CN116777648A - 一种车辆出险的人伤理赔信息智能管理方法 - Google Patents
一种车辆出险的人伤理赔信息智能管理方法 Download PDFInfo
- Publication number
- CN116777648A CN116777648A CN202311062546.5A CN202311062546A CN116777648A CN 116777648 A CN116777648 A CN 116777648A CN 202311062546 A CN202311062546 A CN 202311062546A CN 116777648 A CN116777648 A CN 116777648A
- Authority
- CN
- China
- Prior art keywords
- type
- data
- user
- month
- resolved
- 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.)
- Granted
Links
- 230000006378 damage Effects 0.000 title claims abstract description 29
- 208000027418 Wounds and injury Diseases 0.000 title claims abstract description 28
- 208000014674 injury Diseases 0.000 title claims abstract description 28
- 238000007726 management method Methods 0.000 title claims abstract description 21
- 238000000034 method Methods 0.000 claims description 38
- 238000012937 correction Methods 0.000 claims description 21
- YHXISWVBGDMDLQ-UHFFFAOYSA-N moclobemide Chemical compound C1=CC(Cl)=CC=C1C(=O)NCCN1CCOCC1 YHXISWVBGDMDLQ-UHFFFAOYSA-N 0.000 claims description 19
- 238000011156 evaluation Methods 0.000 claims description 16
- 238000004364 calculation method Methods 0.000 claims description 6
- 239000012467 final product Substances 0.000 claims description 2
- 238000012545 processing Methods 0.000 abstract description 2
- 239000004973 liquid crystal related substance Substances 0.000 description 4
- PCHJSUWPFVWCPO-UHFFFAOYSA-N gold Chemical compound [Au] PCHJSUWPFVWCPO-UHFFFAOYSA-N 0.000 description 3
- 239000010931 gold Substances 0.000 description 3
- 229910052737 gold Inorganic materials 0.000 description 3
- 230000009286 beneficial effect Effects 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 230000003044 adaptive effect Effects 0.000 description 1
- 230000006399 behavior Effects 0.000 description 1
- 238000003745 diagnosis Methods 0.000 description 1
- 239000003814 drug Substances 0.000 description 1
- 229940079593 drug Drugs 0.000 description 1
- 238000005065 mining Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 239000013589 supplement Substances 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
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/22—Matching criteria, e.g. proximity measures
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/23—Clustering techniques
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
Landscapes
- Engineering & Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Evolutionary Computation (AREA)
- Evolutionary Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Business, Economics & Management (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Finance (AREA)
