CN116911882A - 一种基于机器学习的保险防欺诈预测方法及系统 - Google Patents
一种基于机器学习的保险防欺诈预测方法及系统 Download PDFInfo
- Publication number
- CN116911882A CN116911882A CN202311175090.3A CN202311175090A CN116911882A CN 116911882 A CN116911882 A CN 116911882A CN 202311175090 A CN202311175090 A CN 202311175090A CN 116911882 A CN116911882 A CN 116911882A
- Authority
- CN
- China
- Prior art keywords
- insurance
- image
- data
- feature
- face
- 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
- 238000000034 method Methods 0.000 title claims abstract description 51
- 230000002265 prevention Effects 0.000 title claims abstract description 42
- 238000010801 machine learning Methods 0.000 title claims abstract description 29
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 49
- 238000005457 optimization Methods 0.000 claims abstract description 32
- 238000012545 processing Methods 0.000 claims abstract description 30
- 238000012549 training Methods 0.000 claims abstract description 25
- 238000010606 normalization Methods 0.000 claims abstract description 22
- 238000013145 classification model Methods 0.000 claims abstract description 7
- 239000013598 vector Substances 0.000 claims description 64
- 238000001514 detection method Methods 0.000 claims description 23
- 230000006870 function Effects 0.000 claims description 20
- 230000001932 seasonal effect Effects 0.000 claims description 17
- 238000007781 pre-processing Methods 0.000 claims description 14
- 230000008569 process Effects 0.000 claims description 11
- 238000004364 calculation method Methods 0.000 claims description 10
- 238000004140 cleaning Methods 0.000 claims description 10
- 238000002759 z-score normalization Methods 0.000 claims description 9
- 230000009467 reduction Effects 0.000 claims description 8
- 230000008859 change Effects 0.000 claims description 7
- 238000011156 evaluation Methods 0.000 claims description 7
- 238000012512 characterization method Methods 0.000 claims description 6
- 238000013480 data collection Methods 0.000 claims description 6
- 230000006978 adaptation Effects 0.000 claims 2
- 238000012795 verification Methods 0.000 description 7
- 238000002790 cross-validation Methods 0.000 description 5
- 230000000694 effects Effects 0.000 description 5
- 230000010354 integration Effects 0.000 description 5
- 238000000605 extraction Methods 0.000 description 4
- 239000011159 matrix material Substances 0.000 description 4
- 201000010099 disease Diseases 0.000 description 3
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 description 3
- 230000006872 improvement Effects 0.000 description 3
- 238000012544 monitoring process Methods 0.000 description 3
- 238000012706 support-vector machine Methods 0.000 description 3
- 238000010200 validation analysis Methods 0.000 description 3
- 238000004458 analytical method Methods 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 2
- 238000009826 distribution Methods 0.000 description 2
- 239000000284 extract Substances 0.000 description 2
- 238000007689 inspection Methods 0.000 description 2
- 238000012423 maintenance Methods 0.000 description 2
- 238000000513 principal component analysis Methods 0.000 description 2
- 238000012502 risk assessment Methods 0.000 description 2
- 238000012800 visualization Methods 0.000 description 2
- YBJHBAHKTGYVGT-ZKWXMUAHSA-N (+)-Biotin Chemical compound N1C(=O)N[C@@H]2[C@H](CCCCC(=O)O)SC[C@@H]21 YBJHBAHKTGYVGT-ZKWXMUAHSA-N 0.000 description 1
