KR102530929B1 - 머신러닝과 소프트웨어를 활용한 주택화재보험료 산출 방법 및 장치 - Google Patents
머신러닝과 소프트웨어를 활용한 주택화재보험료 산출 방법 및 장치 Download PDFInfo
- Publication number
- KR102530929B1 KR102530929B1 KR1020220100014A KR20220100014A KR102530929B1 KR 102530929 B1 KR102530929 B1 KR 102530929B1 KR 1020220100014 A KR1020220100014 A KR 1020220100014A KR 20220100014 A KR20220100014 A KR 20220100014A KR 102530929 B1 KR102530929 B1 KR 102530929B1
- Authority
- KR
- South Korea
- Prior art keywords
- insurance
- damage
- information
- value
- model
- Prior art date
Links
- 238000000034 method Methods 0.000 title claims abstract description 38
- 238000010801 machine learning Methods 0.000 title claims abstract description 29
- 238000004891 communication Methods 0.000 claims description 44
- 230000001629 suppression Effects 0.000 claims description 39
- 230000008439 repair process Effects 0.000 claims description 10
- 230000001419 dependent effect Effects 0.000 claims description 9
- 230000003993 interaction Effects 0.000 claims description 8
- 230000008569 process Effects 0.000 claims description 7
- 238000012417 linear regression Methods 0.000 claims description 6
- 238000004422 calculation algorithm Methods 0.000 claims description 5
- 238000013528 artificial neural network Methods 0.000 claims description 4
- 238000004364 calculation method Methods 0.000 description 56
- 238000012549 training Methods 0.000 description 12
- 241001465754 Metazoa Species 0.000 description 9
- 230000006698 induction Effects 0.000 description 9
- 206010000369 Accident Diseases 0.000 description 7
- 230000006870 function Effects 0.000 description 7
- 238000010276 construction Methods 0.000 description 5
- 238000010586 diagram Methods 0.000 description 4
- 238000011156 evaluation Methods 0.000 description 4
- 239000000463 material Substances 0.000 description 4
- 239000000835 fiber Substances 0.000 description 3
- 238000013488 ordinary least square regression Methods 0.000 description 3
- 238000004590 computer program Methods 0.000 description 2
- 230000007423 decrease Effects 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 230000014509 gene expression Effects 0.000 description 2
- 238000010295 mobile communication Methods 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 238000012360 testing method Methods 0.000 description 2
- 238000010200 validation analysis Methods 0.000 description 2
- 101150012579 ADSL gene Proteins 0.000 description 1
- ORILYTVJVMAKLC-UHFFFAOYSA-N Adamantane Natural products C1C(C2)CC3CC1CC2C3 ORILYTVJVMAKLC-UHFFFAOYSA-N 0.000 description 1
- 102100020775 Adenylosuccinate lyase Human genes 0.000 description 1
- 108700040193 Adenylosuccinate lyases Proteins 0.000 description 1
- XUIMIQQOPSSXEZ-UHFFFAOYSA-N Silicon Chemical compound [Si] XUIMIQQOPSSXEZ-UHFFFAOYSA-N 0.000 description 1
- 230000004913 activation Effects 0.000 description 1
- 230000001413 cellular effect Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000013500 data storage Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 239000011521 glass Substances 0.000 description 1
- 230000007774 longterm Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000001151 other effect Effects 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 229910052710 silicon Inorganic materials 0.000 description 1
- 239000010703 silicon Substances 0.000 description 1
- 239000010454 slate Substances 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 238000013179 statistical model Methods 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
Images
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
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
- G06N3/09—Supervised learning
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
- G06N3/0985—Hyperparameter optimisation; Meta-learning; Learning-to-learn
-
- 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
- G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
-
- 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
-
- 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
- G06Q10/20—Administration of product repair or maintenance
-
- 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
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/10—Services
- G06Q50/16—Real estate
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Human Resources & Organizations (AREA)
- Strategic Management (AREA)
- Economics (AREA)
- Tourism & Hospitality (AREA)
- General Business, Economics & Management (AREA)
- Marketing (AREA)
- Health & Medical Sciences (AREA)
- Entrepreneurship & Innovation (AREA)
- General Health & Medical Sciences (AREA)
- Data Mining & Analysis (AREA)
- Quality & Reliability (AREA)
- Operations Research (AREA)
- Finance (AREA)
- Accounting & Taxation (AREA)
- General Engineering & Computer Science (AREA)
- Software Systems (AREA)
- Computational Linguistics (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Biophysics (AREA)
- Mathematical Physics (AREA)
- Evolutionary Computation (AREA)
- Biomedical Technology (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Development Economics (AREA)
- Technology Law (AREA)
- Primary Health Care (AREA)
- Financial Or Insurance-Related Operations Such As Payment And Settlement (AREA)
- Game Theory and Decision Science (AREA)
Abstract
머신러닝과 소프트웨어를 활용한 주택화재보험료 산출 방법 및 장치가 제공된다. 상기 방법은, 다양한 변수를 사용함으로써 사용자에게 보험 목적물에 대한 합리적인 보험료 및 보상액을 제안함으로써, 사용자는 본인의 보험 목적물에 맞는 적정 보험료 및 보험 가입 금액으로 보험 상품을 구매할 수 있다.
Description
본 개시는 머신러닝과 소프트웨어를 활용한 주택화재보험료 산출 방법 및 장치에 관한 것이다.
보험이란 미래에 예측할 수 없는 재난이나 사고의 위험에 대비하고자 생긴 제도이다. 보험은 보장하고자 하는 목적에 따라 다양한 유형으로 분류되는데, 예를 들어 손해 보험, 생명 보험, 특수 보험 등이 있다.
이러한 보험은 보험 목적물의 상태, 종류 등 다양한 조건에 따라 지급해야 할 보험료가 다를 수 있다.
그러나, 종래에는 보험료 계산을 위한 변수를 한정적으로 사용하고 요율 산출 시 고도화된 통계모형을 사용하지 않아, 보험료가 해당 보험 목적물의 조건에 적정하지 않게 산출된다는 문제가 있다. 또한, 실제로 보상되는 금액은 최대 한도보다 적음에도 불구하고, 최대 보상 한도인 보험 가입 금액을 기준으로 보험료를 산정한다는 문제가 있다. 또한, 개별 소비자는 본인의 보험 목적물의 적정 보험 가입 금액이 얼마인지 알기 어려움에도 불구하고, 기존 보험사는 소비자가 스스로 보험 가입 금액을 설정하도록 하는 문제가 있다.
본 개시에 개시된 실시예는 머신러닝과 소프트웨어를 활용한 주택화재보험료 산출 방법 및 장치를 제공하는데 그 목적이 있다.
본 개시가 해결하고자 하는 과제들은 이상에서 언급된 과제로 제한되지 않으며, 언급되지 않은 또 다른 과제들은 아래의 기재로부터 통상의 기술자에게 명확하게 이해될 수 있을 것이다.
상술한 기술적 과제를 달성하기 위한 본 개시에 일 측면에 따른 머신러닝과 소프트웨어를 활용한 주택화재보험료 산출 방법은, 사용자 단말로부터 보험 목적물의 주소 정보를 수신하는 단계, 상기 주소 정보를 이용하여 상기 보험 목적물에 대한 기초 정보 및 화재진압 관련 정보를 생성하는 단계, 상기 사용자 단말로부터 상기 보험 목적물에 대한 외부 요소 정보를 수신하는 단계, 상기 기초 정보, 상기 화재 진압 관련 정보 및 상기 외부 요소 정보를 이용하여 상기 보험 목적물에 대한 사고 빈도를 산출하는 단계, 머신러닝 기반 제1 모델에 상기 기초 정보, 상기 화재 진압 관련 정보 및 상기 외부 요소 정보를 입력하여 상기 보험 목적물에 대한 제1 피해금액 심도 예측값을 출력하는 단계, 머신러닝 기반 제2 모델에 상기 기초 정보, 상기 화재 진압 관련 정보 및 상기 외부 요소 정보를 입력하여 상기 보험 목적물에 대한 제2 피해금액 심도 예측값을 출력하는 단계, 상기 제1 피해금액 심도 예측값 및 상기 제2 피해금액 심도 예측값을 이용하여 상기 보험 목적물에 대한 피해금액 심도를 산출하는 단계 및 상기 사고 빈도 및 상기 피해금액 심도를 이용하여 상기 보험 목적물에 대한 보험료를 산출하는 단계를 포함할 수 있다.
또한, 상기 제1 모델 및 상기 제2 모델은, 과거 기 설정된 기간 동안의 전국 화재 관련 정보 중 각 화재에 대한 주택 정보, 화재 피해 정보 및 화재 피해 금액을 학습 데이터로 활용하고, 상기 학습 데이터 중 건물 용도, 건물 구조조, 바닥 면적, 발화 층, 사용 승인일, 소방서와의 거리, 안전 설비 설치 여부는 설명 변수로서 학습에 활용되고, 상기 학습 데이터 중 부동산 피해 금액 및 동산 피해 금액은 종속 변수로서 학습에 활용될 수 있다.
