CN106934720B - 基于物联网的设备保险智能定价方法与系统 - Google Patents

Abstract

本发明涉及一种基于物联网的设备保险智能定价方法及系统，所述方法包括：获取设备的投保信息，根据该投保信息获取该投保设备相关的原始保险数据，其中所述原始保险数据至少包括：设备类型、投保设备的工况数据、设备历史保险数据以及投保人和被保险人相关数据；对所述原始保险数据进行数据处理，得到投保设备相关的目标变量和预测变量；采用保费定价算法计算投保设备的保费。本发明解决了从前没有针对某一台特定设备进行定价的问题，并且能够定期或不定期的对原始保险数据进行调整。适用于现有的操作系统，追踪系统和通讯系统来提取可以用于保险的相关数据。

Description

基于物联网的设备保险智能定价方法与系统

技术领域

本发明涉及一种基于物联网的设备保险智能定价方法与系统。

背景技术

近年来，物联网产业发展迅速，“物物相连的互联网”利用智能传感器技术，采集各种‘物’的数据；并融合先进网络技术与大数据技术，将海量‘物’的数据存储下来；据美国权威咨询机构forrester预测，物联网设备到2020年，世界上物物互联的业务跟人与人通信的业务相比，将达到30比1，物联网被称为是下一个万亿元级产业。建立物联网基础上的各种业务应用如雨后春笋般破冰而出，将各行各业的发展推向了新模式新方向。

设备是生产中广泛应用的物质资料与生产工具，是物物联通的基础。其中，车联网是物联网技术在交通系统中的应用，也是物联网中发展最为迅速的板块。在车险领域，随着车联网技术的不断发展，基于使用量和驾驶行为的UBI (Usagebased Insurance)智能车险保费定价模式应运而生，在国内外都开始了一定的普及应用。作为比车辆更为广泛的设备，如工程机械设备、电子设备、运输车辆、特种设备等在物联网保险领域目前还是空白。设备的“使用”是对设备风险最为直接的度量，是设备保险定价和风险选择最为重要的因子。

基于车联网的车辆UBI保险产品和系统近几年在国内市场已经做出了一些尝试，而基于设备使用的保险产品还是空白。相对于设备使用而言，车辆的工况与操作相对单一，包括行驶里程，急加速，急减速等；机械设备的操作环境，设备功率，参与项目类型差异性巨大，操作动作包含几十种，故相对于车辆UBI 而言，设备UBI保险定价方法与系统是一套更为复杂技术。

有鉴于上述的缺陷，本设计人积极加以研究创新，以期创设一种基于物联网的设备保险智能定价方法与系统，使其更具有产业上的利用价值。

发明内容

为解决上述技术问题，本发明的目的是提供一种通过基于使用的数据对损失概率与损失额度进行预测，在设备定价中将每一台设备运行数据(工况数据) 作为定价变量来考虑，可以对每台单独设备提供更加准确、公允、动态的定价，帮助保险公司进行风险选择与精准定价的基于物联网的设备保险智能定价方法与系统。

本发明基于物联网的设备保险智能定价方法，包括：

获取设备的投保信息，根据该投保信息获取该投保设备相关的原始保险数据，其中所述原始保险数据至少包括：设备类型、投保设备的工况数据、设备历史保险数据以及投保人和被保险人相关数据；

对所述原始保险数据进行数据处理，得到投保设备相关的目标变量和预测变量；

采用保费定价算法计算投保设备的保费。

进一步地，所述的原始保险数据的数据处理包括：数据处理过程包括工况数据进行ETL处理和设备历史保险数据处理，其中传感器数据的处理过程包括数据清洗，变量生成、数据整合，具体包括：