- 208000024172 Cardiovascular disease Diseases 0.000 description 1
- 241000406668 Loxodonta cyclotis Species 0.000 description 1
- 230000002159 abnormal effect Effects 0.000 description 1
- 238000013475 authorization Methods 0.000 description 1
- 230000006399 behavior Effects 0.000 description 1
- 230000008901 benefit Effects 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 239000003795 chemical substances by application Substances 0.000 description 1
- 238000010224 classification analysis Methods 0.000 description 1
- 238000010924 continuous production Methods 0.000 description 1
- 238000013136 deep learning model Methods 0.000 description 1
- 238000012217 deletion Methods 0.000 description 1
- 230000037430 deletion Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000002708 enhancing effect Effects 0.000 description 1
- 230000008676 import Effects 0.000 description 1
- 238000011835 investigation Methods 0.000 description 1
- 238000007477 logistic regression Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000002360 preparation method Methods 0.000 description 1
- 238000007637 random forest analysis Methods 0.000 description 1
- 238000000611 regression analysis Methods 0.000 description 1
- 230000008439 repair process Effects 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 238000013515 script Methods 0.000 description 1
- 238000000926 separation method Methods 0.000 description 1
- 238000007619 statistical method Methods 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
- 230000001960 triggered effect Effects 0.000 description 1
- FEPMHVLSLDOMQC-UHFFFAOYSA-N virginiamycin-S1 Natural products CC1OC(=O)C(C=2C=CC=CC=2)NC(=O)C2CC(=O)CCN2C(=O)C(CC=2C=CC=CC=2)N(C)C(=O)C2CCCN2C(=O)C(CC)NC(=O)C1NC(=O)C1=NC=CC=C1O FEPMHVLSLDOMQC-UHFFFAOYSA-N 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
- G06Q30/00—Commerce
- G06Q30/018—Certifying business or products
- G06Q30/0185—Product, service or business identity fraud
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
- G06N20/10—Machine learning using kernel methods, e.g. support vector machines [SVM]
-
- 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
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/764—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using classification, e.g. of video objects
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V40/00—Recognition of biometric, human-related or animal-related patterns in image or video data
- G06V40/10—Human or animal bodies, e.g. vehicle occupants or pedestrians; Body parts, e.g. hands
- G06V40/16—Human faces, e.g. facial parts, sketches or expressions
- G06V40/168—Feature extraction; Face representation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V40/00—Recognition of biometric, human-related or animal-related patterns in image or video data
- G06V40/10—Human or animal bodies, e.g. vehicle occupants or pedestrians; Body parts, e.g. hands
- G06V40/16—Human faces, e.g. facial parts, sketches or expressions
- G06V40/172—Classification, e.g. identification
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02T—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO TRANSPORTATION
- Y02T10/00—Road transport of goods or passengers
- Y02T10/10—Internal combustion engine [ICE] based vehicles
- Y02T10/40—Engine management systems
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Physics & Mathematics (AREA)
- Business, Economics & Management (AREA)
- Health & Medical Sciences (AREA)
