CN117541403A - 一种风险数据库构建方法、装置、电子设备和可读介质 - Google Patents
一种风险数据库构建方法、装置、电子设备和可读介质 Download PDFInfo
- Publication number
- CN117541403A CN117541403A CN202311532630.9A CN202311532630A CN117541403A CN 117541403 A CN117541403 A CN 117541403A CN 202311532630 A CN202311532630 A CN 202311532630A CN 117541403 A CN117541403 A CN 117541403A
- Authority
- CN
- China
- Prior art keywords
- risk
- vehicle
- user
- rating
- model
- 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
- 238000010276 construction Methods 0.000 title claims abstract description 20
- 238000000034 method Methods 0.000 claims abstract description 31
- 238000003066 decision tree Methods 0.000 claims description 12
- 238000004590 computer program Methods 0.000 claims description 9
- 238000000605 extraction Methods 0.000 claims description 9
- 238000012549 training Methods 0.000 claims description 7
- 230000004044 response Effects 0.000 claims description 4
- 238000011156 evaluation Methods 0.000 claims description 2
- 238000013507 mapping Methods 0.000 claims description 2
- 230000006870 function Effects 0.000 description 14
- 238000010586 diagram Methods 0.000 description 8
- 238000004891 communication Methods 0.000 description 6
- 238000007689 inspection Methods 0.000 description 4
- 230000008569 process Effects 0.000 description 4
- 238000012545 processing Methods 0.000 description 4
- 230000000694 effects Effects 0.000 description 3
- 230000003287 optical effect Effects 0.000 description 3
- 230000008901 benefit Effects 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 230000000644 propagated effect Effects 0.000 description 2
- 230000009467 reduction Effects 0.000 description 2
- 208000027418 Wounds and injury Diseases 0.000 description 1
- 239000008186 active pharmaceutical agent Substances 0.000 description 1
- 238000004140 cleaning Methods 0.000 description 1
- 230000000295 complement effect Effects 0.000 description 1
- 230000001276 controlling effect Effects 0.000 description 1
- 230000006378 damage Effects 0.000 description 1
- 238000000354 decomposition reaction Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 229940079593 drug Drugs 0.000 description 1
- 239000003814 drug Substances 0.000 description 1
- 238000000556 factor analysis Methods 0.000 description 1
- 239000000835 fiber Substances 0.000 description 1
- 230000010365 information processing Effects 0.000 description 1
- 208000014674 injury Diseases 0.000 description 1
- 230000010354 integration Effects 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 239000013307 optical fiber Substances 0.000 description 1
