CN109997164A - 提供基于到达间隔时间的测量和预测即将发生的自然灾难性事件的测量系统及其方法 - Google Patents

Abstract

提出了一种测量和预测系统，其提供具有复杂聚类结构的发生率的新出现危险的早期到达间隔时间识别和自适应时间间隔测量。测量系统(1)包括测量站或传感器(90,91,92,…/401,402,…,411,412)，用于通过测量的传感数据(4011,4012,…)测量发生的风险事件(311,…,313)。此外，系统(1)包括数据传输网络(2)，用于将测量设备(90,91,92,…/401,402,…,411,412)的测量的传感数据(911,912,913,…/4011,4012,…)传输到中央核心电路(10)，测量的传感数据(911,912,913,…/4011,4012,…)被分配给历史危险集合(31)，其包括每个分配的风险事件的事件参数。借助于系统(1)，基于测量的频率以及所述危险集合(31)的所述风险事件(311,…,313)的相关联严重性(341,…,343)或作为替代度量的损失(321,…,323)，生成事件损失集合(32)，每个所述灾难性事件(311,…,313)产生设定的特定严重性(321,…,323/341,…,343)。系统(1)基于相应的所生成的到达间隔时间参数(1012/IAT)的自动和/或动态估计分布(1011)来使用构造的时间戳(331,…,333)。到达间隔时间参数(1012)捕获时段严重性或损失集合(35/33)的连续事件(311,…,313)之间的等待时间。等待时间测量灾难性事件(311,…,313)的两次连续测量的发生之间的时间间隔，能够通过时间间隔和系统(1)随时间跟踪灾难性事件(311,…,313)的发生，并且自动捕获危险特定时间聚类(1031)和/或季节性发生模式(1032)。

Description

提供基于到达间隔时间的测量和预测即将发生的自然灾难性 事件的测量系统及其方法

技术领域

本发明涉及测量和预测即将发生的即将到来的灾难性事件的时间间隔的设备和系统，例如，自然灾难性事件，诸如地震、湍流、飓风或其他天气状况、洪水、经济或金融崩溃等突然变化。它还涉及基于测量的到下一次即将到来的自然灾难性事件的时间距离的机器间信号和机器到机器控制的设备和系统。最后，它涉及用于灾难性风险事件驱动或触发系统的基于时间相关暴露的信号、引导和/或操作的自动灾难系统；特别是，这些可以是用于应对灾难性风险的自动风险(例如，与天气有关的风险，包括灾难性和其他重大风险，无论是天气相关还是其他风险)触发系统和仪器。除此之外，本发明还涉及这样的基于人工计算智能的自动化系统，其能够自我维持地识别和分类在不同规模上发生的可能的潜在结构，并使用这些结构来预测已知在感兴趣的应用中出现的灾难性事件。

背景技术

灾难性事件通常被称为所谓的“异常值”，其具有与测量事件的其余群体在统计上不同的属性，并且由涉及放大临界级联的机制产生。在一定精度水平内对下一个即将到来的事件的时间间隔的测量和预测在技术上极具挑战性，尤其是因为通常涉及从静止状态到危机的突然的、难以预测的转变。这种灾难性事件通常涉及许多不同的规模上的结构之间的相互作用(通常是非线性的)，除了这些事件罕见的技术问题之外，这使得精确测量和自动化处理在技术上更加苛刻。21世纪初的特点是全球性(气候变化，引入物种(neobiota)等)，经济和社会发展具有间歇性动态而不是平衡状态，因此越来越迫切地需要开发敏感的设备和系统，其能够应对多种形式的灾难性事件的重要性和影响。在灾难性事件发生的地方，灾难性危机表现出类似的特性，沿途经常引发根本的社会影响，看不见灾难的各种背景，范围包括从大型自然灾害，诸如火山爆发、飓风和龙卷风、山体滑坡、雪崩、雷击、环境恶化的灾难性事件，到工程结构的溃败、导致大规模罢工和动乱的社会动荡、国家和全球范围的经济崩溃、区域停电、交通堵塞、疾病和流行病等。因此，此外，对于已经说过的补充，对于处理这些风险敏感或直接表示的自动化设备和系统的工业和技术存在强烈需求，特别是对于这些事件的评估、缓解和可靠预测。

产生灾难性事件的这种复杂系统的核心特性是可能出现具有极端潜在结构的连贯的大规模集体行为，这是由于不同成分之间的重复非线性相互作用所致，这通常远远超过其各部分的总和。大多数情况下，这种复杂的系统不适用于分析性描述，并且通常只能通过实验或统计测量来探索。在系统复杂性的背景下，许多复杂系统在计算上还是不可简化的，即，决定其演化的唯一方法是实际让它们随时间发展。因此，复杂系统的动态未来时间演变可能本质上是不可预测的，这使得自动化系统极难应对它们。然而，这种不可预测性并不妨碍应用技术方法和系统来预测新发生的事件。大多数复杂的自然、经济和社会系统确实表现出罕见的突然转变，这些转变发生在与其后部进化的特性时间规模相比较短的时间间隔内。这种极端事件表达了通常由几乎完美的平衡隐藏的潜在力量。必须认识到复杂系统的长期行为通常在很大程度上受这些罕见的灾难性事件的控制。例如，加利福尼亚最大的地震，每两个世纪重复一次，占总构造变形的很大一部分。景观的形成更多的是由于“千年”洪水，它会移动巨石而不是所有其他腐蚀剂的作用。最大的火山爆发导致了严重的地形变化以及严重的气候中断。因此，复杂系统通常由一些关键决策或事件在长期内形成。因此，对能够测量和预测特定灾难性事件的下一次爆发的发生次数、发生频率和时间距离的可靠技术设备和系统的需求是显而易见的。

在自然灾难性事件的背景下，全球工业和市场，特别是在百慕大、洪都拉斯、尼加拉瓜或东部海岸线和美国墨西哥湾沿岸等具有强烈暴露率的地区，显著依赖于可靠的系统和自动快速评估灾难暴露的方法。这种暴露测量的使用可以随着例如用于暴露改进的自动专家系统、警报系统或自动风险转移系统变化。如果此类系统的预测低估了任何特定事件所带来的潜在损失，整个行业可能遭受高于预期的资本暴露，而且往往难以为继。一些灾难性事件可能对行业造成如此严重的影响，导致受影响的行业部门彻底崩溃。然而，对于希望确保其持续可行性的暴露行业而言，这不仅是一个战略和风险管理问题；事实上，自动风险转移系统的运作和/或任何监管资本要求也会受到影响，因为任何风险转移通常必须通过足够数量的汇集资源来平衡，即充分执行的灾难性风险费用通常是满足此技术要求的重要因素。在灾难性风险事件驱动或触发系统的基于暴露的信号、引导和/或操作技术领域中，所谓的“CAT回归”可以是对依赖程度的衡量标准，并且可以为风险转移系统的运作提供一个技术基础，以减少预测风险，并且监测和量化风险转移系统的暴露。它还可以作为评估灾难组成部分投入是否合理或监管资本要求是否合适的一种衡量标准。自动风险转移系统具有操作程序和测量设备，用于监测预测风险的观测活动。这包括基于聚合信息(诸如暴露的和/或预测的基于统计的可能最大损失(PML))的合适的资源池(例如，资本)、杠杆和度量。应包括所有技术和操作假设，包括在行业类别和风险暴露单位内部和之间的区域性、危险性和其他风险分类维度的测试。用于自动风险转移系统的灾难性风险的测量和评估类型的现有技术示例包括，例如：(A)针对各种其他CAT暴露度量的相对等级来测量PML和现实灾难情景(RDS)的等级。差异可能存在于可能突出因素的相对排名中：(i)构建优越的风险组合；(ii)相对于其他行业或市场的相对较高或较低的附着点，以及可能面临更大的模型风险；(iii)应用不同的模型混合物按区域特定的危险和不同程度的损失修改应用于总体结果；(B)关于灾难性事件的暴露评估超出了预定义的财产灾难阈值。这些测量还可以评估相对于相关灾难性损失的非累积暴露的可能性；(C)考虑支持第二风险转移系统(如再保险系统)或对灾难的转分保险式保护，以评估第二风险转移违约的影响；以及(D)监测和衡量一年到下一年的暴露的相对变化，以保持一致性和合理性。CAT回归与其他风险暴露数据一起，也用于评估可能已汇集的资源或流动性的充足性。仅通过持有额外资本并不总能缓解流动性风险。对于自动化风险转移系统，支付索赔的能力显然是一个重要因素，甚至可能在灾难性风险领域更为明显，因为可能需要在非常短的时间内清算大量资本以支付索赔。此外，货币错配会产生复杂性，风险转移系统的汇集资源和与之相关的潜在灾难性责任的子集可能存在复杂性。自动化风险转移系统的运作应该能够证明它可以考虑潜在的流动性挑战，包括用于衡量流动性的技术方法和原则、应急计划、获得新的资金来源以及预计的流动性要求。可用于评估系统流动性风险的各种衡量指标的示例包括：(A)衡量某些情景的资产和负债相关性，这些项目经常假设的独立性可能会崩溃。例子包括恐怖主义事件或日本的大量CAT损失或对美元兑日元汇率的影响；(B)有效资产期限与有效负债期限的比率；或(C)根据汇集资源或为抵押补贴而调整的投资来衡量毛利和净PML和RDS回报。因此，风险转移系统的汇集资源应该达到这样的水平，即操作可以承受极端但不可想象的不利事件组合发生的影响。一个运作良好的风险转移系统将承受全面的压力和情景测试程序，以便在不利情景中监测资源池充足性，作为其风险转移结构和框架的一部分。其中包括实施、监测和应对严格的、前瞻性压力和情景测试结果的程序，适用于识别可能对风险转移系统的运营、责任或分配资源产生不利影响的环境条件的可能事件或周期性变化。

总之，许多作用于灾难性事件(CAT)或与灾难性事件(CAT)交互的自动化系统需要时钟或其他触发或驱动的频率发生器和/或基于频率的核心引擎。这些设备或模块是自动信号、处理或操作各种系统和设备的技术核心，用于直接响应CAT事件发生或发生的风险。灾难性(CAT)事件包括诸如自然灾害(例如地震、洪水、风暴、飓风和海啸)和人为灾难(例如恐怖袭击)等事件。这些事件通常是低概率、高成本的事件。因此，暴露于CAT事件风险的单位和个人试图通过寻求适当的风险转移来保护自己。