또한, 상기 제1 모델은, 상기 발화 층과 상기 건물 용도 사이의 교호 작용 및 상기 건물 구조조와 상기 건물 용도 사이의 교호 작용을 설명 변수로 더 활용하여 선형 회귀 기반의 학습을 수행할 수 있다.
또한, 상기 제1 피해금액 심도 예측값 출력 단계는, 상기 보험 목적물에 대한 상기 기초 정보, 상기 화재 진압 관련 정보 및 상기 외부 요소 정보 중에서 상기 제1 모델의 상기 설명 변수에 해당하는 값의 조합을 상기 제1 모델의 인자(argument)로 입력하여 상기 제1 피해금액 심도 예측값을 출력할 수 있다.
또한, 상기 제2 모델은, 초기 설정된 초매개변수(hyperparameter)를 업데이트 하면서 모델 컴파일(compile) 및 피팅(fitting)을 반복하는 인공신경망 기반의 학습을 수행할 수 있다.
또한, 상기 제2 피해금액 심도 예측값 출력 단계는, 상기 보험 목적물에 대한 상기 기초 정보, 상기 화재 진압 관련 정보 및 상기 외부 요소 정보 중에서 상기 제2 모델의 상기 설명 변수에 해당하는 값의 조합을 상기 제2 모델의 인자(argument)로 입력하여 상기 제2 피해금액 심도 예측값을 출력할 수 있다.
또한, 상기 피해금액 심도 산출 단계는, 상기 제1 피해금액 심도 예측값 및 상기 제2 피해금액 심도 예측값의 가중 평균값을 계산하는 단계, 상기 가중 평균값을 기 설정된 최소값 및 기 설정된 최대값과 비교하는 단계, 상기 가중 평균값이 상기 최소값 미만인 경우, 상기 피해금액 심도를 상기 최소값으로 설정하는 단계, 상기 가중 평균값이 상기 최대값 초과인 경우, 상기 피해금액 심도를 상기 최대값으로 설정하는 단계 및 상기 가중 평균값이 상기 최소값 이상이고 상기 최대값 이하인 경우, 상기 피해금액 심도를 상기 가중 평균값으로 설정하는 단계를 포함할 수 있다.
또한, 상기 방법은, 상기 기초 정보를 이용하여 상기 보험 목적물에 대한 보험 가액을 산출하는 단계, 상기 사용자 단말로부터 상기 보험 목적물에 대한 수리 여부를 수신하는 단계, 상기 수리 여부에 기초하여 상기 보험 가액을 조정하는 단계 및 상기 조정된 보험 가액을 상기 보험 목적물에 대한 보장액으로 결정하는 단계를 더 포함할 수 있다.
또한, 본 개시의 다른 측면에 따른 머신러닝과 소프트웨어를 활용한 주택화재보험료 산출 장치는, 사용자 단말과 통신을 수행하는 통신부, 머신러닝과 소프트웨어를 활용한 주택화재보험료 산출을 위한 적어도 하나의 프로세스를 저장하고 있는 메모리 및 상기 프로세스에 따라 동작하는 프로세서를 포함하고, 상기 프로세서는, 상기 통신부를 통해 상기 사용자 단말로부터 보험 목적물의 주소 정보가 수신되면, 상기 주소 정보를 이용하여 상기 보험 목적물에 대한 기초 정보 및 화재진압 관련 정보를 생성하고, 상기 통신부를 통해 상기 사용자 단말로부터 상기 보험 목적물에 대한 외부 요소 정보가 수신되면, 상기 기초 정보, 상기 화재 진압 관련 정보 및 상기 외부 요소 정보를 이용하여 상기 보험 목적물에 대한 사고 빈도를 산출하고, 머신러닝 기반 제1 모델에 상기 기초 정보, 상기 화재 진압 관련 정보 및 상기 외부 요소 정보를 입력하여 상기 보험 목적물에 대한 제1 피해금액 심도 예측값을 출력하고, 머신러닝 기반 제2 모델에 상기 기초 정보, 상기 화재 진압 관련 정보 및 상기 외부 요소 정보를 입력하여 상기 보험 목적물에 대한 제2 피해금액 심도 예측값을 출력하고, 상기 제1 피해금액 심도 예측값 및 상기 제2 피해금액 심도 예측값을 이용하여 상기 보험 목적물에 대한 피해금액 심도를 산출하고, 상기 사고 빈도 및 상기 피해금액 심도를 이용하여 상기 보험 목적물에 대한 보험료를 산출할 수 있다.
이 외에도, 본 개시를 구현하기 위한 실행하기 위한 컴퓨터 판독 가능한 기록 매체에 저장된 컴퓨터 프로그램이 더 제공될 수 있다.
이 외에도, 본 개시를 구현하기 위한 방법을 실행하기 위한 컴퓨터 프로그램을 기록하는 컴퓨터 판독 가능한 기록 매체가 더 제공될 수 있다.
본 개시의 전술한 과제 해결 수단에 의하면, 다양한 변수를 사용함으로써 사용자에게 보험 목적물에 대한 합리적인 보험료 및 보상액을 제안함으로써, 사용자는 본인의 보험 목적물에 맞는 적정 보험료 및 보험 가입 금액으로 보험 상품을 구매할 수 있다.
다른 방식으로 학습된 모델을 각각 사용하여 피해금액 심도 예측값을 각각 산출하고, 복수의 예측값을 이용해 피해금액 심도를 산정함으로써 그 정확도를 높일 수 있다.
본 개시의 효과들은 이상에서 언급된 효과로 제한되지 않으며, 언급되지 않은 또 다른 효과들은 아래의 기재로부터 통상의 기술자에게 명확하게 이해될 수 있을 것이다.
도 1은 본 개시에 따른 주택화재보험료 산출을 제공하는 서비스 시스템을 개략적으로 나타낸 도면이다.
도 2는 본 개시에 따른 주택화재보험료 산출 장치에 포함된 구성을 개략적으로 나타낸 도면이다.
도 3은 본 개시에 따른 보험 목적물에 대한 보험료 산출 방법의 순서도이다.
도 4는 도 3의 단계 S160의 구체적인 방법의 순서도이다.
도 5는 본 개시에 따른 보험 목적물에 대한 보장액 산출 방법의 순서도이다.
도 2는 본 개시에 따른 주택화재보험료 산출 장치에 포함된 구성을 개략적으로 나타낸 도면이다.
도 3은 본 개시에 따른 보험 목적물에 대한 보험료 산출 방법의 순서도이다.
도 4는 도 3의 단계 S160의 구체적인 방법의 순서도이다.
도 5는 본 개시에 따른 보험 목적물에 대한 보장액 산출 방법의 순서도이다.
본 개시 전체에 걸쳐 동일 참조 부호는 동일 구성요소를 지칭한다. 본 개시가 실시예들의 모든 요소들을 설명하는 것은 아니며, 본 개시가 속하는 기술분야에서 일반적인 내용 또는 실시예들 간에 중복되는 내용은 생략한다. 명세서에서 사용되는 ‘부, 모듈, 부재, 블록’이라는 용어는 소프트웨어 또는 하드웨어로 구현될 수 있으며, 실시예들에 따라 복수의 '부, 모듈, 부재, 블록'이 하나의 구성요소로 구현되거나, 하나의 '부, 모듈, 부재, 블록'이 복수의 구성요소들을 포함하는 것도 가능하다.
명세서 전체에서, 어떤 부분이 다른 부분과 "연결"되어 있다고 할 때, 이는 직접적으로 연결되어 있는 경우뿐 아니라, 간접적으로 연결되어 있는 경우를 포함하고, 간접적인 연결은 무선 통신망을 통해 연결되는 것을 포함한다.
또한 어떤 부분이 어떤 구성요소를 "포함"한다고 할 때, 이는 특별히 반대되는 기재가 없는 한 다른 구성요소를 제외하는 것이 아니라 다른 구성요소를 더 포함할 수 있는 것을 의미한다.
명세서 전체에서, 어떤 부재가 다른 부재 "상에" 위치하고 있다고 할 때, 이는 어떤 부재가 다른 부재에 접해 있는 경우뿐 아니라 두 부재 사이에 또 다른 부재가 존재하는 경우도 포함한다.
제 1, 제 2 등의 용어는 하나의 구성요소를 다른 구성요소로부터 구별하기 위해 사용되는 것으로, 구성요소가 전술된 용어들에 의해 제한되는 것은 아니다.
단수의 표현은 문맥상 명백하게 예외가 있지 않는 한, 복수의 표현을 포함한다.
각 단계들에 있어 식별부호는 설명의 편의를 위하여 사용되는 것으로 식별부호는 각 단계들의 순서를 설명하는 것이 아니며, 각 단계들은 문맥상 명백하게 특정 순서를 기재하지 않는 이상 명기된 순서와 다르게 실시될 수 있다.
이하 첨부된 도면들을 참고하여 본 개시의 작용 원리 및 실시예들에 대해 설명한다.
본 명세서에서 '본 개시에 따른 머신러닝과 소프트웨어를 활용한 주택화재보험료 산출 장치'는 연산처리를 수행하여 사용자에게 결과를 제공할 수 있는 다양한 장치들이 모두 포함된다. 예를 들어, 본 개시에 따른 머신러닝과 소프트웨어를 활용한 주택화재보험료 산출 장치는, 컴퓨터, 서버 장치 및 휴대용 단말기를 모두 포함하거나, 또는 어느 하나의 형태가 될 수 있다.