- Accounting & Taxation (AREA)
- Economics (AREA)
- General Business, Economics & Management (AREA)
- Technology Law (AREA)
- Strategic Management (AREA)
- Marketing (AREA)
- Development Economics (AREA)
- Financial Or Insurance-Related Operations Such As Payment And Settlement (AREA)
Abstract
本发明涉及数据处理技术领域,具体涉及一种车辆出险的人伤理赔信息智能管理方法,包括:获取历史已决理赔用户数据和第一财年已决理赔用户数据;对历史已决理赔用户数据和第一财年已决理赔用户数据进行分类;获取不同类型已决理赔用户在第一财年的每个月的理赔人数最终预测值;根据不同类型已决理赔用户在第一财年的每个月的理赔人数最终预测值得到第一财年的预估准备金;根据第一财年的预估准备金,调整公司的决策。本发明有助于保险公司更准确地估计理赔风险和准备金金额,避免准备金金额过度或不足的问题。
Description
技术领域
本发明涉及数据处理技术领域,具体涉及一种车辆出险的人伤理赔信息智能管理方法。
背景技术
人身伤害是个人和家庭面临的重大风险之一。当交通意外事故发生导致人身伤害时,人伤理赔可以提供经济赔偿,帮助受伤者和其家庭渡过困难时期,维持生活稳定。通过合理的赔偿,人伤理赔可以帮助受伤者恢复损失,减轻其经济负担,维护其合法权益。这有助于消除社会不平等,确保每个人都能够享受到相适应的公平的赔偿待遇。
人伤理赔准备金的预测是保险公司管理风险和制定合理保费的重要依据。目前在进行人伤理赔信息的理赔准备金预测时,传统的人伤理赔准备金预测通常需要大量的人力和时间,而且容易受到主观因素的影响。
发明内容
本发明提供一种车辆出险的人伤理赔信息智能管理方法,以解决现有的问题。
本发明的一种车辆出险的人伤理赔信息智能管理方法采用如下技术方案:
本发明一个实施例提供了一种车辆出险的人伤理赔信息智能管理方法,该方法包括以下步骤:
获取历史已决理赔用户数据和第一财年已决理赔用户数据;
将第一财年已决理赔用户数据分类为若干种类型,得到第一财年每种类型的已决理赔用户数据序列;对历史已决理赔用户数据分类得到历史每年每种类型历史已决理赔用户数据序列;
根据历史每年每种类型历史已决理赔用户数据序列得到历史每种类型已决理赔用户每个月理赔人数数据序列;根据第一财年每种类型的已决理赔用户数据序列得到实际理赔人数数据序列;根据历史每种类型已决理赔用户每个月理赔人数数据序列得到预测理赔人数数据序列;根据实际理赔人数数据序列和预测理赔人数数据序列得到修正参数;根据预测理赔人数数据序列和实际理赔人数数据序列的差异性和修正参数得到每种类型已决理赔用户在第一财年的每个月的理赔人数最终预测值;
根据历史每年每种类型历史已决理赔用户数据序列得到每种类型已决理赔用户的预测治疗时长数据、预测医疗费用数据和预测医疗损失数据;根据每种类型已决理赔用户在第一财年的每个月的理赔人数最终预测值和每种类型已决理赔用户的预测治疗时长数据、预测医疗费用数据和预测医疗损失数据得到第一财年的预估准备金;
根据第一财年的预估准备金,调整公司的决策。
优选的,所述将第一财年已决理赔用户数据分类为若干种类型,得到第一财年每种类型的已决理赔用户数据序列,包括的具体步骤如下:
使用基于动态时间规整的聚类方法,将第一财年已决理赔用户数据分类为种类型,得到第一财年/>种类型的已决理赔用户数据序列为/>;其中/>表示第一财年第/>种类型的已决理赔用户数据。
优选的,所述对历史已决理赔用户数据分类得到历史每年每种类型历史已决理赔用户数据序列,包括的具体步骤如下:
针对历史已决理赔用户数据,分别计算历史已决理赔用户数据与第一财年每种类型的已决理赔用户数据的相似度,实现对历史已决理赔用户数据的分类得到历史每年第种类型历史已决理赔用户数据序列/>;其中,/>表示第/>年第/>种类型的已决理赔用户数据。
优选的,所述根据历史每年每种类型历史已决理赔用户数据序列得到历史每种类型已决理赔用户每个月理赔人数数据序列,包括的具体步骤如下:
根据历史每年每种类型历史已决理赔用户数据序列得到历史第种类型已决理赔用户每个月理赔人数数据序列/>,其中/>表示第/>种类型的历史已决理赔用户在5年中第/>个月的理赔人数数据。
优选的,所述根据第一财年每种类型的已决理赔用户数据序列得到实际理赔人数数据序列,包括的具体步骤如下:
提取第一财年第种类型已决理赔用户每个月的理赔人数数据,按照倒序进行排列记为第/>种类型实际理赔人数数据序列/>,其中,/>表示第/>种类型已决理赔用户第一财年第/>个月的理赔人数数据。
优选的,所述根据历史每种类型已决理赔用户每个月理赔人数数据序列得到预测理赔人数数据序列,包括的具体步骤如下:
根据历史每种类型已决理赔用户每个月理赔人数数据序列得到ARIMA模型,使用模型对第种类型的已决理赔用户在第一财年每个月的理赔人数数据进行预测,得到第一财年第/>种类型在每个月的预估理赔人数数据,按照倒序进行排列作为对比数据,记为第/>种类型预测理赔人数数据序列/>,其中,/>是指第/>种类型的已决理赔用户在ARIMA预测模型预测出的核算评估日所在月份会出现的理赔用户人数数据,/>是指第/>种类型的已决理赔用户在ARIMA预测模型预测出的核算评估日所在月份之前的第1个月份会出现的理赔用户人数数据,/>是指第/>种类型的已决理赔用户在ARIMA预测模型预测出的核算评估日所在月份之前的第2个月份会出现的理赔用户人数数据,/>是指第/>种类型的已决理赔用户在ARIMA预测模型预测出的核算评估日所在月份之前的第3个月份会出现的理赔用户人数数据,/>是指第/>种类型的已决理赔用户在ARIMA预测模型预测出的核算评估日所在月份之前的第11个月份会出现的理赔用户人数数据。