- Oral & Maxillofacial Surgery (AREA)
- Finance (AREA)
- General Health & Medical Sciences (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Multimedia (AREA)
- Accounting & Taxation (AREA)
- Software Systems (AREA)
- Strategic Management (AREA)
- Evolutionary Computation (AREA)
- General Business, Economics & Management (AREA)
- Marketing (AREA)
- Economics (AREA)
- Human Computer Interaction (AREA)
- Development Economics (AREA)
- Artificial Intelligence (AREA)
- Computing Systems (AREA)
- Medical Informatics (AREA)
- Databases & Information Systems (AREA)
- Technology Law (AREA)
- Entrepreneurship & Innovation (AREA)
- Data Mining & Analysis (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Financial Or Insurance-Related Operations Such As Payment And Settlement (AREA)
- Image Analysis (AREA)
Abstract
本发明公开了一种基于机器学习的保险防欺诈预测方法及系统,包括步骤:S1:数据采集模块,收集保险交易数据和出险人的人脸图像数据,进行归一化处理;S2:采用改进象群优化算法,自动选择代表性的特征,减少计算复杂度;S3:使用SVM算法,基于改进象群优化算法适应度最高的表示的特征集训练分类模型;S4:将新的保险交易数据输入模型,进行实时欺诈预测;S5:将预测结果反馈显示,用于决策支持。本申请采用改进象群优化算法提取重要特征并结合SVM算法进行欺诈判断,给出判断结果,实现了保险防欺诈的自动化处理,大大增强了防欺诈自动化程度判断效率以及判断准确度。
Description
技术领域
本发明涉及保险防欺诈技术领域,具体涉及一种基于机器学习的保险防欺诈预测方法及系统。
背景技术
随着保险业务的快速增长和数字化转型,保险欺诈检测已成为行业的重要挑战。传统的保险欺诈检测方法主要依赖人工审查和基于规则的系统,这些方法在处理大量交易和复杂模式时效率低下和准确率有限。
近年来,机器学习技术的发展为保险欺诈检测带来了新的可能性。然而,将这些先进技术整合到保险欺诈检测系统中仍然存在挑战。现有技术没有结合具体保险的季节性等特征进行判断,例如车辆在动态雾霾天气时出险车辆碰撞等较多,在春天、夏天天气晴朗时车辆碰撞相对较少,冬天某些疾病的出险概率大大增加,例如心血管等疾病,夏天有些疾病的出险概率相对较多,将季节因素加入到保险欺诈的考虑因素,以实现高效、准确和可扩展的保险欺诈预测。此外,保险的相关参数较多,如何选择较为重要的特征,以降低数据量实现快速的训练并提高准确度,特征选择和模型训练仍然是挑战,特别是在处理高维和复杂的保险交易数据时。
发明内容
针对现有技术中提到的上述问题,为解决上述技术问题,本发明提供了一种基于机器学习的保险防欺诈预测方法及系统,该方法通过采用改进象群优化算法提取重要特征并结合SVM算法进行欺诈判断,给出判断结果,实现了保险防欺诈的自动化处理,大大增强了防欺诈自动化程度判断效率以及判断准确度。
本发明的一种基于机器学习的保险防欺诈预测方法,包括步骤:
S1:数据采集模块,收集保险交易数据和出险人的人脸图像数据,进行归一化处理;将人脸图像数据与保险交易数据结合,形成特征向量;
S2:采用改进象群优化算法,自动选择代表性的特征,减少计算复杂度;
S21:初始化象群的大小、位置和速度,每个象代表一个解决方案,位置表示特征的选择状态;象群大小为N,每个象的位置向量为:
,/>中的每个元素/>对应保险数据中的一个特征,包括保费、保险类型、车型、驾驶员年龄、人脸灰度图像像素均值、人脸灰度图像方差、人脸RGB图像颜色均值、人脸RGB图像颜色方差,/>表示第j个特征是否被选择,/>为大于等于1小于等于n的整数,n为特征的总个数;
每个象的速度向量为:,其中,/>分别表示第1、第2、第n个特征选择状态的变化速度;
S22:使用适应度函数评估每个象的适应度,适应度函数为,表示第i个象的适应度,即使用/>表示的特征集训练保险欺诈检测模型的准确率;
其中表示使用/>表示的特征集正确分类数,/>表示使用/>表示的特征集类别总数;
S23:更新象群,根据适应度更新象群的速度和位置;
更新速度:,其中r是随机数,/>是当前最佳象的位置,/>为权重参数用于控制季节性因素的影响程度,S为设定的结节性因素,表示当前季节对特征选择的影响;/>表示第i个象的速度向量,/>表示更新第i个象后的速度向量;
更新位置:
S3:使用SVM算法,基于改进象群优化算法适应度最高的表示的特征集训练分类模型;核函数的值/>
其中,表示RBF核的宽度参数,/>、/>分别表示输入的新保险交易数据向量以及表征向量;
S4:将新的保险交易数据输入模型,进行实时欺诈预测;
S5:将预测结果反馈给保险公司,用于决策支持。
优选地,所述收集保险交易数据,包括收集保单信息、客户信息、 手机设备信息、交易信息、索赔信息;其中保单信息包括:保单号、保险类型、保险金额、购买日期、生效日期、到期日期、保险条款;客户信息;手机设备信息;交易信息包括:交易ID、支付方式、交易金额、交易日期、交易状态;索赔信息包括:索赔ID、索赔类型、索赔状态、索赔金额;索赔日期。
优选地,所述收集保险交易数据,进行归一化处理,包括采用Z分数归一化处理。
优选地,所述数据采集模块,还包括收集客户人脸图像数据,对人脸图像进行预处理,包括采用直方图均衡化进行降噪处理,将人脸图像数据识别结果与保险交易数据结合,输入到欺诈预测模型进行预测。
本申请还提供一种基于机器学习的保险防欺诈预测系统,包括:
数据采集模块,收集保险交易数据和出险人的人脸图像数据,进行归一化处理;将人脸图像数据与保险交易数据结合,形成特征向量;
改进象群优化算法模块,自动选择代表性的特征,减少计算复杂度;
初始化模块,初始化象群的大小、位置和速度,每个象代表一个解决方案,位置表示特征的选择状态;象群大小为N,每个象的位置向量为:
,/>中的每个元素/>对应保险数据中的一个特征,包括保费、保险类型、车型、驾驶员年龄、人脸灰度图像像素均值、人脸灰度图像方差、人脸RGB图像颜色均值、人脸RGB图像颜色方差,/>表示第j个特征是否被选择,/>为大于等于1小于等于n的整数,n为特征的总个数;
每个象的速度向量为:,其中,/>分别表示第1、第2、第n个特征选择状态的变化速度;
适应度函数评估模块,评估每个象的适应度,适应度函数为,表示第i个象的适应度,即使用/>表示的特征集训练保险欺诈检测模型的准确率;
其中表示使用/>表示的特征集正确分类数,/>表示使用/>表示的特征集类别总数;
更新象群模块,根据适应度更新象群的速度和位置;
更新速度:,其中r是随机数,/>是当前最佳象的位置,/>为权重参数用于控制季节性因素的影响程度,S为设定的结节性因素,表示当前季节对特征选择的影响;/>表示第i个象的速度向量,/>表示更新第i个象后的速度向量;
更新位置:
SVM算法模块,基于改进象群优化算法适应度最高的表示的特征集训练分类模型;核函数的值/>
其中,表示RBF核的宽度参数,/>、/>分别表示输入的新保险交易数据向量以及表征向量;
将新的保险交易数据输入模型,进行实时欺诈预测;
结果反馈模块,将预测结果反馈给保险公司,用于决策支持。
