CN108492197A - 保险的出险预测方法、装置及服务器 - Google Patents
保险的出险预测方法、装置及服务器 Download PDFInfo
- Publication number
- CN108492197A CN108492197A CN201810214556.9A CN201810214556A CN108492197A CN 108492197 A CN108492197 A CN 108492197A CN 201810214556 A CN201810214556 A CN 201810214556A CN 108492197 A CN108492197 A CN 108492197A
- Authority
- CN
- China
- Prior art keywords
- danger
- data
- insurance
- policy information
- neural network
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
- 238000000034 method Methods 0.000 title claims abstract description 54
- 238000013528 artificial neural network Methods 0.000 claims abstract description 58
- 239000013598 vector Substances 0.000 claims abstract description 14
- 238000003062 neural network model Methods 0.000 claims abstract description 3
- 238000012549 training Methods 0.000 claims description 20
- 230000001537 neural effect Effects 0.000 claims description 11
- 238000011156 evaluation Methods 0.000 claims description 6
- 230000008520 organization Effects 0.000 claims description 5
- 238000004590 computer program Methods 0.000 claims description 3
- 230000006870 function Effects 0.000 description 11
- 238000004891 communication Methods 0.000 description 8
- 230000008859 change Effects 0.000 description 6
- 230000008569 process Effects 0.000 description 5
- 238000012545 processing Methods 0.000 description 5
- 238000010586 diagram Methods 0.000 description 4
- 238000005516 engineering process Methods 0.000 description 3
- 230000003287 optical effect Effects 0.000 description 3
- 238000009825 accumulation Methods 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 2
- 230000008901 benefit Effects 0.000 description 2
- 238000004364 calculation method Methods 0.000 description 2
- 239000011248 coating agent Substances 0.000 description 2
- 238000000576 coating method Methods 0.000 description 2
- 239000000463 material Substances 0.000 description 2
- 238000010606 normalization Methods 0.000 description 2
- ORILYTVJVMAKLC-UHFFFAOYSA-N Adamantane Natural products C1C(C2)CC3CC1CC2C3 ORILYTVJVMAKLC-UHFFFAOYSA-N 0.000 description 1
- 230000004913 activation Effects 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 238000004422 calculation algorithm Methods 0.000 description 1
- 230000001186 cumulative effect Effects 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 201000010099 disease Diseases 0.000 description 1
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 description 1
- 235000013399 edible fruits Nutrition 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000000802 evaporation-induced self-assembly Methods 0.000 description 1
- 239000000835 fiber Substances 0.000 description 1
