用户明细数据包括案件工单信息、用户的基于位置服务轨迹数据和用户的行动热点轨迹数据。

该步骤201的执行过程与步骤101的执行过程相似，具体此处不再赘述。

202、根据预设的数据清洗规则对用户的基于位置服务轨迹数据和用户的行动热点轨迹数据进行数据清洗，得到已清洗的基于位置服务轨迹数据和已清洗的行动热点轨迹数据。

也就是，服务器对用户的基于位置服务轨迹数据和用户的行动热点轨迹数据进行标准化处理，提高数据的规范性。可选的，首先，服务器按照预设的数据格式对预设的数据清洗规则进行数据解析，得到已解析的数据清洗规则，已解析的数据清洗规则包括轨迹数据类型、多个轨迹字段以及每个轨迹字段对应的数据清理转换表达式，其中，轨迹数据类型分别与多个轨迹字段和每个轨迹字段对应的数据清理转换表达式存在一对多的对应关系，轨迹字段与数据清理转换表达式之间一一对应。预设的数据格式可以为JS对象简谱JSON的格式，也可以为数据序列化YAML的格式，具体此处不做限定。预设的数据清洗规则可以存储至预设的内存数据库(例如，远程服务字典redis)中，也可以存储至预设的文件中。

然后，服务器基于轨迹数据类型、多个轨迹字段以及每个轨迹字段对应的数据清理转换表达式，分别对用户的基于位置服务轨迹数据和用户的行动热点轨迹数据依次进行数据去重、异常数据删除、空值数据清理和数据格式标准化处理，得到已清洗的基于位置服务轨迹数据和已清洗的行动热点轨迹数据。进一步地，服务器基于轨迹数据类型、多个轨迹字段以及每个轨迹字段对应的数据清理转换表达式，分别对用户的基于位置服务轨迹数据和用户的行动热点轨迹数据填补缺失值和清理非必要数据。例如，服务器删除用户的基于位置服务轨迹数据中大于预设距离的位置信息，进一步地，服务器从用户的基于位置服务轨迹数据中删除预设距离500米以外范围的宾馆、影院、图书、加油站等位置轨迹数据。

203、对案件工单信息、已清洗的基于位置服务轨迹数据和已清洗的行动热点轨迹数据进行数据分析和统计处理，得到风险特征因子数据集，风险特征因子数据集用于指示多个与酒驾行为相关的特征因子。

可以理解的是，风险特征因子数据集中的各特征因子用于指示用户社交活动范围广、用户在餐饮场所出现次数多、用户在娱乐场所出现次数多、用户活动偏好夜晚、以及用户驾驶轨迹偏离非主干道等风险行为。可选的，服务器对案件工单信息进行数据解析，得到案件发生时刻和案件发生地点，例如，交通事故的案件发生时刻为2021-04-10 22:20，该案件发生地点为郊区；服务器按照案件发生地点和预设的地点范围筛选案件地点周边环境信息，并将案件发生时刻和案件地点周边环境信息合并为案件特征因子，例如，案件地点周边环境信息是否包括酒吧或者娱乐场所等；服务器按照预设的特征提取策略分别从已清洗的基于位置服务轨迹数据和已清洗的行动热点轨迹数据中读取与目标场所相关联的多个位置服务兴趣点数据和多个行动热点兴趣点数据，目标场所包括娱乐场所和餐饮场所，其中，娱乐场所和餐饮场所均为与酒驾行为相关的风险场所；服务器按照预设的维度分别对多个位置服务兴趣点数据和多个行动热点兴趣点数据进行聚类分析，得到位置服务特征因子和行动热点特征因子，进一步地，服务器可以基于K均值聚类算法、基于密度的聚类算法或均值漂移聚类算法，按照预设的维度分别对多个位置服务兴趣点数据和多个行动热点兴趣点数据进行聚类分析，得到位置服务特征因子和行动热点特征因子。预设的维度包括时间维度和空间维度；服务器将案件特征因子、位置服务特征因子和行动热点特征因子组合为风险特征因子数据集，风险特征因子数据集用于指示多个与酒驾行为相关的特征因子。