优选地,所述收集保险交易数据,包括收集保单信息、客户信息、 手机设备信息、交易信息、索赔信息;其中保单信息包括:保单号、保险类型、保险金额、购买日期、生效日期、到期日期、保险条款;客户信息;手机设备信息;交易信息包括:交易ID、支付方式、交易金额、交易日期、交易状态;索赔信息包括:索赔ID、索赔类型、索赔状态、索赔金额;索赔日期。
优选地,所述收集保险交易数据,进行清洗、归一化处理,包括采用Z分数归一化处理。
优选地,所述数据采集模块,还包括收集客户人脸图像数据,对人脸图像进行预处理,包括采用直方图均衡化进行降噪处理,将人脸图像数据识别结果与保险交易数据结合,输入到欺诈预测模型进行预测。
本发明提供了一种基于机器学习的保险防欺诈预测方法及系统,所能实现的有益技术效果如下:
1、本申请通过采用改进象群优化算法,自动选择代表性的特征,减少计算复杂度,为权重参数用于控制季节性因素的影响程度,S为设定的结节性因素,表示当前季节对特征选择的影响,将季节因素加入到保险欺诈的考虑因素中,提高了保险防欺诈判断准确度;此外采用改进象群优化算法实现重要特征的提取,大大增强了保险数据的处理效率,降低了保险数据维度,并实现保险准确度的提升。
2、本发明通过采用改进象群优化算法提取重要特征并结合SVM算法进行欺诈判断,给出判断结果,实现了保险防欺诈的自动化处理;通过改进的象群优化算法与SVM算法用于保险防欺诈,大大增强了防欺诈自动化程度判断效率以及判断准确度,提高了计算效率以及保险计算准确度。
3、本发明通过述数据采集模块,还包括收集客户人脸图像数据,对人脸图像进行预处理,包括采用直方图均衡化进行降噪处理,将人脸图像数据识别结果与保险交易数据结合,输入到欺诈预测模型进行预测,大大实现了判断准确度,实现了综合多项因素判断保险防欺诈判断。
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它的附图。
图1是本发明的一种基于机器学习的保险防欺诈预测方法步骤示意图。
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作出创造性劳动前提下所获得的所有其它实施例,都属于本发明保护的范围。
实施例1:
针对现有技术中提到的上述问题,为解决上述技术问题,如附图1所示:本发明提供了一种基于机器学习的保险防欺诈预测方法,包括步骤:
S1:数据采集模块,收集保险交易数据和出险人的人脸图像数据,进行归一化处理;将人脸图像数据与保险交易数据结合,形成特征向量;使用Z分数(Z-Score)进行数据归一化。Z分数归一化是一种常用的数据标准化方法,其目的是将数据转换为均值为0,标准差为1的分布。具体的Z分数归一化公式为:
其中,p是原始数据点,是该特征的平均值,/>是该特征的标准差,在保险交易数据的背景下,每个特征(如保费金额、投保人年龄等)都会单独进行Z分数归一化。例如,如果我们有一个保费金额的数据集,我们首先计算该数据集的平均值/>和标准差/>,然后使用上述公式将每个保费金额转换为其对应的Z分数。
S2:采用改进象群优化算法,自动选择代表性的特征,减少计算复杂度;
1. 初始化象群
象群大小:根据车辆保险数据的复杂性和特征数量来选择合适的象群大小。
位置向量:每个象的位置向量代表一个特征选择方案,其中的每个元素对应车辆保险数据中的一个特征,例如车型、驾驶员年龄、事故历史等。
2. 适应度评估
适应度函数:适应度函数可以设计为车辆保险欺诈检测模型的准确率或其他性能指标。通过使用象群优化算法选择的特征训练模型,并使用交叉验证等方法评估其在车辆保险欺诈检测任务上的性能。
3. 更新象群
速度更新:速度的更新反映了象群学习和探索的过程。在车辆保险欺诈检测中,速度的更新可以帮助算法更快地找到最具区分欺诈和非欺诈案例的特征组合。
位置更新:位置的更新代表了特征选择方案的变化。在车辆保险领域,位置的更新有助于算法找到最能捕捉欺诈模式的特征。
4. 结果
最佳象的位置:算法返回的最佳象的位置向量代表了在车辆保险欺诈检测任务中选择的最佳特征。这些特征包括车辆信息(例如车型、年龄、里程数等)、保险人信息(例如年龄、性别、驾驶历史等)、保单信息(例如保险类型、保费、保险期限等)等。
通过将象群优化算法与车辆保险的具体内容相结合,可以实现针对车辆保险欺诈检测任务的自动特征选择,从而提高模型的性能和效率
S21:初始化象群的大小、位置和速度,每个象代表一个解决方案,位置表示特征的选择状态;象群大小为N,每个象的位置向量为:
,/>中的每个元素/>对应保险数据中的一个特征,包括保费、保险类型、车型、驾驶员年龄、人脸灰度图像像素均值、人脸灰度图像方差、人脸RGB图像颜色均值、人脸RGB图像颜色方差,/>表示第j个特征是否被选择,/>为大于等于1小于等于n的整数,n为特征的总个数;
每个象的速度向量为:,其中,/>分别表示第1、第2、第n个特征选择状态的变化速度;
S22:使用适应度函数评估每个象的适应度,适应度函数为,表示第i个象的适应度,即使用/>表示的特征集训练保险欺诈检测模型的准确率;
其中表示使用/>表示的特征集正确分类数,/>表示使用/>表示的特征集类别总数;
S23:更新象群,根据适应度更新象群的速度和位置;
车辆出险受到季节性因素的影响,例如天气、节假日等。引入季节性因素来调整象的行为。
季节性调整:定义一个季节性因素S,表示当前季节对特征选择的影响。
速度更新:在更新速度时,结合季节性因素来调整速度。
公式表示为:
更新速度:,其中r是随机数,/>是当前最佳象的位置,/>为权重参数用于控制季节性因素的影响程度,S为设定的结节性因素,表示当前季节对特征选择的影响;/>表示第i个象的速度向量,/>表示更新第i个象后的速度向量;
更新位置:
S3:使用SVM算法,基于改进象群优化算法适应度最高的表示的特征集训练分类模型;核函数的值/>
其中,表示RBF核的宽度参数,/>、/>分别/>、/>分别表示输入的保险交易数据特征向量以及表征向量;"表征向量" 是一个经过特定处理或转换的输入向量,用于捕捉输入数据的关键特性或模式。在SVM和其他机器学习模型中,表征向量通常是原始输入向量经过特征工程、特征选择或其他预处理步骤(如归一化、主成分分析等)后得到的。
1. 数据准备,首先,我们需要准备训练数据。我们有一个特征矩阵X和一个标签向量y,其中X的每一行代表一个样本,每一列代表一个特征,y的每个元素代表一个样本的标签(例如出险或未出险)及表征向量;
SVM是一种监督学习算法,用于分类和回归分析。在车辆出险预测中,我们可以使用SVM进行二分类。
SVM的目标是找到一个阈值,使得保险欺诈和非欺诈类别之间的间隔最大化。这可以通过以下优化问题来实现:
w是超平面的法向量;
b是超平面的截距;
是第i个样本的松弛变量,用于处理不完全线性可分的情况;
C是一个惩罚参数,用于控制间隔的大小和分类错误的权衡;
训练好的SVM模型可以用于新样本的预测。给定一个新样本x,预测公式为:
sign函数返回参数的符号
选择核函数和参数:根据车辆保险的特性和需求选择合适的核函数和参数。
构建核矩阵:使用所选的核函数计算训练样本之间的核矩阵。
求解优化问题:使用二次规划等方法求解上述优化问题,得到超平面的参数。
模型验证:使用车辆保险的验证数据集验证模型的准确性和泛化能力。
S4:将新的保险交易数据和人脸图像数据输入模型,进行实时欺诈预测;
S5:将预测结果反馈显示,用于决策支持。
数据预处理模块
数据收集:收集保险交易数据,包括保单信息、客户信息等。
数据清洗:去除重复、缺失、异常值等。
数据归一化:将数据转化为可用于机器学习的格式。
特征选择模块
初始化象群:设定象群的大小、速度、位置等参数。
适应度评估:评估每个象的适应度,选择最优特征。
更新象群:根据适应度更新象群的速度和位置。
模型训练模块
SVM参数设置:设置SVM的核函数、惩罚参数等。
模型训练:使用选择的特征训练SVM模型。
模型验证:使用交叉验证等方法验证模型的准确性。
欺诈预测模块
数据输入:将新的保险交易数据输入模型。
欺诈预测:模型对新数据进行欺诈预测。
结果输出:将预测结果输出给保险公司。
