JP6813827B2 - 情報処理装置、情報処理システム、および情報処理プログラム - Google Patents

Description

本発明は、情報処理装置、情報処理システム、および情報処理プログラムに関する。

次のような保険会社の資産負債管理装置が知られている。この装置では、保険料、積立金（責任準備金）、配当金といった保険収支項目の金額は推定することが難しいことを考慮して、顧客の保険契約の情報に基づき、既契約の保険金額から未来の保険金額を推定する方法が提案されている（例えば、特許文献１）。

特開２００３−８５３７３号公報

保険会社は、将来の保険金や給付金を支払うための支払準備金として責任準備金などの準備金を積み立てている。従来の技術では、この積立金の予測が困難なことを加味して、支払準備金の予測を行わずに未来の保険金額を推定する方法をとっていた。しかしながら、支払準備金の予測を精度高く行うことができれば、その予測結果は、未来の保険金の支払い能力の見積もりや、契約者から徴収する保険料の額の決定など、多くの場面で利用することができる。このため、将来の支払準備金の予測を精度高く行うための技術が望まれていたが、従来はそのための仕組みについて何ら検討されていなかった。

本発明による情報処理装置は、ニューラルネットワークを用いて保険会社の支払準備金を予測するための情報処理装置であって、過去の保険金請求データに基づいて、保険金の支払いが完了していない請求データを入力すると、保険金の支払いが完了していない請求データに基づく未知の累計損失を推定して出力するように前記ニューラルネットワークを学習させるトレーニング手段と、トレーニング手段によって学習が完了したニューラルネットワークに、保険金の支払いが完了していない請求データを入力することにより未知の累計損失の出力を得て、将来必要となる支払準備金を予測する支払準備金予測手段とを備えることを特徴とする。
本発明による情報処理システムは、ニューラルネットワークを用いて保険会社の支払準備金を予測するための情報処理システムであって、過去の保険金請求データに基づいて、保険金の支払いが完了していない請求データを入力すると、保険金の支払いが完了していない請求データに基づく未知の累計損失を推定して出力するようにニューラルネットワークを学習させるトレーニング手段と、トレーニング手段によって学習が完了したニューラルネットワークに、保険金の支払いが完了していない請求データを入力することにより未知の累計損失の出力を得て、将来必要となる支払準備金を予測する支払準備金予測手段とを備えることを特徴とする。
本発明による情報処理プログラムは、ニューラルネットワークを用いて保険会社の支払準備金を予測するために、過去の保険金請求データに基づいて、保険金の支払いが完了していない請求データを入力すると、保険金の支払いが完了していない請求データに基づく未知の累計損失を推定して出力するように前記ニューラルネットワークを学習させるトレーニング手順と、トレーニング手順で学習が完了したニューラルネットワークに、保険金の支払いが完了していない請求データを入力することにより未知の累計損失の出力を得て、将来必要となる支払準備金を予測する支払準備金予測手順とをコンピュータに実行させるためのプログラムである。

本発明によれば、学習が完了したニューラルネットワークを利用することによって、保険会社が将来必要とする支払準備金を精度高く予測することができる。

情報処理装置１００の一実施の形態の構成を示すブロック図である。 トレーニングユニットにおけるデータの流れを模式的に示した機能ブロック図である。 既知の累計損失Ｓ（ｙ,ｋ）と未知の累計損失Ｕ（ｙ,ｋ）の関係を表形式で表した図である。 第１の実施の形態における予測モデル２ｄを模式的に表した図である。 第１の実施の形態における予測モデル２ｄのトレーニング処理の流れを示すフローチャート図である。 第１の実施の形態における将来の累計損失を推定するための処理の流れを示すフローチャートである。 第２の実施の形態における予測モデル２ｄを模式的に表した図である。 第２の実施の形態における予測モデル２ｄのトレーニング処理の流れを示すフローチャート図である。

−第１の実施の形態−
図１は、本実施の形態における情報処理装置１００の一実施の形態の構成を示すブロック図である。情報処理装置１００としては、例えばサーバ装置、パソコン、スマートフォン、タブレット端末などのコンピュータが用いられる。図１は、本実施の形態における情報処理装置１００として、パソコンを用いた場合の一実施の形態の構成を示すブロック図である。

情報処理装置１００は、操作部材１０１と、制御装置１０２と、記憶媒体１０３と、表示装置１０４を備えている。

操作部材１０１は、情報処理装置１００の操作者によって操作される種々の装置、例えばキーボードやマウスを含む。

制御装置１０２は、ＣＰＵ、メモリ、およびその他の周辺回路によって構成され、情報処理装置１００の全体を制御する。なお、制御装置１０２を構成するメモリは、例えばＳＤＲＡＭ等の揮発性のメモリである。このメモリは、ＣＰＵがプログラム実行時にプログラムを展開するためのワークメモリや、データを一時的に記録するためのバッファメモリとして使用される。例えば、接続インターフェース１０２を介して読み込まれたデータは、バッファメモリに一時的に記録される。