优选的,所述根据实际理赔人数数据序列和预测理赔人数数据序列得到修正参数,包括的具体步骤如下:
根据实际理赔人数数据序列和预测理赔人数数据序列得到修正参数的计算表达式为:
式中,表示第/>种类型已决理赔用户在第一财年的第/>个月的修正参数;/>表示实际理赔人数数据序列和预测理赔人数数据序列中第/>种类型已决理赔用户在第一财年的第/>个月的理赔人数数据的差异值;/>表示第/>种类型已决理赔用户在第一财年的第/>个月的预测理赔用户人数数据;/>表示第/>种类型已决理赔用户在第一财年的第/>个月的实际理赔用户人数数据;/>表示第/>种类型预测理赔人数数据序列的标准差;/>和/>为预设参数。
优选的,所述根据预测理赔人数数据序列和实际理赔人数数据序列的差异性和修正参数得到每种类型已决理赔用户在第一财年的每个月的理赔人数最终预测值,包括的具体步骤如下:
根据预测理赔人数数据序列和实际理赔人数数据序列的差异性得到第种类型已决理赔用户在第一财年的第/>个月的理赔人数最终预测值,其计算表达式为:
式中,表示第/>种类型已决理赔用户在第一财年的第/>个月的理赔人数最终预测值;/>表示第/>种类型已决理赔用户在第一财年的第/>个月的修正参数;/>表示第种类型已决理赔用户在第一财年的第/>个月的预测理赔用户人数数据;/>表示第/>种类型已决理赔用户在第一财年的第/>个月的实际理赔用户人数数据;/>表示第/>种类型已决理赔用户在第一财年的相关性权重;/>表示第/>种类型已决理赔用户在第一财年的预测理赔人数数据序列和实际理赔人数数据序列的差异性;/>表示第/>种类型实际理赔人数数据序列的标准差;/>表示第/>种类型预测理赔人数数据序列的标准差;表示第/>种类型预测理赔人数数据序列和第/>种类型实际理赔人数数据序列的协方差;/>为预设参数;/>表示以自然常数为底数的指数函数;/>为预设参数。
优选的,所述根据历史每年每种类型历史已决理赔用户数据序列得到每种类型已决理赔用户的预测治疗时长数据、预测医疗费用数据和预测医疗损失数据,包括的具体步骤如下:
根据历史每年第种类型历史已决理赔用户数据序列,分别计算前五年在11月和12月第/>种类型已决理赔用户的治疗时长数据的均值、医疗费用数据的均值和医疗损失数据的均值,分别作为第/>种类型已决理赔用户的预测治疗时长数据/>、预测医疗费用数据和预测医疗损失数据/>;其次,计算第一财年第/>种类型已决理赔用户治疗时长数据均值/>。
优选的,所述根据每种类型已决理赔用户在第一财年的每个月的理赔人数最终预测值和每种类型已决理赔用户的预测治疗时长数据、预测医疗费用数据和预测医疗损失数据得到第一财年的预估准备金,包括的具体步骤如下:
根据不同类型已决理赔用户在第一财年的每个月的理赔人数最终预测值得到第一财年的预估准备金,其计算表达式为:
式中,表示第一财年的预估准备金;/>表示第一财年中已决理赔用户的类型数量;/>表示第/>种类型已决理赔用户的预测医疗费用数据;/>表示第/>种类型已决理赔用户的预测医疗损失数据;/>表示第/>种类型已决理赔用户的预测治疗时长数据;/>表示第一财年第/>种类型已决理赔用户治疗时长数据均值;/>表示在第一财年的第/>个月第/>种类型已决理赔用户的权重值;/>表示第/>种类型已决理赔用户在第一财年的第/>个月的理赔人数最终预测值。
本发明的技术方案的有益效果是:本发明通过对大量相关的理赔数据进行分析和挖掘,识别出与理赔准备金相关的关键因素和规律;通过获取历史已决理赔用户数据和第一财年已决理赔用户数据;对历史已决理赔用户数据和第一财年已决理赔用户数据进行分类;获取不同类型已决理赔用户在第一财年的每个月的理赔人数最终预测值;根据不同类型已决理赔用户在第一财年的每个月的理赔人数最终预测值得到第一财年的预估准备金;根据第一财年的预估准备金,调整公司的决策。通过准确预测准备金金额,保险公司可以更好地规划和优化资源的分配,确保足够的准备金用于理赔支付,并在必要时进行调整。进而助于提高保险公司的资金利用效率和盈利能力;可以实现可以自动化和加速准备金预测的过程,保险公司可以识别风险模式和趋势,并将其纳入风险管理和预测,以更好地控制风险和定价策略。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案,下面将对实施例或现有技术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的前提下,还可以根据这些附图获得其他的附图。
图1为本发明一种车辆出险的人伤理赔信息智能管理方法的步骤流程图。
具体实施方式
为了更进一步阐述本发明为达成预定发明目的所采取的技术手段及功效,以下结合附图及较佳实施例,对依据本发明提出的一种车辆出险的人伤理赔信息智能管理方法,其具体实施方式、结构、特征及其功效,详细说明如下。在下述说明中,不同的“一个实施例”或“另一个实施例”指的不一定是同一实施例。此外,一或多个实施例中的特定特征、结构或特点可由任何合适形式组合。
除非另有定义,本文所使用的所有的技术和科学术语与属于本发明的技术领域的技术人员通常理解的含义相同。
下面结合附图具体的说明本发明所提供的一种车辆出险的人伤理赔信息智能管理方法的具体方案。
请参阅图1,其示出了本发明一个实施例提供的一种车辆出险的人伤理赔信息智能管理方法的步骤流程图,该方法包括以下步骤:
步骤S001:获取历史已决理赔用户数据和第一财年已决理赔用户数据。
需要说明的是,在会计核算评估日,需要对下个财年需要的准备金做出一个初步的预测,为了让保险业务的风险水平维持在一个合理的位置,需要将本年度可能延续到下一会计年度可能发生的理赔费用支出的准备金提前进行一个合理的预测;对于全体进行投保用户来说,可以大致分为索赔用户和未索赔用户两类,而预测理赔用户的准备金,主要是针对于索赔用户;为了实现对本年度理赔用户的赔偿准备金的准确预测,需要分析索赔用户整体的特征。
