CN109598625A - 基于大数据的保费计算方法、装置、介质及电子设备 - Google Patents

基于大数据的保费计算方法、装置、介质及电子设备 Download PDF

Info

Publication number
CN109598625A
CN109598625A CN201811237279.XA CN201811237279A CN109598625A CN 109598625 A CN109598625 A CN 109598625A CN 201811237279 A CN201811237279 A CN 201811237279A CN 109598625 A CN109598625 A CN 109598625A
Authority
CN
China
Prior art keywords
insurer
premium
prediction
characteristic parameter
big data
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
Application number
CN201811237279.XA
Other languages
English (en)
Inventor
顾宝宝
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Ping An Technology Shenzhen Co Ltd
Original Assignee
Ping An Technology Shenzhen Co Ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Ping An Technology Shenzhen Co Ltd filed Critical Ping An Technology Shenzhen Co Ltd
Priority to CN201811237279.XA priority Critical patent/CN109598625A/zh
Publication of CN109598625A publication Critical patent/CN109598625A/zh
Pending legal-status Critical Current

Links

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
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
    • 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)
  • Business, Economics & Management (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Strategic Management (AREA)
  • Economics (AREA)
  • General Physics & Mathematics (AREA)
  • General Business, Economics & Management (AREA)
  • Human Resources & Organizations (AREA)
  • Data Mining & Analysis (AREA)
  • Marketing (AREA)
  • Development Economics (AREA)
  • Finance (AREA)
  • Accounting & Taxation (AREA)
  • Technology Law (AREA)
  • Game Theory and Decision Science (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Artificial Intelligence (AREA)
  • General Engineering & Computer Science (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Evolutionary Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Evolutionary Computation (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Operations Research (AREA)
  • Quality & Reliability (AREA)
  • Tourism & Hospitality (AREA)
  • Financial Or Insurance-Related Operations Such As Payment And Settlement (AREA)

Abstract

本发明实施例涉及智能决策技术领域，提供了一种基于大数据的保费计算方法、基于大数据的保费计算装置、计算机可读介质及电子设备，该方法包括：获取每一个待投保人的多个特征参数；基于大数据建立多个特征参数对应的多个预测模型；将同一待投保人的不同特征参数分别输入对应的预测模型中进行预测，获得多个预测结果；根据所述多个预测结果确定所述待投保人的保费。本发明实施例的技术方案提高了保费的合理性和灵活性，有利于待投保人和保险公司双方利益。同时，提高了保费计算的智能化，避免了人为计算过程中出现误算等现象，从而提高了准确率，并且，大大地提高了保费计算效率。