記憶媒体１０３は、情報処理装置１００が蓄える種々のデータや、制御装置１０２が実行するためのプログラムのデータ等を記録するための記憶媒体であり、例えばＨＤＤ（Ｈａｒｄ Ｄｉｓｋ Ｄｒｉｖｅ）やＳＳＤ（Ｓｏｌｉｄ Ｓｔａｔｅ Ｄｒｉｖｅ）等が用いられる。なお、記憶媒体１０３に記録されるプログラムのデータは、ＣＤ−ＲＯＭやＤＶＤ−ＲＯＭなどの記録媒体に記録されて提供されたり、ネットワークを介して提供され、操作者が取得したプログラムのデータを記憶媒体１０３にインストールすることによって、制御装置１０２がプログラムを実行できるようになる。本実施の形態では、以下に説明する処理で用いるプログラムや種々のデータは、記憶媒体１０３に記録されている。

表示装置１０４は、例えば液晶モニタであって、制御装置１０２から出力される種々の表示用データが表示される。

本実施の形態における情報処理装置１００は、過去の保険金の支払い履歴に基づいて、保険会社が将来必要とする支払準備金を予測するための処理を行う。一般的に、保険会社では、将来の保険金や給付金を支払うための支払準備金を積み立てている。本実施の形態では、未来の支払準備金を予測することにより、保険会社における未来の保険金の支払い見込みを予測するための方法について説明する。

支払準備金は、保険会社が現在有効な保険契約からの将来の保険金の請求をすべて満たすだけの金額が必要となる。従来、この支払準備金の見積もりには、チェイン・ラダー法、ボーンヒュッター・ファーガソン法などの手法が用いられていた。しかしながら、過去の保険金の請求記録のデータ（以下「請求データ」と呼ぶ）を用いてこれらの方法で支払準備金の予測を行った場合には、高い予測精度を望むことができないという問題があった。また、これらの方法では請求データの変化するダイナミクスを捉えることができないという問題もあった。さらに、保険会社の事業分野または方針に変更が生じた場合は手動での再校正が必要となるため、支払い準備金の見積もりをリアルタイムで調整することが困難になるという問題もあった。また、これらの方法では、多変量な請求データを処理することができないという問題もあった。

このため、本実施の形態では、過去の保険金の請求データの特徴から支払準備金を予測するように設計されたニューラルネットワークを使用して、過去の保険金の請求記録に基づいて将来の支払準備金を予測する方法について説明する。ニューラルネットワークとしては、あらかじめ過去の保険金の請求データの特徴から支払準備金を予測できるように学習が行われたディープラーニングを用いるものとする。なお、本発明は、保険会社が支払準備金を積み立てる保険を対象とし、例えば、生命保険、医療保険、損害保険などを想定する。

図２は、過去の保険金の請求データの特徴から支払準備金を予測できるようにニューラルネットワークを学習させるためのトレーニングユニットにおけるデータの流れを模式的に示した機能ブロック図である。図２に示す各機能における処理は、制御装置１０２によって実行される。

図２では、請求データベース２ａは記憶媒体１０３に記録されている。請求データベース２ａには、あらかじめ過去の保険金の請求データが格納されている。トレーニングユニット２ｂは、予測モデル２ｄを訓練するためのユニットであって、予測モデル２ｄの他に前処理ユニット２ｃ、累計損失集計ユニット２ｅ、及び損失項ユニット２ｆを含んでいる。図２に示す例では、予測モデル２ｄにニューラルネットワークを用い、トレーニングユニット２ｂが予測モデル２ｄに過去の保険金の請求データの特徴から支払準備金を予測できるように学習させる。

トレーニングユニット２ｂには、請求データベース２ａから請求データｃ^（ｔ）が入力される。本実施の形態では、請求データｃ^（ｔ）は、ｃ^（ｔ）＝｛ｃ_０,ｃ_１,・・・・ｃ_ｎ｝のように、ｃ_０〜ｃ_ｎのｎ個の特徴をもったベクトルデータである。この請求データｃ^（ｔ）は、トレーニングユニット２ｂにおいて予測モデル２ｄを訓練するための予測変数として使用される。

なお、請求データの特徴ｃ_０〜ｃ_ｎには、例えば、保険金の請求事項が発生または報告された日付、その請求に対する評価が行われた日付の情報が少なくとも含まれる。また、請求データの特徴ｃ_０〜ｃ_ｎには、支払準備金の予測精度を向上させるための情報を追加するようにしてもよい。追加する特徴の情報は、保険の種類によって異なるが、例えば、請求決済額の情報、被保険者の職種、業種、年齢、性別、民族、地域などの追加の情報を含むことができる。また、医療保険を対象とする場合には、診断コード、薬品、医療処置などの追加の情報を含めることもできる。追加された特徴の情報は、予測モデル２ｄのトレーニング中に使用され、これによって、支払準備金の予測精度を向上させることができる。

前処理ユニット２ｃでは、入力された請求データｃ^（ｔ）を予測モデル２ｄと互換性のある新しいベクトルデータｘ^（ｔ）＝｛ｘ_０,ｘ_１,・・・・ｘ_ｎ｝に変換する。例えば、請求データｃ^（ｔ）において性別の特徴がｍａｌｅ，ｆｅｍａｌｅのように表されている場合に、新しいベクトルデータｘ^（ｔ）では、ｍａｌｅは整数値０にマッピングされ、ｆｅｍａｌｅは１にマッピングされるといったような変換が行われる。前処理ユニット２ｃで変換された変換後の請求データｘ^（ｔ）は、予測モデル２ｄと累計損失集計ユニット２ｅに入力される。

