CN114493903B - 人伤风险评估中估损模型优化方法及相关设备 - Google Patents
人伤风险评估中估损模型优化方法及相关设备 Download PDFInfo
- Publication number
- CN114493903B CN114493903B CN202210146946.3A CN202210146946A CN114493903B CN 114493903 B CN114493903 B CN 114493903B CN 202210146946 A CN202210146946 A CN 202210146946A CN 114493903 B CN114493903 B CN 114493903B
- Authority
- CN
- China
- Prior art keywords
- assessment
- loss
- flow
- factor
- damage assessment
- 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.)
- Active
Links
- 238000000034 method Methods 0.000 title claims abstract description 102
- 238000012502 risk assessment Methods 0.000 title claims abstract description 42
- 238000005457 optimization Methods 0.000 title claims abstract description 28
- 230000006378 damage Effects 0.000 claims abstract description 280
- 208000027418 Wounds and injury Diseases 0.000 claims abstract description 118
- 208000014674 injury Diseases 0.000 claims abstract description 114
- 230000006735 deficit Effects 0.000 claims abstract description 65
- 231100000809 Damage Assessment Model Toxicity 0.000 claims abstract description 18
- 238000004364 calculation method Methods 0.000 claims description 39
- 230000006870 function Effects 0.000 claims description 33
- 238000004590 computer program Methods 0.000 claims description 18
- 238000003860 storage Methods 0.000 claims description 13
- 241000820057 Ithone Species 0.000 claims description 4
- 230000001351 cycling effect Effects 0.000 claims description 3
- 238000012163 sequencing technique Methods 0.000 claims description 3
- 238000000605 extraction Methods 0.000 claims description 2
- 238000004458 analytical method Methods 0.000 description 17
- 238000010191 image analysis Methods 0.000 description 5
- 238000007405 data analysis Methods 0.000 description 4
- 238000012545 processing Methods 0.000 description 3
- 238000013473 artificial intelligence Methods 0.000 description 2
- 238000012550 audit Methods 0.000 description 2
- 230000003416 augmentation Effects 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 238000007726 management method Methods 0.000 description 2
- 238000000638 solvent extraction Methods 0.000 description 2
- 230000001360 synchronised effect Effects 0.000 description 2
- 238000012384 transportation and delivery Methods 0.000 description 2
- 238000005299 abrasion Methods 0.000 description 1
- 238000004220 aggregation Methods 0.000 description 1
- 230000002776 aggregation Effects 0.000 description 1
- 238000003491 array Methods 0.000 description 1
- 230000001413 cellular effect Effects 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 230000003247 decreasing effect Effects 0.000 description 1
- 238000009826 distribution Methods 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 238000013210 evaluation model Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 230000002035 prolonged effect Effects 0.000 description 1
