一种新能源车车主识别方法、装置、设备及存储介质与流程

1.本技术属于人工智能技术领域和金融产险领域，具体涉及一种新能源车车主识别方法、装置、设备及存储介质。


背景技术：

2.新能源汽车是指使用新型能源替代传统燃油的汽车，包括电动汽车、混合动力汽车、燃料电池汽车等。新能源汽车的发展具有趋势性和前景性，未来将继续受到技术、市场和应用等多重因素的推动，成为汽车产业转型升级和可持续发展的重要方向。随着全球对环境保护和能源安全的重视，新能源汽车正成为未来汽车发展的趋势。
3.新能源汽车销量在过去几年内快速增长，对于经营车险的保险公司来说，需要应对新业务形态带来的机会和挑战。由于新能源汽车产品及销售模式的变化，新能源汽车的客户群体较传统燃油车客户发生了结构性的改变，例如新能源车主中女性占比更高、拥有多台车的占比更高等。与此同时，整体的车主规模数量以及车险产品的销售空间也进一步扩大，但一般情况下保险公司没有办法拿到汽车销售方的销售数据，所以难以确定车险产品的潜在客群。面对当前新能源车主逐年上升的趋势，保险公司需要积极探索并挖掘客户特征，对于潜在客群进行快速准确的识别，从而寻求合适的触达转化模式以应对市场竞争。
4.传统的新能源车主识别方案往往基于充电等直接使用行为而形成筛选规则，但可使用的数据局限于保险公司自有车服务平台采集，而其中绝大部分使用行为来源于已转化客户，因此数据的识别效率低且覆盖度不够。而针对于其他服务平台采集的数据，如一些用车服务平台上产生的数据等，而针对这些数据的处理除了上述特征以外，往往还需要挖掘数据和特征之间的相关性以及隐含信息，使用传统的深度学习模型，则需要大量且复杂的特征工程处理，将会产生巨大的人力成本投入。


技术实现要素：

5.本技术实施例的目的在于提出一种新能源车车主识别方法、装置、计算机设备及存储介质，以解决现有新能源车主识别方案使用传统的深度学习模型实现，需要投入大量的人力成本进行特征工程处理，成本较高，效率较低的技术问题。
6.为了解决上述技术问题，本技术实施例提供一种新能源车车主识别方法，采用了如下所述的技术方案：一种新能源车车主识别方法，包括：获取预训练数据，并对所述预训练数据进行预处理，其中，所述预训练数据为预先收集历史用车数据；对预处理后的所述预训练数据进行特征提取，得到初始特征，并将所述初始特征输入到预设的初始识别模型，其中，所述初始识别模型包括特征交叉单元和特征预测单元；通过所述特征交叉单元计算所述初始特征之间的特征交叉项；将所述初始特征和所述特征交叉项作为所述特征预测单元的输入数据，并利用所
述输入数据对所述特征预测单元进行训练，输出预测结果；根据所述预测结果对所述初始识别模型的模型参数进行调整，直至模型拟合，生成新能源车车主识别模型；接收车主识别指令，获取待识别用车数据，将所述待识别用车数据导入所述新能源车车主识别模型，输出车主识别结果。
7.进一步地，所述预处理包括数据筛选、数据清洗、标准化和数据集划分，所述获取预训练数据，并对所述预训练数据进行预处理，具体包括：从预设的数据库导入所述预训练数据；根据预设的数据筛选规则对所述预训练数据进行数据筛选；对筛选后的所述预训练数据进行数据清洗以及数据标准化处理；对完成数据清洗以及数据标准化处理的所述预训练数据进行数据集划分，得到训练集、验证集和测试集。
8.进一步地，在所述将所述初始特征输入到预设的初始识别模型之前，还包括：对所述初始特征进行分类，得到离散特征和连续特征；对所述离散特征进行one-hot编码，以及对所述连续特征进行归一化处理；将one-hot编码后的所述离散特征和归一化处理后的所述连续特征进行组合，得到特征组合。
9.进一步地，所述初始识别模型为deepfm模型，deepfm模型包括fm子模型和deep子模型，所述特征交叉单元为所述fm子模型，所述特征预测单元为deep子模型，所述通过所述特征交叉单元计算所述初始特征之间的特征交叉项，具体包括：选取任意一个所述初始特征作为目标初始特征，分别计算所述目标初始特征与其余初始特征的内积，得到所述目标初始特征的一阶交叉项；获取所述fm子模型的隐向量，并将所述一阶交叉项和所述隐向量相乘，得到所述目标初始特征的二阶交叉项；组合所述一阶交叉项和所述二阶交叉项，得到所述特征交叉项。
10.进一步地，所述deep子模型为mlp模型，所述mlp模型包含若干个全连接层和输出层，所述将所述初始特征和所述特征交叉项作为所述特征预测单元的输入数据，并利用所述输入数据对所述特征预测单元进行训练，输出预测结果，具体包括：将所述初始特征和所述特征交叉项进行拼接，得到全特征向量；将所述全特征向量依次导入若干个所述全连接层中进行特征处理，得到特征拟合向量；将所述特征拟合向量导入到所述输出层，得到预测结果。
11.进一步地，所述将所述全特征向量依次导入若干个所述全连接层中进行特征处理，得到特征拟合向量，具体包括：将所述全特征向量导入第一个全连接层，得到第一输出向量；对所述第一输出向量进行非线性变换；把非线性变换后的所述第一输出向量导入第二个全连接层，得到第二输出向量；依次将上一个全连接层的输出向量在导入下一个全连接层，直至获得最后一个全
连接层输出的所述特征拟合向量；在所述依次将上一个全连接层的输出向量在导入下一个全连接层，直至获得最后一个全连接层输出的所述特征拟合向量之前，还包括：对上一个全连接层的输出向量进行非线性变换。
12.进一步地，所述根据所述预测结果对所述初始识别模型的模型参数进行调整，直至模型拟合，生成新能源车车主识别模型，具体包括：基于所述mlp模型的损失函数计算所述预测结果和预设的标准结果之间的误差，得到预测误差；将所述预测误差与预设的误差阈值进行比对；若所述预测误差大于所述误差阈值，则持续调整所述初始识别模型的模型参数，直至所述预测误差小于或等于所述误差阈值为止，生成新能源车车主识别模型。