累計損失集計ユニット２ｅでは、次式（１）によって請求の累計損失Ｓ（ｙ,ｋ）を計算する。

式（１）において、ｙは保険金の請求対象となるアクシデントが発生した年を表す。ｋは、保険金の請求対象となるアクシデントが発生した年から、保険金が支払われるまでの経過年数を表す。ｙは、保険金の請求対象となるアクシデントが発生した最初の年から、請求データに含まれる最新の年Ｙまでの値をとる。また、ｋは、ｙと同じ年を意味する０から、請求データに含まれる経過年数の最大値Ｋまでの値をとる。また、ｌｏｓｓ（）は１件当たりの請求データｃの金額である。

累計損失集計ユニット２ｅは、式（１）により年Ｙの時点ですでに保険金の支払いが完了しているすべての請求データを用いて過去の累計損失Ｓ（ｙ,ｋ）、すなわち既知の累計損失Ｓ（ｙ,ｋ）を算出する。なお、式（１）では請求データをＣで表しているが、本実施の形態では前処理ユニット２ｃで請求データｃ^（ｔ）は新しいベクトルデータｘ^（ｔ）に変換されているため、ここではｘに読み替える。

例えば、２０１０年にアクシデントが発生し、２０１０年に保険金の支払いが行われた場合は、ｙ＝２０１０、ｋ＝０となり、２０１０年にアクシデントが発生し、２０１１年に保険金の支払いが行われた場合は、ｙ＝２０１０、ｋ＝１となる。また、２０１１年にアクシデントが発生し、２０１５年に保険金の支払いが行われた場合は、ｙ＝２０１１、ｋ＝４となり、２０１２年にアクシデントが発生し、２０１８年に保険金の支払いが行われた場合は、ｙ＝２０１２、ｋ＝６となる。

予測モデル２ｄでは、年Ｙの時点では保険金の支払いが完了していない請求データに基づいて、未知の累計損失Ｕを推定する。なお、年Ｙの時点における未知の累計損失Ｕは、年Ｙを基準とした将来必要となる支払準備金の額と捉えることができるため、年Ｙにおける未知の累計損失を推定すれば、年Ｙを基準とした将来必要となる支払準備金を予測することが可能となる。すなわち、年Ｙにおける未知の累計損失の推定値を、年Ｙを基準とした将来必要となる支払準備金として算出することにより、年Ｙを基準とした将来必要となる支払準備金を予測することが可能となる。

図３は、Ｙ−Ｋ年からＹ年までにアクシデントが発生し、支払いまでの経過年数が０年からＫ年までの請求データを対象として、既知の累計損失Ｓ（ｙ,ｋ）と未知の累計損失Ｕ（ｙ,ｋ）の関係を表形式で表した図である。図３において、各年ごとの既知の累計損失Ｓは、次式（２）に示すように表され、各年ごとの未知の累計損失Ｕは、次式（３）に示すように表される。

本実施の形態では、図３に示す未知の累計損失Ｕ（ｙ,ｋ）が推定の対象となる。図３に示すように、上述したＹとＫの関係によると請求データに含まれる最新の年はＹ年となる。このため、Ｙ−Ｋ年にアクシデントが発生した請求に対しては経過年数Ｋまで支払いが完了しているためＹ−Ｋ年にアクシデントが発生した請求は、全て既知の累計損失Ｓ（ｙ,ｋ）が算出されている。また、Ｙ−Ｋ＋１年にアクシデントが発生した請求に対しては経過年数Ｋ−１まで支払いが完了しているためＹ−Ｋ＋１年にアクシデントが発生した請求は、経過年数Ｋ−１まで既知の累計損失Ｓ（ｙ,ｋ）が算出され、経過年数Ｋは未知の累計損失Ｕ（ｙ,ｋ）の推定対象となっている。また、Ｙ年にアクシデントが発生した請求に対しては経過年数０まで支払いが完了しているためＹ年にアクシデントが発生した請求は、経過年数０まで既知の累計損失Ｓ（ｙ,ｋ）が算出され、その他の経過年数は未知の累計損失Ｕ（ｙ,ｋ）の推定対象となっている。

例えば、２０００年から２０１０年までの請求データを用いる場合、図３においてはＹは２０１０年でＫが１０となる。この場合、アクシデントが発生した年（Ａｃｃｉｄｅｎｔ ｙｅａｒｓ）のＹ−Ｋは２０００年である。そして、この年の支払いまでの経過年数（Ｄｅｖｅｌｏｐｍｅｎｔ ｙｅａｒｓ）が０の年は２０００であり、経過年数が１の年は２００１年であり、経過年数がＫ−１の年は２００９年であり、経過年数がＫの年は２０１０年である。

また、アクシデントが発生した年（Ａｃｃｉｄｅｎｔ ｙｅａｒｓ）のＹ−Ｋ＋１は２００１年である。そして、この年の支払いまでの経過年数（Ｄｅｖｅｌｏｐｍｅｎｔ ｙｅａｒｓ）が０の年は２００１であり、経過年数が１の年は２００２年であり、経過年数がＫ−１の年は２０１０年であり、経過年数がＫの年は２０１１年である。

また、アクシデントが発生した年（Ａｃｃｉｄｅｎｔ ｙｅａｒｓ）のＹ−１年は２００９年である。そして、この年の支払いまでの経過年数（Ｄｅｖｅｌｏｐｍｅｎｔ ｙｅａｒｓ）が０の年は２００９であり、経過年数が１の年は２０１０年であり、経過年数がＫ−１の年は２０１８年であり、経過年数がＫの年は２０１９年である。