- 230000004927 fusion Effects 0.000 description 1
- 230000010354 integration Effects 0.000 description 1
- 239000011159 matrix material Substances 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 210000002569 neuron Anatomy 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 230000002093 peripheral effect Effects 0.000 description 1
- 238000007781 pre-processing Methods 0.000 description 1
- 230000000644 propagated effect Effects 0.000 description 1
- 230000001902 propagating effect Effects 0.000 description 1
- 238000012546 transfer Methods 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q40/00—Finance; Insurance; Tax strategies; Processing of corporate or income taxes
- G06Q40/08—Insurance
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
- G06N3/084—Backpropagation, e.g. using gradient descent
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Business, Economics & Management (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Economics (AREA)
- Strategic Management (AREA)
- Accounting & Taxation (AREA)
- Life Sciences & Earth Sciences (AREA)
- Software Systems (AREA)
- Mathematical Physics (AREA)
- General Engineering & Computer Science (AREA)
- Computing Systems (AREA)
- General Business, Economics & Management (AREA)
- Human Resources & Organizations (AREA)
- Molecular Biology (AREA)
- Development Economics (AREA)
- Finance (AREA)
- General Health & Medical Sciences (AREA)
- Health & Medical Sciences (AREA)
- Marketing (AREA)
- Artificial Intelligence (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Technology Law (AREA)
- Game Theory and Decision Science (AREA)
- Entrepreneurship & Innovation (AREA)
- Tourism & Hospitality (AREA)
- Quality & Reliability (AREA)
- Operations Research (AREA)
- Financial Or Insurance-Related Operations Such As Payment And Settlement (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明提出一种保险的出险预测方法、装置及服务器，所述方法包括：获取待处理保险的保单信息；将所述待处理保险的保单信息输入深度神经网络模型，预测得到所述待处理保险的出险数据，其中，所述深度神经网络预测模型的输入特征为保单信息，输出特征为出险数据。本发明技术方案将待处理保险的保单信息输入深度神经网络预测模型，预测得到所述待处理保险的出险数据，通过深度神经网络预测模型来预测出险数据可以避免主观性过强导致的定价偏差较大的技术问题。
Description
技术领域
本发明涉及互联网技术领域，尤其涉及一种保险的出险预测方法、装置及服务器。
背景技术
团体保险(以下简称团险)是由保险公司用一份保险合同为团体内多个成员提供保险保障的特殊保险产品形式。保险合同的主体为投保人，团体内的成员为被保险人。保险公司为投保人提供一份总保单，为各成员提供合同内规定的保障计划。团体保险在整体保险业务中占有很大比例，该业务的市场竞争比较激烈，对报价管理的时效性要求较高。
传统的团险定价方法包括两种：一是人工定价方法，即完全依靠业务人员的经验判断进行定价；二是基于专家知识库辅助人工定价方法，由业务人员将当前询价团体的特征输入询价系统，查找对比经验库中的参考定价，然后再给出定价。
人工定价方法不但效率不高，而且主观性过强；基于专家知识库辅助人工定价方法中的询价系统，也是将特征和规则固化到系统中，仍然存在很强的主观因素。
发明内容
本发明实施例提供一种基于深度学习的团体保险的出险预测方法、装置及服务器，以为解决或缓解背景技术中的一项或多项以上技术问题，至少提供一种有益的选择。
第一方面，本发明实施例提供了一种保险的出险预测方法，包括：
获取待处理保险的保单信息；
将所述待处理保险的保单信息输入深度神经网络模型，预测得到所述待处理保险的出险数据，其中，所述深度神经网络预测模型的输入特征为保单信息，输出特征为出险数据