- 230000001105 regulatory effect Effects 0.000 description 1
- 238000012502 risk assessment Methods 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 238000000638 solvent extraction Methods 0.000 description 1
- 238000012546 transfer 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
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/243—Classification techniques relating to the number of classes
- G06F18/24323—Tree-organised classifiers
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Business, Economics & Management (AREA)
- Data Mining & Analysis (AREA)
- General Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Finance (AREA)
- Software Systems (AREA)
- General Engineering & Computer Science (AREA)
- Evolutionary Computation (AREA)
- Accounting & Taxation (AREA)
- Artificial Intelligence (AREA)
- Bioinformatics & Computational Biology (AREA)
- General Business, Economics & Management (AREA)
- Development Economics (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Strategic Management (AREA)
- Economics (AREA)
- Evolutionary Biology (AREA)
- Life Sciences & Earth Sciences (AREA)
- Marketing (AREA)
- Medical Informatics (AREA)
- Technology Law (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Financial Or Insurance-Related Operations Such As Payment And Settlement (AREA)
Abstract
本公开的实施例公开了一种风险数据库构建方法、装置、电子设备和可读介质。该方法的一具体实施方式包括：获取出险数据；对出险数据进行特征提取，建立用户特征集和车辆特征集；利用预先训练的风险评级模型对用户特征集和车辆特征集进行风险评级，得到车辆风险评级集和用户风险评价集；建立用户风险数据库；建立车辆风险数据库。该实施方式能够精准识别保司目前定义的优质业务中掺杂的高风险的业务，从保司目前定义的品质较差的业务中筛选出可保业务，帮助保司扩大承保范围，扩大保费规模，减少风险承担，风险数据库可以一次构建多次使用，避免每次业务都需要使用模型判定风险的情况，提高风险评级的准确度和置信度。
Description
技术领域
本公开的实施例涉及计算机技术领域，具体涉及一种风险数据库构建方法、装置、电子设备和计算机可读介质。
背景技术
中小保司车险定价主要依赖第三方公司模型，风险识别能力趋同；传统车险评级模型主要基于承保客户的特征如（车主的年龄、性别，车辆的车型、车龄）进行建模，过于片面且对于与风险高关联度的车辆历史出险过程数据的关注不够。
车险传统对于高赔付业务的管控方案，主要基于风险特征进行管控，例如基于某类特征的车辆（老龄车、历史出险车辆）进行管控，实行简单的全面管控，造成“一人生病全家吃药”的局面，影响业务发展。
发明内容
本公开的内容部分用于以简要的形式介绍构思，这些构思将在后面的具体实施方式部分被详细描述。本公开的内容部分并不旨在标识要求保护的技术方案的关键特征或必要特征，也不旨在用于限制所要求的保护的技术方案的范围。
本公开的一些实施例提出了一种风险数据库构建方法、装置、电子设备和计算机可读介质，来解决以上背景技术部分提到的技术问题。
第一方面，本公开的一些实施例提供了一种风险数据库构建方法，该方法包括：获取出险数据，其中，上述出险数据包括用户出险数据和车辆出险数据；对上述出险数据进行特征提取，建立用户特征集和车辆特征集；利用预先训练的风险评级模型对上述用户特征集和上述车辆特征集进行风险评级，得到车辆风险评级集和用户风险评价集；利用上述用户出险数据、上述用户特征集和上述用户风险评级集建立用户风险数据库；利用上述车辆出险数据、上述车辆特征集和上述车辆风险评级集建立车辆风险数据库。
第二方面，本公开的一些实施例提供了一种风险数据库构建装置，装置包括：获取单元，被配置成获取出险数据，其中，上述出险数据包括用户出险数据和车辆出险数据；提取单元，被配置成对上述出险数据进行特征提取，建立用户特征集和车辆特征集；评级单元，被配置成利用预先训练的风险评级模型对上述用户特征集和上述车辆特征集进行风险评级，得到车辆风险评级集和用户风险评价集；第一建立单元，被配置成利用上述用户出险数据、上述用户特征集和上述用户风险评级集建立用户风险数据库；第二建立单元，被配置成利用上述车辆出险数据、上述车辆特征集和上述车辆风险评级集建立车辆风险数据库。