此外，这些事件的特征在于具有低发生概率，即与高波动范围相关联的低统计概率，并且它们难以用技术手段捕获。对于由CAT事件的发生而激活或触发的自动系统(例如，自动操作的风险转移系统)也是如此。这种自动化系统需要克服额外的技术负担，因为大量风险暴露的单位通常受到单个CAT事件的影响。因此，当CAT事件发生时，这些系统通常必须处理系统必须自动覆盖的大量损失，即所谓的索赔。由于风险转移系统用于降低风险，因此在CAT案例中，自动定价甚至风险转移的可用性必须取决于与被转让或转让相关联的可测量且可参数化的风险参数。除了必须克服的操作问题外，处理灾害和损失后果的效率，特别是任何相关的索赔，涉及自动风险转移系统的各种其他技术问题和关注。例如，我们应该能够及时减轻灾难性事件的后果和/或解决任何相关的索赔，以保护客户关系和留住客户。此外，风险转移系统也经常试图避免与解决损失和支付有效索赔时无响应或延迟相关的负面宣传。在某些极端情况下，在减轻灾难性事件的后果和正确处理索赔方面缺乏响应能力可能导致国家保险委员会或甚至刑事调查的调查。另一方面，保险风险转移系统不应为了迅速解决问题而解决欺诈性索赔；此外，他们必须管理与解决这些索赔相关联的费用(例如，解决此类索赔所产生的人工费用)。

在现有技术系统中，“风险”通常被实现为预测频率和严重性的组合，其中“频率”预测在给定时间范围内将发生损失的概率，并且“严重性”预测与该特定事件相关联的这种损失的成本。在许多风险转移系统中，“严重性”是通过将给定时间范围内的损失除以同一时间范围内的索赔数来计算的。将风险分解为不同的成分并适当地评估这些成分可以促进更好的风险操作，并有助于改善特定情况下风险的自动预测。更好的风险评估和测量可以带来更好的风险关联，更好地处理后果和成本，从而最大限度地减少针对特定风险转移的错误过度收费或收费不足的情况。这可以导致自动风险转移系统的更好或更可预测的操作，并最终为风险暴露的单位和个人提供更合适的费率。风险转移系统通常分析历史CAT、损失和溢价数据，以生成主要或完全基于此类预测来预测风险的统计模型。这些模型用于评估预期风险。然后，风险转移系统可以使用此评估来确定是否应该执行风险转移，并且如果执行此类转移，则应该收取什么费率来平衡风险转移。然而，不同的风险转移系统可能使用不同的结构来确定哪些传统风险转移因素(或数据)对其相关联风险转移单位具有最大影响(或最大预测值)，这就是为什么在不同的风险转移系统中使用多种模型的原因。

多年来，风险转移系统的任何自然灾难(NAT CAT)评估和建模框架都基于所谓的事件集。事件集由每个危险(危险集)的概率事件集组成，其中每个事件与发生频率匹配。在对转移风险的汇编，编辑或组合进行评级时，现有技术系统使用Nat Cat评级引擎使用脆弱性曲线为每个事件分配损失。事件、它们的频率和相应的损失最终总结在所谓的事件损失集合(ELS)中。此类事件损失集合用作构建暴露曲线的基础，而暴露曲线又用于生成(再)保险合同的技术定价。虽然在为标准覆盖生成的暴露中使用暴露曲线是透明且非常有效的，但在建模复杂的风险转移((再)保险)结构时，这种方法显示出局限性。由于这种非标准覆盖在最近已经变得重要，因此越来越需要补充当前的技术预测和建模框架并扩展技术结构以满足新的要求。

在现有技术中，WO 2016/029929 A1灾害管理预测系统和方法用于基于位置相关的自然灾害影响来预测灾害减轻和融资手段的影响。该系统捕获历史灾难性事件的测量参数，以确定自然灾难性事件的影响。此外，触发自然灾难性事件的临界值以生成对地理区域内灾难性事件的影响的预测。基于灾难历史表，系统提供相应的损失频率函数。预期的灾难损失是通过损失频率函数和发生的自然灾难性事件类型的各种情景的地理风险地图来确定的。应用灾害融资手段的效果预测是根据覆盖结构、指定成本因素和确定的预期巨灾损失编制的。此外，EP 2 461 286 A1示出了一种用于通过独立操作的责任风险驱动因素来预测与未来损失和损失分布相关联的频率的系统。在损失单位出现损失的情况下，测量测量参数并将其传输到控制单元控制器。控制单元控制器动态地将测量参数分配给责任风险驱动因素，并调整相关联损失解决单元的操作，通过损失解决单元解决发生的损失。通过将测量参数动态分配给适应性责任风险驱动因素，系统能够动态地自身适应影响风险暴露的外部和内部因素。最后，WO 2015/144241 A1示出了具有用于风险转移的自动化系统的系统，其具有由多个可变风险转移段提供的可适应风险转移函数。基于相应的风险转移函数生成激活信号，风险转移函数在发生测量风险事件的情况下触发风险转移的自动激活。

发明内容

本发明的一个目的是提供一种测量和预测系统，其提供具有复杂聚类结构的发生率的新出现的危险的早期到达间隔时间识别和时间间隔测量。其中，本发明还能够提供一种用于由低频操作或灾难性风险事件驱动的相关联自动风险转移系统的测量、预测和暴露信令的自动系统，其不具有现有技术系统的缺点，如上所述。输出信号应该允许提供自动风险转移系统，以便优化资源池(资本化)，使得可以承受极端但不是不可想象的不利事件的组合的发生的影响。作为风险转移结构和框架的一部分，系统应该能够通过综合压力和情景测试程序来监测不利情景中的集合资源充足性。特别地，所提出的系统不应表现出基于使用ELS作为构建暴露曲线的基础的现有技术系统的事件损失集合(ELS)的技术缺点，其反过来用于从自动生成风险转移或定价参数来生成适当的输出信号，即本发明还应允许在复杂的风险转移和多种风险转移结构中自动处理非标准覆盖或风险转移。因此，非标准覆盖在最近已经变得越来越重要；需求已经增长，以补充当前的技术结构和框架，并扩展它们以满足新的要求。最后，本发明的技术结构应该允许自动捕获特定于危险的时间聚类，以及准确反映年内发生模式。