结合第一方面，本发明在第一方面的第一种实施方式中，
所述保单信息包括以下至少一种：单位名称、险种代码、险种责任、行业、职业、分公司、保额、总人数、平均年龄和男性比例；
所述出险数据包括以下至少一种：出险率、件均赔付、件均索赔和平均住院天数。
结合第一方面或第一方面的第一实施方式，本发明在第一方面的第二种实施方式中，将所述待处理保险的保单信息输入深度神经网络预测模型，预测得到所述待处理保险的出险数据，包括：
对所述待处理保险的保单信息进行预处理；
将预处理后的保单信息输入深度神经网络预测模型，预测得到所述待处理保险的出险数据
结合第一方面的第二种实施方式，本发明在第一方面的第三种实施方式中，对所述待处理保险的保单信息进行预处理，包括：
对保单信息中的被保险人数据按年龄进行离散化处理；
对离散化后的被保险人数据进行独热编码；
对编码后的被保险人数据进行归一化处理。
结合第一方面、第一方面的第一种实施方式、第一方面的第二种实施方式或第一方面的第三种实施方式，本发明在第一方面的四种实施方式中，所述方法还包括：
将历史的保单信息作为输入特征，将历史的出险数据作为输出特征，训练得到深度神经网络预测模型。
结合第一方面、第一方面的第一种实施方式、第一方面的第二种实施方式或第一方面的第三种实施方式，本发明在第一方面的五种实施方式中，所述方法还包括：
根据预测的出险数据和实际的出险数据，对所述深度神经网络预测模型进行评估；
根据评估结果调整深度神经网络预测模型中的神经子网络的宽度和深度。
第二方面，本发明实施例提供了一种保险的出险预测装置，包括：
获取模块，用于获取待处理保险的保单信息；
预测模块，用于将所述待处理保险的保单信息输入深度神经网络预测模型，预测得到所述待处理保险的出险数据，其中，所述深度神经网络预测模型的输入特征为保单信息，输出特征为出险数据。
结合第二方面，本发明在第二方面的第一种实施方式中，所述保单信息包括以下至少一种：单位名称、险种代码、险种责任、行业、职业、分公司、保额、总人数、平均年龄和男性比例；
所述出险数据包括以下至少一种：出险率、件均赔付、件均索赔和平均住院天数。
结合第二方面或第二方面的第一种实施方式，本发明在第二方面的第二种实施方式中，所述预测模块包括：
预处理子模块，用于对所述待处理保险的保单信息进行预处理；
预测子模块，用于将预处理后的保单信息输入深度神经网络预测模型，预测得到所述待处理保险的出险数据。
结合第二方面的第二种实施方式，本发明在第二方面的第三种实施方式中，所述预处理子模块具体用于：
对保单信息中的被保险人数据按年龄进行离散化处理；
对离散化后的被保险人数据进行独热编码；
对编码后的被保险人数据进行归一化处理。
结合第二方面、第二方面的第一种实施方式、第二种实施方式或第三种实施方式，本发明的第二方面的第四种实施方式中，所述装置还包括：
建模模块，用于将历史的保单信息作为输入特征，将历史的出险数据作为输出特征，训练得到深度神经网络预测模型。
结合第二方面、第二方面的第一种实施方式、第二种实施方式或第三种实施方式，本发明的第二方面的第五种实施方式中，所述装置还包括：
评估模块，用于根据预测的出险数据和实际的出险数据，对所述深度神经网络预测模型进行评估；
调整模块，用于根据评估结果调整深度神经网络预测模型中的神经子网络的宽度和深度。
第三方面，本发明实施例提供一种服务器，所述服务器包括：
一个或多个处理器；
存储装置，用于存储一个或多个程序；
当所述一个或多个程序被所述一个或多个处理器执行时，使得所述一个或多个处理器实现如上所述的方法。
第四方面，本发明实施例提供了一种计算机可读存储介质，用于存储保险的出险预测装置所用的计算机软件指令，其包括用于执行上述第一方面中保险的出险预测方法为保险的出险预测装置所涉及的程序。
上述技术方案中的一个技术方案具有如下优点或有益效果：本发明技术方案将待处理保险的保单信息输入深度神经网络预测模型，预测得到所述待处理保险的出险数据，通过深度神经网络预测模型来预测出险数据可以避免主观性过强导致的定价偏差较大的技术问题。
上述概述仅仅是为了说明书的目的，并不意图以任何方式进行限制。除上述描述的示意性的方面、实施方式和特征之外，通过参考附图和以下的详细描述，本发明进一步的方面、实施方式和特征将会是容易明白的。
附图说明
在附图中，除非另外规定，否则贯穿多个附图相同的附图标记表示相同或相似的部件或元素。这些附图不一定是按照比例绘制的。应该理解，这些附图仅描绘了根据本发明公开的一些实施方式，而不应将其视为是对本发明范围的限制。
图1为本发明实施例一的保险的出险预测方法的流程图；
图2为本发明实施例二的保险的出险预测方法的流程图；
图3为本发明实施例二的保险的出险预测方法的构建深度神经网络预测模型的流程图；
图4为本发明实施例二的保险的出险预测方法的深度神经网络预测模型的示意图；
图5为本发明实施例二的保险的出险预测方法的数据处理流程图：
图6为本发明实施例三的保险的出险预测装置的流程图；
图7为本发明实施例四的保险的出险预测装置的流程图；
图8为本发明实施例五的服务器的示意图。
具体实施方式
在下文中，仅简单地描述了某些示例性实施例。正如本领域技术人员可认识到的那样，在不脱离本发明的精神或范围的情况下，可通过各种不同方式修改所描述的实施例。因此，附图和描述被认为本质上是示例性的而非限制性的。
实施例一
如图1所示，为本发明实施例的保险的出险预测方法的流程图。该保险的出险预测方法包括：
S101，获取待处理保险的保单信息。
本发明实施例中，待处理保险包括需要定价的个人保险、团体保险等。既可以由业务人员输入某一待处理保险的保单信息，也可以从如图4所示的业务数据库中调取已经录入的某一待处理保险的保单信息。其中，所述保单信息可以包括以下至少一种：单位名称、险种代码、险种责任、行业、职业、分公司、保额、总人数、平均年龄和男性比例。
S102，将所述待处理保险的保单信息输入深度神经网络预测模型，预测得到所述待处理保险的出险数据。
其中，所述深度神经网络预测模型的输入特征为保单信息，输出特征为出险数据。其中，所述出险数据包括以下至少一种：出险率、件均赔付、件均索赔和平均住院天数。
几种常见的出险数据的计算公式的示例如下：