Description

基于大数据的保费计算方法、装置、介质及电子设备
技术领域
本发明涉及智能决策技术领域，具体而言，涉及一种基于大数据的保费计算方法、基于大数据的保费计算装置、计算机可读介质及电子设备。
背景技术
随着人们保险意识的逐渐增强，越来越多的客户希望购置合适的保险，以备不时之需。
现有技术中，保险公司的坐席人员或销售人员一般向为投保人推荐公司现有的保险类型，然后，投保人根据自己意愿在现有的保险类型中选择一种或几种保险。并根据现有的保险类型各自已有的保费规定缴纳保费。然而，现有技术中投保人的保费的确定方法的合理性差。
需要说明的是，在上述背景技术部分公开的信息仅用于加强对本发明的背景的理解，因此可以包括不构成对本领域普通技术人员已知的现有技术的信息。
发明内容
本发明实施例的目的在于提供一种基于大数据的保费计算方法、装置、介质及电子设备，进而至少在一定程度上克服现有技术中投保人的保费的确定方法的合理性差的问题。
本发明的其他特性和优点将通过下面的详细描述变得显然，或部分地通过本发明的实践而习得。
根据本发明实施例的第一方面，提供了一种基于大数据的保费计算方法包括：获取每一个待投保人的多个特征参数；基于大数据建立多个特征参数对应的多个预测模型；将同一待投保人的不同特征参数分别输入对应的预测模型中进行预测，获得多个预测结果；根据所述多个预测结果确定所述待投保人的保费。
在本发明的一种实施例中，所述预测模型包括：保险金预测模型；基于大数据建立多个特征参数对应的多个预测模型，包括：批量获取每个特征参数对应的已投保人群；针对于每个特征参数，获取对应的每个已投保人的“特征参数-投保类型-保险金”信息；以所述每个已投保人的“特征参数-投保类型-保险金”为样本，通过所述样本训练算法模型，以确定多个特征参数对应的多个保险金预测模型。
在本发明的一种实施例中，将同一投保人的不同特征参数分别输入对应的预测模型中进行预测，获得多个预测结果，包括：将同一投保人的不同特征参数分别输入对应的保险金预测模型中进行预测，获得的多个预测保险金。
在本发明的一种实施例中，根据所述多个预测结果确定所述投保人的保费，包括：通过训练算法模型的方法确定各个保险金预测模型对应的权值；根据所述权值和所述多个预测保险金确定所述投保人的保费。
在本发明的一种实施例中，所述预测模型包括：获保概率预测模型；基于大数据建立多个特征参数对应的多个预测模型，包括：批量获取每个特征参数对应的已投保人群；针对于每个特征参数，获取对应的每个已投保人的“特征参数-投保类型-获保/未获保”信息；以所述每个已投保人的“特征参数-投保类型-获保/未获保”为样本，通过所述样本训练算法模型，以确定多个特征参数对应的多个获保概率预测模型。
在本发明的一种实施例中，将同一待投保人的不同特征参数分别输入对应的预测模型中进行预测，获得多个预测结果，包括：将同一待投保人的不同特征参数分别输入对应的获保概率预测模型中进行预测，获得的多个预测获保概率。
在本发明的一种实施例中，根据所述多个预测结果确定所述待投保人的保费，包括：根据多个预测获保概率获取总获保概率，并根据所述总获保概率确定所述待投保人的保费；或，获得所述多个保费概率对应的多个分保费，根据所述多个分保费确定所述待投保人的保费。
根据本发明实施例的第二方面，提供了一种基于大数据的保费计算装置，包括：获取模块，所述获取模块用于获取每一个待投保人的多个特征参数；建立模块，所述建立模块用于基于大数据建立多个特征参数对应的多个预测模型；预测模块，所述预测模块用于将同一待投保人的不同特征参数分别输入对应的预测模型中进行预测，获得多个预测结果；确定模块，所述确定模块用于根据所述多个预测结果确定所述待投保人的保费。
根据本发明实施例的第三方面，提供了一种计算机可读介质，其上存储有计算机程序，所述程序被处理器执行时实现如上述实施例中第一方面所述的基于大数据的保费计算方法。
根据本发明实施例的第四方面，提供了一种电子设备，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述实施例中第一方面所述的基于大数据的保费计算方法。
本发明实施例提供的技术方案可以包括以下有益效果：
在本发明的一些实施例所提供的技术方案中，一方面，通过获取每个待投保人的自身特征，例如：职业、年龄和健康状况等特征，基于待投保人各个自身特征对应的预测模型，确定对应于此待投保人的保费。进而，在全面考虑待投保人自身特点基础上制定此待投保人保费，达到了智能地为每个待投保人量身定制保费的目的，不同待投保人可能对应不同的保费，从而，提高了保费的合理性和灵活性，有利于待投保人和保险公司双方利益。另一方面，通过采用计算机等设备智能地进行保费计算，提高了智能化的同时，避免了保险公司的坐席人员或保险推销人员等人为计算保费过程，从而避免了人为计算过程中出现误算等现象，进而提高了准确率，并且，大大地提高了保费计算效率。
应当理解的是，以上的一般描述和后文的细节描述仅是示例性和解释性的，并不能限制本发明。
附图说明
此处的附图被并入说明书中并构成本说明书的一部分，示出了符合本发明的实施例，并与说明书一起用于解释本发明的原理。显而易见地，下面描述中的附图仅仅是本发明的一些实施例，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。在附图中：
图1示出了根据本发明的一实施例的基于大数据的保费计算方法的流程示意图；
图2示出了根据本发明的另一实施例的基于大数据的保费计算方法的流程示意图；
图3示出了根据本发明的再一实施例的基于大数据的保费计算方法的流程示意图；
图4示出了根据本发明的实施例的基于大数据的保费计算装置的结构示意图；
图5示出了适于用来实现本发明实施例的电子设备的计算机系统的结构示意图。
具体实施方式
现在将参考附图更全面地描述示例实施方式。然而，示例实施方式能够以多种形式实施，且不应被理解为限于在此阐述的范例；相反，提供这些实施方式使得本发明将更加全面和完整，并将示例实施方式的构思全面地传达给本领域的技术人员。
此外，所描述的特征、结构或特性可以以任何合适的方式结合在一个或更多实施例中。在下面的描述中，提供许多具体细节从而给出对本发明的实施例的充分理解。然而，本领域技术人员将意识到，可以实践本发明的技术方案而没有特定细节中的一个或更多，或者可以采用其它的方法、组元、装置、步骤等。在其它情况下，不详细示出或描述公知方法、装置、实现或者操作以避免模糊本发明的各方面。
附图中所示的方框图仅仅是功能实体，不一定必须与物理上独立的实体相对应。即，可以采用软件形式来实现这些功能实体，或在一个或多个硬件模块或集成电路中实现这些功能实体，或在不同网络和/或处理器装置和/或微控制器装置中实现这些功能实体。
附图中所示的流程图仅是示例性说明，不是必须包括所有的内容和操作/步骤，也不是必须按所描述的顺序执行。例如，有的操作/步骤还可以分解，而有的操作/步骤可以合并或部分合并，因此实际执行的顺序有可能根据实际情况改变。
现有技术中，保险公司的坐席人员或保险推销人员对每个待投保人自身的特征数据背景了解较少，因而缺乏足够分析，进而造成在为待投保客户制定保费的时候比较片面，可能忽视了各投保客户出现风险、事故的概率，只能给出现有的保险类型供待投保人从中选择，从而无法有针对性的为待投保人，给出合理的投保费用。因而，现有技术中的保费计算方法合理性和灵活性有待提高。另外，现有技术提供的上述保费计算方法计算效率低下，同时，人为计算保费的过程中不可避免的出现误算等现象，导致准确率较低。
本发明实施例提供的一种基于大数据的保费计算方法、装置、介质及电子设备，进而至少在一定程度上克服现有技术中存在的上述问题。图1示出了根据本发明的一实施例的基于大数据的保费计算方法的流程示意图，在图1所示本实施例提供的基于大数据的保费计算方法的执行主体可以是保险公司中用于计算保费的计算机等设备。
参考图1，本实施例提供的基于大数据的保费计算方法包括：
步骤S101，获取每一个待投保人的多个特征参数；
步骤S102，基于大数据建立多个特征参数对应的多个预测模型；
步骤S103，将同一待投保人的不同特征参数分别输入对应的预测模型中进行预测，获得多个预测结果；
步骤S104，根据所述多个预测结果确定所述待投保人的保费。
在图1所示实施例的技术方案中，一方面，通过获取每个待投保人的自身特征，例如：职业、年龄和健康状况等特征，基于待投保人各个自身特征对应的预测模型，确定对应于此待投保人的保费。进而，在全面考虑待投保人自身特点基础上制定此待投保人保费，达到了智能地为每个待投保人量身定制保费的目的，不同待投保人可能对应不同的保费，从而，提高了保费的合理性和灵活性，有利于待投保人和保险公司双方利益。另一方面，通过采用计算机等设备智能地进行保费计算，提高了智能化的同时，避免了保险公司的坐席人员或保险推销人员等人为计算保费过程，从而避免了人为计算过程中出现误算等现象，进而提高了准确率，并且，大大地提高了保费计算效率。
以下对图1中所示的各个步骤的实现细节进行详细阐述：
在步骤S101中，每个待投保人的自身特征包括：年龄段、职业、健康状况(例如病史情况、身体残疾状态)等。可以通过待投保人出具的证明材料获取上述特征信息，例如执业证件、体检报告、身份证件等。示例性的，A待投保人的自身特征为职业为司机，年龄段处于40-50岁，健康状态为糖尿病患者。然后根据每个待投保人的自身特征获取对应的特征参数。
在步骤S102中，根据待投保人的特征参数建立相对应的类别的预测模型，包括：职业类的预测模型、年龄类的预测模型以及健康状态类的预测模型等。
在步骤S103中，示例性的，分别将A待投保人的职业输入至步骤S102中的职业类预测模型、将年龄输入至年龄类预测模型以及将健康状态输入至健康类预测模型，进而获取各个类别的预测模型针对于A待投保人各个特征对应的预测结果。
在步骤S104中，根据上述步骤得到的A待投保人各个特征对应的预测结果，确定A待投保人的保费。其中，此步骤获得保费综合考虑了A待投保人的各个自身特征，因而对于待投保人和保险公司双方来说，均具有较高的合理性。同时保险公司针对不同的待投保人制定各个待投保人对应的保费，提高了保费计算的灵活性。
图2示出了根据本发明的另一实施例的保费计算方法的流程示意图，参考图2，该方法包括：步骤S201-步骤S207。