また、アクシデントが発生した年（Ａｃｃｉｄｅｎｔ ｙｅａｒｓ）のＹ年は２０１０年である。そして、この年の支払いまでの経過年数（Ｄｅｖｅｌｏｐｍｅｎｔ ｙｅａｒｓ）が０の年は２０１０であり、経過年数が１の年は２０１１年であり、経過年数がＫ−１の年は２０１９年であり、経過年数がＫの年は２０２０年である。

このように、Ｙが２０１０年でＫが１０である請求データにおいては、請求データに含まれる最新の年が２０１０年であるため、支払いまでの経過年数を考慮した年が２０１１年以降となる場合は、全て未知の累計損失Ｕ（ｙ,ｋ）の推定対象となる。

未知の累計損失Ｕ（ｙ,ｋ）を推定することができれば、その額を将来必要となる支払準備金の額と予測することができるため、将来必要となる支払準備金の予測精度を向上させるために、本実施の形態におけるトレーニングユニット２ｂでは、過去の請求データに基づいて未知の累計損失Ｕ（ｙ,ｋ）を精度高く推定できるように予測モデル２ｄをトレーニングする。以下、予測モデル２ｄのトレーニング方法について説明する。

本実施の形態では、予測モデル２ｄは、図４に示すように各請求ｘ^（ｔ）ごとに一つのインプットを持つ入力層（ｉｎｐｕｔ ｌａｙｅｒ）４ａと、年数Ｋ以上のサイズの隠れ層（ｈｉｄｄｅｎ ｌａｙｅｒ）４ｂと、予測したい年数Ｋ以上サイズの出力層（ｏｕｔｐｕｔ ｌａｙｅｒ）４ｃからなるニューラルネットワークによって構成されている。図４において、各層のノードはデータの非線形性を考慮する為に次式（４）に示す活性化関数ＲｅＬＵを使用する。

この予測モデル２ｄによって、上述したように、年Ｙの時点では保険金の支払いが完了していない請求データに基づいて、未知の累計損失Ｕ（ｙ,ｋ）が算出されることにより推定が行われると、累計損失集計ユニット２ｅで算出された既知の累計損失Ｓ（ｙ,ｋ）と予測モデル２ｄで推定された未知の累計損失Ｕ（ｙ,ｋ）は、損失項ユニット２ｆに入力される。

損失項ユニット２ｆでは、既知の累計損失Ｓと未知の累計損失Ｕとの差を計算するための損失項Ｌ（Ｕ，Ｓ）を最小にするように、予測モデル２ｄの重み値、すなわちニューラルネットワークの重みを調節することによって予測モデル２ｄのトレーニングを行う。

本実施の形態では、既知の累計損失Ｓと未知の累計損失Ｕとの差が最小になるまで重みを調節を行いながら既知の累計損失Ｓと未知の累計損失Ｕの算出を繰り返し、既知の累計損失Ｓと未知の累計損失Ｕとの差が最小になったときに設定されていたニューラルネットワークの重みを予測モデル２ｄの重み値として採用することにより、予測モデル２ｄのトレーニングを行う。具体的には、既知の累計損失Ｓの算出と未知の累計損失Ｕの推定を数回繰り返して差が減少しなければ、制御装置１０２は、予測モデル２ｄは最適化されたと判断してトレーニングユニット２ｂによるトレーニンングを終了する。一方、既知の累計損失Ｓと未知の累計損失Ｕとの差が減少し続ける場合は、予測モデル２ｄのニューラルネットワークの重みを更新して処理を繰り返す。

なお、本実施の形態では、既知の累計損失Ｓと未知の累計損失Ｕとの差を示す損失項Ｌ（Ｕ，Ｓ）は、次式（５）に示すようにポアソン分布の標準偏差方程式を用いて算出する。また、予測モデル２ｄの重み値は、勾配降下法、確率的勾配降下法、焼き鈍し法などの公知の最適化方法を用いて調整することができる。

上述した処理によって予測モデル２ｄが訓練、最適化されると、予測モデル２ｄを使用して、Ｋ＋１年以降の将来の年についても未知の累計損失Ｕ（ｙ,ｋ）を推定して、将来必要となる支払準備金を予測することが可能となる。Ｋ＋１年以降の未知の累計損失Ｕ（ｙ,ｋ）は、Ｋ＋１年以降において必要となる支払準備金の額とみなすことができるため、訓練、最適化された予測モデル２ｄを使用して未知の累計損失Ｕ（ｙ,ｋ）を推定することにより、将来必要となる支払準備金の額を精度高く予測することができる。

請求データに新規のデータが追加された場合は、新規のデータを追加して上述したトレーニングを実施すれば、予測モデル２ｄの予測精度を向上させることができ、将来必要となる支払準備金額の予測精度もさらに向上させることができる。

図５は、第１の実施の形態における予測モデル２ｄのトレーニング処理の流れを示すフローチャートである。図５に示す処理は、制御装置１０２が記憶媒体１０３に記録されている請求データＣを読み出してトレーニングユニット２ｂに入力すると起動するプログラムとして、制御装置１０２によって実行される。

