CN113379555A - 一种基于深度学习的车险风控定价模型方法 - Google Patents
一种基于深度学习的车险风控定价模型方法 Download PDFInfo
- Publication number
- CN113379555A CN113379555A CN202110632533.1A CN202110632533A CN113379555A CN 113379555 A CN113379555 A CN 113379555A CN 202110632533 A CN202110632533 A CN 202110632533A CN 113379555 A CN113379555 A CN 113379555A
- Authority
- CN
- China
- Prior art keywords
- vehicle
- information
- user
- data
- risk
- 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 28
- 238000013135 deep learning Methods 0.000 title claims abstract description 19
- 230000006399 behavior Effects 0.000 claims abstract description 19
- 239000013589 supplement Substances 0.000 claims abstract description 9
- 238000000586 desensitisation Methods 0.000 claims abstract description 7
- 238000012954 risk control Methods 0.000 claims description 14
- 238000013528 artificial neural network Methods 0.000 claims description 6
- 238000013527 convolutional neural network Methods 0.000 claims description 6
- 230000006870 function Effects 0.000 claims description 6
- 238000010606 normalization Methods 0.000 claims description 6
- 238000009825 accumulation Methods 0.000 claims description 5
- 238000011176 pooling Methods 0.000 claims description 4
- 230000008439 repair process Effects 0.000 claims description 4
- 230000001502 supplementing effect Effects 0.000 claims description 4
- 238000004364 calculation method Methods 0.000 claims description 3
- 238000010276 construction Methods 0.000 claims description 3
- 230000010354 integration Effects 0.000 claims description 2
- 238000005553 drilling Methods 0.000 abstract description 4
- 238000005516 engineering process Methods 0.000 abstract description 4
- 238000007405 data analysis Methods 0.000 abstract description 3
- 238000010801 machine learning Methods 0.000 abstract description 3
- 230000004075 alteration Effects 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 230000001419 dependent effect Effects 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000001537 neural effect Effects 0.000 description 1
- 230000008569 process Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
Images
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
