CN112529716A - 额度预测方法、设备及计算机可读存储介质 - Google Patents

Abstract

本发明涉及分类模型，提供一种额度预测方法、设备及计算机可读存储介质。本发明通过仅在检测到风险等级在一定范围内时才进行后续的加保额度估算，避免了风险等级较高客户继续投保所可能造成的负面影响；通过选择与本次投保类型对应的风险评估模型进行风险评估，避免了投保类型不同所造成的评估误差；通过运用特征工程与机器学习训练得到风险评估模型，并利用风险评估模型得到目标特征，使得风险评估模型最终得出的风险评估结果更加精准；通过综合既往投保信息与额度调节因子预测客户当前所能承保的保额范围，实现了在当次投保时就能获取到与实际情况相符的可加保额度信息。此外，本发明还涉及区块链技术，上述既往投保信息可存储于区块链中。

Description

额度预测方法、设备及计算机可读存储介质

技术领域

本发明涉及数据处理技术领域，尤其涉及一种额度预测方法、设备及计算机可读存储介质。

背景技术

在保险行业中，针对客户投保，业内的通行做法是，客户填写投保信息后，公司经过审核给予承保或不予承保的决定。但无论是客户还是负责保险销售的代理人，在本单投保之后，都难以直接获知准确的可继续投保的额度信息。客户本人或是代理人考虑到若是再次投保的额度过大，会面临保险公司退保、拒保的风险，在再次投保时往往会比较保守，投入较小的额度以期能投保成功，但这就容易出现客户再次购买的保额不足以满足其保障需求的情况，从而导致了加保时对于投保额度进行预测的准确性低下的技术问题。

发明内容

本发明的主要目的在于提供一种额度预测方法、设备及计算机可读存储介质，旨在解决加保时对于投保额度进行预测的准确性低下的技术问题。

为实现上述目的，本发明提供一种额度预测方法，所述额度预测方法包括：

获取目标投保人的待评估投保信息，并根据所述待评估投保信息得到所述目标投保人的既往投保信息以及本次投保类型；

选择与所述本次投保类型对应的预训练的风险评估模型，利用所述风险评估模型提取所述待评估投保信息中的文字特征与数字特征，并将所述文字特征与数字特征组合得到目标特征，其中，所述风险评估模型是利用特征工程筛选后的训练数据集通过机器学习算法训练所得；

根据所述目标特征确定所述待评估投保信息的风险等级，并在检测到所述风险等级为高风险以下等级时，获取所述待评估投保信息的额度调节因子；

结合所述既往投保信息与所述额度调节因子，预测所述目标投保人的加保额度信息。

可选地，所述利用所述风险评估模型提取所述待评估投保信息中的文字特征与数字特征，并将所述文字特征与数字特征组合得到目标特征的步骤包括：

基于所述风险评估模型，获取所述待评估投保信息中的文字信息与数字信息；

将所述文字信息采用独热编码处理得到所述文字特征，并将所述数字信息进行缺失值处理与稠密处理得到所述数字特征；

获取所述文字特征与所述数字特征的互信息值，并基于所述互信息值将所述文字特征与所述数字特征分为可组合的第一特征与不可组合的第二特征；

将所述第一特征进行组合得到组合特征，将所述组合特征与所述第二特征作为所述目标特征。

可选地，所述在检测到所述风险等级为高风险以下等级时，获取所述待评估投保信息的额度调节因子的步骤包括：

在所述风险等级为高风险以下等级时，判断所述目标投保人是否通过自核；

若所述目标投保人通过自核，则获取所述待评估投保信息对应的地区免体检标准、保险业务员等级以及所述本次投保类型的险种调节系数作为所述额度调节因子。

可选地，所述结合所述既往投保信息与所述额度调节因子，预测所述目标投保人的加保额度信息的步骤包括：

根据所述地区免体检标准确定所述最高免体检保额，并结合所述既往投保信息得到初始加保额度；

使用所述险种调节系数对所述初始加保额度进行调节，得到调节加保额度；

获取与所述保险业务员等级对应的等级调节额度，并使用所述等级调节额度对所述调节加保额度进行调节，得到所述目标投保人的加保额度信息，其中，所述目标投保人的加保额度信息存储于区块链中。

可选地，所述获取目标投保人的待评估投保信息，并根据所述待评估投保信息得到所述目标投保人的既往投保信息以及本次投保类型的步骤包括：

在接收到投保指令时，基于所述投保指令获取所述目标投保人的投保问卷作为所述待评估投保信息；

获取所述投保问卷中所述目标投保人填写的身份信息与投保名称信息，根据所述投保名称信息确定所述本次投保类型；

根据所述身份信息判断所述目标投保人是否为已投保用户；

若所述目标投保人为已投保用户，则在投保信息库中查找到所述目标投保人的既往投保信息。

可选地，所述根据所述身份信息判断所述目标投保人是否为已投保用户的步骤之后，还包括：

若所述目标投保人不为已投保用户，则执行根据所述目标特征确定所述待评估投保信息的风险等级，并在检测到所述风险等级为高风险以下等级时，获取所述待评估投保信息的额度调节因子的步骤；