本发明实施例将保单信息输入训练好的深度神经网络预测模型后，该模型可以输出预测的出险数据。然后，可以将出险数据发送给业务人员或保险的自动报价系统。业务人员或自动报价系统可以参考预测的出险数据，为待处理保险给出合理的定价。
不同险种的预期赔付计算不同：意外身故预期赔付＝出险率×保额，意外医疗的预期赔付＝(件均索赔-免赔额)×给付比例，重大疾病＝出险率×保额，住院医疗＝出险率×(件均索赔-免赔额)×给付比例。最终的定价结合预期赔付和预期利润给出。
本发明实施例将待处理保险的保单信息输入深度神经网络预测模型，预测得到所述待处理保险的出险数据，对出险数据的预测精度高，为保险定价提供科学依据，避免由于纯人工估价带来的主观性过强、定价偏差较大等问题。
将本发明实施例的保险的出险预测方法应用于不同保险公司的团险定价场景，可随业务发展迭代深度神经网络预测模型，使模型能够适应不同团险业务场景的最新需求，在预测精度、可扩展性、通用性等方面为团险定价带来显著的提升。
实施例二
在实施例一的基础上，本发明实施例提供了一种保险的出险预测方法。如图2所示，为本发明实施例的保险的出险预测方法的流程图。本发明实施例的保险的出险预测方法包括如下步骤：
S201，获取待处理保险的保单信息。
以上步骤S201与步骤S101类似，在此不赘述。
S202，对所述待处理保险的保单信息进行预处理。
其中，步骤S202可以包括：A，对保单信息中的被保险人数据按年龄进行离散化处理；B，对离散化后的被保险人数据进行独热(one-hot)编码；C，对编码后的被保险人数据进行归一化处理。
其中，离散化是指把无限空间中有限的个体映射到有限的空间中去，以此提高算法的时空效率。例如，将被保险人的平均年龄按0-18、19-35、36-45、46-55、56-60、61-65、>66分为七段进行离散化。离散化可以在不改变数据相对大小的条件下，将数据进行相应的缩小。
其中，one-hot编码可以将离散型特征的每一种取值看成一种状态。若这一特征中有N个不相同的取值，可以将该特征抽象成N种不同的状态。one-hot编码可以保证每一个取值只会使得一种状态处于“激活态”，也就是说这N种状态中只有一个状态位值为1，其他状态位都是0。例如，对保单信息中的险种代码、险种责任、行业、职业、分公司、离散后的平均年龄进行one-hot编码。
其中，归一化是一种简化计算的方式，即将有量纲的表达式，经过变换，化为无量纲的表达式，成为标量。在多种计算中都经常用到这种方法。例如本发明实施例可以采用对数尺度变换进行归一化处理。例如，对保单信息中的保额、总人数进行log尺度变换，归一化处理。
预处理的具体过程在以下的实施例中将做具体介绍。
S203，将预处理后的保单信息输入深度神经网络预测模型，预测得到所述待处理保险的出险数据。
以上步骤S202和S203对应实施例一的步骤S102。
进一步地，如图3所示，本发明实施例还包括构建深度神经网络预测模型的步骤：
S301、将历史的保单信息作为输入特征，将历史的出险数据作为输出特征，训练得到深度神经网络预测模型。
本发明实施例在获得历史保单信息和历史出险数据后，对历史保单信息和历史出险数据进行预处理。
对历史的保单信息的预处理过程与对待处理保险的保单信息的方法类似。
首先，对输入的历史保单信息进行离散化处理。例如，将历史保单信息的被保险人的平均年龄按0-18、19-35、36-45、46-55、56-60、61-65、>66分为七段进行离散化。
其次，将离散化后的历史保单信息进行one-hot编码。例如，对被保险人的平均年龄按0-18、19-35、36-45、46-55、56-60、61-65、>66分为七段进行离散化之后，对离散后的平均年龄进行one-hot编码如下：
| 险种代码 | 险种责任 | 年龄段 | one-hot编码 |
| 00 | A类 | 0-18 | 1000000 |
| 00 | A类 | 19-35 | 0100000 |
| 00 | A类 | 36-45 | 0010000 |
| 00 | A类 | 46-55 | 0001000 |
| 00 | A类 | 56-60 | 0000100 |
| 00 | A类 | 61-65 | 0000010 |
| 00 | A类 | >66 | 0000001 |
值得注意的是，上述编码仅为对年龄段的编码。如果对历史保单信息中的险种代码、险种责任、行业、职业、分公司、离散后的平均年龄进行one-hot编码如下，险种代码有24个类别，险种责任有13个类别，行业有22个类别，职业有88个类别，分公司机构号有20个类别，平均年龄段有7种类别，因此离散特征编码由6个one-hot向量拼接得到，总长度为174。在此不再赘述。
最后，对编码后的历史保单信息进行归一化处理。例如，对历史保单信息中的保额、总人数、男性占比进行log尺度变换。拼接离散特征和连续特征，共177位编码作为模型的输入。
本发明在训练深度神经网络预测模型可以采用深度神经网络算法(Deep NeuralNetwork，DNN)进行训练。举例而言，深度神经网络预测模型全连接(dense)层、激活层、丢弃(dropout)层和融合(merge)层。其中，全连接层等价于矩阵乘法对特征进行空间变换，可以提取整合特征中的有效信息；激活层采用ReLU激活函数，用以描述非线性；Dropout层在训练过程中按一定概率将神经元暂时丢充，以防止深度神经网络预测模型过拟合。例如，如图3所示，本发明实施例的深度神经网络预测模型包括四个子网络。在具体实施时，可以根据计算的需要改变个别子网络的结构和初始化方法；每个子网络采用信息前向传播、误差反向传播的方式更新子网络的权重，可以MSLE函数作为损失函数，adam函数作为优化器，将其中的min-batch参数设为128，在训练深度神经网络预测模型时，可以一直训练到损失函数不再减小时结束模型训练。
S302，根据预测的出险数据和实际的出险数据，对所述深度神经网络预测模型进行评估。
预测的出险数据与实际的出险数据可能不同。根据新的保单信息形成新的出险数据时，可以将预测的出险数据与新的出险数据进行比较，然后对深度神经网络预测模型进行评估，例如，对准确性进行评估。
S303，根据评估结果调整深度神经网络预测模型中的神经子网络的宽度和深度。
