CN117541171A - 一种基于区块链的信息处理方法及系统 - Google Patents
一种基于区块链的信息处理方法及系统 Download PDFInfo
- Publication number
- CN117541171A CN117541171A CN202311376905.4A CN202311376905A CN117541171A CN 117541171 A CN117541171 A CN 117541171A CN 202311376905 A CN202311376905 A CN 202311376905A CN 117541171 A CN117541171 A CN 117541171A
- Authority
- CN
- China
- Prior art keywords
- event
- index
- claimant
- information
- contradiction
- 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
- 230000010365 information processing Effects 0.000 title claims abstract description 26
- 238000003672 processing method Methods 0.000 title claims abstract description 18
- 230000002159 abnormal effect Effects 0.000 claims abstract description 119
- 238000012552 review Methods 0.000 claims abstract description 23
- 238000004458 analytical method Methods 0.000 claims abstract description 21
- 206010000117 Abnormal behaviour Diseases 0.000 claims abstract description 9
- 230000008094 contradictory effect Effects 0.000 claims abstract description 9
- 230000006399 behavior Effects 0.000 claims description 100
- 238000011156 evaluation Methods 0.000 claims description 33
- 238000000034 method Methods 0.000 claims description 29
- 238000012545 processing Methods 0.000 claims description 22
- 238000000605 extraction Methods 0.000 claims description 11
- 238000012300 Sequence Analysis Methods 0.000 claims description 10
- 230000007246 mechanism Effects 0.000 claims description 9
- 238000010801 machine learning Methods 0.000 claims description 8
- 238000013480 data collection Methods 0.000 claims description 7
- 238000001514 detection method Methods 0.000 claims description 7
- 238000003058 natural language processing Methods 0.000 claims description 6
- 230000008859 change Effects 0.000 claims description 5
- 238000012937 correction Methods 0.000 claims description 4
- 238000005516 engineering process Methods 0.000 claims description 4
- 230000001960 triggered effect Effects 0.000 claims description 4
- 230000015572 biosynthetic process Effects 0.000 claims description 3
- 239000004744 fabric Substances 0.000 claims description 3
- 238000007667 floating Methods 0.000 claims description 3
- 238000011990 functional testing Methods 0.000 claims description 3
- 238000009499 grossing Methods 0.000 claims description 3
- 230000003993 interaction Effects 0.000 claims description 3
- 238000005065 mining Methods 0.000 claims description 3
- 238000011056 performance test Methods 0.000 claims description 3
- 238000011076 safety test Methods 0.000 claims description 3
- 238000003786 synthesis reaction Methods 0.000 claims description 3