第三方面，本申请实施例提供了一种电子设备，该网络设备包括：一个或多个处理器；存储装置，用于存储一个或多个程序；当一个或多个程序被一个或多个处理器执行，使得一个或多个处理器实现如第一方面中任一实现方式描述的方法。
第四方面，本申请实施例提供了一种计算机可读介质，其上存储有计算机程序，该计算机程序被处理器执行时实现如第一方面中任一实现方式描述的方法。
本公开的上述各个实施例中的一个实施例具有如下有益效果：能够精准识别保司目前定义的优质业务中掺杂的高风险的业务，可以从保司目前定义的品质较差的业务中筛选出可保业务，帮助保司扩大承保范围，扩大保费规模，减少风险承担，且如果后续出现新案例可以对风险数据库进行优化，一次构建多次使用，避免每次业务都需要使用模型判定风险的情况，减少时间消耗，提高风险评级的准确度和置信度。对于高赔付业务的管控方案是基于送检的个体车辆，而不是基于某类业务的风险特征，可以精准识别个体风险的差异，针对具体高风险车辆实施精准管控。
附图说明
结合附图并参考以下具体实施方式，本公开各实施例的上述和其他特征、优点及方面将变得更加明显。贯穿附图中，相同或相似的附图标记表示相同或相似的元素。应当理解附图是示意性的，元件和元素不一定按照比例绘制。
图1是根据本公开的一些实施例的风险数据库构建方法的一个应用场景的示意图；
图2是根据本公开的风险数据库构建方法的一些实施例的流程图；
图3是根据本公开的风险数据库构建装置的一些实施例的结构示意图；
图4是适于用来实现本公开的一些实施例的电子设备的结构示意图。
具体实施方式
下面将参照附图更详细地描述本公开的实施例。虽然附图中显示了本公开的某些实施例，然而应当理解的是，本公开可以通过各种形式来实现，而且不应该被解释为限于这里阐述的实施例。相反，提供这些实施例是为了更加透彻和完整地理解本公开。应当理解的是，本公开的附图及实施例仅用于示例性作用，并非用于限制本公开的保护范围。
另外还需要说明的是，为了便于描述，附图中仅示出了与有关发明相关的部分。在不冲突的情况下，本公开中的实施例及实施例中的特征可以相互组合。
需要注意，本公开中提及的“第一”、“第二”等概念仅用于对不同的装置、模块或单元进行区分，并非用于限定这些装置、模块或单元所执行的功能的顺序或者相互依存关系。
需要注意，本公开中提及的“一个”、“多个”的修饰是示意性而非限制性的，本领域技术人员应当理解，除非在上下文另有明确指出，否则应该理解为“一个或多个”。
本公开实施方式中的多个装置之间所交互的消息或者信息的名称仅用于说明性的目的，而并不是用于对这些消息或信息的范围进行限制。
下面将参考附图并结合实施例来详细说明本公开。
图1是根据本公开一些实施例的风险数据库构建方法的一个应用场景的示意图。
如图1所示，服务器100可以获取出险数据101，上述出险数据包括用户出险数据102和车辆出险数据103；对上述出险数据101进行特征提取，建立用户特征集104和车辆特征集105；利用预先训练的风险评级模型对上述用户特征集104和上述车辆特征集105进行风险评级，得到车辆风险评级集107和用户风险评价集106；利用上述用户出险数据102、上述用户特征集104和上述用户风险评级集106建立用户风险数据库108；利用上述车辆出险数据103、上述车辆特征集105和上述车辆风险评级集107建立车辆风险数据库109。
可以理解的是，风险数据库构建方法可以是由终端设备来执行，或者也可以是由服务器101来执行，上述方法的执行主体还可以包括上述终端设备与上述服务器101通过网络相集成所构成的设备，或者还可以是各种软件程序来执行。其中，终端设备可以是具有信息处理能力的各种电子设备，包括但不限于智能手机、平板电脑、电子书阅读器、膝上型便携计算机和台式计算机等等。执行主体也可以体现为服务器101、软件等。当执行主体为软件时，可以安装在上述所列举的电子设备中。其可以实现成例如用来提供分布式服务的多个软件或软件模块，也可以实现成单个软件或软件模块。在此不做具体限定。
应该理解，图1中的服务器数目仅仅是示意性的。根据实现需要，可以具有任意数目的服务器。
继续参考图2，示出了根据本公开的风险数据库构建方法的一些实施例的流程200。该风险数据库构建方法，包括以下步骤：
步骤201，获取出险数据。
在一些实施例中，风险数据库构建方法的执行主体（例如图1所示的服务器）可以通过有线连接方式或者无线连接方式获取出险数据。需要指出的是，上述无线连接方式可以包括但不限于3G/4G连接、WiFi连接、蓝牙连接、WiMAX连接、Zigbee连接、UWB（ultrawideband）连接、以及其他现在已知或将来开发的无线连接方式。在这里，上述出险数据包括用户出险数据和车辆出险数据。
在这里，上述用户出险数据通常是指用户在保险公司理赔各环节过程的数据。上述车辆出险数据通常是指车辆的历史出险事故过程数据。
具体的，在获取出险数据后通常会对出险数据进行进行进行数据标准化、数据清洗、数据降噪、数据补全处理。
步骤202，对上述出险数据进行特征提取，建立用户特征集和车辆特征集。
在一些实施例中，上述执行主体可以对上述出险数据进行特征提取，建立用户特征集和车辆特征集。
具体的，上述执行主体可以梳理与车辆风险或用户风险强相关的因子字段，进行风险特征提取。例如，从车辆出险数据提取出是否夜间出险、是否异地出险、是否涉及人伤等特征。
步骤203，利用预先训练的风险评级模型对上述用户特征集和上述车辆特征集进行风险评级，得到车辆风险评级集和用户风险评价集。
在一些实施例中，上述执行主体可以利用预先训练的风险评级模型对上述用户特征集和上述车辆特征集进行风险评级，得到车辆风险评级集和用户风险评价集。
在这里，上述风险评级模型通常用于表征特征和风险评级的对应关系。需要说明的是，上述用户特征和车辆特征可以使用同一个风险评级模型，上述用户特征和车辆特征也可以使用两个风险评级模型（两个风险评级模型中一个基于用户特征训练得到，另一个基于车辆特征训练得到）。