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
- G06N3/084—Backpropagation, e.g. using gradient descent
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Software Systems (AREA)
- General Physics & Mathematics (AREA)
- Computing Systems (AREA)
- Business, Economics & Management (AREA)
- Artificial Intelligence (AREA)
- Mathematical Physics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- Computational Linguistics (AREA)
- Accounting & Taxation (AREA)
- General Health & Medical Sciences (AREA)
- Biophysics (AREA)
- Biomedical Technology (AREA)
- Life Sciences & Earth Sciences (AREA)
- Finance (AREA)
- Molecular Biology (AREA)
- Health & Medical Sciences (AREA)
- Medical Informatics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Development Economics (AREA)
- Economics (AREA)
- Marketing (AREA)
- Strategic Management (AREA)
- Technology Law (AREA)
- General Business, Economics & Management (AREA)
- Financial Or Insurance-Related Operations Such As Payment And Settlement (AREA)
Abstract
本发明公开了一种基于深度学习的车险风控定价模型方法,包括以下步骤:步骤一:用户输入车辆信息,包括车牌号、品牌、型号、车辆初登日期等车辆要素信息;步骤二:系统自动补全车架号、VIN码等信息,专业工作人员核对全车架号、VIN码等信息的正确性;步骤三:用户输入车辆的里程数,并由专门的工作人员核对车辆里程数;步骤四:考虑到信息安全性,中间部分字段需要脱敏展示;本发明通过围绕“人、车、行为、历史赔付”四大维度进行数据钻取,通过大数据分析技术和机器学习算法,全方位、立体化地对车辆发生事故的风险进行精准预测,生成“风险分值”,分值越高赔付风险越高,从而使得车险风控定价更合理。
Description
技术领域
本发明属于车险技术领域,具体涉及一种基于深度学习的车险风控定价模型方法。
背景技术
机动车辆保险即汽车保险,是指对机动车辆由于自然灾害或意外事故所造成的人身伤亡或财产损失负赔偿责任的一种商业保险,机动车辆保险即“车险”,是以机动车辆本身及其第三者责任等为保险标的一种运输工具保险,其保险客户,主要是拥有各种机动交通工具的法人团体和个人;其保险标的,主要是各种类型的汽车,但也包括电车、电瓶车等专用车辆及摩托车。
传统车险定价,更多的依据行业制定的基准保费,采用从车的方式,结合各自公司理赔率等综合情况进行定价,此方法导致车险价格更多的依托车辆自身属性,如品牌型号、新车购置价、车龄等要素,缺少对驾驶人因素的考量,导致相同属性辆车不同驾驶员保费一致,而实际不同驾驶人、不同的驾驶习惯、交通违章行为等会导致出险概率完全不同。原有方案在考量历史赔付问题时仅仅考虑了理赔次数、赔付金额,对赔付中的欺诈风险缺少并未直接钻取。而一些中小型公司对大数据分析能力不足、历史数据的积累不充分导致了无法适应本次车险综合改革。
发明内容
本发明要解决的技术问题是克服现有的缺陷,提供一种基于深度学习的车险风控定价模型方法,以解决上述背景技术中提出的车险价格更多的依托车辆自身属性,缺少对驾驶人因素的考量,仅仅考虑了理赔次数、赔付金额,对赔付中的欺诈风险缺少并未直接钻取,无法适应车险综合改革的问题。
为实现上述目的,本发明提供如下技术方案:一种基于深度学习的车险风控定价模型方法,包括以下步骤:
步骤一:用户输入车辆信息,包括车牌号、品牌、型号、车辆初登日期等车辆要素信息;
步骤二:系统自动补全车架号、VIN码等信息,专业工作人员核对全车架号、VIN码等信息的正确性;
步骤三:用户输入车辆的里程数,并由专门的工作人员核对车辆里程数;
步骤四:考虑到信息安全性,中间部分字段需要脱敏展示;
步骤五:系统根据车辆信息生产车辆画像:品牌、车架、车龄、价格区间、车辆属性等;
步骤六:用户输入车主姓名与身份证号等个人信息;
步骤七:系统根据用户信息生成用户画像:年龄、家庭分类、性别、驾龄范围等;
步骤八:用户选择车辆投保省份、地市,系统自动定位此时的省份、地市;