如图4所示，为深度神经网络预测模型的示意图。其中，深度神经网络预测模型中包括输入层(input)、全连接层(dense)、丢弃层(dropout)、累加层(add)和融合层(concatenate)，其中的数据流向如图中箭头方向所示。本发明实施例的神经子网络的宽度可以包括神经子网络的个数，深度可以包括神经子网络中从一个输入到一个输出的最长路径的长度。适当增加神经子网络的个数可以提高深度神经网络预测模型的泛化能力，适当增加子网络的深度，可以提高深度神经网络预测模型的预测精度。对于每一次训练好的模型可通过小流量上线的方式逐步取代正在线上运行的旧模型，以达到模型随业务动态扩展泛化的目的。
如图5所示，为本发明实施例数据处理流程图。其中，业务数据库中可以保存历史的保单信息和历史的出险数据，还可以保存待处理保险的保单信息。并且，根据实际业务的变化，可以增加或删除业务数据库中待处理保险的保单信息。训练数据库中可以包括从业务数据库中获取的训练数据作为训练的样本。训练数据主要包括历史的保单信息和出险数据。
在训练模型时，模型训练模块向训练数据库发送获取训练数据的请求，训练数据库将训练数据发送至模型训练模块进行训练。模型训练模块可以将训练好的模型发送给模型预测模块。在需要进行出险预测时，可以向模型预测模块输入待处理保险的保单信息，由模型预测模块输出出险数据。然后模型预测模块可以将保单信息和预测的出险数据存储至业务数据库中。模型评估模块可以根据业务数据库中的实际的出险数据与预测的出险数据，来评估预测结果。然后模型评估模块可以将评估指标发送至模型训练模块。这样，模型训练模块可以根据评估结果决定是否调整训练好的模型。
本发明技术方案根据保单信息和出险数据的积累和更新，可以对深度神经网络预测模型进行更新和调整。
实施例三
本发明实施例提供了一种保险的出险预测装置。如图6所示，为本发明实施例的保险的出险预测装置的示意图。本发明实施例的保险的出险预测装置包括：
获取模块61，用于获取待处理保险的保单信息；
预测模块62，用于将所述待处理保险的保单信息输入深度神经网络预测模型，预测得到所述待处理保险的出险数据，其中，所述深度神经网络预测模型的输入特征为保单信息，输出特征为出险数据。
其中，所述保单信息包括以下至少一种：单位名称、险种代码、险种责任、行业、职业、分公司、保额、总人数、平均年龄和男性比例；
所述出险数据包括以下至少一种：出险率、件均赔付、件均索赔和平均住院天数。
本发明实施例可以实现对出险数据进行客观的预测，该有益效果与实施例一的有益效果相同，在此不再赘述。
实施例四
在实施例三的基础上，本发明实施例提供了一种保险的出险预测装置。如图7所示，为本发明实施例的保险的出险预测装置的示意图。本发明实施例的保险的出险预测装置包括：
所述预测模块62包括：
预处理子模块621，用于对所述待处理保险的保单信息进行预处理；
预测子模块622，用于将预处理后的保单信息输入深度神经网络预测模型，预测得到所述待处理保险的出险数据。
具体地，所述预处理子模块62具体用于：
对保单信息中的被保险人数据按年龄进行离散化处理；
对离散化后的被保险人数据进行独热编码；
对编码后的被保险人数据进行归一化处理。
进一步地，所述装置还包括：
建模模块71，用于将历史的保单信息作为输入特征，将历史的出险数据作为输出特征，训练得到深度神经网络预测模型。
进一步地，所述装置还包括：
评估模块72，用于根据预测的出险数据和实际的出险数据，对所述深度神经网络预测模型进行评估；
调整模块73，用于根据评估结果调整深度神经网络预测模型中的神经子网络的宽度和深度。
本发明技术方案可以实现根据保单信息和出险数据的积累和更新，可以对深度神经网络预测模型进行更新和调整，其有益效果与实施例二相同，在此不再赘述。
实施例五
本发明实施例五提供一种信息分类设备，如图8所示，该设备包括：存储器81和处理器82，存储器81内存储有可在处理器82上运行的计算机程序。处理器82执行所述计算机程序时实现上述实施例中的信息分类方法。存储器81和处理器82的数量可以为一个或多个。
该设备还包括：
通信接口83，用于存储器81和处理器82与外部设备之间的通信。
存储器81可能包含高速RAM存储器，也可能还包括非易失性存储器(non-volatilememory)，例如至少一个磁盘存储器。
如果存储器81、处理器82和通信接口83独立实现，则存储器81、处理器82和通信接口83可以通过总线相互连接并完成相互间的通信。所述总线可以是工业标准体系结构(ISA，Industry Standard Architecture)总线、外部设备互连(PCI，PeripheralComponent)总线或扩展工业标准体系结构(EISA，Extended Industry StandardComponent)总线等。所述总线可以分为地址总线、数据总线、控制总线等。为便于表示，图8中仅用一条粗线表示，但并不表示仅有一根总线或一种类型的总线。
可选的，在具体实现上，如果存储器81、处理器82及通信接口83集成在一块芯片上，则存储器81、处理器82及通信接口83可以通过内部接口完成相互间的通信。
实施例六
本发明实施例提供一种计算机可读存储介质，其存储有计算机程序，该程序被处理器执行时实现如图1至5任一实施例所述的方法。
在本说明书的描述中，参考术语“一个实施例”、“一些实施例”、“示例”、“具体示例”、或“一些示例”等的描述意指结合该实施例或示例描述的具体特征、结构、材料或者特点包含于本发明的至少一个实施例或示例中。而且，描述的具体特征、结构、材料或者特点可以在任一个或多个实施例或示例中以合适的方式结合。此外，在不相互矛盾的情况下，本领域的技术人员可以将本说明书中描述的不同实施例或示例以及不同实施例或示例的特征进行结合和组合。
此外，术语“第一”、“第二”仅用于描述目的，而不能理解为指示或暗示相对重要性或者隐含指明所指示的技术特征的数量。由此，限定有“第一”、“第二”的特征可以明示或隐含地包括至少一个该特征。在本发明的描述中，“多个”的含义是两个或两个以上，除非另有明确具体的限定。
流程图中或在此以其他方式描述的任何过程或方法描述可以被理解为，表示包括一个或更多个用于实现特定逻辑功能或过程的步骤的可执行指令的代码的模块、片段或部分，并且本发明的优选实施方式的范围包括另外的实现，其中可以不按所示出或讨论的顺序，包括根据所涉及的功能按基本同时的方式或按相反的顺序，来执行功能，这应被本发明的实施例所属技术领域的技术人员所理解。