基于所述额度调节因子，得到不为已投保用户的目标投保人的加保额度信息。

可选地，所述根据所述目标特征确定所述待评估投保信息的风险等的步骤包括：

计算所述目标特征对应在预设风控指标上的风险得分；

根据预设得分等级对应规则确定所述风险得分所对应的风险等级，以作为所述待评估投保信息的风险等级。

可选地，所述选择与所述本次投保类型对应的预训练的风险评估模型的步骤之前，还包括：

收集包含多条样本数据的初始样本数据集，其中，每条样本数据包括样本特征与对应的样本标签；

根据所述样本特征与所述样本标签构建特征索引集，并计算所述特征索引集的最高判别准确率；

将所述最高判别准确率与预设标准准确率阈值进行比较，并将不小于所述标准准确率阈值的最高判别准确率对应的样本数据作为目标样本数据，以筛选出目标样本数据集；

使用预设机器学习模型对所述目标样本数据集进行训练，得到所述风险评估模型。

此外，为实现上述目的，本发明还提供一种额度预测装置，所述额度预测装置包括：

既往信息获取模块，用于获取目标投保人的待评估投保信息，并根据所述待评估投保信息得到所述目标投保人的既往投保信息以及本次投保类型；

目标特征获取模块，用于选择与所述本次投保类型对应的预训练的风险评估模型，利用所述风险评估模型提取所述待评估投保信息中的文字特征与数字特征，并将所述文字特征与数字特征组合得到目标特征，其中，所述风险评估模型是利用特征工程筛选后的训练数据集通过机器学习算法训练所得；

风险等级确定模块，用于根据所述目标特征确定所述待评估投保信息的风险等级，并在检测到所述风险等级为高风险以下等级时，获取所述待评估投保信息的额度调节因子；

加保额度预测模块，用于结合所述既往投保信息与所述额度调节因子，预测所述目标投保人的加保额度信息。

可选地，所述目标特征获取模块包括：

信息获取单元，用于基于所述风险评估模型，获取所述待评估投保信息中的文字信息与数字信息；

特征获取单元，用于将所述文字信息采用独热编码处理得到所述文字特征，并将所述数字信息进行缺失值处理与稠密处理得到所述数字特征；

特征分类单元，用于获取所述文字特征与所述数字特征的互信息值，并基于所述互信息值将所述文字特征与所述数字特征分为可组合的第一特征与不可组合的第二特征；

特征组合单元，用于将所述第一特征进行组合得到组合特征，将所述组合特征与所述第二特征作为所述目标特征。

可选地，所述风险等级确定模块包括：

自核通过判断单元，用于在所述风险等级为高风险以下等级时，判断所述目标投保人是否通过自核；

调节因子获取单元，用于若所述目标投保人通过自核，则获取所述待评估投保信息对应的地区免体检标准、保险业务员等级以及所述本次投保类型的险种调节系数作为所述额度调节因子。

可选地，所述加保额度预测模块包括：

初始额度获取单元，用于根据所述地区免体检标准确定所述最高免体检保额，并结合所述既往投保信息得到初始加保额度；

调节额度获取单元，用于使用所述险种调节系数对所述初始加保额度进行调节，得到调节加保额度；

加保信息获取单元，用于获取与所述保险业务员等级对应的等级调节额度，并使用所述等级调节额度对所述调节加保额度进行调节，得到所述目标投保人的加保额度信息，其中，所述目标投保人的加保额度信息存储于区块链中。

可选地，所述既往信息获取模块包括：

投保问卷获取单元，用于在接收到投保指令时，基于所述投保指令获取所述目标投保人的投保问卷作为所述待评估投保信息；

投保类型确定单元，用于获取所述投保问卷中所述目标投保人填写的身份信息与投保名称信息，根据所述投保名称信息确定所述本次投保类型；

投保用户判断单元，用于根据所述身份信息判断所述目标投保人是否为已投保用户；

若所述目标投保人为已投保用户，则在投保信息库中查找到所述目标投保人的既往投保信息。

可选地，所述额度预测装置还包括：

若所述目标投保人不为已投保用户，则执行根据所述目标特征确定所述待评估投保信息的风险等级，并在检测到所述风险等级为高风险以下等级时，获取所述待评估投保信息的额度调节因子的步骤；

基于所述额度调节因子，得到不为已投保用户的目标投保人的加保额度信息。

可选地，所述风险等级确定模块包括：

风险得分计算单元，用于计算所述目标特征对应在预设风控指标上的风险得分；

风险等级确定单元，用于根据预设得分等级对应规则确定所述风险得分所对应的风险等级，以作为所述待评估投保信息的风险等级。

可选地，所述额度预测装置还包括：

样本数据收集模块，用于收集包含多条样本数据的初始样本数据集，其中，每条样本数据包括样本特征与对应的样本标签；

特征索引构建模块，用于根据所述样本特征与所述样本标签构建特征索引集，并计算所述特征索引集的最高判别准确率；

目标数据筛选模块，用于将所述最高判别准确率与预设标准准确率阈值进行比较，并将不小于所述标准准确率阈值的最高判别准确率对应的样本数据作为目标样本数据，以筛选出目标样本数据集；