13.为了解决上述技术问题，本技术实施例还提供一种新能源车车主识别装置，采用了如下所述的技术方案：一种新能源车车主识别装置，包括：数据处理模块，用于获取预训练数据，并对所述预训练数据进行预处理，其中，所述预训练数据为预先收集历史用车数据；特征提取模块，用于对预处理后的所述预训练数据进行特征提取，得到初始特征，并将所述初始特征输入到预设的初始识别模型，其中，所述初始识别模型包括特征交叉单元和特征预测单元；交叉计算模块，用于通过所述特征交叉单元计算所述初始特征之间的特征交叉项；特征学习模块，用于将所述初始特征和所述特征交叉项作为所述特征预测单元的输入数据，并利用所述输入数据对所述特征预测单元进行训练，输出预测结果；模型调整模块，用于根据所述预测结果对所述初始识别模型的模型参数进行调整，直至模型拟合，生成新能源车车主识别模型；车主识别模块，用于接收车主识别指令，获取待识别用车数据，将所述待识别用车数据导入所述新能源车车主识别模型，输出车主识别结果。
14.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：一种计算机设备，包括存储器和处理器，所述存储器中存储有计算机可读指令，所述处理器执行所述计算机可读指令时实现如上述任一项所述的新能源车车主识别方法的步骤。
15.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：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可读指令，所述计算机可读指令被处理器执行时实现如上述中任一项所述的新能源车车主识别方法的步骤。
16.与现有技术相比，本技术实施例主要有以下有益效果：本技术公开一种新能源车车主识别方法、装置、设备及存储介质，属于人工智能技
术领域和金融产险领域。本技术通过对预训练数据进行预处理，对预处理后的预训练数据进行特征提取，得到初始特征，将初始特征输入到初始识别模型，初始识别模型包括特征交叉单元和特征预测单元，通过特征交叉单元计算初始特征之间的特征交叉项，将初始特征和特征交叉项作为特征预测单元的输入数据，并利用输入数据对特征预测单元进行训练，输出预测结果，根据预测结果对初始识别模型的模型参数进行调整，直至模型拟合，生成新能源车车主识别模型，接收车主识别指令，获取待识别用车数据，将待识别用车数据导入新能源车车主识别模型，输出车主识别结果。本技术通过采用包含特征交叉单元和特征预测单元的车主识别模型结构，通过特征交叉单元计算特征交叉项，以获得模型训练用到的低阶特征和高阶特证，通过特征预测单元同时学习训练低阶特征和高阶特证，本技术不需要进行大量繁复的人工特征工程处理，在保证模型识别精度的同时，避免大量的人力投入，节约了成本，通过新能源车车主识别，提高新能源车相关保险产品的购买率。
附图说明
17.为了更清楚地说明本技术中的方案，下面将对本技术实施例描述中所需要使用的附图作一个简单介绍，显而易见地，下面描述中的附图是本技术的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
18.图1示出了本技术可以应用于其中的示例性系统架构图；图2 示出了根据本技术的新能源车车主识别方法的一个实施例的流程图；图3 示出了图2中步骤s203的一个实施例的流程图；图4 示出了图2中步骤s204的一个实施例的流程图；图5示出了根据本技术的新能源车车主识别装置的一个实施例的结构示意图；图6示出了根据本技术的计算机设备的一个实施例的结构示意图。
具体实施方式
19.除非另有定义，本文所使用的所有的技术和科学术语与属于本技术的技术领域的技术人员通常理解的含义相同；本文中在申请的说明书中所使用的术语只是为了描述具体的实施例的目的，不是旨在于限制本技术；本技术的说明书和权利要求书及上述附图说明中的术语“包括”和“具有”以及它们的任何变形，意图在于覆盖不排他的包含。本技术的说明书和权利要求书或上述附图中的术语“第一”、“第二”等是用于区别不同对象，而不是用于描述特定顺序。
20.在本文中提及“实施例”意味着，结合实施例描述的特定特征、结构或特性可以包含在本技术的至少一个实施例中。在说明书中的各个位置出现该短语并不一定均是指相同的实施例，也不是与其它实施例互斥的独立的或备选的实施例。本领域技术人员显式地和隐式地理解的是，本文所描述的实施例可以与其它实施例相结合。
21.为了使本技术领域的人员更好地理解本技术方案，下面将结合附图，对本技术实施例中的技术方案进行清楚、完整地描述。
22.如图1所示，系统架构100可以包括终端设备101、102、103，网络104和服务器105。网络104用以在终端设备101、102、103和服务器105之间提供通信链路的介质。网络104可以包括各种连接类型，例如有线、无线通信链路或者光纤电缆等等。
23.用户可以使用终端设备101、102、103通过网络104与服务器105交互，以接收或发送消息等。终端设备101、102、103上可以安装有各种通讯客户端应用，例如网页浏览器应用、购物类应用、搜索类应用、即时通信工具、邮箱客户端、社交平台软件等。
24.终端设备101、102、103可以是具有显示屏并且支持网页浏览的各种电子设备，包括但不限于智能手机、平板电脑、电子书阅读器、mp3播放器( moving picture experts group audio layer iii，动态影像专家压缩标准音频层面3 )、mp4( moving picture experts group audio layer iv，动态影像专家压缩标准音频层面4 )播放器、膝上型便携计算机和台式计算机等等。
25.服务器105可以是提供各种服务的服务器，例如对终端设备101、102、103上显示的页面提供支持的后台服务器，服务器可以是独立的服务器，也可以是提供云服务、云数据库、云计算、云函数、云存储、网络服务、云通信、中间件服务、域名服务、安全服务、内容分发网络(content delivery network，cdn)、以及大数据和人工智能平台等基础云计算服务的云服务器。
26.需要说明的是，本技术实施例所提供的新能源车车主识别方法一般由服务器执行，相应地，新能源车车主识别装置一般设置于服务器中。
