CN109697532A - 一种驾考保险实时风控模型训练方法和电子设备 - Google Patents
一种驾考保险实时风控模型训练方法和电子设备 Download PDFInfo
- Publication number
- CN109697532A CN109697532A CN201811600994.5A CN201811600994A CN109697532A CN 109697532 A CN109697532 A CN 109697532A CN 201811600994 A CN201811600994 A CN 201811600994A CN 109697532 A CN109697532 A CN 109697532A
- Authority
- CN
- China
- Prior art keywords
- control model
- wind control
- risk
- driving test
- rate
- 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
- 238000012360 testing method Methods 0.000 title claims abstract description 71
- 238000000034 method Methods 0.000 title claims abstract description 53
- 238000012549 training Methods 0.000 title claims abstract description 28
- 230000000694 effects Effects 0.000 claims abstract description 14
- 238000005457 optimization Methods 0.000 claims abstract description 9
- 239000002131 composite material Substances 0.000 claims description 13
- 230000001419 dependent effect Effects 0.000 claims description 6
- 239000011159 matrix material Substances 0.000 claims description 6
- 238000000528 statistical test Methods 0.000 claims description 6
- 238000004364 calculation method Methods 0.000 claims description 5
- 230000003247 decreasing effect Effects 0.000 claims description 3
- 238000011156 evaluation Methods 0.000 abstract description 3
- 230000002265 prevention Effects 0.000 abstract description 2
- 230000003993 interaction Effects 0.000 description 5
- 230000006870 function Effects 0.000 description 4
- 230000004044 response Effects 0.000 description 4
- 238000012545 processing Methods 0.000 description 3
- 230000009286 beneficial effect Effects 0.000 description 2
- 238000001514 detection method Methods 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 238000010295 mobile communication Methods 0.000 description 2
- 238000004891 communication Methods 0.000 description 1
- 238000003066 decision tree Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000007477 logistic regression Methods 0.000 description 1
- 230000007774 longterm Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000012797 qualification Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000012827 research and development Methods 0.000 description 1
- 238000013058 risk prediction model Methods 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
- 238000006467 substitution reaction Methods 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)
- Technology Law (AREA)