ステップＳ１０において、制御装置１０２は、前処理ユニット２ｃにおける前処理を実行して、請求データｃ^（ｔ）＝｛ｃ_０,ｃ_１,・・・・ｃ_ｎ｝を予測モデル２ｄと互換性のある新しいベクトルデータｘ^（ｔ）＝｛ｘ_０,ｘ_１,・・・・ｘ_ｎ｝に変換する。変換された後の請求データは、累計損失集計ユニット２ｅと予測モデル２ｄに入力され、ステップＳ２０とステップＳ３０の処理が実行される。

ステップＳ２０では、制御装置１０２は、累計損失集計ユニット２ｅにおいて、上述したように、年Ｙの時点ですでに保険金の支払いが完了しているすべての請求データを用いて過去の累計損失Ｓ（ｙ,ｋ）、すなわち既知の累計損失Ｓ（ｙ,ｋ）を算出する。その後、ステップＳ４０へ進む。

また、ステップＳ３０では、制御装置１０２は、予測モデル２ｄにおいて、上述したように、年Ｙの時点では保険金の支払いが完了していない請求データに基づいて、年Ｙからみた未来の累計損失、すなわち未知の累計損失Ｕ（ｙ,ｋ）を推定するための推定処理を実行する。その後、ステップＳ４０へ進む。

ステップＳ４０では、制御装置１０２は、損失項ユニット２ｆにおいて、上述したように、式（５）を用いて損失項Ｌ（Ｕ，Ｓ）を算出する。その後、ステップＳ５０へ進む。

ステップＳ５０では、制御装置１０２は、損失項ユニット２ｆにおいて、上述したように、予測モデル２ｄの最適化が完了したか否かを判断する。ステップＳ５０で肯定判断した場合には、そのときの重みを予測モデル２ｄの重み値として採用して処理を終了する。これに対して、ステップＳ５０で否定判断した場合には、ステップＳ６０へ進む。

ステップＳ６０では、制御装置１０２は、損失項ユニット２ｆにおいて、上述したように、予測モデル２ｄの重みを調整して、ステップＳ１０へ戻る。

図６は、第１の実施の形態における将来の累計損失を推定するための処理の流れを示すフローチャートである。図６に示す処理は、制御装置１０２が記憶媒体１０３に記録されている請求データをトレーニングが完了している予測モデル２ｄに入力すると起動するプログラムとして、制御装置１０２によって実行される。なお、予測モデル２ｄに入力される請求データは、上述した前処理ユニット２ｃによる処理が実行されて、あらかじめ予測モデル２ｄと互換性のある新しいベクトルデータｘ^（ｔ）＝｛ｘ_０,ｘ_１,・・・・ｘ_ｎ｝に変換されているものとする。

ステップＳ１１０において、制御装置１０２は、予測モデル２ｄにおいて、上述した予測処理を実行することにより、請求データに基づいて、未知の累計損失Ｕ（ｙ,ｋ）を推定する。その後、ステップＳ１２０へ進む。

ステップＳ１２０では、制御装置１０２は、推定された未知の累計損失Ｕ（ｙ,ｋ）を出力する。なお、出力先はあらかじめ設定されているものとし、例えば、記憶媒体１０３に出力して未知の累計損失Ｕ（ｙ,ｋ）を記憶媒体１０３に記録してもよいし、表示装置１０４に出力して未知の累計損失Ｕ（ｙ,ｋ）を表示するようにしてもよい。その後、処理を終了する。

以上説明した第１の実施の形態によれば、以下のような作用効果を得ることができる。
（１）制御装置１０２は、過去の保険金請求データに基づいて、保険金の支払いが完了していない請求データを入力すると、保険金の支払いが完了していない請求データに基づく未知の累計損失を推定して出力するようにニューラルネットワークを学習させ、学習が完了したニューラルネットワークに、保険金の支払いが完了していない請求データを入力することにより未知の累計損失の出力を得て、将来必要となる支払準備金を予測するようにした。これによって、過去の請求データに基づいて学習が完了したニューラルネットワークを利用することによって、保険会社が将来必要とする支払準備金を精度高く予測することができる。

（２）制御装置１０２は、過去の保険金請求データに基づいて、過去の特定の年を基準に既知の累計損失を算出し、過去の保険金請求データに基づいて、過去の特定の年を基準に未知の累計損失を推定して、既知の累計損失と未知の累計損失とに基づいて、保険金の支払いが完了していない請求データを入力すると未知の累計損失を推定して出力するようにニューラルネットワークを学習させるようにした。これによって、既に確定している過去の請求データを用いてニューラルネットワークを学習させることができる。

（３）制御装置１０２は、既知の累計損失と未知の累計損失との差が最小になるようにニューラルネットワークを学習させるようにした。これによって、出力される既知の累計損失と未知の累計損失との差が最小になるまでニューラルネットワークを学習させることができるため、ニューラルネットワークによる支払準備金の予測精度を向上させることができる。

−第２の実施の形態−
第２の実施の形態では、予測モデル２ｄは、図７に示すように、Ｒｅｃｕｒｒｅｎｔ Ｎｅｕｒａｌ Ｎｅｔｗｏｒｋ （ＲＮＮ）７ａと、Ｆｕｌｌｙ Ｃｏｎｎｅｃｔｅｄ Ｎｅｔｗｏｒｋ （ＦＣＮ）７ｂを含む場合について説明する。なお、第２の実施の形態において、図１、２、３、６は、第１の実施の形態と同様のため、説明を省略する。