여기에서, 상기 컴퓨터는 예를 들어, 웹 브라우저(WEB Browser)가 탑재된 노트북, 데스크톱(desktop), 랩톱(laptop), 태블릿 PC, 슬레이트 PC 등을 포함할 수 있다.
상기 서버 장치는 외부 장치와 통신을 수행하여 정보를 처리하는 서버로써, 애플리케이션 서버, 컴퓨팅 서버, 데이터베이스 서버, 파일 서버, 게임 서버, 메일 서버, 프록시 서버 및 웹 서버 등을 포함할 수 있다.
상기 휴대용 단말기는 예를 들어, 휴대성과 이동성이 보장되는 무선 통신 장치로서, PCS(Personal Communication System), GSM(Global System for Mobile communications), PDC(Personal Digital Cellular), PHS(Personal Handyphone System), PDA(Personal Digital Assistant), IMT(International Mobile Telecommunication)-2000, CDMA(Code Division Multiple Access)-2000, W-CDMA(W-Code Division Multiple Access), WiBro(Wireless Broadband Internet) 단말, 스마트 폰(Smart Phone) 등과 같은 모든 종류의 핸드헬드(Handheld) 기반의 무선 통신 장치와 시계, 반지, 팔찌, 발찌, 목걸이, 안경, 콘택트 렌즈, 또는 머리 착용형 장치(head-mounted-device(HMD) 등과 같은 웨어러블 장치를 포함할 수 있다.
도 1은 본 개시에 따른 주택화재보험료 산출을 제공하는 서비스 시스템을 개략적으로 나타낸 도면이다.
도 1을 참조하면, 본 발명의 일 실시예에 따른 주택화재보험료 산출을 제공하는 서비스 시스템(1)은, 공공 데이터와 프라이빗 데이터를 기반으로 머신러닝을 진행하여 보험 목적물의 조건에 따른 보험료 및 보장액을 산출할 수 있다.
여기서, 보험 목적물은 사용자가 보유하고 있는 주택일 수 있지만, 이에 제한되지 않고 미래의 사고 또는 재난에 대비하여 보험을 통해 보호하고자 하는 대상은 무엇이든 해당될 수 있다.
도 1을 참조하면, 서비스 시스템(1)은 사용자로부터 보험 목적물에 대한 식별 정보(예를 들어, 주소)를 입력받으면 해당 식별 정보를 기초로 공공 API를 통해 보험 목적물에 대한 공공 데이터(예를 들어, 기초 정보 및 화재진압 관련 정보)를 수집할 수 있다. 서비스 시스템(1)은 사용자로부터 보험 목적물에 대한 프라이빗 데이터(예를 들어, 외부 요인 정보)를 입력받을 수 있다. 서비스 시스템(1)은 이렇게 수집된 데이터들을 이용하여 보험 목적물에 대한 보험료 및 보장액을 산출할 수 있다.
사용자는 자신이 사용하는 단말에 서비스 플랫폼에서 제공하는 어플리케이션을 설치하고 해당 어플리케이션에 회원 가입 및 로그인을 통해 상기 서비스를 이용할 수 있다. 구체적으로, 사용자는 자신의 단말에 설치된 어플리케이션에 보험 대상물의 주소정보 및 이외의 프라이빗 데이터를 입력하여, 보험 대상물에 대한 보험료 및 보장액을 제시받을 수 있다.
본 개시에서, 보험료는 사고 빈도 및 피해금액 심도를 곱하여 산출될 수 있다. 여기서, 사고 빈도는 연간 화재 사고 건수를 국내 총 주택 수로 나눈 값일 수 있다. 사고 빈도, 연간 화재 사고 건수, 국내 총 주택 수는 건물 용도 등의 세부 단위 별로 상이할 수 있다. 예를 들어, 서로 다른 건물 용도인 아파트와 단독주택의 사고 빈도는 서로 다를 수 있다. 구체적으로, 아파트의 사고 빈도는 아파트 연간 화재 사고 건수를 아파트 국내 총 주택 수로 나누어서 계산될 수 있으며, 단독주택의 사고 빈도는 단독주택 연간 화재 사고 건수를 단독주택 국내 총 주택 수로 나누어서 계산될 수 있다.
도 2는 본 개시에 따른 주택화재보험료 산출 장치에 포함된 구성을 개략적으로 나타낸 도면이다. 이하에서 설명할 주택화재보험료 산출 장치(10)(이하, 보험료 산출 장치)는 상술한 서비스 시스템의 서버일 수 있다.
도 2를 참조하면, 보험료 산출 장치(10)는 통신부(12), 메모리(14) 및 프로세서(16)를 포함하고, 프로세서(16)는 보험료 산출부(162), 보장액 산출부(164) 및 학습부(166)를 포함할 수 있다. 여기서, 도 2에 도시된 보험료 산출 장치(10)는 하나의 예시일 뿐이며, 도 2에 도시된 구성요소보다 더 적은 수의 구성요소나 더 많은 구성요소를 포함할 수 있다.
통신부(12)는 상기 보험료 산출 장치(10)와 외부 장치 사이, 상기 보험료 산출 장치(10)와 통신망 사이의 무선 또는 유선 통신을 가능하게 하는 하나 이상의 모듈을 포함할 수 있다. 예를 들어, 유선통신 모듈, 무선통신 모듈, 근거리 통신 모듈, 위치정보 모듈 중 적어도 하나를 포함할 수 있다. 여기서, 외부 장치는 공공기관의 서버 및 사용자의 단말일 수 있지만, 이에 제한되지 않는다.
통신망은 다양한 형태의 통신망이 이용될 수 있으며, 예컨대, WLAN(Wireless LAN), 와이파이(Wi-Fi), 와이브로(Wibro), 와이맥스(Wimax), HSDPA(High Speed Downlink Packet Access) 등의 무선 통신방식 또는 이더넷(Ethernet), xDSL(ADSL, VDSL), HFC(Hybrid Fiber Coax), FTTC(Fiber to The Curb), FTTH(Fiber To The Home) 등의 유선 통신방식이 이용될 수 있다.
한편, 통신망은 상기에 제시된 통신방식에 한정되는 것은 아니며, 상술한 통신방식 이외에도 기타 널리 공지되었거나 향후 개발될 모든 형태의 통신 방식을 포함할 수 있다.
유선 통신 모듈은, 지역 통신(Local Area Network; LAN) 모듈, 광역 통신(Wide Area Network; WAN) 모듈 또는 부가가치 통신(Value Added Network; VAN) 모듈 등 다양한 유선 통신 모듈뿐만 아니라, USB(Universal Serial Bus), HDMI(High Definition Multimedia Interface), DVI(Digital Visual Interface), RS-232(recommended standard232), 전력선 통신, 또는 POTS(plain old telephone service) 등 다양한 케이블 통신 모듈을 포함할 수 있다.
무선 통신 모듈은 와이파이(Wifi) 모듈, 와이브로(Wireless broadband) 모듈 외에도, GSM(global System for Mobile Communication), CDMA(Code Division Multiple Access), WCDMA(Wideband Code Division Multiple Access), UMTS(universal mobile telecommunications system), TDMA(Time Division Multiple Access), LTE(Long Term Evolution), 4G, 5G, 6G 등 다양한 무선 통신 방식을 지원하는 무선 통신 모듈을 포함할 수 있다.
근거리 통신 모듈은 근거리 통신(Short range communication)을 위한 것으로서, 블루투스(Bluetooth™), RFID(Radio Frequency Identification), 적외선 통신(Infrared Data Association; IrDA), UWB(Ultra Wideband), ZigBee, NFC(Near Field Communication), Wi-Fi(Wireless-Fidelity), Wi-Fi Direct, Wireless USB(Wireless Universal Serial Bus) 기술 중 적어도 하나를 이용하여, 근거리 통신을 지원할 수 있다.
메모리(14)는 머신러닝과 소프트웨어를 활용한 주택화재보험료 산출을 위한 적어도 하나의 프로세스를 저장하고 있을 수 있다.
메모리(14)는 본 보험료 산출 장치(10)의 다양한 기능을 지원하는 데이터와, 프로세서(16)의 동작을 위한 프로그램을 저장할 수 있고, 입/출력되는 데이터들(예를 들어, 음악 파일, 정지영상, 동영상 등)을 저장할 수 있고, 본 보험료 산출 장치(10)에서 구동되는 다수의 응용 프로그램(application program 또는 애플리케이션(application)), 본 보험료 산출 장치(10)의 동작을 위한 데이터들, 명령어들을 저장할 수 있다. 이러한 응용 프로그램 중 적어도 일부는, 무선 통신을 통해 외부 서버로부터 다운로드 될 수 있다.