- 238000012549 training Methods 0.000 claims description 3
- 238000012795 verification Methods 0.000 claims description 3
- 238000007726 management method Methods 0.000 abstract description 5
- 230000009471 action Effects 0.000 abstract description 2
- 238000013468 resource allocation Methods 0.000 abstract 1
- 230000005856 abnormality Effects 0.000 description 5
- 230000008569 process Effects 0.000 description 5
- 230000003542 behavioural effect Effects 0.000 description 3
- 238000012544 monitoring process Methods 0.000 description 3
- 238000013459 approach Methods 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 2
- 238000004364 calculation method Methods 0.000 description 2
- 238000007796 conventional method Methods 0.000 description 2
- 238000013479 data entry Methods 0.000 description 2
- 230000007547 defect Effects 0.000 description 2
- 230000007812 deficiency Effects 0.000 description 2
- 239000002699 waste material Substances 0.000 description 2
- 230000004075 alteration Effects 0.000 description 1
- 238000007405 data analysis Methods 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
- 238000012502 risk assessment Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 238000012360 testing method 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
- G06Q10/00—Administration; Management
- G06Q10/10—Office automation; Time management
- G06Q10/103—Workflow collaboration or project management
-
- 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
- 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
Abstract
本发明公开了一种基于区块链的信息处理方法及系统，涉及保险索赔信息处理技术领域，该系统通过自动化数据处理、特征提取和机器学习模型的应用，使索赔能够更快速地得到处理和支付。分析索赔人的历史数据和当前索赔信息，能够更准确地识别异常行为、矛盾信息和欺诈风险。这有助于降低保险欺诈的发生率，保护了保险公司的经济利益。实时监测索赔数据，一旦发现异常情况，系统能够立即发出警示并采取必要的行动，以减少潜在风险。这有助于保险公司更好地管理风险，提高了风险管理的效力。系统优化了资源分配。自动标记需要额外审查的索赔意味着审查资源可以更有针对性地分配到真正需要关注的案例上，避免了资源的浪费。
Description
技术领域
本发明涉及保险理赔信息处理技术领域，具体为一种基于区块链的信息处理方法及系统。
背景技术
保险行业一直是金融领域中重要的一部分，用于提供风险保障和理赔服务。然而，保险索赔管理一直是一个复杂而繁琐的过程，需要大量的人力和时间来处理索赔信息。传统的保险索赔处理方式通常面临以下问题：
(1)、传统的索赔信息处理通常涉及大量的文档工作和手动数据输入，容易出现错误，而且需要大量时间和资源；
(2)、一些索赔案件可能会涉及欺诈行为，索赔人可能会夸大损失或提供虚假信息以获取更多的赔偿；
(3)、索赔金额的波动可能会引起关注，但传统方法通常无法及时识别异常波动。为了解决这些问题，传统的索赔管理方法在处理效率、欺诈检测和波动监测方面存在许多不足之处。为了解决这些问题，新的技术和方法变得尤为重要，亟需提出一种基于区块链的信息处理方法和系统可能提供了一种潜在的解决方案，可以提高索赔处理的效率、准确性和安全性。
发明内容
(一)解决的技术问题
针对现有技术的不足，本发明提供了一种基于区块链的信息处理方法及系统，以解决背景技术提出的处理效率、欺诈检测和波动监测方面存在许多不足之处。
(二)技术方案
为实现以上目的，本发明通过以下技术方案予以实现：一种基于区块链的信息处理方法及系统，包括以下步骤：
S1、建立保险索赔区块链网络，设置区块链共识机制，使区块链中的若干个节点具有副本的完整区块链，并建立索赔规则、条件和支付合约；并用于进行验证分析索赔数据；
S2、收集索赔人提交的历史索赔记录信息和索赔人当前索赔信息；
S3、对历史索赔记录信息进行特征提取，并分析索赔频率、历史索赔金额、事件描述是否存在矛盾，并使用事件序列分析方法来分析索赔金额随时间变化，是否存在异常波动，建立索赔模型，基于历史欺诈案例和正常索赔案例，训练机器学习模型，并对所述索赔人当前索赔信息进行分析计算获得行为指数Xw、事件矛盾指数Md和异常波动指数Yc，所述行为指数Xw、事件矛盾指数Md和异常波动指数Yc由以下公式获得：