27.应该理解，图1中的终端设备、网络和服务器的数目仅仅是示意性的。根据实现需要，可以具有任意数目的终端设备、网络和服务器。
28.继续参考图2，示出了根据本技术的新能源车车主识别方法的一个实施例的流程图。本技术实施例可以基于人工智能技术对相关的数据进行获取和处理。其中，人工智能（artificial intelligence，ai)是利用数字计算机或者数字计算机控制的机器模拟、延伸和扩展人的智能，感知环境、获取知识并使用知识获得最佳结果的理论、方法、技术及应用系统。
29.人工智能基础技术一般包括如传感器、专用人工智能芯片、云计算、分布式存储、大数据处理技术、操作/交互系统、机电一体化等技术。人工智能软件技术主要包括计算机视觉技术、机器人技术、生物识别技术、语音处理技术、自然语言处理技术以及机器学习/深度学习等几大方向。
30.传统的新能源车主识别方案往往基于充电等直接使用行为而形成筛选规则，但可使用的数据局限于保险公司自有车服务平台采集，而其中绝大部分使用行为来源于已转化客户，因此数据的识别效率低且覆盖度不够。而针对于其他服务平台采集的数据，如一些用车服务平台上产生的数据等，而针对这些数据的处理除了上述特征以外，往往还需要挖掘数据和特征之间的相关性以及隐含信息，使用传统的深度学习模型，则需要大量且复杂的特征工程处理，将会产生巨大的人力成本投入。
31.为了解决上述技术问题，本技术公开一种新能源车车主识别方法、装置、设备及存储介质，属于人工智能技术领域和金融产险领域，本技术通过采用包含特征交叉单元和特征预测单元的车主识别模型结构，通过特征交叉单元计算特征交叉项，以获得模型训练用到的低阶特征和高阶特证，通过特征预测单元同时学习训练低阶特征和高阶特证，本技术不需要进行大量繁复的人工特征工程处理，在保证模型识别精度的同时，避免大量的人力投入，节约了成本。
32.在新能源车主识别项目中，可以将车主的一些基本信息（如性别、年龄、收入、职业
等）作为输入特征，然后使用deepfm算法来训练模型，从而实现对车主的识别。
33.deepfm算法是一种融合了深度神经网络和因子分解机的模型，它的主要优点是能够自动地学习高阶和低阶特征，并且在特征工程方面需要的人力成本比较低。
34.具体地，deepfm算法是通过将因子分解机的二阶交叉项和深度神经网络的高阶交叉项进行结合来实现的。因子分解机可以捕捉输入特征之间的二阶交叉关系，而深度神经网络可以学习到更高阶的特征交叉关系，这两个模型的输出结果会被相加，从而得到最终的预测结果。因此，deepfm算法可以同时捕捉低阶和高阶的特征交叉关系，从而提高预测的准确性。
35.在新能源车主识别项目中，可以将车主的基本信息作为输入特征，然后使用deepfm算法来训练模型。在训练过程中，需要使用大量的车主数据来训练模型，以便能够更好地学习特征之间的关系。训练完成后，就可以使用该模型来对新的车主数据进行识别，从而实现识别准确度和速度的目标。同时，由于deepfm算法不需要进行复杂的特征工程，因此可以大大减少人力成本，从而更加高效地完成新能源车主识别项目的研发。
36.所述的新能源车车主识别方法，包括以下步骤：s201，获取预训练数据，并对预训练数据进行预处理，其中，预训练数据为预先收集历史用车数据。
37.在上述实施例中，服务器从数据库导入预训练数据，对预训练数据进行预处理，其中，预训练数据为预先收集历史用车数据，预处理至少包括数据筛选、数据清洗、标准化和数据集划分。
38.进一步地，获取预训练数据，并对预训练数据进行预处理，具体包括：从预设的数据库导入预训练数据；根据预设的数据筛选规则对预训练数据进行数据筛选；对筛选后的预训练数据进行数据清洗以及数据标准化处理；对完成数据清洗以及数据标准化处理的预训练数据进行数据集划分，得到训练集、验证集和测试集。
39.在上述实施例中，当使用deepfm模型进行新能源车主识别时，对数据的预处理和清洗是十分关键的，以下是一些基本的步骤：数据采集：收集车主的相关数据，包括行驶记录、充电记录、车辆信息等。对于不同的数据类型，需要进行不同的预处理操作，比如对于时间戳数据，可以将其转换为具体的时间格式；对于车辆信息数据，可以进行归一化处理，将不同品牌的车辆数据转化为统一的格式。
40.数据筛选：需要进行数据筛选，以获得对对车主识别具有重要影响的特征。比如，对于行驶记录数据，可以根据不同的路段和时间段，提取平均速度、行驶时间、行驶距离等特征；对于充电记录数据，可以根据充电时间和充电桩类型，提取充电频次、充电电量等特征。在进行特征选择时，可以使用特征选择算法来筛选出对车主识别具有重要影响的特征。
41.在本技术一种具体的实施例中，基于spark平台整合200多个底层因子来进行数据筛选，包括两大类，即基础用车数据因子和消费业务因子，例如，一些基础用车数据因子如下：用户信息：包括用户id、性别、年龄、地域、车型等。
42.行驶信息：包括里程、时间、起点和终点、行驶时间等。
43.车辆信息：包括车型、品牌、颜色、车龄等。
44.充电信息：包括充电时间、充电地点、充电类型等。
45.天气信息：包括温度、湿度、风速等。
46.一些消费业务因子如下：线上行为：触发车相关的埋点类型，页面类型，触发次数，触发时间，停留时间等。
47.车相关消费记录：消费类目，消费金额，消费时间，消费频次等。
48.汽车贷款记录：贷款笔数，贷款金额，贷款时间，贷款产品类型等。
49.被投保人信息：性别，年龄，年收入级别，职业类型，历史投保单数量，历史投保标的数量，客户价值层次，线上内容偏好等。
50.已投保标的信息：车辆初登日期，车动力类型，车辆价格，历史出险频次，历史赔付金额等。
51.以上因子只是示例性的，并非新能源车车主是识别项目的全部底层因子，实际是项目中可能还有其它因子，具体根据项目实际需求来确定。在使用spark进行底层因子整合时，可以通过spark sql或spark dataframe等api进行数据读取、处理和转换。例如，通过spark sql的select、join等操作进行数据筛选和拼接，通过spark dataframe的groupby、agg等操作进行数据聚合和统计，最终得到的底层因子数据将会用于deepfm模型的训练和预测。