在示例性的实施例中，步骤S201和步骤S101的具体执行方式相同，在此不再赘述。
在示例性的实施例中，步骤S202-步骤S204是步骤S102的一种具体的实现方式，是用于待投保人可能获得的保险金进行预测的模型。在步骤S202中，批量获取每个特征对应的已投保人群。在步骤S203中，针对于每个特征，获取对应的每个已投保人的“特征参数-投保类型-保险金”信息。在步骤S204中，以所述每个已投保人的“特征参数-投保类型-保险金”为样本，通过所述样本训练算法模型，以确定多个特征参数对应的多个保险金预测模型。
示例性的，以建立特征参数为职业的保险金预测模型(即：职业类的保险金预测模型)为例进行说明。批量获取不同职业的已投保人，并将每个已投保人的“职业-投保类型-事故概率”作为样本，然后，通过算法模型，例如：采用所述样本数据，训练逻辑回归算法模型和/或模型树算法模型，进而获得职业类保险金/获保概率预测模型。其中，样本信息中的投保类型包括：投保年限，缴纳保费的方式为年缴或趸缴等信息。样本信息中的保险金为对应的已投保人以获得的保险金额，例如：对B投保人还没有出现保险金赔偿时，B投保人对应的样本中保险金为零。
在示例性的实施例中，可以为单独的特征参数建立保险金预设模型，还可以将几个特征参数进行组合，对特征参数组合建立对应的保险金预测模型。例如：将“特征参数1+特征参数2”进行组合，建立对应的保险金预测模型的可实现步骤包括：批量获取“特征参数1+特征参数2”对应的已投保人群；针对于“特征参数1+特征参数2”，获取对应的每个已投保人的“‘特征参数1+特征参数2’-投保类型-保险金”信息；以所述每个已投保人的“‘特征参数1+特征参数2’-投保类型-保险金”为样本，通过所述样本训练算法模型，以确定“特征参数1+特征参数2”对应的保险金预测模型。设置特征参数组合对应的保险金预测模型，可以减少对具备上述特征组合的待投保人的保险金进行预测时的预测步骤，有利于提高保费计算效率。
在示例性的实施例中，步骤S205是步骤S103的一种具体的实现方式，将同一投保人的不同特征参数分别输入对应的保险金预测模型中进行预测，获得的多个预测保险金。
示例性的，在步骤S103的具体实现方式中，将A待投保人的各个特征参数输入至对应的保险金预测模型后，各个保险金预测模型输出对应特征参数的预测保险金。
示例性的，在步骤S103中，将A待投保人的“职业+健康状态”特征参数组合输入至对应的保险金预测模型中，获得第一预测保险金；同时，将A待投保人的年龄特征参数组合输入至对应的年龄类的保险金预测模型中，获得第二预测保险金。
在示例性的实施例中，步骤S206-步骤S207是步骤S104的一种具体的实现方式，在步骤S206中，通过训练算法模型的方法确定各个保险金预测模型对应的权值；在步骤S207中，根据所述权值和所述多个预测保险金确定所述投保人的保费。
示例性的，待投保人的预测总保险金确定公式为Y＝a1*X1+a2*X2+a3*X3+……+an*Xn。其中，X1、X2……Xn为通过各个保险金预测模型得到的预测保险金，a1、a2……an各个保险金预测模型对应的权值，用于表示特征参数对应保费的影响系数，且a1+a2……+an＝1。例如：根据待投保人的健康特征参数和年龄特征参数，获得的健康类的保险金预测模型输出的预设保险金对应的权值为a1，以及年龄类的保险金预测模型输出的预设保险金对应的权值为a2。假如健康特征参数对于保费的影响大于年龄特征参数对于保费的影响，则a1>a2。
示例性的，根据上述待投保人的预测总保险金和保费指标确定保费，其中所述保费指标可以是保险公司对不同类型保险收取保费和对应的保额或保险金的对应关系。保险公司的保费指标一般是动态更新的，因此，根据当前的保费指标和预测总保险金确定待投保人的保费的方法，有利于提高保费计算的合理性。
在图2所示实施例的技术方案中，确定待投保人的特征参数对应的预测保险金，并将多个预测保险金以加权计算的方式最终确定待投保人的保费。通过预测与保费息息相关的指标“保险金”的方法，确定每个待投保人的保费，是符合投保人和保险公司双方意愿的方式，是一种较合理和灵活的保费计算方法。
图3示出了根据本发明的再一实施例的保费计算方法的流程示意图；参考图3，该方法包括：
步骤S301，获取每一个待投保人的多个特征参数；
步骤S302，批量获取每个特征参数对应的已投保人群；
步骤S303，针对于每个特征参数，获取对应的每个已投保人的“特征参数-投保类型-获保/未获保”信息；
步骤S304，以所述每个已投保人的“特征参数-投保类型-获保/未获保”为样本，通过所述样本训练算法模型，以确定多个特征参数对应的多个获保概率预测模型；
步骤S305，将同一待投保人的不同特征参数分别输入对应的获保概率预测模型中进行预测，获得的多个预测获保概率；
步骤S306，根据多个预测获保概率获取总获保概率，并根据所述总获保概率确定所述待投保人的保费；或，获得所述多个保费概率对应的多个分保费，根据所述多个分保费确定所述待投保人的保费。
其中，步骤S301的具体实施方式与步骤S101相同，在此不再赘述。