步骤九:系统依托其他数据源补全用户交通违章信息等行为信息;
步骤十:考虑到数据源数据准确性,补全违章信息后,需要弹出消息界面与用户确认违章行为;
步骤十一:系统依托历史数据积累,及理赔系统返回的数据补充历史赔付信息:出险次数、赔付金额、定损员、修理厂、事故性质(全损、水淹、过户等);
步骤十二:考虑到数据源数据准确性,补全信息后,需要弹出消息界面与用户确认历史赔付信息;
步骤十三:大数据加工,采用历史全量和定期增量方式加工,并根据新发现的场景适时增补模型特征;
步骤十四:采用本方案车险定价模型算法输出风控值。
优选的,所述步骤一和步骤二中,用户输入的车辆信息,补充的车辆信息,包括车牌号与车架号,确保车辆唯一可识别,避免车险定价模型算法在对车辆车险风控定价进行计算时出现不同车辆导致计算出错的问题。
优选的,所述步骤七中,生产的用户画像可以基于本地历史数据不断自动优化,每新增用户都可以作为后续的历史数据使用。
优选的,所述步骤八中,系统自动定位此时的省份、地市,并根据不同的地区进行不同级别的定价。
优选的,所述步骤十一中,涉及到人员、车辆、案件的关联关系图谱、当前车辆曾经损失程度特征、作为三者出险频度特征、近期出险特征等需要不断迭代更新。
优选的,所述步骤十和步骤十二中,需要弹出消息界面与用户进行确认信息,有效的保证了车辆各种信息的真实性和准确性,有理由后续的车险定价模型算法输出风控值的准确性。
优选的,所述步骤十四中,本方案车险风控定价模型具体算法如下:
这里输入层接受多个输入特征指标(包含人、车、行为、历史赔付等四维信息作为X输入的特征值)
X=(x_1,x_2,x_3,x_4…x_n)
Y=(1,2,3,4,5…10)
每个x_n包含用户画像、车辆情况、用户违章行为和历史赔付信息,
每个y_n为基于传统投保模型预测得到的输出评分,使用先验的数据知识对,
模型建立上,建立深度前馈网络,计算前馈神经网络参数,
在损失函数的定义上,我们使用均方差方法计算损失函数:
Loss=1/2m∑_(i=m)^m((y_i)^-y_i)^2
接下来我们使用反向传播并更新梯度,
对特殊的数据,包含个人画像信息和车辆情况我们采用平均值归一化方法:
x_new=((x-x_(minf0)))/(x_max-x_min)
以此来保证数据归一化的结果收敛,
神经网络的搭建我们使用CNN(卷积神经网络),
其中卷积层负责将特征进行卷积拟合,我们选用1D数据拟合,
池化层使用平均值进行池化,全链接层为10层,代表不同种类的积分情况。
与现有技术相比,本发明提供了一种基于深度学习的车险风控定价模型方法,具备以下有益效果:
1、本发明通过围绕“人、车、行为、历史赔付”四大维度进行数据钻取,通过大数据分析技术和机器学习算法,全方位、立体化地对车辆发生事故的风险进行精准预测,生成“风险分值”,分值越高赔付风险越高,从而使得车险风控定价更合理,通过直接提出风险分值概念,不仅可以更加科学、合理、直观的输出风险分、推荐定价策略,甚至可以直接输出具体定价系数为车险定价提供参考依据,使得车险风控定价更加合理化;
2、本发明通过设置有车险风控定价模型的具体算法,通过车险风控定价模型具体算法可以将车险风控定价转化为一个具体的风险分值,从而方便使用者能更加准确的对车辆的车险做出定价,使车险风控定价更加合理,通过将人画像信息与行为画像作为车险定价的一个考量因子,在对车险风控定价时结合了人的因素、以及驾驶人的行为因素,避免了传统的只能依托历史赔付信息的问题,使车险风控定价更加科学合理;
3、本发明通过设置深度学习算法,该算法可以通过自身深度学习进行不断优化,依托数据不断自我学习,增加算法的精准度,从而使预测模型对车险风控定价可以更加准确无误,通过在步骤一和步骤二中对车辆的车牌号、品牌、型号、车辆初登日期、全车架号、VIN码等信息进行核对,有效的保证了车辆的唯一性,通过在步骤三中用户将车辆的里程数输入系统内部,系统会根据不同的车辆里程数进行不同的车险风控定价,使定价更加合理化;
4、本发明通过在步骤四中对部分字段进行脱敏展示,有效的对车辆和用户的隐私进行保护,通过在步骤八中系统自动定位此时的省份和地市等,有效的根据不同地点对车辆的车险风控制定不同的定价标准,通过在步骤十和步骤十二中系统需要弹出消息界面与用户进行确认信息,有效的保证了车辆的违章信息和车辆历史赔付信息的真实性和准确性,为后续车险定价模型算法输出的风控值提供有力的科学依据。
附图说明
附图用来提供对本发明的进一步理解,并且构成说明书的一部分,与本发明的实施例一起用于解释本发明,并不构成对本发明的限制,在附图中:
图1为本发明提出的基于深度学习的车险风控定价模型方法流程图;
图2为本发明提出的基于深度学习的车险风控定价模型方法中神经模型的结构示意图;
具体实施方式
下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,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他实施例,都属于本发明保护的范围。
请参阅图1-2,本发明提供一种技术方案:一种基于深度学习的车险风控定价模型方法,包括以下步骤:
步骤一:用户输入车辆信息,包括车牌号、品牌、型号、车辆初登日期等车辆要素信息;
步骤二:系统自动补全车架号、VIN码等信息,专业工作人员核对全车架号、VIN码等信息的正确性,通过在步骤一和步骤二中对车辆的车牌号、品牌、型号、车辆初登日期、全车架号、VIN码等信息进行核对,有效的保证了车辆的唯一性。
步骤三:用户输入车辆的里程数,并由专门的工作人员核对车辆里程数,通过在步骤三中用户将车辆的里程数输入系统内部,系统会根据不同的车辆里程数进行不同的车险风控定价,使定价更加合理化。
步骤四:考虑到信息安全性,中间部分字段需要脱敏展示,本发明通过在步骤四中对部分字段进行脱敏展示,有效的对车辆和用户的隐私进行保护。
步骤五:系统根据车辆信息生产车辆画像:品牌、车架、车龄、价格区间、车辆属性等;
步骤六:用户输入车主姓名与身份证号等个人信息;
步骤七:系统根据用户信息生成用户画像:年龄、家庭分类、性别、驾龄范围等;
步骤八:用户选择车辆投保省份、地市,系统自动定位此时的省份、地市,通过在步骤八中系统自动定位此时的省份和地市等,有效的根据不同地点对车辆的车险风控制定不同的定价标准。
步骤九:系统依托其他数据源补全用户交通违章信息等行为信息;
步骤十:考虑到数据源数据准确性,补全违章信息后,需要弹出消息界面与用户确认违章行为;
步骤十一:系统依托历史数据积累,及理赔系统返回的数据补充历史赔付信息:出险次数、赔付金额、定损员、修理厂、事故性质(全损、水淹、过户等);
步骤十二:考虑到数据源数据准确性,补全信息后,需要弹出消息界面与用户确认历史赔付信息,通过在步骤十和步骤十二中系统需要弹出消息界面与用户进行确认信息,有效的保证了车辆的违章信息和车辆历史赔付信息的真实性和准确性,为后续车险定价模型算法输出的风控值提供有力的科学依据。
步骤十三:大数据加工,采用历史全量和定期增量方式加工,并根据新发现的场景适时增补模型特征;
步骤十四:采用本方案车险定价模型算法输出风控值,本发明通过围绕“人、车、行为、历史赔付”四大维度进行数据钻取,通过大数据分析技术和机器学习算法,全方位、立体化地对车辆发生事故的风险进行精准预测,生成“风险分值”,分值越高赔付风险越高,从而使得车险风控定价更合理,通过直接提出风险分值概念,不仅可以更加科学、合理、直观的输出风险分、推荐定价策略,甚至可以直接输出具体定价系数为车险定价提供参考依据,使得车险风控定价更加合理化。
本发明中,优选的,步骤一和步骤二中,用户输入的车辆信息,补充的车辆信息,包括车牌号与车架号,确保车辆唯一可识别,避免车险定价模型算法在对车辆车险风控定价进行计算时出现不同车辆导致计算出错的问题。
本发明中,优选的,步骤七中,生产的用户画像可以基于本地历史数据不断自动优化,每新增用户都可以作为后续的历史数据使用,本发明通过设置深度学习算法,该算法可以通过自身深度学习进行不断优化,依托数据不断自我学习,增加算法的精准度,从而使预测模型对车险风控定价可以更加准确无误。
本发明中,优选的,步骤八中,系统自动定位此时的省份、地市,并根据不同的地区进行不同级别的定价。
本发明中,优选的,步骤十一中,涉及到人员、车辆、案件的关联关系图谱、当前车辆曾经损失程度特征、作为三者出险频度特征、近期出险特征等需要不断迭代更新。
本发明中,优选的,步骤十和步骤十二中,需要弹出消息界面与用户进行确认信息,有效的保证了车辆各种信息的真实性和准确性,有理由后续的车险定价模型算法输出风控值的准确性。
本发明中,优选的,步骤十四中,本方案车险风控定价模型具体算法如下:
这里输入层接受多个输入特征指标(包含人、车、行为、历史赔付等四维信息作为X输入的特征值)
X=(x_1,x_2,x_3,x_4…x_n)
Y=(1,2,3,4,5…10)
每个x_n包含用户画像、车辆情况、用户违章行为和历史赔付信息,
每个y_n为基于传统投保模型预测得到的输出评分,使用先验的数据知识对,
模型建立上,建立深度前馈网络,计算前馈神经网络参数,
在损失函数的定义上,我们使用均方差方法计算损失函数:
Loss=1/2m∑_(i=m)^m((y_i)^-y_i)^2
接下来我们使用反向传播并更新梯度,
对特殊的数据,包含个人画像信息和车辆情况我们采用平均值归一化方法:
x_new=((x-x_(minf0)))/(x_max-x_min)
以此来保证数据归一化的结果收敛,
神经网络的搭建我们使用CNN(卷积神经网络),
其中卷积层负责将特征进行卷积拟合,我们选用1D数据拟合,
池化层使用平均值进行池化,全链接层为10层,代表不同种类的积分情况,本发明通过设置有车险风控定价模型的具体算法,通过车险风控定价模型具体算法可以将车险风控定价转化为一个具体的风险分值,从而方便使用者能更加准确的对车辆的车险做出定价,使车险风控定价更加合理,通过将人画像信息与行为画像作为车险定价的一个考量因子,在对车险风控定价时结合了人的因素、以及驾驶人的行为因素,避免了传统的只能依托历史赔付信息的问题,使车险风控定价更加科学合理。