52.数据清洗：在收集到数据之后，需要对其进行清洗，去除不完整、重复、错误的数据。比如，对于行驶记录数据，可以去除速度为负数的数据、重复的数据等；对于充电记录数据，可以去除充电时间为0的数据。
53.特征缩放和标准化：对于不同类型的特征，需要进行不同的缩放和标准化处理。比如，对于行驶距离和充电电量等数值型数据，可以进行最大最小值归一化；对于车辆品牌和颜色等离散型数据，可以进行独热编码处理。
54.数据集划分：将清洗和转换后的数据集划分为训练集、验证集和测试集。在划分数据集时，需要注意避免过拟合和欠拟合的情况，保证训练集、验证集和测试集的分布相似。
55.进一步地，在将初始特征输入到预设的初始识别模型之前，还包括：对初始特征进行分类，得到离散特征和连续特征；对离散特征进行one-hot编码，以及对连续特征进行归一化处理；将one-hot编码后的离散特征和归一化处理后的连续特征进行组合，得到特征组合。
56.在本实施例中，通过对初始特征进行分类，得到离散特征和连续特征，对离散特征进行one-hot编码，以及对连续特征进行归一化处理，将one-hot编码后的离散特征和归一化处理后的连续特征进行组合，得到特征组合。
57.其中，对于离散特征，采用的是embedding技术，将每个离散特征映射为一个低维稠密向量。这个映射的目的是让模型能够自动学习特征之间的关系，因为在高维稀疏的特征空间中，很难直接发现特征之间的相关性。embedding层会将每个离散特征映射为一个$d$维稠密向量，$d$是用户定义的一个超参数。
58.对于连续特征，采用的是归一化操作，将其缩放到[0,1]之间。具体地，对于每个连
续特征，可以将其标准化为均值为0，方差为1的分布，然后通过sigmoid函数或tanh函数将其缩放到[0，1]之间。
[0059]
在上述实施例中，通过将初始特征进行分类，并针对离散特征和连续特征分别进行处理，使得在deepfm模型中，离散特征和连续特征都可以用于预测任务，并且通过embedding和归一化操作，可以使得特征之间的交互更加准确和有效。
[0060]
s202，对预处理后的预训练数据进行特征提取，得到初始特征，并将初始特征输入到预设的初始识别模型，其中，初始识别模型包括特征交叉单元和特征预测单元。
[0061]
在上述实施例中，初始识别模型为deepfm模型，deepfm模型包括fm子模型和deep子模型，特征交叉单元为fm子模型，特征预测单元为deep子模型，deep子模型为mlp模型。
[0062]
deepfm模型是一种基于神经网络和因子分解机（factorization machine，fm）相结合的深度学习模型。它将fm模型与多层感知机（mlp）相结合，既可以充分挖掘特征之间的交叉信息，又可以学习高阶特征的非线性表示，从而提高了模型的预测性能。
[0063]
deepfm模型的核心思想是将fm模型的特征交叉部分和mlp模型的特征嵌入部分结合起来，形成一个端到端可训练的模型。具体来说，deepfm模型首先使用fm模型计算出所有一阶和二阶特征的交叉项，然后将这些交叉项与原始特征向量一起输入到mlp模型中进行训练。在训练过程中，模型会学习到不同特征之间的交互关系和非线性表示，以提高模型的预测准确性。
[0064]
s203，通过特征交叉单元计算初始特征之间的特征交叉项。
[0065]
在本实施例中，通过fm子模型计算初始特征之间的特征交叉项，特征交叉项包括一阶交叉项和二阶交叉项。
[0066]
进一步地，请参考图3，通过特征交叉单元计算初始特征之间的特征交叉项，具体包括：s301，选取任意一个初始特征作为目标初始特征；s302，分别计算目标初始特征与其余初始特征的内积，得到目标初始特征的一阶交叉项；s303，获取fm子模型的隐向量，并将一阶交叉项和隐向量相乘，得到目标初始特征的二阶交叉项；s304，组合一阶交叉项和二阶交叉项，得到特征交叉项。
[0067]
在本实施例中，需要通过fm子模型计算每一个初始特征的特征交叉项，其中，先选取任意一个初始特征作为目标初始特征，分别计算目标初始特征与其余初始特征的内积，得到目标初始特征的一阶交叉项，获取fm子模型的隐向量v，并将一阶交叉项和隐向量v相乘，得到目标初始特征的二阶交叉项。
[0068]
deepfm模型会通过隐藏向量v的形式来计算特征之间的二维交叉信息。具体来说，deepfm模型会首先通过fm模型计算出所有一阶和二阶特征的交叉项，其中二阶交叉项的计算是通过将特征的隐向量v和一阶交叉项相乘得到的。隐向量v可以被视为是模型学习到的特征向量的低维度表示，因此可以更好地捕捉特征之间的相互作用。
[0069]
对于一个具有n个特征的样本，deepfm模型会为每个特征维度上的特征向量随机初始化一个k维度的隐向量v，并将其作为fm模型中的参数。随后通过数据进行训练，deepfm模型会自动学习每个特征向量的隐向量v，并用它们来计算特征之间的交叉信息。在训练过
程中，deepfm模型不仅学习了特征之间的交互关系，还可以通过使用更深的神经网络结构来捕捉更高阶的特征交互。
[0070]
s204，将初始特征和特征交叉项作为特征预测单元的输入数据，并利用输入数据对特征预测单元进行训练，输出预测结果。
[0071]
在本实施例中，通过将初始特征和特征交叉项进行拼接，得到全特征向量，利用全特征向量对特征预测单元进行训练，输出预测结果。
[0072]
进一步地，请参考图4，mlp模型包含若干个全连接层和输出层，将初始特征和特征交叉项作为特征预测单元的输入数据，并利用输入数据对特征预测单元进行训练，输出预测结果，具体包括：s401，将初始特征和特征交叉项进行拼接，得到全特征向量；s402，将全特征向量依次导入若干个全连接层中进行特征处理，得到特征拟合向量；s403，将特征拟合向量导入到输出层，得到预测结果。
[0073]