对获取的工况数据进行预整理和存储；

对所述的工况数据根据去噪算法进行去噪处理，其中根据设备类型的不同采用不同的去噪算法对所述工况数据进行去噪处理；

将在时间上的趋势发生不正常变化的数据进行剔除。

进一步地，所述的原始保险数据的数据处理还包括数据整合，所述的数据整合具体包括：

计算每台设备在每一年内的风险暴露时间；

计算设备在每一年内风险暴露时间段内的出险频率、与出险额度；

对工况数据计算设备在每一年相应的风险暴露时间内的工况特征变量；

将设备对应的客户数据以及设备基础数据、设备历史出险数据、设备工况数据三种数据根据设备号与时间整合起来并存储于分析与定价数据库。

进一步地，所述原始保险数据的数据处理还包括：对整合后的数据生成目标变量和预测自变量，将目标变量与预测变量存储在一个数据库中，其中，目标变量指设备的历史损失数据中的索赔频次与索赔额度；预测变量是包括四类：设备基础数据、客户信息、设备历史出险信息、工况数据。

本发明基于物联网的设备保险智能定价系统，包括：

原始保险数据获取模块，用于获取投保信息，根据该投保信息获取该投保信息相关的原始保险数据，其中所述原始保险数据至少包括：投保设备的工况数据、设备历史保险数据以及投保人相关数据；

数据预处理模块，用于对所述原始保险数据进行数据处理，得到投保设备相关的目标变量和预测变量；

保费定价模块，采用保费定价算法计算投保设备的保费。

进一步地，数据预处理模块至少包括工况数据ETL处理单元，用于对所述设备的工况数据进行加载、清洗、转换处理。

进一步地，所述的数据预处理模块 还包括数据整合单元，用于对投保设备的工况数据、设备历史保险数据以及投保人相关数据三方数据进行整合，

根据获取的投保信息，数据整合单元将该投保信息与保单数据库中的保单进行匹配，

若有匹配的保单，则数据整合单元调用该保单对应的原始保险数据整合算法对所述的原始保险数据进行整合；

若没有匹配的保单，则算法生成单元生成该投保信息对应的原始保险数据，则数据整合单元调用新生成的原始保险数据整合算法对所述的原始保险数据进行整合，并将该投保信息对应的原始保险数据整合算法更新至定价数据库中。

进一步地，所述的数据预处理模块 还包括风险数据挖掘单元，用于挖掘分析出保费模型的目标变量与原始保险数据之间的关系，进而确定定价模型。

借由上述方案，本发明至少具有以下优点：

本发明有效利用M2M平台中的设备工况、维修换件等信息，并协同历史的设备保险业务数据，利用数据挖掘算法分析出用于设备保险的潜在规律，为开辟新的设备保险险种提供数据理论支撑，也为已有的设备保险险种的保费计算模型的完善提供借鉴思路，减少人为主观因素对保费计算的影响，做到科学、公证，智能地保费定价计算。

上述说明仅是本发明技术方案的概述，为了能够更清楚了解本发明的技术手段，并可依照说明书的内容予以实施，以下以本发明的较佳实施例并配合附图详细说明如后。

附图说明

图1是本发明基于物联网的设备保险智能定价方法的流程图；

图2是本发明基于物联网的设备保险智能定价系统的框图；

图3是本发明基于物联网的设备保险智能定价系统的框图。

具体实施方式

下面结合附图和实施例，对本发明的具体实施方式作进一步详细描述。以下实施例用于说明本发明，但不用来限制本发明的范围。

本发明利用物联网技术获取设备的运行数据和历史设备保险业务数据，应用数据挖掘分析技术实现智能定价和个性化定价，已是设备保险市场的迫切诉求；而这一过程中的关键问题有：如何科学有效地对设备的运行状况进行掌控，如何对设备故障、事故等风险进行准确预测，如何确定不同险种相应的关键风险因子等；探索寻找解决这些问题的方法与系统也随之成了实践动力。

本发明通过基于使用的数据对损失概率进行预测，在设备定价中将每一台设备运行数据(工况数据)作为定价变量来考虑，本专利可以对每台单独设备提供更加准确、公允、动态的定价，帮助保险公司进行风险选择与精准定价。这与传统保险基于累积数据的静态定价的是极大的提高。