이러한, 메모리(14)는 플래시 메모리 타입(flash memory type), 하드디스크 타입(hard disk type), SSD 타입(Solid State Disk type), SDD 타입(Silicon Disk Drive type), 멀티미디어 카드 마이크로 타입(multimedia card micro type), 카드 타입의 메모리(예를 들어 SD 또는 XD 메모리 등), 램(random access memory; RAM), SRAM(static random access memory), 롬(read-only memory; ROM), EEPROM(electrically erasable programmable read-only memory), PROM(programmable read-only memory), 자기 메모리, 자기 디스크 및 광디스크 중 적어도 하나의 타입의 저장매체를 포함할 수 있다. 또한, 메모리(14)는 본 장치(10)와는 분리되어 있으나, 유선 또는 무선으로 연결된 데이터베이스가 될 수도 있다.
프로세서(16)는 본 보험료 산출 장치(10) 내의 구성요소들의 동작을 제어하기 위한 알고리즘 또는 알고리즘을 재현한 프로그램에 대한 데이터를 저장하는 메모리, 및 메모리에 저장된 데이터를 이용하여 전술한 동작을 수행할 수 있다. 이때, 메모리와 프로세서(16)는 각각 별개의 칩으로 구현될 수 있다. 또는, 메모리와 프로세서(16)는 단일 칩으로 구현될 수도 있다.
또한, 프로세서(16)는 이하의 도 3에서 설명되는 본 개시에 따른 다양한 실시예들을 본 보험료 산출 장치(10) 상에서 구현하기 위하여, 위에서 살펴본 구성요소들을 중 어느 하나 또는 복수를 조합하여 제어할 수 있다.
프로세서(16)는 통신부(12)를 통해 사용자 단말로부터 보험 목적물의 주소 정보가 수신되면, 공공 기관의 API를 통해 주소 정보를 이용하여 보험 목적물에 대한 기초 정보 및 화재진압 관련 정보를 생성할 수 있다. 통신부(12)를 통해 사용자 단말로부터 보험 목적물에 대한 외부 요소 정보가 수신되면, 프로세서(16)의 보험료 산출부(162)는 머신러닝 기반 제1 모델에 상기 기초 정보, 상기 화재 진압 관련 정보 및 상기 외부 요소 정보를 입력하여 상기 보험 목적물에 대한 제1 피해금액 심도 예측값을 출력하고, 머신러닝 기반 제2 모델에 상기 기초 정보, 상기 화재 진압 관련 정보 및 상기 외부 요소 정보를 입력하여 상기 보험 목적물에 대한 제2 피해금액 심도 예측값을 출력할 수 있다.
프로세서(16)의 보험료 산출부(162)는 제1 피해금액 심도 예측값 및 제2 피해금액 심도 예측값을 이용하여 상기 보험 목적물에 대한 피해금액 심도를 산출할 수 있다.
프로세서(16)의 보험료 산출부(162)는 보험 목적물에 대한 기초 정보, 화재 진압 관련 정보 및 보험 목적물에 대한 외부 요소 정보를 이용하여 사고 빈도를 산출할 수 있다.
프로세서(16)의 보험료 산출부(162)는 산출된 피해금액 심도와 사고 빈도를 이용하여 보험 목적물에 대한 보험료를 산출할 수 있다.
프로세서(16)의 보장액 산출부(164)는 보험 목적물에 대한 기초 정보를 이용하여 상기 보험 목적물에 대한 보험 가액을 산출하고, 통신부(12)를 통해 사용자 단말로부터 수신된 보험 목적물에 대한 수리 여부에 기초하여 상기 보험 가액을 조정하고, 조정된 보험 가액을 상기 보험 목적물에 대한 보장액으로 결정할 수 있다.
도 3은 본 개시에 따른 보험 목적물에 대한 보험료 산출 방법의 순서도이다. 도 4는 도 3의 단계 S160의 구체적인 방법의 순서도이다. 도 5는 본 개시에 따른 보험 목적물에 대한 보장액 산출 방법의 순서도이다. 도 3 내지 도 5의 방법은 도 2에 개시된 보험료 산출 장치(10)에 의해 수행될 수 있지만, 이에 제한되지 않고 다른 외부 장치에 의해 수행될 수도 있다.
도 3을 참조하면, 보험료 산출 장치(10)의 프로세서(16)는 통신부(12)를 통해 사용자 단말로부터 보험 목적물의 주소 정보를 수신할 수 있다(S110).
보험료 산출 장치(10)의 프로세서(16)는 상기 주소 정보를 이용하여 상기 보험 목적물에 대한 기초 정보 및 화재진압 관련 정보를 생성할 수 있다(S120).
사용자 단말로부터 수신된 보험 목적물의 주소 정보를 기초로 공공 데이터 API를 활용하여 해당 보험 목적물에 대한 정보를 수집할 수 있다.
여기서, 기초 정보는, 보험 목적물의 건물 용도, 건물 구조조, 바닥 면적, 사용 승인일, 연식, 층수, 단지 최고 층수 등을 포함할 수 있다. 이러한 기초 정보는 등기부등본 API를 통해 수집될 수 있지만, 이에 제한되는 것은 아니다.
화재진압 관련 정보는, 보험 목적물과 소방서 간의 거리, 보험 목적물까지의 소방 출동 소요 시간 등을 포함할 수 있다. 이러한 화재진압 관련 정보는 소방서구역 API를 통해 수집될 수 있지만, 이에 제한되는 것은 아니다.
보험료 산출 장치(10)의 프로세서(16)는 통신부(12)를 통해 상기 사용자 단말로부터 상기 보험 목적물에 대한 외부 요소 정보를 수신할 수 있다(S130).
여기서, 외부 요소 정보는, 보험 목적물의 안전 설비 설치 여부(화재 경보기, 소화기, 스프링클러 등의 설치 여부), 반려 동물 존재 여부, 인덕션 보유 여부 등을 포함할 수 있다. 이러한 외부 요소 정보는 챗봇을 통해 사용자로부터 입력될 수 있지만, 이에 제한되는 것은 아니다.
이렇게 수집된 정보들은 보험 대상물의 사고 빈도 산출 및 각각 다른 방식으로 구축된 제1 모델 및 제2 모델에 적용되어 보험 대상물의 피해금액 심도 산출에 활용될 수 있다.
보험료 산출 장치(10)의 프로세서(16)의 보험료 산출부(162)는 보험 목적물에 대한 사고 빈도를 산출할 수 있다(S140).
구체적으로, 보험료 산출부(162)는 보험 목적물의 기초 정보, 화재 진압 관련 정보 및 외부 요소 정보를 이용하여 사고 빈도를 산출할 수 있다. 상술한 바와 같이, 사고 빈도는 연간 화재 사고 건수를 국내 총 주택 수로 나누어서 계산될 수 있다.
이때, 사고 빈도는 보험 목적물의 건물 용도에 따라 상이하게 산출될 수 있지만, 이에 제한 되지 않고 다양한 세부 단위에 따라 보험 목적물의 사고 빈도는 상이하게 계산될 수 있다. 예를 들어, 서로 다른 건물 용도인 아파트와 단독주택의 사고 빈도는 서로 다를 수 있다. 구체적으로, 아파트의 사고 빈도는 아파트 연간 화재 사고 건수를 아파트 국내 총 주택 수로 나누어서 계산될 수 있으며, 단독주택의 사고 빈도는 단독주택 연간 화재 사고 건수를 단독주택 국내 총 주택 수로 나누어서 계산될 수 있다.
보험료 산출 장치(10)의 프로세서(16)의 보험료 산출부(162)는 머신러닝 기반 제1 모델(1661)에 상기 기초 정보, 상기 화재 진압 관련 정보 및 상기 외부 요소 정보를 입력하여 상기 보험 목적물에 대한 제1 피해금액 심도 예측값을 출력할 수 있다(S150).
보험료 산출 장치(10)의 프로세서(16)의 학습부(166)는 과거 기 설정된 기간 동안의 전국 화재 관련 정보 중 각 화재에 대한 주택 정보, 화재 피해 정보 및 화재 피해 금액을 학습 데이터로 활용하여 제1 모델(1661)을 구축할 수 있다. 예를 들어, 제1 모델(1661)은 지난 3년 동안 전국에서 발생했던 화재 사건에 대한 정보를 학습 데이터로 활용할 수 있다.
이때, 학습 데이터 중 건물 용도, 건물 구조조, 바닥 면적, 발화 층, 사용 승인일, 소방서와의 거리, 안전 설비 설치 여부, 반려 동물 존재 여부, 인덕션 보유 여부는 설명 변수로서 학습에 활용될 수 있다. 또한, 학습 데이터 중 부동산 피해 금액 및 동산 피해 금액는 종속 변수로서 학습에 활용될 수 있다.
실시예에 따라, 제1 모델(1661)은, 발화 층과 건물 용도 사이의 교호 작용 및 건물 구조조와 건물 용도 사이의 교호 작용을 설명 변수로 더 활용하여 학습을 수행할 수 있다.
본 개시의 제1 모델(1661)은 상술한 설명 변수들을 활용하여 상술한 두 개의 종속 변수를 예측함으로써 구축될 수 있다.