在一些实施例中,所述收集保险交易数据,包括收集保单信息、客户信息、 手机设备信息、交易信息、索赔信息;其中保单信息包括:保单号、保险类型、保险金额、购买日期、生效日期、到期日期、保险条款;客户信息;手机设备信息;交易信息包括:交易ID、支付方式、交易金额、交易日期、交易状态;索赔信息包括:索赔ID、索赔类型、索赔状态、索赔金额;索赔日期。
1. 保单信息
保单号:保险合同的唯一标识符。
保险类型:例如盗窃保险、意外损坏保险等。
保险金额:保险的覆盖金额。
购买日期:保险策略的购买日期。
生效日期:保险生效的日期。
到期日期:保险策略的到期日期。
保险条款:保险合同的具体条款和条件。
2. 交易信息
交易ID:交易的唯一标识符。
支付方式:例如信用卡、借记卡、PayPal等。
交易金额:交易的总金额。
交易日期:交易的日期和时间。
交易状态:例如已完成、待处理、已取消等。
3. 索赔信息(如适用)
索赔ID:索赔的唯一标识符。
索赔类型:例如盗窃、损坏等。
索赔状态:例如待审查、已批准、已拒绝等。
索赔金额:索赔的金额。
索赔日期:索赔的提交日期。
4. 其他信息
销售代表信息:销售保险的代表或代理人的详细信息。
折扣和促销:适用于保险购买的任何折扣或促销。
客户反馈和评级:客户对保险产品的反馈和评级。
在一些实施例中,所述收集保险交易数据,进行清洗、归一化处理,包括采用Z分数归一化处理。
收集保险交易数据后,清洗和归一化是数据预处理的重要步骤。以下是如何进行清洗和归一化的详细说明:
数据清洗
数据清洗是消除数据集中的不一致性、错误和重复的过程。在保险交易数据的背景下,数据清洗包括以下步骤:
删除重复项:检查并删除数据中的重复记录,确保每个交易只记录一次。
处理缺失值:保险交易数据存在缺失值。可以通过以下方法处理:
删除包含缺失值的记录。
使用平均值、中位数或众数填充缺失值。
使用插值或预测模型估计缺失值。
纠正错误值:检查数据中的异常值或错误值,并进行纠正。例如,保费为负数的记录是错误的。
标准化格式:确保所有数据都采用一致的格式。例如,日期应统一为特定的日期格式。
文本清洗:如果有文本字段(如事故描述),需要删除特殊字符、纠正拼写错误等。
在一些实施例中,所述数据采集模块,还包括收集客户人脸图像数据,对人脸图像进行预处理,包括采用直方图均衡化进行降噪处理,将人脸图像数据识别结果与保险交易数据结合,输入到欺诈预测模型进行预测。
实施例2
本申请还提供一种基于机器学习的保险防欺诈预测系统,包括:
数据采集模块,收集保险交易数据和出险人的人脸图像数据,进行归一化处理;将人脸图像数据与保险交易数据结合,形成特征向量;;
改进象群优化算法模块,自动选择代表性的特征,减少计算复杂度;
初始化模块,初始化象群的大小、位置和速度,每个象代表一个解决方案,位置表示特征的选择状态;象群大小为N,每个象的位置向量为:
,/>中的每个元素/>对应保险数据中的一个特征,包括保费、保险类型、车型、驾驶员年龄、人脸灰度图像像素均值、人脸灰度图像方差、人脸RGB图像颜色均值、人脸RGB图像颜色方差,/>表示第j个特征是否被选择,/>为大于等于1小于等于n的整数,n为特征的总个数;
每个象的速度向量为:,其中,/>分别表示第1、第2、第n个特征选择状态的变化速度;
适应度函数评估模块,评估每个象的适应度,适应度函数为,表示第i个象的适应度,即使用/>表示的特征集训练保险欺诈检测模型的准确率;
其中表示使用/>表示的特征集正确分类数,/>表示使用/>表示的特征集类别总数;
更新象群模块,根据适应度更新象群的速度和位置;
更新速度:,其中r是随机数,/>是当前最佳象的位置,/>为权重参数用于控制季节性因素的影响程度,S为设定的结节性因素,表示当前季节对特征选择的影响;/>表示第i个象的速度向量,/>表示更新第i个象后的速度向量;
更新位置:
其中,e为自然对数;
SVM算法模块,基于改进象群优化算法适应度最高的表示的特征集训练分类模型;核函数的值/>
其中,表示RBF核的宽度参数,/>、/>分别表示输入的保险交易数据特征向量以及表征向量;"表征向量" 是一个经过特定处理或转换的输入向量,用于捕捉输入数据的关键特性或模式。在SVM和其他机器学习模型中,表征向量通常是原始输入向量经过特征工程、特征选择或其他预处理步骤(如归一化、主成分分析等)后得到的。
将新的保险交易数据输入模型,进行实时欺诈预测;
结果反馈模块,将预测结果反馈给保险公司,用于决策支持。
欺诈预测模块在车辆保险领域的主要目的是识别欺诈行为,从而采取适当的措施防止或减轻损失。以下是具体的防欺诈流程:
1. 数据收集和预处理
收集与车辆保险相关的各种数据,包括但不限于:
保单信息:保险类型、保费、保险期限等。
车辆信息:车型、年龄、里程数等。
投保人信息:年龄、性别、驾驶历史等。
索赔历史:过去的索赔记录、索赔金额、事故详情等。
数据预处理包括缺失值填充、异常值处理、数据标准化等。
2. 特征工程
使用象群优化算法进行特征选择,挑选出与欺诈检测最相关的特征。这一步可以减少模型的复杂性并提高准确性。
3. 模型训练
使用支持向量机(SVM)或其他机器学习算法训练欺诈检测模型。训练过程中需要调整各种参数,例如核函数、惩罚参数等,以获得最佳性能。
4. 模型验证和评估
使用交叉验证、混淆矩阵、ROC曲线等方法验证和评估模型的性能。确保模型在未见过的数据上具有良好的泛化能力。
5. 欺诈预测
将训练好的模型部署到生产环境中,用于实时或批量预测欺诈行为。预测公式为:y=sign(wx+b)
其中,y表示预测结果,w和b是模型参数,x是新案例的特征向量。
在一些实施例中,所述收集保险交易数据,包括收集保单信息、客户信息、 手机设备信息、交易信息、索赔信息;其中保单信息包括:保单号、保险类型、保险金额、购买日期、生效日期、到期日期、保险条款;;交易信息包括:交易ID、支付方式、交易金额、交易日期、交易状态;索赔信息包括:索赔ID、索赔类型、索赔状态、索赔金额;索赔日期。收集保险交易数据是一个复杂的过程,涉及多个步骤和考虑因素。以下是如何收集和获取保险交易数据的详细说明:
1. 定义数据需求
首先,需要明确收集数据的目的和需求。在保险欺诈预测的背景下,需要以下类型的交易数据:
保单信息:保险类型、保费、保险期限、投保人信息等。
索赔信息:索赔金额、事故详情、维修报告等。
支付信息:支付方式、支付时间、交易状态等。
2. 数据来源
确定数据来源是收集数据的关键步骤。保险交易数据来自以下来源:
内部系统:保险公司的内部数据库、客户关系管理(CRM)系统、理赔管理系统等。
外部合作伙伴:与保险公司合作的银行、支付服务提供商、维修厂等。
公开数据源:行业协会等提供的公开数据。
3. 数据访问和集成
根据数据来源,采取不同的访问和集成方法:
数据库查询:如果数据存储在关系数据库中,可以使用SQL查询等方法直接访问。
API调用:外部合作伙伴提供API来访问交易数据。这需要与合作伙伴协调,遵循特定的认证和授权流程。
文件导入:数据以CSV、Excel等文件格式提供。可以编写脚本或使用工具导入这些文件。
数据清洗和转换:需要清洗和转换原始数据,以便进行分析。这包括处理缺失值、转换数据类型、标准化数据等。
4. 数据安全和合规性
收集和处理保险交易数据必须遵循相关的法规和标准,例如数据保护法、金融服务法规等。
数据加密:使用加密技术保护敏感数据。
访问控制:确保只有授权人员可以访问数据。
合规审查:与法务和合规团队合作,确保数据收集和处理符合所有适用法规。
5. 持续监控和维护
数据收集是一个持续的过程。需要定期更新和维护数据,以确保其准确性和时效性。
自动化:可以使用自动化工具和脚本定期收集和更新数据。
监控:设置监控和警报,以便及时发现并提醒存在欺诈行为。
数据质量检查:定期检查数据质量,确保其准确性和一致性。
在一些实施例中,所述收集保险交易数据,进行清洗、归一化处理,包括采用Z分数归一化处理。其中,数据清洗包括删除重复或无效的记录,处理缺失值,通过插值或使用统计方法(如平均值、中位数等)进行填充,纠正明显的错误或异常值。