在示例性的实施例中，步骤S302-步骤S304是步骤S102的另一种具体的实现方式，是用于待投保人可能的获保概率进行预测的模型。具体实现方式与步骤S202-步骤S204不同之处在于：建立获保概率预测模型时的样本是“特征参数-投保类型-获保/未获保”，例如：C已投保人具备特征参数1，且已获保，则样本标识为：“特征参数1-投保类型-获保”。D已投保人具备特征参数1，且未获保，则样本标识为：“特征参数1-投保类型-未获保”等。除此之外，关于建立获保概率预测模型的其他具体实现方式与步骤S202-步骤S204对应的具体实现方式相同，在此不再赘述。
步骤S305的具体实施方式与步骤S205相同，在此不再赘述。
在示例性的实施例中，在步骤S306中，获取待投保人的特征参数对应的获保概率后，可实现的一种方式是：首先，根据多个预测获保概率获取总获保概率，具体实现方式可以参照步骤S206的具体实现方式；然后，基于获保概率和保费的关系，根据所述总获保概率确定所述待投保人的保费。可实现的另一种方式是：首先，基于获保概率和保费的关系，确定待投保人的多个保费概率对应的多个分保费，然后，根据多个分保费确定所述待投保人的保费，具体实现方式也可以参照步骤S206的具体实现方式。
在图3所示实施例提供的技术方案中，确定待投保人的特征参数对应的预测获保概率，并将多个预测获保概率最终确定待投保人的保费。通过预测与保费息息相关的指标“获保概率”的方法，确定每个待投保人的保费，是符合投保人和保险公司双方意愿的方式，同样是一种较合理和灵活的保费计算方法。
以下介绍本发明的装置实施例，可以用于执行本发明上述的保费计算方法。
图4示出了根据本发明的实施例的保费计算装置的结构示意图。参考图4，本发明实施例提供的基于大数据的保费计算装置400，包括：获取模块401、建立模块402、预测模块403和确定模块404。
其中，所述获取模块401用于获取每一个待投保人的多个特征参数；所述建立模块402用于基于大数据建立多个特征参数对应的多个预测模型；所述预测模块403用于将同一待投保人的不同特征参数分别输入对应的预测模型中进行预测，获得多个预测结果；所述确定模块404用于根据所述多个预测结果确定所述待投保人的保费。
在示例性的实施例中，所述预测模型包括：保险金预测模型，所述建立模块402包括：第一获取单元和第一训练单元。
其中，第一获取单元用于批量获取每个特征参数对应的已投保人群；第一获取单元还用于针对于每个特征参数，获取对应的每个已投保人的“特征参数-投保类型-保险金”信息；第一训练单元用于以所述每个已投保人的“特征参数-投保类型-保险金”为样本，通过所述样本训练算法模型，以确定多个特征参数对应的多个保险金预测模型。
在示例性的实施例中，所述预测模块403具体用于将同一投保人的不同特征参数分别输入对应的保险金预测模型中进行预测，获得的多个预测保险金。
在示例性的实施例中，所述确定模块404具体用于通过训练算法模型的方法确定各个保险金预测模型对应的权值；根据所述权值和所述多个预测保险金确定所述投保人的保费。
在示例性的实施例中，所述预测模型包括：获保概率预测模型，所述建立模块402包括：第二获取单元和第二训练单元。
其中，第二获取单元用于批量获取每个特征参数对应的已投保人群；第二获取单元还用于针对于每个特征参数，获取对应的每个已投保人的“特征参数-投保类型-获保/未获保”信息；第二训练单元用于以所述每个已投保人的“特征参数-投保类型-获保/未获保”为样本，通过所述样本训练算法模型，以确定多个特征参数对应的多个获保概率预测模型。
在示例性的实施例中，所述预测模块403具体用于将同一投保人的不同特征参数分别输入对应的获保概率预测模型中进行预测，获得的多个预测获保概率。
在示例性的实施例中，所述确定模块404具体用于根据多个预测获保概率获取总获保概率，并根据所述总获保概率确定所述待投保人的保费；或，获得所述多个保费概率对应的多个分保费，根据所述多个分保费确定所述待投保人的保费。
由于本发明的示例实施例的基于大数据的保费计算装置的各个功能模块与上述基于大数据的保费计算方法的示例实施例的步骤对应，因此对于本发明装置实施例中未披露的细节，请参照本发明上述的基于大数据的保费计算方法的实施例。
下面参考图5，其示出了适于用来实现本发明实施例的电子设备的计算机系统500的结构示意图。图5示出的电子设备的计算机系统500仅是一个示例，不应对本发明实施例的功能和使用范围带来任何限制。
如图5所示，计算机系统500包括中央处理单元(CPU)501，其可以根据存储在只读存储器(ROM)502中的程序或者从存储部分508加载到随机访问存储器(RAM)503中的程序而执行各种适当的动作和处理。在RAM 503中，还存储有系统操作所需的各种程序和数据。CPU501、ROM 502以及RAM 503通过总线504彼此相连。输入/输出(I/O)接口505也连接至总线504。
以下部件连接至I/O接口505：包括键盘、鼠标等的输入部分506；包括诸如阴极射线管(CRT)、液晶显示器(LCD)等以及扬声器等的输出部分507；包括硬盘等的存储部分508；以及包括诸如LAN卡、调制解调器等的网络接口卡的通信部分509。通信部分509经由诸如因特网的网络执行通信处理。驱动器510也根据需要连接至I/O接口505。可拆卸介质511，诸如磁盘、光盘、磁光盘、半导体存储器等等，根据需要安装在驱动器510上，以便于从其上读出的计算机程序根据需要被安装入存储部分508。