구체적으로, 기 설정된 기간 동안의 전국 화재 관련 정보를 전체 표본으로 했을 때, 그 중 적정한 비율(예를 들어, 80퍼센트)을 학습(training) 데이터로, 적정한 비율(예를 들어, 20퍼센트)을 평가(test)데이터로 구분할 수 있다. 상기 적정한 비율(예를 들어, 80퍼센트)의 학습 데이터로 제1 모델의 학습을 수행하고, 상기 적정한 비율(예를 들어, 20퍼센트)의 평가 데이터로 예측 값의 평가를 수행할 수 있다. 이를 통해, 본 개시는 보험가입금액을 기준으로 보험료를 산정했던 기존의 주택화재보험과는 달리, 화재로 인한 실제 피해금액을 기준으로 보험료를 산정할 수가 있게 된다.
본 개시의 제1 모델(1661)은 상술한 학습 데이터(설명 변수 및 종속 변수)를 이용하여 선형 회귀 기반의 학습을 수행할 수 있다. 구체적으로, 상술한 제1 모델(1661)의 학습 데이터에 OLS(Ordinary Least Squares) 방법을 적용하여 선형 회귀 모형 학습을 수행할 수 있다. 그러나, 제1 모델(1661)의 알고리즘은 OLS 에 제한되지 않고, 다양한 선형 회귀 모델의 추정 방법이 적용될 수 있다.
본 개시는 이렇게 구축된 제1 모델(1661)을 통해, 사용자로부터 입력되는 신규 데이터로부터 보험 목적물에 대한 제1 피해금액 심도 예측값을 산출할 수 있다.
단계 S150에서, 보험 목적물에 대한 기초 정보, 화재 진압 관련 정보 및 외부 요소 정보 중에서 제1 모델(1661)의 설명 변수에 해당하는 값의 조합을 제1 모델의 인자(argument)로 입력하여 제1 피해금액 심도 예측값을 출력할 수 있다.
여기서, 보험 목적물에 대한 기초 정보, 화재 진압 관련 정보 및 외부 요소 정보 중에서 제1 모델(1661)의 설명 변수에 해당하는 값은, 건물 용도, 건물 구조조, 바닥 면적, 층수, 사용 승인일, 소방서와의 거리, 안전 설비 설치 여부, 반려 동물 존재 여부, 인덕션 보유 여부를 포함할 수 있다.
제1 피해금액 심도 예측값은 인자로 활용되는 각각의 값에 대해 화재 피해 규모에 영향을 미치는 정도에 따라 가중치를 적용하여 산출될 수 있다.
실시예에 따라, 건물 구조조의 경우, 보험 목적물의 구조조에 포함된 자재의 단열 처리 여부에 따라 상이한 가중치를 적용할 수 있다. 건물 구조조가 단열 처리된 자재로 구성되지 않은 경우가 단열 처리된 자재로 구성된 경우보다 화재 피해 기여도가 더 크기 때문에, 건물 구조조가 단열 처리된 자재로 구성되지 않은 경우에 대해 더 큰 가중치를 적용할 수 있다.
실시예에 따라, 층수의 경우, 보험 목적물의 층수에 따라 상이한 가중치를 적용할 수 있다.
실시예에 따라, 소방서와의 거리의 경우, 보험 목적물과 인근 소방서 간의 거리에 따라 상이한 가중치를 적용할 수 있다. 양자 간의 거리가 먼 경우가 가까운 경우보다 화재 피해 기여도가 더 크기 때문에, 거리가 멀수록 더 큰 가중치를 적용할 수 있다.
실시예에 따라, 안전 설비 설치 여부의 경우, 보험 목적물에 설치된 안전 설비의 개수에 따라 상이한 가중치를 적용할 수 있다. 여기서, 안전 설비는 화재 경보기, 소화기, 스프링클러를 포함할 수 있다. 보험 목적물에 설치된 안전 설비의 개수가 많을수록 화재 피해 기여도가 낮아지기 때문에, 설치된 안전 설비의 개수가 적을수록 더 큰 가중치를 적용할 수 있다.
실시예에 따라, 반려 동물 존재 여부의 경우, 보험 목적물 내에 반려 동물이 존재하는 경우가 존재하지 않는 경우보다 화재 피해 기여도가 더 크기 때문에, 반려 동물이 존재하는 경우 더 큰 가중치를 적용할 수 있다.
실시예에 따라, 인덕션 보유 여부의 경우, 보험 목적물 내에 인덕션이 존재하는 경우가 존재하지 않는 경우 보다 화재 피해 기여도가 더 크기 때문에, 인덕션이 존재하는 경우 더 큰 가중치를 적용할 수 있다.
실시예에 따라, 보험 목적물 내에 반려 동물 및 인덕션이 둘 다 존재하는 경우, 각각 하나씩만 존재하는 경우보다 더 큰 가중치가 적용될 수 있다.
보험료 산출 장치(10)의 프로세서(16)의 보험료 산출부(162)는 머신러닝 기반 제2 모델(1662)에 상기 기초 정보, 상기 화재 진압 관련 정보 및 상기 외부 요소 정보를 입력하여 상기 보험 목적물에 대한 제2 피해금액 심도 예측값을 출력할 수 있다(S160).
보험료 산출 장치(10)의 프로세서(16)의 학습부(166)는 과거 기 설정된 기간 동안의 전국 화재 관련 정보 중 각 화재에 대한 주택 정보, 화재 피해 정보 및 화재 피해 금액을 학습 데이터로 활용하여 제2 모델(1662)을 구축할 수 있다. 예를 들어, 제2 모델(1662)은 지난 3년 동안 전국에서 발생했던 화재 사건에 대한 정보를 학습 데이터로 활용할 수 있다.
이때, 학습 데이터 중 건물 용도, 건물 구조조, 바닥 면적, 발화 층, 사용 승인일, 소방서와의 거리, 안전 설비 설치 여부, 반려 동물 존재 여부, 인덕션 보유 여부는 설명 변수로서 학습에 활용될 수 있다. 또한, 학습 데이터 중 부동산 피해 금액 및 동산 피해 금액는 종속 변수로서 학습에 활용될 수 있다.
본 개시의 제2 모델(1662)은 상술한 설명 변수들을 활용하여 상술한 두 개의 종속 변수를 예측함으로써 구축될 수 있다.
구체적으로, 기 설정된 기간 동안의 전국 화재 관련 정보를 전체 표본으로 했을 때, 그 중 적정한 비율(예를 들어, 80퍼센트)을 학습(training) 데이터로, 적정한 비율(예를 들어, 20퍼센트)을 평가(test)데이터로 구분할 수 있다. 상기 적정한 비율(예를 들어, 80퍼센트)의 학습 데이터로 제1 모델의 학습을 수행하고, 상기 적정한 비율(예를 들어, 20퍼센트)의 평가 데이터로 예측 값의 평가를 수행할 수 있다. 그리고 다시 상기 적정한 비율(예) 80퍼센트)의 학습 데이터 중에서 적정한 비율(예를 들어, 20퍼센트)을 검증(validation) 데이터로 추가 분할하고, 나머지 적정한 비율(예를 들어, 80퍼센트)을 학습 데이터로 지속 사용할 수 있다.
본 개시의 제2 모델(1662)은 상술한 학습 데이터(설명 변수 및 종속 변수)를 이용하여 초기 설정된 초매개변수(hyperparameter)를 업데이트 하면서 모델 컴파일(compile) 및 피팅(fitting)을 반복하는 인공신경망 기반의 학습을 수행할 수 있다.
구체적으로, 상술한 제2 모델(1662)의 구축을 위해, 우선 손실함수(loss function) 설정, 초기 초매개변수(hyperparameter) 설정, batch 분할을 수행할 수 있다. 여기서, 손실함수는 RMSE, RSE, MAE로 설정될 수 있다. 초매개변수는 batch size, learning rate, epoch, units per layer, drop-out rate를 포함할 수 있다. 또한, batch 분할은 상기 초매개변수 중 batch size를 활용하여 데이터를 수개의 batch로 분할하는 것을 의미할 수 있다.
그런 다음, 모델을 구축하고, 모델 컴파일(compile) 및 학습(train)을 수행하고, 초매개변수 조정 및 최종 모형(제2 모델)을 선택할 수 있다. 여기서, 모델 구축은, 상기 초매개변수 중 units per layer를 활용하여 hidden layer를 복수개(1개 내지 5개) 생성하고, activation function을 설정하고(RELU), drop-out layer를 설정하고, output layer를 설정할 수 있다. 모델 컴파일 및 학습은 adam optimizer와 상기 초매개변수 중 learning rate, 상기 설정된 손실함수를 활용하여 모형을 컴파일하고, 상기 학습 데이터에 상기 초매개변수 중 epoch와 상기 검증(validation) 데이터를 활용하여 모형 피팅(fitting)을 수행할 수 있다. 그리고, 초기 설정된 초매개변수를 계속해서 업데이트 하면서 상기 모델 컴파일(compile) 및 학습(train) 과정을 반복하고, 각각에 대해 손실함수를 기록하고, 가장 낮은 손실함수를 기록한 초매개변수의 조합을 최종 모형(제2 모델)로 선택할 수 있다.
본 개시는 이렇게 구축된 제2 모델(1662)을 통해, 사용자로부터 입력되는 신규 데이터로부터 보험 목적물에 대한 제2 피해금액 심도 예측값을 산출할 수 있다.