204、基于预设的酒驾预测模型对风险特征因子数据集进行酒驾分析和预测，得到酒驾预测结果。

进一步地，服务器还可以将酒驾预测结果转换分百分制，也就是酒驾预测结果的取值范围为0至100之间。并且，随着酒驾预测结果的增大，表示用户酒驾行为的风险值越大。可选的，服务器将风险特征因子数据集输入至预设的酒驾预测模型，通过酒驾预测模型中的特征提取层对风险特征因子数据集进行特征编码和向量化处理，得多个嵌入向量特征，多个嵌入向量特征包括位置服务特征向量集和行动热点特征向量集；服务器通过酒驾预测模型中的因子分解机层对多个嵌入向量特征进行交叉特征组合，得到第一输出结果；服务器通过酒驾预测模型中的深度神经网络层对多个嵌入向量特征进行特征全连接处理，得到第二输出结果；服务器通过酒驾预测模型中的激活函数层，对第一输出结果和第二输出结果进行酒驾分析和预测，得到酒驾预测结果，并将酒驾预测结果和用户酒驾行为分析请求映射存储至预设的内存数据表中。

需要说明的是，服务器预先训练预设的酒驾预测模型，进一步地，服务器从预设的酒驾拒赔案件和预设的非酒驾拒赔案件中提取基于位置服务行为轨迹样本数据和行动热点行为轨迹样本数据；服务器根据时刻维度和空间维度将基于位置服务行为轨迹样本数据和行动热点行为轨迹样本数据转换为基于位置服务样本特征因子和行动热点样本特征因子；服务器根据位置服务样本特征因子和行动热点样本特征因子对初始深度神经网络模型进行训练，得到预设的酒驾预测模型。

205、按照酒驾预测结果生成用户酒驾测评信息，并将用户酒驾测评信息推送至目标终端，以使得目标终端按照用户酒驾测评信息处理对应的车辆赔偿业务。

进一步地，酒驾预测结果的取值范围可以为0至1之间，也可以为0至100之间，具体此处不做限定。例如，若酒驾预测结果为100，则目标终端按照用户酒驾测评信息拒绝处理车辆损坏赔偿业务和人身伤害赔偿业务，酒驾预测结果为25，则目标终端按照用户酒驾测评信息确认并提交车辆损坏赔偿业务和人身伤害赔偿业务，服务器对车辆损坏赔偿业务和人身伤害赔偿业务进行审核和理赔等业务操作。

可选的，服务器按照酒驾预测结果匹配预设的信息分类表，得到信息配置模板，并基于信息配置模板和案件工单信息生成用户酒驾测评信息；服务器通过预设的消息队列将用户酒驾测评信息推送至目标终端中，以使得目标终端按照用户酒驾测评信息处理对应的车辆赔偿业务，车辆赔偿业务包括车辆损坏赔偿业务和人身伤害赔偿业务。

206、根据用户明细数据、酒驾预测结果、用户酒驾测评信息和车辆赔偿业务构建用户行为画像。

具体的，服务器根据用户明细数据和车辆赔偿业务确定用户事实标签；服务器根据用户酒驾测评信息和酒驾预测结果确定用户辅助标签；服务器对用户事实标签和用户辅助标签进行实体分析和实体关系分析处理，得到用户行为画像。

207、将用户行为画像存储至预设的图数据库中，并将用户行为画像发送至目标终端。

其中，预设的图数据库可以为neo4j，也可以为分布式数据库flockDB，还可以为图形化数据库allegrograp，还可以为其他类型的图数据库，具体此处不做限定。具体的，服务器获取用户标识；服务器基于用户标识将用户行为画像更新至预设的图数据库中；服务器调用预设的数据传输接口，将用户行为画像发送至目标终端，以使得目标终端绘制并显示用户行为画像。

可以理解的是，服务器通过对用户的基于位置服务轨迹数据和用户的行动热点轨迹数据等用户行为轨迹信息的分析，可以发现用户的驾驶行为模式和出行规律等重要信息，通过建立丰富的用户画像，提高了对用户酒驾行为的识别率，从而有效防范用户因醉酒驾驶获取车辆损坏赔偿的风险，减少了目标企业(例如，保险企业)的车辆赔偿损失。