进一步需要说明的是,用户进行分类,分为未决理赔用户和已决理赔用户;其中未决理赔用户中除了在会计评估日期时保单持有人已经向保险公司报案但未做出理赔决算的用户,记为未决已报案用户,还存在一部分用户已经发生事故,但是没有向保险公司提交理赔报告的用户,记为未决未报案用户,这类用户通常会在决算日之后一段时间内提交理赔申请,但是此类用户意外发生的时间为第一财年,该用户的理赔准备金应该一并在第一财年进行准备,这有助于保持保险业务的风险水平在合理的范围内,避免资金不足或过剩的情况。
准备金预测不合理主要有两个原因,除了没有考虑到未决未报案用户的影响,另一个原因是索赔用户的治疗花费预测不够合理,尤其是对用户的治疗周期预测不够合理,从而导致预先准备的准备金与实际花费的准备金的匹配关系失衡。因此,为了计算出准确的用于本年度索赔用户在第二财年可能需要的花费,需要考虑以上因素,基于历史信息做出预测。
具体的,提取过去五年以及本年度(记为第一财年)的每年的已决理赔用户数据。已决理赔用户数据具体包括用户基础保险关联信息、用户个人信息和用户医疗信息;其中,用户基础保险关联信息包括理赔次数、理赔类型,车辆使用年限,车辆损坏情况,交保额度和投保年限;用户个人信息包括用户投保车辆的车型、车价、使用性质,用户使用车辆经常行驶的区域,以及驾驶员的性别、年龄、驾龄和职业收入挂钩;用户医疗信息包括伤者的具体诊断结果,手术记录、医疗耗材使用情况、药物治疗方案。
至此,获得历史已决理赔用户数据和第一财年已决理赔用户数据。
步骤S002:对历史已决理赔用户数据和第一财年已决理赔用户数据进行分类。
需要说明的是,对历史已决理赔用户数据进行分类,这个步骤的目的是确定每个分类的代表性数据,以便与历史数据进行相似度比较;针对历史已决理赔用户数据,计算其与每个分类的代表数据的相似度,将其归类到相应的分类中,这个步骤的目的是根据历史数据的特征和与每个分类的代表数据的相似度,将历史已决理赔用户数据进行分类,以便理解历史已决理赔用户的特征和行为。对第一财年已决理赔用户数据中的动态数据进行动态时间规整(DTW),计算序列之间的相似度得分,并使用聚类算法将具有类似驾驶特征和医疗情况的数据分成一类。这个步骤的目的是根据动态数据的相似性将用户进行分类,因为类似特征的用户有想进的治疗周期和治疗花费,可以在后续步骤作为预测数据。
具体的,使用基于动态时间规整(Dynamic Time Warping,DTW)的聚类方法,将第一财年已决理赔用户数据分类为种类型,得到第一财年/>种类型的已决理赔用户数据序列为/>;其中/>表示第一财年第/>种类型的已决理赔用户数据。
针对历史已决理赔用户数据,分别计算历史已决理赔用户数据与每种类型的已决理赔用户数据的相似度,实现对历史已决理赔用户数据的分类得到历史每年第种类型历史已决理赔用户数据序列:
式中,表示第/>年第/>种类型的已决理赔用户数据。
至此,完成历史已决理赔用户数据和第一财年已决理赔用户数据的分类。
步骤S003:获取不同类型已决理赔用户在第一财年的每个月的理赔人数最终预测值。
需要说明的是,通过建立ARIMA模型并进行相似度加权,预测第一财年的未决理赔用户数量,因为实际统计时没有统计到未决未报案用户数量。则通过计算预测值与实际数据的相关性,并进行加权,使用加权后的预测值与实际数据进行比较得到对近两个月未决理赔用户的预测值,其中ARIMA模型为现有技术,此处不再过多赘述。
其中,未决未报案用户一般是发生在意外事件发生的1到2个月内进行报案,即第一财年的未决未报案用户发生意外的时间应该是会计核算评估日所在月份和前一个月,因此进行预测的对象也就是这两个月;因此需要对不同类型的已决理赔用户数据建立预测模型,根据预测模型和第一财年核算评估日前两个月的已决理赔用户数据进行分析,对两个月的已决理赔用户数据做出补充。
具体的,根据分类后的历史已决理赔用户数据得到历史第种类型已决理赔用户每个月理赔人数数据序列/>,其中/>表示第/>种类型的历史已决理赔用户在5年中第/>个月的理赔人数数据。
提取第一财年第种类型已决理赔用户每个月的理赔人数数据,按照倒序进行排列记为第/>种类型实际理赔人数数据序列/>:
其中,表示第/>种类型已决理赔用户第一财年第/>个月的理赔人数数据。
根据历史每种种类型已决理赔用户每个月理赔人数数据序列得到ARIMA模型,使用该模型对第种类型的已决理赔用户在第一财年每个月的理赔人数数据进行预测,获得第/>种类型已决理赔用户在近两个月的预估理赔人数数据/>,进而得到第一财年第/>种类型在每个月的预估理赔人数数据,按照倒序进行排列作为对比数据,记为第种类型预测理赔人数数据序列/>:
其中,是指第/>种类型的已决理赔用户在ARIMA预测模型预测出的核算评估日所在月份会出现的理赔用户人数数据,/>第/>种类型的已决理赔用户在ARIMA预测模型预测出的核算评估日前一个月份会出现的理赔用户人数数据;以此类推,下标为3到12的数据是第一财年1月到10月的第/>种类型的已决理赔用户在ARIMA预测模型预测的理赔用户人数数据,本实施例设核算评估日在第一财年的12月份。
需要说明的是,使用ARIMA模型对第种类型的已决理赔用户在第一财年每个月的理赔人数数据进行预测,获得第/>种类型已决理赔用户在近两个月的预估理赔人数数据,这个预测值并不能保证处于有效范围内,如果预测值大于实际统计值过多,认为可能发生了过拟合现象,需要通过预测值和实际统计数据之间的差异来调整预测人数,以提高预测准确性,这个调整的方式就是应用修正参数;如果预测值与实际统计数据的差异在两倍标准差以内,认为预测值属于有效范围内,这意味着预测值接近于实际统计数据,没有发生明显的过拟合现象,可以进行适当的正向修正;反之,如果预测值大于实际统计数据较多的情况下(具体为大于两倍标准差),会对预测值进行负向修正,减少预测值。修正参数的大小取决于预测值与实际统计数据的差异程度,差异越大,修正幅度越大。
预设两个参数,其中本实施例以/>例进行叙述,本实施例不进行具体限定,其中/>根据具体实施情况而定。
具体的,根据实际理赔人数数据序列和预测理赔人数数据序列得到修正参数的计算表达式为:
式中,表示第/>种类型已决理赔用户在第一财年的第/>个月的修正参数;/>表示实际理赔人数数据序列和预测理赔人数数据序列中第/>种类型已决理赔用户在第一财年的第/>个月的理赔人数数据的差异值;/>表示第/>种类型已决理赔用户在第一财年的第/>个月的预测理赔用户人数数据;/>表示第/>种类型已决理赔用户在第一财年的第/>个月的实际理赔用户人数数据;/>表示第/>种类型预测理赔人数数据序列的标准差;/>和/>为预设参数,/>为了防止分母为0。
根据预测理赔人数数据序列和实际理赔人数数据序列的差异性得到第种类型已决理赔用户在第一财年的第/>个月的理赔人数最终预测值,其计算表达式为:
式中,表示第/>种类型已决理赔用户在第一财年的第/>个月的理赔人数最终预测值;/>表示第/>种类型已决理赔用户在第一财年的第/>个月的修正参数;/>表示第种类型已决理赔用户在第一财年的第/>个月的预测理赔用户人数数据;/>表示第/>种类型已决理赔用户在第一财年的第/>个月的实际理赔用户人数数据;/>表示第/>种类型已决理赔用户在第一财年的相关性权重;/>表示第/>种类型已决理赔用户在第一财年的预测理赔人数数据序列和实际理赔人数数据序列的差异性;/>表示第/>种类型实际理赔人数数据序列的标准差;/>表示第/>种类型预测理赔人数数据序列的标准差;表示第/>种类型预测理赔人数数据序列和第/>种类型实际理赔人数数据序列的协方差;/>和/>为预设参数,/>为了防止分母为0;/>表示以自然常数为底数的指数函数。
至此,得到不同类型已决理赔用户在第一财年的每个月的理赔人数最终预测值。
步骤S004:根据不同类型已决理赔用户在第一财年的每个月的理赔人数最终预测值得到第一财年的预估准备金。
需要说明的是,对于理赔用户,赔偿准备金金的基准需要考虑医疗费用和收入损失两部分,同时还需要考虑这两部分的倍率,倍率需要不同分类人群医疗时长的影响。当获得两种准备金的基准和倍率后,需要根据两种准备金对应的人群类型,赋予不同的权重,通过不同的权重加权,获得最后需要的准备金的总数。
具体的,首先,根据历史每年第种类型历史已决理赔用户数据序列,分别计算前五年在11月和12月第/>种类型已决理赔用户的治疗时长数据的均值、医疗费用数据的均值和医疗损失数据的均值,分别作为第/>种类型已决理赔用户的预测治疗时长数据/>、预测医疗费用数据/>和预测医疗损失数据/>;其次,计算第一财年第/>种类型已决理赔用户治疗时长数据均值/>。
最后,根据不同类型已决理赔用户在第一财年的每个月的理赔人数最终预测值得到第一财年的预估准备金,其计算表达式为:
式中,表示第一财年的预估准备金;/>表示第一财年中已决理赔用户的类型数量;/>表示第/>种类型已决理赔用户的预测医疗费用数据;/>表示第/>种类型已决理赔用户的预测医疗损失数据;/>表示第/>种类型已决理赔用户的预测治疗时长数据;/>表示第一财年第/>种类型已决理赔用户治疗时长数据均值;/>表示在第一财年的第/>个月第/>种类型已决理赔用户的权重值;/>表示第/>种类型已决理赔用户在第一财年的第/>个月的理赔人数最终预测值。
至此,得到第一财年的预估准备金。
步骤S005:根据第一财年的预估准备金,调整公司的决策。
根据第一财年的预估准备金,保险公司应该评估其财务状况和风险承受能力,将准备金的影响考虑在内确定第二财年的保费定价、资本需求、投资以及业务扩展等方面的决策。
以上所述仅为本发明的较佳实施例而已,并不用以限制本发明,凡在本发明的精神和原则之内,所作的任何修改、等同替换、改进等,均应包含在本发明的保护范围之内。
Claims (10)
1.一种车辆出险的人伤理赔信息智能管理方法,其特征在于,该方法包括以下步骤:
获取历史已决理赔用户数据和第一财年已决理赔用户数据;
将第一财年已决理赔用户数据分类为若干种类型,得到第一财年每种类型的已决理赔用户数据序列;对历史已决理赔用户数据分类得到历史每年每种类型历史已决理赔用户数据序列;
根据历史每年每种类型历史已决理赔用户数据序列得到历史每种类型已决理赔用户每个月理赔人数数据序列;根据第一财年每种类型的已决理赔用户数据序列得到实际理赔人数数据序列;根据历史每种类型已决理赔用户每个月理赔人数数据序列得到预测理赔人数数据序列;根据实际理赔人数数据序列和预测理赔人数数据序列得到修正参数;根据预测理赔人数数据序列和实际理赔人数数据序列的差异性和修正参数得到每种类型已决理赔用户在第一财年的每个月的理赔人数最终预测值;
根据历史每年每种类型历史已决理赔用户数据序列得到每种类型已决理赔用户的预测治疗时长数据、预测医疗费用数据和预测医疗损失数据;根据每种类型已决理赔用户在第一财年的每个月的理赔人数最终预测值和每种类型已决理赔用户的预测治疗时长数据、预测医疗费用数据和预测医疗损失数据得到第一财年的预估准备金;
根据第一财年的预估准备金,调整公司的决策。
2.根据权利要求1所述一种车辆出险的人伤理赔信息智能管理方法,其特征在于,所述将第一财年已决理赔用户数据分类为若干种类型,得到第一财年每种类型的已决理赔用户数据序列,包括的具体步骤如下:
使用基于动态时间规整的聚类方法,将第一财年已决理赔用户数据分类为种类型,得到第一财年/>种类型的已决理赔用户数据序列为/>;其中/>表示第一财年第/>种类型的已决理赔用户数据。
3.根据权利要求1所述一种车辆出险的人伤理赔信息智能管理方法,其特征在于,所述对历史已决理赔用户数据分类得到历史每年每种类型历史已决理赔用户数据序列,包括的具体步骤如下:
针对历史已决理赔用户数据,分别计算历史已决理赔用户数据与第一财年每种类型的已决理赔用户数据的相似度,实现对历史已决理赔用户数据的分类得到历史每年第种类型历史已决理赔用户数据序列/>;其中,/>表示第/>年第/>种类型的已决理赔用户数据。
4.根据权利要求1所述一种车辆出险的人伤理赔信息智能管理方法,其特征在于,所述根据历史每年每种类型历史已决理赔用户数据序列得到历史每种类型已决理赔用户每个月理赔人数数据序列,包括的具体步骤如下:
根据历史每年每种类型历史已决理赔用户数据序列得到历史第种类型已决理赔用户每个月理赔人数数据序列/>,其中/>表示第/>种类型的历史已决理赔用户在5年中第/>个月的理赔人数数据。
5.根据权利要求1所述一种车辆出险的人伤理赔信息智能管理方法,其特征在于,所述根据第一财年每种类型的已决理赔用户数据序列得到实际理赔人数数据序列,包括的具体步骤如下:
提取第一财年第种类型已决理赔用户每个月的理赔人数数据,按照倒序进行排列记为第/>种类型实际理赔人数数据序列/>,其中,/>表示第/>种类型已决理赔用户第一财年第/>个月的理赔人数数据。
6.根据权利要求1所述一种车辆出险的人伤理赔信息智能管理方法,其特征在于,所述根据历史每种类型已决理赔用户每个月理赔人数数据序列得到预测理赔人数数据序列,包括的具体步骤如下:
根据历史每种类型已决理赔用户每个月理赔人数数据序列得到ARIMA模型,使用模型对第种类型的已决理赔用户在第一财年每个月的理赔人数数据进行预测,得到第一财年第/>种类型在每个月的预估理赔人数数据,按照倒序进行排列作为对比数据,记为第/>种类型预测理赔人数数据序列/>,其中,/>是指第/>种类型的已决理赔用户在ARIMA预测模型预测出的核算评估日所在月份会出现的理赔用户人数数据,/>是指第/>种类型的已决理赔用户在ARIMA预测模型预测出的核算评估日所在月份之前的第1个月份会出现的理赔用户人数数据,/>是指第/>种类型的已决理赔用户在ARIMA预测模型预测出的核算评估日所在月份之前的第2个月份会出现的理赔用户人数数据,/>是指第/>种类型的已决理赔用户在ARIMA预测模型预测出的核算评估日所在月份之前的第3个月份会出现的理赔用户人数数据,/>是指第/>种类型的已决理赔用户在ARIMA预测模型预测出的核算评估日所在月份之前的第11个月份会出现的理赔用户人数数据。
7.根据权利要求1所述一种车辆出险的人伤理赔信息智能管理方法,其特征在于,所述根据实际理赔人数数据序列和预测理赔人数数据序列得到修正参数,包括的具体步骤如下:
根据实际理赔人数数据序列和预测理赔人数数据序列得到修正参数的计算表达式为:
式中,表示第/>种类型已决理赔用户在第一财年的第/>个月的修正参数;/>表示实际理赔人数数据序列和预测理赔人数数据序列中第/>种类型已决理赔用户在第一财年的第个月的理赔人数数据的差异值;/>表示第/>种类型已决理赔用户在第一财年的第/>个月的预测理赔用户人数数据;/>表示第/>种类型已决理赔用户在第一财年的第/>个月的实际理赔用户人数数据;/>表示第/>种类型预测理赔人数数据序列的标准差;/>和为预设参数。
8.根据权利要求1所述一种车辆出险的人伤理赔信息智能管理方法,其特征在于,所述根据预测理赔人数数据序列和实际理赔人数数据序列的差异性和修正参数得到每种类型已决理赔用户在第一财年的每个月的理赔人数最终预测值,包括的具体步骤如下:
根据预测理赔人数数据序列和实际理赔人数数据序列的差异性得到第种类型已决理赔用户在第一财年的第/>个月的理赔人数最终预测值,其计算表达式为:
式中,表示第/>种类型已决理赔用户在第一财年的第/>个月的理赔人数最终预测值;表示第/>种类型已决理赔用户在第一财年的第/>个月的修正参数;/>表示第/>种类型已决理赔用户在第一财年的第/>个月的预测理赔用户人数数据;/>表示第/>种类型已决理赔用户在第一财年的第/>个月的实际理赔用户人数数据;/>表示第/>种类型已决理赔用户在第一财年的相关性权重;/>表示第/>种类型已决理赔用户在第一财年的预测理赔人数数据序列和实际理赔人数数据序列的差异性;/>表示第/>种类型实际理赔人数数据序列的标准差;/>表示第/>种类型预测理赔人数数据序列的标准差;表示第/>种类型预测理赔人数数据序列和第/>种类型实际理赔人数数据序列的协方差;/>为预设参数;/>表示以自然常数为底数的指数函数;/>为预设参数。
9.根据权利要求1所述一种车辆出险的人伤理赔信息智能管理方法,其特征在于,所述根据历史每年每种类型历史已决理赔用户数据序列得到每种类型已决理赔用户的预测治疗时长数据、预测医疗费用数据和预测医疗损失数据,包括的具体步骤如下:
根据历史每年第种类型历史已决理赔用户数据序列,分别计算前五年在11月和12月第/>种类型已决理赔用户的治疗时长数据的均值、医疗费用数据的均值和医疗损失数据的均值,分别作为第/>种类型已决理赔用户的预测治疗时长数据/>、预测医疗费用数据/>和预测医疗损失数据/>;其次,计算第一财年第/>种类型已决理赔用户治疗时长数据均值。
10.根据权利要求1所述一种车辆出险的人伤理赔信息智能管理方法,其特征在于,所述根据每种类型已决理赔用户在第一财年的每个月的理赔人数最终预测值和每种类型已决理赔用户的预测治疗时长数据、预测医疗费用数据和预测医疗损失数据得到第一财年的预估准备金,包括的具体步骤如下:
根据不同类型已决理赔用户在第一财年的每个月的理赔人数最终预测值得到第一财年的预估准备金,其计算表达式为:
式中,表示第一财年的预估准备金;/>表示第一财年中已决理赔用户的类型数量;表示第/>种类型已决理赔用户的预测医疗费用数据;/>表示第/>种类型已决理赔用户的预测医疗损失数据;/>表示第/>种类型已决理赔用户的预测治疗时长数据;/>表示第一财年第/>种类型已决理赔用户治疗时长数据均值;/>表示在第一财年的第/>个月第/>种类型已决理赔用户的权重值;/>表示第/>种类型已决理赔用户在第一财年的第/>个月的理赔人数最终预测值。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311062546.5A CN116777648B (zh) | 2023-08-23 | 2023-08-23 | 一种车辆出险的人伤理赔信息智能管理方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311062546.5A CN116777648B (zh) | 2023-08-23 | 2023-08-23 | 一种车辆出险的人伤理赔信息智能管理方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN116777648A true CN116777648A (zh) | 2023-09-19 |