进一步地，将全特征向量依次导入若干个全连接层中进行特征处理，得到特征拟合向量，具体包括：将全特征向量导入第一个全连接层，得到第一输出向量；对第一输出向量进行非线性变换；把非线性变换后的第一输出向量导入第二个全连接层，得到第二输出向量；依次将上一个全连接层的输出向量在导入下一个全连接层，直至获得最后一个全连接层输出的特征拟合向量；在依次将上一个全连接层的输出向量在导入下一个全连接层，直至获得最后一个全连接层输出的特征拟合向量之前，还包括：对上一个全连接层的输出向量进行非线性变换。
[0074]
在本实施例中，mlp模型计算过程可以分为以下几个步骤：1.将输入的特征向量进行拼接，得到一个包含所有特征的向量；2.将拼接后的特征向量输入到第一个全连接层，得到一组新的特征向量；3.对新的特征向量进行非线性变换，一般使用relu等激活函数实现；4.将变换后的特征向量输入到下一个全连接层，再次得到一组新的特征向量；5.重复进行步骤3和步骤4，直到得到最终的特征向量，即特征拟合向量；6.将特征拟合向量输入到输出层，得到预测结果。
[0075]
在上述实施例中，在每个全连接层中，使用了多个神经元来对输入的特征向量进行变换和特征抽取，通过多层的全连接和非线性变换，mlp模型可以学习到更高层次的特征，从而提高模型的性能。同时，在deepfm模型中，mlp模型和fm模型是联合训练的，能够充分利用二阶交叉信息和高阶非线性信息，提高模型的预测准确率。
[0076]
s205，根据预测结果对初始识别模型的模型参数进行调整，直至模型拟合，生成新能源车车主识别模型。
[0077]
在本实施例中，根据预测结果计算预测误差，通过预测误差对初始识别模型的模型参数进行调整，直至模型拟合，生成新能源车车主识别模型。
[0078]
进一步地，根据预测结果对初始识别模型的模型参数进行调整，直至模型拟合，生
成新能源车车主识别模型，具体包括：基于mlp模型的损失函数计算预测结果和预设的标准结果之间的误差，得到预测误差；将预测误差与预设的误差阈值进行比对；若预测误差大于误差阈值，则持续调整初始识别模型的模型参数，直至预测误差小于或等于误差阈值为止，生成新能源车车主识别模型。
[0079]
在本实施例中，基于mlp模型的损失函数计算预测结果和预设的标准结果之间的误差，得到预测误差，其中，预设的标准结果为携带初始特征的预训练数据，通过反向传播算法将预测误差在deepfm模型的网络层中进行传递，将deepfm模型各个网络层的预测误差与预设的误差阈值进行比对，如果存在任意一个网络层的预测误差大于误差阈值，则利用梯度下降法更新持续调整初始识别模型的模型参数，直至所有网络层的预测误差小于或等于误差阈值为止，生成新能源车车主识别模型。
[0080]
在上述实施例中，模型参数包括mlp部分的权重参数w和偏置项b、fm部分的嵌入矩阵和偏置项，通过梯度下降法更新持续调整上述模型参数，直至模型收敛，即可获得新能源车车主识别模型。
[0081]
s206，接收车主识别指令，获取待识别用车数据，将待识别用车数据导入新能源车车主识别模型，输出车主识别结果。
[0082]
在本实施例中，新能源车车主识别模型训练完成后，当接收车主识别指令时，即可获取待识别用车数据，将待识别用车数据导入新能源车车主识别模型，输出车主识别结果。
[0083]
在本实施例中，新能源车车主识别方法运行于其上的电子设备(例如图1所示的服务器)可以通过有线连接方式或者无线连接方式接收车主识别指令。需要指出的是，上述无线连接方式可以包括但不限于3g/4g连接、wifi连接、蓝牙连接、wimax连接、zigbee连接、uwb( ultra wideband )连接、以及其他现在已知或将来开发的无线连接方式。
[0084]
在上述实施例中，本技术公开一种新能源车车主识别方法，属于人工智能技术领域和金融产险领域。本技术通过对预训练数据进行预处理，对预处理后的预训练数据进行特征提取，得到初始特征，将初始特征输入到初始识别模型，初始识别模型包括特征交叉单元和特征预测单元，通过特征交叉单元计算初始特征之间的特征交叉项，将初始特征和特征交叉项作为特征预测单元的输入数据，并利用输入数据对特征预测单元进行训练，输出预测结果，根据预测结果对初始识别模型的模型参数进行调整，直至模型拟合，生成新能源车车主识别模型，接收车主识别指令，获取待识别用车数据，将待识别用车数据导入新能源车车主识别模型，输出车主识别结果。本技术通过采用包含特征交叉单元和特征预测单元的车主识别模型结构，通过特征交叉单元计算特征交叉项，以获得模型训练用到的低阶特征和高阶特证，通过特征预测单元同时学习训练低阶特征和高阶特证，本技术不需要进行大量繁复的人工特征工程处理，在保证模型识别精度的同时，避免大量的人力投入，节约了成本，通过新能源车车主识别，促进新能源车相关保险产品的销售，提高新能源车相关保险产品的购买率。
[0085]
需要强调的是，为进一步保证上述待识别用车数据的私密和安全性，上述待识别用车数据还可以存储于一区块链的节点中。
[0086]
本技术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。
[0087]
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程，是可以通过计算机可读指令来指令相关的硬件来完成，该计算机可读指令可存储于一计算机可读取存储介质中，该计算机可读指令在执行时，可包括如上述各方法的实施例的流程。其中，前述的存储介质可为磁碟、光盘、只读存储记忆体（read-only memory，rom）等非易失性存储介质，或随机存储记忆体（random access memory，ram）等。
[0088]
应该理解的是，虽然附图的流程图中的各个步骤按照箭头的指示依次显示，但是这些步骤并不是必然按照箭头指示的顺序依次执行。除非本文中有明确的说明，这些步骤的执行并没有严格的顺序限制，其可以以其他的顺序执行。而且，附图的流程图中的至少一部分步骤可以包括多个子步骤或者多个阶段，这些子步骤或者阶段并不必然是在同一时刻执行完成，而是可以在不同的时刻执行，其执行顺序也不必然是依次进行，而是可以与其他步骤或者其他步骤的子步骤或者阶段的至少一部分轮流或者交替地执行。