ＲＮＮ７ａは、いくつかのｒｅｃｕｒｒｅｎｔ ｌａｙｅｒｓで構成され、それぞれはＬｏｎｇ Ｓｈｏｒｔ Ｔｅｒｍ Ｍｅｍｏｒｙ（ＬＳＴＭ）またはＧａｔｅｄ Ｒｅｃｕｒｒｅｎｔ Ｕｎｉｔ （ＧＲＵ） ｃｅｌｌｓを使用して実装される。ＦＣＮ７ｂは、ＲＮＮ７ａの出力を取り、それを一つの推定値に減らす。

第２の実施の形態における予測モデル２ｄについて、第１の実施の形態で上述した予測モデル２ｄとの相違点を中心に説明する。第１の実施の形態では、予測モデル２ｄに入力されるデータは、ｃ_０〜ｃ_ｎのｎ個の特徴をもった請求データであったが、第２の実施の形態では、次式（６）によって計算された累計損失率Ｒ^{（ｙ，ｋ）}が予測モデル２ｄに入力される。

この累計損失率Ｒ^{（ｙ，ｋ）}は、ｙ年にわたるｋ−１年の累計損失率を表す。また、第２の実施の形態における予測モデル２ｄからの出力は、ｋ年の推定累積損失率Ｅ^Ｋに対応する単一の値となる。なお、本実施の形態では、累計損失集計ユニット２ｅが年Ｙの時点ですでに保険金の支払いが完了しているすべての請求データを用いて既知の累計損失Ｓ（ｙ,ｋ）を算出するとともに、式（６）によって累計損失率Ｒ^{（ｙ，ｋ）}を計算し、累計損失率Ｒ^{（ｙ，ｋ）}の算出結果が予測モデル２ｄに入力されるものとする。

また、第２の実施の形態では、損失項ユニット２ｆにおいて、次式（７）示す平均二乗誤差（ＭＳＥ）の関数を用いて損失項Ｌ（Ｅ，Ｓ）を算出し、損失項Ｌ（Ｅ，Ｓ）の値が最小になるように、予測モデル２ｄの重み値、すなわちニューラルネットワークの重みを調節することによって予測モデル２ｄのトレーニングを行う。

このようにして予測モデル２ｄが訓練、最適化されると、予測モデル２ｄを使用して、未知の累計損失Ｕ（ｙ,ｋ）を推定して、将来必要となる支払準備金を予測することが可能となる。このとき、第２の実施の形態では、未知の累計損失Ｕ（ｙ,ｋ）を得るために、Ｅ^Ｋ×Ｓ（Ｙ，Ｋ−１）の乗算だけが年ＹとＫについて計算される。

図８は、第２の実施の形態における予測モデル２ｄのトレーニング処理の流れを示すフローチャートである。図８に示す処理は、制御装置１０２が記憶媒体１０３に記録されている請求データＣを読み出してトレーニングユニット２ｂに入力すると起動するプログラムとして、制御装置１０２によって実行される。なお、図８においては、第１の実施の形態で上述した図５と処理内容が同じステップには同じステップ番号を付与して説明を省略する。

ステップＳ２１において、制御装置１０２は、累計損失集計ユニット２ｅにおいて、上述したように、年Ｙの時点ですでに保険金の支払いが完了しているすべての請求データを用いて過去の累計損失Ｓ（ｙ,ｋ）、すなわち既知の累計損失Ｓ（ｙ,ｋ）を算出する。また、上述したように、式（６）によって累計損失率Ｒ^{（ｙ，ｋ）}を計算する。その後、ステップＳ３１へ進む。

ステップＳ３１では、制御装置１０２は、予測モデル２ｄにおいて、上述したように、累計損失率Ｒ^{（ｙ，ｋ）}に基づいて推定累積損失率Ｅ^Ｋを予測するための予測処理を実行する。その後、ステップＳ４１へ進む。

ステップＳ４１では、制御装置１０２は、損失項ユニット２ｆにおいて、上述したように、式（７）を用いて、損失項Ｌ（Ｅ，Ｓ）を算出する。その後、ステップＳ５０へ進む。

以上説明した第２の実施の形態によれば、以下のような作用効果を得ることができる。
（１）制御装置１０２は、過去の保険金請求データに基づいて、過去の特定の年を基準に既知の累計損失を算出し、過去の保険金請求データに基づいて、過去の特定の年を基準に累計損失率を算出して、既知の累計損失と累計損失率とに基づいて、保険金の支払いが完了していない請求データを入力すると未知の累計損失を推定して出力するようにニューラルネットワークを学習させるようにした。これによって、既に確定している過去の請求データを用いてニューラルネットワークを学習させることができる。

（２）制御装置１０２は、、既知の累計損失と累計損失率とを用いて定義された平均二乗誤差の関数の値が最小になるようにニューラルネットワークを学習させるようにした。これによって、出力される既知の累計損失と累計損失率とに基づいて、ニューラルネットワークによる支払準備金の予測精度を向上させることができる。