- Educational Administration (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明提供了一种驾考保险实时风控模型训练方法和电子设备,该方法包括:由驾考保单风险率相关因素预测给定保单的风险率;编写PMML文件,计算所述风控模型特征因子,调用所述PMML文件实时计算所述给定保单风险率;跟踪所述风控模型在新业务数据的预测效果,评估近期驾考保单实际风险和预测风险之间的差异,根据需求对所述风控模型不断迭代优化。本发明通过一种驾考保险实时风控模型训练方法和电子设备,根据本发明提供了一种驾考保险实时风控模型,用于对驾考保险的保单风险实时评估,以便相关利益方能够根据风险评估结果及时采取相应措施进行风险防范,提高了风控措施的针对性和准确性。
Description
技术领域
本发明涉及计算机技术领域,具体而言,涉及一种驾考保险实时风控模型训练方法和电子设备。
背景技术
公安部官方数据统计,截至2016年6月底,国内共有3.4亿人通过了机动车驾驶资格考试,占全国人口的24.9%,预计到2020年,驾驶人数将达到4.7亿。驾培市场在2016年市场规模已超1400亿,根据新增加的驾驶人数量,2017年,我国机动车驾驶培训行业市场规模约为1800亿元,2019年预计超过2000亿元。针对驾考学员考试不通过的补偿保险市场规模也在发展壮大中。
为了保障保险业务经营稳定性,随着驾考保险的业务发展,风控措施也在逐步发展中。常用的驾考保险风控措施主要是基于驾考保险业务历史经营情况进行评估,这样会存在一定的滞后性。无法及时对保单风险进行评估。
本发明开发人员在长期的研发当中,做了大量研究,从而提出了一种驾考保险实时风控模型训练方法,以解决上述技术问题之一。
发明内容
本发明的目的在于提供一种驾考保险实时风控模型训练方法和电子设备,能够解决上述提到的至少一个技术问题。具体方案如下:
根据本发明的具体实施方式,第一方面,本发明提供一种驾考保险实时风控模型训练方法,包括:
由驾考保单风险率相关因素预测给定保单的风险率;
编写PMML文件,计算所述风控模型特征因子,调用所述PMML文件实时计算所述给定保单风险率;
跟踪所述风控模型在新业务数据的预测效果,评估近期驾考保单实际风险和预测风险之间的差异,根据需求对所述风控模型不断迭代优化。
可选的,所述由驾考保单风险率相关因素预测给定保单的风险率,包括:
运用统计检验方法分析检验驾考保单风险的特征因子;
将所述特征因子作为所述风控模型输入的自变量,所述自变量加上因变量后组成所述风控模型的训练集,构建驾考保单风险率基础风控模型;
采用ROC曲线或混淆矩阵在测试集上检验基础风控模型。
可选的,所述将所述特征因子作为所述风控模型输入的自变量,所述自变量加上因变量后组成所述风控模型的训练集,构建驾考保单风险率基础风控模型,之后包括:
基于风控个性化需求,对所述基础风控模型进行组合,构建驾考保单风险率复合风控模型。
可选的,所述特征因子包括:年龄、性别、渠道历史不通过率、产品历史不通过率或地区不通过率。
可选的,所述统计检验方法包括双因素方差法。
可选的,所述基础风控模型包括:
其中,x0指截距,x1,x2,x3,x4,x5指基础风控模型的特征系数,T1指渠道历史不通过率、T2指地区不通过率、T3指产品历史不通过率、T4指年龄、T5指性别。
可选的,所述复合风控模型包括:
其中,policysum是指保单数量,coachrate指教练历史不通过率。
可选的,所述编写PMML文件,计算所述风控模型特征因子,调用所述PMML文件实时计算所述给定保单风险率,包括:
基于所述基础风控模型或复合风控模型编写PMML文件;
定时或实时更新所述基础风控模型或复合风控模型的特征因子;
所述PMML文件调用所述特征因子定时或实时计算所述给定保单风险率。
可选的,所述跟踪所述风控模型在新业务数据的预测效果,评估近期驾考保单实际风险和预测风险之间的差异,根据需求对所述风控模型不断迭代优化,包括:
持续跟踪所述风控模型在新业务数据的预测效果,采用ROC曲线或混淆矩阵评估所述预测效果;
评估近期驾考保单实际风险和预测风险之间的差异,通过调整所述风控模型的特征计算逻辑、增减特征因子或调整系数对所述风控模型不断迭代优化。
根据本发明的具体实施方式,第二方面,本发明提供一种电子设备,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任一项所述的方法。
本发明实施例的上述方案与现有技术相比,至少具有以下有益效果:本发明通过一种驾考保险实时风控模型训练方法和电子设备,根据本发明提供了一种驾考保险实时风控模型,用于对驾考保险的保单风险实时评估,以便相关利益方能够根据风险评估结果及时采取相应措施进行风险防范,提高了风控措施的针对性和准确性。
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示出了根据本发明实施例的驾考保险实时风控模型训练方法流程图;
图2示出了根据本发明的实施例的电子设备连接结构示意图;
具体实施方式
为了使本发明的目的、技术方案和优点更加清楚,下面将结合附图对本发明作进一步地详细描述,显然,所描述的实施例仅仅是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其它实施例,都属于本发明保护的范围。
在本申请实施例中使用的术语是仅仅出于描述特定实施例的目的,而非旨在限制本申请。在本申请实施例和所附权利要求书中所使用的单数形式的“一种”、“所述”和“该”也旨在包括多数形式,除非上下文清楚地表示其他含义,“多种”一般包含至少两种。
应当理解,本文中使用的术语“和/或”仅仅是一种描述关联对象的关联关系,表示可以存在三种关系,例如,A和/或B,可以表示:单独存在A,同时存在A和B,单独存在B这三种情况。另外,本文中字符“/”,一般表示前后关联对象是一种“或”的关系。