根据本发明，这些目的尤其通过独立权利要求的特征实现。另外，可以从从属权利要求和相关描述中导出其他有利实施例。

根据本发明，实现了上述用于测量和预测系统的目的，该系统提供具有复杂聚类结构的发生率的新兴危险的早期到达间隔时间识别和时间间隔测量，特别是，该系统包括：用于通过测量的传感数据测量发生的风险事件的测量站或传感器，其中该系统包括数据传输网络，用于将测量的传感器的测量的传感数据传输到中央核心电路，测量的传感数据被分配给历史危险集合包括用于每个被分配的风险事件的事件参数，其中为了捕获和测量适当的测量的传感数据，中央核心电路包括风险事件驱动的核心聚合器，其具有用于在传感器和/或测量设备的数据流路径中触发、捕获和监测的测量数据驱动的触发器，测量和预测系统通过中央核心电路的信号传送将风险暴露和/或发生预测参数提供到相关联的自动化设备，并且其中借助于系统基于测量的频率与危险集合的所述风险事件的相关联严重性生成事件严重性集合，每个所述风险事件创建设定的特定严重性(a set specificseverities)，其中组合时段严重性集合，记录分配给生成的时间戳的事件严重性集合的事件严重性，其中时段损失集合提供事件严重性集合的测量事件的基于相应时间的日志记录，其中生成包括编码时间数据序列的时间戳，并将其分配给事件严重性集合的每个事件，并且其中特定时间戳标识作为特定事件被测量的时间点的发生，时间戳是使用相应的生成的到达间隔时间参数的估计的或预定义的分布自我维持的构造，其中到达间隔时间参数捕获时段严重性集合的连续事件之间的等待时间，并且其中等待时间测量风险事件的两次连续测量的发生之间的时间间隔，能够通过时间间隔随时间跟踪风险事件的发生，并且基于包括时间戳参数和特定时间范围的严重性的所述时段严重性集合，由所述中央核心电路评估和生成相应的早期识别参数或预测时间间隔参数。作为一个实施例变型，如果用于低频发生的灾难性或操作风险事件的驱动或触发风险转移系统需要信号参数用于相关的灾难性风险事件的自动预测和暴露信令，则自动的基于到达间隔时间的系统可以用作机器到机器或机器间控制设备。其中，通过本发明，测量任何发生的风险事件并将其分配给包括每个分配的风险事件的事件参数的历史危险集合；风险暴露的单位或个人和/或自动风险转移系统通过中央核心电路的信号传送被提供有相应的风险转移参数，用于自动风险转移和/或自动风险事件覆盖，并且其中通过系统基于测量的频率以及危险集合的所述风险事件的相关联损失生成事件损失集合，每个所述风险事件产生设定的特定损失，其中时段损失集合被组合，以记录分配给生成的时间戳的事件损失集合的事件损失，其中时段损失集合提供事件损失集合的测量事件的基于相应时间的日志记录，其中包括编码时间数据序列的时间戳被生成并分配给事件损失集合的每个事件，并且其中特定时间戳将事件标识为测量特定事件的时间点的发生，时间戳是使用相应的所生成的到达间隔时间参数的自动和/或动态估计或预定义的分布构造的，其中到达间隔时间参数捕获所述时段损失集合的连续事件之间的等待时间，并且其中所述等待时间测量风险事件的两次连续测量的发生之间的时间间隔，能够通过时间间隔随时间跟踪风险事件的发生，并且其中基于包括时间戳参数和特定时间范围内的损失的所述时段损失集合，由所述中央核心电路评估和生成用于信号传送的相应风险转移参数。所述分布不需要预先定义或预先给定，而是作为优选实施例变型，通过系统估计它是对该组数据的最佳拟合分布。正如数据所支持的那样，有一些理论证据支持广义帕累托；但是，系统也可以应用其他分布。所述估计的或预定义的分布可以例如至少包括特定于危险的时间聚类和季节性发生模式。所述估计的或预定义的分布可以例如进一步基于相关的时间比例因子来构造，其至少包括厄尔尼诺/南方涛动(ENSO)和/或大西洋多年代涛动(AMO)和/或北大西洋涛动(NAO)和/或全球变暖回归期的梯度。外部全球大时间规模驱动因素的影响可以是例如系统通过使用观察到的历史记录来隐含地考虑大气危险时间戳的校准。所述估计的或预定义的分布可以例如通过动态地分配和测量领先风险指标来构造，用于动态适配于发生风险。如上所述，所述分布不需要预先定义或预先给定，而是作为实施例变型，通过系统中的机器学习单元在某种意义上动态生成并实时或准实时地适应。它是对数据集的最佳拟合分布，其中使用相应的所生成的到达间隔时间参数(IAT)的分布的时间戳的自持结构由机器学习单元提供，并且其中时间戳作为非平稳非线性模式被转移到机器学习单元，使用严重性参数作为不同系列时间戳之间发生事件的影响。机器学习单元可以基于提供时间戳的实时结构的人工神经网络结构或支持向量机结构。传送到机器学习单元的参数可以是例如每次包括与测量的事件发生相比的大时间窗口的完整且自适应的扩展历史参数链。基于自动化的到达间隔时间的系统可以例如独立地应用于个体自然灾害。此外，如果两个危险都受到相关季节性模式的影响，则例如可以通过依赖于季节性的分布结构自动捕获危险之间的时间相关性。本发明致力于提供一种自动的、技术的、实时的操作解决方案，用于捕获和转移复杂的危险驱动方案和自动化的风险，尤其涉及高度复杂的天然CAT发生结构和风险转移方案。除了允许基于机器的交互、测量、评估和预测涉及复杂的自然大规模现象作为CAT事件之外，自动风险转移和风险转移参数生成也是本发明的关键特征之一。因此，本系统的一个优点是设想提供全自动风险转移系统，特别是在与CAT风险相关的连接平台领域。更具体地说，它具有允许提供全自动风险转移系统的技术能力，该系统提供用于实时自动和动态适应性风险转移的技术结构和方案，从而捕获复杂的发生结构、聚类和大时间规模驱动因素。此外，该系统具有以下优点：它允许提供技术和全面的解决方案，其有助于基于物理测量的数据对暴露风险的单元或个人评估和评分。本发明使得可以提供自动风险转移平台(其允许几乎完全自动化的风险转移，包括风险转移参数的自动制定和政策发布，其中风险转移在系统、索赔处理、灾害预防和预测等的长期运行中是稳定的)。第二风险转移系统的提供者，即再保险人或独立的第三提供者，可以通过适当互连的应用程序，特别是移动(智能手机)应用程序或风险转移或预测系统的嵌入式设备，充当风险转移(保险)的分销商。第一和第二风险转移系统能够分别分析来自危险事件集合的测量数据，来自风险暴露单位或个人的个体数据以及分别来自系统和中央核心电路的风险转移参数信号，以便为特定风险暴露单位或第一风险转移系统提供评分。然后，这些数据也可以转移到相关联的第一保险系统，其可以基于风险转移参数信号或所获得的分数给出报价。因此，第二风险转移系统也能够优化其操作风险转移参数。与本发明系统的优点相关，系统的到达间隔时间(IAT)结构和方法是时段损失集合(PLS)方法的支柱，已被证明是评估、测量、预测、定价和以其他方式引导自动化系统，特别是自动化风险转移系统的有力工具。从这些要求保护的特征清楚地看出，时段损失集合(PLS)可以被视为事件损失集合的扩展。在PLS中，每个事件被分配到时间点(时间戳)而不是与出现频率匹配。因此，时段损失设定只是一时间系列损失。然后将此损失序列应用于风险暴露单位的组装或组合，从而得到年度预期损失。得到的风险转移参数也可以用作连续生成支付转移参数(例如，价格)、能力、资本成本等的基础。这种概念结构很容易掌握。此外，对于基于PLS的系统，复杂的合同结构的定价对于可能的承销商而言是非常透明的。因此，对于可能的风险转移应用，该系统允许(i)对投资组合和风险进行透明和一致的定价，(ii)能力参数生成，(iii)资本成本计算和监测，(iv)短缺预测和调查，(v)复杂的非标准风险转移方案和适当合同(SRIS)的自动定价。与现有技术系统相比，本发明的技术优点使得本发明在盒中CAT风险转移(季节性，聚合限制)参数性TC的领域中设定了全新的标准。此外，到达间隔时间结构为PLS提供了支柱，即时间戳的构建。这是通过所描述的技术方法基于连续事件之间的等待时间的分布来完成的。这些时间段称为到达间隔时间(IAT)。时间戳是以生成的IAT与分布中观察到的IAT相等的方式自动构建的(参见图9)。本系统的本发明的IAT结构是整个行业中独特的技术框架。它明确地将时间维度引入到Nat Cat暴露组件或投资组合的暴露评估中。IAT结构建立在风险评估工程、自然科学和数学的坚实科学基础之上。它的设计目的是一方面在技术上覆盖危险的特定时间聚类，并且另一方面包括季节性发生模式。此外，本发明的系统明确地允许结合其他影响因素，例如厄尔尼诺/南方涛动(ENSO)和/或大西洋多年代涛动(AMO)和/或北大西洋涛动(NAO)和/或全球变暖返回时段梯度或其他大规模驱动因素。此外，该新系统能够基于具有非常复杂的成分结构的连贯的大规模集体行为的发生测量和时间定量地预测复杂自然系统出现的灾难性事件，这是由于其成分之间的重复非线性相互作用所致。由于只有非常少的测量点，系统能够提供可靠的测量，因为它使用总体贡献信息，特别是到达间隔时间信息，作为其操作的连续基础。最后，该系统还能够测量和预测未来损失，作为提供与空间相关的损坏或损失参数的发生事件的影响的度量，这是现有技术系统所不可能的。

作为实施例变型，估计的或预定义的分布可以例如通过广义帕累托分布(GPD)来构造，GPD分布式IAT拟合测量的或经验的历史危险集合。如果事件是使用伽马(Gamma)分布随机比例参数λ的泊松分布，则GPD自然地出现。λ在其平均值附近的分布由该比例参数λ的外部引起的波动来设定。比例参数λ的操作设置可以例如至少包括技术边界条件；i)比例参数λ位于正值范围内，以及ii)比例参数λ取唯一最可能值，其中，通过条件i)和ii)，所述估计或预定分布被设置为单峰分布，其具有对随机比例参数λ的非负支持。对于时间戳的设置，用于估计的或预定义的分布的物理相关参数空间作为广义帕累托分布可以例如包括技术边界条件：(i)到达间隔时间的非负下阈值μ，(ii)正比例参数a，(iii)存在平均到达间隔时间，其中形状参数满足0<ξ<1，以及(iv)被截断为小于T的到达间隔时间。

在另一实施例变型中，基于到达间隔时间的自动化系统包括一个或多个第一风险转移系统，其基于生成的所述第一风险转移参数从至少一些风险暴露单位到第一风险转移系统之一提供第一风险转移，其中所述第一风险转移系统包括多个支付转移模块，其被配置为接收和存储与所述风险暴露单位的风险暴露的风险转移相关联的第一支付参数，用于汇集其风险，并且其中基于第一风险转移参数和相关的第一支付转移参数，第一风险转移系统自动覆盖所述风险暴露单位的发生和触发的损失。基于到达间隔时间的自动化系统还可以包括第二风险转移系统，其基于生成的第二风险转移参数从第一风险转移系统中的一个或多个到第二风险转移系统提供第二风险转移，其中第二风险转移系统包括第二支付转移模块，其被配置为接收和存储第二支付参数，用于汇集与转移到第一风险转移系统的风险暴露相关联的第一风险转移系统的风险，并且其中基于第二风险转移参数和相关的第二支付转移参数发生和触发的损失至少部分地由第二风险转移系统自动覆盖。该替代实施例尤其具有以下优点：其允许提供适于实时适应的优化的多层风险转移系统。此外，它允许捕获和/或控制相关的风险驱动因素，并且用于比较它们在自动化系统的技术操作和上下文中的行为。可以根据风险暴露单位的位置和类型自动捕获和评分风险，并自动分析和响应与增加服务需求相关的数据，例如风险通知、降低风险的改进等。因此，本发明还允许通过提供本发明的风险转移参数作为聚合信号来自动优化第一和第二风险转移系统。

在一个替代实施例中，该系统包括装置，该装置用于处理风险暴露单位的风险相关的分量数据并且用于提供关于一个或多个汇集的风险暴露的单位或个人的所述风险暴露变为现实的可能性的信息(特别是基于风险相关的单位或个人的风险相关的数据)，并且其中从第一资源汇集系统到第二资源汇集系统的用于转移其风险的支付的接收和预先存储可以基于总风险和/或汇集的风险暴露分量的风险暴露的可能性来动态地确定。该替代实施例尤其具有以下优点：可以动态地调整第一和/或第二资源汇集系统的操作以改变所汇集风险的条件，例如汇总的风险分量的环境条件或风险分布的变化等。另一个优点是，当系统在不同的环境、地点或国家中运行时，系统不需要任何手动调整，因为风险暴露分量的支付大小与总的汇集风险直接相关。

在一个替代实施例中，通过第一风险转移系统动态调整汇集的单位和/或个人的数量，以达到风险转移系统所覆盖的非协变发生风险在任何规定时间仅影响总汇集风险暴露分量的较小比例的程度。类似地，第二风险转移系统可以例如动态地调整从第一风险转移系统传输的所汇集的风险份额的数量，以达到由第二风险转移系统所覆盖的非协变发生风险在任何规定时间仅影响从第一风险转移系统传输的总汇集风险的较小比例的程度。该变型例尤其具有以下优点：可以改善系统的操作稳定性和财务稳定性。

在一个替代实施例中，基于时间相关发生率数据，风险事件触发器借助于操作模块相对于一个或多个预定义风险事件进行动态调整。该替代实施例尤其具有以下优点：它允许改进风险事件的捕获或完全避免此类事件的发生，例如，通过改进的预测系统等，通过系统动态捕获此类事件并基于汇集的风险暴露成分的总风险动态地影响系统的整体操作。

在另一替代实施例中，在每次触发发生时(其中通过至少一个风险事件触发器测量指示预定义风险事件的参数)，总参数支付由触发来分配，并且其中，总分配支付在触发事件时是可转移的。预定义的总支付可以例如被调平到任何适当的定义总额，例如预定值，或与风险暴露机动车辆的总转移风险和定期支付的金额相关的任何其他总额。该替代方案尤其具有以下优点：对于参数支付或预定金额的支付，用户可以依赖于固定金额。此外，参数支付可以为调整的总额支付留有余地，该调整的总额支付可以例如取决于由系统触发的风险事件发生的阶段。