以最为通常的工程机械设备保险为例。工程机械设备的风险因子可分为三类：1)设备/标的信息，包括设备类型、年龄、使用区域等2)设备使用，包括设备使用环境、设备运转信息、工作时长等3)设备使用者的信息，包括使用者的经验、历史出险信息、使用者的行业等。其中对设备风险暴露最直接的变量为设备的使用。

现行的设备保险的定价因子包括：地区、设备类型、设备年龄、限额、免赔额、渠道等。这些定价因子最大的问题是缺乏对未来发生损失最有力的预测变量既设备的使用情况。因此，缺少这一预测变量对生成公允费率有很大的影响。由于对设备工况数据采集、传输与分析的困难，设备工况数据到目前为止还没有到定价中去。

本发明中，所述设备工况数据至少包括：设备工作时间、发动机平均转速、发动机平均输出功率、发动机功率、转速高于某一阈值的时间占比；最高速度 (特种车)、平均速度(车辆)、急加速(车辆)、急减速(车辆)、急转弯 (车辆)、起吊物总重量(起重机)、是否过载(起重机)、过载频率(起重机)、过载量(起重机)、经度、纬度、高度、油温、水温、油泵压力、油泵流量、臂架打开角度、吊重压力(起重机)、吊重百分比(起重机)等上千个工况数据。

本发明所涉及的设备保险智能定价系统(如图2所示)，该系统利用基于物联网技术的M2M(Machine to Machine)平台的设备信息数据、设备保险业务系统数据，以及设备与保险知识库数据，通过大数据分析计算，能及时了解设备的运行状况、设备的使用环境等信息，并利用大数据挖掘实现设备保险定价智能化，保障设备保险的科学、公平且高效的保费计算。

本发明提供一种更先进的记录、监控和控制系统，可以解决从前没有针对某一台特定设备进行定价的问题，并且能够定期或不定期的对因子进行调整。该系统应当可以适用于现有的操作系统，追踪系统和通讯系统来提取可以用于保险的相关数据。

本发明在基于使用对设备保险进行定价时，会对所有损失相关数据进行收集，之后筛选满足条件的数据进行建模，通过一系列测试后，以对基础费率进行折扣或加费的方式生成最终费率因子。

本发明的一个优势为可以提供准确且实时的设备使用数据，并通过定期回溯历史数据对模型进行监控和调整，并且基于此可以对传统定价中使用的因子进行调整。

基于使用的保险能够更公平，准确的定价，对于不同设备生产不同报价，通过基于使用的保险产品，使客户对于自身的风险进行控制，以降低费率。

利用本发明提供的设备保险智能定价系统使得保费定价更公平合理化，使以前不能定价的风险变得可以度量，使以前因不能准确定价而被保险公司拒绝承保的风险变得可以承保。扩大保险市场产品的供给，为客户提供更优质的产品，实现保险业的供给侧改革。

投保流程

投保人填写投保单。填写信息包括：投保人、被保险人信息、设备类型、设备价值、投保险种、保险金额、免赔额等。

保险公司根据投投保信息和公司内部及外部数据计算保费。这个过程涉及的变量(风险因子)除1)中投保单上的信息外还包括：

利用投保人标的信息匹配保险公司定价数据库中的历史出险数据，包括出险次数、出险额度等。

根据标的信息匹配投保设备的工况历史数据(工况历史数据包括工时、发动机转速、油温、地理位置等)

将所有数据汇总并根据保费算法计算保险费(保费算法是事先通过数据挖掘以及预测模型方法、根据保险公司的历史数据以及设备传感器数据拟合出来的)

将计算出的保费反馈给客户。

如果客户同意，客户支付保费，保险公司出具保单，保险合同成立。

以上过程是一个简单的投保流程。其中保费计算过程中的保费算法中引入设备工况数据，使得设备定价和个体使用有关是本专利的核心。

预测模型定价流程

对预测模型所需用的数据包括标的(设备)数据、保单数据、客户数据、设备出险数据、设备工况数据分别进行清洗和整理。

对整理后的数据生成相应的变量(目标变量、自变量)