[0089]
进一步参考图5，作为对上述图2所示方法的实现，本技术提供了一种新能源车车主识别装置的一个实施例，该装置实施例与图2所示的方法实施例相对应，该装置具体可以应用于各种电子设备中。
[0090]
如图5所示，本实施例所述的新能源车车主识别装置500包括：数据处理模块501，用于获取预训练数据，并对预训练数据进行预处理，其中，预训练数据为预先收集历史用车数据；特征提取模块502，用于对预处理后的预训练数据进行特征提取，得到初始特征，并将初始特征输入到预设的初始识别模型，其中，初始识别模型包括特征交叉单元和特征预测单元；交叉计算模块503，用于通过特征交叉单元计算初始特征之间的特征交叉项；特征学习模块504，用于将初始特征和特征交叉项作为特征预测单元的输入数据，并利用输入数据对特征预测单元进行训练，输出预测结果；模型调整模块505，用于根据预测结果对初始识别模型的模型参数进行调整，直至模型拟合，生成新能源车车主识别模型；车主识别模块506，用于接收车主识别指令，获取待识别用车数据，将待识别用车数据导入新能源车车主识别模型，输出车主识别结果。
[0091]
进一步地，预处理包括数据筛选、数据清洗、标准化和数据集划分，数据处理模块501具体包括：数据导入单元，用于从预设的数据库导入预训练数据；数据筛选单元，用于根据预设的数据筛选规则对预训练数据进行数据筛选；数据预处理单元，用于对筛选后的预训练数据进行数据清洗以及数据标准化处理；数据划分单元，用于对完成数据清洗以及数据标准化处理的预训练数据进行数据集划分，得到训练集、验证集和测试集。
[0092]
进一步地，新能源车车主识别装置500还包括：特征分类模块，用于对初始特征进行分类，得到离散特征和连续特征；特征编码模块，用于对离散特征进行one-hot编码，以及对连续特征进行归一化处理；特征归一化模块，用于将one-hot编码后的离散特征和归一化处理后的连续特征进行组合，得到特征组合。
[0093]
进一步地，初始识别模型为deepfm模型，deepfm模型包括fm子模型和deep子模型，特征交叉单元为fm子模型，特征预测单元为deep子模型，交叉计算模块503具体包括：特征选取单元，用于选取任意一个初始特征作为目标初始特征，一阶交叉单元，用于分别计算目标初始特征与其余初始特征的内积，得到目标初始特征的一阶交叉项；二阶交叉单元，用于获取fm子模型的隐向量，并将一阶交叉项和隐向量相乘，得到目标初始特征的二阶交叉项；交叉项组合单元，用于组合一阶交叉项和二阶交叉项，得到特征交叉项。
[0094]
进一步地，deep子模型为mlp模型，mlp模型包含若干个全连接层和输出层，特征学习模块504具体包括：特征拼接单元，用于将初始特征和特征交叉项进行拼接，得到全特征向量；特征拟合单元，用于将全特征向量依次导入若干个全连接层中进行特征处理，得到特征拟合向量；结果输出单元，用于将特征拟合向量导入到输出层，得到预测结果。
[0095]
进一步地，特征拟合单元具体包括：第一向量输入子单元，用于将全特征向量导入第一个全连接层，得到第一输出向量；非线性变换子单元，用于对第一输出向量进行非线性变换；第二向量输入子单元，用于把非线性变换后的第一输出向量导入第二个全连接层，得到第二输出向量；循环输入子单元，用于依次将上一个全连接层的输出向量在导入下一个全连接层，直至获得最后一个全连接层输出的特征拟合向量；特征拟合单元还包括：循环变换子单元，用于对上一个全连接层的输出向量进行非线性变换。
[0096]
进一步地，模型调整模块505具体包括：误差计算单元，用于基于mlp模型的损失函数计算预测结果和预设的标准结果之间的误差，得到预测误差；误差比对单元，用于将预测误差与预设的误差阈值进行比对；参数调整单元，用于当预测误差大于误差阈值时，持续调整初始识别模型的模型参数，直至预测误差小于或等于误差阈值为止，生成新能源车车主识别模型。
[0097]
在上述实施例中，本技术公开一种新能源车车主识别装置，属于人工智能技术领域和金融产险领域。本技术通过对预训练数据进行预处理，对预处理后的预训练数据进行特征提取，得到初始特征，将初始特征输入到初始识别模型，初始识别模型包括特征交叉单
元和特征预测单元，通过特征交叉单元计算初始特征之间的特征交叉项，将初始特征和特征交叉项作为特征预测单元的输入数据，并利用输入数据对特征预测单元进行训练，输出预测结果，根据预测结果对初始识别模型的模型参数进行调整，直至模型拟合，生成新能源车车主识别模型，接收车主识别指令，获取待识别用车数据，将待识别用车数据导入新能源车车主识别模型，输出车主识别结果。本技术通过采用包含特征交叉单元和特征预测单元的车主识别模型结构，通过特征交叉单元计算特征交叉项，以获得模型训练用到的低阶特征和高阶特证，通过特征预测单元同时学习训练低阶特征和高阶特证，本技术不需要进行大量繁复的人工特征工程处理，在保证模型识别精度的同时，避免大量的人力投入，节约了成本。
[0098]
为解决上述技术问题，本技术实施例还提供计算机设备。具体请参阅图6，图6为本实施例计算机设备基本结构框图。
[0099]
所述计算机设备6包括通过系统总线相互通信连接存储器61、处理器62、网络接口63。需要指出的是，图中仅示出了具有组件61-63的计算机设备6，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，本技术领域技术人员可以理解，这里的计算机设备是一种能够按照事先设定或存储的指令，自动进行数值计算和/或信息处理的设备，其硬件包括但不限于微处理器、专用集成电路(application specific integrated circuit，asic)、可编程门阵列(field－programmable gate array，fpga)、数字处理器 (digital signal processor，dsp)、嵌入式设备等。
[0100]