- 230000003068 static effect Effects 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
- G06Q40/00—Finance; Insurance; Tax strategies; Processing of corporate or income taxes
- G06Q40/08—Insurance
-
- 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
- G06Q10/00—Administration; Management
- G06Q10/10—Office automation; Time management
- G06Q10/103—Workflow collaboration or project management
Landscapes
- Business, Economics & Management (AREA)
- Engineering & Computer Science (AREA)
- Human Resources & Organizations (AREA)
- Strategic Management (AREA)
- Entrepreneurship & Innovation (AREA)
- Economics (AREA)
- General Physics & Mathematics (AREA)
- Marketing (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Business, Economics & Management (AREA)
- Finance (AREA)
- Development Economics (AREA)
- Accounting & Taxation (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Tourism & Hospitality (AREA)
- Technology Law (AREA)
- Data Mining & Analysis (AREA)
- Educational Administration (AREA)
- Game Theory and Decision Science (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种人伤风险评估中估损模型优化方法，应用于人伤风险评估领域。本发明提供的方法包括：从至少一件历史定损案件提取第一关键信息生成至少一个定损因子；将至少一个人伤定损流程关联至少一个所述定损因子；获取第一历史定损案件，根据所述人伤定损流程关联的所述定损因子从所述第一历史定损案件提取第二关键信息，将所述第二关键信息输入预先设定的估损模型，获得所述第一历史定损案件的预测损失值；计算所述第一历史定损案件实际损失值与所述预测损失值的第一差值；判断所述第一差值是否在所述第一差值范围内，若不是则使用预设调整方法优化与所述人伤定损流程关联的所述定损因子以及所述估损模型。
Description
技术领域
本发明涉及人工智能技术领域，尤其涉及人伤风险评估中估损模型优化方法及相关设备。
背景技术
人伤定损是保险行业非常重要的一个环节，是最终理赔的重要依据，需要根据医疗机构出具的证明和费用单据、车辆估损以及责任划分等信息来确定损失值，但是在传统的人伤定损方法中，存在人为因素的干扰使得最终理赔损失值与实际出险情况相悖，所以保险公司制定了各种严苛的审核流程导致理赔时间延长、效率低下、运营成本增加、客户满意度降低等问题。
发明内容
本发明实施例提供一种人伤风险评估中估损模型优化方法、装置、计算机设备及存储介质，以解决传统人伤定损审核流程效率低下和人为因素干扰的问题。
一种人伤风险评估中估损模型优化方法，包括：
从至少一件历史定损案件提取第一关键信息生成至少一个定损因子；
将至少一个人伤定损流程关联至少一个所述定损因子；
获取第一历史定损案件，根据所述人伤定损流程关联的所述定损因子从所述第一历史定损案件提取第二关键信息，将所述第二关键信息输入预先设定的估损模型，获得所述第一历史定损案件的预测损失值；
计算所述第一历史定损案件实际损失值与所述预测损失值的第一差值；
判断所述第一差值是否在所述第一差值范围内，若不是则使用预设调整方法优化与所述人伤定损流程关联的所述定损因子以及所述估损模型；
循环所述将至少一个所述人伤定损流程关联至少一个所述定损因子，至优化与所述人伤定损流程关联的所述定损因子及所述估损模型之间的步骤，直至所述第一差值在所述第一差值范围内。
一种人伤风险评估中估损模型优化装置，包括：
定损因子生成模块，用于从至少一件历史定损案件提取第一关键信息生成至少一个定损因子；
定损因子关联模块，用于将至少一个人伤定损流程关联至少一个所述定损因子；
预测损失值计算模块，用于获取第一历史定损案件，根据所述人伤定损流程关联的所述定损因子从所述第一历史定损案件提取第二关键信息，将所述第二关键信息输入预先设定的估损模型，获得所述第一历史定损案件的预测损失值；
第一差值计算模块，用于计算所述第一历史定损案件实际损失值与所述预测损失值的第一差值；
估损模型优化模块，用于判断所述第一差值是否在所述第一差值范围内，若不是则使用预设调整方法优化与所述人伤定损流程关联的所述定损因子以及所述估损模型；
循环模块，用于循环所述将至少一个所述人伤定损流程关联至少一个所述定损因子，至优化与所述人伤定损流程关联的所述定损因子及所述估损模型之间的步骤，直至所述第一差值在所述第一差值范围内。
一种计算机设备，包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现上述人伤风险评估中估损模型优化方法的步骤。
一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，所述计算机程序被处理器执行时实现上述人伤风险评估中估损模型优化方法的步骤。
上述人伤风险评估中估损模型优化方法、装置、计算机设备及存储介质，通过分析历史人伤定损案件，提取业务关联的第一关键信息生成定损因子，并将所述定损因子与人伤定损的每个流程进行关联，获取历史定损案件的第二关键信息输入预先设定的估损模型，通过预设的计算方法得到所述历史定损案件的预测损失值，并且将所述预测损失值与最终的实际损失值进行比较，将比较的结果作为优化所述定损因子和所述估损模型的依据，进一步优化人伤定损的流程，使得预测损失值的计算更加准确，不仅提升了人伤风险评估工作的效率，而且减小了传统人伤风险评估中人为因素的干扰。