式中，F表示索赔人在过去一年内的索赔次数频率值，A表示索赔人过去索赔的总金额值，Nt表示为不同保险类型或风险类型的数量值，E表示基于历史数据保险金额变量的预期值或平均值，用于与当前的索赔金额进行比较，如果当前的索赔金额高于预期值，则需要对索赔事件进行异常复审；Cd表示索赔文档中的矛盾词汇或者矛盾信息的数量，Td表示为索赔文档中的总词汇数量；At表示为索赔金额随事件变化的浮动值，R表示根据历史数据计算得到的预期正常波动范围值；C1表示为修正常数；
S4、将索赔人的所述行为指数Xw、事件矛盾指数Md和异常波动指数Yc分别和行为标准阈值Q1、事件安全阈值Q2和异常安全阈值Q3进行对比，获得预测评估结果；
S5、并依据预测评估结果对索赔人当前索赔信息进行重新复审。
优选的，所述S1具体包括：建立Ethereum、Hyperledger、Fabric或Corda的区块链平台，设置索赔数据的数据结构和存储方式，并配置区块链节点，在区块链节点存储副本的完整区块链；
并选择工作量证明ProofofWork、权益证明ProofofStake或拜占庭容错共识机制，确保节点之间索赔数据的一致；
根据保险索赔的需求，编写智能合约，并对智能合约进行功能测试、性能测试和安全测试，并将智能合约部署至区块链节点中，确保智能合约与索赔规则和条件一致。
优选的，所述历史索赔记录信息包括索赔人个人信息、历史索赔类型信息、历史索赔人索赔金额信息、事件日期事件及描述信息、索赔处理结果信息以及支付记录信息；
所述索赔人当前索赔信息包括事件描述信息、当前索赔金额信息、索赔事件日期事件及附加信息、当前索赔文件信息和索赔状态信息，所述索赔文件信息包括医疗证明、事故报告和事件照片。
优选的，建立索赔模型，依据索赔人历史索赔记录信息，进行特征提取和分析，计算索赔频率F，在过去一年内事件提交的索赔数量，采用时间窗口方法进行计算，确定时间窗口的起始点，按照所选的时间窗口大小滑动窗口，采用计数操作统计索赔人在该窗口期间提交的索赔数量，并每个月更新一次；
计算索赔人的历史索赔金额综合、平均值、标准差来统计相关指标，用于获得索赔人索赔金额的分布；
使用自然语言处理NLP技术，包括文本挖掘和文本分析，分析历史索赔时间描述是否存有矛盾或异常情况的语言模式，并进行统计；
根据时间序列分析方法，采用移动平均或指数平滑法，来分析索赔金额随时间的趋势；检测是否存在异常波动，以及异常波动的值。
优选的，所述S4具体包括：
将索赔人的所述行为指数Xw、事件矛盾指数Md和异常波动指数Yc分别和行为标准阈值Q1、事件安全阈值Q2和异常安全阈值Q3进行对比，获得以下的预测评估结果；
所述预测评估结果包括正常结果、事件矛盾结果、异常波动结果和多重问题结果；
所述正常结果包括如下：
若行为指数Xw<行为标准阈值Q1，表示索赔人的行为正常；
若事件矛盾指数Md<事件安全阈值Q2，表示索赔事件没有明显的矛盾；
若异常波动指数Yc<异常安全阈值Q3，表示索赔金额波动正常；
当所有指数都低于阈值，索赔被视为正常，无需额外处理。
优选的，所述事件矛盾结果包括：
若行为指数Xw<行为标准阈值Q1，表示索赔人的行为正常；
若事件矛盾指数Md≥事件安全阈值Q2，表示索赔事件存在矛盾，需要额外审查；
若异常波动指数Yc<异常安全阈值Q3，表示索赔金额波动正常；
由于矛盾指数Md超过了事件安全阈值Q2，索赔需要额外审查以解决矛盾。
优选的，所述异常波动结果包括：
若行为指数Xw<行为标准阈值Q1，表示索赔人的行为正常；
若事件矛盾指数Md<事件安全阈值Q2，表示索赔事件没有明显的矛盾；
若异常波动指数Yc≥异常安全阈值Q3，表示索赔金额波动异常；
由于矛盾指数Md超过了事件安全阈值Q2，索赔需要额外审查以解决矛盾。
由于异常波动指数Yc超过了异常安全阈值Q3，索赔需要额外审查以调查异常波动。
优选的，所述多重问题结果包括：
若行为指数Xw≥行为标准阈值Q1，表示索赔人的行为正常；
若异常波动指数Md≥事件安全阈值Q2，表示索赔事件存在矛盾，需要额外审查；
异常波动指数≥异常安全阈值Q3，表示索赔金额波动异常；
由于矛盾指数Md和异常波动指数Yc都超过了阈值，索赔需要详细审查以解决矛盾和异常波动问题。
优选的，根据预测评估结果，索赔人的当前索赔信息被认为是正常的，没有异常行为或矛盾，那么继续处理索赔并批准支付；复审结果表明索赔人的历史行为和当前索赔信息一致，没有引发警示信息；
如果预测评估结果提示存在潜在的异常行为、矛盾或风险，但尚无法确定索赔是否正常，那么将索赔信息标记为需要额外审查，且标记为欺诈提醒，引发警示信息。
一种基于区块链的信息处理系统，包括区块链网络模块、数据收集模块、特征提取模块、分析模块、行为评估模块和复审模块；
所述区块链网络模块用于建立保险索赔区块链网络，配置区块链共识机制，确保区块链中的节点具有副本的完整区块链；并部署智能合约以管理索赔数据和规则的执行；
所述数据收集模块用于收集索赔人提交的历史索赔记录信息和当前索赔信息，采用数据接口模式和前端界面交互模式，用于索赔人提交信息；
所述特征提取模块用于对历史索赔记录信息进行特征提取，包括索赔频率、历史索赔金额和事件描述是否存在矛盾；
所述分析模块用于采用事件序列分析方法来分析索赔金额随时间的变化，检测异常波动，建立索赔模型，包括机器学习模型，用于欺诈检测和分析；
所述行为评估模块用于计算索赔人的计算行为指数Xw、事件矛盾指数Md和异常波动指数Yc，并将计算得到的行为指数Xw、事件矛盾指数Md和异常波动指数Yc分别与行为标准阈值Q1、事件安全阈值Q2和异常安全阈值Q3进行对比，获得预测评估结果；
所述复审模块用于依据预测评估结果对索赔人当前索赔信息进行重新复审，所述预测评估结果包括正常结果、事件矛盾结果、异常波动结果和多重问题结果。
(三)有益效果
本发明提供了一种基于区块链的信息处理方法及系统。具备以下有益效果：
(1)自动化了许多繁琐的任务和信息，包括数据收集、特征提取、行为评估和异常检测。这减少了人工干预和处理时间，从而提高了整个索赔处理过程的效率，并降低了处理索赔的成本。