将数据整合成一个数据，使目标变量与预测变量在一个数据集中

对数据进行数据挖掘与建模。在自变量中找出可用于预测的变量(风险因子)，这些变量需满足几个条件

显著性

时间一致性

稳定性

对不同模型进行比较并选出最适合(根据拟合优度与商业意义)的模型。

对新设备(无历史损失与工况)，系统将选取一个缺省值。

对选出的模型估计出参数。并将算法通过IT进行实施(如将算法应用到公司承保系统中)

在承保时，根据客户投保时的设备信息、客户信息。系统搜寻该设备的历史出险数据、工况数据并根据算法计算保费。

实施例1

如图1所示，本实施例基于物联网的设备保险智能定价方法，包括：

获取设备的投保信息，根据该投保信息获取该投保信息相关的原始保险数据，其中所述原始保险数据至少包括：设备类型、投保设备的工况数据、设备历史保险数据以及投保人和被保险人相关数据；

对所述原始保险数据进行数据处理，得到投保设备相关的目标变量和预测变量(也即风险因子)；

采用保单定价算法计算投保设备的保费定价。

本实施例中，投保信息包括投保人和被保险人信息、设备类型、设备价值、设备相关信息、投保险种、保险金额、免赔额、投保人、被保险人信息等。其中设备相关信息是根据设备信息匹配公司内部数据库得到的。这些信息包括设备历史出险数据、设备工况信息。

当然对于本发明的所述的投保信息不限于上述的投保信息，投保信息是根据具体的实际投保环境而改变的。

本实施例中，所述的原始保险数据的数据处理包括：数据处理过程包括对工况数据进行ETL处理和设备历史保险数据处理，其中传感器数据的处理过程包括数据清洗，变量生成、数据整合，具体包括：

对获取的工况数据进行预整理和存储；

对所述的工况数据根据去噪算法进行去噪处理，其中根据设备类型的不同采用不同的去噪算法对所述工况数据进行去噪处理；去噪算法如下(举例)：计算每台设备的数据的噪声指数，设置临界值，当噪音指数大于临界值时剔除噪声数据

将在时间上的趋势发生不正常变化的数据进行剔除。

所述的原始保险数据的数据处理还包括：对投保设备的工况数据、设备历史保险数据以及投保人相关数据三方数据进行整合，具体包括：

根据获取的投保信息，将该投保信息与保单数据库中的保单进行匹配，

若有匹配的样本保单，则采用该保单对应的原始保险数据整合算法对所述的原始保险数据进行整合；

若没有匹配样本保单，则生成该投保信息对应的原始保险数据整合算法，对所述的原始保险数据进行整合，并将该投保信息对应的原始保险数据整合算法更新至分析与定价数据库中。

数据的整合是将将设备基础信息(设备号、设备类型)、客户信息、设备历史出险信息与设备历史工况数据整合并存储起来形成设备保险风险定价数据库。

整合步骤包括：

计算每台设备(由设备号定义)在每一年内的风险暴露量(暴露时间长短)。

对设备历史出险数据。计算设备在每一年内风险暴露时间段内的的出险频率、与出险额度

对工况数据计算设备在每一年相应的风险暴露时间内的工况特征变量

将设备对应的客户数据以及以上三种数据(设备基础数据、设备历史出险数据、设备工况数据)根据设备号与时间整合起来并存储于数据库中(分析与定价数据库)

所述原始保险数据的数据处理还包括：对整理后的数据生成目标变量(自变量)和预测变量(因变量)，将目标变量与预测变量存储在一个数据库中，其中，目标变量指前面设备的历史损失数据中的索赔频次与索赔额度。预测变量是包括四类(既前面数据整合过程中提到的三类数据：设备基础数据、客户信息、设备历史出险信息、工况数据)。

与传统定价方法比，加入了大量的工况数据变量，增加了数据挖掘中变量的范围与难度。

实施例2

本实施例基于物联网的设备保险智能定价系统，包括：

原始保险数据获取模块，用于获取投保信息，根据该投保信息获取该投保信息相关的原始保险数据，其中所述原始保险数据至少包括：投保设备的工况数据、设备历史保险数据以及投保人相关数据；