단계 S160에서, 보험 목적물에 대한 기초 정보, 화재 진압 관련 정보 및 외부 요소 정보 중에서 제2 모델(1662)의 설명 변수에 해당하는 값의 조합을 제2 모델의 인자(argument)로 입력하여 제2 피해금액 심도 예측값을 출력할 수 있다.
제2 피해금액 심도 예측값 산출 시에도 상기 제1 피해금액 심도 예측값 산출과 동일하게 입력되는 인자에 따라 가중치가 적용될 수 있다. 상세한 내용은 상술한 바와 중복되므로 생략하도록 한다.
보험료 산출 장치(10)의 프로세서(16)의 보험료 산출부(162)는 상기 제1 피해금액 심도 예측값 및 상기 제2 피해금액 심도 예측값을 이용하여 상기 보험 목적물에 대한 피해금액 심도를 산출할 수 있다(S170).
구체적으로, 보험료 산출부(162)는 제1 피해금액 심도 예측값 및 상기 제2 피해금액 심도 예측값의 가중 평균값을 계산하고(S171), 상기 가중 평균값을 기 설정된 최소값 및 기 설정된 최대값과 비교하고(S172), 상기 가중 평균값이 상기 최소값 미만인 경우, 상기 피해금액 심도를 상기 최소값으로 설정하고(S173), 상기 가중 평균값이 상기 최대값 초과인 경우, 상기 피해금액 심도를 상기 최대값으로 설정하고(S174), 상기 가중 평균값이 상기 최소값 이상이고 상기 최대값 이하인 경우, 상기 피해금액 심도를 상기 가중 평균값으로 설정할 수 있다(S175).
예를 들어, 최소값이 5이고, 최대값이 10인 경우, 두 예측값의 가중 평균값이 4이면 피해금액 심도는 최소값인 5로 설정될 수 있다. 최소값이 5이고, 최대값이 10인 경우, 두 예측값의 가중 평균값이 12이면 피해금액 심도는 최대값인 10으로 설정될 수 있다. 최소값이 5이고, 최대값이 10인 경우, 두 예측값의 가중 평균값이 7이면 피해금액 심도는 가중 평균값인 7로 설정될 수 있다.
여기서, 최소값 및 최대값은 기 설정된 주기마다 변경될 수 있다. 실시예에 따라, 상기 최소값 및 최대값은 서비스 관리자에 의해 설정될 수도 있지만, 실시예에 따라 기 구축된 제3 모델에 의해 주기마다 자동으로 설정될 수도 있다. 상기 제3 모델은 기 설정된 기간 동안 서비스를 이용한 사용자들의 보험 목적물에 대한 데이터 및 그에 따라 산출된 피해금액 심도 간의 상관관계의 학습, 상기 제1 피해금액 심도 예측값 및 상기 제2 피해금액 심도 예측값의 가중 평균값과 기 설정된 최소값 및 최대값의 비교 결과의 학습을 통해 구축될 수 있다.
보험료 산출 장치(10)의 프로세서(16)의 보험료 산출부(162)는 S140에서 산출된 사고 빈도 및 S170에서 산출된 피해금액 심도를 이용하여 보험 목적물에 대한 보험료를 산출할 수 있다(S180).
구체적으로, 보험료 산출부(162)는 사고 빈도 및 피해금액 심도를 곱하여 보험 목적물에 대한 보험료를 산출할 수 있다.
이상에서는 보험료 산출부(162)가 보험 대상물에 대한 다양한 데이터를 통해 보험 대상물의 피해금액 심도를 산출하는 방법을 설명하였다. 이하에서는 보험료 산출 장치(10)의 프로세서(16)의 보장액 산출부(164)가 보험 대상물의 보상액을 산출하는 방법에 대해 설명하도록 한다.
구체적으로, 보장액 산출부(164)는 상기 기초 정보를 이용하여 상기 보험 목적물에 대한 보험 가액을 산출할 수 있다(S210).
보험 가액은 상기 기초 정보 중 건물 용도, 바닥 면적, 사용 승인일에 기초하여 아래 수학식 1에 의해 산출될 수 있다.
[수학식 1]
보험 가액 = 신축 가액 - 감가상각액(재조달가액)
여기서, 신축 가액은 건물 용도 별 단위 면적당 공사비를 고려하여 계산될 수 있다.
감가상각액은 아래 수학식 2에 의해 산출될 수 있다.
[수학식 2]
감가상각액 = 신축가액(재조달가액) x 80% ÷ 내용연수 x 경과연수
여기서, 내용연수는 건물 구조 별 상이할 수 있다.
보험료 산출 장치(10)의 프로세서(16)는 통신부(12)를 통해 상기 사용자 단말로부터 상기 보험 목적물에 대한 수리 여부를 수신할 수 있다(S220).
보장액 산출부(164)는 상기 수리 여부에 기초하여 상기 보험 가액을 조정할 수 있다(S230).
보장액 산출부(164)는 상기 조정된 보험 가액을 상기 보험 목적물에 대한 보장액으로 결정할 수 있다(S240).
실시예에 따라, 보험 목적물이 수리 경험이 있는 경우, 보험 가액은 기 산출된 액수에서 제1 금액만큼 늘어난 액수로 조정될 수 있다. 여기서, 제1 금액은 수리 금액을 의미할 수 있다.
실시예에 따라, 보험 목적물의 수리 경험이 기 설정된 횟수 이상인 경우, 보험 가액은 기 설정된 제2 금액만큼 늘어난 액수로 조정될 수 있다. 여기서, 제2 금액은 횟수 별 수리 금액을 전부 더한 금액일 수 있지만, 이에 제한되지 않고, 실시예에 따라 제2 금액은 횟수 별 수리 금액의 평균값에 횟수 별 가중치를 곱한 금액일 수 있다.
도 3 내지 도 5는 단계 S110 및 단계 S240을 순차적으로 실행하는 것으로 기재하고 있으나, 이는 본 실시예의 기술 사상을 예시적으로 설명한 것에 불과한 것으로서, 본 실시예가 속하는 기술분야에서 통상의 지식을 가진 자라면 본 실시예의 본질적인 특성에서 벗어나지 않는 범위에서 도 3 내지 도 5에 기재된 순서를 변경하여 실행하거나 단계 S110 및 단계 S240을 병렬적으로 실행하는 것으로 다양하게 수정 및 변형하여 적용 가능할 것이므로, 도 3 내지 도 5는 시계열적인 순서로 한정되는 것은 아니다.
한편, 상술한 설명에서, 단계 S110 및 단계 S240은 본 개시의 구현예에 따라서, 추가적인 단계들로 더 분할되거나, 더 적은 단계들로 조합될 수 있다. 또한, 일부 단계는 필요에 따라 생략될 수도 있고, 단계 간의 순서가 변경될 수도 있다.
한편, 개시된 실시예들은 컴퓨터에 의해 실행 가능한 명령어를 저장하는 기록매체의 형태로 구현될 수 있다. 명령어는 프로그램 코드의 형태로 저장될 수 있으며, 프로세서에 의해 실행되었을 때, 프로그램 모듈을 생성하여 개시된 실시예들의 동작을 수행할 수 있다. 기록매체는 컴퓨터로 읽을 수 있는 기록매체로 구현될 수 있다.
컴퓨터가 읽을 수 있는 기록매체로는 컴퓨터에 의하여 해독될 수 있는 명령어가 저장된 모든 종류의 기록 매체를 포함한다. 예를 들어, ROM(Read Only Memory), RAM(Random Access Memory), 자기 테이프, 자기 디스크, 플래쉬 메모리, 광 데이터 저장장치 등이 있을 수 있다.
이상에서와 같이 첨부된 도면을 참조하여 개시된 실시예들을 설명하였다. 본 개시가 속하는 기술분야에서 통상의 지식을 가진 자는 본 개시의 기술적 사상이나 필수적인 특징을 변경하지 않고도, 개시된 실시예들과 다른 형태로 본 개시가 실시될 수 있음을 이해할 것이다. 개시된 실시예들은 예시적인 것이며, 한정적으로 해석되어서는 안 된다.