CN116777648B CN116777648B (zh) | 2023-11-03 |
Family
ID=88006704
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311062546.5A Active CN116777648B (zh) | 2023-08-23 | 2023-08-23 | 一种车辆出险的人伤理赔信息智能管理方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116777648B (zh) |
Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US5613072A (en) * | 1991-02-06 | 1997-03-18 | Risk Data Corporation | System for funding future workers compensation losses |
US20050060207A1 (en) * | 2001-05-08 | 2005-03-17 | Weidner James L. | Claims paid insurance |
CN107784590A (zh) * | 2017-02-16 | 2018-03-09 | 平安科技(深圳)有限公司 | 一种理赔准备金的评估方法和装置 |
CN109377398A (zh) * | 2018-11-19 | 2019-02-22 | 北京金州世纪信息技术有限公司 | Ubi保险的分类风险方法及装置 |
CN113077349A (zh) * | 2020-01-06 | 2021-07-06 | 泰康保险集团股份有限公司 | 未决赔款准备金预测方法、装置、设备及存储介质 |
CN113379555A (zh) * | 2021-06-07 | 2021-09-10 | 北京车与车科技有限公司 | 一种基于深度学习的车险风控定价模型方法 |
US20210287298A1 (en) * | 2017-04-06 | 2021-09-16 | Ping An Technology (Shenzhen) Co., Ltd. | Actuarial processing method and device |
US20220147938A1 (en) * | 2019-05-23 | 2022-05-12 | Allm Inc. | Information processing device, information processing system, and information processing program |
CN115311100A (zh) * | 2022-06-28 | 2022-11-08 | 新瑞鹏宠物医疗集团有限公司 | 事件处理方法、装置、设备以及存储介质 |
WO2023000737A1 (zh) * | 2021-07-23 | 2023-01-26 | 明觉科技(北京)有限公司 | 车辆事故损失评估方法及装置 |
-
2023
- 2023-08-23 CN CN202311062546.5A patent/CN116777648B/zh active Active
Patent Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US5613072A (en) * | 1991-02-06 | 1997-03-18 | Risk Data Corporation | System for funding future workers compensation losses |
US20050060207A1 (en) * | 2001-05-08 | 2005-03-17 | Weidner James L. | Claims paid insurance |
CN107784590A (zh) * | 2017-02-16 | 2018-03-09 | 平安科技(深圳)有限公司 | 一种理赔准备金的评估方法和装置 |
US20210287298A1 (en) * | 2017-04-06 | 2021-09-16 | Ping An Technology (Shenzhen) Co., Ltd. | Actuarial processing method and device |
CN109377398A (zh) * | 2018-11-19 | 2019-02-22 | 北京金州世纪信息技术有限公司 | Ubi保险的分类风险方法及装置 |
US20220147938A1 (en) * | 2019-05-23 | 2022-05-12 | Allm Inc. | Information processing device, information processing system, and information processing program |
CN113077349A (zh) * | 2020-01-06 | 2021-07-06 | 泰康保险集团股份有限公司 | 未决赔款准备金预测方法、装置、设备及存储介质 |
CN113379555A (zh) * | 2021-06-07 | 2021-09-10 | 北京车与车科技有限公司 | 一种基于深度学习的车险风控定价模型方法 |
WO2023000737A1 (zh) * | 2021-07-23 | 2023-01-26 | 明觉科技(北京)有限公司 | 车辆事故损失评估方法及装置 |
CN115311100A (zh) * | 2022-06-28 | 2022-11-08 | 新瑞鹏宠物医疗集团有限公司 | 事件处理方法、装置、设备以及存储介质 |