数据预处理模块，用于对所述原始保险数据进行数据处理，得到投保设备相关的目标变量和预测变量；

保费定价模块，采用保费定价算法计算投保设备的保费。

如图3所示，本实施例系统按照具体业务覆盖范围分为业务层，数据层，引擎层；

业务层(也即原始保险数据获取模块)，即面向系统用户(设备保险业务人员，系统管理人员，其他系统用户)的用于设备保险业务的前端平台，包含数据录入、投保事务处理器和设备保险业务展示等三个部件；

所述数据录入，承接业务人员输入的客户投保的相关信息与事务，以特定格式传递给下一部件，保证投保信息的安全与准确的录入，包括投保信息的添加、读取、删除和修改等。

所述投保事务处理器，负责数据录入部件与数据仓库之间操作事务的转换传递与数据的交换，实质为一个具有事务解析与管理能力和数据加解密的信道，还分别负责数据仓库、设备与保险业务知识库同设备保险业务展示之间的数据传递；

所述设备保险业务展示，即数据可视化组件，依照用户的不同展示需求，将相关数据以图形或表格形式展示，甚至以仪表盘或多维分析的形式展示相关数据，该部件的数据来源有二：投保事务处理器和设备保险智能定价引擎；

数据层(也即数据预处理模块)，负责后台所有相关数据的管理，为业务层与引擎层提供数据支撑；包含数据整合器、数据仓库及设备与保险知识库三个部件；

所述数据仓库，或称为数据中心，面向设备保险业务主题的数据仓库，其数据来源大部分来自数据整合部件，此外还有来自设备与保险知识库的规则数据及来自设备保险智能定价引擎的过程数据；

所述设备与保险知识库，即存储历史沉淀下来的与设备、保险相关的有价值的知识的数据库，包括知识文档、专家知识规则、设备保费定价模型规则及其他知识，该数据库还负有对这些知识的分类、归档与更新等管理职责；

所述数据整合器，负责将来自外部的多个异构数据源(设备保险平台的历史业务数据库、第3方互联网数据和M2M平台数据等)的不同格式的数据依照一定的规则整合在一起，并传递至中心数据仓库存储下来；

引擎层(也即保费定价模块)，即设备保险智能定价引擎，针对具体的险种或分析场景，关联物联网设备数据与设备保险业务数据，结合设备与保险知识库规则数据，通过挖掘分析预判，得到相应的保费定价模型，用于保费计算；包含模型设计器、智能分析器和保费计算器三个部件。

所述模型设计器，负责设备保险定价模型的设计，包括：提取具体险种的投保对象特征、明确关键原始保险数据和智能分析的算法模型的选择等；

所述智能分析器，负责模型设计器固化后的挖掘分析流的执行，从数据仓库获取数据，进行数据预处理，抽样或分区后，通过一种或多种数据挖掘算法实现数据的探寻与挖掘，并将分析结果以特定的格式保存至文件或数据库，以便对分析结果的查看及进一步的数据探寻与挖掘优化；

所述保费计算器，负责对指定设备与险种的保费进行计算，计算模型可是手动输入的保费计算模型，也可是智能分析所确定的保费计算模型，还可是系统预置的成熟保费计算模型，计算完成之后将保费结果返回给设备保险业务部件至前台展示给用户。

进一步地，数据预处理模块至少包括工况数据ETL处理单元，用于对所述设备的工况数据进行加载、清洗、转换处理。

进一步地，所述的数据预处理模块 还包括数据整合单元，用于对投保设备的工况数据、设备历史保险数据以及投保人相关数据三方数据进行整合，

根据获取的投保信息，数据整合单元将该投保信息与保单样本数据库中的样本保单进行匹配，

若有匹配的样本保单，则数据整合单元调用该样本保单对应的原始保险数据整合算法对所述的原始保险数据进行整合；

若没有匹配样本保单，则算法生成单元生成该投保信息对应的原始保险数据整合算法，则数据整合单元调用新生成的原始保险数据整合算法对所述的原始保险数据进行整合，并将该投保信息对应的原始保险数据整合算法更新至保单样本数据库中。