本发明的工作原理及使用流程:使用时,步骤一:用户输入车辆信息,包括车牌号、品牌、型号、车辆初登日期等车辆要素信息;步骤二:系统自动补全车架号、VIN码等信息,专业工作人员核对全车架号、VIN码等信息的正确性;步骤三:用户输入车辆的里程数,并由专门的工作人员核对车辆里程数;步骤四:考虑到信息安全性,中间部分字段需要脱敏展示;步骤五:系统根据车辆信息生产车辆画像:品牌、车架、车龄、价格区间、车辆属性等;步骤六:用户输入车主姓名与身份证号等个人信息;步骤七:系统根据用户信息生成用户画像:年龄、家庭分类、性别、驾龄范围等;步骤八:用户选择车辆投保省份、地市,系统自动定位此时的省份、地市;步骤九:系统依托其他数据源补全用户交通违章信息等行为信息;步骤十:考虑到数据源数据准确性,补全违章信息后,需要弹出消息界面与用户确认违章行为;步骤十一:系统依托历史数据积累,及理赔系统返回的数据补充历史赔付信息:出险次数、赔付金额、定损员、修理厂、事故性质(全损、水淹、过户等);步骤十二:考虑到数据源数据准确性,补全信息后,需要弹出消息界面与用户确认历史赔付信息;步骤十三:大数据加工,采用历史全量和定期增量方式加工,并根据新发现的场景适时增补模型特征;步骤十四:采用本方案车险定价模型算法输出风控值。
尽管已经示出和描述了本发明的实施例,对于本领域的普通技术人员而言,可以理解在不脱离本发明的原理和精神的情况下可以对这些实施例进行多种变化、修改、替换和变型,本发明的范围由所附权利要求及其等同物限定。
Claims (7)
1.一种基于深度学习的车险风控定价模型方法,其特征在于:包括以下步骤:
步骤一:用户输入车辆信息,包括车牌号、品牌、型号、车辆初登日期等车辆要素信息;
步骤二:系统自动补全车架号、VIN码等信息,专业工作人员核对全车架号、VIN码等信息的正确性;
步骤三:用户输入车辆的里程数,并由专门的工作人员核对车辆里程数;
步骤四:考虑到信息安全性,中间部分字段需要脱敏展示;
步骤五:系统根据车辆信息生产车辆画像:品牌、车架、车龄、价格区间、车辆属性等;
步骤六:用户输入车主姓名与身份证号等个人信息;
步骤七:系统根据用户信息生成用户画像:年龄、家庭分类、性别、驾龄范围等;
步骤八:用户选择车辆投保省份、地市,系统自动定位此时的省份、地市;
步骤九:系统依托其他数据源补全用户交通违章信息等行为信息;
步骤十:考虑到数据源数据准确性,补全违章信息后,需要弹出消息界面与用户确认违章行为;
步骤十一:系统依托历史数据积累,及理赔系统返回的数据补充历史赔付信息:出险次数、赔付金额、定损员、修理厂、事故性质(全损、水淹、过户等);
步骤十二:考虑到数据源数据准确性,补全信息后,需要弹出消息界面与用户确认历史赔付信息;
步骤十三:大数据加工,采用历史全量和定期增量方式加工,并根据新发现的场景适时增补模型特征;
步骤十四:采用本方案车险定价模型算法输出风控值。
2.根据权利要求1所述的一种基于深度学习的车险风控定价模型方法,其特征在于:所述步骤一和步骤二中,用户输入的车辆信息,补充的车辆信息,包括车牌号与车架号,确保车辆唯一可识别,避免车险定价模型算法在对车辆车险风控定价进行计算时出现不同车辆导致计算出错的问题。
3.根据权利要求1所述的一种基于深度学习的车险风控定价模型方法,其特征在于:所述步骤七中,生产的用户画像可以基于本地历史数据不断自动优化,每新增用户都可以作为后续的历史数据使用。
4.根据权利要求1所述的一种基于深度学习的车险风控定价模型方法,其特征在于:所述步骤八中,系统自动定位此时的省份、地市,并根据不同的地区进行不同级别的定价。
5.根据权利要求1所述的一种基于深度学习的车险风控定价模型方法,其特征在于:所述步骤十一中,涉及到人员、车辆、案件的关联关系图谱、当前车辆曾经损失程度特征、作为三者出险频度特征、近期出险特征等需要不断迭代更新。
6.根据权利要求1所述的一种基于深度学习的车险风控定价模型方法,其特征在于:所述步骤十和步骤十二中,需要弹出消息界面与用户进行确认信息,有效的保证了车辆各种信息的真实性和准确性,有理由后续的车险定价模型算法输出风控值的准确性。
7.根据权利要求1所述的一种基于深度学习的车险风控定价模型方法,其特征在于:所述步骤十四中,本方案车险风控定价模型具体算法如下:
这里输入层接受多个输入特征指标(包含人、车、行为、历史赔付等四维信息作为X输入的特征值)
X=(x_1,x_2,x_3,x_4…x_n)
Y=(1,2,3,4,5…10)
每个x_n包含用户画像、车辆情况、用户违章行为和历史赔付信息,
每个y_n为基于传统投保模型预测得到的输出评分,使用先验的数据知识对,
模型建立上,建立深度前馈网络,计算前馈神经网络参数,
在损失函数的定义上,我们使用均方差方法计算损失函数:
Loss=1/2m∑_(i=m)^m((y_i)^-y_i)^2
接下来我们使用反向传播并更新梯度,
对特殊的数据,包含个人画像信息和车辆情况我们采用平均值归一化方法:
x_new=((x-x_(minf0)))/(x_max-x_min)
以此来保证数据归一化的结果收敛,
神经网络的搭建我们使用CNN(卷积神经网络),
其中卷积层负责将特征进行卷积拟合,我们选用1D 数据拟合,