(2)通过机器学习模型和数据分析，系统能够更准确地识别异常行为、欺诈风险和索赔金额的异常波动。这有助于保险公司更精确地审查索赔，并减少欺诈性索赔的发生，提高了反欺诈能力。
(3)系统可以实时监测索赔数据，一旦发现异常，就能立即发出警示并采取相应措施。这有助于降低潜在风险，及时应对问题。
(4)系统能够自动标记需要额外审查的索赔，这意味着审查资源可以更有针对性地分配到真正需要关注的案例上，避免了浪费资源在正常索赔上。
附图说明
图1为本发明一种基于区块链的信息处理系统框图流程示意图；
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。
传统的保险索赔处理方式通常面临以下问题：
(1)、传统的索赔信息处理通常涉及大量的文档工作和手动数据输入，容易出现错误，而且需要大量时间和资源；
(2)、一些索赔案件可能会涉及欺诈行为，索赔人可能会夸大损失或提供虚假信息以获取更多的赔偿；
(3)、索赔金额的波动可能会引起关注，但传统方法通常无法及时识别异常波动。为了解决这些问题，传统的索赔管理方法在处理效率、欺诈检测和波动监测方面存在许多不足之处。为了解决这些问题，新的技术和方法变得尤为重要，亟需提出一种基于区块链的信息处理方法和系统可能提供了一种潜在的解决方案，可以提高索赔处理的效率、准确性和安全性。
实施例1
本发明提供一种基于区块链的信息处理方法及系统，包括以下步骤：
S1、建立保险索赔区块链网络，设置区块链共识机制，使区块链中的若干个节点具有副本的完整区块链，并建立索赔规则、条件和支付合约；并用于进行验证分析索赔数据；
S2、收集索赔人提交的历史索赔记录信息和索赔人当前索赔信息；
S3、对历史索赔记录信息进行特征提取，并分析索赔频率、历史索赔金额、事件描述是否存在矛盾，并使用事件序列分析方法来分析索赔金额随时间变化，是否存在异常波动，建立索赔模型，基于历史欺诈案例和正常索赔案例，训练机器学习模型，并对所述索赔人当前索赔信息进行分析计算获得行为指数Xw、事件矛盾指数Md和异常波动指数Yc，所述行为指数Xw、事件矛盾指数Md和异常波动指数Yc由以下公式获得：
式中，F表示索赔人在过去一年内的索赔次数频率值，A表示索赔人过去索赔的总金额值，Nt表示为不同保险类型或风险类型的数量值，E表示基于历史数据保险金额变量的预期值或平均值，用于与当前的索赔金额进行比较，如果当前的索赔金额高于预期值，则需要对索赔事件进行异常复审；Cd表示索赔文档中的矛盾词汇或者矛盾信息的数量，Td表示为索赔文档中的总词汇数量；At表示为索赔金额随事件变化的浮动值，R表示根据历史数据计算得到的预期正常波动范围值；C1表示为修正常数；
通过计算行为指数Xw、事件矛盾指数Md和异常波动指数Yc，系统可以自动为每个索赔人生成一个风险评估报告。这有助于保险公司迅速识别高风险索赔案例，从而更快地采取必要的行动。公式中使用了多个参数，包括历史索赔次数、总金额、文档矛盾信息、索赔金额的波动等，这些参数综合考虑了索赔人的历史行为和当前索赔的特征。这种综合性的分析使系统能够更准确地检测到异常行为和欺诈尝试。自动计算行为指数Xw、事件矛盾指数Md和异常波动指数Yc可以显著提高索赔处理的效率。系统可以自动为每个索赔生成指数，从而减少了需要人工干预的时间和成本。
S4、将索赔人的所述行为指数Xw、事件矛盾指数Md和异常波动指数Yc分别和行为标准阈值Q1、事件安全阈值Q2和异常安全阈值Q3进行对比，获得预测评估结果；
S5、并依据预测评估结果对索赔人当前索赔信息进行重新复审。
本实施例中，通过自动化和智能合约执行，减少了大量的手动工作和文档处理。这有助于缩短索赔处理的时间，提高效率，减少了人力和资源的浪费。该方法利用机器学习模型和行为指数Xw计算，可以更准确地识别潜在的欺诈行为。通过分析索赔人的历史记录和行为模式，可以及时发现异常情况，从而降低了欺诈索赔的风险。采用时间序列分析方法来监测索赔金额的波动，可以及时检测到异常波动，并自动触发额外审查。这有助于保险公司更好地管理风险，降低不必要的损失。
实施例2
本实施例是在实施例1中进行的解释说明，具体的，所述S1具体包括：建立Ethereum、Hyperledger、Fabric或Corda的区块链平台，设置索赔数据的数据结构和存储方式，并配置区块链节点，在区块链节点存储副本的完整区块链；这些平台已经在企业级应用中得到广泛应用，具备可扩展性、稳定性和安全性，有助于确保索赔数据的安全和一致性。
并选择工作量证明ProofofWork、权益证明ProofofStake或拜占庭容错共识机制，确保节点之间索赔数据的一致；这有助于确保数据的一致性和易于检索。区块链的分布式账本结构能够提供高度的数据可追溯性，从而有助于监控索赔的整个生命周期。
根据保险索赔的需求，编写智能合约，并对智能合约进行功能测试、性能测试和安全测试，并将智能合约部署至区块链节点中，确保智能合约与索赔规则和条件一致。功能测试、性能测试和安全测试有助于发现和纠正潜在问题，确保智能合约的稳定性和可靠性。区块链技术确保了索赔数据的一致性和可追溯性，每个节点都存储了完整的区块链副本，任何数据更改都需要经过共识，不容易被篡改。这有助于消除索赔过程中的争议和错误。区块链技术可以自动化索赔流程，减少了人工干预的需求，从而降低了操作成本。智能合约的自动执行确保了索赔规则的一致应用，消除了人为错误。
本实施例中，上述措施有助于建立一个高效、安全、一致和可追溯的保险索赔管理系统。这将改善保险业务的运营效率，减少欺诈风险，提高数据安全性。
实施例3
本实施例是在实施例1中进行的解释说明，具体的，所述历史索赔记录信息包括索赔人个人信息、历史索赔类型信息、历史索赔人索赔金额信息、事件日期事件及描述信息、索赔处理结果信息以及支付记录信息；
所述索赔人当前索赔信息包括事件描述信息、当前索赔金额信息、索赔事件日期事件及附加信息、当前索赔文件信息和索赔状态信息，所述索赔文件信息包括医疗证明、事故报告和事件照片。
实施例4
本实施例是在实施例1中进行的解释说明，具体的，建立索赔模型，依据索赔人历史索赔记录信息，进行特征提取和分析，计算索赔频率F，在过去一年内事件提交的索赔数量，采用时间窗口方法进行计算，确定时间窗口的起始点，按照所选的时间窗口大小滑动窗口，采用计数操作统计索赔人在该窗口期间提交的索赔数量，并每个月更新一次；