所述计算机设备可以是桌上型计算机、笔记本、掌上电脑及云端服务器等计算设备。所述计算机设备可以与用户通过键盘、鼠标、遥控器、触摸板或声控设备等方式进行人机交互。
[0101]
所述存储器61至少包括一种类型的可读存储介质，所述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，所述存储器61可以是所述计算机设备6的内部存储单元，例如该计算机设备6的硬盘或内存。在另一些实施例中，所述存储器61也可以是所述计算机设备6的外部存储设备，例如该计算机设备6上配备的插接式硬盘，智能存储卡（smart media card, smc），安全数字（secure digital, sd）卡，闪存卡（flash card）等。当然，所述存储器61还可以既包括所述计算机设备6的内部存储单元也包括其外部存储设备。本实施例中，所述存储器61通常用于存储安装于所述计算机设备6的操作系统和各类应用软件，例如新能源车车主识别方法的计算机可读指令等。此外，所述存储器61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。
[0102]
所述处理器62在一些实施例中可以是中央处理器（central processing unit，cpu）、控制器、微控制器、微处理器、或其他数据处理芯片。该处理器62通常用于控制所述计算机设备6的总体操作。本实施例中，所述处理器62用于运行所述存储器61中存储的计算机可读指令或者处理数据，例如运行所述新能源车车主识别方法的计算机可读指令。
[0103]
所述网络接口63可包括无线网络接口或有线网络接口，该网络接口63通常用于在所述计算机设备6与其他电子设备之间建立通信连接。
[0104]
在上述实施例中，本技术公开一种计算机设备，属于人工智能技术领域和金融产
险领域。本技术通过对预训练数据进行预处理，对预处理后的预训练数据进行特征提取，得到初始特征，将初始特征输入到初始识别模型，初始识别模型包括特征交叉单元和特征预测单元，通过特征交叉单元计算初始特征之间的特征交叉项，将初始特征和特征交叉项作为特征预测单元的输入数据，并利用输入数据对特征预测单元进行训练，输出预测结果，根据预测结果对初始识别模型的模型参数进行调整，直至模型拟合，生成新能源车车主识别模型，接收车主识别指令，获取待识别用车数据，将待识别用车数据导入新能源车车主识别模型，输出车主识别结果。本技术通过采用包含特征交叉单元和特征预测单元的车主识别模型结构，通过特征交叉单元计算特征交叉项，以获得模型训练用到的低阶特征和高阶特证，通过特征预测单元同时学习训练低阶特征和高阶特证，本技术不需要进行大量繁复的人工特征工程处理，在保证模型识别精度的同时，避免大量的人力投入，节约了成本。
[0105]
本技术还提供了另一种实施方式，即提供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计算机可读指令，所述计算机可读指令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述的新能源车车主识别方法的步骤。
[0106]
在上述实施例中，本技术公开一种存储介质，属于人工智能技术领域和金融产险领域。本技术通过对预训练数据进行预处理，对预处理后的预训练数据进行特征提取，得到初始特征，将初始特征输入到初始识别模型，初始识别模型包括特征交叉单元和特征预测单元，通过特征交叉单元计算初始特征之间的特征交叉项，将初始特征和特征交叉项作为特征预测单元的输入数据，并利用输入数据对特征预测单元进行训练，输出预测结果，根据预测结果对初始识别模型的模型参数进行调整，直至模型拟合，生成新能源车车主识别模型，接收车主识别指令，获取待识别用车数据，将待识别用车数据导入新能源车车主识别模型，输出车主识别结果。本技术通过采用包含特征交叉单元和特征预测单元的车主识别模型结构，通过特征交叉单元计算特征交叉项，以获得模型训练用到的低阶特征和高阶特证，通过特征预测单元同时学习训练低阶特征和高阶特证，本技术不需要进行大量繁复的人工特征工程处理，在保证模型识别精度的同时，避免大量的人力投入，节约了成本。
[0107]
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，本技术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）执行本技术各个实施例所述的方法。
[0108]
本技术可用于众多通用或专用的计算机系统环境或配置中。例如：个人计算机、服务器计算机、手持设备或便携式设备、平板型设备、多处理器系统、基于微处理器的系统、置顶盒、可编程的消费电子设备、网络pc、小型计算机、大型计算机、包括以上任何系统或设备的分布式计算环境等等。本技术可以在由计算机执行的计算机可执行指令的一般上下文中描述，例如程序模块。一般地，程序模块包括执行特定任务或实现特定抽象数据类型的例程、程序、对象、组件、数据结构等等。也可以在分布式计算环境中实践本技术，在这些分布式计算环境中，由通过通信网络而被连接的远程处理设备来执行任务。在分布式计算环境中，程序模块可以位于包括存储设备在内的本地和远程计算机存储介质中。
[0109]
显然，以上所描述的实施例仅仅是本技术一部分实施例，而不是全部的实施例，附
图中给出了本技术的较佳实施例，但并不限制本技术的专利范围。本技术可以以许多不同的形式来实现，相反地，提供这些实施例的目的是使对本技术的公开内容的理解更加透彻全面。尽管参照前述实施例对本技术进行了详细的说明，对于本领域的技术人员来而言，其依然可以对前述各具体实施方式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效替换。凡是利用本技术说明书及附图内容所做的等效结构，直接或间接运用在其他相关的技术领域，均同理在本技术专利保护范围之内。

技术特征：