使用Z分数(Z-Score)进行数据归一化。Z分数归一化是一种常用的数据标准化方法,其目的是将数据转换为均值为0,标准差为1的分布。具体的Z分数归一化公式为:
其中,p是原始数据点,是该特征的平均值,/>是该特征的标准差,在保险交易数据的背景下,每个特征(如保费金额、投保人年龄等)都会单独进行Z分数归一化。例如,如果我们有一个保费金额的数据集,我们首先计算该数据集的平均值/>和标准差/>,然后使用上述公式将每个保费金额转换为其对应的Z分数。
在一些实施例中,所述数据采集模块,还包括收集客户人脸图像数据,对人脸图像进行预处理,包括采用直方图均衡化进行降噪处理,将人脸图像数据识别结果与保险交易数据结合,输入到欺诈预测模型进行预测。在保险防欺诈预测中,人脸图像识别可以作为一项强有力的验证和安全措施。通过人脸识别,保险公司可以确保与交易相关的个人身份的真实性和一致性。以下是如何将人脸图像识别引入保险防欺诈预测的详细说明:
1. 数据收集
人脸图像收集:在保险申请或索赔过程中,要求客户提供人脸图像。这可以通过移动应用、网站或现场摄像头完成。
身份验证:与身份证件或其他可信来源的人脸图像进行比对,以验证客户的身份。
2. 预处理
图像清洗:删除模糊、过曝或其他质量不佳的图像。
图像裁剪和调整:将人脸区域裁剪并调整到统一的大小和分辨率。
3. 特征提取
人脸检测:使用人脸检测算法(例如Haar级联、MTCNN等)定位图像中的人脸区域。
人脸特征提取:使用深度学习模型(例如FaceNet、VGGFace等)提取人脸的特征向量。
4. 人脸匹配和验证
人脸匹配:将提取的人脸特征与数据库中存储的已知人脸特征进行比对,以验证身份。
相似度阈值:设置相似度阈值,如果两个人脸特征的相似度超过此阈值,则认为它们属于同一人。
5. 欺诈检测集成
欺诈预测模型:将人脸识别结果与其他保险交易数据(例如保费、保险类型、车型等)结合,输入到欺诈预测模型中。
风险评估:如果人脸不匹配或相似度低于阈值,则是欺诈行为的迹象。可以将此信息用于风险评估和欺诈预测。
6. 结果呈现和响应
警报和通知:如果检测到的欺诈行为,可以触发警报并通知相关人员进行进一步调查。
客户体验:确保人脸识别过程对客户友好,提供清晰的指导和反馈。
将人脸图像识别引入保险防欺诈预测可以增强系统的安全性和准确性。通过验证客户的身份并将人脸识别结果与其他数据结合,保险公司可以更有效地识别和防止欺诈行为。
以下是计算适应度函数的具体步骤:
特征选择:使用第i个象的位置向量X i选择特征。例如,如果X i =[1,0,1,1],则选择第1、3、4个特征。
模型训练:使用选择的特征训练保险欺诈检测模型。可以使用逻辑回归、随机森林、支持向量机等算法。
模型验证:使用交叉验证或留出法等方法验证模型的准确率。例如,如果使用5折交叉验证,可以将数据分为5个部分,轮流使用4个部分进行训练,1个部分进行验证。
计算准确率:计算模型在验证集上的准确率。准确率可以表示为:Accuracy= 总样本数/正确分类的样本数
采用象群优化算法自动选择代表性的特征后,最终的输出和呈现可以通过以下步骤实现:
1. 最佳象的位置向量
在象群优化算法的迭代过程中,会不断更新每个象的位置向量以寻找最佳解。最终,最佳象的位置向量将代表代表性的特征选择方案。
例如,如果有5个特征,最佳象的位置向量是:X best=[1,0,1,1,0]
这表示选择了第1、3、4个特征,而忽略了第2、5个特征。
2. 特征名称和解释
将位置向量转换为实际的特征名称和解释。例如:
第1个特征:保险类型(选择);
第2个特征:保费(忽略);
第3个特征:车型(选择);
第4个特征:驾驶员年龄(选择);
第5个特征:里程数(忽略);
3. 结果呈现
最终结果可以通过多种方式呈现:
文本报告:创建一个文本报告,详细描述选择的特征和忽略的特征,以及它们在保险欺诈检测中的重要性。
图表和可视化:使用条形图或其他可视化工具显示每个特征的重要性或选择状态。
数据导出:将选择的特征导出到CSV或其他文件格式,以便进一步分析或与其他系统集成。
4. 模型训练和评估
使用选择的特征训练保险欺诈检测模型,并评估其性能。可以提供以下信息:
模型准确率:使用选择的特征训练的模型的准确率。
性能提升:与使用所有特征训练的模型相比,选择的特征带来的性能提升。
计算效率:通过减少特征数量,减少的计算时间和资源。
本发明提供了一种基于机器学习的保险防欺诈预测方法及系统,所能实现的有益技术效果如下:
1、本申请通过采用改进象群优化算法,自动选择代表性的特征,减少计算复杂度,为权重参数用于控制季节性因素的影响程度,S为设定的结节性因素,表示当前季节对特征选择的影响,将季节因素加入到保险欺诈的考虑因素中,提高了保险防欺诈判断准确度;此外采用改进象群优化算法实现重要特征的提取,大大增强了保险数据的处理效率,降低了保险数据维度,并实现保险准确度的提升。
2、本发明通过采用改进象群优化算法提取重要特征并结合SVM算法进行欺诈判断,给出判断结果,实现了保险防欺诈的自动化处理;通过改进的象群优化算法与SVM算法用于保险防欺诈,大大增强了防欺诈自动化程度判断效率以及判断准确度,提高了计算效率以及保险计算准确度。
3、本发明通过述数据采集模块,还包括收集客户人脸图像数据,对人脸图像进行预处理,包括采用直方图均衡化进行降噪处理,将人脸图像数据识别结果与保险交易数据结合,输入到欺诈预测模型进行预测,大大实现了判断准确度,实现了综合多项因素判断保险防欺诈判断。
以上对一种基于机器学习的保险防欺诈预测方法及系统进行了详细介绍,本文中应用了具体个例对本发明的原理及实施方式进行了阐述,以上实施例的说明只是用于帮助理解本发明的核心思想;同时,对于本领域的一般技术人员,依据本发明的思想和方法,在具体实施方式及应用范围上均会有改变之处,综上所述,本说明书内容不应理解为对本发明的限制。
Claims (8)
1.一种基于机器学习的保险防欺诈预测方法,其特征在于,包括步骤:
S1:数据采集模块,收集保险交易数据和出险人的人脸图像数据,进行归一化处理;将人脸图像数据与保险交易数据结合,形成特征向量;
S2:采用改进象群优化算法,自动选择代表性的特征,减少计算复杂度;
S21:初始化象群的大小、位置和速度,每个象代表一个解决方案,位置表示特征的选择状态;象群大小为N,每个象的位置向量为:
,/>中的每个元素/>对应保险数据中的一个特征,包括保费、保险类型、车型、驾驶员年龄、人脸灰度图像像素均值、人脸灰度图像方差、人脸RGB图像颜色均值、人脸RGB图像颜色方差,/>表示第j个特征是否被选择,/>为大于等于1小于等于n的整数,n为特征的总个数;
每个象的速度向量为:,其中,/>分别表示第1、第2、第n个特征选择状态的变化速度;
S22:使用适应度函数评估每个象的适应度,适应度函数为,表示第i个象的适应度,即使用/>表示的特征集训练保险欺诈检测模型的准确率;
其中表示使用/>表示的特征集正确分类数,/>表示使用/>表示的特征集类别总数;
S23:更新象群,根据适应度更新象群的速度和位置;
更新速度:,其中r是随机数,/>是当前最佳象的位置,/>为权重参数用于控制季节性因素的影响程度,S为设定的季节性因素,表示当前季节对特征选择的影响;/>表示第i个象的速度向量,/>表示更新第i个象后的速度向量;
更新位置:
其中,e为自然对数;
S3:使用SVM算法,基于改进象群优化算法适应度最高的表示的特征集训练分类模型;核函数的值/>
其中,表示RBF核的宽度参数,/>、/>分别表示输入的新保险交易数据向量以及表征向量;
S4:将新的保险交易数据和人脸图像数据输入模型,进行实时欺诈预测;
S5:将预测结果反馈显示,用于决策支持。
2.如权利要求1所述的一种基于机器学习的保险防欺诈预测方法,其特征在于,所述收集保险交易数据,包括收集保单信息、索赔信息;其中保单信息包括:保单号、保险类型、保险金额、购买日期、生效日期、到期日期、保险条款;索赔信息包括:索赔ID、索赔类型、索赔状态、索赔金额、索赔日期。
3.如权利要求1所述的一种基于机器学习的保险防欺诈预测方法,其特征在于,所述收集保险交易数据,进行归一化处理,包括采用Z分数归一化处理。