附图说明
为了更清楚地说明本发明实施例的技术方案，下面将对本发明实施例的描述中所需要使用的附图作简单地介绍，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性的前提下，还可以根据这些附图获得其他的附图。
图1是本发明一实施例中人伤风险评估中估损模型优化方法的一应用环境示意图；
图2是本发明一实施例中人伤风险评估中估损模型优化方法的一流程图；
图3本发明一实施例中人伤风险评估中估损模型优化装置的结构示意图；
图4本发明一实施例中计算机设备的一示意图。
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作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。
本申请提供的人伤风险评估中估损模型优化方法，可应用在如图1的用环境中。其中，服务器101独立的服务器，也可以是提供云服务、云数据库、云计算、云函数、云存储、网络服务、云通信、中间件服务、域名服务、安全服务、内容分发网络(Content DeliveryNetwork，CDN)、以及大数据和人工智能平台等基础云计算服务的云服务器。
在一实施例中，如图2，提供一种人伤风险评估中估损模型优化方方法，以该方法应用在图1中的服务器101为例进行说明，包括如下步骤S201至S206：
S201、从至少一件历史定损案件提取第一关键信息生成至少一个定损因子。
其中，所述历史定损案件是已经产生确定的实际损失值和结案的人伤定损案件，所述历史定损案件的具体信息数据在保险业务系统中包括但不限于：人伤相关文本信息、人伤相关数据信息、人伤相关图像信息和人伤相关视频信息。使用文本分析和语义分析工具从所述人伤相关文本信息中提取关键文本信息，使用数据分析工具从所述人伤相关数据信息中提取关键数据信息，使用图像分析工具从所述人伤相关图像信息中提取关键图像信息，使用视频分析工具从所述人伤相关视频信息中提取所述人伤相关视频信息。例如，对于车辆发生正面碰撞导致乘客受伤的人伤定损案件，使用文本分析和语义分析工具从伤者受伤情况的描述性文本信息中提取关于伤者的受伤程度的文本信息，使用数据分析工具从事故认定责任书中获取关于事故责任划分的数据信息，使用图像分析工具从现场的事故照片中提取关于事故严重程度的图像信息，使用视频分析工具从事故相关的监控视频中提取关于事故责任划分的关键视频片段信息。
进一步地，所述从至少一件历史定损案件提取第一关键信息生成至少一个定损因子的步骤具体包括：
根据目标业务属性获取所述历史定损案件，对所述历史定损案件进行聚类；
从聚类后的所述历史案件中提取所述目标业务属性关联的第一关键信息；
将所述第一关键信息按照预先设定的定损因子生成方法生成所述定损因子。
其中，聚类是将具有历史案件中存在业务上相似性的案件聚合成同一类型案件集合后进行分析，例如将包括了人员擦伤情况的所有历史案件聚合成擦伤类型案件集合进行分析。
其中，从所述定损因子生成方法是使用文本分析工具、语义分析工具、数据分析工具、图像分析工具和视频分析工具，将所述第一关键信息转化成相应的规则。例如使用文本分析工具和语义分析工具分析所有的擦伤描述文本，根据所述擦伤描述文本生成擦伤重要程度的判断规则；例如使用图像分析工具分析事故现场照片，根据图像分析工具的分析结果生成事故现场照片的图像判断标准，所述图像判断标准可以区分有效事故现场照片和无效事故现场照片。例如使用数据分析工具分析事故认定责任书中责任划分的比例数据，根据所述比例数据生成事故认定责任比例数据的合理范围标准，所述事故认定责任比例数据的合理范围标准可以区分有效的所述比例数据和无效的所述比例数据。例如视频分析工具分析事故监控视频生成事故监控视频的视频判断标准，所述视频判断标准可以区分有效事故监控视频和无效事故监控视频。
进一步地，所述定损因子的类型包括但不限于：单属性因子、整案因子、系统级因子。单属性因子是所述历史案件中的一具体第一关键信息，比如所述历史案件中人伤的伤残级别鉴定结果。整案因子是包含至少一个所述历史案件的单属性因子的集合类型因子，例如所述历史案件的伤情因子包含了伤残级别鉴定结果因子、伤残级别鉴定机构因子和伤残鉴定标准因子。系统级因子是综合了所有历史案件的单属性因子和/或整案因子的集合类因子，比如定损金额范围因子是综合了所有历史案件的定损金额后得到的包含最大金额和最小金额的金额范围。
其中，所述定损因子是根据历史案件的第一关键信息进行聚合和分析得到，并且所述定损因子会随着历史案件的增加进行持续性的聚合和分析，进一步丰富和完善所述定损因子。
S202、将至少一个人伤定损流程关联至少一个所述定损因子。
其中，所述人伤定损流程包括但不限于：事故报案、现场检查、医院处理、伤情跟踪、诉讼跟踪、理赔审核、支付结案。
进一步地，所述将至少一个所述人伤定损流程关联至少一个所述定损因子的步骤具体包括：
获取全部所述人伤定损流程并按照业务逻辑顺序进行排序后添加到流程待关联集合；
按照业务逻辑顺序从所述流程待关联集合中获取所述人伤定损流程，将与所述人伤定损流程存在业务关联性的所述定损因子与所述人伤定损流程进行关联；
循环所述按照业务逻辑顺序从所述流程待关联集合中获取所述人伤定损流程，将与所述人伤定损流程存在业务关联性的所述定损因子与所述人伤定损流程进行关联的步骤，直至全部所述人伤定损流程都关联至少一个所述定损因子。
其中，与所述人伤定损进行关联的所述定损因子必然与所述人伤定损流程存在业务关联关系，例如在伤情鉴定流程关联的所述定损因子是伤情鉴定相关的定损因子，而不是医疗方案相关的定损因子。
S203、获取第一历史定损案件，根据所述人伤定损流程关联的所述定损因子从所述第一历史定损案件提取第二关键信息，将所述第二关键信息输入预先设定的估损模型，获得所述第一历史定损案件的预测损失值。
其中，所述估损模型是将每个所述定损因子的因子损失值进行累加的数学表达式，所述因子损失值是根据所述定损因子的因子损失值计算函数和因子系数计算的结果。将所述第一历史定损案件关联的每个定损因子的所述因子损失值进行累加求和，所述累加求和的结果则是所述第一历史定损案件根据估损模型得到的预测损失值。
进一步地，所述估损模型为∑μifi(xi)，根据如下公式计算第一历史定损案件的预测损失值：
y＝∑μifi(xi)(i＞0)