计算索赔人的历史索赔金额综合、平均值、标准差来统计相关指标，用于获得索赔人索赔金额的分布；
使用自然语言处理NLP技术，包括文本挖掘和文本分析，分析历史索赔时间描述是否存有矛盾或异常情况的语言模式，并进行统计；
根据时间序列分析方法，采用移动平均或指数平滑法，来分析索赔金额随时间的趋势；检测是否存在异常波动，以及异常波动的值。
本实施例中，自动化的特征提取和分析过程可以大大减少人工处理的工作量。每月更新的索赔频率和其他指标可以自动计算，降低了操作成本，提高了效率。通过综合分析历史索赔数据，系统可以更容易地检测到可能的欺诈行为，从而降低了欺诈风险，节省了保险公司的损失。
实施例5
本实施例是在实施例1中进行的解释说明，具体的，所述S4具体包括：
将索赔人的所述行为指数Xw、事件矛盾指数Md和异常波动指数Yc分别和行为标准阈值Q1、事件安全阈值Q2和异常安全阈值Q3进行对比，获得以下的预测评估结果；
所述预测评估结果包括正常结果、事件矛盾结果、异常波动结果和多重问题结果；通过将不同指数与相应的阈值进行比较，系统可以自动将索赔案例分类为正常、事件矛盾、异常波动或多重问题。这种自动分类有助于保险公司更高效地处理不同类型的索赔。
所述正常结果包括如下：
若行为指数Xw<行为标准阈值Q1，表示索赔人的行为正常；
若事件矛盾指数Md<事件安全阈值Q2，表示索赔事件没有明显的矛盾；
若异常波动指数Yc<异常安全阈值Q3，表示索赔金额波动正常；
当所有指数都低于阈值，索赔被视为正常，无需额外处理。
具体的，所述事件矛盾结果包括：
若行为指数Xw<行为标准阈值Q1，表示索赔人的行为正常；
若事件矛盾指数Md≥事件安全阈值Q2，表示索赔事件存在矛盾，需要额外审查；
若异常波动指数Yc<异常安全阈值Q3，表示索赔金额波动正常；
由于矛盾指数Md超过了事件安全阈值Q2，索赔需要额外审查以解决矛盾。
所述异常波动结果包括：
若行为指数Xw<行为标准阈值Q1，表示索赔人的行为正常；
若事件矛盾指数Md<事件安全阈值Q2，表示索赔事件没有明显的矛盾；
若异常波动指数Yc≥异常安全阈值Q3，表示索赔金额波动异常；
由于矛盾指数Md超过了事件安全阈值Q2，索赔需要额外审查以解决矛盾。
由于异常波动指数Yc超过了异常安全阈值Q3，索赔需要额外审查以调查异常波动。
所述多重问题结果包括：
若行为指数Xw≥行为标准阈值Q1，表示索赔人的行为正常；
若异常波动指数Md≥事件安全阈值Q2，表示索赔事件存在矛盾，需要额外审查；
异常波动指数≥异常安全阈值Q3，表示索赔金额波动异常；
由于矛盾指数Md和异常波动指数Yc都超过了阈值，索赔需要详细审查以解决矛盾和异常波动问题。
本实施例中，通过将索赔人的所述行为指数Xw、事件矛盾指数Md和异常波动指数Yc分别和行为标准阈值Q1、事件安全阈值Q2和异常安全阈值Q3进行对比，系统可以自动将索赔案例分类为正常、事件矛盾、异常波动或多重问题。这种自动分类有助于保险公司更高效地处理不同类型的索赔。通过将欺诈案例分类为事件矛盾或多重问题，系统有助于保险公司更早地识别潜在的欺诈行为，并采取措施减少欺诈损失。
实施例6
本实施例是在实施例1中进行的解释说明，具体的，根据预测评估结果，索赔人的当前索赔信息被认为是正常的，没有异常行为或矛盾，那么继续处理索赔并批准支付；复审结果表明索赔人的历史行为和当前索赔信息一致，没有引发警示信息；
如果预测评估结果提示存在潜在的异常行为、矛盾或风险，但尚无法确定索赔是否正常，那么将索赔信息标记为需要额外审查，且标记为欺诈提醒，引发警示信息。
基于预测评估结果，系统可以自动标记需要额外审查的索赔，并提供欺诈提醒。这减少了人工干预的需求，并确保了审查的及时性和准确性。
实施例7
一种基于区块链的信息处理系统，请参阅图1，包括区块链网络模块、数据收集模块、特征提取模块、分析模块、行为评估模块和复审模块；
所述区块链网络模块用于建立保险索赔区块链网络，配置区块链共识机制，确保区块链中的节点具有副本的完整区块链；并部署智能合约以管理索赔数据和规则的执行；
所述数据收集模块用于收集索赔人提交的历史索赔记录信息和当前索赔信息，采用数据接口模式和前端界面交互模式，用于索赔人提交信息；
所述特征提取模块用于对历史索赔记录信息进行特征提取，包括索赔频率、历史索赔金额和事件描述是否存在矛盾；
所述分析模块用于采用事件序列分析方法来分析索赔金额随时间的变化，检测异常波动，建立索赔模型，包括机器学习模型，用于欺诈检测和分析；
所述行为评估模块用于计算索赔人的计算行为指数Xw、事件矛盾指数Md和异常波动指数Yc，并将计算得到的行为指数Xw、事件矛盾指数Md和异常波动指数Yc分别与行为标准阈值Q1、事件安全阈值Q2和异常安全阈值Q3进行对比，获得预测评估结果；
所述复审模块用于依据预测评估结果对索赔人当前索赔信息进行重新复审，所述预测评估结果包括正常结果、事件矛盾结果、异常波动结果和多重问题结果。
具体数据示例1：
F＝10(过去一年内的索赔次数频率值)
A＝5000(过去索赔的总金额值)
Nt＝5(不同保险类型或风险类型的数量值)
E＝1000(基于历史数据的保险金额变量的预期值或平均值)
Cd＝2(索赔文档中的矛盾词汇或矛盾信息的数量)
Td＝20(索赔文档中的总词汇数量)
At＝300(索赔金额随事件变化的浮动值)
R＝50(根据历史数据计算得到的预期正常波动范围值)
C1＝0.1(修正常数)
使用上述值代入公式：
行为指数Xw＝(10+5000)/(5+1000)+0.1＝5.1
事件矛盾指数Md＝2/20＝0.1
异常波动指数Yc＝(300-50)/50＝5.0
在这个示例中，行为指数Xw为5.1，事件矛盾指数Md为0.1，异常波动指数Yc为5.0。
设置阈值如下：
行为标准阈值Q1＝5.0
事件安全阈值Q2＝0.2
异常安全阈值Q3＝4.0
对比结果如下：
行为指数Xw<行为标准阈值Q1，表示索赔人的行为正常。
事件矛盾指数Md<事件安全阈值Q2，表示索赔事件没有明显的矛盾。
异常波动指数Yc<异常安全阈值Q3，表示索赔金额波动正常。