1: 시스템
10: 보험료 산출 장치
12: 통신부
14: 메모리
16: 프로세서
162: 보험료 산출부
164: 보장액 산출부
166: 학습부
1661: 제1 모델
1662: 제2 모델
10: 보험료 산출 장치
12: 통신부
14: 메모리
16: 프로세서
162: 보험료 산출부
164: 보장액 산출부
166: 학습부
1661: 제1 모델
1662: 제2 모델
Claims (10)
- 장치에 의해 수행되는 방법에 있어서,
사용자 단말로부터 보험 목적물의 주소 정보를 수신하는 단계;
상기 주소 정보를 이용하여 상기 보험 목적물에 대한 기초 정보 및 화재 진압 관련 정보를 생성하는 단계;
상기 사용자 단말로부터 상기 보험 목적물에 대한 외부 요소 정보를 수신하는 단계;
상기 기초 정보, 상기 화재 진압 관련 정보 및 상기 외부 요소 정보를 이용하여 상기 보험 목적물에 대한 사고 빈도를 산출하는 단계;
머신러닝 기반 제1 모델에 상기 기초 정보, 상기 화재 진압 관련 정보 및 상기 외부 요소 정보를 입력하여 상기 보험 목적물에 대한 제1 피해금액 심도 예측값을 출력하는 단계;
머신러닝 기반 제2 모델에 상기 기초 정보, 상기 화재 진압 관련 정보 및 상기 외부 요소 정보를 입력하여 상기 보험 목적물에 대한 제2 피해금액 심도 예측값을 출력하는 단계;
상기 제1 피해금액 심도 예측값 및 상기 제2 피해금액 심도 예측값을 이용하여 상기 보험 목적물에 대한 피해금액 심도를 산출하는 단계; 및
상기 사고 빈도 및 상기 피해금액 심도를 이용하여 상기 보험 목적물에 대한 보험료를 산출하는 단계;를 포함하고,
상기 기초 정보 및 화재 진압 관련 정보를 생성하는 단계 이후에,
상기 기초 정보를 이용하여 상기 보험 목적물에 대한 보험 가액을 산출하는 단계;
상기 사용자 단말로부터 상기 보험 목적물에 대한 수리 여부를 수신하는 단계;
상기 수리 여부에 기초하여 상기 보험 가액을 조정하는 단계; 및
상기 조정된 보험 가액을 상기 보험 목적물에 대한 보장액으로 결정하는 단계;를 더 포함하고,
상기 제1 모델 및 상기 제2 모델은, 기 설정된 과거 기간 동안의 전국 화재 관련 정보 중 각 화재에 대한 주택 정보, 화재 피해 정보 및 화재 피해 금액을 학습 데이터로 활용하고,
상기 학습 데이터 중 건물 용도, 건물 구조조, 바닥 면적, 발화 층, 사용 승인일, 소방서와의 거리 및 안전 설비 설치 여부는 설명 변수로서 학습에 활용되고, 상기 학습 데이터 중 부동산 피해 금액 및 동산 피해 금액은 종속 변수로서 학습에 활용되고,
상기 제1 모델은, 상기 발화 층과 상기 건물 용도 사이의 교호 작용 및 상기 건물 구조조와 상기 건물 용도 사이의 교호 작용을 설명 변수로 더 활용하여 선형 회귀 기반의 학습을 수행하고,
상기 제2 모델은, 초기 설정된 초매개변수(hyperparameter)를 업데이트 하면서 모델 컴파일(compile) 및 피팅(fitting)을 반복하는 인공신경망 기반의 학습을 수행하고,
상기 피해금액 심도 산출 단계는,
상기 제1 피해금액 심도 예측값 및 상기 제2 피해금액 심도 예측값의 가중 평균값을 계산하는 단계;
상기 가중 평균값을 기 설정된 최소값 및 기 설정된 최대값과 비교하는 단계;
상기 가중 평균값이 상기 최소값 미만인 경우, 상기 피해금액 심도를 상기 최소값으로 설정하는 단계;
상기 가중 평균값이 상기 최대값 초과인 경우, 상기 피해금액 심도를 상기 최대값으로 설정하는 단계; 및
상기 가중 평균값이 상기 최소값 이상이고 상기 최대값 이하인 경우, 상기 피해금액 심도를 상기 가중 평균값으로 설정하는 단계;를 포함하고,
상기 제1 모델 및 상기 제2 모델은, 각각 상이한 알고리즘을 이용하여 상기 제1 피해금액 심도 예측값 및 상기 제2 피해금액 심도 예측값을 각각 출력하는 것이고,
상기 최소값 및 상기 최대값은, 기 구축된 머신러닝 기반 제3 모델에 의해 기 설정된 주기마다 설정되며,
상기 제3 모델은, 기 설정된 기간 동안 서비스를 이용한 복수의 사용자 각각의 보험 목적물에 대한 상기 기초 정보, 상기 화재 진압 관련 정보 및 상기 외부 요소 정보와 상기 피해금액 심도 간의 상관관계의 학습과, 상기 복수의 사용자 각각의 보험 목적물에 대한 상기 가중 평균값과 상기 최소값 및 상기 최대값 간의 비교 결과의 학습을 통해 구축되는,
머신러닝과 소프트웨어를 활용한 주택화재보험료 산출 방법. - 삭제
- 삭제
- 제1 항에 있어서,
상기 제1 피해금액 심도 예측값 출력 단계는,
상기 보험 목적물에 대한 상기 기초 정보, 상기 화재 진압 관련 정보 및 상기 외부 요소 정보 중에서 상기 제1 모델의 상기 설명 변수에 해당하는 값의 조합을 상기 제1 모델의 인자(argument)로 입력하여 상기 제1 피해금액 심도 예측값을 출력하는,
머신러닝과 소프트웨어를 활용한 주택화재보험료 산출 방법. - 삭제
- 제1 항에 있어서,
상기 제2 피해금액 심도 예측값 출력 단계는,
상기 보험 목적물에 대한 상기 기초 정보, 상기 화재 진압 관련 정보 및 상기 외부 요소 정보 중에서 상기 제2 모델의 상기 설명 변수에 해당하는 값의 조합을 상기 제2 모델의 인자(argument)로 입력하여 상기 제2 피해금액 심도 예측값을 출력하는,
머신러닝과 소프트웨어를 활용한 주택화재보험료 산출 방법. - 삭제
- 삭제
- 컴퓨터와 결합되어, 제1 항, 제4 항 및 제6 항 중 어느 한 항의 방법을 실행하기 위해 컴퓨터 판독 가능한 기록 매체에 저장된 프로그램.
- 사용자 단말과 통신을 수행하는 통신부;
머신러닝과 소프트웨어를 활용한 주택화재보험료 산출을 위한 적어도 하나의 프로세스를 저장하고 있는 메모리; 및
상기 프로세스에 따라 동작하는 프로세서;를 포함하고,
상기 프로세서는,
상기 통신부를 통해 상기 사용자 단말로부터 보험 목적물의 주소 정보가 수신되면, 상기 주소 정보를 이용하여 상기 보험 목적물에 대한 기초 정보 및 화재 진압 관련 정보를 생성하고, 상기 통신부를 통해 상기 사용자 단말로부터 상기 보험 목적물에 대한 외부 요소 정보가 수신되면, 상기 기초 정보, 상기 화재 진압 관련 정보 및 상기 외부 요소 정보를 이용하여 상기 보험 목적물에 대한 사고 빈도를 산출하고, 머신러닝 기반 제1 모델에 상기 기초 정보, 상기 화재 진압 관련 정보 및 상기 외부 요소 정보를 입력하여 상기 보험 목적물에 대한 제1 피해금액 심도 예측값을 출력하고, 머신러닝 기반 제2 모델에 상기 기초 정보, 상기 화재 진압 관련 정보 및 상기 외부 요소 정보를 입력하여 상기 보험 목적물에 대한 제2 피해금액 심도 예측값을 출력하고, 상기 제1 피해금액 심도 예측값 및 상기 제2 피해금액 심도 예측값을 이용하여 상기 보험 목적물에 대한 피해금액 심도를 산출하고, 상기 사고 빈도 및 상기 피해금액 심도를 이용하여 상기 보험 목적물에 대한 보험료를 산출하고,
상기 프로세서는, 상기 기초 정보 및 화재 진압 관련 정보를 생성한 이후에,
상기 기초 정보를 이용하여 상기 보험 목적물에 대한 보험 가액을 산출하고, 상기 사용자 단말로부터 상기 보험 목적물에 대한 수리 여부를 수신하고, 상기 수리 여부에 기초하여 상기 보험 가액을 조정하고, 상기 조정된 보험 가액을 상기 보험 목적물에 대한 보장액으로 결정하고,
상기 제1 모델 및 상기 제2 모델은, 기 설정된 과거 기간 동안의 전국 화재 관련 정보 중 각 화재에 대한 주택 정보, 화재 피해 정보 및 화재 피해 금액을 학습 데이터로 활용하고,
상기 학습 데이터 중 건물 용도, 건물 구조조, 바닥 면적, 발화 층, 사용 승인일, 소방서와의 거리 및 안전 설비 설치 여부는 설명 변수로서 학습에 활용되고, 상기 학습 데이터 중 부동산 피해 금액 및 동산 피해 금액은 종속 변수로서 학습에 활용되고,
상기 제1 모델은, 상기 발화 층과 상기 건물 용도 사이의 교호 작용 및 상기 건물 구조조와 상기 건물 용도 사이의 교호 작용을 설명 변수로 더 활용하여 선형 회귀 기반의 학습을 수행하고,
상기 제2 모델은, 초기 설정된 초매개변수(hyperparameter)를 업데이트 하면서 모델 컴파일(compile) 및 피팅(fitting)을 반복하는 인공신경망 기반의 학습을 수행하고,
상기 프로세서는, 상기 피해금액 심도 산출 시에,
상기 제1 피해금액 심도 예측값 및 상기 제2 피해금액 심도 예측값의 가중 평균값을 계산하고, 상기 가중 평균값을 기 설정된 최소값 및 기 설정된 최대값과 비교하고, 상기 가중 평균값이 상기 최소값 미만인 경우, 상기 피해금액 심도를 상기 최소값으로 설정하고, 상기 가중 평균값이 상기 최대값 초과인 경우, 상기 피해금액 심도를 상기 최대값으로 설정하고, 상기 가중 평균값이 상기 최소값 이상이고 상기 최대값 이하인 경우, 상기 피해금액 심도를 상기 가중 평균값으로 설정하고,
상기 제1 모델 및 상기 제2 모델은, 각각 상이한 알고리즘을 이용하여 상기 제1 피해금액 심도 예측값 및 상기 제2 피해금액 심도 예측값을 각각 출력하는 것이고,
상기 최소값 및 상기 최대값은, 기 구축된 머신러닝 기반 제3 모델에 의해 기 설정된 주기마다 설정되며,
상기 제3 모델은, 기 설정된 기간 동안 서비스를 이용한 복수의 사용자 각각의 보험 목적물에 대한 상기 기초 정보, 상기 화재 진압 관련 정보 및 상기 외부 요소 정보와 상기 피해금액 심도 간의 상관관계의 학습과, 상기 복수의 사용자 각각의 보험 목적물에 대한 상기 가중 평균값과 상기 최소값 및 상기 최대값 간의 비교 결과의 학습을 통해 구축되는,
머신러닝과 소프트웨어를 활용한 주택화재보험료 산출 장치.