应当理解,尽管在本申请实施例中可能采用术语第一、第二、第三等来描述……,但这些……不应限于这些术语。这些术语仅用来将……区分开。例如,在不脱离本申请实施例范围的情况下,第一……也可以被称为第二……,类似地,第二……也可以被称为第一……。
取决于语境,如在此所使用的词语“如果”、“若”可以被解释成为“在……时”或“当……时”或“响应于确定”或“响应于检测”。类似地,取决于语境,短语“如果确定”或“如果检测(陈述的条件或事件)”可以被解释成为“当确定时”或“响应于确定”或“当检测(陈述的条件或事件)时”或“响应于检测(陈述的条件或事件)”。
还需要说明的是,术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含,从而使得包括一系列要素的商品或者系统不仅包括那些要素,而且还包括没有明确列出的其他要素,或者是还包括为这种商品或者系统所固有的要素。在没有更多限制的情况下,由语句“包括一个……”限定的要素,并不排除在包括所述要素的商品或者系统中还存在另外的相同要素。
下面结合附图详细说明本发明的优选实施例。
实施例1
如图1-2所示,根据本发明的具体实施方式,第一方面,本发明提供一种驾考保险实时风控模型训练方法,包括如下方法步骤:
步骤S102:由驾考保单风险率相关因素预测给定保单的风险率;
可选的,步骤S102包括:
步骤S1022:运用统计检验方法分析检验驾考保单风险的特征因子;可选的,所述统计检验方法包括双因素方差法。
步骤S1024:将所述特征因子作为所述风控模型输入的自变量,所述自变量加上因变量(对应保单是否发生风险,是计为1,否计为0)后组成所述风控模型的训练集,构建驾考保单风险率基础风控模型,如广义线性模型;
可选的,所述基础风控模型包括:
其中,x0指截距,x1,x2,x3,x4,x5指基础风控模型的特征系数,T1指渠道历史不通过率、T2指地区不通过率、T3指产品历史不通过率、T4指年龄、T5指性别。
可选的,所述特征因子包括:年龄、性别、渠道历史不通过率、产品历史不通过率或地区不通过率。某两个城市简单赔付率年龄和性别双因素显著性检验结果如下表一和表二所示。
表一、城市一简单赔付率年龄和性别双因素显著性检验结果
自由度 | 总方差 | 均方差 | F检验值 | Pr(>F) | |
性别 | 1 | 0.0075 | 0.00751 | 1.712 | 0.20717 |
年龄 | 4 | 0.108 | 0.02699 | 6.155 | 0.00265 |
交互作用 | 4 | 0.3236 | 0.08091 | 18.449 | 3.53E-06 |
根据上述检验结果,当显著性水平为5%时,可知年龄和交互作用对该城市简单赔付率均有显著影响,但性别对该城市简单赔付率无显著影响。
表二、城市二简单赔付率年龄和性别双因素显著性检验结果
自由度 | 总方差 | 均方差 | F检验值 | Pr(>F) | |
性别 | 1 | 0.2713 | 0.2713 | 54.65 | 7.41E-07 |
年龄 | 4 | 1.4472 | 0.3618 | 72.87 | 7.22E-11 |
交互作用 | 4 | 0.248 | 0.062 | 12.49 | 4.89E-05 |
根据上述检验结果,当显著性水平为5%时,可知性别、年龄和交互作用对该城市简单赔付率均有显著影响。
步骤S1026:采用ROC曲线或混淆矩阵在测试集上检验基础风控模型,如表三所示。
表三、基础预测模型检验结果
T1 | 渠道历史不通过率 | <2e-16 | 6.448216658355789 |
T2 | 城市历史不通过率 | <2e-16 | 1.7131037567325136 |
T3 | 产品历史不通过率 | 9.12e-05 | -0.13846834785280204 |
T4 | 年龄 | <2e-16 | -1.2543039488939418 |
T5 | 性别 | 5.90e-06 | -0.054296504706122795 |
截距 | <2e-16 | 0.6852565933589547 |
可选的,所述将所述特征因子作为所述风控模型输入的自变量,所述自变量加上因变量后组成所述风控模型的训练集,构建驾考保单风险率基础风控模型,之后包括:
步骤S1028:基于风控个性化需求,对所述基础风控模型进行组合,构建驾考保单风险率复合风控模型。如将逻辑回归模型、决策树模型和线性组合模型复合为一个新的复合保单风险率预测模型。
可选的,所述复合风控模型包括:
其中,policysum是指保单数量,coachrate指教练历史不通过率。
步骤S104:编写PMML文件,计算所述风控模型特征因子,调用所述PMML文件实时计算所述给定保单风险率;
可选的,所述编写PMML文件,计算所述风控模型特征因子,调用所述PMML文件实时计算所述给定保单风险率,包括:
步骤S1042:基于所述基础风控模型或复合风控模型编写PMML文件;
步骤S1044:定时或实时更新所述基础风控模型或复合风控模型的特征因子;
步骤S1046:所述PMML文件调用所述特征因子定时或实时计算所述给定保单风险率。
步骤S106:跟踪所述风控模型在新业务数据的预测效果,评估近期驾考保单实际风险和预测风险之间的差异,根据需求对所述风控模型不断迭代优化。
可选的,所述跟踪所述风控模型在新业务数据的预测效果,评估近期驾考保单实际风险和预测风险之间的差异,根据需求对所述风控模型不断迭代优化,包括:
步骤S1062:持续跟踪所述风控模型在新业务数据的预测效果,采用ROC曲线或混淆矩阵评估所述预测效果;