风险模型训练模块，用于使用预设机器学习模型对所述目标样本数据集进行训练，得到所述风险评估模型。

此外，为实现上述目的，本发明还提供一种额度预测设备，所述额度预测设备包括处理器、存储器、以及存储在所述存储器上并可被所述处理器执行的额度预测程序，其中所述额度预测程序被所述处理器执行时，实现如上述的额度预测方法的步骤。

此外，为实现上述目的，本发明还提供一种计算机可读存储介质，所述计算机可读存储介质上存储有额度预测程序，其中所述额度预测程序被处理器执行时，实现如上述的额度预测方法的步骤。

本发明提供一种额度预测方法、设备及计算机可读存储介质，所述额度预测方法通过获取客户的投保信息得到其既往投保信息，使用了预训练的风险评估模型确定出对应的风险等级，并仅在检测到风险等级在一定范围内(高风险等级以下)时才进行后续的加保额度估算，避免了风险等级较高客户继续投保所可能造成的负面影响；通过选择与本次投保类型相对应的风险评估模型进行风险评估，避免了投保类型不同所造成的评估误差；通过运用特征工程与机器学习训练得到风险评估模型，并利用风险评估模型得到待评估投保信息的目标特征，使得风险评估模型最终得出的风险评估结果更加精准；通过综合既往投保信息与额度调节因子智能运算出客户当前所能承保的保额范围，实现了在当次投保时就能获取到与实际情况相符的可加保额度信息，从而解决了加保时对于投保额度进行预测的准确性低下的技术问题。同时，也使得客户免于保险业务员由于不知其可加保额度而向其进行的体检、契调等的业务打扰。

附图说明

图1为本发明实施例方案中涉及的额度预测设备的硬件结构示意图；

图2为本发明额度预测方法第一实施例的流程示意图；

图3为本发明额度预测装置的功能模块示意图。

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。

本发明实施例涉及的额度预测方法主要应用于额度预测设备，该额度预测设备可以是PC、便携计算机、移动终端等具有显示和处理功能的设备。

参照图1，图1为本发明实施例方案中涉及的额度预测设备的硬件结构示意图。本发明实施例中，额度预测设备可以包括处理器1001(例如CPU)，通信总线1002，用户接口1003，网络接口1004，存储器1005。其中，通信总线1002用于实现这些组件之间的连接通信；用户接口1003可以包括显示屏(Display)、输入单元比如键盘(Keyboard)；网络接口1004可选的可以包括标准的有线接口、无线接口(如WI-FI接口)；存储器1005可以是高速RAM存储器，也可以是稳定的存储器(non-volatile memory)，例如磁盘存储器，存储器1005可选的还可以是独立于前述处理器1001的存储装置。

本领域技术人员可以理解，图1中示出的硬件结构并不构成对额度预测设备的限定，可以包括比图示更多或更少的部件，或者组合某些部件，或者不同的部件布置。

继续参照图1，图1中作为一种计算机可读存储介质的存储器1005可以包括操作系统、网络通信模块以及额度预测程序。

在图1中，网络通信模块主要用于连接服务器，与服务器进行数据通信；而处理器1001可以调用存储器1005中存储的额度预测程序，并执行本发明实施例提供的额度预测方法。

基于上述硬件结构，提出本发明额度预测方法的各个实施例。

在保险行业中，针对客户投保，业内的通行做法是，客户填写投保信息后，公司经过审核给予承保或不予承保的决定。但客户无法获知自身还可购买的保障额度。而同时在保险销售过程中，代理人也存在类似困惑，对于老客户，不清楚老客户已有多少保障，还可购买多少保障；对于新客户，也不确定该为新客户匹配多少保额。而又由于购买过高的保额又会被核保限额，因此代理人在设计保险计划时，通常都较为保守，这就导致了较多客户最终所购买的保额不足以满足其保障需求。上述种种情况均反映出目前对于加保额度信息的获取效率低下的技术问题。

为解决上述问题，本发明提供一种额度预测方法，即通过获取客户的投保信息得到其既往投保信息，使用了预训练的风险评估模型确定出对应的风险等级，并仅在检测到风险等级在一定范围内(高风险等级以下)时才进行后续的加保额度估算，避免了风险等级较高客户继续投保所可能造成的负面影响；通过选择与本次投保类型相对应的风险评估模型进行风险评估，避免了投保类型不同所造成的评估误差；通过运用特征工程与机器学习训练得到风险评估模型，并利用风险评估模型得到待评估投保信息的目标特征，使得风险评估模型最终得出的风险评估结果更加精准；通过综合既往投保信息与额度调节因子智能运算出客户当前所能承保的保额范围，实现了在当次投保时就能获取到与实际情况相符的可加保额度信息，从而解决了加保时对于投保额度进行预测的准确性低下的技术问题。同时，也使得客户免于保险业务员由于不知其可加保额度而向其进行的体检、契调等的业务打扰。