其中，y表示所述第一历史定损案件的预测损失值，μi表示所述第一历史定损案件的第i个所述定损因子的因子系数，xi表示所述第一历史定损案件的第i个所述定损因子的输入变量，fi(xi)表示所述第一历史定损案件的第i个定损因子的因子损失值计算函数。
其中，所述因子损失值计算函数是由所述定损因子的规则生成的数学表达式，因为每个所述损失因子的规则不相同，所以每个所述定损因子生成的因子损失值计算函数也不相同，例如擦伤定损因子的因子损失值计算函数是根据擦伤定损因子的擦伤定损规则生成的第一数学表达式，贯穿伤定损因子的因子损失值计算函数是根据贯穿伤定损因子的贯穿伤定损规则生成的第二数学表达式，即擦伤定损因子的因子损失值计算函数与贯穿伤的因子损失计算函数不相同。
其中，需要特别说明的是μi的取值是非0的类型，即μi是非0的整数，当μi大于0时表示所述当前定损因子对所述历史案件的定损金额是增加作用，当μi小于0时表示当前定损因子对所述历史案件的定损金额是减少作用。
其中，所述获取第一历史定损案件的第二关键信息包括但不限于：事故维度、事故城市、承保机构、伤者类型、治疗情况和诊断信息。
进一步的，所述获取第一历史定损案件，根据所述人伤定损流程关联的所述定损因子从所述第一历史定损案件提取第二关键信息，将所述第二关键信息输入预先设定的估损模型，获得所述第一历史定损案件的预测损失值的步骤之后还包括：
生成定时任务定时获取所述第一历史案件的增补信息，其中所述增补信息包括但不限于：人伤跟踪信息、人伤协议信息、人伤诉讼信息；
更新所述增补信息关联的所述人伤定损流程关联的定损因子，并重新按照所述估损模型计算所述预测损失值；
定时任务触发任务终止规则，则停止所述定时任务并将当前计算的所述预测损失值作为所述第一历史案件的预测损失值。
例如，投保人在广东省深圳市发生车祸，造成对面车内人面部轻微擦伤，己方责任100％，系统根据案件情况给出预测损失值；后续处理中双方就医疗费达成协议等，则系统会采纳协议中的医疗费，生成新的预测损失值。
其中，对于计算得到的所述预测损失值，达到了预设的第一损失值预警范围，则将所述第一历史案件的详细信息及定损因子等信息将被发送至人工审核员，等待人工审核员的审核结果以及人工审核员发送的纠正后的预测损失值。
其中，对于单个所述定损因子还单独设置有第二损失值预警范围，当单个所述定损因子计算的因子预测损失值达到所述第二损失值预警范围时，则将所述第一历史案件的所有案件信息和产生预警的所述定损因子信息发送至人工审核员进行审核，等待人工审核员的审核结果以及人工审核员发送的产生预警的所述定损因子的纠正后的因子预测损失值。
其中，对于产生预警信息的所述第一历史案件，还将产生预警的原因进行归类，例如虚假信息、计算错误等，所述产生预警的原因用于优化所述定损因子，并获取预警信息(例如虚假信息)关联的自然人信息发送至信用评级系统，下调所述自然人的信用评级。
其中，所述估损模型包含了所述第一历史案件的每个流程关联的定损因子，高效的将所述第一历史案件的预测损失值拆分成多个定损因子计算出的因子预测损失值的和，不仅提高了计算分析的效率，还能更加细粒度的分析所述第一历史案件。
S204、计算所述第一历史定损案件实际损失值与所述预测损失值的第一差值。
其中，所述实际损失值是所述第一历史定损案件中最终理赔给伤者的实际结果，所述预测损失值是所述第一历史定损案件在最终理赔前根据所述估损模型计算得出的预测结果，所述实际损失值和所述预测损失值不一定相等。
S205、判断所述第一差值是否在所述第一差值范围内，若不是则使用预设调整方法优化与所述人伤定损流程关联的所述定损因子以及所述估损模型。
进一步地，所述使用预设调整方法优化与所述人伤定损流程关联的所述定损因子以及所述估损模型的步骤具体包括：
计算所述第一历史定损案件的每个所述人伤定损流程的流程预测损失值与流程实际损失值的第二差值；
将所述第二差值超过预设第二差值范围的所述人伤定损流程加入待分析流程集合；
从所述待分析流程集合中依次获取所述人伤定损流程，优化所述人伤定损流程关联的所述定损因子；
从所述待分析流程集合中依次获取所述人伤定损流程，优化所述人伤定损流程关联的定损因子对应的所述因子系数；
计算被优化过的所述人伤定损流程的流程预测损失值与流程实际损失值的第二差值，若所述第二差值在所述预设第二差值范围内则将被优化过的所述人伤定损流程从所述待分析流程集合移除；
循环所述从所述待分析流程集合中依次获取所述人伤定损流程至所述计算被优化过的所述人伤定损流程的流程预测损失值与流程实际损失值的第二差值之间的步骤，直至所述待分析流程集合为空集。
其中，优化所述人伤定损流程关联的所述定损因子是对所述人伤定损流程进行包括但不限于：增加新的关联定损因子、移除已关联的定损因子和更换已关联的定损因子。优化所述人伤定损流程关联的定损因子对应的所述因子系数是对所述因子系数进行加大或减小的操作。
其中，对于所述人伤定损流程关联的所述定损因子进行优化，以及对所述定损因子的因子系数进行优化，可以更加细粒度的去调节所述估损模型，使得通过所述估损模型计算出来的预测损失值更加接近实际损失值，同时不断优化的过程还有效避免了所述人伤定损过程人为因素的干扰。
进一步地，所述使用预设调整方法优化与所述人伤定损流程关联的所述定损因子以及所述估损模型的步骤之后，还包括：
记录与所述人伤定损流程进行关联的所述定损因子被优化次数；
当所述被优化次数达到预设优化预警次数时，将关联的定损因子作为待优化定损因子；
重新设计所述待优化定损因子的所述因子损失值计算函数，并使用新设计的所述因子损失值计算函数更新所述估损模型，使用更新的所述估损模型计算所述待优化定损因子关联的所有历史定损案件的预测损失值与实际损失值的第三差值；
判断所述第三差值是否在所述第一差值范围内，若否，则循环所述重新设计所述待优化定损因子的所述因子损失值计算函数至计算所述第三差值之间的步骤，直至所述第三差值在所述第一差值范围内。
其中，对于所述定损因子的所述因子损失值计算函数的优化，使得系统中与所述定损因子关联的所述人伤定损流程得到的流程预测损失值更加准确，进而所述人伤定损案件的所述预测损失值更加准确，在对新的案件进行人伤风险评估时得到的预测损失值更加准确。
S206、循环所述将至少一个所述人伤定损流程关联至少一个所述定损因子，至优化与所述人伤定损流程关联的所述定损因子及所述估损模型之间的步骤，直至所述第一差值在所述第一差值范围内。
本实施例提出的人伤风险评估中估损模型优化方法，通过分析历史人伤定损案件，提取业务关联的第一关键信息生成定损因子，并将所述定损因子与人伤定损的每个流程进行关联，获取历史定损案件的第二关键信息输入预先设定的估损模型，通过预设的计算方法得到所述历史定损案件的预测损失值，并且将所述预测损失值与最终的实际损失值进行比较，将比较的结果作为优化所述定损因子和所述估损模型的依据，进一步优化人伤定损的流程，使得预测损失值的计算更加准确，不仅提升了人伤风险评估工作的效率，而且减小了传统人伤风险评估中人为因素的干扰。