步骤S1064:评估近期驾考保单实际风险和预测风险之间的差异,通过调整所述风控模型的特征计算逻辑(如分科目)、增减特征因子或调整系数对所述风控模型不断迭代优化,如表四。
表四、基础预测模型迭代优化升级版本的特征和检验P值
检验P值 | |
渠道历史不通过率(科二、三) | 0.000273 |
产品历史不通过率(科二、三) | <2.00E-16 |
城市历史不通过率(科二、三) | <2.00E-16 |
年龄 | <2.00E-16 |
性别 | <2.00E-16 |
省份 | <2.00E-16 |
如上表所示,特征调整计算逻辑,特征因子增加省份,计为35变量。
本发明通过一种驾考保险实时风控模型训练方法,根据本发明提供了一种驾考保险实时风控模型,用于对驾考保险的保单风险实时评估,以便相关利益方能够根据风险评估结果及时采取相应措施进行风险防范,提高了风控措施的针对性和准确性。
实施例2
如图2所示,本实施例提供一种电子设备,该设备用于驾考保险实时风控模型训练方法,所述电子设备,包括:
至少一个处理器;以及,
与所述至少一个处理器通信连接的存储器;其中,
所述存储器存储有可被所述一个处理器执行的指令,所述指令被所述至少一个处理器执行,以使所述至少一个处理器能够执行如实施例1所述的方法,不再赘述。
实施例3
本申请实施例提供了一种非易失性计算机存储介质,所述计算机存储介质存储有计算机可执行指令,该计算机可执行指令可执行上述任意方法实施例中的方法。
实施例4
图2是本实施例提供的一种驾考保险实时风控模型训练方法的电子设备的硬件结构示意图,如图2所示,该设备包括:
一个或多个处理器210以及存储器220,图2中以一个处理器210为例。
基于驾考保险实时风控模型训练方法的设备还可以包括:输入装置230和输出装置240。
处理器210、存储器220、输入装置230和输出装置240可以通过总线或者其他方式连接,图2中以通过总线连接为例。
存储器220作为一种非易失性计算机可读存储介质,可用于存储非易失性软件程序、非易失性计算机可执行程序以及模块,如本申请实施例中的驾考保险实时风控模型训练方法对应的程序指令/模块。处理器210通过运行存储在存储器220中的非易失性软件程序、指令以及模块,从而执行服务器的各种功能应用以及数据处理,即实现上述方法实施例驾考保险实时风控模型训练方法。
存储器220可以包括存储程序区和存储数据区,其中,存储程序区可存储操作系统、至少一个功能所需要的应用程序;存储数据区可存储根据驾考保险实时风控模型训练装置的使用所创建的数据等。此外,存储器220可以包括高速随机存取存储器,还可以包括非易失性存储器,例如至少一个磁盘存储器件、闪存器件、或其他非易失性固态存储器件。
输入装置230可接收输入的数字或字符信息,以及产生与电子设备的用户设置以及功能控制有关的键信号输入。输出装置240可包括显示屏等显示设备。
所述一个或者多个模块存储在所述存储器220中,当被所述一个或者多个处理器210执行时,执行上述任意方法实施例中的驾考保险实时风控模型训练方法。
上述产品可执行本申请实施例所提供的方法,具备执行方法相应的功能模块和有益效果。未在本实施例中详尽描述的技术细节,可参见本申请实施例所提供的方法。
本发明实施例的电子设备以多种形式存在,包括但不限于:
(1)移动通信设备:这类设备的特点是具备移动通信功能,并且以提供话音、数据通信为主要目标。这类终端包括:智能手机(例如iPhone)、多媒体手机、功能性手机,以及低端手机等。
(2)超移动个人计算机设备:这类设备属于个人计算机的范畴,有计算和处理功能,一般也具备移动上网特性。这类终端包括:PDA、MID和UMPC设备等,例如iPad。
(3)便携式娱乐设备:这类设备可以显示和播放多媒体内容。该类设备包括:音频、视频播放器(例如iPod),掌上游戏机,电子书,以及智能玩具和便携式车载导航设备。
(4)服务器:提供计算服务的设备,服务器的构成包括处理器、硬盘、内存、系统总线等,服务器和通用的计算机架构类似,但是由于需要提供高可靠的服务,因此在处理能力、稳定性、可靠性、安全性、可扩展性、可管理性等方面要求较高。
(5)其他具有数据交互功能的电子装置,例如电视机、车载大屏等。
以上所描述的装置实施例仅仅是示意性的,其中所述作为分离部件说明的单元可以是或者也可以不是物理上分开的,作为单元显示的部件可以是或者也可以不是物理单元,即可以位于一个地方,或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。
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各实施方式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。基于这样的理解,上述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,该计算机软件产品可以存储在计算机可读存储介质中,如ROM/RAM、磁碟、光盘等,包括若干指令用以使得一台计算机设备(可以是个人计算机,服务器,或者网络设备等)执行各个实施例或者实施例的某些部分所述的方法。
最后应说明的是:以上实施例仅用以说明本发明的技术方案,而非对其限制;尽管参照前述实施例对本发明进行了详细的说明,本领域的普通技术人员应当理解:其依然可以对前述各实施例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同替换;而这些修改或者替换,并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。
Claims (10)
1.一种驾考保险实时风控模型训练方法,其特征在于,包括:
由驾考保单风险率相关因素预测给定保单的风险率;