参照图2，图2为本发明额度预测方法第一实施例的流程示意图。

本发明第一实施例提供一种额度预测方法，所述额度预测方法包括以下步骤：

步骤S10，获取目标投保人的待评估投保信息，并根据所述待评估投保信息得到所述目标投保人的既往投保信息以及本次投保类型；

在本实施例中，目标投保人也即是投保用户，可以在个人终端、保险公司的柜台终端或是其他终端设备上填写关于本次投保所需要提供的信息。待评估投保信息中可包括投保用户的身份信息、本次投保种类、本次投保额度、投保申请日期以及关于个人及家族病史等的信息。既往投保信息为投保用户在本次投保之前，已经投保过的相关信息，具体可包括历史投保保险种类、历史投保额度、历史投保时间等。既往投保信息的获取方式可以是从待评估信息中直接获取，也可为根据待评估投保信息中的个人身份信息访问存储有用户投保信息的数据库。本次投保类型可为寿险类型、重疾险类型等实际的险种类型。

具体地，若当前一用户在保险公司的柜台终端上填写对应的投保问卷，填写完成提交后，服务器接收到该问卷数据，将此问卷数据作为上述待评估投保信息，然后再访问公司内部的投保信息数据库，查询获得该投保用户的既往投保信息与本次所投的保险种类。。

步骤S20，选择与所述本次投保类型对应的预训练的风险评估模型，利用所述风险评估模型提取所述待评估投保信息中的文字特征与数字特征，并将所述文字特征与数字特征组合得到目标特征，其中，所述风险评估模型是利用特征工程筛选后的训练数据集通过机器学习算法训练所得；

在本实施例中，需要说明的是，服务器上预训练有对应与市面上常见保险种类的风险评估模型。在服务器获取到本次投保类型时，可根据投保类型的关键字直接确定到对应的风险评估模型。不同类型的风险评估模型分别采用对应类型的样本数据训练所得。服务器可从各种渠道收集真实的诸如保险业务等相关业务的大量样本数据，并以人工标注或是其他方式为其添加标签，再利用特征工程在其中筛选出更为有效的一部分样本数据作为最终的样本数据，最后使用机器学习算法，例如决策树、聚类、深度神经网络，或是XGBoost等模型算法对筛选出的样本数据进行训练，最终得到训练完成的风险评估模型。

服务器将待评估投保信息作为模型的输入，模型先分别提取出待评估投保信息中用户填写的文字信息与数字信息。文字信息例如家族病史、居住地等；数字信息例如年龄、收入等。模型可对文字信息进行编码，使其成为离散的数值特征(文字特征)，再将数字信息进行一些数值有效性处理，得到数字特征。模型在得到文字特征和数字特征后，再将相关度高的特征进行组合，结合组合后的特征和原有的特征得到最终的目标特征。

步骤S30，根据所述目标特征确定所述待评估投保信息的风险等级，并在检测到所述风险等级为高风险以下等级时，获取所述待评估投保信息的额度调节因子；

在本实施例中，预设风险评估模型中设置有多维度风控指标的得分判定标准。风险等级可根据实际需求进行划分，例如可划分为低风险等级、中风险等级与高风险等级，也可进一步细化，分为极低风险等级、低风险等级、中风险等级、高风险等级与极高风险等级，本实施例不做限定。额度调节因子可为相关的调节参数、地区发展水平、较低风险等级的对应上调策略和/或业务员品质等。风险等级确定方式可为模型获取当前待评估投保信息在各个风控指标上所对应的风险评分，再根据风险评分所落在的区间确定具体的风险等级。

具体地，模型将当前得出的目标特征对应到各个风控指标上，基于各个风控指标对问卷数据进行评估，输出该投保用户本次投保最终的风险等级。服务器在该当前投保用户本次投保的风险等级为低风险、中风险等非高风险及以上等级时，获取与该分问卷数据对应的额度调节因子。

步骤S40，结合所述既往投保信息与所述额度调节因子，预测所述目标投保人的加保额度信息。

在本实施例中，加保额度信息可包括投保保险名称、代号、加保额度范围等。可加保额度的计算方式可为先获取该用户对应的原始可投保额度，然后再用原始可投保额度减去已投保额度也即是上述既往投保额度得到剩余可投保额度，最后再通过额度调节因子对剩余可投保额度继续额度调节，所得到的最终值即为可加保额度的最大值，而加保额度范围即为0至可加保额度的最大值。另外，在S30之后，还可包括：生成包含有所述加保额度信息的提示消息，并将所述提示消息发送至所述目标投保人的用户终端。在服务器计算出该投保用户本次所投保险的可加保额度后，可单独生成通知消息或是在自核结果反馈界面同步予以显示，方便投保用户获知当前还可加保的额度。

具体地，若用户此次投保的是寿险，模型输出的风险等级为极低风险等级。服务器可先根据一般标准得到该用户在寿险上的标准最高寿险保额，然后根据该用户所在地区的地区免体检标准对标准最高保额进行调节得到适用于该地区的用户最高寿险保额，再减去之前投过的寿险保额得到剩余可加保的寿险保额额度。服务器将剩余可加保的寿险保额额度乘上预设的寿险对应的调节系数后，再加上本单投保对应业务员的品质等级的上调额度以及极低风险对应的上调额度，最终得到的额度值即为该用户当前的寿险可加保最高额度。