附图说明

下面将结合实施例并参考这些附图更详细地解释本发明，其中：

图1示出了框图，示意性地示出了自动化测量和预测系统1，其提供具有复杂聚类结构的发生率的新出现的危险的早期到达间隔时间识别和时间间隔测量。特别地，本发明还提供了一种用于相关联的灾难性的风险事件驱动或触发的风险转移系统11/12的自动预测和暴露信令的系统1，特别是用于具有复杂的发生结构的低频灾难性或操作风险事件311,…,313。然而，系统1也适用于其他发生结构，例如具有复杂聚类结构的发生率的高统计事件。通过机车中的测量站或传感器401,402,…,411,412测量发生的灾难或危险事件311,…,313。测量设备401,402,…,411,412的测量传感数据4011,4012,…经由适当的数据传输网络传输到中央核心电路10并且被分配给包括每个指定风险事件的事件参数的历史危险集合31。风险暴露单位或个人40,41,42,…和/或自动风险转移系统11/12或其他风险事件驱动或触发系统，诸如自动报警系统或暴露改进的自动化专家系统等具有相应的风险转移参数501,…,505/511,…,515或风险暴露和/或发生预测参数。对于自动风险转移和/或自动风险事件覆盖，自动生成信号并从中央核心电路10传输信号。

图2示出了示意性地示出涉及三种类型危险的示例性时段损失集合(PLS)33或时段严重性集合(PSS)35的框图，EQ：地震，FL：洪水和TC/WS：热带气旋/风暴。

图3示出了示意性地示出的框图：(A)左：典型的泊松到达模式。相应地选择参数，使得平均一个给定年份内有1.2个事件；(B)右：事件数n(x轴)与在一个给定年份内发生的超过n个事件的概率(y轴)注意，在一个给定年份内至少发生3次事件的可能性约为2％。

图4示出了另一个框图，示意性地示出了与具有广义帕累托分布(GPD)10111的更新过程相关的事件311,…,313的时间戳331,…,333：(左)ξ＝0泊松过程，(右)ξ＝1/3。在这两种情况下，每年的平均事件数量为1.2。

图5a-图5c示出了其他框图，示意性地示出了热带气旋北美(TCNA)(图5a)，冬季风暴欧洲(WSEU)(图5b)和洪水美国(图5c)的季节性模式1032。TCNA和WSEU具有明显的季节性模式1032，而对于美国洪水而言则不那么重要。

图6示出了框图，示意性地示出了时间戳331,…,333的示例性生成。目的是用概率手段捕获单个风险6的时间维度，例如飓风、洪水和地震。技术目标在于构建一系列事件时间(时间戳331,…,333)，与概率(分布)意义上的历史事件时间相同。每个事件时间可以被视为特定事件311,…,313的其自己的时间戳331,…,333，其又被映射到自身。生成结构可以示意性地概括如下：(1)给出历史事件311,…,313的时间序列观察，通过计算有多少事件落入哪个月来建立季节性模式1032。虽然一些危险6在整个特定年份几乎均匀分布，但其他危险，例如WSEU、Flood或TCNA显示出不同的发生模式1032。这是由于他们的季节性。系统1“清理”季节性这一方面的经验(物理)数据；(2)从清理的(抽象)数据中获得调整后的历史数据的到达间隔时间参数(IAT)1012。将估计的或预定义的广义帕累托分布(GPD)10111与该集合匹配，给出参数的估计；即，如果参数拟合理地良好，则自动估计参数；(3)给定这些参数，从GPD(10111)生成大量的IAT 1012样本，并由此导出抽象时间戳331,…,333的有序集合；以及(4)必须重新建立季节性模式。这导致建模的物理时间戳。

图7a和7b示出了框图，示意性地示出了用于两个危险6，TCNA(图7a)和WSEU(图7b)的示例性模拟IAT 1012分布1011。请注意，两者都受到强烈的季节性模式影响，两者都被移动了大约四个月。模拟事件时间(绿点)的分布1011表明与经验IAT的良好一致性。根据图6的步骤2，红色曲线显示校准的GPD 10111。

图8示出了以示例性方式示意性地示出的框图：(A)左：“时间”轴(黑点)被映射在季节性1032调整的时间轴上。根据图5a，从4-9个月的范围被映射到一个小间隔；相应事件的发生概率很小；(B)右：TCNA和WSEU的关联映射S。

图9示出了框图，示意性地示出了示例性构造的时间戳，其模型化IAT 1012在分布1011中等于观察到的IAT。在到达间隔时间方法中，PLS结构33的主干是时间戳331,…,333的构造。这是通过基于连续事件311,…,313之间的等待时间1012的分布1011来完成的。这些时间段被称为到达间隔时间(IAT)1012。

具体实施方式

图1示意性地示出了用于自动化测量和预测系统1的实施例的可能实现的架构，其提供具有复杂聚类结构的发生率的新出现的危险的早期到达间隔时间识别和时间间隔测量，特别是用于相关联的灾难性的风险事件驱动或触发系统的自动预测和暴露信令的系统；特别是，自动风险转移11/12转移具有复杂的低频结构的灾难性或操作性风险事件311,…,313的风险。然而，系统1也适用于其他发生结构，例如具有复杂聚类结构的发生率的高统计事件。通过测量站或传感器90,91,92,…和/或机车中的401,402,…,411,412和/或通过卫星图像处理来测量发生的风险事件311,…,313。测量设备90,91,92,…/401,402,…,411,412的测量传感数据911,912,913,…/4011,4012,…通过适当的数据传输网络2传输到中央核心电路10并且被分配给包括用于每个分配的风险事件的事件参数的历史危险集合31。为了捕获和测量适当的测量传感数据911,912,913,…/4011,…,4012，中央核心电路10包括风险事件驱动的核心聚合器100，其具有用于在风险暴露的单位或个人41,…,45的传感器90,91,92,…/401,…,405和/或测量装置411154的数据流路径921,922,923,…/421,…,425中的触发、捕获和监测。传感器911,912,913,…/401,…,405和/或测量设备911,912,913,…/411,…,415可以例如至少包括用于测量任何地面运动(包括地震产生的地震波、火山爆发和其他地震源)的地震仪或地震仪、在指定区域的关键位置的流量计，在洪水期间测量水在水位以上升高的程度以确定洪水水位，用于(例如根据Saffir-Simpson Scale)建立风力强度的测量设备，用于气压测量和/或海洋温度测量的传感器，特别是海洋表面水的温度，从而确定飓风将行进的方向和潜在的飓风强度(例如，通过浮动浮标确定水温和无线电传输回中央系统)，和/或通过比较图像与飓风的物理特征来估算飓风强度的卫星图像测量。中央核心电路10还包括触发驱动评分模块104，其测量和/或生成单个或一组复合的危险的可变评分参数，即基于触发的、捕获的和监测的测量参数或环境参数描绘危险的发生和/或风格和/或环境条件的危险事件6的发生的测量参数。

风险暴露单位或个人40,41,42,…和/或自动风险转移系统11/12或其他风险事件驱动或触发系统，诸如自动报警系统或暴露改进的自动专家系统等提供有相应的风险转移参数501,…,505/511,…,515或风险暴露和/或发生预测参数。对于自动风险转移和/或自动风险事件覆盖，自动生成信号并从中央核心电路10传输到风险暴露的单位和/或个体40,41,42,…和/或自动风险转移系统11/12。借助于系统1，基于具有与危险集合31的所述灾难性事件311,…,333相关联的严重性/损失341,…,343/321,…,323的测量的频率生成事件严重性/损失集合34/32，其中每个所述风险事件311,…,313创建一组特定的严重性/损失341,…,343/321,…,323。必须注意的是，损失本文用作严重程度的度量，即发生事件311,…,313的测量的影响。因此，在下文中，事件损失集合(32/ELS)和事件严重性集合(34/ESS)可以在大多数情况下使用兼容术语。这同样适用于时段损失集合(33/PLS)和时段严重性集合(35/PSS)以及相关联参数，例如，参数341,…,343/321,…,323和351,…,353/331,…,333。

组合时段严重性/损失集合35/33记录与分配给生成的时间戳331,…,333的事件严重性/损失集合(ESS/ELS)34/32的风险事件311,…,313相关联的事件严重性/损失341,…,343/321,…,323。时段损失集合(PLS)33提供事件严重性/损失集合(ESS/ELS)34/32的测量和/或概率建模事件的基于相应时间的日志记录，其中生成包括编码时间数据序列的时间戳351,…,353/331,…,333并将其分配给事件严重性/损失集(ESS/ELS)34/32的每个事件341,…,343/321,…,323，并且其中特定时间戳351,…,353/331,…,333将出现识别为测量到特定事件的时间点。

时间戳331,…,333使用相应生成的到达间隔时间参数(IAT)1012的自动和/或动态估计或预定义分布1011来构造。所述分布1011不需要预先定义或预先给定，但是，作为一个优选实施例变型，借助于系统自动估计它是该组数据的最佳拟合分布。有一些理论证据支持广义帕累托分布10111，正如数据中所示；然而，系统1也可以由其他分布1011估计、选择和/或应用。到达间隔时间参数(IAT)1012捕获组合的时段损失集合(PLS)33的连续事件31133之间的等待时间。等待时间(IAT)测量两个连续测量的风险事件311,…,313的发生之间的时间间隔，风险事件311,…,313的发生可以通过时间间隔随时间跟踪。估计的或预定义的分布1011可以至少包括特定于危险的时间聚类1031和/或季节性发生模式1032。所述估计的或预定义的分布1011还可以基于相关的时间比例因子1033来构造，至少包括厄尔尼诺/南部涛动(ENSO)和/或大西洋多年代际涛动(AMO)和/或北大西洋涛动(NAO)和/或全球变暖回归期梯度。外部全球大时间规模驱动因素1034的影响可以例如由系统1通过使用观察到的历史来隐含地考虑，用于校准大气危险的时间戳331,…,333。所述估计的或预定义的分布1011可以例如通过动态地分配和测量用于动态调整发生风险的领先风险指标来进一步构造。

在现有技术中，如果需要考虑事件的聚类，则在聚类中经常使用负二项分布结构。在广义帕累托到达间隔时间和负二项分布之间存在联系，在某种意义上，负二项分布是通过将泊松分布与伽马分布混合得到的，即如果n～P_Oi(λ)|λ～Γ(α，β)则n～NB(r，p)，其中r＝α和p＝1/(β+1)。因此，在计数结构的领域中，在到达间隔时域中负二项分布的构造和应用与广义泊松分布的构造相同。然而，必须指出，根据GPD分配的到达间隔时间的计数结构不对应于负二项分布。这基本上可以追溯到以下事实：对于广义的帕累托分布的到达间隔时间，记忆存储多年，而在负二项式情况下在每个新年的开始时丢失。这表明，没有任何到达的时段的概率明显更高。