在一些实施例的一些可选的实现方式中，对于上述用户特征集和上述车辆特征集中的每个特征，将上述特征输入至风险评级模型中的主评级模型，得到上述特征对应的风险评级，其中，上述主评级模型是采用泊松分布或伽马分布假设，以对数函数作为连接函数的广义线性模型作为初始模型，以样本特征作为输入，以样本特征对应的样本风险评级为期望输出对初始模型进行训练得到的。
具体的，上述主评级模型可以使用单因子分析法选取表现良好的风险特征组合作为X变量，然后选用损失金额或事故次数作为Y变量，使用泊松分布或伽马分布假设，对数函数作为连接函数，用X变量对Y变量进行拟合，从而得到各个因子的估计值，进而对Y变量的值进行预测，建立了Tweeide分布下的广义线性模型。
在一些实施例的一些可选的实现方式中，对于上述车辆风险评级集和用户风险评级集中的每个风险评级，响应于确定上述风险评级满足预设条件，将上述风险评级确定为低置信风险评级；将上述低置信风险评级对应的特征输入至风险评级模型中的辅助评级模型，得到辅助风险评级结果，利用上述辅助风险评级结果替换上述上述车辆风险评级集和用户风险评级集中的低置信风险评级。
在这里，上述预设条件通常是指上述主评级模型的风险评级预测值落在一个预设阈值的区间。
具体的，广义线性模型为初始模型的主评级模型存在缺陷，无法确定风险评级的置信度。甚至会有预测值落在一个阈值区间：这个区间中无法确定是否完全的风险性。而XGBoost模型通过拆解广义线性模型的特征，对无法决定风险的案例进行精细预估，并且会给出广义线性模型无法给出的置信度，从而提高一些无法判定风险的案例准确度。
在一些实施例的一些可选的实现方式中，上述辅助评级模型是以XGBoost模型作为初始模型，以样本特征作为输入，以样本特征对应的样本风险评级为期望输出，利用损失函数对初始模型进行训练得到的，其中，上述XGBoost模型包括k个基学习器组成的基学习器群，上述基学习器以决策树模型为基础模型。
在这里，作为集成模型的一员，XGBoost的基学习器可以是任选的，既可以是线性模型，也可以是其他模型，选取决策树模型是因为线性模型的集成仍然是线性模型，学习能力较弱，而采用决策树模型为基学习器的XGBoost算法，需要将多棵树的预测值累加得到最終的预测值，可以使得基学习器群的预测值尽量接近真实值，有更大的泛化能力。
具体的，辅助评级模型采用XGBoost的进行风险评估，步骤如下：
1、通过不断地进行特征分解，来生成新的基学习器，新添加的基学习器，其实就是通过学习一个新的目标函数f(x)，去拟合前次预测的残差，也即减少上一次的残差，进而在残差减少（负梯度）的方向上建立一个新的模型。
2、当训练完成得到k个基学习器，需要预测一个样本的预测值其实就是根据这个样本的特征，对应到每个基学习器上，每个基学习器对应给出一个预测值。
3、最后将每个基学习器对应预测值加起来就是该特征的预测值。
当特征数量非常大，特征取值过多时，遍历所有取值会花费很多时间，且容易过拟合。因此XGBoost是先根据求得的特征权重（feature_importance 根据gini增益指数算出来的）对特征排序获取一些分裂候选点，之后根据候选点对特征进行分桶，即找到l个划分点，将位于相邻分位点之间的样本分在一个桶中。在遍历该特征的时候，只需要遍历各个分位点，从而计算最优划分。
在一些实施例的一些可选的实现方式中，上述基学习器是根据以下公式构建的：；/>；其中，/>表示基学习器群对第i个样本的预测值；K表示基学习器的数量；/>表示/>空间中的一个基学习器；/>表示所有可能的基学习器/>集合；一个基学习器有T个分支；/>表示由T个分支节点的值组成的T维向量；q(x)表示样本在1到T之间某个值的映射，表示基学习器f(x)的结构；/>表示基学习器对样本x的预测值。
在一些实施例的一些可选的实现方式中，上述辅助评级模型是根据以下损失函数对初始模型进行优化得到的：
，其中，第一项是常规的损失函数,衡量的是模型对数据的拟合程度.第二项是正则项，用来限制模型的复杂度，降低过拟合的风险。
，其中，f表示第f个基学习器；/>表示第f个基学习器对应的正则项；T表示决策树模型中叶子节点的个数；/>表示决策树模型中叶子节点的预测值；γ表示限制决策树模型个数的参数；λ表示限制决策树模型的叶子节点预测值的参数。
步骤204，利用上述用户出险数据、上述用户特征集和上述用户风险评级集建立用户风险数据库。
在一些实施例中，上述执行主体可以利用上述用户出险数据、上述用户特征集和上述用户风险评级集建立用户风险数据库。
具体的，上述执行主体可以将用户数据、用户数据对应的用户特征、以及用户特征对应的用户风险评级作为一条风险规则存储在上述用户风险数据库中。
步骤205，利用上述车辆出险数据、上述车辆特征集和上述车辆风险评级集建立车辆风险数据库。
在一些实施例中，上述执行主体可以利用上述车辆出险数据、上述车辆特征集和上述车辆风险评级集建立车辆风险数据库。
具体的，上述执行主体可以将车辆数据、车辆数据对应的车辆特征、以及车辆特征对应的车辆风险评级作为一条风险规则存储在上述车辆风险数据库中。
在一些实施例的一些可选的实现方式中，响应于接收到第三方送检信息，上述执行主体可以利用上述车辆风险数据库和上述用户风险数据库为上述第三方送检信息进行风险评级，生成风险评级报告，其中，上述第三方送检信息包括用户信息和/或车辆信息；将上述风险评级报告返回。作为示例，上述第三方送检信息可以是用户的身份证号或车辆的车架号等信息。
具体的，第三方保险公司在展业时，可以通过API接口调用车辆风险数据库和/或用户风险数据库，提供关键车辆信息（key：车架号）或者客户信息（key：证件号），与我司的风险数据库进行匹配。
上述执行主体可以将上述风险评级报告返回至第三方保险公司，并提供相应的管控政策建议。如针对高风险，建议采取严格的承保控制措施，如提高承保条件、提高价格折扣、限制业务范围等。针对中等风险，建议采取适度的承保控制措施，如定期监测等。针对低风险，建议采放松承保限制，进行资源倾斜，加大业务拓展力度，扩大业务占比等。
本公开的上述各个实施例中的一个实施例具有如下有益效果：能够精准识别保司目前定义的优质业务中掺杂的高风险的业务，可以从保司目前定义的品质较差的业务中筛选出可保业务，帮助保司扩大承保范围，扩大保费规模，减少风险承担，且如果后续出现新案例可以对风险数据库进行优化，一次构建多次使用，避免每次业务都需要使用模型判定风险的情况，减少时间消耗，提高风险评级的准确度和置信度。对于高赔付业务的管控方案是基于送检的个体车辆，而不是基于某类业务的风险特征，可以精准识别个体风险的差异，针对具体高风险车辆实施精准管控。
进一步参考图3，作为对上述各图所示方法的实现，本公开提供了一种风险数据库构建装置的一些实施例，这些装置实施例与图2所示的那些方法实施例相对应，该装置具体可以应用于各种电子设备中。
如图3所示，一些实施例的风险数据库构建装置300包括：获取单元301、提取单元302、评级单元303、第一建立单元304和第二建立单元305。其中，获取单元301，被配置成获取出险数据，其中，上述出险数据包括用户出险数据和车辆出险数据；提取单元302，被配置成对上述出险数据进行特征提取，建立用户特征集和车辆特征集；评级单元303，被配置成利用预先训练的风险评级模型对上述用户特征集和上述车辆特征集进行风险评级，得到车辆风险评级集和用户风险评价集；第一建立单元304，被配置成利用上述用户出险数据、上述用户特征集和上述用户风险评级集建立用户风险数据库；第二建立单元305，被配置成利用上述车辆出险数据、上述车辆特征集和上述车辆风险评级集建立车辆风险数据库。
可以理解的是，该装置300中记载的诸单元与参考图2描述的方法中的各个步骤相对应。由此，上文针对方法描述的操作、特征以及产生的有益效果同样适用于装置300及其中包含的单元，在此不再赘述。
本公开的上述各个实施例中的一个实施例具有如下有益效果：能够精准识别保司目前定义的优质业务中掺杂的高风险的业务，可以从保司目前定义的品质较差的业务中筛选出可保业务，帮助保司扩大承保范围，扩大保费规模，减少风险承担，且如果后续出现新案例可以对风险数据库进行优化，一次构建多次使用，避免每次业务都需要使用模型判定风险的情况，减少时间消耗，提高风险评级的准确度和置信度。对于高赔付业务的管控方案是基于送检的个体车辆，而不是基于某类业务的风险特征，可以精准识别个体风险的差异，针对具体高风险车辆实施精准管控。
下面参考图4，其示出了适于用来实现本公开的一些实施例的电子设备（例如图1中的服务器）400的结构示意图。图4示出的电子设备仅仅是一个示例，不应对本公开的实施例的功能和使用范围带来任何限制。
如图4所示，电子设备400可以包括处理装置（例如中央处理器、图形处理器等）401，其可以根据存储在只读存储器（ROM）402中的程序或者从存储装置408加载到随机访问存储器（RAM）403中的程序而执行各种适当的动作和处理。在RAM 403中，还存储有电子设备400操作所需的各种程序和数据。处理装置401、ROM 402以及RAM 403通过总线404彼此相连。输入/输出（I/O）接口405也连接至总线404。
通常，以下装置可以连接至I/O接口405：包括例如触摸屏、触摸板、键盘、鼠标、摄像头、麦克风、加速度计、陀螺仪等的输入装置406；包括例如液晶显示器（LCD）、扬声器、振动器等的输出装置407；包括例如磁带、硬盘等的存储装置408；以及通信装置409。通信装置409可以允许电子设备400与其他设备进行无线或有线通信以交换数据。虽然图4示出了具有各种装置的电子设备400，但是应理解的是，并不要求实施或具备所有示出的装置。可以替代地实施或具备更多或更少的装置。图4中示出的每个方框可以代表一个装置，也可以根据需要代表多个装置。
特别地，根据本公开的一些实施例，上文参考流程图描述的过程可以被实现为计算机软件程序。例如，本公开的一些实施例包括一种计算机程序产品，其包括承载在计算机可读介质上的计算机程序，该计算机程序包含用于执行流程图所示的方法的程序代码。在这样的一些实施例中，该计算机程序可以通过通信装置409从网络上被下载和安装，或者从存储装置408被安装，或者从ROM 402被安装。在该计算机程序被处理装置401执行时，执行本公开的一些实施例的方法中限定的上述功能。
需要说明的是，本公开的一些实施例上述的计算机可读介质可以是计算机可读信号介质或者计算机可读存储介质或者是上述两者的任意组合。计算机可读存储介质例如可以是——但不限于——电、磁、光、电磁、红外线、或半导体的系统、装置或器件，或者任意以上的组合。计算机可读存储介质的更具体的例子可以包括但不限于：具有一个或多个导线的电连接、便携式计算机磁盘、硬盘、随机访问存储器（RAM）、只读存储器（ROM）、可擦式可编程只读存储器（EPROM或闪存）、光纤、便携式紧凑磁盘只读存储器（CD-ROM）、光存储器件、磁存储器件、或者上述的任意合适的组合。在本公开的一些实施例中，计算机可读存储介质可以是任何包含或存储程序的有形介质，该程序可以被指令执行系统、装置或者器件使用或者与其结合使用。而在本公开的一些实施例中，计算机可读信号介质可以包括在基带中或者作为载波一部分传播的数据信号，其中承载了计算机可读的程序代码。这种传播的数据信号可以采用多种形式，包括但不限于电磁信号、光信号或上述的任意合适的组合。计算机可读信号介质还可以是计算机可读存储介质以外的任何计算机可读介质，该计算机可读信号介质可以发送、传播或者传输用于由指令执行系统、装置或者器件使用或者与其结合使用的程序。计算机可读介质上包含的程序代码可以用任何适当的介质传输，包括但不限于：电线、光缆、RF（射频）等等，或者上述的任意合适的组合。