因此，根据这些对比结果，这个索赔案例被视为正常，无需额外处理。
示例2：
F＝2(过去一年内的索赔次数频率值)
A＝8000；Nt＝3；E＝1200；Cd＝4；Td＝30；At＝400；R＝60；C1＝0.05
使用上述值代入公式：
行为指数Xw＝(2+8000)/(3+1200)+0.05＝6.67
事件矛盾指数Md＝4/30＝0.133
异常波动指数Yc＝(400-60)/60＝5.67
在这个示例中，行为指数Xw为6.67，事件矛盾指数Md为0.133，异常波动指数Yc为5.67。
根据示例1中预设的阈值，进行对比，行为指数Xw＝6.67，行为标准阈值Q1＝5.0结果：行为指数Xw>行为标准阈值Q1，表示索赔人的行为正常。
事件矛盾指数Md＝0.133，事件安全阈值Q2＝0.2结果：事件矛盾指数Md<事件安全阈值Q2，表示索赔事件没有明显的矛盾。
异常波动指数Yc＝5.67，异常安全阈值Q3＝4.0结果：异常波动指数Yc>异常安全阈值Q3，表示索赔金额波动异常。
根据这些对比结果，索赔案例的行为正常，事件没有明显的矛盾，但索赔金额波动异常。因此，需要进一步审查该索赔案例以调查异常波动问题
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 (10)
1.一种基于区块链的信息处理方法，其特征在于：包括以下步骤：
S1、建立保险索赔区块链网络，设置区块链共识机制，使区块链中的若干个节点具有副本的完整区块链，并建立索赔规则、条件和支付合约；并用于进行验证分析索赔数据；
S2、收集索赔人提交的历史索赔记录信息和索赔人当前索赔信息；
S3、对历史索赔记录信息进行特征提取，并分析索赔频率、历史索赔金额、事件描述是否存在矛盾，并使用事件序列分析方法来分析索赔金额随时间变化，是否存在异常波动，建立索赔模型，基于历史欺诈案例和正常索赔案例，训练机器学习模型，并对所述索赔人当前索赔信息进行分析计算获得行为指数Xw、事件矛盾指数Md和异常波动指数Yc，所述行为指数Xw、事件矛盾指数Md和异常波动指数Yc由以下公式获得：
式中，F表示索赔人在过去一年内的索赔次数频率值，A表示索赔人过去索赔的总金额值，Nt表示为不同保险类型或风险类型的数量值，E表示基于历史数据保险金额变量的预期值或平均值，用于与当前的索赔金额进行比较，如果当前的索赔金额高于预期值，则需要对索赔事件进行异常复审；Cd表示索赔文档中的矛盾词汇或者矛盾信息的数量，Td表示为索赔文档中的总词汇数量；At表示为索赔金额随事件变化的浮动值，R表示根据历史数据计算得到的预期正常波动范围值；C1表示为修正常数；
S4、将索赔人的所述行为指数Xw、事件矛盾指数Md和异常波动指数Yc分别和行为标准阈值Q1、事件安全阈值Q2和异常安全阈值Q3进行对比，获得预测评估结果；
S5、并依据预测评估结果对索赔人当前索赔信息进行重新复审。
2.根据权利要求1所述的一种基于区块链的信息处理方法，其特征在于：所述S1具体包括：建立Ethereum、Hyperledger、Fabric或Corda的区块链平台，设置索赔数据的数据结构和存储方式，并配置区块链节点，在区块链节点存储副本的完整区块链；
并选择工作量证明ProofofWork、权益证明ProofofStake或拜占庭容错共识机制，确保节点之间索赔数据的一致；
根据保险索赔的需求，编写智能合约，并对智能合约进行功能测试、性能测试和安全测试，并将智能合约部署至区块链节点中，确保智能合约与索赔规则和条件一致。
3.根据权利要求1所述的一种基于区块链的信息处理方法，其特征在于：所述历史索赔记录信息包括索赔人个人信息、历史索赔类型信息、历史索赔人索赔金额信息、事件日期事件及描述信息、索赔处理结果信息以及支付记录信息；
所述索赔人当前索赔信息包括事件描述信息、当前索赔金额信息、索赔事件日期事件及附加信息、当前索赔文件信息和索赔状态信息，所述索赔文件信息包括医疗证明、事故报告和事件照片。
4.根据权利要求1所述的一种基于区块链的信息处理方法，其特征在于：建立索赔模型，依据索赔人历史索赔记录信息，进行特征提取和分析，计算索赔频率F，在过去一年内事件提交的索赔数量，采用时间窗口方法进行计算，确定时间窗口的起始点，按照所选的时间窗口大小滑动窗口，采用计数操作统计索赔人在该窗口期间提交的索赔数量，并每个月更新一次；
计算索赔人的历史索赔金额综合、平均值、标准差来统计相关指标，用于获得索赔人索赔金额的分布；
使用自然语言处理NLP技术，包括文本挖掘和文本分析，分析历史索赔时间描述是否存有矛盾或异常情况的语言模式，并进行统计；
根据时间序列分析方法，采用移动平均或指数平滑法，来分析索赔金额随时间的趋势；检测是否存在异常波动，以及异常波动的值。
5.根据权利要求1所述的一种基于区块链的信息处理方法，其特征在于：所述S4具体包括：
将索赔人的所述行为指数Xw、事件矛盾指数Md和异常波动指数Yc分别和行为标准阈值Q1、事件安全阈值Q2和异常安全阈值Q3进行对比，获得以下的预测评估结果；
所述预测评估结果包括正常结果、事件矛盾结果、异常波动结果和多重问题结果；
所述正常结果包括如下：
若行为指数Xw<行为标准阈值Q1，表示索赔人的行为正常；
若事件矛盾指数Md<事件安全阈值Q2，表示索赔事件没有明显的矛盾；
若异常波动指数Yc<异常安全阈值Q3，表示索赔金额波动正常；
当所有指数都低于阈值，索赔被视为正常，无需额外处理。
6.根据权利要求5所述的一种基于区块链的信息处理方法，其特征在于：所述事件矛盾结果包括：
若行为指数Xw<行为标准阈值Q1，表示索赔人的行为正常；
若事件矛盾指数Md≥事件安全阈值Q2，表示索赔事件存在矛盾，需要额外审查；
若异常波动指数Yc<异常安全阈值Q3，表示索赔金额波动正常；
由于矛盾指数Md超过了事件安全阈值Q2，索赔需要额外审查以解决矛盾。
7.根据权利要求5所述的一种基于区块链的信息处理方法，其特征在于：所述异常波动结果包括：
若行为指数Xw<行为标准阈值Q1，表示索赔人的行为正常；
若事件矛盾指数Md<事件安全阈值Q2，表示索赔事件没有明显的矛盾；
若异常波动指数Yc≥异常安全阈值Q3，表示索赔金额波动异常；