应理解，上述实施例中各步骤的序号的大小并不意味着执行顺序的先后，各过程的执行顺序应以其功能和内在逻辑确定，而不应对本发明实施例的实施过程构成任何限定。
在一实施例中，提供一种人伤风险评估中估损模型优化装置30，该人伤风险评估中估损模型优化装置30与上述实施例中人伤风险评估中估损模型优化方法一一对应。如图3所示，该人伤风险评估中估损模型优化装置30包括定损因子生成模块301、定损因子关联模块302、预测损失值计算模块303、第一差值计算模块304、估损模型优化模块305和循环模块306。各功能模块详细说明如下：
定损因子生成模块301，用于从至少一件历史定损案件提取第一关键信息生成至少一个定损因子；
定损因子关联模块302，用于将至少一个人伤定损流程关联至少一个所述定损因子；
预测损失值计算模块303，用于获取第一历史定损案件，根据所述人伤定损流程关联的所述定损因子从所述第一历史定损案件提取第二关键信息，将所述第二关键信息输入预先设定的估损模型，获得所述第一历史定损案件的预测损失值；
第一差值计算模块304，用于计算所述第一历史定损案件实际损失值与所述预测损失值的第一差值；
估损模型优化模块305，用于判断所述第一差值是否在所述第一差值范围内，若不是则使用预设调整方法优化与所述人伤定损流程关联的所述定损因子以及所述估损模型；
循环模块306，用于循环所述将至少一个所述人伤定损流程关联至少一个所述定损因子，至优化与所述人伤定损流程关联的所述定损因子及所述估损模型之间的步骤，直至所述第一差值在所述第一差值范围内。
进一步地，所述定损因子生成模块301还包括：
历史案件聚类子模块，用于根据目标业务属性获取所述历史定损案件，对所述历史定损案件进行聚类；
关键信息提取子模块，用于从聚类后的所述历史案件中提取所述目标业务属性关联的第一关键信息；
因子生成子模块，用于将所述第一关键信息按照预先设定的定损因子生成方法生成所述定损因子。
进一步地，所述定损因子关联模块302还包括：
待关联流程子模块，用于获取全部所述人伤定损流程并按照业务逻辑顺序进行排序后添加到流程待关联集合；
流程关联子模块，用于按照业务逻辑顺序从所述流程待关联集合中获取所述人伤定损流程，将与所述人伤定损流程存在业务关联性的所述定损因子与所述人伤定损流程进行关联；
关联循环子模块，用于循环所述按照业务逻辑顺序从所述流程待关联集合中获取所述人伤定损流程，将与所述人伤定损流程存在业务关联性的所述定损因子与所述人伤定损流程进行关联的步骤，直至全部所述人伤定损流程都关联至少一个所述定损因子。
进一步地，所述预测损失值计算模块303还包括如下功能：
根据如下公式计算第一历史定损案件的预测损失值：
y＝∑μifi(xi)(i＞0)
其中，y表示所述第一历史定损案件的预测损失值，μi表示所述第一历史定损案件的第i个所述定损因子的因子系数，xi表示所述第一历史定损案件的第i个所述定损因子的输入变量，fi(xi)表示所述第一历史定损案件的第i个定损因子的因子损失值计算函数。
进一步地，所述估损模型优化模块305还包括：
第二差值计算子模块，用于计算所述第一历史定损案件的每个所述人伤定损流程的流程预测损失值与流程实际损失值的第二差值；
待分析流程子模块，用于将所述第二差值超过预设第二差值范围的所述人伤定损流程加入待分析流程集合；
定损流程优化子模块，用于从所述待分析流程集合中依次获取所述人伤定损流程，优化所述人伤定损流程关联的所述定损因子；
优化结果判断字模块，用于从所述待分析流程集合中依次获取所述人伤定损流程，优化所述人伤定损流程关联的定损因子对应的所述因子系数计算被优化过的所述人伤定损流程的流程预测损失值与流程实际损失值的第二差值，若所述第二差值在所述预设第二差值范围内则将被优化过的所述人伤定损流程从所述待分析流程集合移除；
流程优化循环子模块，用于循环所述从所述待分析流程集合中依次获取所述人伤定损流程至所述计算被优化过的所述人伤定损流程的流程预测损失值与流程实际损失值的第二差值之间的步骤，直至所述待分析流程集合为空集。
进一步地，所述估损模型优化模块305还包括：
优化次数管理子模块，用于记录与所述人伤定损流程进行关联的所述定损因子被优化次数；
待优化管理子模块，用于当所述被优化次数达到预设优化预警次数时，将关联的定损因子作为待优化定损因子；
定损因子重设子模块，用于重新设计所述待优化定损因子的所述因子损失值计算函数，并使用新设计的所述因子损失值计算函数更新所述估损模型，使用更新的所述估损模型计算所述待优化定损因子关联的所有历史定损案件的预测损失值与实际损失值的第三差值；
定损因子优化判断字模块，用于判断所述第三差值是否在所述第一差值范围内，若否，则循环所述重新设计所述待优化定损因子的所述因子损失值计算函数至计算所述第三差值之间的步骤，直至所述第三差值在所述第一差值范围内。
其中上述模块/单元中的“第一”和“第二”的意义仅在于将不同的模块/单元加以区分，并不用于限定哪个模块/单元的优先级更高或者其它的限定意义。此外，术语“包括”和“具有”以及他们的任何变形，意图在于覆盖不排他的包含，例如，包含了一系列步骤或模块的过程、方法、系统、产品或设备不必限于清楚地列出的那些步骤或模块，而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或模块，本申请中所出现的模块的划分，仅仅是一种逻辑上的划分，实际应用中实现时可以有另外的划分方式。
关于人伤风险评估中估损模型优化装置的具体限定可以参见上文中对于人伤风险评估中估损模型优化方法的限定，在此不再赘述。上述人伤风险评估中估损模型优化装置中的各个模块可全部或部分通过软件、硬件及其组合来实现。上述各模块可以硬件形式内嵌于或独立于计算机设备中的处理器中，也可以以软件形式存储于计算机设备中的存储器中，以便于处理器调用执行以上各个模块对应的操作。
在一个实施例中，提供了一种计算机设备，该计算机设备可以是服务器，其内部结构图可以如图4所示。该计算机设备包括通过系统总线连接的处理器、存储器、网络接口和数据库。其中，该计算机设备的处理器用于提供计算和控制能力。该计算机设备的存储器包括非易失性存储介质、内存储器。该非易失性存储介质存储有操作系统、计算机程序和数据库。该内存储器为非易失性存储介质中的操作系统和计算机程序的运行提供环境。该计算机设备的数据库用于存储人伤风险评估中估损模型优化方法中涉及到的数据。该计算机设备的网络接口用于与外部的终端通过网络连接通信。该计算机程序被处理器执行时以实现一种人伤风险评估中估损模型优化方法。