取决于系统1的应用，基于到达间隔时间的自动化系统1独立地应用于个体自然灾害也是有利的。如果两种危险都受到相关季节性模式1032的影响，则可以通过系统通过季节性依赖的分布结构自动捕获危险之间的时间相关性。需要注意的是，在过去几年中，具有非直接覆盖(例如二次事件覆盖，多年和季节性覆盖)的时间风险转移条件的系统和技术解决方案的比例已显著增加。因此对于定价和容量管理，明确考虑时间维度很重要。然而，对于现有技术的系统，至今在技术上不可能自动捕获季节性发生模式1032。系统1的时间戳331,…,333结构在技术上允许概率地捕获和预测事件6的到达时间，使得时间戳331,…,333的集合33与分布1011中的观察和物理测量数据相同。该结构基于到达间隔时间(IAT)1012，即连续事件时间331,…,333之间的时间段。本技术方案和系统1为自然科学和数学提供了坚实的工程和科学基础。本发明系统的一个重点领域在于测量、预测、捕获和建模自然灾害的到达时间。系统1的使用不限于自然灾难(NatCat)事件。它旨在涵盖：危险特定时间聚类和季节性发生模式。该系统的技术结构还允许明确地结合其他影响因素，例如上述AMO、ENSO。

关于现有技术系统，多年来，必须再次强调以下事实：自动的现有技术系统中的NatCat的技术框架基于所谓的事件集合。在这种情况下，事件集合由每个危险(危险集合)的概率事件集合组成，其中每个事件都具有发生频率。例如，在评估或评级风险暴露单位或个人41,…,45的组装或组合时，这些系统会在脆弱性曲线的帮助下为每个事件分配损失。事件、它们的频率和相应的损失最终总结在所谓的事件损失集合(ELS)32中。这样的事件损失集合32用作构建暴露曲线的基础，其反过来用于生成相应风险转移((再)保险)系统的技术风险转移和支付转移(定价)参数。虽然在标准覆盖的暴露计算中使用暴露曲线是透明且非常有效的，但是当涉及捕获或生成复杂的风险转移结构时，该现有技术方法具有局限性。由于这些非标准覆盖近年来变得越来越重要，因此需要补充现有技术框架并根据新的技术要求进行扩展。为此目的，并且为了克服这些限制，本发明提供了用于自动暴露测量、预测和建模的本新的概率结构，其被称为时段损失集合(PLS)33。时段损失集合(PLS)33是事件损失集合(ELS)的延伸32。其构建基本上分三步：(1)从危险集合开始，其中的每个事件都会产生特定于组合的损失。从相应的ELS 32，可以构造损失频率曲线。下一步明确介绍时间；(2)事件发生的时间点(时间戳)由本发明特定的到达间隔时间(IAT)结构建模。下面详细描述该结构。生成的时间戳331,…,333的最重要的技术“约束”是预测或建模的到达间隔时间(IAT)1012必须等于分布1011中观察到的到达间隔时间(IAT)1012；(3)一旦设定时间戳331,…,333，ELS 32的损失就分配给每一个。为此，参见图2，示出了框图，示意性地示出了涉及三种类型危险的示例性时段损失集合(PLS)33，EQ：地震，FL：洪水，TC/WS：热带气旋/风暴。

然后可以在PLS 33上为相关的时间段(例如，一年)生成第一和/或第二风险转移参数501,…,505/511,…,515和/或第一和/或第二支付转移参数1121,…,1125/1221,…,1225，即使对于复杂的总体风险转移((再)保险)结构，也能产生准确的损失预测或估计。需要预测时段的长度来提供稳定的度量和操作条件，例如年度预期损失和预期短缺。借助于PLS 33结构的技术方法的主干是时间戳331,…,333的构造。在时间戳331,…,333上构建PLS 33明确地将时间维度引入到暴露测量、预测和建模中。在现有技术中提出的基于暴露曲线的方法中，时间维度仅通过聚合中的频率模型发挥作用。相反，时间戳331,…,333允许表示特定于危险的时间聚类以及用于年内发生模式的准确反映。这是可能的，因为本发明对每个危险的时间维度在概率上建模。时间戳331,…,333结构独立地适用于个体自然灾害。如果两种危险都受到相关季节性模式的影响，则危险之间的时间相关性通过季节性自然产生。在一个实施例变型设置中，未明确捕获外部全球大时间规模驱动因素(例如AMO和ENSO)的影响。然而，必须指出的是，通过使用观察到的历史记录来校正时间戳331,…,333以获得大气危险，隐含地考虑这些驱动因素。由于其广泛的适用性，PLS 33允许对不同的危险进行平等处理，从而实现整个Nat Cat组装或组合的一致风险转移和定价。因此，它保证了风险转移参数、支付转移参数(定价)以及年度汇总的一致性。此外，当前设置用作未来扩展或要求的基础，例如包括地震余震、显式ENSO建模或时间相互关联。

如上所讨论的，估计的或预定义的分布1011可以优选地通过广义帕累托分布(GPD)10111来构造，GPD分布式IAT 1012拟合测量的或经验的历史危险集合31。在事件是用伽马10112分布式随机比例参数λ进行泊松分布的情况下，GPD 10111自然出现。围绕其平均值的λ分布1011由该比例参数λ的外部引起的波动设定。比例参数λ的操作设定可以例如至少包括技术边界条件i)比例参数λ确实位于正值范围内，以及ii)比例参数λ采用唯一的最可能值，其中，借助于条件i和ii，所述估计的或预定义的分布被设定为单峰分布，其具有对随机比例参数λ的非负支持。对于时间戳331,…,333的设定，用于估计的或预定义的分布的物理相关参数空间作为广义帕累托分布10111可以例如包括以下技术边界条件(i)到达间隔时间的非负下阈值μ，(ii)正比例参数σ，(iii)存在平均到达间隔时间，其中形状参数满足0<ξ<1，并且(iv)被截断的到达间隔时间小于T。

用于信号传送的相应风险转移参数501,…,505/511,…,515由中央核心电路10基于所述时段损失集合33评估和生成，所述时段损失集合33包括时间戳参数331,…,333和特定时间范围的损失321,…,323。

到达间隔时间(IAT)1012分布和本发明技术结构的背景的特征在于在特定位置随机发生的事件的理想化随机结构，这是更新过程。相应的时间事件通常被称为“到达”。连续到达之间的时间间隔称为到达间隔时间(IAT)1012。基本假设是到达间隔时间(IAT)1012独立且相同地分布。该过程从到达间隔时间(IAT)1012的分布借用其基本属性。最常见的更新过程是泊松过程。它的特点是，到达间隔时间根据具有比例参数λ的指数分布分布，其中比例λ∈(0，∞)，支持x∈(0，∞)，假设概率密度函数(pdf)将是f(x)＝λe^-λx，并且假设累积分布函数(cdf)为F(x)＝1-e^-λx。具有比例参数λ的泊松过程的平均IAT是

泊松过程通常被选为底层结构，因为它提供了一系列使处理更容易的属性。

在本发明中，采用广义帕累托分布(GPD)10111的类别的到达间隔时间分布1011。选择用于IAT 1012的分布1011的GPD 10111的原因是双重的。首先，经验数据显示观察到的数据和GPD 10111分布式IAT 1012非常一致。其次，对该选择有理论上的支持，这将在下面概述。还讨论了从使用GPD 10111作为估计或预定义分布1011的一些相关属性和含义。

支持广义帕累托分布10111有两个主要原因。一个是数学的，另一个是物理的。当假设事件是泊松分布时，即根据泊松分布分布到达的数量时，我们就固定比例参数λ达成一致，这可能被视为速率或反向强度：“此事件随着一些固定速率λ。”但可能是这个参数受到其他因素或事件的影响，例如：另一事件触发了事件的发布；物理条件，如温度变化，从而改变释放速率。因此，将事件源视为实际开放系统使得将参数λ建模为随机变量是合理的。λ在其均值附近的分布表示该参数的外部引起的波动。

关于λ的基本知识包括(i)λ是非负的，而(ii)λ具有唯一的最可能值。这些条件可以通过使用具有非负支持随机变量λ的单模态分布来反映。满足上述要求的分布是具有形状参数α≥1和比例参数β>0的伽马分布。如果假设基本过程是泊松更新过程，其比例参数是随机的并且是根据伽马分布而分布的，则到达间隔时间(IAT)τ根据广义帕累托分布(GPD)10111分布。

如果τ～Exp(λ)|λ～Γ(α，β)，则τ～GPD(ξ，σ，μ)

形状参数ξ＝1/α，比例参数σ＝β/α；位置参数为零，μ＝0。换句话说，GPD 10111作为指数和伽马分布的混合而出现。由于在消失ξ的极限中，GPD 10111成为指数分布，因此GPD更新过程推广了泊松过程。

在用于概率暴露建模的时间戳331,…,333的设置中，用于广义帕累托分布10111的物理相关参数空间由以下条件控制：出于显而易见的原因，到达间隔时间1012的下阈值为零，因此μ≥0。此外，伽马函数的条件是需要具有唯一的最可能值。这意味着函数的模式必须存在，即α≥1的情况。此外，如果需要存在平均到达间隔时间1012，则形状参数必须满足0≤ξ<1。因此，GPD 10111的物理相关参数空间由(i)比例：σ>0，(ii)形状：0≤ξ<1，(iii)位置：μ≥0给出。对于GPD 10111更新过程的平均到达间隔时间由以下设定：

时间戳331,…,333的生成需要考虑例如对于适当的风险转移参数或支付转移参数(定价)目的所需的特定时间分辨率。例如，这可以是两个连续事件之间的报告阈值，实际上，例如，按小时顺序设定。虽然到达间隔时间1012的下限阈值已经包含在广义帕累托分布10111中，但是也可能需要到达间隔时间1012的上限。例如，这可以是内部构建结构和模型的情况。因此，对于本发明的系统，IAT 1012的分布1011在技术上被截断为某个值截断T，其中T>μ。得到的截断的广义帕累托分布GPD_T(ξ，σ，μ，T)是用于在PLS33中构造的时间戳331,…,333的那个。

为了说明截断的广义帕累托分布的参数化，有意地将参数化限制在物理相关的参数空间中，其中参数是：位置μ∈(O，∞)；比例σ∈(O，∞)；形状ξ∈(O，1)；截断点T∈(μ；∞)；支持度为μ≤x≤T；概率密度函数(PDF)是连续随机变量的密度，并给出该随机变量采用给定值的相对可能性，在这里可以为