池化层使用平均值进行池化,全链接层为10层,代表不同种类的积分情况。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110632533.1A CN113379555A (zh) | 2021-06-07 | 2021-06-07 | 一种基于深度学习的车险风控定价模型方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110632533.1A CN113379555A (zh) | 2021-06-07 | 2021-06-07 | 一种基于深度学习的车险风控定价模型方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN113379555A true CN113379555A (zh) | 2021-09-10 |
Family
ID=77576147
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110632533.1A Pending CN113379555A (zh) | 2021-06-07 | 2021-06-07 | 一种基于深度学习的车险风控定价模型方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113379555A (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116342300A (zh) * | 2023-05-26 | 2023-06-27 | 凯泰铭科技(北京)有限公司 | 一种保险理赔人员特征分析方法、装置和设备 |
CN116777648A (zh) * | 2023-08-23 | 2023-09-19 | 山东远硕上池健康科技有限公司 | 一种车辆出险的人伤理赔信息智能管理方法 |
CN117094781A (zh) * | 2023-08-25 | 2023-11-21 | 国任财产保险股份有限公司 | 一种智能车险定价和理赔处理方法及系统 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108734592A (zh) * | 2018-05-11 | 2018-11-02 | 深圳市图灵奇点智能科技有限公司 | 车辆保险业务数据分析方法和系统 |
CN110163759A (zh) * | 2018-02-12 | 2019-08-23 | 北京直通万连科技有限公司 | 一种车险方案生成方法 |
WO2020024407A1 (zh) * | 2018-08-03 | 2020-02-06 | 平安科技(深圳)有限公司 | 电子装置、车险智能理赔方法及存储介质 |
CN111310562A (zh) * | 2020-01-10 | 2020-06-19 | 中国平安财产保险股份有限公司 | 基于人工智能的车辆驾驶风险管控方法及其相关设备 |
CN112232338A (zh) * | 2020-10-13 | 2021-01-15 | 中国平安人寿保险股份有限公司 | 核保理赔过程的资料录入方法、装置、设备及存储介质 |
-
2021
- 2021-06-07 CN CN202110632533.1A patent/CN113379555A/zh active Pending
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110163759A (zh) * | 2018-02-12 | 2019-08-23 | 北京直通万连科技有限公司 | 一种车险方案生成方法 |
CN108734592A (zh) * | 2018-05-11 | 2018-11-02 | 深圳市图灵奇点智能科技有限公司 | 车辆保险业务数据分析方法和系统 |
WO2020024407A1 (zh) * | 2018-08-03 | 2020-02-06 | 平安科技(深圳)有限公司 | 电子装置、车险智能理赔方法及存储介质 |
CN111310562A (zh) * | 2020-01-10 | 2020-06-19 | 中国平安财产保险股份有限公司 | 基于人工智能的车辆驾驶风险管控方法及其相关设备 |
CN112232338A (zh) * | 2020-10-13 | 2021-01-15 | 中国平安人寿保险股份有限公司 | 核保理赔过程的资料录入方法、装置、设备及存储介质 |
Non-Patent Citations (1)
Title |
---|
""险"中求胜之投保篇 购买汽车保险", 汽车实用技术, no. 05, pages 2 * |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116342300A (zh) * | 2023-05-26 | 2023-06-27 | 凯泰铭科技(北京)有限公司 | 一种保险理赔人员特征分析方法、装置和设备 |
CN116777648A (zh) * | 2023-08-23 | 2023-09-19 | 山东远硕上池健康科技有限公司 | 一种车辆出险的人伤理赔信息智能管理方法 |