由于矛盾指数Md超过了事件安全阈值Q2，索赔需要额外审查以解决矛盾。
由于异常波动指数Yc超过了异常安全阈值Q3，索赔需要额外审查以调查异常波动。
8.根据权利要求5所述的一种基于区块链的信息处理方法，其特征在于：所述多重问题结果包括：
若行为指数Xw≥行为标准阈值Q1，表示索赔人的行为正常；
若异常波动指数Md≥事件安全阈值Q2，表示索赔事件存在矛盾，需要额外审查；
异常波动指数≥异常安全阈值Q3，表示索赔金额波动异常；
由于矛盾指数Md和异常波动指数Yc都超过了阈值，索赔需要详细审查以解决矛盾和异常波动问题。
9.根据权利要求1所述的一种基于区块链的信息处理方法，其特征在于：根据预测评估结果，索赔人的当前索赔信息被认为是正常的，没有异常行为或矛盾，那么继续处理索赔并批准支付；复审结果表明索赔人的历史行为和当前索赔信息一致，没有引发警示信息；
如果预测评估结果提示存在潜在的异常行为、矛盾或风险，但尚无法确定索赔是否正常，那么将索赔信息标记为需要额外审查，且标记为欺诈提醒，引发警示信息。
10.一种基于区块链的信息处理系统，其特征在于：包括区块链网络模块、数据收集模块、特征提取模块、分析模块、行为评估模块和复审模块；
所述区块链网络模块用于建立保险索赔区块链网络，配置区块链共识机制，确保区块链中的节点具有副本的完整区块链；并部署智能合约以管理索赔数据和规则的执行；
所述数据收集模块用于收集索赔人提交的历史索赔记录信息和当前索赔信息，采用数据接口模式和前端界面交互模式，用于索赔人提交信息；
所述特征提取模块用于对历史索赔记录信息进行特征提取，包括索赔频率、历史索赔金额和事件描述是否存在矛盾；
所述分析模块用于采用事件序列分析方法来分析索赔金额随时间的变化，检测异常波动，建立索赔模型，包括机器学习模型，用于欺诈检测和分析；
所述行为评估模块用于计算索赔人的计算行为指数Xw、事件矛盾指数Md和异常波动指数Yc，并将计算得到的行为指数Xw、事件矛盾指数Md和异常波动指数Yc分别与行为标准阈值Q1、事件安全阈值Q2和异常安全阈值Q3进行对比，获得预测评估结果；
所述复审模块用于依据预测评估结果对索赔人当前索赔信息进行重新复审，所述预测评估结果包括正常结果、事件矛盾结果、异常波动结果和多重问题结果。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311376905.4A CN117541171A (zh) | 2023-10-23 | 2023-10-23 | 一种基于区块链的信息处理方法及系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311376905.4A CN117541171A (zh) | 2023-10-23 | 2023-10-23 | 一种基于区块链的信息处理方法及系统 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN117541171A true CN117541171A (zh) | 2024-02-09 |
Family
ID=89785116
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202311376905.4A Pending CN117541171A (zh) | 2023-10-23 | 2023-10-23 | 一种基于区块链的信息处理方法及系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN117541171A (zh) |
Citations (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN101996385A (zh) * | 2009-08-25 | 2011-03-30 | 埃森哲环球服务有限公司 | 索赔分析引擎 |
| EP2631858A1 (en) * | 2012-02-24 | 2013-08-28 | Tata Consultancy Services Limited | Insurance claims processing |
| US20140149130A1 (en) * | 2012-11-29 | 2014-05-29 | Verizon Patent And Licensing Inc. | Healthcare fraud detection based on statistics, learning, and parameters |
| CN108830732A (zh) * | 2018-04-28 | 2018-11-16 | 厦门快商通信息技术有限公司 | 一种基于区块链技术的预防保险欺诈的方法及系统 |
| CN112800272A (zh) * | 2021-01-18 | 2021-05-14 | 德联易控科技(北京)有限公司 | 识别保险理赔欺诈行为的方法及装置 |
| US11544713B1 (en) * | 2019-09-30 | 2023-01-03 | United Services Automobile Association (Usaa) | Fraud detection using augmented analytics |
| CN116823496A (zh) * | 2023-06-06 | 2023-09-29 | 深圳市邦德布拉泽科技有限公司 | 基于人工智能的智能保险风险评估和定价系统 |
| CN116911882A (zh) * | 2023-09-13 | 2023-10-20 | 国任财产保险股份有限公司 | 一种基于机器学习的保险防欺诈预测方法及系统 |
-
2023
- 2023-10-23 CN CN202311376905.4A patent/CN117541171A/zh active Pending
Patent Citations (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN101996385A (zh) * | 2009-08-25 | 2011-03-30 | 埃森哲环球服务有限公司 | 索赔分析引擎 |