在x处给出的实值随机变量X的累积分布函数(CDF)是X将取小于或等于x的值，并给出该随机变量取得给定值的相对可能性，在这里可以为

并且均值可以为

其中

因此，可以得出结论

其中

并且C＝σ+ξ(1-μ)≥σ，C_μ＝σ-ξμ+μ，C_T＝σ-ξμ+1＞C_μ。

截断函数tr(.，T)严格增加且凹陷，而对于T→∞。

如上所述，得到的截断的广义帕累托分布GPD_T(ξ，σ，μ，T)是用于在PLS 33中构造的时间戳331,…,333的那个。这包括截断下的平均到达间隔时间1012，即由于以下，截断减少了平均到达间隔时间

其中tr(.，T)＜1描述截断IAT-分布的分布1011的影响。

在时间和/或空间域中聚类(clustering)似乎是自然界中普遍存在的现象。聚类的物理原因很多。有些追溯到大规模复杂系统中的复杂依赖关系。历史数据显示存在各种危险的时间聚类。因此，为了准确捕获这些自然灾害的时间维度，必须建立一个能够适应时间聚类的结构框架。

关于可比较的自动化现有技术系统，重要的是要注意泊松过程中没有聚类。在泊松过程中，每个时间单位的频率偶然增加(所谓的泊松聚集或泊松突发)自然发生，这仅仅是由于到达间隔时间1012的统计波动。实际上，正是这些团块解释了泊松分布的尾部的特征形状。因此，在任何有限时间间隔内找到超过n个事件的“聚类”存在非消失概率。作为示例，可以计算概率以在时间间隔中找到至少n个事件，其等于泊松过程的平均到达。(即，平均而言，在该间隔中仅存在一个事件。)图3示出了示意性地示出的框图：(A)左：典型的泊松到达模式。选择参数，因此，平均而言，一年内有1.2个事件；(B)右：事件数n(x轴)与概率，其中事件总数n的出现次数为1。请注意，在一年内发现至少3个事件的概率约为2％。

如果估计的或预定义的IAT分布1011是GPD 10111，则可具有用于聚类的简单度量，其是控制GPD 10111的衰减的形状参数ξ。这里和下面，假设0≤ξ<1。对于ξ>0，分布是重尾的，而在极限ξ→0时，GPD变为指数分布。因此，ξ是聚类程度的度量：如果ξ＝0，即在指数情况下，聚类程度为零。

在GPD 10111结构中，聚类程度与比例参数λ的不确定性直接相关。对于本发明的系统1，尾部参数ξ与伽马分布的方差有关，如这种关系可以改述为：泊松(比例)参数的不确定性越大，聚类越强。如果伽马分布的不确定性消失，则参数ξ仅消失，对于固定的X，如果β→∞则是这种情况。因此，泊松过程出现在关于比例参数λ的完全知晓的限度内。换句话说：使用泊松过程构造事件的数量隐含地假定用户具有完全知晓关于泊松参数。图4示出了示意性地示出用于具有广义帕累托分布(GPD)10111的更新过程的事件311,…,313的时间戳331,…,333的框图：(左)ξ＝0泊松过程，(右)ξ＝1/3。在这两种情况下，每年的平均事件数量均为1.2。

已经将ξ定义为聚类程度，为了理解本发明的系统1，重要的是询问相关的记忆。在诸如泊松过程的现有技术系统所使用的无记忆过程中，直到下一事件的时间与自上一事件以来的时间无关。对于GPD分布1011的更一般情况，如在本发明系统1中所使用的，考虑到自上次事件以来已经过去一些时间，询问预期事件发生的时间。对于本发明的GPD 10111到达间隔时间1012，该预期值为：

其中设置μ＝0以简化。对于ξ＝0，预期的到达间隔时间参数1012与自上次事件以来经过的时间无关，这反映了泊松过程无记忆的事实。然而，对于ξ>0，观察到直到下一个事件的预期IAT 1012在两个参数(自上一个事件的经过时间和聚类程度ξ)中都增加。这尤其意味着，对于ξ>0，直到下一个事件的平均时间增加，过去的最后一个事件发生的时间越晚。

由广义帕累托IAT分布控制的更新过程的记忆与聚类程度有关。如果表示IAT的分布并且t表示自上次事件以来经过的时间，则发生该事件的概率，即IAT大于t的概率，可由下式给出：

这种情况在技术上可用于生成和选择即，到达间隔时间分布的分布函数条件是以自上次事件所经过的时间t为

使用条件的到达间隔时间分布系统能够产生到达间隔时间的预期值，因为t是自上次事件以来经过的时间

对于本系统，可以设置为(μ＝0，为简单起见)，因此

因此，通过本系统结构，到下一个事件的平均时间确实取决于形状参数

当且仅当ξ→0，即在泊松极限内时，如所预期的那样消失。

以下陈述显示了到达间隔时间1012的任何重尾分布，特别是对于选择的具有ξ>0的GPD 10111：平均来说，自上次事件以来已经越长，直到下一次事件到达间隔时间越长。这个陈述反映了聚类：短的IAT 1012更可能跟随短聚类，而长的IAT更可能跟随长聚类。

许多自然灾害在一年期间表现出特征性的发生模式。也就是说，事件的发生(在某个位置)可能被绑定到一年中的某些时间段，例如，出于物理原因。该发生模式被称为季节性模式1032。季节性模式1032报告事件到达的概率在一年内不是均匀分布的，但是可以示出事件到达更可能、更不可能或甚至被抑制的时间段。WSEU和TCNA是明显的季节性模式1032的示例。图5a-c示意性地示出了热带气旋北美(TCNA)(图5a)，冬季风暴欧洲(WSEU)(图5b)和洪水美国(图5c)的季节性模式1032的框图。TCNA和WSEU具有明显的季节性模式1032，而对于美国洪水而言则不那么重要。在对到达间隔时间1012感兴趣的同时，问题出现在季节性模式1032是否出现在IAT的分布中。答案是肯定的。如图5所示，经验性IAT(蓝点)的分布显示出与基础GDP 1011(红色曲线)的“膝盖状”偏差。季节性模式1032越明显，“膝盖”越明显。因此，构建和建模IAT 1012需要考虑危险6的季节性模式1032。

对于季节性1032的技术结构，季节性模式1032通过应用变换S^-1被记入产生IAT1012的随机过程中，详细信息参见图4。这种局部缩放以这样的方式完成，即一个月中没有事件到达的权重为零。类似地，月份的权重越高，事件可能在该月份到达的可能性越高。局部缩放变换的动作是在一年内分配事件时间331,…,333，以便通过构造再现季节性模式1032。该变换的动作显示在图8中，示出了示意性地示出示例的框图：(A)左：“时间”轴(黑点)被映射在季节性1032调整的时间轴上。由于图5，从4-9个月的范围被映射到一个小间隔；相应事件的发生概率很小；(B)右：TCNA和WSEU的关联映射S。例如，可以为热带气旋北美(TCNA)和冬季风暴欧洲(WSEU)提供服务。5月至8月，冬季暴风雪或暴风雪的频率为零；因此，这些月份的权重为0。对于TCNA，1月至4月的时间段的权重为零。

对于所应用的局部时间变换，在此表示为S，重要的是要注意，本发明的系统基于测量的并因此基于观察到的事件，其到达间隔时间是物理实体，即年、月。另一方面，系统1在抽象参数空间中生成并模拟到达间隔时间。因此，系统的结构必须构建物理时间和抽象时间之间的关系。两者之间的形式差异在于物理时间具有诸如月或小时的维度，而抽象时间中的实例是无量纲的；实际上他们是真实的数字。因此，技术上有两个层次，必须清楚地区分。

在系统中，变换S将物理时间单位年映射到模拟中的(无量纲)单位间隔。这如下完成：{π_k}表示从某种分布中抽取的IAT序列。然后是第n个事件的事件“时间”。使用年份标识t_n的整数部分，其余部分代表年内位置。相应的单位间隔(0,1)被划分为N个相等的区间m，例如，如果N＝12，则m＝1,…,12个月。其他单位是可能的，如小时。箱体的选择取决于所需的时间分辨率。为了直觉，我们在下面将这些箱体称为“月”。f_m表示第m个月的到达次数。则在箱体m中到达的经验频率是显然{f_m}是单位间隔的分区，并且近似于该月中到达的概率。对于本系统，定义本地时间变换S为

这种变换结构为模拟域中的每个(物理)“月”提供了一个长度，该长度等于该月的经验到达频率。观察到许多事件的月份，获得模拟单元的(相对)较大部分。通过这种技术结构，模拟事件时间的频率分布与观察到的模式相同(参见图8)。逆变换S^-1允许在系统的事件生成中描述经验季节性模式，其根据季节性模式在本地缩放“时间”轴。例如，考虑WSEU。WSEU的映射S由图8中的一系列红点在右侧表示。这些应与图5a中的季节性模式进行比较。风暴在5到8个月内具有零频率；第5个月到第8个月有宽度为0的箱。显然，如果季节性模式(几乎)是均匀的，即所有月份的频率都相同，那么所有箱都有(几乎)相同的尺寸，反映整个月都有(几乎)相同概率的事实。这意味着S是(接近)线性映射。重要的是要注意，映射S由观察到的数据唯一确定。无需进一步建模或技术校准。

系统1现在准备自动捕获和建模时间戳331,…,333。目的是概率地构建单一风险6的时间维度，例如飓风、洪水和地震。因此，目的是构建一系列事件时间(时间戳331,…,333)，其与概率(分布)意义上的历史事件时间相同。每个事件时间可以被视为特定事件311,…,313的时间戳331,…,333，然后将被映射到时间戳。建模结构可以示意性地概括为：(1)给出历史事件311,…,313的时间序列观察，通过计算有多少事件311,…,313落入哪个月来建立季节性模式1032。虽然一些危险6在一年中几乎均匀分布，但其他事件，如WSEU、洪水或TCNA显示出不同的发生模式1031,…,1034。这至少是由于他们的季节性1032。系统1“清理”这个季节性1032的经验(物理)数据；(2)从清理的(抽象)数据中，获得经调整的历史数据的IAT 1012。该集合自动匹配GPD 10111。如果拟合得相当好，则生成并估计参数；(3)给定这些参数，从GPD 10111生成大的IAT 1012样本，并且从该样本导出抽象时间戳331,…,333的有序集合；以及(4)最后，必须重新建立季节性模式1032。这导致结构化物理时间戳331,…,333。图6示出了示意性地示出时间戳331,…,333的这种示例性生成的框图。