4.如权利要求1所述的一种基于机器学习的保险防欺诈预测方法,其特征在于,所述数据采集模块,还包括收集客户人脸图像数据,对人脸图像进行预处理,包括采用直方图均衡化进行降噪处理。
5.一种基于机器学习的保险防欺诈预测系统,其特征在于,包括:
数据采集模块,收集保险交易数据和出险人的人脸图像数据,进行归一化处理,将人脸图像数据与保险交易数据结合,形成特征向量;
改进象群优化算法模块,自动选择代表性的特征,减少计算复杂度;
初始化模块,初始化象群的大小、位置和速度,每个象代表一个解决方案,位置表示特征的选择状态;象群大小为N,每个象的位置向量为:
,/>中的每个元素/>对应保险数据中的一个特征,包括保费、保险类型、车型、驾驶员年龄、人脸灰度图像像素均值、人脸灰度图像方差、人脸RGB图像颜色均值、人脸RGB图像颜色方差,/>表示第j个特征是否被选择,/>为大于等于1小于等于n的整数,n为特征的总个数;
每个象的速度向量为:,其中,/>分别表示第1、第2、第n个特征选择状态的变化速度;
适应度函数评估模块,评估每个象的适应度,适应度函数为,表示第i个象的适应度,即使用/>表示的特征集训练保险欺诈检测模型的准确率;
其中表示使用/>表示的特征集正确分类数,/>表示使用/>表示的特征集类别总数;
更新象群模块,根据适应度更新象群的速度和位置;
更新速度:,其中r是随机数,/>是当前最佳象的位置,/>为权重参数用于控制季节性因素的影响程度,S为设定的结节性因素,表示当前季节对特征选择的影响;/>表示第i个象的速度向量,/>表示更新第i个象后的速度向量;
更新位置:
SVM算法模块,基于改进象群优化算法适应度最高的表示的特征集训练分类模型;核函数的值/>
其中,表示RBF核的宽度参数,/>、/>分别表示输入的新保险交易数据向量以及表征向量;
将新的保险交易数据输入模型,进行实时欺诈预测;
结果反馈模块,将预测结果反馈显示,用于决策支持。
6.如权利要求5所述的一种基于机器学习的保险防欺诈预测系统,其特征在于,所述收集保险交易数据,包括收集保单信息、索赔信息;其中保单信息包括:保单号、保险类型、保险金额、购买日期、生效日期、到期日期、保险条款;索赔信息包括:索赔ID、索赔类型、索赔状态、索赔金额、索赔日期。
7.如权利要求5所述的一种基于机器学习的保险防欺诈预测系统,其特征在于,所述收集保险交易数据,进行清洗、归一化处理,包括采用Z分数归一化处理。
8.如权利要求5所述的一种基于机器学习的保险防欺诈预测系统,其特征在于,所述数据采集模块,还包括收集客户人脸图像数据,对人脸图像进行预处理,包括采用直方图均衡化进行降噪处理,将人脸图像数据识别结果与保险交易数据结合,输入到欺诈预测模型进行预测。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311175090.3A CN116911882B (zh) | 2023-09-13 | 2023-09-13 | 一种基于机器学习的保险防欺诈预测方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311175090.3A CN116911882B (zh) | 2023-09-13 | 2023-09-13 | 一种基于机器学习的保险防欺诈预测方法及系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN116911882A true CN116911882A (zh) | 2023-10-20 |
CN116911882B CN116911882B (zh) | 2023-11-21 |
Family
ID=88363391
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311175090.3A Active CN116911882B (zh) | 2023-09-13 | 2023-09-13 | 一种基于机器学习的保险防欺诈预测方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116911882B (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117541171A (zh) * | 2023-10-23 | 2024-02-09 | 河北智汇邢网络科技有限公司 | 一种基于区块链的信息处理方法及系统 |
Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20080167883A1 (en) * | 2007-01-05 | 2008-07-10 | Ramin Thavildar Khazaneh | Method and System for Monitoring and Protecting Real Estate Title (Ownership) Against Fraudulent Transaction (Title Theft) and Mortgage Fraud |
US20160110818A1 (en) * | 2014-10-21 | 2016-04-21 | Hartford Fire Insurance Company | System for dynamic fraud detection |
CN112053223A (zh) * | 2020-08-14 | 2020-12-08 | 百维金科(上海)信息科技有限公司 | 一种基于ga-svm算法的互联网金融欺诈行为检测方法 |
CN113115311A (zh) * | 2021-04-12 | 2021-07-13 | 江苏通付盾科技有限公司 | 一种基于支持向量机模型的欺诈行为的识别方法及系统 |
US20220044256A1 (en) * | 2020-08-06 | 2022-02-10 | Accenture Global Solutions Limited | Utilizing machine learning models, predictive analytics, and data mining to identify a vehicle insurance fraud ring |
CN114462553A (zh) * | 2022-04-12 | 2022-05-10 | 之江实验室 | 一种面向车险反欺诈的图像标注及要素抽取方法与系统 |
US20220253856A1 (en) * | 2021-02-11 | 2022-08-11 | The Toronto-Dominion Bank | System and method for machine learning based detection of fraud |
CN116579861A (zh) * | 2023-04-07 | 2023-08-11 | 中国人民财产保险股份有限公司 | 基于新型特征优化算法的车险诈骗识别方法、装置及设备 |
-
2023
- 2023-09-13 CN CN202311175090.3A patent/CN116911882B/zh active Active
Patent Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20080167883A1 (en) * | 2007-01-05 | 2008-07-10 | Ramin Thavildar Khazaneh | Method and System for Monitoring and Protecting Real Estate Title (Ownership) Against Fraudulent Transaction (Title Theft) and Mortgage Fraud |
US20160110818A1 (en) * | 2014-10-21 | 2016-04-21 | Hartford Fire Insurance Company | System for dynamic fraud detection |