在一些实施方式中，客户端、服务器可以利用诸如HTTP（HyperText TransferProtocol，超文本传输协议）之类的任何当前已知或未来研发的网络协议进行通信，并且可以与任意形式或介质的数字数据通信（例如，通信网络）互连。通信网络的示例包括局域网（“LAN”），广域网（“WAN”），网际网（例如，互联网）以及端对端网络（例如，ad hoc端对端网络），以及任何当前已知或未来研发的网络。
上述计算机可读介质可以是上述电子设备中所包含的；也可以是单独存在，而未装配入该电子设备中。上述计算机可读介质承载有一个或者多个程序，当上述一个或者多个程序被该电子设备执行时，使得该电子设备：获取出险数据，其中，上述出险数据包括用户出险数据和车辆出险数据；对上述出险数据进行特征提取，建立用户特征集和车辆特征集；利用预先训练的风险评级模型对上述用户特征集和上述车辆特征集进行风险评级，得到车辆风险评级集和用户风险评价集；利用上述用户出险数据、上述用户特征集和上述用户风险评级集建立用户风险数据库；利用上述车辆出险数据、上述车辆特征集和上述车辆风险评级集建立车辆风险数据库。
可以以一种或多种程序设计语言或其组合来编写用于执行本公开的一些实施例的操作的计算机程序代码，上述程序设计语言包括面向对象的程序设计语言—诸如Java、Smalltalk、C++，还包括常规的过程式程序设计语言—诸如“C”语言或类似的程序设计语言。程序代码可以完全地在用户计算机上执行、部分地在用户计算机上执行、作为一个独立的软件包执行、部分在用户计算机上部分在远程计算机上执行、或者完全在远程计算机或服务器上执行。在涉及远程计算机的情形中，远程计算机可以通过任意种类的网络——包括局域网（LAN）或广域网（WAN）——连接到用户计算机，或者，可以连接到外部计算机（例如利用因特网服务提供商来通过因特网连接）。
附图中的流程图和框图，图示了按照本公开各种实施例的系统、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上，流程图或框图中的每个方框可以代表一个模块、程序段、或代码的一部分，该模块、程序段、或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。也应当注意，在有些作为替换的实现中，方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如，两个接连地表示的方框实际上可以基本并行地执行，它们有时也可以按相反的顺序执行，这依所涉及的功能而定。也要注意的是，框图和/或流程图中的每个方框、以及框图和/或流程图中的方框的组合，可以用执行规定的功能或操作的专用的基于硬件的系统来实现，或者可以用专用硬件与计算机指令的组合来实现。
描述于本公开的一些实施例中的单元可以通过软件的方式实现，也可以通过硬件的方式来实现。所描述的单元也可以设置在处理器中，例如，可以描述为：一种处理器包括获取单元、提取单元、评级单元、第一建立单元和第二建立单元。其中，这些单元的名称在某种情况下并不构成对该单元本身的限定，例如，获取单元还可以被描述为“获取出险数据的单元，其中，上述出险数据包括用户出险数据和车辆出险数据”。
本文中以上描述的功能可以至少部分地由一个或多个硬件逻辑部件来执行。例如，非限制性地，可以使用的示范类型的硬件逻辑部件包括：现场可编程门阵列（FPGA）、专用集成电路（ASIC）、专用标准产品（ASSP）、片上系统（SOC）、复杂可编程逻辑设备（CPLD）等等。
以上描述仅为本公开的一些较佳实施例以及对所运用技术原理的说明。本领域技术人员应当理解，本公开的实施例中所涉及的发明范围，并不限于上述技术特征的特定组合而成的技术方案，同时也应涵盖在不脱离上述发明构思的情况下，由上述技术特征或其等同特征进行任意组合而形成的其它技术方案。例如上述特征与本公开的实施例中公开的（但不限于）具有类似功能的技术特征进行互相替换而形成的技术方案。
Claims (10)
1.一种风险数据库构建方法，包括：
获取出险数据，其中，所述出险数据包括用户出险数据和车辆出险数据；
对所述出险数据进行特征提取，建立用户特征集和车辆特征集；
利用预先训练的风险评级模型对所述用户特征集和所述车辆特征集进行风险评级，得到车辆风险评级集和用户风险评价集；
利用所述用户出险数据、所述用户特征集和所述用户风险评级集建立用户风险数据库；
利用所述车辆出险数据、所述车辆特征集和所述车辆风险评级集建立车辆风险数据库。
2.根据权利要求1所述的方法，其特征在于，所述方法还包括：
响应于接收到第三方送检信息，利用所述车辆风险数据库和所述用户风险数据库为所述第三方送检信息进行风险评级，生成风险评级报告，其中，所述第三方送检信息包括用户信息和/或车辆信息；
将所述风险评级报告返回。
3.根据权利要求1所述的方法，其特征在于，所述利用预先训练的风险评级模型对所述用户特征集和所述车辆特征集进行风险评级，得到车辆风险评级集和用户风险评级集，包括：
对于所述用户特征集和所述车辆特征集中的每个特征，将所述特征输入至风险评级模型中的主评级模型，得到所述特征对应的风险评级，其中，所述主评级模型是采用泊松分布或伽马分布假设，以对数函数作为连接函数的广义线性模型作为初始模型，以样本特征作为输入，以样本特征对应的样本风险评级为期望输出对初始模型进行训练得到的。
4.根据权利要求3所述的方法，其特征在于，所述利用预先训练的风险评级模型对所述用户特征集和所述车辆特征集进行风险评级，得到车辆风险评级集和用户风险评级集，包括：
对于所述车辆风险评级集和用户风险评级集中的每个风险评级，响应于确定所述风险评级满足预设条件，将所述风险评级确定为低置信风险评级；
将所述低置信风险评级对应的特征输入至风险评级模型中的辅助评级模型，得到辅助风险评级结果，利用所述辅助风险评级结果替换所述所述车辆风险评级集和用户风险评级集中的低置信风险评级。