在本实施例中，本发明通过获取目标投保人的待评估投保信息，并根据所述待评估投保信息得到所述目标投保人的既往投保信息以及本次投保类型；选择与所述本次投保类型对应的预训练的风险评估模型，利用所述风险评估模型提取所述待评估投保信息中的文字特征与数字特征，并将所述文字特征与数字特征组合得到目标特征，其中，所述风险评估模型是利用特征工程筛选后的训练数据集通过机器学习算法训练所得；根据所述目标特征确定所述待评估投保信息的风险等级，并在检测到所述风险等级为高风险以下等级时，获取所述待评估投保信息的额度调节因子；结合所述既往投保信息与所述额度调节因子，预测所述目标投保人的加保额度信息。通过上述方式，本发明通过获取客户的投保信息得到其既往投保信息，使用了预训练的风险评估模型确定出对应的风险等级，并仅在检测到风险等级在一定范围内(高风险等级以下)时才进行后续的加保额度估算，避免了风险等级较高客户继续投保所可能造成的负面影响；通过选择与本次投保类型相对应的风险评估模型进行风险评估，避免了投保类型不同所造成的评估误差；通过运用特征工程与机器学习训练得到风险评估模型，并利用风险评估模型得到待评估投保信息的目标特征，使得风险评估模型最终得出的风险评估结果更加精准；通过综合既往投保信息与额度调节因子智能运算出客户当前所能承保的保额范围，实现了在当次投保时就能获取到与实际情况相符的可加保额度信息，从而解决了加保时对于投保额度进行预测的准确性低下的技术问题。同时，也使得客户免于保险业务员由于不知其可加保额度而向其进行的体检、契调等的业务打扰。

进一步地，基于上述图2所示的第一实施例，提出本发明额度预测方法的第二实施例。本实施例中，步骤S20包括：

基于所述风险评估模型，获取所述待评估投保信息中的文字信息与数字信息；

将所述文字信息采用独热编码处理得到所述文字特征，并将所述数字信息进行缺失值处理与稠密处理得到所述数字特征；

获取所述文字特征与所述数字特征的互信息值，并基于所述互信息值将所述文字特征与所述数字特征分为可组合的第一特征与不可组合的第二特征；

将所述第一特征进行组合得到组合特征，将所述组合特征与所述第二特征作为所述目标特征。

在本实施例中，独热编码即One-Hot-coding，又称一位有效编码，其方法是使用N位状态寄存器来对N个状态进行编码，每个状态都由他独立的寄存器位，并且在任意时候，其中只有一位有效。模型对待评估投保信息中提取出的文字信息进行独热编码，使其转化为离散型的数值特征，还可继续对其进行稠密处理，以进一步减少数据量。模型再对从待评估投保信息中提取出的数字信息进行缺失值处理，例如采用特殊值填充、平均值填充、热卡填充、期望值最大化等方式。然后模型再对其进行稠密处理，例如压缩稀疏行与列，使用主成分分析(PCA，PrincipalComponents Analysis))，奇异值分解(SVD，Singular ValueDecomposition)等方式进行降维。模型需要计算各特征间的互信息值，互信息值表征的是特征间的相关程度，其具体计算方式可参考现有技术，在此不作赘述。模型在计算出个特征间的互信息值后，可将其与预设的标准互信息阈值进行比较，将超出阈值的特征进行组合，得到组合特征，最后即可将组合特征与未组合的特征共同作为目标特征。

进一步地，所述在检测到所述风险等级为高风险以下等级时，获取所述待评估投保信息的额度调节因子的步骤包括：

在所述风险等级为高风险以下等级时，判断所述目标投保人是否通过自核；

若所述目标投保人通过自核，则获取所述待评估投保信息对应的地区免体检标准、保险业务员等级以及所述本次投保类型的险种调节系数作为所述额度调节因子。

在本实施例中，对于地区免体检标准，服务器可以访问该地区的相关政府平台进行搜索，或是以具体的提取名称为关键词在存储有各地区免体检标准信息的数据库中进行查找，以获取到最新的地方免体检标准信息；对于保险业务员等级，服务器可直接访问保险公司内部的信息数据库，根据具体的保险业务员的姓名、员工编号等信息查找其对应的等级信息；对于险种调节系数，服务器亦可直接访问保险公司内部的信息数据库，根据本次投保所投的具体险种名称在库中查找到对应的险种调节系数。

服务器在检测到当前所得到的风险等级不为高风险及以上等级时，则进一步判断该投保用户是否通过自核。若该投保用户通过自核，服务器则根据问卷中用户填写的地区信息确定该地区的最高免体检保额，负责本单投保业务的业务员的品质等级以及本次投保的保险种类；若该投保用户未通过自核，则进入常规投保流程，不为该投保用户自动计算并展示加保额度。