−変形例−
なお、上述した実施の形態の情報処理装置は、以下のように変形することもできる。
（１）上述した第１および第２の実施の形態では、情報処理装置１００はパソコンであって、制御装置１０２が上述した処理を実行する例について説明した。しかしながら、請求データが記録された請求データを別装置として、請求データが記録された装置と情報処理装置１００とをインターネットなどの通信回線を介して接続するようにしてもよい。また、ユーザが操作する操作端末と情報処理装置１００とを別装置として、情報処理装置１００は、操作端末からの指示を受けて支払準備金の予測を行い、予測結果を操作端末へ送信するようにしてもよい。これによって、上述した第１および第２の実施の形態のように、情報処理装置１００をスタンドアロン型の装置として用いてもよいし、請求データが記録された装置や操作端末と情報処理装置１００とを通信回線を介して接続したクライアントサーバー型やクラウド型の情報処理システムを構築することもできる。

（２）上述した第１の実施の形態では、損失項ユニット２ｆでは、既知の累計損失Ｓと未知の累計損失Ｕとの差を測定するための損失項Ｌ（Ｕ，Ｓ）を最小にするように、予測モデル２ｄの重み値、すなわちニューラルネットワークの重みを調節することによって予測モデル２ｄのトレーニングを行う例について説明した。しかしながら、損失項ユニット２ｆでは、既知の累計損失Ｓと未知の累計損失Ｕとの差を測定するための損失項Ｌ（Ｕ，Ｓ）があらかじめ設定された閾値以下になるように、予測モデル２ｄの重み値、すなわちニューラルネットワークの重みを調節することによって予測モデル２ｄのトレーニングを行うようにしてもよい。

（３）上述した第２の実施の形態では、損失項ユニット２ｆでは、損失項Ｌ（Ｅ，Ｓ）の値が最小になるように、予測モデル２ｄの重み値、すなわちニューラルネットワークの重みを調節することによって予測モデル２ｄのトレーニングを行う例について説明した。しかしながら、損失項ユニット２ｆでは、損失項Ｌ（Ｅ，Ｓ）の値があらかじめ設定された閾値以下になるように、予測モデル２ｄの重み値、すなわちニューラルネットワークの重みを調節することによって予測モデル２ｄのトレーニングを行うようにしてもよい。

なお、本発明の特徴的な機能を損なわない限り、本発明は、上述した実施の形態における構成に何ら限定されない。また、上述の実施の形態と複数の変形例を組み合わせた構成としてもよい。

１００ 情報処理装置
１０１ 操作部材
１０２ 制御装置
１０３ 記憶媒体
１０４ 表示装置

Claims (15)