5.根据权利要求4所述的方法，其特征在于，所述辅助评级模型是以XGBoost (ExtremeGradient Boosting) 模型作为初始模型，以样本特征作为输入，以样本特征对应的样本风险评级为期望输出，利用损失函数对初始模型进行训练得到的，其中，所述XGBoost模型包括k个基学习器组成的基学习器群，所述基学习器以决策树模型为基础模型。
6.根据权利要求5所述的方法，其特征在于，所述基学习器是根据以下公式构建的：
；
，
其中，表示基学习器群对第i个样本的预测值；
K表示基学习器的数量；
表示/>空间中的一个基学习器；
表示所有可能的基学习器/>集合；
一个基学习器有T个分支；
表示由T个分支节点的值组成的T维向量；
q(x)表示样本在1到T之间某个值的映射，表示基学习器f(x)的结构；
表示基学习器对样本x的预测值。
7.根据权利要求5所述的方法，其特征在于，所述辅助评级模型是根据以下损失函数对初始模型进行优化得到的：
；
，
其中，f表示第f个基学习器；
表示第f个基学习器对应的正则项；
T表示决策树模型中叶子节点的个数；
表示决策树模型中叶子节点的预测值；
γ表示限制决策树模型个数的参数；
λ表示限制决策树模型的叶子节点预测值的参数。
8.一种风险数据库构建装置，包括：
获取单元，被配置成获取出险数据，其中，所述出险数据包括用户出险数据和车辆出险数据；
提取单元，被配置成对所述出险数据进行特征提取，建立用户特征集和车辆特征集；
评级单元，被配置成利用预先训练的风险评级模型对所述用户特征集和所述车辆特征集进行风险评级，得到车辆风险评级集和用户风险评价集；
第一建立单元，被配置成利用所述用户出险数据、所述用户特征集和所述用户风险评级集建立用户风险数据库；
第二建立单元，被配置成利用所述车辆出险数据、所述车辆特征集和所述车辆风险评级集建立车辆风险数据库。
9.一种电子设备，包括：
一个或多个处理器；
存储装置，其上存储有一个或多个程序，
当所述一个或多个程序被所述一个或多个处理器执行，使得所述一个或多个处理器实现如权利要求1-7中任一所述的方法。
10.一种计算机可读介质，其上存储有计算机程序，其中，所述程序被处理器执行时实现如权利要求1-7中任一所述的方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311532630.9A CN117541403A (zh) | 2023-11-17 | 2023-11-17 | 一种风险数据库构建方法、装置、电子设备和可读介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311532630.9A CN117541403A (zh) | 2023-11-17 | 2023-11-17 | 一种风险数据库构建方法、装置、电子设备和可读介质 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN117541403A true CN117541403A (zh) | 2024-02-09 |
Family
ID=89791297
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202311532630.9A Pending CN117541403A (zh) | 2023-11-17 | 2023-11-17 | 一种风险数据库构建方法、装置、电子设备和可读介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN117541403A (zh) |
Citations (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112288334A (zh) * | 2020-11-27 | 2021-01-29 | 上海评驾科技有限公司 | 一种基于lightgbm的车联网风险因子的提取方法 |
| CN112330432A (zh) * | 2020-11-10 | 2021-02-05 | 中国平安人寿保险股份有限公司 | 风险等级识别模型训练方法、识别方法、终端及存储介质 |
| US10943136B1 (en) * | 2017-01-19 | 2021-03-09 | State Farm Mutual Automobile Insurance Company | Apparatuses, systems and methods for generating a vehicle driver signature |
| CN114926299A (zh) * | 2022-06-20 | 2022-08-19 | 启明信息技术股份有限公司 | 一种基于大数据分析的预测车辆事故风险预测方法 |
| CN114971009A (zh) * | 2022-05-24 | 2022-08-30 | 车发现信息技术(厦门)有限公司 | 一种车险出险预测方法及计算机设备 |
| US20230083899A1 (en) * | 2021-09-13 | 2023-03-16 | The Toronto-Dominion Bank | System and method for determining a driver score using machine learning |
| CN116385185A (zh) * | 2023-06-06 | 2023-07-04 | 中国平安财产保险股份有限公司 | 一种车险评估辅助方法、装置、计算机设备及存储介质 |
| CN116703612A (zh) * | 2023-05-11 | 2023-09-05 | 青岛滚财科技有限公司 | 一种汽车保险风险等级评估方法 |
-
2023
- 2023-11-17 CN CN202311532630.9A patent/CN117541403A/zh active Pending