图7a和7b示出了两种危险的模拟IAT分布1011、TCNA(7a)和WSEU(7b)。请注意，两者都受到强烈的季节性模式1032的影响，两者都被位移了大约四个月。模拟事件时间1011(绿点)的分布显示出与经验IAT 1012的良好一致。如上所述，红色曲线显示由于步骤2而校准的GPD 10111。对于图7a和7b以及热带气旋北大西洋(7a)和欧洲风暴(7b)的经验和模拟IAT分布1011，模拟中的样本大小在两个例子中为2mio。红色曲线显示GDP 10111，校准到经验性IAT 1012。

自动化的基于到达间隔时间的系统1可以例如包括一个或多个第一风险转移系统11，以基于从至少一些风险暴露单位41,…,45和/或个人到第一风险转移系统11之一的所述第一生成风险转移参数501,…,505提供第一风险转移。第一风险转移系统11可以例如包括多个支付转移模块113，其被配置为接收和存储112与所述风险暴露单位41,…,45的风险转移风险转移相关联的第一支付参数1121,…,1125，用于汇集风险51,…,55。基于第一风险转移参数501,…,505和相关的第一次支付转移参数1121,…,1125，第一风险转移系统11自动覆盖风险暴露单位41,…,45的发生和触发的损失。基于到达间隔时间的自动化系统1还可以例如包括第二风险转移系统12，用于基于所生成的第二风险转移参数511,…,515来提供从第一风险转移系统11中的一个或多个到第二风险转移系统12的第二风险转移。第二风险转移系统12可以例如包括第二支付转移模块123，其被配置为接收和存储122第二支付参数1221,…,1225，用于汇集与转移到第一风险转移系统11的风险暴露相关联的第一风险转移系统11的风险。基于第二风险转移参数511,…,515和相关的第二支付转移参数1221,…,1225，由第二风险转移系统12至少部分地自动覆盖发生和触发的损失。

附图标记列表

1 自动化基于到达间隔时间的系统

10 中央核心电路

100 风险事件驱动的核心聚合器

1001 测量数据驱动的触发器

101 IAT发生器

1011 估计或预定义的分布

10111 广义帕累托分布(GPD)

10112 伽马函数

1012 到达间隔时间参数(IAT)

102 信号模块

103 聚类模块

1031 危险特定时间聚类

1032 季节性发生模式

1033 时间比例因子

1034 外部全球大时间规模驱动因素

104 触发驱动评分模块

11 第一风险转移系统

111 自动资源池系统

112 第一数据存储

1121,…,1125 第一支付参数

113 第一支付转移模块

114 生成的风险转移简档

12 第二风险转移系统

121 自动资源池系统

122 第二数据存储

1221,…,1225 第二支付参数

123 第二支付转移模块

1231 控制设备

1232 激活控制参数

124 激活阈值参数

125 预定损失覆盖部分

2 数据传输网络

20 蜂窝网络网格

21 单向或双向数据链路

3 事件数据存储

31 测量的危险设定

311,…,313 具有测量参数的发生风险事件

32 事件损失集合(ELS)

321,…,323 测量的频率参数及相关联的损失

33 时段损失集合(PLS)

331,…,333 生成的时间戳

34 事件严重性集合(ESS)

341,…,343 具有相关联的测量严重性参数的测量的频率参数

35 时段严重性集合(PSS)

351,…,353 生成的时间戳

41,…,45 风险暴露的单位或个人

401,402,…,411,412,… 传感器和测量设备

4011,…,4012,… 测量设备的传感数据

421,…,425 传感器和测量设备的数据流路径

5 聚合的风险暴露

51,…,55 风险暴露单位的转移风险暴露

501,…,505 第一风险转移参数

511,…,515 第二风险转移参数

6 预定义的风险事件

61 与损害赔偿责任范围相关的预定义风险事件

611,…,613 测量事件61发生的参数

62 与损失责任范围相关的预定义风险事件

621,…,623 测量事件62发生的参数

63 与延迟交付责任范围有关的预定义风险事件

631,…,633 测量事件63发生的参数

7 基于到达间隔时间的测量和预测

71 灾难性事件的早期识别

711,…,715 新出现的危险的早期识别参数

72 时间间隔测量和灾难性事件的预测

721,…,725 新出现的危险的时间间隔参数

80 聚合的损失参数

81 聚合的支付参数

82 可变损失率参数

821 损失率阈值

90,91,92,… 测量站和传感器

911,912,913,… 按时间顺序测量发生的风险事件

921,922,923,… 传感器和测量设备的数据流路径

Claims (29)

1.一种测量和预测系统，提供具有复杂聚类结构的发生率的新出现危险的早期到达间隔时间识别和时间间隔测量，其中所述系统(1)包括测量站或传感器(90,91,92,…/401,402,…,411,412)用于通过测量的传感数据(4011,4012,…)测量将发生的风险事件(311,…,313)，其中所述系统(1)包括用于将测量设备(90,91,92,…/401,402,…,411,412)的测量的传感数据(911,912,913,…/4011,4012,…)传输到中央核心电路(10)的数据传输网络(2)，所述测量的传感数据(911,912,913,…/4011,4012,…)被分配给历史危险集合(31)，其包括每个分配的风险事件的事件参数，其中为了捕获和测量适当的测量的传感数据(911,912,913,…/4011,4012,…)，所述中央核心电路(10)包括风险事件驱动的核心聚合器(100)，其具有测量数据驱动的触发器(1001)，用于在所述传感器(90,91,92,…/401,…,405)和/或测量设备(411,…,415)的数据流路径(921,922,923,…/421,…,425)中触发、捕获和监测，所述测量和预测系统通过所述中央核心电路(10)的信号传送向相关联的自动设备提供风险暴露和/或发生预测参数，并且其中借助于所述系统(1)，基于所测量的频率以及所述危险集合(31)的所述风险事件(311,…,313)的相关联严重性(341,…,343)生成事件严重性集合(34)，每个所述风险事件(311,…,313)产生设定的特定严重性(341,…,343)，其特征在于，

组合了时段严重性集合(35)来记录分配给生成的时间戳(351,…,353)的事件严重性集合(34)的事件严重性(341,…,343)，其中所述时段损失集合(35)提供事件严重性集合(34)的测量事件的基于相应时间的日志记录，其中生成包括编码时间数据序列的时间戳(351,…,353)并将其分配给事件严重性集合(34)的每个事件(341,…,343)，并且其中特定时间戳(351,…,353)标识作为测量特定事件的时间点的出现，

时间戳(351,…,353)是使用相应生成的到达间隔时间参数(1012/IAT)的估计或预定义的分布(10111)而自我维持的构造，其中到达间隔时间参数(1012)捕获时段严重性集合(35)的连续事件(311,…,313)之间的等待时间，并且其中等待时间测量风险事件(311,…,313)的两次连续测量的发生之间的时间间隔，能够通过所述时间间隔随时间跟踪风险事件(311,…,313)的发生，并且

基于包括时间戳参数(351,…,353)和特定时间范围的严重性(341,…,343)的所述时段严重性集合(35)，由所述中央核心电路(10)评估和生成相应的早期识别参数或预测时间间隔参数(711,…,715/721,…,725)。

2.根据权利要求1所述的基于到达间隔时间的自动系统(1)，其特征在于，所述估计或预定义的分布(1011)至少包括危险特定时间聚类(1031)和/或季节性发生模式(1032)。

3.根据权利要求1或2之一的基于到达间隔时间的自动系统(1)，其特征在于，所述估计或预定义的分布(1011)还基于相关的时间比例因子(1033)构造，至少包括厄尔尼诺/南方涛动(ENSO)和/或大西洋多年代际涛动(AMO)和/或北大西洋涛动(NAO)和/或全球变暖回归期梯度。

4.根据权利要求1至3中任一项所述的基于到达间隔时间的自动系统(1)，其特征在于，通过使用观察到的历史来校准大气危险的时间戳(331,…,333)，所述系统(1)隐含地考虑外部全球大时间规模驱动因素(1034)的影响。

5.根据权利要求1至4中任一项所述的基于到达间隔时间的自动系统(1)，其特征在于，所述估计或预定义的分布(1011)还通过动态分配和测量领先风险指标来构造，以动态适配于发生风险。

6.根据权利要求1至5中任一项所述的基于到达间隔时间的自动系统(1)，其特征在于，所述基于到达间隔时间的自动系统(1)独立地应用于个体自然灾害。

7.根据权利要求1至6中任一项所述的基于到达间隔时间的自动系统(1)，其特征在于，如果两个危险都受到相关季节性模式(1032)的影响，则通过依赖于季节性的分布结构自动捕获危险之间的时间相关性。

8.根据权利要求1至7中任一项所述的基于到达间隔时间的自动系统(1)，其特征在于，所述估计或预定义的分布(1011)通过广义的帕累托分布(10111/GPD)构造，GPD(10111)分布式IAT(1012)拟合测量或经验历史危险集合(31)。

9.根据权利要求8所述的基于到达间隔时间的自动系统(1)，其特征在于，GPD(10111)由随机比例参数λ缩放，其中λ围绕其平均值的分布(1011)由该比例参数λ的外部引起的波动设定。

10.根据权利要求9所述的基于到达间隔时间的自动系统(1)，其特征在于，所述比例参数λ的操作设置至少包括技术边界条件i)所述比例参数λ确实在正值范围内，以及ii)比例参数λ采用唯一的最可能值，其中借助于条件i)和ii)将所述估计或预定义的分布设定为具有对于随机比例参数λ的非负支持的单峰分布。

11.根据权利要求8至10中任一项所述的基于到达间隔时间的自动系统，其特征在于，对于时间戳331,…,333的设置，作为广义帕累托分布(10111)的估计或预定义的分布的物理相关参数空间包括技术边界条件：(i)到达间隔时间的下阈值为零，(ii)估计或预定义分布(1011)的伽马函数(10112)采用唯一的最可能值，以及(iii)平均到达间隔时间(1012)存在，其形状参数满足0<ξ<1。

12.根据权利要求1至11中任一项所述的基于到达间隔时间的自动系统，其特征在于，所述时间戳(351,…,353)的自我维持的结构使用相应生成的到达间隔时间参数(1012/IAT)的分布(10111)，该自我维持的结构由机器学习单元提供，其中时间戳(351,…,353)被转移到机器学习单元，作为与使用严重性参数(341,…,343)关联的非平稳非线性模式，作为不同系列时间戳(351,…,353)中发生事件(311,…,313)的影响。

13.根据权利要求12所述的基于到达间隔时间的自动系统，其特征在于，所述机器学习单元基于提供所述时间戳(351,…,353)的实时结构的人工神经网络结构或支持向量机结构。

14.根据权利要求12所述的基于到达间隔时间的自动系统，其特征在于，每次传送到机器学习单元的参数包括与测量的事件发生(311,…,313)相比大时间窗口的完整且自适应的扩展历史参数(351,…,353)链。