CN116777648B (zh) * | 2023-08-23 | 2023-11-03 | 山东远硕上池健康科技有限公司 | 一种车辆出险的人伤理赔信息智能管理方法 |
CN117094781A (zh) * | 2023-08-25 | 2023-11-21 | 国任财产保险股份有限公司 | 一种智能车险定价和理赔处理方法及系统 |
CN117094781B (zh) * | 2023-08-25 | 2024-02-09 | 国任财产保险股份有限公司 | 一种智能车险理赔处理方法及系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN113379555A (zh) | 一种基于深度学习的车险风控定价模型方法 | |
US11748330B2 (en) | Systems and methods for analyzing vehicle sensor data via a blockchain | |
US11836785B1 (en) | System and method for providing comprehensive vehicle information | |
US20210287297A1 (en) | Automobile Monitoring Systems and Methods for Loss Reserving and Financial Reporting | |
US10296977B2 (en) | Computer-implemented method and system for reporting a confidence score in relation to a vehicle equipped with a wireless-enabled usage reporting device | |
US20180189890A1 (en) | Insurance marketing methods | |
US20230162199A1 (en) | System and method for accumulation and maintenance of money in a vehicle maintenance savings account | |
Lee-Smith | Urban management in Nairobi: A case study of the matatu mode of public transport | |
US20160239921A1 (en) | Apparatus and methods for estimating an extent of property damage | |
CN107657502A (zh) | 基于互联网的汽车一站式应用系统及方法 | |
US20140039935A1 (en) | Insurance verification system (insvsys) | |
CA2695723A1 (en) | System and method for validating indirect financing transactions | |
US20190312879A1 (en) | Systems and methods for creating a verified customer profile | |
JP2019046234A (ja) | 中古車査定システム | |
US11676164B2 (en) | Methods and systems for determining prices | |
Ecola et al. | The future of mobility: Scenarios for China in 2030 | |
CN114912717A (zh) | 基于物联网的智慧城市保障住房申请风险评估方法和系统 | |
Qin et al. | Analysis of the travel intent for park and ride based on perception | |
CA2333342A1 (en) | Automotive finance portal | |
CN112396483A (zh) | 一种基于区块技术的拼车信息发布方法 | |
CN111417088B (zh) | 一种车联网数据身份属性认证方法 | |
Murillo-Hoyos et al. | Rolling stock purchase cost for rail and road public transportation: random-parameter modelling and marginal effect analysis | |
CN112765281A (zh) | 车辆流转系统及方法、计算机设备和存储介质 | |
CN109840824A (zh) | 全球车辆的车价比价系统 | |
CN107730431A (zh) | 共享单车管理系统和吸纳系统及纳新方法及机器可读介质 |
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 |