进一步地，步骤S30包括：

根据所述地区免体检标准确定所述最高免体检保额，并结合所述既往投保信息得到初始加保额度；

使用所述险种调节系数对所述初始加保额度进行调节，得到调节加保额度；

获取与所述保险业务员等级对应的等级调节额度，并使用所述等级调节额度对所述调节加保额度进行调节，得到所述目标投保人的加保额度信息，其中，所述目标投保人的加保额度信息存储于区块链中。

在本实施例中，下面以寿险可加保保额计算公式与重疾险可加保保额计算公式为例进行说明。

对于寿险可加保保额的计算，服务器需要调用适用于用户所在地区的该投保客户的最高免体检寿险体检保额，为便于描述以下称之为A，调用该投保用户本单与历史风险保额寿险体检保额之和，称之为C，则初始寿险可加保保额计算公式可设置为(A-C)*X1，其中，X1为寿险系数，可根据实际需求灵活设定。对于重疾险可加保保额的计算，服务器需要调用适用于用户所在地区的该投保客户的最高免体检重疾体检保额，为便于描述以下称之为B，调用该投保用户本单与历史风险保额重疾体检保额之和，称之为D，则初始寿险可加保保额计算公式可设置为寿险可加保保额＝(B-D)*X2，其中，X2为重疾险系数，根据实际需求灵活设定，可设置其与X1相同，也可设置为不同。在计算出初始可加保额度之和，即可根据负责本单投保业务的业务员等级，对初始值进行小幅度调节，得到最终的可加保额度。相关人员可预先在服务器上设置不同的业务员等级所对应的不同的上调额度。

需要强调的是，为进一步保证上述目标投保人的加保额度信息的私密和安全性，上述目标投保人的加保额度信息还可以存储于一区块链的节点中。

进一步地，步骤S10包括：

在接收到投保指令时，基于所述投保指令获取所述目标投保人的投保问卷作为所述待评估投保信息；

获取所述投保问卷中所述目标投保人填写的身份信息与投保名称信息，根据所述投保名称信息确定所述本次投保类型，根据所述身份信息判断所述目标投保人是否为已投保用户；

若所述目标投保人为已投保用户，则在投保信息库中查找到所述目标投保人的既往投保信息。

在本实施例中，投保用户通常是通过在个人终端、保险公司的柜台终端或是其他终端设备上填写用户投保问卷。该问卷可以包含关于用户个人信息的相关问题与保险公司根据实际需要所设定的风控指标设置的问题。身份信息具体可包括姓名、年龄、身份证号、居住地等。投保用户在填写完成问卷并提交后，服务器接收到该投保用户发出的一投保指令，获取该投保指令中所指向的用户所填写的问卷信息，将其作为上述待评估投保信息。

具体地，服务器接收用户问卷填写终端发送的用户投保问卷数据后，从中提取出各问卷问题用户所提交的问题选项数据，提取出可表明投保人身份的信息作为检索关键词在投保信息库中进行查询，查询库中是否存在该投保用户的既往投保记录，并在信息库中存在既往投保记录时获取该记录。服务器同时可提取用户在问卷中填写或选中的本次所投的险种名称，将其作为本次投保的投保类型，另外，还可将其转化为唯一编号进行存储，以便后续的数据处理。

进一步地，所述根据所述身份信息判断所述目标投保人是否为已投保用户的步骤之后，还包括：

若所述目标投保人不为已投保用户，则执行根据所述目标特征确定所述待评估投保信息的风险等级，并在检测到所述风险等级为高风险以下等级时，获取所述待评估投保信息的额度调节因子的步骤；

基于所述额度调节因子，得到不为已投保用户的目标投保人的加保额度信息。

在本实施例中，若服务器未在投保信息库中查询到当前投保用户的既往投保信息，也即是当前投保用户为新投保用户，则继续将新投保用户的投保问卷中的问题作答信息输入风险评估模型，通过风险评估模型确定出当前的新投保用户的风险等级。若服务器通过模型判定当前新投保用户的风险等级为中风险等级、低风险等级或是极低风险等级等高风险以下等级，则获取该问卷信息对应的额度调节因子。服务器对于新投保用户的可加保额度计算。只需基于额度调节因子即可，而无需结合既往投保信息进行计算。以寿险为例，具体的计算方式可为：将新投保用户的最高免体检寿险体检保额乘上寿险调节系数，再加上负责本次投保的业务员的等级所对应的上调额度，最终得到的结果即为新投保用户的寿险可加保额度。若服务器通过模型判定当前新投保用户的风险等级为高风险等级、极高风险等级等高风险及以上等级，则不执行后续步骤，转向常规自核流程。

进一步地，通过提取待评估投保信息的特征并进行特征组合，使得能够深度挖掘出待评估投保信息中的有效信息，进而提升模型评估结果的准确性；通过对风险评估模型评估后的优质客户，实时获取基于多维度计算的可加保保险的保额空间，助力代理人展业，提升客户投保保额，以满足客户保障需求。