在一个实施例中，提供了一种计算机设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，处理器执行计算机程序时实现上述实施例中人伤风险评估中估损模型优化方法的步骤，例如图2所示的步骤S201至步骤S206及该方法的其它扩展和相关步骤的延伸。或者，处理器执行计算机程序时实现上述实施例中人伤风险评估中估损模型优化装置的各模块/单元的功能，例如图3所示模块301至模块306的功能。为避免重复，这里不再赘述。
所述处理器可以是中央处理单元(Central Processing Unit，CPU)，还可以是其他通用处理器、数字信号处理器(Digital Signal Processor，DSP)、专用集成电路(Application Specific Integrated Circuit，ASIC)、现成可编程门阵列(Field-Programmable Gate Array，FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等，所述处理器是所述计算机装置的控制中心，利用各种接口和线路连接整个计算机装置的各个部分。
所述存储器可用于存储所述计算机程序和/或模块，所述处理器通过运行或执行存储在所述存储器内的计算机程序和/或模块，以及调用存储在存储器内的数据，实现所述计算机装置的各种功能。所述存储器可主要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、至少一个功能所需的应用程序(比如声音播放功能、图像播放功能等)等；存储数据区可存储根据手机的使用所创建的数据(比如音频数据、视频数据等)等。
所述存储器可以集成在所述处理器中，也可以与所述处理器分开设置。
在一个实施例中，提供了一种计算机可读存储介质，其上存储有计算机程序，计算机程序被处理器执行时实现上述实施例中人伤风险评估中估损模型优化方法的步骤，例如图2所示的步骤S201至步骤S206及该方法的其它扩展和相关步骤的延伸。或者，计算机程序被处理器执行时实现上述实施例中人伤风险评估中估损模型优化装置的各模块/单元的功能，例如图3所示模块301至模块306的功能。为避免重复，这里不再赘述。
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程，是可以通过计算机程序来指令相关的硬件来完成，所述的计算机程序可存储于一非易失性计算机可读取存储介质中，该计算机程序在执行时，可包括如上述各方法的实施例的流程。其中，本申请所提供的各实施例中所使用的对存储器、存储、数据库或其它介质的任何引用，均可包括非易失性和/或易失性存储器。非易失性存储器可包括只读存储器(ROM)、可编程ROM(PROM)、电可编程ROM(EPROM)、电可擦除可编程ROM(EEPROM)或闪存。易失性存储器可包括随机存取存储器(RAM)或者外部高速缓冲存储器。作为说明而非局限，RAM以多种形式可得，诸如静态RAM(SRAM)、动态RAM(DRAM)、同步DRAM(SDRAM)、双数据率SDRAM(DDRSDRAM)、增强型SDRAM(ESDRAM)、同步链路(Synchlink)DRAM(SLDRAM)、存储器总线(Rambus)直接RAM(RDRAM)、直接存储器总线动态RAM(DRDRAM)、以及存储器总线动态RAM(RDRAM)等。
所属领域的技术人员可以清楚地了解到，为了描述的方便和简洁，仅以上述各功能单元、模块的划分进行举例说明，实际应用中，可以根据需要而将上述功能分配由不同的功能单元、模块完成，即将所述装置的内部结构划分成不同的功能单元或模块，以完成以上描述的全部或者部分功能。
以上所述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，均应包含在本发明的保护范围之内。
Claims (8)
1.一种人伤风险评估中估损模型优化方法，其特征在于，包括：
从至少一件历史定损案件提取第一关键信息生成至少一个定损因子；
将至少一个人伤定损流程关联至少一个所述定损因子；
获取第一历史定损案件，根据所述人伤定损流程关联的所述定损因子从所述第一历史定损案件提取第二关键信息，将所述第二关键信息输入预先设定的估损模型，获得所述第一历史定损案件的预测损失值；
计算所述第一历史定损案件实际损失值与所述预测损失值的第一差值；
判断所述第一差值是否在所述第一差值范围内，若不是则使用预设调整方法优化与所述人伤定损流程关联的所述定损因子以及所述估损模型；
循环所述将至少一个所述人伤定损流程关联至少一个所述定损因子，至优化与所述人伤定损流程关联的所述定损因子及所述估损模型之间的步骤，直至所述第一差值在所述第一差值范围内；
其中，所述估损模型为∑μifi(xi)，根据如下公式计算第一历史定损案件的预测损失值：
y＝∑μifi(xi)，(i>0)
其中，y表示所述第一历史定损案件的预测损失值，μi表示所述第一历史定损案件的第i个所述定损因子的因子系数，xi表示所述第一历史定损案件的第i个所述定损因子的输入变量，fi(xi)表示所述第一历史定损案件的第i个定损因子的因子损失值计算函数；
其中，所述使用预设调整方法优化与所述人伤定损流程关联的所述定损因子以及所述估损模型的步骤具体包括：计算所述第一历史定损案件的每个所述人伤定损流程的流程预测损失值与流程实际损失值的第二差值；将所述第二差值超过预设第二差值范围的所述人伤定损流程加入待分析流程集合；从所述待分析流程集合中依次获取所述人伤定损流程，优化所述人伤定损流程关联的所述定损因子；从所述待分析流程集合中依次获取所述人伤定损流程，优化所述人伤定损流程关联的定损因子对应的所述因子系数；计算被优化过的所述人伤定损流程的流程预测损失值与流程实际损失值的第二差值，若所述第二差值在所述预设第二差值范围内则将被优化过的所述人伤定损流程从所述待分析流程集合移除；循环所述从所述待分析流程集合中依次获取所述人伤定损流程至所述计算被优化过的所述人伤定损流程的流程预测损失值与流程实际损失值的第二差值之间的步骤，直至所述待分析流程集合为空集。
2.根据权利要求1所述的人伤风险评估中估损模型优化方法，其特征在于，所述从至少一件历史定损案件提取第一关键信息生成至少一个定损因子的步骤具体包括：
根据目标业务属性获取所述历史定损案件，对所述历史定损案件进行聚类；
从聚类后的所述历史案件中提取所述目标业务属性关联的第一关键信息；
将所述第一关键信息按照预先设定的定损因子生成方法生成所述定损因子。
3.根据权利要求1所述的人伤风险评估中估损模型优化方法，其特征在于，所述将至少一个所述人伤定损流程关联至少一个所述定损因子的步骤具体包括：