| EP2631858A1 (en) * | 2012-02-24 | 2013-08-28 | Tata Consultancy Services Limited | Insurance claims processing |
| US20130226623A1 (en) * | 2012-02-24 | 2013-08-29 | Tata Consultancy Services Limited | Insurance claims processing |
| US20140149130A1 (en) * | 2012-11-29 | 2014-05-29 | Verizon Patent And Licensing Inc. | Healthcare fraud detection based on statistics, learning, and parameters |
| CN108830732A (zh) * | 2018-04-28 | 2018-11-16 | 厦门快商通信息技术有限公司 | 一种基于区块链技术的预防保险欺诈的方法及系统 |
| US11544713B1 (en) * | 2019-09-30 | 2023-01-03 | United Services Automobile Association (Usaa) | Fraud detection using augmented analytics |
| CN112800272A (zh) * | 2021-01-18 | 2021-05-14 | 德联易控科技(北京)有限公司 | 识别保险理赔欺诈行为的方法及装置 |
| CN116823496A (zh) * | 2023-06-06 | 2023-09-29 | 深圳市邦德布拉泽科技有限公司 | 基于人工智能的智能保险风险评估和定价系统 |
| CN116911882A (zh) * | 2023-09-13 | 2023-10-20 | 国任财产保险股份有限公司 | 一种基于机器学习的保险防欺诈预测方法及系统 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Manco et al. | Fault detection and explanation through big data analysis on sensor streams | |
| US20140365271A1 (en) | Industrial asset health model update | |
| CN107633030B (zh) | 基于数据模型的信用评估方法及装置 | |
| AU2019275633B2 (en) | System and method of automated fault correction in a network environment | |
| CN104731664A (zh) | 用于故障处理的方法和装置 | |
| CN112148561B (zh) | 业务系统的运行状态预测方法、装置及服务器 | |
| WO2018135171A1 (ja) | 保全管理システム及びそれに用いる保全管理確認装置 | |
| Xing et al. | Dynamic business continuity assessment using condition monitoring data | |
| CN114487856A (zh) | 换电站电池的热失控预警方法及系统 | |
| CN114416826A (zh) | 一种设备点检数据统计方法、分析方法及计算机存储介质 | |
| CN117235743B (zh) | 一种基于安全风险的智慧电力管理方法及系统 | |
| CN115114124A (zh) | 主机风险的评估方法及评估装置 | |
| CN117312290A (zh) | 一种提高异构系统数据质量的方法 | |
| Mahfoodh et al. | Software risk estimation through bug reports analysis and bug-fix time predictions | |
| CN117541171A (zh) | 一种基于区块链的信息处理方法及系统 | |
| CN116993306A (zh) | 基于知识图谱的网络协同制造系统的构建方法和装置 | |
| Chiu et al. | Validating Process Mining: A Framework Integrating Auditor’s Risk Assessment | |
| CN114003969A (zh) | 一种基于区块链技术的风险评估方法 | |
| Beduschi et al. | Optimizing rotating equipment maintenance through machine learning algorithm | |
| CN113805564A (zh) | 一种基于cep的设备故障预警以及诊断系统 | |
| Chiu | Exploring new audit evidence: The application of process mining in auditing | |
| TWI809635B (zh) | 理賠詐欺偵防系統及利用所述系統評估保險理賠詐欺風險的方法 | |
| US20240036963A1 (en) | Multi-contextual anomaly detection | |
| CN115601009A (zh) | 一种故障处置记录分析方法和系统、电子设备、存储介质 | |
| Abaei et al. | Important issues in software fault prediction: A road map |
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 |