进一步地，所述的数据预处理模块 还包括风险数据挖掘单元，用于挖掘分析出保费模型的各项目与原始保险数据之间的关系，进而确定风险模型。

预存储或加载数据仓库、设备与保险知识库；

获取设备投保险种以及该投保设备的运行工况数据，并对获取的数据进行分析，确定该设备投保险种是否有对应的保险风险模型，

若有，则调用该保险风险模型对保险风险进行分类和定价；

若没有，则新建保险风险模型，并更新所述设备与保险知识库数据库，产生保费定价算法以及相应的参数，对该设备进行动态保费计算。

一个基于分布式环境的数据采集、存储模块。能够对于一个或多个不同设备的工况(如油温、转速、功率、档位、速度坐标等)数据、保险公司业务数据(保单与理赔数据)以及第三方数据进行收集存储和反馈；安装在设备上的数据记录仪可以在设定的时间段内记录并存储设备运行的工况数据，并且建议记录事故发生前后的关键操作动作、所处地理位置、发动机功率、发动机转速、油温、油耗等关键指标数据。该模块用以实现以下几个功能：

设备使用/工况数据的收集。设备运行数据的收集可通过安装在设备上的传感器(可以由设备生产厂家前装或后装)来进行；

设备信息与保险相关数据的收集，包括保险公司业务数据以及第三方数据。

数据的传输。数据可以通过与传感器相连接的通讯模块(如GPRS芯片) 通过无线的方式进行传输(适用于野外工作移动设备)，也可以采用有线网络进行传输(适用于室内或固定设备)；

数据的收集与存储。数据收集平台可以是云平台，也可以采用内部自建的大数据平台。

一个数据处理、整合、分析、监控模块。与数据采集、存储模块相连，该模块实现以下几个功能：

对传感器数据按照预设的模型进行清洗与处理，提取有用信息，包括一些预先定义的“事件”信息，例如发动机过载、过热、运转超速、急加速、急减速等。

将整理提取的传感器数据与保险公司业务数据(设备/标的信息、保单、理赔、损失)进行关联与整合。并将整合后的数据存储到数据仓库。

一个精算建模与定价模块。与上述数据分析模块相连，用以实现以下几个功能：

通过保险风险模型对保险风险进行分类与定价，并产生保费定价的算法以及相应的参数。

保费计算引擎。根据前一步骤产生的保费定价算法与参数，计算新投保的设备的动态保费。

在本实施例中，设备保险智能定价模型开发，当预研开发一种新的设备保险产品时，首先要确定保费的定价方法，可在本平台上开发该险种的一个或多个保费定价模型，利用数据挖掘分析出保费模型的原始保险数据(或称为定价因子，如设备类型、设备使用年数等)与目标变量(如索赔频次、索赔强度) 之间的关系，进而确定关键原始保险数据和相关系数，保费定价模型开发的大致过程为：

1、前提：从业务层面理解分析该险种，确定分析对象(如挖掘机)和分析目标(某种故障)；知悉数据仓库存储的该设备的相关数据信息；新建一个保费定价挖掘数据流项目，选择系统中预设的某个挖掘数据流模板(模板可创建，系统有默认的普通模板)；

2、通过ETL(加载数据，清洗和转换)过程，将分析对象的原始保险数据与目标因子数据整合在一起；然后通过简单或复杂的抽样方法对整体样本数据进行取样(该步骤也可以不进行)；

3、再通过分区，将样本数据集划分为训练集和测试集两个部分(训练集用来训练模型，估计模型参数；测试集用来测试所训练的模型的准确性)；

4、最后选择一种或多种挖掘算法模型(如广义线性模型)，确定训练的模型的保存路径，并展示模型训练与测试的分析结果；

5、调试运行所创建的数据流，如有错误，按提示修改以上过程的参数配置，再重新试运行，直至运行成功，并查看分析结果，如果模型的测试准确性不高，则可考虑调整2到4步骤的过程参数配置、另选挖掘模型或者调整挖掘模型参数来优化该分析流，使得所训练的模型效果更优；