获取全部所述人伤定损流程并按照业务逻辑顺序进行排序后添加到流程待关联集合；
按照业务逻辑顺序从所述流程待关联集合中获取所述人伤定损流程，将与所述人伤定损流程存在业务关联性的所述定损因子与所述人伤定损流程进行关联；
循环所述按照业务逻辑顺序从所述流程待关联集合中获取所述人伤定损流程，将与所述人伤定损流程存在业务关联性的所述定损因子与所述人伤定损流程进行关联的步骤，直至全部所述人伤定损流程都关联至少一个所述定损因子。
4.根据权利要求1所述的人伤风险评估中估损模型优化方法，其特征在于，所述使用预设调整方法优化与所述人伤定损流程关联的所述定损因子以及所述估损模型之后，还包括：
记录与所述人伤定损流程进行关联的所述定损因子被优化次数；
当所述被优化次数达到预设优化预警次数时，将关联的定损因子作为待优化定损因子；
重新设计所述待优化定损因子的所述因子损失值计算函数，并使用新设计的所述因子损失值计算函数更新所述估损模型，使用更新的所述估损模型计算所述待优化定损因子关联的所有历史定损案件的预测损失值与实际损失值的第三差值；
判断所述第三差值是否在所述第一差值范围内，若否，则循环所述重新设计所述待优化定损因子的所述因子损失值计算函数至计算所述第三差值之间的步骤，直至所述第三差值在所述第一差值范围内。
5.一种人伤风险评估中估损模型优化装置，其特征在于，包括：
定损因子生成模块，用于从至少一件历史定损案件提取第一关键信息生成至少一个定损因子；
定损因子关联模块，用于将至少一个人伤定损流程关联至少一个所述定损因子；
预测损失值计算模块，用于获取第一历史定损案件，根据所述人伤定损流程关联的所述定损因子从所述第一历史定损案件提取第二关键信息，将所述第二关键信息输入预先设定的估损模型，获得所述第一历史定损案件的预测损失值；所述预测损失值计算模块还包括：根据如下公式计算第一历史定损案件的预测损失值：y＝∑μifi(xi)，(i>0)，其中，y表示所述第一历史定损案件的预测损失值，μi表示所述第一历史定损案件的第i个所述定损因子的因子系数，xi表示所述第一历史定损案件的第i个所述定损因子的输入变量，fi(xi)表示所述第一历史定损案件的第i个定损因子的因子损失值计算函数；
第一差值计算模块，用于计算所述第一历史定损案件实际损失值与所述预测损失值的第一差值；
估损模型优化模块，用于判断所述第一差值是否在所述第一差值范围内，若不是则使用预设调整方法优化与所述人伤定损流程关联的所述定损因子以及所述估损模型；所述估损模型优化模块还包括：第二差值计算子模块，用于计算所述第一历史定损案件的每个所述人伤定损流程的流程预测损失值与流程实际损失值的第二差值；待分析流程子模块，用于将所述第二差值超过预设第二差值范围的所述人伤定损流程加入待分析流程集合；定损流程优化子模块，用于从所述待分析流程集合中依次获取所述人伤定损流程，优化所述人伤定损流程关联的所述定损因子；优化结果判断字模块，用于从所述待分析流程集合中依次获取所述人伤定损流程，优化所述人伤定损流程关联的定损因子对应的所述因子系数计算被优化过的所述人伤定损流程的流程预测损失值与流程实际损失值的第二差值，若所述第二差值在所述预设第二差值范围内则将被优化过的所述人伤定损流程从所述待分析流程集合移除；流程优化循环子模块，用于循环所述从所述待分析流程集合中依次获取所述人伤定损流程至所述计算被优化过的所述人伤定损流程的流程预测损失值与流程实际损失值的第二差值之间的步骤，直至所述待分析流程集合为空集；
循环模块，用于循环所述将至少一个所述人伤定损流程关联至少一个所述定损因子，至优化与所述人伤定损流程关联的所述定损因子及所述估损模型之间的步骤，直至所述第一差值在所述第一差值范围内。
6.根据权利要求5所述的人伤风险评估中估损模型优化装置，其特征在于，所述定损因子生成模块包括：
历史案件聚类子模块，用于根据目标业务属性获取所述历史定损案件，对所述历史定损案件进行聚类；
关键信息提取子模块，用于从聚类后的所述历史案件中提取所述目标业务属性关联的第一关键信息；
因子生成子模块，用于将所述第一关键信息按照预先设定的定损因子生成方法生成所述定损因子。
7.一种计算机设备，包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序，其特征在于，所述处理器执行所述计算机程序时实现如权利要求1至4中任一项所述人伤风险评估中估损模型优化方法的步骤。
8.一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现如权利要求1至4中任一项所述人伤风险评估中估损模型优化方法的步骤。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210146946.3A CN114493903B (zh) | 2022-02-17 | 2022-02-17 | 人伤风险评估中估损模型优化方法及相关设备 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210146946.3A CN114493903B (zh) | 2022-02-17 | 2022-02-17 | 人伤风险评估中估损模型优化方法及相关设备 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN114493903A CN114493903A (zh) | 2022-05-13 |
| CN114493903B true CN114493903B (zh) | 2024-04-09 |
Family
ID=81482329
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202210146946.3A Active CN114493903B (zh) | 2022-02-17 | 2022-02-17 | 人伤风险评估中估损模型优化方法及相关设备 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN114493903B (zh) |
Families Citing this family (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109146393B (zh) * | 2018-06-09 | 2024-02-02 | 安行惠保（北京）科技发展有限公司 | 人伤查勘信息处理方法及系统 |
Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN107909299A (zh) * | 2017-12-11 | 2018-04-13 | 凯泰铭科技（北京）有限公司 | 人伤理赔数据风险检测方法和系统 |