本发明实施例中，对案件工单信息、用户的基于位置服务轨迹数据和用户的行动热点轨迹数据分析酒驾相关因子特征，通过预设的酒驾预测模型的异常检测算法交叉分析酒驾相关因子特征，则可以筛选出酒驾风险高的用户，提升了用户酒驾行为风险的识别准确率和识别效率，并降低了车辆赔偿损失风险。

上面对本发明实施例中用户酒驾行为分析预测方法进行了描述，下面对本发明实施例中用户酒驾行为分析预测装置进行描述，请参阅图3，本发明实施例中用户酒驾行为分析预测装置的一个实施例包括：

获取模块301，用于接收用户酒驾行为分析请求，并按照用户酒驾行为分析请求获取用户明细数据，用户明细数据包括案件工单信息、用户的基于位置服务轨迹数据和用户的行动热点轨迹数据；

清洗模块302，用于根据预设的数据清洗规则对用户的基于位置服务轨迹数据和用户的行动热点轨迹数据进行数据清洗，得到已清洗的基于位置服务轨迹数据和已清洗的行动热点轨迹数据；

分析模块303，用于对案件工单信息、已清洗的基于位置服务轨迹数据和已清洗的行动热点轨迹数据进行数据分析和统计处理，得到风险特征因子数据集，风险特征因子数据集用于指示多个与酒驾行为相关的特征因子；

预测模块304，用于基于预设的酒驾预测模型对风险特征因子数据集进行酒驾分析和预测，得到酒驾预测结果；

生成模块305，用于按照酒驾预测结果生成用户酒驾测评信息，并将用户酒驾测评信息推送至目标终端，以使得目标终端按照用户酒驾测评信息处理对应的车辆赔偿业务。

进一步地，将驾驶意图风险评估报告存储至区块链数据库中，具体此处不做限定。

本发明实施例中，对案件工单信息、用户的基于位置服务轨迹数据和用户的行动热点轨迹数据分析酒驾相关因子特征，通过预设的酒驾预测模型的异常检测算法交叉分析酒驾相关因子特征，则可以筛选出酒驾风险高的用户，提升了用户酒驾行为风险的识别准确率和识别效率，并降低了车辆赔偿损失风险。

请参阅图4，本发明实施例中用户酒驾行为分析预测装置的另一个实施例包括：

获取模块301，用于接收用户酒驾行为分析请求，并按照用户酒驾行为分析请求获取用户明细数据，用户明细数据包括案件工单信息、用户的基于位置服务轨迹数据和用户的行动热点轨迹数据；

清洗模块302，用于根据预设的数据清洗规则对用户的基于位置服务轨迹数据和用户的行动热点轨迹数据进行数据清洗，得到已清洗的基于位置服务轨迹数据和已清洗的行动热点轨迹数据；

分析模块303，用于对案件工单信息、已清洗的基于位置服务轨迹数据和已清洗的行动热点轨迹数据进行数据分析和统计处理，得到风险特征因子数据集，风险特征因子数据集用于指示多个与酒驾行为相关的特征因子；

预测模块304，用于基于预设的酒驾预测模型对风险特征因子数据集进行酒驾分析和预测，得到酒驾预测结果；

生成模块305，用于按照酒驾预测结果生成用户酒驾测评信息，并将用户酒驾测评信息推送至目标终端，以使得目标终端按照用户酒驾测评信息处理对应的车辆赔偿业务。

可选的，清洗模块302还可以具体用于：

按照预设的数据格式对预设的数据清洗规则进行数据解析，得到已解析的数据清洗规则，已解析的数据清洗规则包括轨迹数据类型、多个轨迹字段以及每个轨迹字段对应的数据清理转换表达式；

基于轨迹数据类型、多个轨迹字段以及每个轨迹字段对应的数据清理转换表达式，分别对用户的基于位置服务轨迹数据和用户的行动热点轨迹数据依次进行数据去重、异常数据删除、空值数据清理和数据格式标准化处理，得到已清洗的基于位置服务轨迹数据和已清洗的行动热点轨迹数据。