特别地，根据本发明的实施例，上文参考流程图描述的过程可以被实现为计算机软件程序。例如，本发明的实施例包括一种计算机程序产品，其包括承载在计算机可读介质上的计算机程序，该计算机程序包含用于执行流程图所示的方法的程序代码。在这样的实施例中，该计算机程序可以通过通信部分509从网络上被下载和安装，和/或从可拆卸介质511被安装。在该计算机程序被中央处理单元(CPU)501执行时，执行本申请的系统中限定的上述功能。
需要说明的是，本发明所示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例如可以是——但不限于——电、磁、光、电磁、红外线、或半导体的系统、装置或器件，或者任意以上的组合。计算机可读存储介质的更具体的例子可以包括但不限于：具有一个或多个导线的电连接、便携式计算机磁盘、硬盘、随机访问存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、光纤、便携式紧凑磁盘只读存储器(CD-ROM)、光存储器件、磁存储器件、或者上述的任意合适的组合。在本发明中，计算机可读存储介质可以是任何包含或存储程序的有形介质，该程序可以被指令执行系统、装置或者器件使用或者与其结合使用。而在本发明中，计算机可读的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、传播或者传输用于由指令执行系统、装置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、RF等等，或者上述的任意合适的组合。
附图中的流程图和框图，图示了按照本发明各种实施例的系统、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上，流程图或框图中的每个方框可以代表一个模块、程序段、或代码的一部分，上述模块、程序段、或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。也应当注意，在有些作为替换的实现中，方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如，两个接连地表示的方框实际上可以基本并行地执行，它们有时也可以按相反的顺序执行，这依所涉及的功能而定。也要注意的是，框图或流程图中的每个方框、以及框图或流程图中的方框的组合，可以用执行规定的功能或操作的专用的基于硬件的系统来实现，或者可以用专用硬件与计算机指令的组合来实现。
描述于本发明实施例中所涉及到的单元可以通过软件的方式实现，也可以通过硬件的方式来实现，所描述的单元也可以设置在处理器中。其中，这些单元的名称在某种情况下并不构成对该单元本身的限定。
作为另一方面，本申请还提供了一种计算机可读介质，该计算机可读介质可以是上述实施例中描述的电子设备中所包含的；也可以是单独存在，而未装配入该电子设备中。上述计算机可读介质承载有一个或者多个程序，当上述一个或者多个程序被一个该电子设备执行时，使得该电子设备实现如上述实施例中所述的基于大数据的保费计算方法。
例如，所述的电子设备可以实现如图1中所示的：步骤S101，获取每一个待投保人的多个特征参数；步骤S102，基于大数据建立多个特征参数对应的多个预测模型；步骤S103，将同一待投保人的不同特征参数分别输入对应的预测模型中进行预测，获得多个预测结果；步骤S104，根据所述多个预测结果确定所述待投保人的保费。
又如，所述的电子设备可以实现如图1所示的各个步骤。
应当注意，尽管在上文详细描述中提及了用于动作执行的设备的若干模块或者单元，但是这种划分并非强制性的。实际上，根据本发明的实施方式，上文描述的两个或更多模块或者单元的特征和功能可以在一个模块或者单元中具体化。反之，上文描述的一个模块或者单元的特征和功能可以进一步划分为由多个模块或者单元来具体化。
通过以上的实施方式的描述，本领域的技术人员易于理解，这里描述的示例实施方式可以通过软件实现，也可以通过软件结合必要的硬件的方式来实现。因此，根据本发明实施方式的技术方案可以以软件产品的形式体现出来，该软件产品可以存储在一个非易失性存储介质(可以是CD-ROM，U盘，移动硬盘等)中或网络上，包括若干指令以使得一台计算设备(可以是个人计算机、服务器、触控终端、或者网络设备等)执行根据本发明实施方式的方法。
本领域技术人员在考虑说明书及实践这里公开的发明后，将容易想到本发明的其它实施方案。本申请旨在涵盖本发明的任何变型、用途或者适应性变化，这些变型、用途或者适应性变化遵循本发明的一般性原理并包括本发明未公开的本技术领域中的公知常识或惯用技术手段。说明书和实施例仅被视为示例性的，本发明的真正范围和精神由下面的权利要求指出。
应当理解的是，本发明并不局限于上面已经描述并在附图中示出的精确结构，并且可以在不脱离其范围进行各种修改和改变。本发明的范围仅由所附的权利要求来限制。