1. ニューラルネットワークを用いて保険会社の支払準備金を予測するための情報処理装置であって、
   過去の保険金請求データに基づいて、保険金の支払いが完了していない請求データを入力すると、保険金の支払いが完了していない請求データに基づく未知の累計損失を推定して出力するように前記ニューラルネットワークを学習させるトレーニング手段と、
   前記トレーニング手段によって学習が完了した前記ニューラルネットワークに、保険金の支払いが完了していない請求データを入力することにより前記未知の累計損失の出力を得て、将来必要となる支払準備金を予測する支払準備金予測手段とを備えることを特徴とする情報処理装置。
2. 請求項１に記載の情報処理装置において、
   過去の保険金請求データに基づいて、過去の特定の年を基準に既知の累計損失を算出する既知の累計損失算出手段と、
   過去の保険金請求データに基づいて、過去の特定の年を基準に未知の累計損失を推定する未知の累計損失推定手段とをさらに備え、
   前記トレーニング手段は、前記既知の累計損失算出手段によって算出された前記既知の累計損失と、前記未知の累計損失推定手段によって算出された前記未知の累計損失とに基づいて、保険金の支払いが完了していない請求データを入力すると前記未知の累計損失を推定して出力するように前記ニューラルネットワークを学習させることを特徴とする情報処理装置。
3. 請求項２に記載の情報処理装置において、
   前記トレーニング手段は、前記既知の累計損失算出手段によって算出された前記既知の累計損失と、前記未知の累計損失推定手段によって推定された前記未知の累計損失との差が最小またはあらかじめ設定された閾値以下になるように前記ニューラルネットワークを学習させることを特徴とする情報処理装置。
4. 請求項１に記載の情報処理装置において、
   過去の保険金請求データに基づいて、過去の特定の年を基準に既知の累計損失を算出する既知の累計損失算出手段と、
   過去の保険金請求データに基づいて、過去の特定の年を基準に累計損失率を算出する累計損失率算出手段とをさらに備え、
   前記トレーニング手段は、前記既知の累計損失算出手段によって算出された前記既知の累計損失と、前記累計損失率算出手段によって算出された前記累計損失率とに基づいて、保険金の支払いが完了していない請求データを入力すると前記未知の累計損失を推定して出力するように前記ニューラルネットワークを学習させることを特徴とする情報処理装置。
5. 請求項４に記載の情報処理装置において、
   前記トレーニング手段は、前記既知の累計損失算出手段によって算出された前記既知の累計損失と、前記累計損失率算出手段によって算出された前記累計損失率とを用いて定義された平均二乗誤差の関数の値が最小またはあらかじめ設定された閾値以下になるように前記ニューラルネットワークを学習させることを特徴とする情報処理装置。
6. ニューラルネットワークを用いて保険会社の支払準備金を予測するための情報処理システムであって、
   過去の保険金請求データに基づいて、保険金の支払いが完了していない請求データを入力すると、保険金の支払いが完了していない請求データに基づく未知の累計損失を推定して出力するように前記ニューラルネットワークを学習させるトレーニング手段と、
   前記トレーニング手段によって学習が完了した前記ニューラルネットワークに、保険金の支払いが完了していない請求データを入力することにより前記未知の累計損失の出力を得て、将来必要となる支払準備金を予測する支払準備金予測手段とを備えることを特徴とする情報処理システム。
7. 請求項６に記載の情報処理システムにおいて、
   過去の保険金請求データに基づいて、過去の特定の年を基準に既知の累計損失を算出する既知の累計損失算出手段と、
   過去の保険金請求データに基づいて、過去の特定の年を基準に未知の累計損失を推定する未知の累計損失推定手段とをさらに備え、
   前記トレーニング手段は、前記既知の累計損失算出手段によって算出された前記既知の累計損失と、前記未知の累計損失推定手段によって推定された前記未知の累計損失とに基づいて、保険金の支払いが完了していない請求データを入力すると前記未知の累計損失を推定して出力するように前記ニューラルネットワークを学習させることを特徴とする情報処理システム。
8. 請求項７に記載の情報処理システムにおいて、
   前記トレーニング手段は、前記既知の累計損失算出手段によって算出された前記既知の累計損失と、前記未知の累計損失推定手段によって推定された前記未知の累計損失との差が最小またはあらかじめ設定された閾値以下になるように前記ニューラルネットワークを学習させることを特徴とする情報処理システム。
9. 請求項６に記載の情報処理システムにおいて、
   過去の保険金請求データに基づいて、過去の特定の年を基準に既知の累計損失を算出する既知の累計損失算出手段と、
   過去の保険金請求データに基づいて、過去の特定の年を基準に累計損失率を算出する累計損失率算出手段とをさらに備え、
   前記トレーニング手段は、前記既知の累計損失算出手段によって算出された前記既知の累計損失と、前記累計損失率算出手段によって算出された前記累計損失率とに基づいて、保険金の支払いが完了していない請求データを入力すると前記未知の累計損失を推定して出力するように前記ニューラルネットワークを学習させることを特徴とする情報処理システム。
10. 請求項９に記載の情報処理システムにおいて、
    前記トレーニング手段は、前記既知の累計損失算出手段によって算出された前記既知の累計損失と、前記累計損失率算出手段によって算出された前記累計損失率とを用いて定義された平均二乗誤差の関数の値が最小またはあらかじめ設定された閾値以下になるように前記ニューラルネットワークを学習させることを特徴とする情報処理システム。
11. ニューラルネットワークを用いて保険会社の支払準備金を予測するために、
    過去の保険金請求データに基づいて、保険金の支払いが完了していない請求データを入力すると、保険金の支払いが完了していない請求データに基づく未知の累計損失を推定して出力するように前記ニューラルネットワークを学習させるトレーニング手順と、
    前記トレーニング手順で学習が完了した前記ニューラルネットワークに、保険金の支払いが完了していない請求データを入力することにより前記未知の累計損失の出力を得て、将来必要となる支払準備金を予測する支払準備金予測手順とをコンピュータに実行させるための情報処理プログラム。
12. 請求項１１に記載の情報処理プログラムにおいて、
    過去の保険金請求データに基づいて、過去の特定の年を基準に既知の累計損失を算出する既知の累計損失算出手順と、
    過去の保険金請求データに基づいて、過去の特定の年を基準に未知の累計損失を推定する未知の累計損失推定手順とをさらに有し、
    前記トレーニング手順は、前記既知の累計損失算出手順で算出した前記既知の累計損失と、前記未知の累計損失推定手順で推定した前記未知の累計損失とに基づいて、保険金の支払いが完了していない請求データを入力すると前記未知の累計損失を推定して出力するように前記ニューラルネットワークを学習させることを特徴とする情報処理プログラム。
13. 請求項１２に記載の情報処理プログラムにおいて、
    前記トレーニング手順は、前記既知の累計損失算出手順で算出した前記既知の累計損失と、前記未知の累計損失推定手順で推定した前記未知の累計損失との差が最小またはあらかじめ設定された閾値以下になるように前記ニューラルネットワークを学習させることを特徴とする情報処理プログラム。
14. 請求項１１に記載の情報処理プログラムにおいて、
    過去の保険金請求データに基づいて、過去の特定の年を基準に既知の累計損失を算出する既知の累計損失算出手順と、
    過去の保険金請求データに基づいて、過去の特定の年を基準に累計損失率を算出する累計損失率算出手順とをさらに有し、
    前記トレーニング手順は、前記既知の累計損失算出手順で算出した前記既知の累計損失と、前記累計損失率算出手順で算出した前記累計損失率とに基づいて、保険金の支払いが完了していない請求データを入力すると前記未知の累計損失を推定して出力するように前記ニューラルネットワークを学習させることを特徴とする情報処理プログラム。
15. 請求項１４に記載の情報処理プログラムにおいて、
    前記トレーニング手順は、前記既知の累計損失算出手順で算出した前記既知の累計損失と、前記累計損失率算出手順で算出した前記累計損失率とを用いて定義された平均二乗誤差の関数の値が最小またはあらかじめ設定された閾値以下になるように前記ニューラルネットワークを学習させることを特徴とする情報処理プログラム。
    
    

Images