Non-Patent Citations (2)
Title |
---|
刘裔宏, 魏力仁: "寿险理赔状态分析", 系统工程, no. 04 * |
陈迪红;陈睿;: "卡尔曼滤波在非寿险未决赔款准备金估算中的应用", 系统工程, no. 01 * |
Also Published As
Publication number | Publication date |
---|---|
CN116777648B (zh) | 2023-11-03 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Nyce et al. | Predictive analytics white paper | |
US7191150B1 (en) | Enhancing delinquent debt collection using statistical models of debt historical information and account events | |
US20060136273A1 (en) | Method and system for estimating insurance loss reserves and confidence intervals using insurance policy and claim level detail predictive modeling | |
US8463699B2 (en) | Method and system of determining and applying insurance profit scores | |
US20110078073A1 (en) | System and method for predicting consumer credit risk using income risk based credit score | |
US20060161487A1 (en) | Method for establishing lines of credit | |
US20080021744A1 (en) | Method of providing for a periodic income stream conditioned on the age at death of the insured | |
EP1456789A2 (en) | System and method for developing loss assumptions | |
EP3704658A1 (en) | Entity segmentation for analysis of sensitivities to potential disruptions | |
JP7311495B2 (ja) | 改善された住宅ローン金利決定 | |
WO2019021314A1 (en) | SYSTEM AND METHOD FOR PREDICTING DEFAULT PROBABILITY AND CREDIT EVALUATION FRAMEWORK | |
Goumagias et al. | A decision support model for tax revenue collection in Greece | |
CN116777648B (zh) | 一种车辆出险的人伤理赔信息智能管理方法 | |
Vartholomatou et al. | Corporate bonds, exchange rates and business strategy | |
Leong et al. | The effects of policy interventions to limit illegal money lending | |
US20210350331A1 (en) | Model and purse amount for enhanced health savings accounts | |
JP7344609B2 (ja) | 確定値及び推定値に基づくデータ定量化方法 | |
JP7298286B2 (ja) | モデル提供プログラム、モデル提供方法及びモデル提供装置 | |
Murray et al. | Alternative approaches to addressing the risk of non-permanence in afforestation and reforestation projects under the Clean Development Mechanism | |
An et al. | Bank supervision and managerial control systems: The case of minority lending | |
Shaqiri | Economic Transition Process and Kosovo Pension Reform System | |
US20220414764A1 (en) | Financing analysis method and system based on life policy information | |
CN117151871A (zh) | 一种基于多维数据分析的履约风险评估方法及系统 | |
Li | The Impact of Taxation on US Defined Benefit Pension Policy | |
Korzeb | The influence of currency risk upon the market value of commercial banks operating in the Polish banking sector |
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 |