Claims (10)

1.一种基于大数据的保费计算方法，其特征在于，包括：
获取每一个待投保人的多个特征参数；
基于大数据建立多个特征参数对应的多个预测模型；
将同一待投保人的不同特征参数分别输入对应的预测模型中进行预测，获得多个预测结果；
根据所述多个预测结果确定所述待投保人的保费。
2.根据权利要求1所述的基于大数据的保费计算方法，其特征在于，所述预测模型包括：保险金预测模型；
基于大数据建立多个特征参数对应的多个预测模型，包括：
批量获取每个特征参数对应的已投保人群；
针对于每个特征参数，获取对应的每个已投保人的“特征参数-投保类型-保险金”信息；
以所述每个已投保人的“特征参数-投保类型-保险金”为样本，通过所述样本训练算法模型，以确定多个特征参数对应的多个保险金预测模型。
3.根据权利要求2所述的基于大数据的保费计算方法，其特征在于，
将同一投保人的不同特征参数分别输入对应的预测模型中进行预测，获得多个预测结果，包括：
将同一投保人的不同特征参数分别输入对应的保险金预测模型中进行预测，获得的多个预测保险金。
4.根据权利要求3所述的基于大数据的保费计算方法，其特征在于，根据所述多个预测结果确定所述投保人的保费，包括：
通过训练算法模型的方法确定各个保险金预测模型对应的权值；
根据所述权值和所述多个预测保险金确定所述投保人的保费。
5.根据权利要求1所述的基于大数据的保费计算方法，其特征在于，所述预测模型包括：获保概率预测模型；
基于大数据建立多个特征参数对应的多个预测模型，包括：
批量获取每个特征参数对应的已投保人群；
针对于每个特征参数，获取对应的每个已投保人的“特征参数-投保类型-获保/未获保”信息；
以所述每个已投保人的“特征参数-投保类型-获保/未获保”为样本，通过所述样本训练算法模型，以确定多个特征参数对应的多个获保概率预测模型。
6.根据权利要求5所述的基于大数据的保费计算方法，其特征在于，
将同一待投保人的不同特征参数分别输入对应的预测模型中进行预测，获得多个预测结果，包括：
将同一待投保人的不同特征参数分别输入对应的获保概率预测模型中进行预测，获得的多个预测获保概率。
7.根据权利要求6所述的基于大数据的保费计算方法，其特征在于，根据所述多个预测结果确定所述待投保人的保费，包括：
根据多个预测获保概率获取总获保概率，并根据所述总获保概率确定所述待投保人的保费；或，
获得所述多个保费概率对应的多个分保费，根据所述多个分保费确定所述待投保人的保费。
8.一种基于大数据的保费计算装置，其特征在于，包括：
获取模块，所述获取模块用于获取每一个待投保人的多个特征参数；
建立模块，所述建立模块用于基于大数据建立多个特征参数对应的多个预测模型；
预测模块，所述预测模块用于将同一待投保人的不同特征参数分别输入对应的预测模型中进行预测，获得多个预测结果；
确定模块，所述确定模块用于根据所述多个预测结果确定所述待投保人的保费。
9.一种计算机可读介质，其上存储有计算机程序，其特征在于，所述程序被处理器执行时实现如权利要求1至7中任一项所述的基于大数据的保费计算方法。
10.一种电子设备，其特征在于，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至7中任一项所述的基于大数据的保费计算方法。
CN201811237279.XA 2018-10-23 2018-10-23 基于大数据的保费计算方法、装置、介质及电子设备 Pending CN109598625A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201811237279.XA CN109598625A (zh) 2018-10-23 2018-10-23 基于大数据的保费计算方法、装置、介质及电子设备