进一步地，基于上述图2所示的第一实施例，提出本发明额度预测方法的第三实施例。本实施例中，所述基于预设风险评估模型确定所述待评估投保信息的风险等级的步骤包括：

计算所述目标特征对应在预设风控指标上的风险得分；

根据预设得分等级对应规则确定所述风险得分所对应的风险等级，以作为所述待评估投保信息的风险等级。

在本实施例中，风控指标的相关问题可包括用户此次投保的保险产品所涉及的疾病的相关指标等。例如身体健康指数、膳食健康、运动情况、吸烟情况、饮酒情况、压力程度与家族病史情况等，还可以根据具体的风控需求灵活设置。每个问卷问题可以设置有多个答案选项，不同的答案选项对应于相应的选项得分。

模型将当前所得的多个目标特征一一对应到各风控指标上，再根据预设的对应规则相应标记各目标特征在风控指标上的风险评分，然后再根据各个风控指标设定相应的权重系数，计算该投保用户本次投保的风险总评分。模型在计算得到最终的风险总评分后，可根据预设的评分等级阈值，来定位该风险评分所在的风险等级。例如，将0-20分设定为极低风险等级；21-40分设定为低风险等级；41-60分设定为中风险等级；61-80分设定为高风险等级；81-100分设定为极高风险等级。

进一步地，步骤S20之前，还包括：

收集包含多条样本数据的初始样本数据集，其中，每条样本数据包括样本特征与对应的样本标签；

根据所述样本特征与所述样本标签构建特征索引集，并计算所述特征索引集的最高判别准确率；

将所述最高判别准确率与预设标准准确率阈值进行比较，并将不小于所述标准准确率阈值的最高判别准确率对应的样本数据作为目标样本数据，以筛选出目标样本数据集；

使用预设机器学习模型对所述目标样本数据集进行训练，得到所述风险评估模型。

在本实施例中，特征工程可为最大相关最小冗余联合最大互信息系数特征选择策略.样本标签用于指示出用户的风险评分。服务器首先计算每一条样本数据中的样本特征与其样本标签之间的最大互信息系数，然后构建特征索引集，并计算每日一特征索引集的判别准确率，从中选出数值最高的一项与预设的标准准确率阈值进行比较。服务器将大于或等于阈值的判别准确率对应的样本数据列入目标样本数据集。最后，服务器使用决策树、聚类、深度神经网络，或是XGBoost等模型算法对其进行训练，最后训练得出最终的风险评估模型。

本发明所指区块链是分布式数据存储、点对点传输、共识机制、加密算法等计算机技术的新型应用模式。区块链(Blockchain)，本质上是一个去中心化的数据库，是一串使用密码学方法相关联产生的数据块，每一个数据块中包含了一批次网络交易的信对应的风险等级，使得模型能够快速地对投保客户的风险等级进行评定；通过对初始样本数据进行特征筛选，使得减小设备的数据处理负担，提升模型训练效率与精确性。

息，用于验证其信息的有效性(防伪)和生成下一个区块。区块链可以包括区块链底层平台、平台产品服务层以及应用服务层等。

进一步地，通过预设风控指标以对投保客户的风险评分进行量化，进而确定出其

此外，如图3所示，为实现上述目的，本发明还提供一种额度预测装置，所述额度预测装置包括：

既往信息获取模块10，用于获取目标投保人的待评估投保信息，并根据所述待评估投保信息得到所述目标投保人的既往投保信息以及本次投保类型；

目标特征获取模块20，用于选择与所述本次投保类型对应的预训练的风险评估模型，利用所述风险评估模型提取所述待评估投保信息中的文字特征与数字特征，并将所述文字特征与数字特征组合得到目标特征，其中，所述风险评估模型是利用特征工程筛选后的训练数据集通过机器学习算法训练所得；

风险等级确定模块30，用于根据所述目标特征确定所述待评估投保信息的风险等级，并在检测到所述风险等级为高风险以下等级时，获取所述待评估投保信息的额度调节因子；

加保额度预测模块40，用于结合所述既往投保信息与所述额度调节因子，预测所述目标投保人的加保额度信息。

本发明还提供一种额度预测设备。

所述额度预测设备包括处理器、存储器及存储在所述存储器上并可在所述处理器上运行的额度预测程序，其中所述额度预测程序被所述处理器执行时，实现如上所述的额度预测方法的步骤。

其中，所述额度预测程序被执行时所实现的方法可参照本发明额度预测方法的各个实施例，此处不再赘述。

此外，本发明实施例还提供一种计算机可读存储介质。

本发明计算机可读存储介质上存储有额度预测程序，其中所述额度预测程序被处理器执行时，实现如上述的额度预测方法的步骤。

其中，额度预测程序被执行时所实现的方法可参照本发明额度预测方法的各个实施例，此处不再赘述。

需要说明的是，在本文中，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过程、方法、物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过程、方法、物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，并不排除在包括该要素的过程、方法、物品或者系统中还存在另外的相同要素。

上述本发明实施例序号仅仅为了描述，不代表实施例的优劣。

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上述实施例方法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，但很多情况下前者是更佳的实施方式。基于这样的理解，本发明的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，该计算机软件产品存储在如上所述的一个存储介质(如ROM/RAM、磁碟、光盘)中，包括若干指令用以使得一台终端设备(可以是手机，计算机，服务器，空调器，或者网络设备等)执行本发明各个实施例所述的方法。

以上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)