在流程图中表示或在此以其他方式描述的逻辑和/或步骤，例如，可以被认为是用于实现逻辑功能的可执行指令的定序列表，可以具体实现在任何计算机可读介质中，以供指令执行系统、装置或设备(如基于计算机的系统、包括处理器的系统或其他可以从指令执行系统、装置或设备取指令并执行指令的系统)使用，或结合这些指令执行系统、装置或设备而使用。就本说明书而言，“计算机可读介质”可以是任何可以包含、存储、通信、传播或传输程序以供指令执行系统、装置或设备或结合这些指令执行系统、装置或设备而使用的装置。
本发明实施例所述的计算机可读介质可以是计算机可读信号介质或者计算机可读存储介质或者是上述两者的任意组合。计算机可读存储介质的更具体的示例至少(非穷尽性列表)包括以下：具有一个或多个布线的电连接部(电子装置)，便携式计算机盘盒(磁装置)，随机存取存储器(RAM)，只读存储器(ROM)，可擦除可编辑只读存储器(EPROM或闪速存储器)，光纤装置，以及便携式只读存储器(CDROM)。另外，计算机可读存储介质甚至可以是可在其上打印所述程序的纸或其他合适的介质，因为可以例如通过对纸或其他介质进行光学扫描，接着进行编辑、解译或必要时以其他合适方式进行处理来以电子方式获得所述程序，然后将其存储在计算机存储器中。
在本发明实施例中，计算机可读信号介质可以包括在基带中或者作为载波一部分传播的数据信号，其中承载了计算机可读的程序代码。这种传播的数据信号可以采用多种形式，包括但不限于电磁信号、光信号或上述的任意合适的组合。计算机可读的信号介质还可以是计算机可读存储介质以外的任何计算机可读介质，该计算机可读介质可以发送、传播或者传输用于指令执行系统、输入法或者器件使用或者与其结合使用的程序。计算机可读介质上包含的程序代码可以用任何适当的介质传输，包括但不限于：无线、电线、光缆、射频(RadioFrequency，RF)等等，或者上述的任意合适的组合。
应当理解，本发明的各部分可以用硬件、软件、固件或它们的组合来实现。在上述实施方式中，多个步骤或方法可以用存储在存储器中且由合适的指令执行系统执行的软件或固件来实现。例如，如果用硬件来实现，和在另一实施方式中一样，可用本领域公知的下列技术中的任一项或他们的组合来实现：具有用于对数据信号实现逻辑功能的逻辑门电路的离散逻辑电路，具有合适的组合逻辑门电路的专用集成电路，可编程门阵列(PGA)，现场可编程门阵列(FPGA)等。
本技术领域的普通技术人员可以理解实现上述实施例方法携带的全部或部分步骤是可以通过程序来指令相关的硬件完成，所述的程序可以存储于一种计算机可读存储介质中，该程序在执行时，包括方法实施例的步骤之一或其组合。
此外，在本发明各个实施例中的各功能单元可以集成在一个处理模块中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个模块中。上述集成的模块既可以采用硬件的形式实现，也可以采用软件功能模块的形式实现。所述集成的模块如果以软件功能模块的形式实现并作为独立的产品销售或使用时，也可以存储在一个计算机可读存储介质中。所述存储介质可以是只读存储器，磁盘或光盘等。
以上所述，仅为本发明的具体实施方式，但本发明的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，可轻易想到其各种变化或替换，这些都应涵盖在本发明的保护范围之内。因此，本发明的保护范围应以所述权利要求的保护范围为准。
Claims (14)
1.一种保险的出险预测方法，其特征在于，所述方法包括：
获取待处理保险的保单信息；
将所述待处理保险的保单信息输入深度神经网络模型，预测得到所述待处理保险的出险数据，其中，所述深度神经网络预测模型的输入特征为保单信息，输出特征为出险数据。
2.根据权利要求1所述的方法，其特征在于，所述保单信息包括以下至少一种：单位名称、险种代码、险种责任、行业、职业、分公司、保额、总人数、平均年龄和男性比例；
所述出险数据包括以下至少一种：出险率、件均赔付、件均索赔和平均住院天数。
3.根据权利要求1或2所述的方法，其特征在于，将所述待处理保险的保单信息输入深度神经网络预测模型，预测得到所述待处理保险的出险数据，包括：
对所述待处理保险的保单信息进行预处理；
将预处理后的保单信息输入深度神经网络预测模型，预测得到所述待处理保险的出险数据。
4.根据权利要求3所述的方法，其特征在于，对所述待处理保险的保单信息进行预处理，包括：
对保单信息中的被保险人数据按年龄进行离散化处理；
对离散化后的被保险人数据进行独热编码；
对编码后的被保险人数据进行归一化处理。
5.根据权利要求1至4中任一项所述的方法，其特征在于，所述方法还包括：
将历史的保单信息作为输入特征，将历史的出险数据作为输出特征，训练得到深度神经网络预测模型。
6.根据权利要求1至4中任一项所述的方法，其特征在于，所述方法还包括：
根据预测的出险数据和实际的出险数据，对所述深度神经网络预测模型进行评估；
根据评估结果调整深度神经网络预测模型中的神经子网络的宽度和深度。
7.一种保险的出险预测装置，其特征在于，所述装置包括：
获取模块，用于获取待处理保险的保单信息；
预测模块，用于将所述待处理保险的保单信息输入深度神经网络预测模型，预测得到所述待处理保险的出险数据，其中，所述深度神经网络预测模型的输入特征为保单信息，输出特征为出险数据。
8.根据权利要求7所述的装置，其特征在于，
所述保单信息包括以下至少一种：单位名称、险种代码、险种责任、行业、职业、分公司、保额、总人数、平均年龄和男性比例；
所述出险数据包括以下至少一种：出险率、件均赔付、件均索赔和平均住院天数。
9.根据权利要求7或8所述的装置，其特征在于，所述预测模块包括：
预处理子模块，用于对所述待处理保险的保单信息进行预处理；
预测子模块，用于将预处理后的保单信息输入深度神经网络预测模型，预测得到所述待处理保险的出险数据。
10.根据权利要求9所述的装置，其特征在于，所述预处理子模块具体用于：
对保单信息中的被保险人数据按年龄进行离散化处理；
对离散化后的被保险人数据进行独热编码；
对编码后的被保险人数据进行归一化处理。
11.根据权利要求7至10任一项所述的装置，其特征在于，所述装置还包括：
建模模块，用于将历史的保单信息作为输入特征，将历史的出险数据作为输出特征，训练得到深度神经网络预测模型。
12.根据权利要求7至10任一项所述的装置，所述装置还包括：
评估模块，用于根据预测的出险数据和实际的出险数据，对所述深度神经网络预测模型进行评估；
调整模块，用于根据评估结果调整深度神经网络预测模型中的神经子网络的宽度和深度。
13.一种服务器，其特征在于，所述服务器包括：
一个或多个处理器；
存储装置，用于存储一个或多个程序；
当所述一个或多个程序被所述一个或多个处理器执行时，使得所述一个或多个处理器实现如权利要求1-6中任一所述的方法。
14.一种计算机可读存储介质，其存储有计算机程序，其特征在于，该程序被处理器执行时实现如权利要求1-6中任一所述的方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201810214556.9A CN108492197A (zh) | 2018-03-15 | 2018-03-15 | 保险的出险预测方法、装置及服务器 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201810214556.9A CN108492197A (zh) | 2018-03-15 | 2018-03-15 | 保险的出险预测方法、装置及服务器 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN108492197A true CN108492197A (zh) | 2018-09-04 |
Family
ID=63339522
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201810214556.9A Pending CN108492197A (zh) | 2018-03-15 | 2018-03-15 | 保险的出险预测方法、装置及服务器 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN108492197A (zh) |
Cited By (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109712008A (zh) * | 2018-12-20 | 2019-05-03 | 泰康保险集团股份有限公司 | 保单处理方法、装置、介质及电子设备 |
| CN110728585A (zh) * | 2019-10-23 | 2020-01-24 | 泰康保险集团股份有限公司 | 核保方法、装置、设备及存储介质 |
| CN111309870A (zh) * | 2020-03-04 | 2020-06-19 | 平安养老保险股份有限公司 | 数据快速搜索方法、装置及计算机设备 |
| CN112330476A (zh) * | 2020-11-27 | 2021-02-05 | 中国人寿保险股份有限公司 | 一种团单保险业务预测方法及装置 |
| CN112381314A (zh) * | 2020-11-24 | 2021-02-19 | 京东数字科技控股股份有限公司 | 模型训练、出险率预测方法、装置、电子设备及存储介质 |
| CN112819641A (zh) * | 2020-12-28 | 2021-05-18 | 中国人寿保险股份有限公司上海数据中心 | 一种团险智能定价系统、方法、设备及存储介质 |
| CN113095889A (zh) * | 2021-04-28 | 2021-07-09 | 中国第一汽车股份有限公司 | 一种保险定价方法、装置、服务器及存储介质 |
Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20060026044A1 (en) * | 2004-07-28 | 2006-02-02 | Smith Donald X Ii | Electronic content insurance system |
| CN107292528A (zh) * | 2017-06-30 | 2017-10-24 | 阿里巴巴集团控股有限公司 | 车险风险预测方法、装置及服务器 |
| CN107609116A (zh) * | 2017-09-13 | 2018-01-19 | 星环信息科技（上海）有限公司 | 一种创建跨域迁移深度网络的方法及设备 |
| CN107679859A (zh) * | 2017-07-18 | 2018-02-09 | 中国银联股份有限公司 | 一种基于迁移深度学习的风险识别方法以及系统 |
-
2018
- 2018-03-15 CN CN201810214556.9A patent/CN108492197A/zh active Pending
Patent Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20060026044A1 (en) * | 2004-07-28 | 2006-02-02 | Smith Donald X Ii | Electronic content insurance system |
| CN107292528A (zh) * | 2017-06-30 | 2017-10-24 | 阿里巴巴集团控股有限公司 | 车险风险预测方法、装置及服务器 |
| CN107679859A (zh) * | 2017-07-18 | 2018-02-09 | 中国银联股份有限公司 | 一种基于迁移深度学习的风险识别方法以及系统 |
| CN107609116A (zh) * | 2017-09-13 | 2018-01-19 | 星环信息科技（上海）有限公司 | 一种创建跨域迁移深度网络的方法及设备 |
Cited By (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109712008A (zh) * | 2018-12-20 | 2019-05-03 | 泰康保险集团股份有限公司 | 保单处理方法、装置、介质及电子设备 |
| CN110728585A (zh) * | 2019-10-23 | 2020-01-24 | 泰康保险集团股份有限公司 | 核保方法、装置、设备及存储介质 |
| CN111309870A (zh) * | 2020-03-04 | 2020-06-19 | 平安养老保险股份有限公司 | 数据快速搜索方法、装置及计算机设备 |
| CN111309870B (zh) * | 2020-03-04 | 2022-11-18 | 平安养老保险股份有限公司 | 数据快速搜索方法、装置及计算机设备 |
| CN112381314A (zh) * | 2020-11-24 | 2021-02-19 | 京东数字科技控股股份有限公司 | 模型训练、出险率预测方法、装置、电子设备及存储介质 |
| CN112330476A (zh) * | 2020-11-27 | 2021-02-05 | 中国人寿保险股份有限公司 | 一种团单保险业务预测方法及装置 |
| CN112819641A (zh) * | 2020-12-28 | 2021-05-18 | 中国人寿保险股份有限公司上海数据中心 | 一种团险智能定价系统、方法、设备及存储介质 |
| CN113095889A (zh) * | 2021-04-28 | 2021-07-09 | 中国第一汽车股份有限公司 | 一种保险定价方法、装置、服务器及存储介质 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN108492197A (zh) | 保险的出险预测方法、装置及服务器 | |
| US11636555B2 (en) | Systems and methods for crowdsourcing condition of guarantor | |
| US20230419304A1 (en) | Game engines with smart contract systems and digital wallets | |
| CA3118313A1 (en) | Methods and systems for improving machines and systems that automate execution of distributed ledger and other transactions in spot and forward markets for energy, compute, storage and other resources | |
| CN110400015B (zh) | 一种时间估计方法及其装置、设备 | |
| CN110516910A (zh) | 基于大数据的保单核保模型训练方法和核保风险评估方法 | |
| CN108734591A (zh) | 欺诈案件的评估方法、装置、存储介质及终端 | |
| Gao et al. | Lookback option pricing problem of uncertain exponential Ornstein–Uhlenbeck model | |
| CN113706211B (zh) | 基于神经网络的广告点击率预测方法及系统 | |
| Al-qaness et al. | Modified whale optimization algorithm for solving unrelated parallel machine scheduling problems | |
| CN110400184A (zh) | 用于生成信息的方法和装置 | |
| CN110136011A (zh) | 保险智能报价方法、装置、介质及电子设备 | |
| WO2023287969A1 (en) | Systems and methods with integrated gaming engines and smart contracts | |
| CN109816474A (zh) | 轨道交通产品的模块化配置方法、装置与电子设备 | |
| CN113641828A (zh) | 一种基于知识图谱的电网供应商画像成像方法和存储设备 | |
| CN109784407A (zh) | 确定表字段的类型的方法和装置 | |
| Chklovskii et al. | Power-law for axon diameters at branch point | |
| CN110232150A (zh) | 一种用户数据分析方法、装置、可读存储介质及终端设备 | |
| CN110490749A (zh) | 一种产品定价方法及装置 | |
| CN109598625A (zh) | 基于大数据的保费计算方法、装置、介质及电子设备 | |
| Islam et al. | A novel hybrid approach for predicting Western Australia’s seasonal rainfall variability | |
| JP6852193B2 (ja) | ソーシャルネットワークにおける中心頂点の確定方法、装置、デバイスおよび記憶媒体 | |
| CN110335679A (zh) | 一种基于多粒度图模式挖掘的生存预测方法及系统 | |
| CN110210984A (zh) | 大病医保政策调整对基金支出影响的量化方法及系统 | |
| Pasupunuri et al. | Roughness Prediction of Jointed Plain Concrete Pavement Using Physics Informed Neural Networks |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| RJ01 | Rejection of invention patent application after publication | ||
| RJ01 | Rejection of invention patent application after publication |
Application publication date: 20180904 |