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201811237279.XA CN109598625A (zh) 2018-10-23 2018-10-23 基于大数据的保费计算方法、装置、介质及电子设备

Publications (1)

Publication Number Publication Date
CN109598625A true CN109598625A (zh) 2019-04-09

Family

ID=65957078

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201811237279.XA Pending CN109598625A (zh) 2018-10-23 2018-10-23 基于大数据的保费计算方法、装置、介质及电子设备

Country Status (1)

Country Link
CN (1) CN109598625A (zh)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110910257A (zh) * 2019-11-15 2020-03-24 泰康保险集团股份有限公司 信息预测方法、装置、电子设备和计算机可读介质
CN112804304A (zh) * 2020-12-31 2021-05-14 平安科技（深圳）有限公司 基于多点输出模型的任务节点分配方法、装置及相关设备

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110910257A (zh) * 2019-11-15 2020-03-24 泰康保险集团股份有限公司 信息预测方法、装置、电子设备和计算机可读介质
CN112804304A (zh) * 2020-12-31 2021-05-14 平安科技（深圳）有限公司 基于多点输出模型的任务节点分配方法、装置及相关设备

Similar Documents

Publication Publication Date Title
CN112182412B (zh) 用于推荐体检项目的方法、计算设备和计算机存储介质
CN109360012A (zh) 广告投放渠道的选择方法及装置、存储介质、电子设备
CN109919417A (zh) 金融系统的任务分配方法及装置、电子设备、存储介质
CN107220217A (zh) 基于逻辑回归的特征系数训练方法和装置
CN110111156A (zh) 一种客户流失预警方法、系统、介质和电子设备
CN110136011A (zh) 保险智能报价方法、装置、介质及电子设备
CN109118224A (zh) 区块链网络的工作量证明方法、装置、介质及电子设备
CN109214585A (zh) 用户消费预测方法、装置、电子设备及存储介质
CN109472632A (zh) 评价广告竞争力的方法、装置、介质及电子设备
CN108960520A (zh) 一种电力负荷预测方法、系统、计算机设备、介质
CN107479882A (zh) 投保页面的生成方法、生成装置、介质及电子设备
CN109948851A (zh) 用于预测事件发生概率的方法和装置
CN109634941A (zh) 医疗数据处理方法、装置、电子设备及存储介质
CN111145009A (zh) 用户贷后风险评估方法、装置及电子设备
CN110109901A (zh) 筛选目标对象的方法和装置
CN109886699A (zh) 行为识别方法及装置、电子设备、存储介质
CN108898306A (zh) 订单分配方法、装置、介质及电子设备
CN109409619A (zh) 舆情动向的预测方法、装置、介质及电子设备
CN110866625A (zh) 促销指标信息生成方法和装置
CN112017042A (zh) 基于tweedie分布的资源配额确定方法、装置和电子设备
CN110995459A (zh) 异常对象识别方法、装置、介质及电子设备
CN109598625A (zh) 基于大数据的保费计算方法、装置、介质及电子设备
CN109345373A (zh) 核销风险预警方法、装置、电子设备及计算机可读介质
CN110033387A (zh) 基于区块链的理赔数据处理方法、装置、介质及电子设备
CN110766184A (zh) 订单量预测方法和装置

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