US20220044256A1 (en) * | 2020-08-06 | 2022-02-10 | Accenture Global Solutions Limited | Utilizing machine learning models, predictive analytics, and data mining to identify a vehicle insurance fraud ring |
CN112053223A (zh) * | 2020-08-14 | 2020-12-08 | 百维金科(上海)信息科技有限公司 | 一种基于ga-svm算法的互联网金融欺诈行为检测方法 |
US20220253856A1 (en) * | 2021-02-11 | 2022-08-11 | The Toronto-Dominion Bank | System and method for machine learning based detection of fraud |
CN113115311A (zh) * | 2021-04-12 | 2021-07-13 | 江苏通付盾科技有限公司 | 一种基于支持向量机模型的欺诈行为的识别方法及系统 |
CN114462553A (zh) * | 2022-04-12 | 2022-05-10 | 之江实验室 | 一种面向车险反欺诈的图像标注及要素抽取方法与系统 |
CN116579861A (zh) * | 2023-04-07 | 2023-08-11 | 中国人民财产保险股份有限公司 | 基于新型特征优化算法的车险诈骗识别方法、装置及设备 |
Non-Patent Citations (2)
Title |
---|
MOATAZ KILANY 等: "A hybrid elephant herding optimization and support vector machines for human behavior identification", 2017 EIGHTH INTERNATIONAL CONFERENCE ON INTELLIGENT COMPUTING AND INFORMATION SYSTEMS (ICICIS), pages 178 * |
闫春;李亚琪;孙海棠;: "基于蚁群算法优化随机森林模型的汽车保险欺诈识别研究", 保险研究, no. 06, pages 114 * |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117541171A (zh) * | 2023-10-23 | 2024-02-09 | 河北智汇邢网络科技有限公司 | 一种基于区块链的信息处理方法及系统 |
Also Published As
Publication number | Publication date |
---|---|
CN116911882B (zh) | 2023-11-21 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US11989740B2 (en) | Reducing false positives using customer feedback and machine learning | |
US11373249B1 (en) | Automobile monitoring systems and methods for detecting damage and other conditions | |
KR102134792B1 (ko) | 안전거래 블록체인 기반 사기조회 및 감정평가를 이용한 중고거래 서비스 제공 방법 | |
US20150332411A1 (en) | Insurance Claims and Rate Evasion Fraud System Based Upon Vehicle History | |
CN112668944A (zh) | 一种基于大数据征信的企业风控方法、装置、设备及介质 | |
CN116911882B (zh) | 一种基于机器学习的保险防欺诈预测方法及系统 | |
US20230289887A1 (en) | Optical Fraud Detector for Automated Detection Of Fraud In Digital Imaginary-Based Automobile Claims, Automated Damage Recognition, and Method Thereof | |
CN113139876B (zh) | 风险模型训练方法、装置、计算机设备及可读存储介质 | |
CN116823428A (zh) | 一种反欺诈检测方法、装置、设备及存储介质 | |
CN113077182B (zh) | 一种车辆维保异常监测系统及方法 | |
US20230360051A1 (en) | Detecting unauthorized online applications using machine learning | |
CN115907954A (zh) | 账户的识别方法、装置、计算机设备和存储介质 | |
Yan et al. | Research on automobile insurance fraud identification based on fuzzy association rules | |
CN114154617A (zh) | 一种基于vfl的低压居民用户异常用电识别方法及系统 | |
Singhal et al. | Machine Learning Methods for Detecting Car Insurance Fraud: Comparative Analysis | |
Dhone et al. | BIG DATA ANALYTICS FOR FRAUD DETECTION IN FINANCIAL TRANSACTIONS | |
Sebastian et al. | A comparative analysis of deep neural network models in IoT‐based smart systems for energy prediction and theft detection | |
Sun et al. | Research on the Impact of Green Technology Innovation on Enterprise Financial Information Management Based on Compound Neural Network | |
CN117911166A (zh) | 团险理赔风险识别方法、装置、计算机设备和存储介质 | |
Islam et al. | Utilization of Encoding, Early Stopping, Hyper Parameter Tuning, and Machine Learning Models for Bank Fraud Detection | |
CN117475159A (zh) | 一种智慧监管方法和系统 | |
Michelakis | Fraud detection in car insurance using unsupervised machine learning | |
Singh et al. | Financial Fraud Detection Using Multi-Classifier Systems | |
CN116823268A (zh) | 一种基于ai的商城系统入侵防护方法及系统 | |
CN117710121A (zh) | 大数据理赔渠道信息管理方法、系统及存储介质 |
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 |