| WO2018166116A1 (zh) * | 2017-03-13 | 2018-09-20 | 平安科技（深圳）有限公司 | 车损识别方法、电子装置及计算机可读存储介质 |
| CN109657716A (zh) * | 2018-12-12 | 2019-04-19 | 天津卡达克数据有限公司 | 一种基于深度学习的车辆外观损伤识别方法 |
| CN110910259A (zh) * | 2019-12-04 | 2020-03-24 | 信钛速保(厦门)信息科技有限公司 | 保单信息管理方法、系统、移动终端及存储介质 |
| CN113255833A (zh) * | 2021-06-24 | 2021-08-13 | 平安科技（深圳）有限公司 | 车辆定损方法、装置、设备及存储介质 |
Family Cites Families (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2020154624A1 (en) * | 2019-01-24 | 2020-07-30 | Brookbank David | Income protection tools for athletes and professionals continuously risking bodily injury and sickness |
-
2022
- 2022-02-17 CN CN202210146946.3A patent/CN114493903B/zh active Active
Patent Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2018166116A1 (zh) * | 2017-03-13 | 2018-09-20 | 平安科技（深圳）有限公司 | 车损识别方法、电子装置及计算机可读存储介质 |
| CN107909299A (zh) * | 2017-12-11 | 2018-04-13 | 凯泰铭科技（北京）有限公司 | 人伤理赔数据风险检测方法和系统 |
| CN109657716A (zh) * | 2018-12-12 | 2019-04-19 | 天津卡达克数据有限公司 | 一种基于深度学习的车辆外观损伤识别方法 |
| CN110910259A (zh) * | 2019-12-04 | 2020-03-24 | 信钛速保(厦门)信息科技有限公司 | 保单信息管理方法、系统、移动终端及存储介质 |
| CN113255833A (zh) * | 2021-06-24 | 2021-08-13 | 平安科技（深圳）有限公司 | 车辆定损方法、装置、设备及存储介质 |
Non-Patent Citations (1)
| Title |
|---|
| 总分行制度下基于Delta-EVT模型的操作风险度量研究;邹薇;陈云;;金融论坛;20070610(第06期);第42-47页 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN114493903A (zh) | 2022-05-13 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN109598095B (zh) | 评分卡模型的建立方法、装置、计算机设备和存储介质 | |
| WO2019218699A1 (zh) | 欺诈交易判断方法、装置、计算机设备和存储介质 | |
| WO2020082579A1 (zh) | 一种风险审批方法、装置、存储介质和服务器 | |
| CN112102959B (zh) | 一种服务器、数据处理方法、装置及可读存储介质 | |
| WO2019052221A1 (zh) | 保险数据审核方法、装置、计算机设备及可读存储介质 | |
| CN114493903B (zh) | 人伤风险评估中估损模型优化方法及相关设备 | |
| CN110796554B (zh) | 用户投诉预警方法、装置、计算机设备及存储介质 | |
| CN110472011B (zh) | 一种诉讼成本预测方法、装置及终端设备 | |
| CN111340584A (zh) | 一种资金方的确定方法、装置、设备及存储介质 | |
| CN110968688A (zh) | 司法数据的处理方法及系统 | |
| Pinquet et al. | Selection bias and auditing policies for insurance claims | |
| CN117077628A (zh) | 舆情应对预案生成方法、装置、服务器及存储介质 | |
| CN110489434B (zh) | 一种信息处理方法及相关设备 | |
| CN111242779B (zh) | 金融数据特征选择和预测方法、装置、设备及存储介质 | |
| CN115393106A (zh) | 再保险人风险评估方法、装置、计算机设备及存储介质 | |
| CN111260484A (zh) | 一种人伤识别的数据处理方法、装置、服务器及系统 | |
| CN116189215A (zh) | 自动审核方法、装置、电子设备及存储介质 | |
| CN112435151B (zh) | 一种基于关联分析的政务信息数据处理方法及系统 | |
| CN117557086B (zh) | 涉密载体监管方法、装置、设备及可读存储介质 | |
| CN113723522B (zh) | 异常用户的识别方法、装置、电子设备以及存储介质 | |
| US20160283956A1 (en) | Country specific revenue estimation | |
| CN116610779A (zh) | 企业合规免责管理方法及系统 | |
| CN116228439A (zh) | 基于知识图谱的风险识别方法、装置、设备以及存储介质 | |
| CN115760445A (zh) | 一种车险投查量监控方法、系统、电子设备及存储介质 | |
| CN116402601A (zh) | 一种贷后风险分析预警方法、系统、设备及存储介质 |
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 | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |