CN109002900A - 预测投保风险概率的方法、装置、计算机设备和存储介质 - Google Patents
预测投保风险概率的方法、装置、计算机设备和存储介质 Download PDFInfo
- Publication number
- CN109002900A CN109002900A CN201810569999.XA CN201810569999A CN109002900A CN 109002900 A CN109002900 A CN 109002900A CN 201810569999 A CN201810569999 A CN 201810569999A CN 109002900 A CN109002900 A CN 109002900A
- Authority
- CN
- China
- Prior art keywords
- vector
- risk probability
- personal information
- risk
- insurance
- 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 49
- 239000013598 vector Substances 0.000 claims abstract description 272
- 238000013528 artificial neural network Methods 0.000 claims abstract description 24
- 239000011159 matrix material Substances 0.000 claims abstract description 24
- 238000012545 processing Methods 0.000 claims description 27
- 238000013507 mapping Methods 0.000 claims description 18
- 238000004590 computer program Methods 0.000 claims description 14
- 238000010586 diagram Methods 0.000 description 8
- 238000004364 calculation method Methods 0.000 description 7
- 230000006870 function Effects 0.000 description 7
- 238000012549 training Methods 0.000 description 7
- 239000002699 waste material Substances 0.000 description 5
- 238000012216 screening Methods 0.000 description 4
- 238000010276 construction Methods 0.000 description 3
- 238000001514 detection method Methods 0.000 description 3
- 230000008901 benefit Effects 0.000 description 2
- 238000006243 chemical reaction Methods 0.000 description 2
- 239000002131 composite material Substances 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 210000005036 nerve Anatomy 0.000 description 2
- 238000012550 audit Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000002708 enhancing effect Effects 0.000 description 1
- 238000012821 model calculation Methods 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 230000001360 synchronised effect 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
- G06Q10/00—Administration; Management
- G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
-
- 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
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/063—Operations research, analysis or management
- G06Q10/0635—Risk analysis of enterprise or organisation activities
-
- 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
Landscapes
- Business, Economics & Management (AREA)
- Engineering & Computer Science (AREA)
- Human Resources & Organizations (AREA)
- Economics (AREA)
- Strategic Management (AREA)
- Theoretical Computer Science (AREA)
- Development Economics (AREA)
- Entrepreneurship & Innovation (AREA)
- Marketing (AREA)
- General Physics & Mathematics (AREA)
- General Business, Economics & Management (AREA)
- Physics & Mathematics (AREA)
- Tourism & Hospitality (AREA)
- Quality & Reliability (AREA)
- Operations Research (AREA)
- Game Theory and Decision Science (AREA)
- Accounting & Taxation (AREA)
- Finance (AREA)
- Educational Administration (AREA)
- Technology Law (AREA)
- Financial Or Insurance-Related Operations Such As Payment And Settlement (AREA)
Abstract
本发明提出的预测投保风险概率的方法、装置、计算机设备和存储介质,其中方法包括:获取保险单中的用户的个人信息和业务类型信息;将所述个人信息转换得到第一向量以及将所述业务类型信息转换得到第二向量;将所述第一向量和第二向量进行组合得到向量矩阵输入至预设的基于深度神经网络的风险概率预测模型中进行计算,其中,所述风险概率预测模型通过输入指定量的用户的个人信息和业务类型信息,以及用户的个人信息和业务类型信息所对应的风险概率作为样本数据进行训练所得,用于计算用户进行投保的风险概率。本发明的主要目的为提供一种能高效、准确地预测投保风险概率的方法、装置、计算机设备和存储介质。
Description
技术领域
本发明涉及到计算机技术领域,特别是涉及到一种预测投保风险概率的方法、装置、计算机设备和存储介质。
背景技术
在保险领域中,保险公司的业务员需要对客户提出的投保申请进行审核,通过审核结果来决定是否接受承保业务,并在接受承保业务后,确定保险费率。而在核保过程中,核保人员会根据不同风险类别给予客户不同的费率,保证业务质量。现有的主要通过业务员的经验来人为筛选出风险单,判断客户的风险类别,采取这种方式的缺点在于效率较低,浪费时间,而且还很容易由于人为疏忽错漏风险单,且对于风险单所对应的客户之间的潜在关系无法预测。因此如何提供一种能高效、准确地预测保险业务投保申请的风险概率的方法成为亟待解决的问题。
发明内容
本发明的主要目的为提供一种能高效、准确地预测投保风险概率的方法、装置、计算机设备和存储介质。
本发明提出预测投保风险概率的方法,包括:
获取保险单中的用户的个人信息和业务类型信息;
将所述个人信息转换得到第一向量以及将所述业务类型信息转换得到第二向量;
将所述第一向量和第二向量进行组合得到向量矩阵输入至预设的基于深度神经网络的风险概率预测模型中进行计算,其中,所述风险概率预测模型通过指定量的用户的个人信息和业务类型信息,以及用户的个人信息和业务类型信息所对应的风险概率作为样本数据进行训练所得,用于计算用户进行投保的风险概率;
获取所述风险概率预测模型输出的计算结果,该结果为用户进行投保的风险概率。
进一步地,所述用户的个人信息包括离散个人信息以及连续个人信息,所述将所述个人信息转换得到第一向量的步骤,包括:
检测出所述个人信息中的离散个人信息以及连续个人信息;
将所述离散个人信息转换得到离散向量,并且将所述离散个人信息进行交叉得到交叉向量,以及将所述连续个人信息进行放缩处理得到连续向量;
将所述离散向量、交叉向量以及连续向量进行组合得到第一向量。
进一步地,所述将所述离散向量、交叉向量以及连续向量进行组合得到第一向量的步骤之前,包括:
对所述离散向量、交叉向量分别进行稠密处理。
进一步地,所述将所述第一向量和第二向量进行组合得到向量矩阵输入至预设的基于深度神经网络的风险概率预测模型中进行计算的步骤,包括:
将所述第一向量和第二向量进行组合得到向量矩阵输入至预设的基于深度神经网络的风险概率预测模型中进行计算得到结果向量和结果常数;
通过公式计算得到风险概率,其中均为权重常数,a为所述结果向量,b为所述结果常数,φ(x)为所述交叉向量,x为所述离散向量,P(Y=1|x)为所述风险概率。
进一步地,所述将所述业务类型信息转换得到第二向量的步骤,包括:
将所述业务类型信息转换为保险单号信息;
对所述保险单号信息进行稠密处理得到第二向量。
进一步地,所述获取所述风险概率预测模型输出的计算结果,该结果为用户进行投保的风险概率的步骤之后,包括:
将所述风险概率与预设的风险等级表进行匹配,所述风险等级表包括不同风险概率范围与风险等级的对应关系;
根据匹配结果输出风险等级。
进一步地,所述根据匹配结果输出风险等级的步骤之后,包括:
在预设的费率映射表中查找所述风险等级对应的费率,所述预设的费率映射表包括不同风险等级与费率的对应关系。
本发明提出的预测投保风险概率的装置,包括:
获取单元,用于获取保险单中的用户的个人信息和业务类型信息;
转换单元,用于将所述个人信息转换得到第一向量以及将所述业务类型信息转换得到第二向量;
计算单元,用于将所述第一向量和第二向量进行组合得到向量矩阵输入至预设的基于深度神经网络的风险概率预测模型中进行计算,其中,所述风险概率预测模型通过指定量的用户的个人信息和业务类型信息,以及用户的个人信息和业务类型信息所对应的风险概率作为样本数据进行训练所得,用于计算用户进行投保的风险概率;
第一输出单元,用于获取所述风险概率预测模型输出的计算结果,该结果为用户申请投保该业务的风险概率。
本发明提出的计算机设备,包括存储器和处理器,所述存储器存储有计算机程序,其特征在于,所述处理器执行所述计算机程序时实现上述方法的步骤。
本发明提出的计算机可读存储介质,其上存储有计算机程序,其特征在于,所述计算机程序被处理器执行时实现上述的方法的步骤。
本发明的有益效果为:相较于现有的通过人为经验来选择风险单导致筛选效率低、浪费时间且还很容易由于人为疏忽错漏风险单的情况,本发明中通过上述风险概率预测模型实现能高效、准确地预测保险业务投保申请的风险概率,还能极大的减少人力,节约时间。
附图说明
图1为本发明一实施例中的预测投保风险概率的方法的步骤示意图;
图2为本发明另一实施例中的预测投保风险概率的方法的步骤示意图;
图3为本发明一实施例中的预测投保风险概率的装置的结构示意图;
图4为本发明一实施例中的预测投保风险概率的装置的转换单元的结构示意图;
图5为本发明另一实施例中的预测投保风险概率的装置的转换单元的结构示意图;
图6为本发明一实施例中的预测投保风险概率的装置的计算单元的结构示意图;
图7为本发明另一实施例中的预测投保风险概率的装置的结构示意图;
图8为本发明一实施例的计算机设备的结构示意框图。
本发明目的的实现、功能特点及优点将结合实施例,参照附图做进一步说明。
具体实施方式
应当理解,此处所描述的具体实施例仅仅用以解释本发明,并不用于限定本发明。
参照图1,本发明实施例中的预测投保风险概率的方法,包括:
步骤S1,获取保险单中的用户的个人信息和业务类型信息;
步骤S2,将所述个人信息转换得到第一向量以及将所述业务类型信息转换得到第二向量;
步骤S3,将所述第一向量和第二向量进行组合得到向量矩阵输入至预设的基于深度神经网络的风险概率预测模型中进行计算,其中,所述风险概率预测模型通过指定量的用户的个人信息和业务类型信息,以及用户的个人信息和业务类型信息所对应的风险概率作为样本数据进行训练所得,用于计算用户进行投保的风险概率;
步骤S4,获取所述风险概率预测模型输出的计算结果,该结果为用户进行投保的风险概率。
在步骤S1中,当用户到保险公司去投保某个保险业务时,保险公司的业务员需要用户在保险单中填写用户自己的个人信息以及投保的业务类型信息,从而根据用户的个人信息以及投保的业务类型信息来评估用户投保时的风险概率;其中用户的个人信息包括一些用户的私人信息或用户参与保险业务的相关信息,例如教育水平、固定资产、职称、是否购买过保险、收入、年龄、已购买的保险份数以及购买的每份保险对应的保单金额等;而业务类型信息为保险公司不同类型的保险产品。本实施例中的预测投保风险概率的方法通过获取用户在保险单中填写的用户的个人信息和业务类型信息,便于根据上述信息预测得到用户进行投保的风险概率。
在步骤S2中,对于上述用户的个人信息以及业务类型信息中包含有文字信息,而预设的基于深度神经网络的风险概率预测模型需要输入对应的向量才能进行计算,因此将上述个人信息转换得到第一向量以及将上述业务类型信息转换得到第二向量。其中用户的个人信息通过预设的第一规则进行转换得到对应的第一向量,其中上述预设的第一规则为对于用户的个人信息中包含有文字信息,通过设置不同的评分参数将其转换得到对应的向量,对于为数字的个人信息,直接作为对应的向量或者进行放缩后作为对应的向量。上述业务类型信息通过预设的第二规则进行转换得到对应的第二向量,其中上述预设的第二规则为根据编码规则将业务类型信息转换得到数字,再将数字进行稠密处理得到对应的向量。
在步骤S3中,将上述第一向量和第二向量进行组合得到向量矩阵,将上述向量矩阵输入至预设的基于深度神经网络的风险概率预测模型中进行计算,其中上述风险概率预测模型通过输入指定量的用户的个人信息和业务类型信息、以及用户的个人信息和业务类型信息所对应的风险概率作为样本数据进行训练所得,在训练完成后,当将用户的个人信息和业务类型信息输入到风险概率预测模型中,上述风险概率预测模型将计算用户进行投保的风险概率。
在步骤S4中,获取上述风险概率预测模型输出的计算结果,该结果为用户进行投保的风险概率,从而使得保险公司的业务员能根据上述风险概率来评估用户在进行投保时的风险概率,相较于现有的通过人为经验来选择风险单导致筛选效率低、浪费时间且还很容易由于人为疏忽错漏风险单的情况,本实施例中通过上述风险概率预测模型实现能高效、准确地预测保险业务投保申请的风险概率,还能极大的减少人力,节约时间。
本实施例中的预测投保风险概率的方法,所述用户的个人信息包括离散个人信息以及连续个人信息,所述将所述个人信息转换得到第一向量的步骤,包括:
步骤S210,检测出所述个人信息中的离散个人信息以及连续个人信息;
步骤S211,将所述离散个人信息转换得到离散向量,并且将所述离散个人信息进行交叉得到交叉向量,以及将所述连续个人信息进行放缩处理得到连续向量;
步骤S212,将所述离散向量、交叉向量以及连续向量进行组合得到第一向量。
用户的个人信息包括离散个人信息和连续个人信息,其中上述离散个人信息主要指的是教育水平、固定资产、职称、是否购买过保险等具有离散特征的个人信息;上述连续个人信息主要指的年龄、已购买过的保险份数等具有连续特征的个人信息。对于上述个人信息中,需要检测出上述个人信息中的离散个人信息以及连续个人信息。对于检测得到的上述离散个人信息,需要根据设置不同的评分参数的方法将上述离散个人信息转换得到离散向量;其中,设置不同的评分参数的方法为对于输入的离散个人信息均会设置评分等级,其中设置评分等级的方式将依据这些信息对应的人群进行分类。具体的说,对于输入的用户的教育水平,对于接受过大学本科及以上高等教育的将其评分参数设置为1,若没有接受过大学本科及以上高等教育的将其对应的参数设置为0;同理,对于固定资产中有房产的将对应的参数设置为1,无房产的将对应的参数设置为0;对于购买过保险的将对应的参数设置为1,未购买过保险的将对应的参数设置为0。以此类推,将所有用户的离散特征信息转换得到对应的离散向量。
此外,还将根据预设的交叉评分规则将上述离散个人信息进行交叉得到交叉向量,其中预设的交叉评分规则具体为对于输入的离散特征信息还通过构造成交叉向量来使得离散特征信息之间能进行关联,通过增加交叉向量到保险业务的风险预测模型的输入信息中,既能增加输入数据的宽度,同时在将交叉向量输入到保险业务的风险预测模型进行训练时,还能提高模型的泛化能力。其中预设的交叉评分规则为,对于同时满足大学本科及以上高等教育和购买过保险的客户,将其评分参数设置为1,上述任意一个条件不满足则将对应的参数设置为0。同理,对于多种不同类型的离散个人信息,可以两两之间通过上述方式构造交叉向量。优选地,还可以将三种或多种类型的离散个人信息进行交叉得到交叉向量,其具体方式参照上述方法,在此不再赘述。
对于连续个人信息,一般可以直接作为风险预测模型进行计算输入数据,对于某些类型的连续个人信息,例如收入、保单金额等连续特征信息,其数值一般较大,可以根据预设的放缩规则将上述连续个人信息进行放缩处理得到连续向量,具体的说,可以适当通过缩小函数进行缩小,以减小其数值。避免其数据量过大,从而增大风险预测模型的计算量。
将上述离散向量、交叉向量以及连续向量进行组合得到第一向量,便于作为风险概率预测模型的输入数据。
本实施例中的所述的预测投保风险概率的方法,所述将所述离散向量、交叉向量以及连续向量进行组合得到第一向量的步骤S212之前,包括:
步骤S2120,对所述离散向量、交叉向量分别进行稠密处理。
需要指出的是,离散向量、交叉向量一般比较稀疏,当将其直接输入到风险概率预测模型中,会提高上述风险概率预测模型的计算量,使得训练时间较长,因此需要对上述离散向量、交叉向量分别进行稠密处理。其中稠密处理的具体手段为通过与风险概率预测模型的隐藏层功能一样处理层对上述离散向量、交叉向量进行稠密处理。
本实施例中的预测投保风险概率的方法,所述将所述业务类型信息转换得到第二向量的步骤,包括:
步骤S220,将所述业务类型信息转换为保险单号信息;
步骤S221,对所述保险单号信息进行稠密处理得到第二向量。
对于业务类型信息在输入到风险概率预测模型中进行计算之前,需要对不同的保险业务类型进行区分。具体的,通过预设的编码规则将上述业务类型信息转换为保险单号信息,预设的编码规则可以为OneHot编码,通过OneHot编码的方式将不同的保险业务类型设置为保险单号信息,例如对于某一类型保险业务的保险单号信息设置为0000000001,另外一种类型的险业务的保险单号信息设置为0000000010,以此类推,可以将所有不同类型的保险业务进行编码。需要指出的是,对于由于该数据比较稀疏,当其直接输入到保险业务的风险预测模型中,会提高保险业务的风险预测模型的计算量,使得训练时间较长,需要经过处理转换得到稠密的第二向量。其中采取的具体手段为通过与风险概率预测模型的隐藏层功能一样处理层对上述通保险单号数据进行转换得到稠密处理得到第二向量。
本实施例中的预测投保风险概率的方法,所述将所述第一向量和第二向量进行组合得到向量矩阵输入至预设的基于深度神经网络的风险概率预测模型中进行计算的步骤S3,包括:
步骤S31,将所述第一向量和第二向量进行组合得到向量矩阵输入至预设的基于深度神经网络的风险概率预测模型中进行计算得到结果向量和结果常数;
步骤S32,通过公式计算得到风险概率,其中均为权重常数,a为所述结果向量,b为所述结果常数,φ(x)为所述交叉向量,x为所述离散向量,P(Y=1|x)为所述风险概率。
将第一向量和第二向量进行组合得到向量矩阵输入到预设的基于深度神经网络的风险概率预测模型中进行计算;其中上述保险业务的风险预测模型具体包括第一输入层,三个隐藏层和一个输出层。其中上述保险业务的风险预测模型进行计算后,将输出得到结果向量a和结果常数b。为了准确的预测出结果,通过公式计算得到风险概率,其中均为权重常数,a为所述结果向量,b为所述结果常数,φ(x)为所述交叉向量,x为所述离散向量,P(Y=1|x)为所述风险概率。在本公式中还将该客户的离散向量和交叉向量输入到上述风险概率的计算公式中,使得计算得到的某客户申请该保险业务时的风险概率更加准确。
参照图2,另一实施例中的预测投保风险概率的方法,所述获取所述风险概率预测模型输出的计算结果,该结果为用户进行投保的风险概率的步骤S4之后,包括:
步骤S5,将所述风险概率与预设的风险等级表进行匹配,所述风险等级表包括不同风险概率范围与风险等级的对应关系;
步骤S6,根据匹配结果输出风险等级。
对于风险概率预测模型输出的风险概率,会将与预设的风险等级表进行匹配,上述风险等级表包括不同风险概率范围与风险等级的对应关系,例如当风险概率处于0.9到1的范围之间时,则为高风险,而当风险概率处于0.6到0.9之间,则为较高风险,当风险概率处于0.3到0.6之间时,则为一般风险,而当风险概率处于0到0.3之间时,则为低风险;根据匹配结果输出对应的风险等级。
本实施例中的预测投保风险概率的方法,所述根据匹配结果输出风险等级的步骤S6之后,包括:
步骤S7,在预设的费率映射表中查找所述风险等级对应的费率,所述预设的费率映射表包括不同风险等级与费率的对应关系。
对于得到的风险等级,为了计算出该风险等级的保险产品的费率,会在预设的费率映射表中查找上述风险等级对应的费率,上述预设的费率映射表包括不同风险等级与费率的对应关系,便于根据上述风险等级在费率映射表查找得到对应的费率,从而能直接计算出用户进行投保的保险费率。
参照图3,本实施例中的预测投保风险概率的装置,包括:
获取单元10,用于获取保险单中的用户的个人信息和业务类型信息;
转换单元20,用于将所述个人信息转换得到第一向量以及将所述业务类型信息转换得到第二向量;
计算单元30,用于将所述第一向量和第二向量进行组合得到向量矩阵输入至预设的基于深度神经网络的风险概率预测模型中进行计算,其中,所述风险概率预测模型通过指定量的用户的个人信息和业务类型信息,以及用户的个人信息和业务类型信息所对应的风险概率作为样本数据进行训练所得,用于计算用户进行投保的风险概率;
第一输出单元40,用于获取所述风险概率预测模型输出的计算结果,该结果为用户申请投保该业务的风险概率。
当用户到保险公司去投保某个保险业务时,保险公司的业务员需要用户在保险单中填写用户自己的个人信息以及投保的业务类型信息,从而根据用户的个人信息以及投保的业务类型信息来评估用户投保时的风险概率;其中用户的个人信息包括一些用户的私人信息或用户参与保险业务的相关信息,例如教育水平、固定资产、职称、是否购买过保险、收入、年龄、已购买的保险份数以及购买的每份保险对应的保单金额等;而业务类型信息为保险公司不同类型的保险产品。获取单元10获取用户在保险单中填写的用户的个人信息和业务类型信息,便于根据上述信息预测得到用户进行投保的风险概率。
对于上述用户的个人信息以及业务类型信息中包含有文字信息,而预设的基于深度神经网络的风险概率预测模型需要输入对应的向量才能进行计算,转换单元20将上述个人信息转换得到第一向量以及将上述业务类型信息转换得到第二向量。其中用户的个人信息通过预设的第一规则进行转换得到对应的第一向量,其中上述预设的第一规则为对于用户的个人信息中包含有文字信息,通过设置不同的评分参数将其转换得到对应的向量,对于为数字的个人信息,直接作为对应的向量或者进行放缩后作为对应的向量。上述业务类型信息通过预设的第二规则进行转换得到对应的第二向量,其中上述预设的第二规则为根据编码规则将业务类型信息转换得到数字,再将数字进行稠密处理得到对应的向量。
计算单元30将上述第一向量和第二向量进行组合得到向量矩阵,并将上述向量矩阵输入至预设的基于深度神经网络的风险概率预测模型中进行计算,其中上述风险概率预测模型通过输入指定量的用户的个人信息和业务类型信息、以及用户的个人信息和业务类型信息所对应的风险概率作为样本数据进行训练所得,在训练完成后,当将用户的个人信息和业务类型信息输入到风险概率预测模型中,上述风险概率预测模型将计算用户进行投保的风险概率。
第一输出单元40获取上述风险概率预测模型输出的计算结果,该结果为用户进行投保的风险概率,从而使得保险公司的业务员能根据上述风险概率来评估用户在进行投保时的风险概率,相较于现有的通过人为经验来选择风险单导致筛选效率低、浪费时间且还很容易由于人为疏忽错漏风险单的情况,本实施例中通过上述风险概率预测模型实现能高效、准确地预测保险业务投保申请的风险概率,还能极大的减少人力,节约时间。
参照图4,本实施例中的预测投保风险概率的装置,所述转换单元20,包括:
检测模块210,用于检测出所述个人信息中的离散个人信息以及连续个人信息;
执行模块211,用于将所述离散个人信息转换得到离散向量,并且将所述离散个人信息进行交叉得到交叉向量,以及将所述连续个人信息进行放缩处理得到连续向量;
组合模块212,用于将所述离散向量、交叉向量以及连续向量进行组合得到第一向量。
用户的个人信息包括离散个人信息和连续个人信息,其中上述离散个人信息主要指的是教育水平、固定资产、职称、是否购买过保险等具有离散特征的个人信息;上述连续个人信息主要指的年龄、已购买过的保险份数等具有连续特征的个人信息。对于上述个人信息中,检测模块210需要检测出上述个人信息中的离散个人信息以及连续个人信息。对于检测得到的上述离散个人信息,执行模块211需要根据设置不同的评分参数的方法将上述离散个人信息转换得到离散向量;其中,设置不同的评分参数的方法为对于输入的离散个人信息均会设置评分等级,其中设置评分等级的方式将依据这些信息对应的人群进行分类。具体的说,对于输入的用户的教育水平,对于接受过大学本科及以上高等教育的将其评分参数设置为1,若没有接受过大学本科及以上高等教育的将其对应的参数设置为0;同理,对于固定资产中有房产的将对应的参数设置为1,无房产的将对应的参数设置为0;对于购买过保险的将对应的参数设置为1,未购买过保险的将对应的参数设置为0。以此类推,将所有用户的离散特征信息转换得到对应的离散向量。
此外,执行模块211还将根据预设的交叉评分规则将上述离散个人信息进行交叉得到交叉向量,其中预设的交叉评分规则具体为对于输入的离散特征信息还通过构造成交叉向量来使得离散特征信息之间能进行关联,通过增加交叉向量到保险业务的风险预测模型的输入信息中,既能增加输入数据的宽度,同时在将交叉向量输入到保险业务的风险预测模型进行训练时,还能提高模型的泛化能力。其中预设的交叉评分规则为对于同时满足大学本科及以上高等教育和购买过保险的客户,将其评分参数设置为1,上述任意一个条件不满足则将对应的参数设置为0。同理,对于多种不同类型的离散个人信息,可以两两之间通过上述方式构造交叉向量。优选地,还可以将三种或多种类型的离散个人信息进行交叉得到交叉向量,其具体方式参照上述方法,在此不再赘述。
对于连续个人信息,一般可以直接作为风险预测模型进行计算输入数据,对于某些类型的连续个人信息,例如收入、保单金额等连续特征信息,其数值一般较大,执行模块211根据预设的放缩规则将上述连续个人信息进行放缩处理得到连续向量,具体的说,可以适当通过缩小函数进行缩小,以减小其数值。避免其数据量过大,从而增大风险预测模型的计算量。
组合模块212将上述离散向量、交叉向量以及连续向量进行组合得到第一向量,便于作为风险概率预测模型的输入数据。
本实施例中的预测投保风险概率的装置,所述转换单元20,还包括:
第一处理模块2120,用于对所述离散向量、交叉向量分别进行稠密处理。
需要指出的是,离散向量、交叉向量一般比较稀疏,当将其直接输入到风险概率预测模型中,会提高上述风险概率预测模型的计算量,使得训练时间较长,因此需要对上述离散向量、交叉向量分别进行稠密处理。其中第一处理模块2120通过与风险概率预测模型的隐藏层功能一样处理层对上述离散向量、交叉向量进行稠密处理。
参照图5,另一实施例中的预测投保风险概率的装置,所述转换单元20,还包括:
转换模块220,用于将所述业务类型信息转换为保险单号信息;
第二处理模块221,用于对所述保险单号信息进行稠密处理得到第二向量。
对于业务类型信息在输入到风险概率预测模型中进行计算之前,需要对不同的保险业务类型进行区分,转换模块220将上述业务类型信息转换为保险单号信息。具体的,转换模块220通过预设的编码规则将上述业务类型信息转换为保险单号信息,预设的编码规则可以为OneHot编码,通过OneHot编码的方式将不同的保险业务类型设置为保险单号信息,例如对于某一类型保险业务的保险单号信息设置为0000000001,另外一种类型的险业务的保险单号信息设置为0000000010,以此类推,可以将所有不同类型的保险业务进行编码。需要指出的是,对于由于该数据比较稀疏,当其直接输入到保险业务的风险预测模型中,会提高保险业务的风险预测模型的计算量,使得训练时间较长,第二处理模块221将上述保险单号信息进行稠密处理得到第二向量。其中采取的具体手段为通过与风险概率预测模型的隐藏层功能一样处理层对上述通保险单号数据进行转换得到稠密处理得到第二向量。
参照图6,本实施例中的预测投保风险概率的装置,所述计算单元30,包括:
第一计算模块31,用于将所述第一向量和第二向量进行组合得到向量矩阵输入至预设的基于深度神经网络的风险概率预测模型中进行计算得到结果向量和结果常数;
第二计算模块32,用于通过公式计算得到风险概率,其中均为权重常数,a为所述结果向量,b为所述结果常数,φ(x)为所述交叉向量,x为所述离散向量,P(Y=1|x)为所述风险概率。
第一计算模块31将第一向量和第二向量进行组合得到向量矩阵输入到预设的基于深度神经网络的风险概率预测模型中进行计算;其中上述保险业务的风险预测模型具体包括第一输入层,三个隐藏层和一个输出层。其中上述保险业务的风险预测模型进行计算后,将输出得到结果向量a和结果常数b。为了准确的预测出结果,第二计算模块32通过公式计算得到风险概率,其中均为权重常数,a为所述结果向量,b为所述结果常数,φ(x)为所述交叉向量,x为所述离散向量,P(Y=1|x)为所述风险概率。在本公式中还将该客户的离散向量和交叉向量输入到上述风险概率的计算公式中,使得计算得到的某客户申请该保险业务时的风险概率更加准确。
参照图7,另一实施例中的预测投保风险概率的装置,还包括:
匹配单元50,用于将所述风险概率与预设的风险等级表进行匹配,所述风险等级表包括不同风险概率范围与风险等级的对应关系;
第二输出单元60,用于根据匹配结果输出风险等级。
对于风险概率预测模型输出的风险概率,匹配单元50会将与预设的风险等级表进行匹配,上述风险等级表包括不同风险概率范围与风险等级的对应关系,例如当风险概率处于0.9到1的范围之间时,则为高风险,而当风险概率处于0.6到0.9之间,则为较高风险,当风险概率处于0.3到0.6之间时,则为一般风险,而当风险概率处于0到0.3之间时,则为低风险;第二输出单元60根据匹配结果输出对应的风险等级。
本实施例中的预测投保风险概率的装置,还包括:
查找单元70,用于在预设的费率映射表中查找所述风险等级对应的费率,所述预设的费率映射表包括不同风险等级与费率的对应关系。
对于得到的风险等级,为了计算出该风险等级的保险产品的费率,查找单元70会在预设的费率映射表中查找上述风险等级对应的费率,上述预设的费率映射表包括不同风险等级与费率的对应关系,便于根据上述风险等级在费率映射表查找得到对应的费率,从而能直接计算出用户进行投保的保险费率。
参照图8,本发明实施例中还提供一种计算机设备,该计算机设备可以是服务器,其内部结构可以如图8所示。该计算机设备包括通过系统总线连接的处理器、存储器、网络接口和数据库。其中,该计算机设计的处理器用于提供计算和控制能力。该计算机设备的存储器包括非易失性存储介质、内存储器。该非易失性存储介质存储有操作系统、计算机程序和数据库。该内存器为非易失性存储介质中的操作系统和计算机程序的运行提供环境。该计算机设备的数据库用于预设预测投保风险概率的方法等数据。该计算机设备的网络接口用于与外部的终端通过网络连接通信。该计算机程序被处理器执行时以实现预测投保风险概率的方法。
上述处理器执行上述预测投保风险概率的方法的步骤:获取保险单中的用户的个人信息和业务类型信息;将上述个人信息转换得到第一向量以及将上述业务类型信息转换得到第二向量;将上述第一向量和第二向量进行组合得到向量矩阵输入至预设的基于深度神经网络的风险概率预测模型中进行计算,其中,上述风险概率预测模型通过输入指定量的用户的个人信息和业务类型信息,以及用户的个人信息和业务类型信息所对应的风险概率作为样本数据进行训练所得,用于计算用户进行投保的风险概率;获取上述风险概率预测模型输出的计算结果,该结果为用户进行投保的风险概率。
上述计算机设备,上述用户的个人信息包括离散个人信息以及连续个人信息,上述将上述个人信息转换得到第一向量的步骤,包括:检测出上述个人信息中的离散个人信息以及连续个人信息;将上述离散个人信息转换得到离散向量,并且将上述离散个人信息进行交叉得到交叉向量,以及将上述连续个人信息进行放缩处理得到连续向量;将上述离散向量、交叉向量以及连续向量进行组合得到第一向量。
在一个实施例中,上述将上述离散向量、交叉向量以及连续向量进行组合得到第一向量的步骤之前,包括:对上述离散向量、交叉向量分别进行稠密处理。
在一个实施例中,上述将上述第一向量和第二向量进行组合得到向量矩阵输入至预设的基于深度神经网络的风险概率预测模型中进行计算的步骤,包括:将上述第一向量和第二向量进行组合得到向量矩阵输入至预设的基于深度神经网络的风险概率预测模型中进行计算得到结果向量和结果常数;通过公式计算得到风险概率,其中 均为权重常数,a为所述结果向量,b为所述结果常数,φ(x)为所述交叉向量,x为所述离散向量,P(Y=1|x)为所述风险概率。
在一个实施例中,上述将上述业务类型信息转换得到第二向量的步骤,包括:将上述业务类型信息转换为保险单号信息;对上述保险单号信息进行稠密处理得到第二向量。
在一个实施例中,上述获取上述风险概率预测模型输出的计算结果,该结果为用户进行投保的风险概率的步骤之后,包括:将上述风险概率与预设的风险等级表进行匹配,上述风险等级表包括不同风险概率范围与风险等级的对应关系;根据匹配结果输出风险等级。
在一个实施例中,上述根据匹配结果输出风险等级的步骤之后,包括:在预设的费率映射表中查找上述风险等级对应的费率,上述预设的费率映射表包括不同风险等级与费率的对应关系。
本领域技术人员可以理解,图8中示出的结构,仅仅是与本申请方案相关的部分结构的框图,并不构成对本申请方案所应用于其上的计算机设备的限定。
本发明一实施例还提供一种计算机可读存储介质,其上存储有计算机程序,计算机程序被处理器执行时实现一种预测投保风险概率的方法,具体为:获取保险单中的用户的个人信息和业务类型信息;将上述个人信息转换得到第一向量以及将上述业务类型信息转换得到第二向量;将上述第一向量和第二向量进行组合得到向量矩阵输入至预设的基于深度神经网络的风险概率预测模型中进行计算,其中,上述风险概率预测模型通过输入指定量的用户的个人信息和业务类型信息,以及用户的个人信息和业务类型信息所对应的风险概率作为样本数据进行训练所得,用于计算用户进行投保的风险概率;获取上述风险概率预测模型输出的计算结果,该结果为用户进行投保的风险概率。
上述计算机可读存储介质,上述用户的个人信息包括离散个人信息以及连续个人信息,上述将上述个人信息转换得到第一向量的步骤,包括:检测出上述个人信息中的离散个人信息以及连续个人信息;将上述离散个人信息转换得到离散向量,并且将上述离散个人信息进行交叉得到交叉向量,以及将上述连续个人信息进行放缩处理得到连续向量;将上述离散向量、交叉向量以及连续向量进行组合得到第一向量。
在一个实施例中,上述将上述离散向量、交叉向量以及连续向量进行组合得到第一向量的步骤之前,包括:对上述离散向量、交叉向量分别进行稠密处理。
在一个实施例中,上述将上述第一向量和第二向量进行组合得到向量矩阵输入至预设的基于深度神经网络的风险概率预测模型中进行计算的步骤,包括:将上述第一向量和第二向量进行组合得到向量矩阵输入至预设的基于深度神经网络的风险概率预测模型中进行计算得到结果向量和结果常数;通过公式计算得到风险概率,其中 均为权重常数,a为所述结果向量,b为所述结果常数,φ(x)为所述交叉向量,x为所述离散向量,P(Y=1|x)为所述风险概率。
在一个实施例中,上述将上述业务类型信息转换得到第二向量的步骤,包括:将上述业务类型信息转换为保险单号信息;对上述保险单号信息进行稠密处理得到第二向量。
在一个实施例中,上述获取上述风险概率预测模型输出的计算结果,该结果为用户进行投保的风险概率的步骤之后,包括:将上述风险概率与预设的风险等级表进行匹配,上述风险等级表包括不同风险概率范围与风险等级的对应关系;根据匹配结果输出风险等级。
在一个实施例中,上述根据匹配结果输出风险等级的步骤之后,包括:在预设的费率映射表中查找上述风险等级对应的费率,上述预设的费率映射表包括不同风险等级与费率的对应关系。
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,是可以通过计算机程序来指令相关的硬件来完成,所述的计算机程序可存储与一非易失性计算机可读取存储介质中,该计算机程序在执行时,可包括如上述各方法的实施例的流程。其中,本申请所提供的和实施例中所使用的对存储器、存储、数据库或其它介质的任何引用,均可包括非易失性和/或易失性存储器。非易失性存储器可以包括只读存储器(ROM)、可编程ROM(PROM)、电可编程ROM(EPROM)、电可擦除可编程ROM(EEPROM)或闪存。易失性存储器可包括随机存取存储器(RAM)或者外部高速缓冲存储器。作为说明而非局限,RAM一多种形式可得,诸如静态RAM(SRAM)、动态RAM(DRAM)、同步DRAM(SDRAM)、双速据率SDRAM(SSRSDRAM)、增强型SDRAM(ESDRAM)、同步链路(Synchlink)DRAM(SLDRAM)、存储器总线(Rambus)直接RAM(RDRAM)、直接存储器总线动态RAM(DRDRAM)、以及存储器总线动态RAM(RDRAM)等。
综上所述,相较于现有的通过人为经验来选择风险单导致筛选效率低、浪费时间且还很容易由于人为疏忽错漏风险单的情况,本发明中通过上述风险概率预测模型实现能高效、准确地预测保险业务投保申请的风险概率,还能极大的减少人力,节约时间。
以上所述仅为本发明的优选实施例,并非因此限制本发明的专利范围,凡是利用本发明说明书及附图内容所作的等效结构或等效流程变换,或直接或间接运用在其他相关的技术领域,均同理包括在本发明的专利保护范围内。
Claims (10)
1.一种预测投保风险概率的方法,其特征在于,包括:
获取保险单中的用户的个人信息和业务类型信息;
将所述个人信息转换得到第一向量以及将所述业务类型信息转换得到第二向量;
将所述第一向量和第二向量进行组合得到向量矩阵输入至预设的基于深度神经网络的风险概率预测模型中进行计算,其中,所述风险概率预测模型通过输入指定量的用户的个人信息和业务类型信息,以及用户的个人信息和业务类型信息所对应的风险概率作为样本数据进行训练所得,用于计算用户进行投保的风险概率;
获取所述风险概率预测模型输出的计算结果,该结果为用户进行投保的风险概率。
2.根据权利要求1所述的预测投保风险概率的方法,其特征在于,所述用户的个人信息包括离散个人信息以及连续个人信息,所述将所述个人信息转换得到第一向量的步骤,包括:
检测出所述个人信息中的离散个人信息以及连续个人信息;
将所述离散个人信息转换得到离散向量,并且将所述离散个人信息进行交叉得到交叉向量,以及将所述连续个人信息进行放缩处理得到连续向量;
将所述离散向量、交叉向量以及连续向量进行组合得到第一向量。
3.根据权利要求2所述的预测投保风险概率的方法,其特征在于,所述将所述离散向量、交叉向量以及连续向量进行组合得到第一向量的步骤之前,包括:
对所述离散向量、交叉向量分别进行稠密处理。
4.根据权利要求2所述的预测投保风险概率的方法,其特征在于,所述将所述第一向量和第二向量进行组合得到向量矩阵输入至预设的基于深度神经网络的风险概率预测模型中进行计算的步骤,包括:
将所述第一向量和第二向量进行组合得到向量矩阵输入至预设的基于深度神经网络的风险概率预测模型中进行计算得到结果向量和结果常数;
通过公式计算得到风险概率,其中均为权重常数,a为所述结果向量,b为所述结果常数,φ(x)为所述交叉向量,x为所述离散向量,P(Y=1|x)为所述风险概率。
5.根据权利要求1所述的预测投保风险概率的方法,其特征在于,所述将所述业务类型信息转换得到第二向量的步骤,包括:
将所述业务类型信息转换为保险单号信息;
对所述保险单号信息进行稠密处理得到第二向量。
6.根据权利要求1所述的预测投保风险概率的方法,其特征在于,所述获取所述风险概率预测模型输出的计算结果,该结果为用户进行投保的风险概率的步骤之后,包括:
将所述风险概率与预设的风险等级表进行匹配,所述风险等级表包括不同风险概率范围与风险等级的对应关系;
根据匹配结果输出风险等级。
7.根据权利要求6所述的预测投保风险概率的方法,其特征在于,所述根据匹配结果输出风险等级的步骤之后,包括:
在预设的费率映射表中查找所述风险等级对应的费率,所述预设的费率映射表包括不同风险等级与费率的对应关系。
8.一种预测投保风险概率的装置,其特征在于,包括:
获取单元,用于获取保险单中的用户的个人信息和业务类型信息;
转换单元,用于将所述个人信息转换得到第一向量以及将所述业务类型信息转换得到第二向量;
计算单元,用于将所述第一向量和第二向量进行组合得到向量矩阵输入至预设的基于深度神经网络的风险概率预测模型中进行计算,其中,所述风险概率预测模型通过指定量的用户的个人信息和业务类型信息,以及用户的个人信息和业务类型信息所对应的风险概率作为样本数据进行训练所得,用于计算用户进行投保的风险概率;
第一输出单元,用于获取所述风险概率预测模型输出的计算结果,该结果为用户申请投保该业务的风险概率。
9.一种计算机设备,包括存储器和处理器,所述存储器存储有计算机程序,其特征在于,所述处理器执行所述计算机程序时实现权利要求1至7中任一项所述方法的步骤。
10.一种计算机可读存储介质,其上存储有计算机程序,其特征在于,所述计算机程序被处理器执行时实现权利要求1至7中任一项所述的方法的步骤。
Priority Applications (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810569999.XA CN109002900A (zh) | 2018-06-05 | 2018-06-05 | 预测投保风险概率的方法、装置、计算机设备和存储介质 |
PCT/CN2018/095504 WO2019232892A1 (zh) | 2018-06-05 | 2018-07-12 | 预测投保风险概率的方法、装置、计算机设备和存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810569999.XA CN109002900A (zh) | 2018-06-05 | 2018-06-05 | 预测投保风险概率的方法、装置、计算机设备和存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN109002900A true CN109002900A (zh) | 2018-12-14 |
Family
ID=64574314
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201810569999.XA Pending CN109002900A (zh) | 2018-06-05 | 2018-06-05 | 预测投保风险概率的方法、装置、计算机设备和存储介质 |
Country Status (2)
Country | Link |
---|---|
CN (1) | CN109002900A (zh) |
WO (1) | WO2019232892A1 (zh) |
Cited By (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109784779A (zh) * | 2019-03-04 | 2019-05-21 | 广州杰赛科技股份有限公司 | 财务风险预测方法、装置及存储介质 |
CN109978700A (zh) * | 2019-03-29 | 2019-07-05 | 英大长安保险经纪有限公司 | 环境污染责任保险费率的调整方法及计算设备 |
CN110288488A (zh) * | 2019-06-24 | 2019-09-27 | 泰康保险集团股份有限公司 | 医疗险欺诈预测方法、装置、设备和可读存储介质 |
CN110555749A (zh) * | 2019-07-26 | 2019-12-10 | 阿里巴巴集团控股有限公司 | 基于神经网络的信用行为预测方法以及装置 |
CN110706117A (zh) * | 2019-08-22 | 2020-01-17 | 中国平安财产保险股份有限公司 | 业务处理方法、装置、计算机装置及存储介质 |
CN111553800A (zh) * | 2020-04-30 | 2020-08-18 | 上海商汤智能科技有限公司 | 一种数据处理方法及装置、电子设备和存储介质 |
WO2020168754A1 (zh) * | 2019-02-18 | 2020-08-27 | 平安科技(深圳)有限公司 | 基于预测模型的绩效预测方法、装置及存储介质 |
CN112559971A (zh) * | 2021-02-25 | 2021-03-26 | 北京芯盾时代科技有限公司 | 一种概率预测方法、装置及计算机可读存储介质 |
CN113537560A (zh) * | 2021-06-07 | 2021-10-22 | 同盾科技有限公司 | 用户投保意愿预测的方法、系统、电子装置和存储介质 |
CN113850686A (zh) * | 2021-10-08 | 2021-12-28 | 同盾网络科技有限公司 | 投保概率确定方法、装置、存储介质及电子设备 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2016160539A1 (en) * | 2015-03-27 | 2016-10-06 | Equifax, Inc. | Optimizing neural networks for risk assessment |
CN106530091A (zh) * | 2015-09-15 | 2017-03-22 | 平安科技(深圳)有限公司 | 投保额度的计算方法及服务器 |
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 |
CN107798448A (zh) * | 2016-12-15 | 2018-03-13 | 平安科技(深圳)有限公司 | 黑名单用户的判断方法及装置 |
CN107818513A (zh) * | 2017-11-24 | 2018-03-20 | 泰康保险集团股份有限公司 | 风险评估方法及装置、存储介质、电子设备 |
Family Cites Families (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106296195A (zh) * | 2015-05-29 | 2017-01-04 | 阿里巴巴集团控股有限公司 | 一种风险识别方法及装置 |
CN106127576A (zh) * | 2016-07-01 | 2016-11-16 | 武汉泰迪智慧科技有限公司 | 一种基于用户行为的银行风险评估系统 |
CN107566358B (zh) * | 2017-08-25 | 2020-10-30 | 腾讯科技(深圳)有限公司 | 一种风险预警提示方法、装置、介质及设备 |
CN107993140A (zh) * | 2017-11-22 | 2018-05-04 | 深圳市耐飞科技有限公司 | 一种个人信贷风险评估方法及系统 |
-
2018
- 2018-06-05 CN CN201810569999.XA patent/CN109002900A/zh active Pending
- 2018-07-12 WO PCT/CN2018/095504 patent/WO2019232892A1/zh active Application Filing
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2016160539A1 (en) * | 2015-03-27 | 2016-10-06 | Equifax, Inc. | Optimizing neural networks for risk assessment |
CN106530091A (zh) * | 2015-09-15 | 2017-03-22 | 平安科技(深圳)有限公司 | 投保额度的计算方法及服务器 |
CN107798448A (zh) * | 2016-12-15 | 2018-03-13 | 平安科技(深圳)有限公司 | 黑名单用户的判断方法及装置 |
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 |
CN107818513A (zh) * | 2017-11-24 | 2018-03-20 | 泰康保险集团股份有限公司 | 风险评估方法及装置、存储介质、电子设备 |
Cited By (14)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2020168754A1 (zh) * | 2019-02-18 | 2020-08-27 | 平安科技(深圳)有限公司 | 基于预测模型的绩效预测方法、装置及存储介质 |
CN109784779A (zh) * | 2019-03-04 | 2019-05-21 | 广州杰赛科技股份有限公司 | 财务风险预测方法、装置及存储介质 |
CN109784779B (zh) * | 2019-03-04 | 2021-06-18 | 广州杰赛科技股份有限公司 | 财务风险预测方法、装置及存储介质 |
CN109978700A (zh) * | 2019-03-29 | 2019-07-05 | 英大长安保险经纪有限公司 | 环境污染责任保险费率的调整方法及计算设备 |
CN110288488A (zh) * | 2019-06-24 | 2019-09-27 | 泰康保险集团股份有限公司 | 医疗险欺诈预测方法、装置、设备和可读存储介质 |
CN110555749A (zh) * | 2019-07-26 | 2019-12-10 | 阿里巴巴集团控股有限公司 | 基于神经网络的信用行为预测方法以及装置 |
CN110555749B (zh) * | 2019-07-26 | 2021-10-29 | 创新先进技术有限公司 | 基于神经网络的信用行为预测方法以及装置 |
CN110706117A (zh) * | 2019-08-22 | 2020-01-17 | 中国平安财产保险股份有限公司 | 业务处理方法、装置、计算机装置及存储介质 |
CN111553800A (zh) * | 2020-04-30 | 2020-08-18 | 上海商汤智能科技有限公司 | 一种数据处理方法及装置、电子设备和存储介质 |
CN111553800B (zh) * | 2020-04-30 | 2023-08-25 | 上海商汤智能科技有限公司 | 一种数据处理方法及装置、电子设备和存储介质 |
CN112559971A (zh) * | 2021-02-25 | 2021-03-26 | 北京芯盾时代科技有限公司 | 一种概率预测方法、装置及计算机可读存储介质 |
CN113537560A (zh) * | 2021-06-07 | 2021-10-22 | 同盾科技有限公司 | 用户投保意愿预测的方法、系统、电子装置和存储介质 |
CN113850686A (zh) * | 2021-10-08 | 2021-12-28 | 同盾网络科技有限公司 | 投保概率确定方法、装置、存储介质及电子设备 |
CN113850686B (zh) * | 2021-10-08 | 2023-11-28 | 同盾网络科技有限公司 | 投保概率确定方法、装置、存储介质及电子设备 |
Also Published As
Publication number | Publication date |
---|---|
WO2019232892A1 (zh) | 2019-12-12 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109002900A (zh) | 预测投保风险概率的方法、装置、计算机设备和存储介质 | |
Şahin | A comprehensive analysis of weighting and multicriteria methods in the context of sustainable energy | |
Mancini et al. | Characterization of raw materials based on supply risk indicators for Europe | |
CN110516910B (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 | |
Öğüt et al. | Prediction of bank financial strength ratings: The case of Turkey | |
Kommadath et al. | A fuzzy logic based approach to assess sustainable development of the mining and minerals sector | |
CN107203774A (zh) | 对数据的归属类别进行预测的方法及装置 | |
Allan et al. | Navigating the complexities of coordinated conservation along the river Nile | |
US11875412B2 (en) | System for fast composing, launch and configuration of customizable second-tier transfer structures with build-in auditing and monitoring structures and method thereof | |
CN110458324A (zh) | 风险概率的计算方法、装置和计算机设备 | |
CN109615280A (zh) | 员工数据处理方法、装置、计算机设备和存储介质 | |
WO2022127339A1 (zh) | 基于网站注册的用户画像生成方法、装置、设备和介质 | |
Linton et al. | An extension to a DEA support system used for assessing R&D projects | |
Qian et al. | A new multiple integral model for water shortage risk assessment and its application in Beijing, China | |
Connelly et al. | Asset risk management and resilience for flood control, hydropower, and waterways | |
He et al. | Policy-making coordination of municipal solid waste policies in China: A content analysis | |
Webb et al. | Sustainability quantification and valuation. I: Definitions, metrics, and valuations for decision making | |
Mouhib et al. | TSMAA‐TRI: A temporal multi‐criteria sorting approach under uncertainty | |
Aliyu et al. | A review of spatial multi criteria analysis (SMCA) methods for sustainable land use planning (SLUP) | |
Ravi et al. | Hybrid classification and regression models via particle swarm optimization auto associative neural network based nonlinear PCA | |
Bullock et al. | Instream flow requirements of aquatic ecology in two British rivers: application and assessment of the instream flow incremental methodology using the PHABSIM system | |
Lee et al. | An entropy decision model for selection of enterprise resource planning system | |
Wu | End-to-end seismic risk analysis framework for the identification of infrastructure network retrofits | |
CN107424026A (zh) | 商家信誉评价方法和装置 | |
Sayavong | Export growth, export potential and export resistance: A case study of Laos |
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 |
Application publication date: 20181214 |
|
RJ01 | Rejection of invention patent application after publication |