1.一种额度预测方法，其特征在于，所述额度预测方法包括：

获取目标投保人的待评估投保信息，并根据所述待评估投保信息得到所述目标投保人的既往投保信息以及本次投保类型；

选择与所述本次投保类型对应的预训练的风险评估模型，利用所述风险评估模型提取所述待评估投保信息中的文字特征与数字特征，并将所述文字特征与数字特征组合得到目标特征，其中，所述风险评估模型是利用特征工程筛选后的训练数据集通过机器学习算法训练所得；

根据所述目标特征确定所述待评估投保信息的风险等级，并在检测到所述风险等级为高风险以下等级时，获取所述待评估投保信息的额度调节因子；

结合所述既往投保信息与所述额度调节因子，预测所述目标投保人的加保额度信息。

2.如权利要求1所述的额度预测方法，其特征在于，所述利用所述风险评估模型提取所述待评估投保信息中的文字特征与数字特征，并将所述文字特征与数字特征组合得到目标特征的步骤包括：

基于所述风险评估模型，获取所述待评估投保信息中的文字信息与数字信息；

将所述文字信息采用独热编码处理得到所述文字特征，并将所述数字信息进行缺失值处理与稠密处理得到所述数字特征；

获取所述文字特征与所述数字特征的互信息值，并基于所述互信息值将所述文字特征与所述数字特征分为可组合的第一特征与不可组合的第二特征；

将所述第一特征进行组合得到组合特征，将所述组合特征与所述第二特征作为所述目标特征。

3.如权利要求1所述的额度预测方法，其特征在于，所述在检测到所述风险等级为高风险以下等级时，获取所述待评估投保信息的额度调节因子的步骤包括：

在所述风险等级为高风险以下等级时，判断所述目标投保人是否通过自核；

若所述目标投保人通过自核，则获取所述待评估投保信息对应的地区免体检标准、保险业务员等级以及所述本次投保类型的险种调节系数作为所述额度调节因子。

4.如权利要求3所述的额度预测方法，其特征在于，所述结合所述既往投保信息与所述额度调节因子，预测所述目标投保人的加保额度信息的步骤包括：

根据所述地区免体检标准确定所述最高免体检保额，并结合所述既往投保信息得到初始加保额度；

使用所述险种调节系数对所述初始加保额度进行调节，得到调节加保额度；

获取与所述保险业务员等级对应的等级调节额度，并使用所述等级调节额度对所述调节加保额度进行调节，得到所述目标投保人的加保额度信息，其中，所述目标投保人的加保额度信息存储于区块链中。

5.如权利要求1所述的额度预测方法，其特征在于，所述获取目标投保人的待评估投保信息，并根据所述待评估投保信息得到所述目标投保人的既往投保信息以及本次投保类型的步骤包括：

在接收到投保指令时，基于所述投保指令获取所述目标投保人的投保问卷作为所述待评估投保信息；

获取所述投保问卷中所述目标投保人填写的身份信息与投保名称信息，根据所述投保名称信息确定所述本次投保类型；

根据所述身份信息判断所述目标投保人是否为已投保用户；

若所述目标投保人为已投保用户，则在投保信息库中查找到所述目标投保人的既往投保信息。

6.如权利要求5所述的额度预测方法，其特征在于，所述根据所述身份信息判断所述目标投保人是否为已投保用户的步骤之后，还包括：

若所述目标投保人不为已投保用户，则执行根据所述目标特征确定所述待评估投保信息的风险等级，并在检测到所述风险等级为高风险以下等级时，获取所述待评估投保信息的额度调节因子的步骤；

基于所述额度调节因子，得到不为已投保用户的目标投保人的加保额度信息。

7.如权利要求1所述的额度预测方法，其特征在于，所述根据所述目标特征确定所述待评估投保信息的风险等级的步骤包括：

计算所述目标特征对应在预设风控指标上的风险得分；

根据预设得分等级对应规则确定所述风险得分所对应的风险等级，以作为所述待评估投保信息的风险等级。

8.如权利要求1-7中任一项所述的额度预测方法，其特征在于，所述选择与所述本次投保类型对应的预训练的风险评估模型的步骤之前，还包括：

收集包含多条样本数据的初始样本数据集，其中，每条样本数据包括样本特征与对应的样本标签；

根据所述样本特征与所述样本标签构建特征索引集，并计算所述特征索引集的最高判别准确率；

将所述最高判别准确率与预设标准准确率阈值进行比较，并将不小于所述标准准确率阈值的最高判别准确率对应的样本数据作为目标样本数据，以筛选出目标样本数据集；

使用预设机器学习模型对所述目标样本数据集进行训练，得到所述风险评估模型。

9.一种额度预测设备，其特征在于，所述额度预测设备包括处理器、存储器、以及存储在所述存储器上并可被所述处理器执行的额度预测程序，其中所述额度预测程序被所述处理器执行时，实现如权利要求1至8中任一项所述的额度预测方法的步骤。

10.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质上存储有额度预测程序，其中所述额度预测程序被处理器执行时，实现如权利要求1至8中任一项所述的额度预测方法的步骤。

Images