6、调试后发觉模型分析的效果佳，则可以将所建数据流发布，固化后的挖掘模型文件可供其他用户查看和使用。

设备保险保费定价模型应用，即新的投保标的的保费定价可以应用已开发好的模型计算费率，然后按照即定的某种保费计算方法，自动计算出保费值。

以上所述仅是本发明的优选实施方式，并不用于限制本发明，应当指出，对于本技术领域的普通技术人员来说，在不脱离本发明技术原理的前提下，还可以做出若干改进和变型，这些改进和变形 也应视为本发明的保护范围。

Claims (2)

1.一种基于物联网的设备保险智能定价方法，其特征在于，包括：

获取设备的投保信息，根据该投保信息获取该投保设备相关的原始保险数据，其中所述原始保险数据至少包括：设备类型、投保设备的工况数据、设备历史保险数据以及投保人和被保险人相关数据；

对所述原始保险数据进行数据处理，得到投保设备相关的目标变量和预测变量；

采用保费定价算法计算投保设备的保费；

所述的原始保险数据的数据处理包括：数据处理过程包括工况数据进行ETL处理和设备历史保险数据处理，其中传感器数据的处理过程包括数据清洗，变量生成、数据整合，具体包括：

对获取的工况数据进行预整理和存储；

对所述的工况数据根据去噪算法进行去噪处理，其中根据设备类型的不同采用不同的去噪算法对所述工况数据进行去噪处理；

将在时间上的趋势发生不正常变化的数据进行剔除；

所述的原始保险数据的数据处理还包括数据整合，所述的数据整合具体包括：

计算每台设备在每一年内的风险暴露时间；

计算设备在每一年内风险暴露时间段内的出险频率、与出险额度；

对工况数据计算设备在每一年相应的风险暴露时间内的工况特征变量；

将设备对应的客户数据以及设备基础数据、设备历史出险数据、设备工况数据三种数据根据设备号与时间整合起来并存储于分析与定价数据库；

所述原始保险数据的数据处理还包括：对整合后的数据生成目标变量和预测自变量，将目标变量与预测变量存储在一个数据库中，其中，目标变量指设备的历史损失数据中的索赔频次与索赔额度；预测变量是包括四类：设备基础数据、客户信息、设备历史出险信息、工况数据。

2.一种基于物联网的设备保险智能定价系统，其特征在于，包括：

原始保险数据获取模块，用于获取投保信息，根据该投保信息获取该投保信息相关的原始保险数据，其中所述原始保险数据至少包括：投保设备的工况数据、设备历史保险数据以及投保人相关数据；

数据预处理模块，用于对所述原始保险数据进行数据处理，得到投保设备相关的目标变量和预测变量；

保费定价模块，采用保费定价算法计算投保设备的保费；

数据预处理模块至少包括工况数据ETL处理单元，用于对所述设备的工况数据进行加载、清洗、转换处理；

所述的数据预 处理模块还包括数据整合单元，用于对投保设备的工况数据、设备历史保险数据以及投保人相关数据三方数据进行整合，

根据获取的投保信息，数据整合单元将该投保信息与保单数据库中的保单进行匹配，

若有匹配的保单，则数据整合单元调用该保单对应的原始保险数据整合算法对所述的原始保险数据进行整合；

若没有匹配的保单，则算法生成单元生成该投保信息对应的原始保险数据，则数据整合单元调用新生成的原始保险数据整合算法对所述的原始保险数据进行整合，并将该投保信息对应的原始保险数据整合算法更新至定价数据库中；

所述的数据预 处理模块还包括风险数据挖掘单元，用于挖掘分析出保费模型的目标变量与原始保险数据之间的关系，进而确定定价模型。

Images