Priority Applications (2)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| KR1020220100014A KR102530929B1 (ko) | 2022-08-10 | 2022-08-10 | 머신러닝과 소프트웨어를 활용한 주택화재보험료 산출 방법 및 장치 |
| KR1020230058257A KR20240021688A (ko) | 2022-08-10 | 2023-05-04 | 자동화 시스템 기반의 보험 목적물의 보장액 산출 방법 및 장치 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| KR1020220100014A KR102530929B1 (ko) | 2022-08-10 | 2022-08-10 | 머신러닝과 소프트웨어를 활용한 주택화재보험료 산출 방법 및 장치 |
Related Child Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| KR1020230058257A Division KR20240021688A (ko) | 2022-08-10 | 2023-05-04 | 자동화 시스템 기반의 보험 목적물의 보장액 산출 방법 및 장치 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| KR102530929B1 true KR102530929B1 (ko) | 2023-05-10 |
Family
ID=86386021
Family Applications (2)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| KR1020220100014A KR102530929B1 (ko) | 2022-08-10 | 2022-08-10 | 머신러닝과 소프트웨어를 활용한 주택화재보험료 산출 방법 및 장치 |
| KR1020230058257A KR20240021688A (ko) | 2022-08-10 | 2023-05-04 | 자동화 시스템 기반의 보험 목적물의 보장액 산출 방법 및 장치 |
Family Applications After (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| KR1020230058257A KR20240021688A (ko) | 2022-08-10 | 2023-05-04 | 자동화 시스템 기반의 보험 목적물의 보장액 산출 방법 및 장치 |
Country Status (1)
| Country | Link |
|---|---|
| KR (2) | KR102530929B1 (ko) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117876362A (zh) * | 2024-03-11 | 2024-04-12 | 国任财产保险股份有限公司 | 一种基于深度学习的自然灾害损失评估方法及装置 |
Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR101630171B1 (ko) * | 2014-05-15 | 2016-06-14 | 주식회사 엘아이지시스템 | 화재 위험 지수를 이용한 화재 위험 평가 시스템, 방법, 및 상기 방법을 실행시키기 위한 컴퓨터 판독 가능한 프로그램을 기록한 매체 |
| KR20190090942A (ko) | 2018-01-26 | 2019-08-05 | (주)엠포러스 | 운전 패턴 기반 자동차 보험료 산출 시스템 및 그 방법 |
| KR102298860B1 (ko) * | 2019-03-26 | 2021-09-07 | 김재영 | 전사적 자원 관리 시스템 |
| KR102329428B1 (ko) * | 2020-07-22 | 2021-11-24 | 주식회사 업데이터 | 딥러닝을 활용한 건물단위 화재 위험도 예측 장치 및 이를 이용한 방법 |
| KR20220076066A (ko) * | 2020-11-30 | 2022-06-08 | 주식회사 업데이터 | Ａｉ 건물화재 위험도 모델 활용 화재보험 비대면 역경매 서비스 시스템 및 방법 |
| KR20220082529A (ko) * | 2020-12-10 | 2022-06-17 | 전성호 | 공간 안전 지수를 이용한 화재 안전 관리 시스템, 방법, 및 상기 방법을 실행시키기 위한 컴퓨터 판독 가능한 프로그램을 기록한 기록 매체 |
-
2022
- 2022-08-10 KR KR1020220100014A patent/KR102530929B1/ko active IP Right Grant
-
2023
- 2023-05-04 KR KR1020230058257A patent/KR20240021688A/ko unknown
Patent Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR101630171B1 (ko) * | 2014-05-15 | 2016-06-14 | 주식회사 엘아이지시스템 | 화재 위험 지수를 이용한 화재 위험 평가 시스템, 방법, 및 상기 방법을 실행시키기 위한 컴퓨터 판독 가능한 프로그램을 기록한 매체 |
| KR20190090942A (ko) | 2018-01-26 | 2019-08-05 | (주)엠포러스 | 운전 패턴 기반 자동차 보험료 산출 시스템 및 그 방법 |
| KR102298860B1 (ko) * | 2019-03-26 | 2021-09-07 | 김재영 | 전사적 자원 관리 시스템 |
| KR102329428B1 (ko) * | 2020-07-22 | 2021-11-24 | 주식회사 업데이터 | 딥러닝을 활용한 건물단위 화재 위험도 예측 장치 및 이를 이용한 방법 |
| KR20220076066A (ko) * | 2020-11-30 | 2022-06-08 | 주식회사 업데이터 | Ａｉ 건물화재 위험도 모델 활용 화재보험 비대면 역경매 서비스 시스템 및 방법 |
| KR20220082529A (ko) * | 2020-12-10 | 2022-06-17 | 전성호 | 공간 안전 지수를 이용한 화재 안전 관리 시스템, 방법, 및 상기 방법을 실행시키기 위한 컴퓨터 판독 가능한 프로그램을 기록한 기록 매체 |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117876362A (zh) * | 2024-03-11 | 2024-04-12 | 国任财产保险股份有限公司 | 一种基于深度学习的自然灾害损失评估方法及装置 |
| CN117876362B (zh) * | 2024-03-11 | 2024-05-28 | 国任财产保险股份有限公司 | 一种基于深度学习的自然灾害损失评估方法及装置 |
Also Published As
| Publication number | Publication date |
|---|---|
| KR20240021688A (ko) | 2024-02-19 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Nordhaus | Revisiting the social cost of carbon | |
| US20200125745A1 (en) | Secret sharing with no trusted initializer | |
| US11537847B2 (en) | Time series forecasting to determine relative causal impact | |
| Diabat et al. | Supply chain risk management and its mitigation in a food industry | |
| US20150088955A1 (en) | Mobile application daily user engagement scores and user profiles | |
| Seyedshohadaie et al. | Risk-based maintenance and rehabilitation decisions for transportation infrastructure networks | |
| US20210073915A1 (en) | Event-driven natural catastrophe modeling and model refinement for insurance and risk management | |
| KR102530929B1 (ko) | 머신러닝과 소프트웨어를 활용한 주택화재보험료 산출 방법 및 장치 | |
| Thekdi et al. | Quantification of scenarios and stakeholders influencing priorities for risk mitigation in infrastructure systems | |
| CN107517251B (zh) | 信息推送方法和装置 | |
| WO2017088026A1 (en) | Computer-implemented frameworks and methodologies configured to enable delivery of content and/or user interface functionality based on monitoring of activity in a user interface environment and/or control access to services delivered in an online environment responsive to operation of a risk assessment protocol | |
| US10229361B2 (en) | Incident prediction system | |
| US10672058B2 (en) | Secret sharing with a trusted initializer | |
| Quiel et al. | Performance-based framework for quantifying structural resilience to blast-induced damage | |
| US20170357922A1 (en) | Personalized behavior-driven dynamic risk management with constrained service capacity | |
| Bucki et al. | The Method of Logistic Optimization in E-commerce. | |
| KR102231709B1 (ko) | 전자 장치 및 그의 동작 방법 | |
| Meena et al. | Mitigating the risks of supply disruption under stochastic demand | |
| US8560827B1 (en) | Automatically determining configuration parameters for a system based on business objectives | |
| KR20220053131A (ko) | 딥러닝을 활용한 인플루언서와 기업의 매칭 방법 및 그 서버 | |
| KR102010031B1 (ko) | 게임 지표 정보 예측 방법 및 장치 | |
| KR101927317B1 (ko) | 부채 관리 능력 평가 방법 및 장치 | |
| US20190213622A1 (en) | Secure and remote dynamic requirements matching | |
| Rhee et al. | Fixed-to-mobile call substitution and telephony market definition in Korea | |
| Liu et al. | Predicting construction accidents on sites: An improved atomic search optimization algorithm approach |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| E701 | Decision to grant or registration of patent right | ||
| A107 | Divisional application of patent | ||
| GRNT | Written decision to grant |