15.根据权利要求1至14中任一项所述的基于到达间隔时间的自动系统(1)，其自动预测、暴露信令、引导和操作灾难性风险事件驱动或触发系统，所述灾难性风险事件驱动或触发系统由具有复杂聚类结构的发生率的灾难性或操作风险事件(311,…,313)的测量的发生所触发，其中所述系统(1)包括测量站或传感器(90,91,92,…)和/或机车中的测量站或传感器(401,402,…,411,412)，用于通过测量的传感数据(4011,4012,…)测量将发生的风险事件(311,…,313)，其中所述系统(1)包括用于将测量设备(90,91,92,…/401,402,…,411,412)的测量的传感数据(911,912,913,…/4011,4012,…)传输到中央核心电路(10)的数据传输网络(2)，所述测量的传感数据(911,912,913,…/4011,4012,…)被分配给历史危险集合(31)，其包括每个分配的风险事件的事件参数，其中为了捕获和测量适当的测量的传感数据(911,912,913,…/4011,4012,…)，所述中央核心电路(10)包括风险事件驱动的核心聚合器(100)，其具有测量数据驱动的触发器(1001)，用于在所述传感器(90,91,92,…/401,…,405)和/或测量设备(411,…,415)的数据流路径(921,922,923,…/421,…,425)中触发、捕获和监测，通过所述中央核心电路(10)的信号传送，所述风险事件驱动或触发系统具有风险暴露单位(41,…,45)的相应风险转移参数(501,…,505/511,…,515)或风险暴露单位(41,…,45)的风险暴露参数和/或发生预测参数，并且其中借助于所述系统(1)基于测量的频率以及危险集合(31)的所述风险事件(311,…,313)的相关联损失(321,…,323)生成作为事件影响的度量的事件损失集合(32)，每个所述风险事件(311,…,313)产生设定的特定损失(321,…,323)，其特征在于，

组合了时段损失集合(33)来记录分配给生成的时间戳(331,…,333)的事件损失集合(32)的事件损失(321,…,323)，其中所述时段损失集合(33)提供事件损失集合(32)的测量事件的基于相应时间的日志记录，其中生成包括编码时间数据序列的时间戳(331,…,333)并将其分配给事件损失集合(32)的每个事件(321,…,323)，并且其中特定时间戳(331,…,333)标识作为测量特定事件的时间点的出现，

时间戳(331,…,333)是使用相应生成的到达间隔时间参数(1012/IAT)的估计或预定义的分布(10111)而构造的，其中到达间隔时间参数(1012)捕获时段损失集合(33)的连续事件(311,…,313)之间的等待时间，并且其中等待时间测量风险事件(311,…,313)的两次连续测量的发生之间的时间间隔，能够通过所述时间间隔随时间跟踪风险事件(311,…,313)的发生，并且

基于包括时间戳参数(331,…,333)和特定时间范围内的损失(321,…,323)的所述时段损失集合(33)，由所述中央核心电路(10)评估和生成用于信号传送的相应风险转移参数(501,…,505/511,…,515)。

16.根据权利要求15所述的基于到达间隔时间的自动系统(1)，其特征在于，所述灾难性风险事件驱动或触发系统是自动灾难性风险事件驱动或触发的风险转移系统，其中所述自动的风险转移系统(11/12)提供有相应的风险转移参数(501,…,505/511,…,515)，用于通过所述中央核心电路(10)的信号传送实现自动风险转移和/或自动风险事件覆盖。

17.根据权利要求15或16之一所述的基于到达间隔时间的自动系统(1)，其特征在于，所述估计或预定义的分布(1011)至少包括危险特定时间聚类(1031)和/或季节性发生模式(1032)。

18.根据权利要求15至17中任一项所述的基于到达间隔时间的自动系统(1)，其特征在于，所述估计或预定义的分布(1011)还基于相关的时间比例因子(1033)构造，至少包括厄尔尼诺/南方涛动(ENSO)和/或大西洋多年代际涛动(AMO)和/或北大西洋涛动(NAO)和/或全球变暖回归期梯度。

19.根据权利要求15至18中任一项所述的基于到达间隔时间的自动系统(1)，其特征在于，通过使用观察到的历史来校准大气危险的时间戳(331,…,333)，系统(1)隐含地考虑外部全球大时间规模驱动因素(1034)的影响。

20.根据权利要求15至19中任一项所述的基于到达间隔时间的自动系统(1)，其特征在于，所述估计或预定义的分布(1011)还通过动态地分配和测量领先风险指标来构造，以动态适配于发生风险。

21.根据权利要求15至20中任一项所述的基于到达间隔时间的自动系统(1)，其特征在于，所述基于到达间隔时间的自动系统(1)独立地应用于个体自然灾害。

22.根据权利要求15至21中任一项所述的基于到达间隔时间的自动系统(1)，其特征在于，如果两个危险都受到相关季节性模式(1032)的影响，则通过依赖于季节性的分布结构自动捕获危险之间的时间相关性。

23.根据权利要求15至22中任一项所述的基于到达间隔时间的自动系统(1)，其特征在于，所述估计或预定义的分布(1011)通过广义的帕累托分布(10111/GPD)构造，GPD(10111)分布式IAT(1012)拟合测量或经验历史危险集合(31)。

24.根据权利要求23所述的基于到达间隔时间的自动系统(1)，其特征在于，GPD(10111)由随机比例参数λ缩放，其中λ围绕其平均值的分布(1011)由该比例参数λ的外部引起的波动设定。

25.根据权利要求24所述的基于到达间隔时间的自动系统(1)，其特征在于，所述比例参数λ的操作设置至少包括技术边界条件i)所述比例参数λ确实在正值范围内，以及ii)比例参数λ采用唯一的最可能值，其中借助于条件i)和ii)将所述估计或预定义的分布设定为具有对于随机比例参数λ的非负支持的单峰分布。

26.根据权利要求23至25中任一项所述的基于到达间隔时间的自动系统，其特征在于，对于时间戳331,…,333的设置，作为广义帕累托分布(10111)的估计或预定义的分布的物理相关参数空间包括技术边界条件：(i)到达间隔时间的下阈值为零，(ii)估计或预定义分布(1011)的伽马函数(10112)采用唯一的最可能值，以及(iii)平均到达间隔时间(1012)存在，其形状参数满足0<ξ<1。

27.根据权利要求15至26中任一项所述的基于到达间隔时间的自动系统(1)，其特征在于，所述基于到达间隔时间的自动系统(1)包括一个或多个第一风险转移系统(11)，其基于生成的所述第一风险转移参数(501,…,505)从至少一些风险暴露单位(41,…,45)到第一风险转移系统(11)之一提供第一风险转移，其中所述第一风险转移系统(11)包括多个支付转移模块(113)，其被配置为接收和存储(112)与所述风险暴露单位(41,…,45)的风险暴露(5)的风险转移相关联的第一支付参数(1121,…,1125)，用于汇集其风险(51,…,55)，并且其中基于第一风险转移参数和相关的第一支付转移参数，第一风险转移系统自动覆盖风险暴露单位(41,…,45)的发生和触发的损失。

28.根据权利要求1至27中任一项所述的基于到达间隔时间的自动系统，其特征在于，所述基于到达间隔时间的自动系统(1)包括第二风险转移系统(12)，其基于生成的第二风险转移参数(511,…,515)从第一风险转移系统(11)中的一个或多个到第二风险转移系统(12)提供第二风险转移，其中第二风险转移系统(12)包括第二支付转移模块(123)，其被配置为接收和存储(122)第二支付参数(1221,…,1225)，用于汇集与转移到第一风险转移系统(11)的风险暴露相关联的第一风险转移系统(11)的风险，并且其中基于第二风险转移参数(501,…,505)和相关的第二支付转移参数(1121,…,1125)，至少部分地由第二风险转移系统(12)自动覆盖发生和触发的损失。

29.一种用于基于到达间隔时间的自动系统的方法(1)，用于自动预测和暴露信令、引导和/或操作灾难性风险事件驱动或触发的自动系统，所述灾难性风险事件驱动或触发的自动系统由具有复杂聚类结构的发生率的灾难性或操作风险事件(311,…,313)的测量的发生所触发，其中通过测量站或传感器(90,91,92,…)和/或机车中的测量站或传感器(401,402,…,411,412)，借助于测量的传感数据(4011,4012,…)测量将发生的风险事件(311,…,313)，其中通过数据传输网络(2)将测量设备(90,91,92,…/401,402,…,411,412)的测量的传感数据(911,912,913,…/4011,4012,…)传输到中央核心电路(10)，所述测量的传感数据(911,912,913,…/4011,4012,…)被分配给历史危险集合(31)，其包括每个分配的风险事件的事件参数，其中所述中央核心电路(10)的具有测量数据驱动的触发器(1001)的风险事件驱动的核心聚合器(100)，在风险暴露单位或个人(41,…,45)的所述传感器(90,91,92,…/401,…,405)和/或测量设备(411,…,415)的数据流路径(921,922,923,…/421,…,425)中触发、捕获和监测，并且其中通过中央核心电路(10)的信号传送，所述风险事件驱动或触发系统具有相应风险转移参数(501,…,505/511,…,515)，并且其中借助于所述系统(1)，基于测量的频率以及危险集合(31)的所述风险事件(311,…,313)的相关联损失(321,…,323)生成事件损失集合(32)，每个所述风险事件(311,…,313)产生设定的特定损失(321,…,323)，其特征在于，

组合了时段损失集合(33)来记录分配给生成的时间戳(331,…,333)的事件损失集合(32)的事件损失(321,…,323)，其中所述时段损失集合(33)提供事件损失集合(32)的测量事件的基于相应时间的日志记录，其中生成包括编码时间数据序列的时间戳(331,…,333)并将其分配给事件损失集合(32)的每个事件(321,…,323)，并且其中特定时间戳(331,…,333)标识作为测量特定事件的时间点的出现，

时间戳(331,…,333)是使用相应生成的到达间隔时间参数(1012/IAT)的估计或预定义的分布(10111)而构造的，其中到达间隔时间参数(1012)捕获时段损失集合(33)的连续事件(311,…,313)之间的等待时间，并且其中等待时间测量风险事件(311,…,313)的两次连续测量的发生之间的时间间隔，能够通过所述时间间隔随时间跟踪风险事件(311,…,313)的发生，并且

基于包括时间戳参数(331,…,333)和特定时间范围内的损失(321,…,323)的所述时段损失集合(33)，由所述中央核心电路(10)评估和生成用于信号传送的相应风险转移参数(501,…,505/511,…,515)。