Patent Citations (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US10943136B1 (en) * | 2017-01-19 | 2021-03-09 | State Farm Mutual Automobile Insurance Company | Apparatuses, systems and methods for generating a vehicle driver signature |
| CN112330432A (zh) * | 2020-11-10 | 2021-02-05 | 中国平安人寿保险股份有限公司 | 风险等级识别模型训练方法、识别方法、终端及存储介质 |
| CN112288334A (zh) * | 2020-11-27 | 2021-01-29 | 上海评驾科技有限公司 | 一种基于lightgbm的车联网风险因子的提取方法 |
| US20230083899A1 (en) * | 2021-09-13 | 2023-03-16 | The Toronto-Dominion Bank | System and method for determining a driver score using machine learning |
| CN114971009A (zh) * | 2022-05-24 | 2022-08-30 | 车发现信息技术(厦门)有限公司 | 一种车险出险预测方法及计算机设备 |
| CN114926299A (zh) * | 2022-06-20 | 2022-08-19 | 启明信息技术股份有限公司 | 一种基于大数据分析的预测车辆事故风险预测方法 |
| CN116703612A (zh) * | 2023-05-11 | 2023-09-05 | 青岛滚财科技有限公司 | 一种汽车保险风险等级评估方法 |
| CN116385185A (zh) * | 2023-06-06 | 2023-07-04 | 中国平安财产保险股份有限公司 | 一种车险评估辅助方法、装置、计算机设备及存储介质 |
Non-Patent Citations (1)
| Title |
|---|
| 国强强;朱振方;: "基于LightGBM算法的移动用户信用评分研究", 计算机技术与发展, no. 09, 10 September 2020 (2020-09-10) * |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN110807515B (zh) | 模型生成方法和装置 | |
| AU2021232839A1 (en) | Updating Attribute Data Structures to Indicate Trends in Attribute Data Provided to Automated Modelling Systems | |
| US20240127795A1 (en) | Model training method, speech recognition method, device, medium, and apparatus | |
| CN115085196B (zh) | 电力负荷预测值确定方法、装置、设备和计算机可读介质 | |
| WO2023134188A1 (zh) | 指标确定方法、装置、电子设备和计算机可读介质 | |
| CN112580733A (zh) | 分类模型的训练方法、装置、设备以及存储介质 | |
| CN114780338A (zh) | 主机信息处理方法、装置、电子设备和计算机可读介质 | |
| CN114638695A (zh) | 信用评估方法、装置、设备及介质 | |
| CN110956127A (zh) | 用于生成特征向量的方法、装置、电子设备和介质 | |
| CN113723712B (zh) | 风电功率预测方法、系统、设备及介质 | |
| CN117541403A (zh) | 一种风险数据库构建方法、装置、电子设备和可读介质 | |
| CN114639072A (zh) | 人流量信息生成方法、装置、电子设备和计算机可读介质 | |
| CN111291196B (zh) | 知识图谱的完善方法及装置、数据处理方法及装置 | |
| CN111767290B (zh) | 用于更新用户画像的方法和装置 | |
| CN117636100B (zh) | 预训练任务模型调整处理方法、装置、电子设备和介质 | |
| CN113077352B (zh) | 基于用户信息和保险相关信息的保险服务物品推荐方法 | |
| CN111522887B (zh) | 用于输出信息的方法和装置 | |
| CN110633596A (zh) | 预测车辆方向角的方法和装置 | |
| CN113077353B (zh) | 用于生成核保结论的方法、装置、电子设备和介质 | |
| CN111427935B (zh) | 量化交易指标的预测和显示方法、电子设备和介质 | |
| CN115907830B (zh) | 基于指标预警的策略执行方法、装置、设备及可读介质 | |
| CN116107666B (zh) | 程序业务流信息生成方法、装置、电子设备和计算机介质 | |
| WO2023155425A1 (zh) | 调货方法、装置、电子设备和计算机可读介质 | |
| CN115630585B (zh) | 物品流转量预测方法、装置、设备和计算机可读介质 | |
| US10997535B1 (en) | System, method, and computer program for predicting delays in delivering a project to a customer |
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 |