编写PMML文件,计算所述风控模型特征因子,调用所述PMML文件实时计算所述给定保单风险率;
跟踪所述风控模型在新业务数据的预测效果,评估近期驾考保单实际风险和预测风险之间的差异,根据需求对所述风控模型不断迭代优化。
2.根据权利要求1所述的方法,其特征在于:所述由驾考保单风险率相关因素预测给定保单的风险率,包括:
运用统计检验方法分析检验驾考保单风险的特征因子;
将所述特征因子作为所述风控模型输入的自变量,所述自变量加上因变量后组成所述风控模型的训练集,构建驾考保单风险率基础风控模型;
采用ROC曲线或混淆矩阵在测试集上检验基础风控模型。
3.根据权利要求2所述的方法,其特征在于:所述将所述特征因子作为所述风控模型输入的自变量,所述自变量加上因变量后组成所述风控模型的训练集,构建驾考保单风险率基础风控模型,之后包括:
基于风控个性化需求,对所述基础风控模型进行组合,构建驾考保单风险率复合风控模型。
4.根据权利要求2所述的方法,其特征在于:所述特征因子包括:年龄、性别、渠道历史不通过率、产品历史不通过率或地区不通过率。
5.根据权利要求2所述的方法,其特征在于:所述统计检验方法包括双因素方差法。
6.根据权利要求2所述的方法,其特征在于:所述基础风控模型包括:
其中,x0指截距,x1,x2,x3,x4,x5指基础风控模型的特征系数,T1指渠道历史不通过率、T2指地区不通过率、T3指产品历史不通过率、T4指年龄、T5指性别。
7.根据权利要求3所述的方法,其特征在于:所述复合风控模型包括:
其中,policysum是指保单数量,coachrate指教练历史不通过率。
8.根据权利要求3所述的方法,其特征在于:所述编写PMML文件,计算所述风控模型特征因子,调用所述PMML文件实时计算所述给定保单风险率,包括:
基于所述基础风控模型或复合风控模型编写PMML文件;
定时或实时更新所述基础风控模型或复合风控模型的特征因子;
所述PMML文件调用所述特征因子定时或实时计算所述给定保单风险率。
9.根据权利要求1所述的方法,其特征在于:所述跟踪所述风控模型在新业务数据的预测效果,评估近期驾考保单实际风险和预测风险之间的差异,根据需求对所述风控模型不断迭代优化,包括:
持续跟踪所述风控模型在新业务数据的预测效果,采用ROC曲线或混淆矩阵评估所述预测效果;
评估近期驾考保单实际风险和预测风险之间的差异,通过调整所述风控模型的特征计算逻辑、增减特征因子或调整系数对所述风控模型不断迭代优化。
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9中任一项所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811600994.5A CN109697532A (zh) | 2018-12-26 | 2018-12-26 | 一种驾考保险实时风控模型训练方法和电子设备 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811600994.5A CN109697532A (zh) | 2018-12-26 | 2018-12-26 | 一种驾考保险实时风控模型训练方法和电子设备 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN109697532A true CN109697532A (zh) | 2019-04-30 |
Family
ID=66232134
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201811600994.5A Pending CN109697532A (zh) | 2018-12-26 | 2018-12-26 | 一种驾考保险实时风控模型训练方法和电子设备 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109697532A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110659834A (zh) * | 2019-09-26 | 2020-01-07 | 北京量子保科技有限公司 | 一种驾考保险动态保费模型训练方法 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103245861A (zh) * | 2013-05-03 | 2013-08-14 | 云南电力试验研究院(集团)有限公司电力研究院 | 一种基于贝叶斯网络的变压器故障诊断方法 |
CN107180035A (zh) * | 2016-03-09 | 2017-09-19 | 阿里巴巴集团控股有限公司 | 一种训练模型信息输出方法及装置 |
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 |
CN107895596A (zh) * | 2016-12-19 | 2018-04-10 | 平安科技(深圳)有限公司 | 风险预测方法及系统 |
CN108596393A (zh) * | 2018-04-28 | 2018-09-28 | 国信优易数据有限公司 | 一种金融电子资源预测模型的训练方法和装置 |
-
2018
- 2018-12-26 CN CN201811600994.5A patent/CN109697532A/zh active Pending
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103245861A (zh) * | 2013-05-03 | 2013-08-14 | 云南电力试验研究院(集团)有限公司电力研究院 | 一种基于贝叶斯网络的变压器故障诊断方法 |