1.一种新能源车车主识别方法，其特征在于，包括：获取预训练数据，并对所述预训练数据进行预处理，其中，所述预训练数据为预先收集历史用车数据；对预处理后的所述预训练数据进行特征提取，得到初始特征，并将所述初始特征输入到预设的初始识别模型，其中，所述初始识别模型包括特征交叉单元和特征预测单元；通过所述特征交叉单元计算所述初始特征之间的特征交叉项；将所述初始特征和所述特征交叉项作为所述特征预测单元的输入数据，并利用所述输入数据对所述特征预测单元进行训练，输出预测结果；根据所述预测结果对所述初始识别模型的模型参数进行调整，直至模型拟合，生成新能源车车主识别模型；接收车主识别指令，获取待识别用车数据，将所述待识别用车数据导入所述新能源车车主识别模型，输出车主识别结果。2.如权利要求1所述的新能源车车主识别方法，其特征在于，所述预处理包括数据筛选、数据清洗、标准化和数据集划分，所述获取预训练数据，并对所述预训练数据进行预处理，具体包括：从预设的数据库导入所述预训练数据；根据预设的数据筛选规则对所述预训练数据进行数据筛选；对筛选后的所述预训练数据进行数据清洗以及数据标准化处理；对完成数据清洗以及数据标准化处理的所述预训练数据进行数据集划分，得到训练集、验证集和测试集。3.如权利要求1所述的新能源车车主识别方法，其特征在于，在所述将所述初始特征输入到预设的初始识别模型之前，还包括：对所述初始特征进行分类，得到离散特征和连续特征；对所述离散特征进行one-hot编码，以及对所述连续特征进行归一化处理；将one-hot编码后的所述离散特征和归一化处理后的所述连续特征进行组合，得到特征组合。4.如权利要求1所述的新能源车车主识别方法，其特征在于，所述初始识别模型为deepfm模型，deepfm模型包括fm子模型和deep子模型，所述特征交叉单元为所述fm子模型，所述特征预测单元为deep子模型，所述通过所述特征交叉单元计算所述初始特征之间的特征交叉项，具体包括：选取任意一个所述初始特征作为目标初始特征，分别计算所述目标初始特征与其余初始特征的内积，得到所述目标初始特征的一阶交叉项；获取所述fm子模型的隐向量，并将所述一阶交叉项和所述隐向量相乘，得到所述目标初始特征的二阶交叉项；组合所述一阶交叉项和所述二阶交叉项，得到所述特征交叉项。5.如权利要求4所述的新能源车车主识别方法，其特征在于，所述deep子模型为mlp模型，所述mlp模型包含若干个全连接层和输出层，所述将所述初始特征和所述特征交叉项作为所述特征预测单元的输入数据，并利用所述输入数据对所述特征预测单元进行训练，输
出预测结果，具体包括：将所述初始特征和所述特征交叉项进行拼接，得到全特征向量；将所述全特征向量依次导入若干个所述全连接层中进行特征处理，得到特征拟合向量；将所述特征拟合向量导入到所述输出层，得到预测结果。6.如权利要求5所述的新能源车车主识别方法，其特征在于，所述将所述全特征向量依次导入若干个所述全连接层中进行特征处理，得到特征拟合向量，具体包括：将所述全特征向量导入第一个全连接层，得到第一输出向量；对所述第一输出向量进行非线性变换；把非线性变换后的所述第一输出向量导入第二个全连接层，得到第二输出向量；依次将上一个全连接层的输出向量在导入下一个全连接层，直至获得最后一个全连接层输出的所述特征拟合向量；在所述依次将上一个全连接层的输出向量在导入下一个全连接层，直至获得最后一个全连接层输出的所述特征拟合向量之前，还包括：对上一个全连接层的输出向量进行非线性变换。7.如权利要求5所述的新能源车车主识别方法，其特征在于，所述根据所述预测结果对所述初始识别模型的模型参数进行调整，直至模型拟合，生成新能源车车主识别模型，具体包括：基于所述mlp模型的损失函数计算所述预测结果和预设的标准结果之间的误差，得到预测误差；将所述预测误差与预设的误差阈值进行比对；若所述预测误差大于所述误差阈值，则持续调整所述初始识别模型的模型参数，直至所述预测误差小于或等于所述误差阈值为止，生成新能源车车主识别模型。8.一种新能源车车主识别装置，其特征在于，包括：数据处理模块，用于获取预训练数据，并对所述预训练数据进行预处理，其中，所述预训练数据为预先收集历史用车数据；特征提取模块，用于对预处理后的所述预训练数据进行特征提取，得到初始特征，并将所述初始特征输入到预设的初始识别模型，其中，所述初始识别模型包括特征交叉单元和特征预测单元；交叉计算模块，用于通过所述特征交叉单元计算所述初始特征之间的特征交叉项；特征学习模块，用于将所述初始特征和所述特征交叉项作为所述特征预测单元的输入数据，并利用所述输入数据对所述特征预测单元进行训练，输出预测结果；模型调整模块，用于根据所述预测结果对所述初始识别模型的模型参数进行调整，直至模型拟合，生成新能源车车主识别模型；车主识别模块，用于接收车主识别指令，获取待识别用车数据，将所述待识别用车数据导入所述新能源车车主识别模型，输出车主识别结果。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中任一项所述的新能源车车主识别方法的步骤。
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中任一项所述的新能源车车主识别方法的步骤。

技术总结
本申请公开一种新能源车车主识别方法、装置、设备及存储介质，属于人工智能技术领域和金融产险领域。本申请通过对训练数据进行特征提取，将初始特征输入到初始识别模型，初始识别模型包括特征交叉单元和特征预测单元，通过特征交叉单元计算初始特征之间的特征交叉项，将初始特征和特征交叉项作为特征预测单元的输入数据训练特征预测单元，输出预测结果，对模型参数进行调整，直至模型拟合，生成识别模型，将待识别用车数据导入识别模型，输出车主识别结果。本申请通过计算特征交叉项使得识别模型能够同时学习训练低阶特征和高阶特证，不需要进行大量繁复的人工特征工程处理，在保证模型识别精度的同时，避免大量的人力投入，节约了成本。约了成本。约了成本。


技术研发人员：孙澄澄 陈煦 朱磊
受保护的技术使用者：平安科技（深圳）有限公司
技术研发日：2023.06.02
技术公布日：2023/7/22