可选的，分析模块303还可以具体用于：

对案件工单信息进行数据解析，得到案件发生时刻和案件发生地点；

按照案件发生地点和预设的地点范围筛选案件地点周边环境信息，并将案件发生时刻和案件地点周边环境信息合并为案件特征因子；

按照预设的特征提取策略分别从已清洗的基于位置服务轨迹数据和已清洗的行动热点轨迹数据中读取与目标场所相关联的多个位置服务兴趣点数据和多个行动热点兴趣点数据，目标场所包括娱乐场所和餐饮场所；

按照预设的维度分别对多个位置服务兴趣点数据和多个行动热点兴趣点数据进行聚类分析，得到位置服务特征因子和行动热点特征因子；

将案件特征因子、位置服务特征因子和行动热点特征因子组合为风险特征因子数据集，风险特征因子数据集用于指示多个与酒驾行为相关的特征因子。

可选的，预测模块304还可以具体用于：

将风险特征因子数据集输入至预设的酒驾预测模型，通过酒驾预测模型中的特征提取层对风险特征因子数据集进行特征编码和向量化处理，得多个嵌入向量特征，多个嵌入向量特征包括位置服务特征向量集和行动热点特征向量集；

通过酒驾预测模型中的因子分解机层对多个嵌入向量特征进行交叉特征组合，得到第一输出结果；

通过酒驾预测模型中的深度神经网络层对多个嵌入向量特征进行特征全连接处理，得到第二输出结果；

通过酒驾预测模型中的激活函数层，对第一输出结果和第二输出结果进行酒驾分析和预测，得到酒驾预测结果，并将酒驾预测结果和用户酒驾行为分析请求映射存储至预设的内存数据表中。

可选的，生成模块305还可以具体用于：

按照酒驾预测结果匹配预设的信息分类表，得到信息配置模板，并基于信息配置模板和案件工单信息生成用户酒驾测评信息；

通过预设的消息队列将用户酒驾测评信息推送至目标终端中，以使得目标终端按照用户酒驾测评信息处理对应的车辆赔偿业务，车辆赔偿业务包括车辆损坏赔偿业务和人身伤害赔偿业务。

可选的，用户酒驾行为分析预测装置还可以包括：

提取模块306，用于从预设的酒驾拒赔案件和预设的非酒驾拒赔案件中提取基于位置服务行为轨迹样本数据和行动热点行为轨迹样本数据；

转换模块307，用于根据时刻维度和空间维度将基于位置服务行为轨迹样本数据和行动热点行为轨迹样本数据转换为基于位置服务样本特征因子和行动热点样本特征因子；

训练模块308，用于根据位置服务样本特征因子和行动热点样本特征因子对初始深度神经网络模型进行训练，得到预设的酒驾预测模型。

可选的，用户酒驾行为分析预测装置还可以包括：

构建模块309，用于根据用户明细数据、酒驾预测结果、用户酒驾测评信息和车辆赔偿业务构建用户行为画像；

存储模块310，用于将用户行为画像存储至预设的图数据库中，并将用户行为画像发送至目标终端。

本发明实施例中，对案件工单信息、用户的基于位置服务轨迹数据和用户的行动热点轨迹数据分析酒驾相关因子特征，通过预设的酒驾预测模型的异常检测算法交叉分析酒驾相关因子特征，则可以筛选出酒驾风险高的用户，提升了用户酒驾行为风险的识别准确率和识别效率，并降低了车辆赔偿损失风险。

上面图3和图4从模块化的角度对本发明实施例中的用户酒驾行为分析预测装置进行详细描述，下面从硬件处理的角度对本发明实施例中用户酒驾行为分析预测设备进行详细描述。

图5是本发明实施例提供的一种用户酒驾行为分析预测设备的结构示意图，该用户酒驾行为分析预测设备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(central processing units，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用户酒驾行为分析预测设备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，在用户酒驾行为分析预测设备500上执行存储介质530中的一系列指令操作。

用户酒驾行为分析预测设备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Windows Serve，Mac OS X，Unix，Linux，FreeBSD等等。本领域技术人员可以理解，图5示出的用户酒驾行为分析预测设备结构并不构成对用户酒驾行为分析预测设备的限定，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用户酒驾行为分析预测方法的步骤。

本发明还提供一种用户酒驾行为分析预测设备，所述用户酒驾行为分析预测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用户酒驾行为分析预测方法的步骤。

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-only memory，ROM)、随机存取存储器(random access memory，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。