CN107180035A (zh) * | 2016-03-09 | 2017-09-19 | 阿里巴巴集团控股有限公司 | 一种训练模型信息输出方法及装置 |
CN107895596A (zh) * | 2016-12-19 | 2018-04-10 | 平安科技(深圳)有限公司 | 风险预测方法及系统 |
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 |
CN108596393A (zh) * | 2018-04-28 | 2018-09-28 | 国信优易数据有限公司 | 一种金融电子资源预测模型的训练方法和装置 |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110659834A (zh) * | 2019-09-26 | 2020-01-07 | 北京量子保科技有限公司 | 一种驾考保险动态保费模型训练方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110992169B (zh) | 一种风险评估方法、装置、服务器及存储介质 | |
Agarwal et al. | Socioeconomic privilege and political ideology are associated with racial disparity in COVID-19 vaccination | |
Jiang et al. | How can we know when language models know? on the calibration of language models for question answering | |
US20190325514A1 (en) | Credit risk prediction method and device based on lstm model | |
Wang et al. | Methods for correcting inference based on outcomes predicted by machine learning | |
US8996452B2 (en) | Generating a predictive model from multiple data sources | |
CN107729532A (zh) | 一种简历匹配方法及计算设备 | |
US8972564B1 (en) | Reliability estimator for ad hoc applications | |
US10187516B2 (en) | Systems, non-transitory computer-readable media and methods for voice quality enhancement | |
CN112990294B (zh) | 行为判别模型的训练方法、装置、电子设备及存储介质 | |
CN110689135B (zh) | 一种反洗钱模型的训练方法、装置及电子设备 | |
CN116137004B (zh) | 广告投放效果的归因方法、系统及计算机 | |
US11552978B2 (en) | Disaster security calculation method, and user terminal and non-transitory medium implementing same | |
CN109656781A (zh) | 一种日志管理方法、系统、介质和电子设备 | |
CN107862556A (zh) | 一种vip广告的投放方法和系统 | |
CN108764825A (zh) | 职位信息匹配方法、装置、计算机设备及存储介质 | |
VanDusky-Allen et al. | Partisanship, policy, and Americans’ evaluations of state-level COVID-19 policies prior to the 2020 election | |
CN109697532A (zh) | 一种驾考保险实时风控模型训练方法和电子设备 | |
US11222143B2 (en) | Certified information verification services | |
Bevilacqua et al. | Sexual harassment before and during the COVID-19 pandemic among adolescent girls and young women (AGYW) in Nairobi, Kenya: a cross-sectional study | |
US20160063158A1 (en) | Method and device for simulating a circuit design | |
CN113010785A (zh) | 用户推荐方法及设备 | |
CN111460286A (zh) | 信息推荐方法、装置、电子设备及介质 | |
CN111858902A (zh) | 正则匹配推荐方法及相关装置 | |
CN109426962B (zh) | 一种数据模型校准方法、装置和设备 |
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: 20190430 |
|
RJ01 | Rejection of invention patent application after publication |