TW201905773A

TW201905773A - 車險風險預測方法、裝置及伺服器

Info

Publication number: TW201905773A
Application number: TW107107416A
Authority: TW
Inventors: 雷宇翔; 李冠如; 丁煒; 黃靖; 譚純平; 陳詩奕; 施鳴騫; 趙沛霖; 李龍飛; 張志強
Original assignee: 香港商阿里巴巴集團服務有限公司
Priority date: 2017-06-30
Filing date: 2018-03-06
Publication date: 2019-02-01
Also published as: US20190005586A1; TWI746814B; US11244402B2; CN107292528A; PH12019501207A1; WO2019006373A1; MY195623A

Abstract

本說明書實施例提供一種車險風險預測方法、裝置及伺服器。該方法的一個實施例可以包括：獲取車險用戶的人屬性特徵資訊，該人屬性特徵資訊包括自然人的自然屬性資訊、社會屬性資訊、行為資料中的至少一種資訊資料；利用預先構建的車險風險預測演算法對該人屬性特徵資訊進行處理，得到該車險用戶的車險風險預測結果。

Description

車險風險預測方法、裝置及伺服器

本說明書實施例屬於電腦資料處理技術領域，尤其涉及一種車險風險預測方法、裝置及伺服器。

隨著車輛保有量的逐年增加，各保險公司的車險業務量也隨之增加。如何對被保險車輛進行準確的車險風險評估，以制定合理的車輛承保、定價、服務項目等車險保險業務，是保險公司重要的研究方向之一。　　目前，保險公司主要依靠車輛自身的屬性資訊進行定價建模，針對不同的被保險車輛情況制定相應車險業務，提供給用戶。例如，根據被保險車輛的外觀新舊度、車輛使用年限、車輛里程等。實際的車輛保險業務中，影響車輛是否出險以及出險費用的因素還可以包括其他方面，如車輛所在地的自然環境、經常駕駛路況等。因此，業內還需要更加全面、準確的預測車險風險的解決方案。

本說明書的一個或多個實施例目的在於提供一種車險風險預測方法、裝置及伺服器，可以使用車險用戶的人屬性資訊進行車險風險預測，提供更加全面、準確、可靠的車輛風險預測依據，整體上提高車險風險評估的準確性和可靠性。　　本說明書的一個或多個提供的一種車險風險預測方法、裝置及伺服器是包括以下方式實現的：　　一種車險風險預測方法，該方法包括：　　獲取車險用戶的人屬性特徵資訊，該人屬性特徵資訊包括自然人的自然屬性資訊、社會屬性資訊、行為資料中的至少一種資訊資料；　　利用預先構建的車險風險預測演算法對該人屬性特徵資訊進行處理，得到該車險用戶的車險風險預測結果。　　一種車險風險預測裝置，該裝置包括：　　人屬性特徵獲取模組，用於獲取車險用戶的人屬性特徵資訊，該人屬性特徵資訊包括自然人的自然屬性資訊、社會屬性資訊、行為資料中的至少一種資訊資料；　　風險預測模組，用於利用預先構建的車險風險預測演算法對該人屬性特徵資訊進行處理，得到該車險用戶的車險風險預測結果。　　一種車險風險預測裝置，該裝置包括處理器以及用於儲存處理器可執行指令的記憶體，該處理器執行該指令時實現：　　獲取車險用戶的人屬性特徵資訊，該人屬性特徵資訊包括自然人的自然屬性資訊、社會屬性資訊、行為資料中的至少一種資訊資料；　　利用預先構建的車險風險預測演算法對該人屬性特徵資訊進行處理，得到該車險用戶的車險風險預測結果。　　一種伺服器，包括至少一個處理器以及用於儲存處理器可執行指令的記憶體，該處理器執行該指令時實現本說明書實施例任意一個方法所述的資料處理步驟。　　本說明書實施例提供的一種車險風險預測方法、裝置及伺服器，可以利用預先採集整理的人屬性特徵資訊建立車險風險預測演算法，利用預先構建的車險風險預測算對被預測的車險用戶的人屬性特徵資訊進行處理，從自然人的角度預測車險用戶對車輛風險的影響。在實際車輛使用中，人的因素影響對車輛是否出險以及出險的具體賠付金額等車險業務影響通常較大，而本說明書實施例提供的實施方案，使用人的屬性特徵資訊進行車輛風險預測，提供更加準確、可靠的車險風險評估依據，可以有效提高車險風險評估的準確性和可靠性。

為了使本技術領域的人員更好地理解本說明書中的技術方案，下面將結合本說明書實施例中的圖式，對本說明書實施例中的技術方案進行清楚、完整地描述，顯然，所描述的實施例僅僅是本說明書一部分實施例，而不是全部的實施例。基於本說明書中的實施例，本領域普通技術人員在沒有作出創造性勞動前提下所獲得的所有其他實施例，都應當屬於本說明書保護的範圍。　　雖然本說明書提供了如下述實施例或圖式所示的方法操作步驟或裝置結構，但基於常規或者無需創造性的勞動在該方法或裝置中可以包括更多或者部分合併後更少的操作步驟或模組單元。在邏輯性上不存在必要因果關係的步驟或結構中，這些步驟的執行順序或裝置的模組結構不限於本說明書一個或多個實施例或圖式所示的執行順序或模組結構。所述的方法或模組結構的在實際中的裝置、伺服器或終端產品應用時，可以按照實施例或者圖式所示的方法或模組結構進行順序執行或者並行執行（例如並行處理器或者多線程處理的環境、甚至包括分布式處理、伺服器集群的實施環境）。　　本說明書一個或多個實施例可以在多種車輛風險預測的業務系統中實施。所述的業務系統可以包括保險公司車險風險評估的業務系統，也可以包括提供車險風險預測服務的第三方服務系統，如為保險公司提供車險用戶的車險風險評估分值的服務方。本說明書提供的一個或多個實施例在業務系統中具體實施時，可以預先採集（收集）車險用戶的人屬性特徵資訊，可以對這些採集的人屬性特徵資訊進行預處理，然後選取適用於業務場景的車險風險預測演算法進行建模、訓練等。建模或訓練後的車險風險預測演算法可以用來對被預測的車險用戶進行車險風險預測。所述的車險風險預測演算法可以根據業務場景需求選取相應的線性預測模型、網路預測模型、計算公式或者自定義擬合的演算法等。選取的車險風險預測演算法可以直接使用，進行車險風險預測，也可以經過人屬性特徵資訊的樣本資料訓練後構建生成。　　所述的車險風險預測演算法可以輸出車險用戶的車險風險預測結果，具體的可以包括表示車險用戶車險風險高低的分值、發生風險種類、出險的概率值、賠付金額區間、所屬風險人群等類型的車險風險預測結果。圖1是本說明書提供的一個實施例實現車險風險預測的實施場景示意圖。如圖1所示，可以根據保險公司提供的保單資料獲取與人屬性特徵資訊相關的變量，以這些變量作為模型訓練的樣本變量。一般的，保險公司一側可以記錄有車險用戶一些資訊資料，如填寫的保單資料，具體的可以包括車主用戶的姓名、證件類型及證件號碼、手機號碼等。這些樣本變量經過整理後可以使用廣義線性模型進行建模，構建車險風險預測模型，然後可以使用該模型進行預測，輸出表示車險用戶車險風險高低的分值。　　本說明書提供的一種車險風險預測方法具體的一個實施例如圖2所示，所述方法可以包括：　　S2：獲取車險用戶的人屬性特徵資訊，該人屬性特徵資訊可以包括基於自然人的自然屬性資訊、社會屬性資訊、行為資料中的至少一種資訊資料；　　S4：利用預先構建的車險風險預測演算法對該人屬性特徵資訊進行處理，得到該車險用戶的車險風險預測結果。　　所述的人屬性特徵資訊可以包括與人的屬性相關聯的資訊，或者與人的行為相關聯的資料。這裡所述的人通常指自然人，如車輛的車主用戶。所述的人特徵屬性資訊具體的可以包括身體特質資訊、年齡、性別、職位資訊、性格資訊、消費信用、駕駛行為等多種類型的資料資訊。本說明書實施例基於車險用戶為自然人的事實基礎，將人的因素使用到車險風險預測中，可以根據不同車險用戶的人屬性特徵資訊，相應的預測得到車險用戶的車險風險預測結果。　　本說明書實施例中所述的車險用戶的人屬性特徵資訊具體的可以包括自然人的自然屬性資訊，如年齡、性別、身體狀況等與人自身的生物特性關聯的屬性資訊。車險用戶的社會屬性資訊可以包括自然人作為社會存在物而具有的特徵，如勞動、社交等及其所形成的各種社會關係等，具體的資訊資料例如可以包括職位、職業、消費情況、信用情況等。所述的行為資料可以包括統計的車險用戶的某種行為產生的資料資訊，例如駕駛習慣等。當然，基於上述實施例中人屬性特徵資訊的分類，其他的實施例中也可以採用其他維度的分類方式，例如可以將行為資料歸屬為社會屬性資訊種類，或者一些資訊資料可以屬於自然屬性資訊也可以屬於社會屬性資訊，或者直接指定人屬性特徵資訊包括的類別，如消費習慣、身份特質、信用歷史等。　　本說明書實施例所述的車險用戶在車險業務中通常可以包括被保險車輛的註冊登記的實際所有人，如車主用戶。本說明書實施例所述的車險用戶更為廣泛的意義上可以包括車險業務中例如上述所述的車主用戶，或者包括車險業務的一個或多個投保人，也可以包括車險業務中一個或多個的受保人/受益人，如車險用戶可以包括車主用戶U1以及其直系親屬U11。另一種實施場景中，車主用戶為法人時，該車險用戶可以為法人代表（自然人），在另一些情況下，甚至可以包括車輛的共同乘坐人。本說明書實施例所述的車險用戶可以不限制於參與車險業務的車主用戶，這樣可以更加全面的考慮車險風險所涉及的利益相關方，獲取的風險預測資料可以更加全面，預測結果更加準確、可靠。　　在本說明書實施例中，可以預先採集獲取用戶車險風險預測使用的預定類型的人特徵屬性樣本資料，這些樣本資料可以用於構建車險風險預測演算法或訓練模型等。具體的，本說明書提供的一個或多個實施例中，該預設類型的該人屬性特徵樣本可以包括下述中至少一個類型的變量資料：　　駕駛習慣、職業特性、身份特質、信用歷史、消費習慣、穩定性。　　在一個具體的示例中，可以設置採集下述類型的人屬性特徵資訊：　　消費習慣；　　生活穩定性、收入穩定性；　　職業特性；　　身份特質；　　信用歷史；　　駕駛習慣、偏好。　　當然，具體的業務場景實施中，可以根據車險風險評估的需求採集上述其中的一項或多個，或者還包括其他類型的人屬性特徵資訊。這些人屬性特徵資訊可以通過車險業務保單資料獲取，也可以在獲得授權的情況下通過終端應用採集獲取，或者接收第三方提供的資料資訊中獲取。其中，上述所述的生活穩定性可以基於車險用戶的居住城市遷移情況、職業情況等資料獲取/計算得到，該人格穩定性可以基於車險用戶的病史、信用記錄、社交資訊等資料獲取/計算得到。所述的駕駛習慣、偏好，可以包括通過手機傳感器、車載傳感器檢測出的駕駛習慣，如時速20公里以上時，可以判斷為開車中。當然，也可以從其它已有的導航類應用中通過介面獲取駕駛習慣的資料資訊。上述類型的變量資訊可以從多個維度，更加全面的獲取人屬性特徵資訊，使得車險風險預測結果更加可靠。　　上述中所述的每個類型的人屬性特徵資訊可以包括對應的一個或多個變量，變量可以有對應的取值。例如信用歷史這一類別的人屬性特徵資訊可以包括車險用戶的信用卡信用、銀行信用，對應的變量和取值可以設置為“hon_card：100分”、“hon_bank：95分”的資料格式。　　在獲取該人屬性特徵資訊的變量資料之後，還可以對該變量資料進行整理處理，進一步根據設置的整理規則挖掘、補充變量資料。本說明書提供的一個實施例中，該整理處理可以包括下述中的至少一項處理：　　設置該變量資料的權重；　　對該變量資料中的殘缺值進行補充；　　確定屬於重複變量資料的資料使用選擇方式；　　該變量資料之間的交互效應處理；　　基於該變量資料生成新的變量資料；　　相應的，該利用預先構建的車險風險預測演算法對該人屬性特徵資訊進行處理包括利用預先構建的車險風險預測演算法對包括該整理處理後的變量資料進行處理。　　對於不同的業務場景中，不同的變量資料可以對車險風險有著不同的影響。例如，對於車險公司A的某些業務需求而言，採集獲取的駕駛習慣類型的變量資料可以更加直接反應車險用戶的車輛駕駛風險，對車險業務影響較大，則可以設置駕駛習慣類型的變換資料的權重相對較大。一些業務場景需求下，還可以根據設置的變量權重對該變量資料進行排序，如權重較大的變量資料相應的位於隊列靠前的位置，在資料使用時可以優先使用權重較大的變量資料，或者展示/體現出重要的變量資料。　　在一些應用場景中，部分變量資料可能存在殘缺值的情況，如採集的某個車險用戶的變量的值為空或異常值，則可以根據需求對其補充為預設值。　　另一些應用場景中，可能會採集重複類型的變量資料，如不同資料源獲取的信用類型的變量資料，則可以設置優先使用哪一個變量資料。　　所述的整理處理還可以包括多變量之間交互效應的挖掘處理。所述的交互效應簡通常是指多個變量的疊加效應，比如年齡和性別可以組成一個交叉變量。如果是兩個單變量，所得到的結果之一可以包括，在所有年齡段，男性的風險是大於或者小於女性的。但在實際的車險業務中，一些業務場景需求下可以判定並不是在所有年齡段，男性的車險風險是大於女性的，在有的年齡段，女性的車險風險要大於男性。此時可以根據年齡和性別的變量交互得到一個交叉變量，表示某種性別的某個年齡段，可以用來預測例如男性在25-30年齡段的車險風險情況。　　其他的整理處理方式中，還可以包括多個變量的融合、合併等，或者經過融合、合併、變換等處理衍生出新的變量數量。例如可以根據車險用戶在企業中的職位衍生出職位信用的變量資料。　　本說明書一個或多個實施例中，當完成變量整理和挖掘之後，可以選取適用於業務場景的車險風險預測演算法進行建模、訓練等。建模或訓練後的車險風險預測演算法可以用來對被預測的車險用戶進行車險風險預測。如上述所述，所述的車險風險預測演算法可以根據業務場景需求選取相應的線性預測模型、網路預測模型、計算公式或者自定義擬合的演算法等。預測模型可以經過人屬性特徵資訊的樣本資料訓練後構建生成車險風險預測模型。本說明書提供的一個或多個實施例中，可以使用廣義線性模型（generalized linear model，GLM）進行建模，模型的結果可以反映從人因素對於車險風險的影響。具體的，本說明書一個或多個實施例提供的一種車險風險預測方法中，該車險風險預測演算法可以包括採用下述方式構建生成的預測模型：　　S20：採集預設類型的人屬性特徵樣本；　　S22：確定使用的廣義線性模型以及該廣義線性模型的建模目標；　　S24：以包括該人屬性特徵樣本的資料作為廣義線性模型的輸入，對該建模目標進行建模，確定車險風險預測模型，該車險風險預測模型包括至少一項表示車險用戶的車險風險高低的輸出結果。　　圖3是本說明書提供的所述方法中一種構建預測模型的實施方法流程示意圖。該廣義線性模型是為了克服線性回歸模型的缺點出現的，是線性回歸模型的推廣。在廣義線性模型中，自變量可以是離散的，也可以是連續的。離散的自變量可以包括例如是0-1變量，也可以包括多種取值的變量。本實施例選取廣義線性模型作為車險風險預測演算法，其隨機誤差項可以不必服從常態分佈，可以服從二項、卜瓦松、負二項、常態、伽馬、逆高斯等指數分佈族群，可以適用車險風險預測中的一些資料為非常態分佈的人屬性特徵資訊，可以有效預測車險用戶的車險風險。在廣義線性模型中，引入了聯接函數g(⋅)。因變量和自變量可以通過聯接函數產生影響，即Y=g(Xβ)，聯接函數滿足單調，可微分的。常用的聯接函數有恆等（Y=Xβ），對數（Y=ln(Xβ)），冪函數（Y=(Xβ)k），平方根（Y=Xβ），logit（ln(Y1−Y)=Xβ）等。可以根據不同業務場景和人屬性特徵資訊的資料，選擇不同的聯接函數構建模型進行預測。本說明書的一個或多個實施例總，可以選擇例如線性回歸模型、最大熵模型、Logistic回歸等的廣義線性模型進行車險風險預測。　　本說明書具體的一個使用廣義線性模型對目標進行建模的示例中，可以以賠付率為目標進行建模，在此可以假設賠付率服從Tweedie（特維迪）分佈。在例如預測純風險保費或者賠付率時，通常可以使用Tweedie分佈。這個分佈可以理解為是卜瓦松分佈和Gamma（伽馬）分佈的結合體。大多數情況下，車險保單並不會發生理賠，因此，本實施例可以基於該情況選取Tweedie分佈，它的特點之一是在這個分佈下大多數時候取值為0，與本實施車險保險的資料特徵相符，可以使用在車險風險預測中，有效實現基於人屬性特徵資訊的車險風險預測。　　本說明書提供的一個或多個其他實施例中，可以使用梯度提升決策樹（Gradient Boosting Decision Tree，GBDT）對目標進行建模，構建生成車險風險的預測模型。所述的梯度提升決策樹是每一次建立模型是在之前建立模型損失函數的梯度下降方向。損失函數(loss function)描述的是模型的不可靠程度，損失函數越大，則說明模型越容易出錯。在GBDT中，可以讓損失函數在其梯度的方向上持續的下降，使模型在不停的改進。通常假設模型能夠用下面的函數來表示：P表示參數，可能有多個參數組成，P={p0,p1,p2….}，F(x;P)表示以P為參數的x的函數，即預測函數。GBDT的模型是由多個模型加起來構建生成的。具體的可以根據業務需求使用相應的預測函數構建一種或多個GBDT車險風險預測演算法（或稱為車險風險預測模型，如上所述，在此可以將模型視為演算法的一種表現形式，統一稱為車險風險預測演算法）。　　本說明書提供的一個實施例中，該車險風險預測演算法可以包括採用下述方式構建生成的預測模型：　　S30：採集預設類型的人屬性特徵樣本；　　S32：使用梯度提升決策樹對選取的建模目標進行建模，確定車險風險預測模型，所述的建模目標包括實際建模目標值與預測建模目標值的差值，以及使用伽馬回歸的目標函數作為建模時的目標函數，該實際建模目標值與預測建模目標值基於該屬性特徵樣本計算得到。　　圖4是本說明書提供的所述方法中另一種構建預測模型的實施方法流程示意圖。所述的建模目標可以包括車險風險預測使用的某一參量，通常的選取可以直觀反映車險用戶車險風險高低的資訊，例如賠付率。本說明書一個或多個實施例中，該建模目標可以包括下述中的至少一種：　　該車險用戶的賠付率、出險頻率、出險金額。　　具體的一個示例中，可以擬合實際賠付率和利用保單資料計算的預測賠付率之間的差值。可以利用車險用戶的保單資料計算得到相應用戶的實際賠付率和預測出來的賠付率。假設y_i是保單i的實際賠付率，y ̂_i是對應的預測賠付率，那麼在本示例的建模目標可以包括：d_i=y_i-y ̂_i+α，其中α是一個常數，用於確保d_i＞0。d_i服從Gamma分佈，因此在使用梯度提升決策樹對此目標進行建模時目標函數為gamma回歸的目標函數。　　其他的實施方式中，在使用GBDT建模時可以以目標的實際和預測的商值作為建模目標來構建函數。具體的一個實施例中，該車險風險預測演算法可以包括採用下述方式構建生成的預測模型：　　S40：採集預設類型的人屬性特徵樣本；　　S42：使用梯度提升決策樹對選取的建模目標進行建模，確定車險風險預測模型，所述的建模目標包括實際建模目標值與預測建模目標值的商值，以及使用特維迪回歸的目標函數作為建模時的目標函數，該實際建模目標值與預測建模目標值基於該屬性特徵樣本計算得到。　　圖5是本說明書提供的所述方法中另一種構建預測模型的實施方法流程示意圖。具體的一個示例中，擬合實際賠付率和利用保單資料計算的預測賠付率之間的商值。假設y_i是保單i的實際賠付率，y ̂_i是對應的預測賠付率，那麼建模目標可以設置為r_i=y_i/y ̂_i。上述中，r_i服從Tweedie分佈，因此本示例中在使用梯度提升決策樹對此目標進行建模時目標函數為Tweedie回歸的目標函數。　　進一步的，對於上述提到的變量資料，還可以進行特徵處理。處理後的變量資料可以作為新的變量資料輸入到前述中提到的例如廣義線性模型的車險風險預測演算法中。例如，使用上述擬合實際賠付率和利用保單資料計算的預測賠付率之間的商值作為建模目標的GBDT預測模型中，可以使用該模型作為車險風險預測模型，輸出車險用戶賠付率的車險風險預測結果。也可以將該結果作為對前述該採集/獲取人屬性特徵變量資訊或樣本資料的進一步挖掘、整理後的變量資料，該變量資料可以作為新的人屬性特徵資訊輸入到車險風險預測模型中。另外，如果上述得到的新的變量資料是離散變量，在輸入模型之前可以先使用one-hot編碼的方式進行離散化。具體來說主要包括對於有n個不同值的離散變量，轉化為n個取值為{0,1}的變量，分別表示原變量是否取某個值。對於連續型特徵的變量資料，可以直接作為模型輸入。　　本說明書提供的該方法的另一個實施例，可以使用深度神經網路對目標進行建模。該車險風險預測演算法包括採用下述方式構建生成：　　S50：採集預設類型的人屬性特徵樣本；　　S52：將該人屬性特徵樣本在對應的特徵類型中劃分成不同取值區間的特徵樣本；　　S54：根據設置的N個特徵類型抽取該特徵樣本的特徵資料，生成N維的離散型特徵向量；　　S56：按照預設方式將該特徵樣本的單個該離散型特徵向量映射成M維的連續型特徵向量；　　S58：將該N維的離散型特徵對應的連續型特徵向量拼接後形成（N*M）維的連續型特徵向量X，以該連續型特徵向量X作為選取的深度神經網路的輸入，構建生成車險風險預測模型。　　圖6是本說明書提供的所述方法中另一種構建預測模型的實施方法流程示意圖。本實施例中，可以深度神經網路模型構建車險風險預測模型。具體的一個示例的處理過程可以包括：　　可以將採集獲取的人屬性特徵樣本分成K個Bins（儲藏箱），如Bin_性別男，Bin_性別女，Bin_平均急加速次數在1到5之間，Bin_平均急加速次數在6到10之間，Bin_平均急加速次數大於10等。對於人屬性特徵樣本，在N個維度（例如，性別，急加速頻率，……）上抽取Bin特徵，形成樣本對應的一個N維的離散型的特徵向量[Bin#1, …, Bin#N]。　　可以將Bin映射到一個M維的連續型特徵向量（vector）。這個映射過程可以是神經網路訓練的時候學習出來的，即在訓練前先對連續型vector進行隨機初始化，訓練完神經網路後，連續型vector也就學習出來了。　　然後可以將N個Bin對應的M維的連續型特徵向量拼接在一起，形成一個維連續型的特徵向量X，作為深度神經網路的輸入。其中拼接的處理包括連續型vector（即每個離散型變量可以映射成M維連續型vector，N個離散型變量可以產生N個M維連續型vector，拼接成一個N*M維向量）。深度神經網路具體的網路層結構可以根據業務場景或所構建的模型需求進行設置。在一些實施例中，深度神經網路輸出層可以輸出一個分數，可以表示某個車險用戶的純風險保費或賠付率，也可以表示相對於傳統GLM模型定義賠付率的比值或差值。深度神經網路模型的訓練中，模型的參數可以採用隨機初始化，如在均勻分佈U[a,b]中隨機採樣。訓練的目標函數可以採用最小化均方誤差，利用隨機梯度下降（Stochastic Gradient Descent）方法來優化。　　上述實施例描述了可以採取多種車險風險預測演算法來構建車險風險預測模型的實施方式，可以達到更精准描繪客戶風險，幫助保險行業細分管理風險、降低成本、提高效率，更好地為車險消費者服務。　　其他的實施例中，在構建該車險風險預測演算法時產生至少兩個的候選車險風險預測演算法，例如使用不同構建目標的多個廣義關係線性模型、一個或多個廣義線性模型和基於梯度提升決策樹演算法的預測模型，或者包括基於該深度神經網路的多個車險風險預測模型中時，可以使用一些統計量來評測多個車險風險預測模型，選出適合當前業務場景的模型。因此，本說明書提供的一個或多個實施例中，該方法還可以包括：　　S30：計算預定類型的統計指標，該統計指標包括在該人屬性特徵資訊作為該候選車險風險預測演算法的自變量時，用於表示對該候選車險風險預測演算法輸出結果影響程度的統計量；　　S32：通過該統計指標的比較處理，從該候選車險風險演算法中選出使用的車險風險預測演算法。　　這些統計指標具體的可以包括多種類型的統計量，如偏差(Deviance)、對數似然函數、AIC、BIC、卡方、p值等統計量。這些統計量可以通過都固定或變形/變換後的公式計算得到。在具體的一個示例中，可以整理處理過的變量字段逐輸入模型，並通過偏差(Deviance)、對數似然函數、AIC和BIC等統計量對變量和模型的顯著性進行檢驗和比較。這些統計指標中一些可以用來判定一個因子或者一個模型是否顯著的。在本實施例中的實施場景中，可以存在多個車險風險預測模型，可以包括上述一個或多個實施例中所述的車險風險預測模型。通過一些統計指標，或者再結合作業人員的分析結果，可以候選的多個車險風險預測模型中選出一個適合業務場景的模型。　　本實施例可以基於一個或多個預定類型的統計指標，對產生的多個候選車險預測演算法進行驗證、比較等，可以從影響某一特定變量的諸多變量中找出哪些變量的影響顯著，哪些不顯著，例如一些模型對信用資料顯著性高，信用的好壞對模型輸出車險用戶的車險風險結果影響較大，而另一些模型則對車險用戶的信用資料不敏感。基於此可以選出合適的車險風險預測模型，進而使得車險風險預測結果更加準確。　　本說明書中的各個實施例均採用遞進的方式描述，各個實施例之間相同相似的部分互相參見即可，每個實施例重點說明的都是與其他實施例的不同之處。　　上述對本說明書特定實施例進行了描述。其它實施例在所附申請專利範圍的範圍內。在一些情況下，在申請專利範圍中記載的動作或步驟可以按照不同於實施例中的順序來執行並且仍然可以實現期望的結果。另外，在圖式中描繪的過程不一定要求示出的特定順序或者連續順序才能實現期望的結果。在某些實施方式中，多任務處理和並行處理也是可以的或者可能是有利的。　　本說明書實施例提供的一種車險風險預測方法，可以利用預先採集整理的人屬性特徵資訊建立車險風險預測演算法，利用預先構建的車險風險預測算對被預測的車險用戶的人屬性特徵資訊進行處理，從自然人的角度預測車險用戶對車輛風險的影響。在實際車輛使用中，人的因素影響對車輛是否出險以及出險的具體賠付金額等車險業務影響通常較大，而本說明書實施例提供的實施方案，使用人的屬性特徵資訊進行車輛風險預測，提供更加準確、可靠的車險風險評估依據，可以有效提高車險風險評估的準確性和可靠性。　　基於上述所述的車險風險預測方法，本說明書還提供一種車險風險預測裝置。所述的裝置可以包括使用了本說明書一個或多個實施例該方法的系統（包括分布式系統）、軟體（應用）、模組、組件、伺服器、客戶端、量子電腦等並結合必要的實施硬體的裝置。基於同一創新構思，本說明書一個或多個實施例提供的一種實施例中的裝置如下面的實施例所述。由於裝置解決問題的實現方案與方法相似，因此本說明書一個或多個具體的裝置的實施可以參見前述方法的實施，重複之處不再贅述。以下所使用的，術語“單元”或者“模組”可以實現預定功能的軟體和/或硬體的組合。儘管以下實施例所描述的裝置較佳地以軟體來實現，但是硬體，或者軟體和硬體的組合的實現也是可能並被構想的。具體的，圖7是本說明書提供的一種車險風險預測裝置實施例的模組結構示意圖，如圖7所示，該裝置可以包括：　　人屬性特徵獲取模組101，可以用於獲取車險用戶的人屬性特徵資訊，該人屬性特徵資訊包括自然人的自然屬性資訊、社會屬性資訊、行為資料中的至少一種資訊資料；　　風險預測模組102，可以用於利用預先構建的車險風險預測演算法對該人屬性特徵資訊進行處理，得到該車險用戶的車險風險預測結果。　　本說明書提供該裝置的其他實施例中，該風險預測模組102可以包括：　　樣本獲取單元，可以用於採集預設類型的人屬性特徵樣本；　　第一模型構建單元，可以用於確定使用的廣義線性模型以及該廣義線性模型的建模目標；以及，用於以包括該人屬性特徵樣本的資料作為廣義線性模型的輸入，對該建模目標進行建模，確定車險風險預測模型，該車險風險預測模型包括至少一項表示車險用戶的車險風險高低的輸出結果。　　本說明書提供該裝置的其他實施例中，該風險預測模組102可以包括：　　樣本獲取單元，可以用於採集預設類型的人屬性特徵樣本；　　第二模型構建單元，可以用於使用梯度提升決策樹對選取的建模目標進行建模，確定車險風險預測模型，所述的建模目標包括實際建模目標值與預測建模目標值的差值，以及使用伽馬回歸的目標函數作為建模時的目標函數，該實際建模目標值與預測建模目標值基於該屬性特徵樣本計算得到。　　本說明書提供該裝置的其他實施例中，該風險預測模組102可以包括：　　樣本獲取單元，可以用於採集預設類型的人屬性特徵樣本；　　第三模型構建單元，可以用於使用梯度提升決策樹對選取的建模目標進行建模，確定車險風險預測模型，所述的建模目標包括實際建模目標值與預測建模目標值的商值，以及使用特維迪回歸的目標函數作為建模時的目標函數，該實際建模目標值與預測建模目標值基於該屬性特徵樣本計算得到。　　本說明書提供該裝置的其他實施例中，該風險預測模組102可以包括：　　樣本獲取單元，可以用於採集預設類型的人屬性特徵樣本；　　樣本劃分單元，可以用於將該人屬性特徵樣本在對應的特徵類型中劃分成不同取值區間的特徵樣本；　　離散向量單元，可以用於根據設置的N個特徵類型抽取該特徵樣本的特徵資料，生成N維的離散型特徵向量；　　連續向量單元，可以用於按照預設方式將該特徵樣本的單個該離散型特徵向量映射成M維的連續型特徵向量；　　第四模型構建單元，可以用於將該N維的離散型特徵對應的連續型特徵向量拼接後形成（N*M）維的連續型特徵向量X，以該連續型特徵向量X作為選取的深度神經網路的輸入，構建生成車險風險預測模型，N≥1，M≥1。　　如前述方法實施例所述，上述該裝置中的建模目標可以包括下述中的至少一種：　　該車險用戶的賠付率、出險頻率、出險金額。　　以及，該裝置的其他實施例中，該預設類型的人屬性特徵樣本可以包括下述中至少一個類型的變量資料：　　駕駛習慣、職業特性、身份特質、信用歷史、消費習慣、穩定性。　　圖8是本說明書提供的另一種車險風險預測裝置實施例的模組結構示意圖，如圖8所示，該裝置還可以包括：　　變量整理模組100，可以用於在獲取該人屬性特徵資訊的變量資料之後，對該變量資料進行整理處理，該變量整理模組100執行包括下述中的至少一項處理操作：　　設置該變量資料的權重；　　對該變量資料中的殘缺值進行補充；　　確定屬於重複變量資料的資料使用選擇方式；　　該變量資料之間的交互效應處理；　　基於該變量資料生成新的變量資料；　　相應的，該風險預測模組102利用預先構建的車險風險預測演算法對該人屬性特徵資訊進行處理包括利用預先構建的車險風險預測演算法對包括該整理處理後的變量資料進行處理。　　圖9是本說明書提供的另一種車險風險預測裝置實施例的模組結構示意圖，如圖9所示，該裝置還可以包括：　　指標計算模組103，可以用於在構建該車險風險預測演算法時產生至少兩個的候選車險風險預測演算法，計算預定類型的統計指標，該統計指標包括在該人屬性特徵資訊作為該候選車險風險預測演算法的自變量時，用於表示對該候選車險風險預測演算法輸出結果影響程度的統計量；　　演算法選取模組104，可以用於對該統計指標進行比較處理，從該候選車險風險演算法中選出使用的車險風險預測演算法。　　本說明書一個或多個提供的車險風險預測方法可以在電腦中由處理器執行相應的程式指令來實現，如使用windows操作系統的c++語言在PC端實現，或其他例如Linux、android、iOS系統相應應用設計語言的實現等，以及基於量子電腦的處理邏輯實現等。具體的，本說明書一個或多個提供的一種車險風險預測裝置的一種實施例中，該裝置可以包括處理器以及用於儲存處理器可執行指令的記憶體，該處理器執行該指令時實現：　　獲取車險用戶的人屬性特徵資訊，該人屬性特徵資訊包括自然人的自然屬性資訊、社會屬性資訊、行為資料中的至少一種資訊資料；　　利用預先構建的車險風險預測演算法對該人屬性特徵資訊進行處理，得到該車險用戶的車險風險預測結果。　　需要說明的是本說明書所述的裝置根據相關方法實施例的描述還可以包括其他的實施方式。本說明書中的各個實施例均採用遞進的方式描述，各個實施例之間相同相似的部分互相參見即可，每個實施例重點說明的都是與其他實施例的不同之處。尤其，對於硬體+程式類實施例而言，由於其基本相似於方法實施例，所以描述的比較簡單，相關之處參見方法實施例的部分說明即可。　　上述對本說明書特定實施例進行了描述。其它實施例在所附申請專利範圍的範圍內。在一些情況下，在申請專利範圍中記載的動作或步驟可以按照不同於實施例中的順序來執行並且仍然可以實現期望的結果。另外，在圖式中描繪的過程不一定要求示出的特定順序或者連續順序才能實現期望的結果。在某些實施方式中，多任務處理和並行處理也是可以的或者可能是有利的。　　本說明書實施例提供的一種車險風險預測裝置，可以利用預先採集整理的人屬性特徵資訊建立車險風險預測演算法，利用預先構建的車險風險預測算對被預測的車險用戶的人屬性特徵資訊進行處理，從自然人的角度預測車險用戶對車輛風險的影響。在實際車輛使用中，人的因素影響對車輛是否出險以及出險的具體賠付金額等車險業務影響通常較大，而本說明書實施例提供的實施方案，使用人的屬性特徵資訊進行車輛風險預測，提供更加準確、可靠的車險風險評估依據，可以有效提高車險風險評估的準確性和可靠性。　　上述所述的裝置或方法可以用於多個業務系統的車險風險預測伺服器中，如保險公司業務系統的伺服器或為保險公司提供車險用戶的車險風險評估分值的服務方的伺服器。所述的伺服器可以包括使用了本說明書的一個或多個所述方法或一個或多個實施例裝置的單個伺服器、伺服器集群、系統（包括分布式系統）、軟體（應用）、邏輯閘電路裝置、量子電腦等並結合必要的實施硬體的終端裝置。圖10是本說明書提供的伺服器一種實施例的結構示意圖。具體的，本說明書一個或多個提供一種伺服器，可以包括至少一個處理器以及用於儲存處理器可執行指令的記憶體，該處理器執行該指令時實現上述任意一個方法實施例所述的資料處理步驟。　　本說明書實施例提供的一種車險風險預測方法、裝置及伺服器，可以利用預先採集整理的人屬性特徵資訊建立車險風險預測演算法，利用預先構建的車險風險預測算對被預測的車險用戶的人屬性特徵資訊進行處理，從自然人的角度預測車險用戶對車輛風險的影響。在實際車輛使用中，人的因素影響對車輛是否出險以及出險的具體賠付金額等車險業務影響通常較大，而本說明書實施例提供的實施方案，使用人的屬性特徵資訊進行車輛風險預測，提供更加準確、可靠的車險風險評估依據，可以有效提高車險風險評估的準確性和可靠性。　　儘管本說明書一個或多個內容中提到人屬性特徵資訊/樣本的類型、變量資料的各自挖掘整理處理方式、廣義線性模型以及GBDT構建目標函數的方式、以賠付率作為構建目標的實施方式等的資料設置、獲取、交互、計算、判斷等描述，但是，本說明書一個或多個並不局限於必須是符合行業通信標準、標準區塊鏈資料儲存、電腦處理和儲存規則或本說明書一個或多個實施例所描述的情況。某些行業標準或者使用自定義方式或實施例描述的實施基礎上略加修改後的實施方案也可以實現上述實施例相同、等同或相近、或變形後可預料的實施效果。應用這些修改或變形後的資料獲取、儲存、判斷、處理方式等獲取的實施例，仍然可以屬於本說明書一個或多個的可選實施方案範圍之內。　　在20世紀90年代，對於一個技術的改進可以很明顯地區分是硬體上的改進（例如，對二極體、電晶體、開關等電路結構的改進）還是軟體上的改進（對於方法流程的改進）。然而，隨著技術的發展，當今的很多方法流程的改進已經可以視為硬體電路結構的直接改進。設計人員幾乎都通過將改進的方法流程編程到硬體電路中來得到相應的硬體電路結構。因此，不能說一個方法流程的改進就不能用硬體實體模組來實現。例如，可編程邏輯器件（Programmable Logic Device, PLD）（例如現場可程式閘陣列（Field Programmable Gate Array，FPGA））就是這樣一種積體電路，其邏輯功能由用戶對器件編程來確定。由設計人員自行編程來把一個數位系統“集成”在一片PLD上，而不需要請晶片製造廠商來設計和製作專用的積體電路晶片。而且，如今，取代手工地製作積體電路晶片，這種編程也多半改用“邏輯編譯器（logic compiler）”軟體來實現，它與程式開發撰寫時所用的軟體編譯器相類似，而要編譯之前的原始代碼也得用特定的編程語言來撰寫，此稱之為硬體描述語言（Hardware Description Language，HDL），而HDL也並非僅有一種，而是有許多種，如ABEL（Advanced Boolean Expression Language）、AHDL（Altera Hardware Description Language）、Confluence、CUPL（Cornell University Programming Language）、HDCal、JHDL（Java Hardware Description Language）、Lava、Lola、MyHDL、PALASM、RHDL（Ruby Hardware Description Language）等，目前最普遍使用的是VHDL（Very-High-Speed Integrated Circuit Hardware Description Language）與Verilog。本領域技術人員也應該清楚，只需要將方法流程用上述幾種硬體描述語言稍作邏輯編程並編程到積體電路中，就可以很容易得到實現該邏輯方法流程的硬體電路。　　控制器可以按任何適當的方式實現，例如，控制器可以採取例如微處理器或處理器以及儲存可由該（微）處理器執行的電腦可讀程式代碼（例如軟體或韌體）的電腦可讀介質、邏輯閘、開關、專用積體電路（Application Specific Integrated Circuit，ASIC）、可程式邏輯控制器和嵌入微控制器的形式，控制器的例子包括但不限於以下微控制器：ARC 625D、Atmel AT91SAM、Microchip PIC18F26K20 以及Silicone Labs C8051F320，記憶體控制器還可以被實現為記憶體的控制邏輯的一部分。本領域技術人員也知道，除了以純電腦可讀程式代碼方式實現控制器以外，完全可以通過將方法步驟進行邏輯編程來使得控制器以邏輯閘、開關、專用積體電路、可程式邏輯控制器和嵌入微控制器等的形式來實現相同功能。因此這種控制器可以被認為是一種硬體部件，而對其內包括的用於實現各種功能的裝置也可以視為硬體部件內的結構。或者甚至，可以將用於實現各種功能的裝置視為既可以是實現方法的軟體模組又可以是硬體部件內的結構。　　上述實施例闡明的系統、裝置、模組或單元，具體可以由電腦晶片或實體實現，或者由具有某種功能的產品來實現。一種典型的實現設備為電腦。具體的，電腦例如可以為個人電腦、筆記型電腦、車載人機交互設備、行動電話、相機電話、智慧型手機、個人數位助理、媒體播放器、導航設備、電子郵件設備、遊戲控制台、平板電腦、可穿戴設備或者這些設備中的任何設備的組合。　　雖然本說明書一個或多個提供了如實施例或流程圖所述的方法操作步驟，但基於常規或者無創造性的手段可以包括更多或者更少的操作步驟。實施例中列舉的步驟順序僅僅為眾多步驟執行順序中的一種方式，不代表唯一的執行順序。在實際中的裝置或終端產品執行時，可以按照實施例或者圖式所示的方法順序執行或者並行執行（例如並行處理器或者多線程處理的環境，甚至為分布式資料處理環境）。術語“包括”、“包含”或者其任何其他變體意在涵蓋非排他性的包含，從而使得包括一系列要素的過程、方法、產品或者設備不僅包括那些要素，而且還包括沒有明確列出的其他要素，或者是還包括為這種過程、方法、產品或者設備所固有的要素。在沒有更多限制的情況下，並不排除在包括所述要素的過程、方法、產品或者設備中還存在另外的相同或等同要素。　　為了描述的方便，描述以上裝置時以功能分為各種模組分別描述。當然，在實施本說明書一個或多個時可以把各模組的功能在同一個或多個軟體和/或硬體中實現，也可以將實現同一功能的模組由多個子模組或子單元的組合實現等。以上所描述的裝置實施例僅僅是示意性的，例如，該單元的劃分，僅僅為一種邏輯功能劃分，實際實現時可以有另外的劃分方式，例如多個單元或組件可以結合或者可以集成到另一個系統，或一些特徵可以忽略，或不執行。另一點，所顯示或討論的相互之間的耦合或直接耦合或通信連接可以是通過一些介面，裝置或單元的間接耦合或通信連接，可以是電性，機械或其它的形式。　　本領域技術人員也知道，除了以純電腦可讀程式代碼方式實現控制器以外，完全可以通過將方法步驟進行邏輯編程來使得控制器以邏輯閘、開關、專用積體電路、可程式邏輯控制器和嵌入微控制器等的形式來實現相同功能。因此這種控制器可以被認為是一種硬體部件，而對其內部包括的用於實現各種功能的裝置也可以視為硬體部件內的結構。或者甚至，可以將用於實現各種功能的裝置視為既可以是實現方法的軟體模組又可以是硬體部件內的結構。　　本發明是參照根據本發明實施例的方法、設備（系統）、和電腦程式產品的流程圖和／或方塊圖來描述的。應理解可由電腦程式指令實現流程圖和／或方塊圖中的每一流程和／或方塊、以及流程圖和／或方塊圖中的流程和／或方塊的結合。可提供這些電腦程式指令到通用電腦、專用電腦、嵌入式處理機或其他可程式資料處理設備的處理器以產生一個機器，使得通過電腦或其他可編程資料處理設備的處理器執行的指令產生用於實現在流程圖一個流程或多個流程和／或方塊圖一個方塊或多個方塊中指定的功能的裝置。　　這些電腦程式指令也可儲存在能引導電腦或其他可編程資料處理設備以特定方式工作的電腦可讀記憶體中，使得儲存在該電腦可讀記憶體中的指令產生包括指令裝置的製造品，該指令裝置實現在流程圖一個流程或多個流程和／或方塊圖一個方塊或多個方塊中指定的功能。　　這些電腦程式指令也可裝載到電腦或其他可編程資料處理設備上，使得在電腦或其他可編程設備上執行一系列操作步驟以產生電腦實現的處理，從而在電腦或其他可編程設備上執行的指令提供用於實現在流程圖一個流程或多個流程和／或方塊圖一個方塊或多個方塊中指定的功能的步驟。　　在一個典型的配置中，計算設備包括一個或多個處理器(CPU)、輸入/輸出介面、網路介面和記憶體。　　記憶體可能包括電腦可讀介質中的非永久性記憶體，隨機存取記憶體(RAM)和/或非揮發性記憶體等形式，如只讀記憶體(ROM)或快閃記憶體(flash RAM)。記憶體是電腦可讀介質的示例。　　電腦可讀介質包括永久性和非永久性、可移動和非可移動媒體可以由任何方法或技術來實現資訊儲存。資訊可以是電腦可讀指令、資料結構、程式的模組或其他資料。電腦的儲存介質的例子包括，但不限於相變記憶體(PRAM)、靜態隨機存取記憶體(SRAM)、動態隨機存取記憶體(DRAM)、其他類型的隨機存取記憶體(RAM)、唯讀記憶體(ROM)、電可擦除可程式唯讀記憶體(EEPROM)、快閃記憶體或其他記憶體技術、唯讀光碟唯讀記憶體(CD-ROM)、數位多功能光碟(DVD)或其他光學儲存、磁盒式磁帶，磁帶磁磁碟儲存或其他磁性儲存設備或任何其他非傳輸介質，可用於儲存可以被計算設備存取的資訊。按照本文中的界定，電腦可讀介質不包括暫存電腦可讀媒體(transitory media)，如調變的資料信號和載波。　　本領域技術人員應明白，本說明書一個或多個的實施例可提供為方法、系統或電腦程式產品。因此，本說明書一個或多個可採用完全硬體實施例、完全軟體實施例或結合軟體和硬體方面的實施例的形式。而且，本說明書一個或多個可採用在一個或多個其中包含有電腦可用程式代碼的電腦可用儲存介質（包括但不限於磁盤記憶體、CD-ROM、光學記憶體等）上實施的電腦程式產品的形式。　　本說明書一個或多個可以在由電腦執行的電腦可執行指令的一般上下文中描述，例如程式模組。一般地，程式模組包括執行特定任務或實現特定抽象資料類型的例程、程式、對象、組件、資料結構等等。也可以在分布式計算環境中實踐本說明書一個或多個，在這些分布式計算環境中，由通過通信網路而被連接的遠程處理設備來執行任務。在分布式計算環境中，程式模組可以位於包括儲存設備在內的本地和遠程電腦儲存介質中。　　本說明書中的各個實施例均採用遞進的方式描述，各個實施例之間相同相似的部分互相參見即可，每個實施例重點說明的都是與其他實施例的不同之處。尤其，對於系統實施例而言，由於其基本相似於方法實施例，所以描述的比較簡單，相關之處參見方法實施例的部分說明即可。在本說明書的描述中，參考術語“一個實施例”、“一些實施例”、“示例”、“具體示例”、或“一些示例”等的描述意指結合該實施例或示例描述的具體特徵、結構、材料或者特點包含於本說明書至少一個實施例或示例中。在本說明書中，對上述術語的示意性表述不必須針對的是相同的實施例或示例。而且，描述的具體特徵、結構、材料或者特點可以在任一個或多個實施例或示例中以合適的方式結合。此外，在不相互矛盾的情況下，本領域的技術人員可以將本說明書中描述的不同實施例或示例以及不同實施例或示例的特徵進行結合和組合。　　以上所述僅為本說明書一個或多個的實施例而已，並不用於限制本說明書一個或多個。對於本領域技術人員來說，本說明書一個或多個可以有各種更改和變化。凡在本說明書一個或多個的精神和原理之內所作的任何修改、等同替換、改進等，均應包含在本說明書一個或多個的申請專利範圍之內。

S2、S4‧‧‧步驟

S20、S22、S24‧‧‧步驟

S30、S32‧‧‧步驟

S40、S42‧‧‧步驟

S50、S52、S54、S56、S58‧‧‧步驟

100‧‧‧變量整理模組

101‧‧‧人屬性特徵獲取模組

102‧‧‧風險預測模組

103‧‧‧指標計算模組

104‧‧‧演算法選取模組

為了更清楚地說明本說明書實施例或現有技術中的技術方案，下面將對實施例或現有技術描述中所需要使用的圖式作簡單地介紹，顯而易見地，下面描述中的圖式僅僅是本說明書中記載的一些實施例，對於本領域普通技術人員來講，在不付出創造性勞動性的前提下，還可以根據這些圖式獲得其他的圖式。　　圖1是本說明書提供的一個實施例實現車險風險預測的實施場景示意圖；　　圖2是本說明書提供的所述方法的一個實施例的處理過程示意圖；　　圖3是本說明書提供的所述方法中一種構建預測模型的實施方法流程示意圖；　　圖4是本說明書提供的所述方法中另一種構建預測模型的實施方法流程示意圖　　圖5是本說明書提供的所述方法中另一種構建預測模型的實施方法流程示意圖；　　圖6是本說明書提供的所述方法中另一種構建預測模型的實施方法流程示意圖；　　圖7是本說明書提供的一種車險風險預測裝置實施例的模組結構示意圖；　　圖8是本說明書提供的另一種車險風險預測裝置實施例的模組結構示意圖；　　圖9是本說明書提供的另一種車險風險預測裝置實施例的模組結構示意圖；　　圖10是本說明書提供的伺服器一種實施例的結構示意圖。

Claims

一種車險風險預測方法，該方法包括：　　獲取車險用戶的人屬性特徵資訊，該人屬性特徵資訊包括自然人的自然屬性資訊、社會屬性資訊、行為資料中的至少一種資訊資料；　　利用預先構建的車險風險預測演算法對該人屬性特徵資訊進行處理，得到該車險用戶的車險風險預測結果。
如請求項1所述的一種車險風險預測方法，該車險風險預測演算法包括採用下述方式構建生成的預測模型：　　採集預設類型的人屬性特徵樣本；　　確定使用的廣義線性模型以及該廣義線性模型的建模目標；　　以包括該人屬性特徵樣本的資料作為廣義線性模型的輸入，對該建模目標進行建模，確定車險風險預測模型，該車險風險預測模型包括至少一項表示車險用戶的車險風險高低的輸出結果。
如請求項1所述的一種車險風險預測方法，該車險風險預測演算法包括採用下述方式構建生成的預測模型：　　採集預設類型的人屬性特徵樣本；　　使用梯度提升決策樹對選取的建模目標進行建模，確定車險風險預測模型，所述的建模目標包括實際建模目標值與預測建模目標值的差值，以及使用伽馬回歸的目標函數作為建模時的目標函數，該實際建模目標值與預測建模目標值基於該屬性特徵樣本計算得到。
如請求項1所述的一種車險風險預測方法，該車險風險預測演算法包括採用下述方式構建生成的預測模型：　　採集預設類型的人屬性特徵樣本；　　使用梯度提升決策樹對選取的建模目標進行建模，確定車險風險預測模型，所述的建模目標包括實際建模目標值與預測建模目標值的商值，以及使用特維迪回歸的目標函數作為建模時的目標函數，該實際建模目標值與預測建模目標值基於該屬性特徵樣本計算得到。
如請求項1所述的一種車險風險預測方法，該車險風險預測演算法包括採用下述方式構建生成：　　採集預設類型的人屬性特徵樣本；　　將該人屬性特徵樣本在對應的特徵類型中劃分成不同取值區間的特徵樣本；　　根據設置的N個特徵類型抽取該特徵樣本的特徵資料，生成N維的離散型特徵向量；　　按照預設方式將該特徵樣本的單個該離散型特徵向量映射成M維的連續型特徵向量；　　將該N維的離散型特徵對應的連續型特徵向量拼接後形成（N*M）維的連續型特徵向量X，以該連續型特徵向量X作為選取的深度神經網路的輸入，構建生成車險風險預測模型。
如請求項2至4中任意一項所述的一種車險風險預測方法，該建模目標包括下述中的至少一種：　　該車險用戶的賠付率、出險頻率、出險金額。
如請求項2至5中任意一項所述的一種車險風險預測方法，該預設類型的人屬性特徵樣本包括下述中至少一個類型的變量資料：　　駕駛習慣、職業特性、身份特質、信用歷史、消費習慣、穩定性。
如請求項7所述的一種車險風險預測方法，在獲取該人屬性特徵資訊的變量資料之後，還對該變量資料進行整理處理，該整理處理包括下述中的至少一項處理：　　設置該變量資料的權重；　　對該變量資料中的殘缺值進行補充；　　確定屬於重複變量資料的資料使用選擇方式；　　該變量資料之間的交互效應處理；　　基於該變量資料生成新的變量資料；　　相應的，該利用預先構建的車險風險預測演算法對該人屬性特徵資訊進行處理包括利用預先構建的車險風險預測演算法對包括該整理處理後的變量資料進行處理。
如請求項1所述的一種車險風險預測方法，若在構建該車險風險預測演算法時產生至少兩個的候選車險風險預測演算法，則該方法還包括：　　計算預定類型的統計指標，該統計指標包括在該人屬性特徵資訊作為該候選車險風險預測演算法的自變量時，用於表示對該候選車險風險預測演算法輸出結果影響程度的統計量；　　通過該統計指標的比較處理，從該候選車險風險演算法中選出使用的車險風險預測演算法。
一種車險風險預測裝置，該裝置包括：　　人屬性特徵獲取模組，用於獲取車險用戶的人屬性特徵資訊，該人屬性特徵資訊包括自然人的自然屬性資訊、社會屬性資訊、行為資料中的至少一種資訊資料；　　風險預測模組，用於利用預先構建的車險風險預測演算法對該人屬性特徵資訊進行處理，得到該車險用戶的車險風險預測結果。
如請求項10所述的一種車險風險預測裝置，該風險預測模組包括：　　樣本獲取單元，用於採集預設類型的人屬性特徵樣本；　　第一模型構建單元，用於確定使用的廣義線性模型以及該廣義線性模型的建模目標；以及，用於以包括該人屬性特徵樣本的資料作為廣義線性模型的輸入，對該建模目標進行建模，確定車險風險預測模型，該車險風險預測模型包括至少一項表示車險用戶的車險風險高低的輸出結果。
如請求項10所述的一種車險風險預測裝置，該風險預測模組包括：　　樣本獲取單元，用於採集預設類型的人屬性特徵樣本；　　第二模型構建單元，用於使用梯度提升決策樹對選取的建模目標進行建模，確定車險風險預測模型，所述的建模目標包括實際建模目標值與預測建模目標值的差值，以及使用伽馬回歸的目標函數作為建模時的目標函數，該實際建模目標值與預測建模目標值基於該屬性特徵樣本計算得到。
如請求項10所述的一種車險風險預測裝置，該風險預測模組包括：　　樣本獲取單元，用於採集預設類型的人屬性特徵樣本；　　第三模型構建單元，用於使用梯度提升決策樹對選取的建模目標進行建模，確定車險風險預測模型，所述的建模目標包括實際建模目標值與預測建模目標值的商值，以及使用特維迪回歸的目標函數作為建模時的目標函數，該實際建模目標值與預測建模目標值基於該屬性特徵樣本計算得到。
如請求項10所述的一種車險風險預測裝置，該風險預測模組包括：　　樣本獲取單元，用於採集預設類型的人屬性特徵樣本；　　樣本劃分單元，用於將該人屬性特徵樣本在對應的特徵類型中劃分成不同取值區間的特徵樣本；　　離散向量單元，用於根據設置的N個特徵類型抽取該特徵樣本的特徵資料，生成N維的離散型特徵向量；　　連續向量單元，用於按照預設方式將該特徵樣本的單個該離散型特徵向量映射成M維的連續型特徵向量；　　第四模型構建單元，用於將該N維的離散型特徵對應的連續型特徵向量拼接後形成（N*M）維的連續型特徵向量X，以該連續型特徵向量X作為選取的深度神經網路的輸入，構建生成車險風險預測模型，N≥1，M≥1。
如請求項11至14中任意一項所述的一種車險風險預測裝置，該建模目標包括下述中的至少一種：　　該車險用戶的賠付率、出險頻率、出險金額。
如請求項11至14中任意一項所述的一種車險風險預測裝置，該預設類型的人屬性特徵樣本包括下述中至少一個類型的變量資料：　　駕駛習慣、職業特性、身份特質、信用歷史、消費習慣、穩定性。
如請求項10中所述的一種車險風險預測裝置，該裝置還包括：　　變量整理模組，用於在獲取該人屬性特徵資訊的變量資料之後，對該變量資料進行整理處理，該變量整理模組執行包括下述中的至少一項處理操作：　　設置該變量資料的權重；　　對該變量資料中的殘缺值進行補充；　　確定屬於重複變量資料的資料使用選擇方式；　　該變量資料之間的交互效應處理；　　基於該變量資料生成新的變量資料；　　相應的，該風險預測模組利用預先構建的車險風險預測演算法對該人屬性特徵資訊進行處理包括利用預先構建的車險風險預測演算法對包括該整理處理後的變量資料進行處理。
如請求項10中所述的一種車險風險預測裝置，該裝置還包括：　　指標計算模組，用於在構建該車險風險預測演算法時產生至少兩個的候選車險風險預測演算法，計算預定類型的統計指標，該統計指標包括在該人屬性特徵資訊作為該候選車險風險預測演算法的自變量時，用於表示對該候選車險風險預測演算法輸出結果影響程度的統計量；　　演算法選取模組，用於對該統計指標進行比較處理，從該候選車險風險演算法中選出使用的車險風險預測演算法。
一種車險風險預測裝置，該裝置包括處理器以及用於儲存處理器可執行指令的記憶體，該處理器執行該指令時實現：　　獲取車險用戶的人屬性特徵資訊，該人屬性特徵資訊包括自然人的自然屬性資訊、社會屬性資訊、行為資料中的至少一種資訊資料；　　利用預先構建的車險風險預測演算法對該人屬性特徵資訊進行處理，得到該車險用戶的車險風險預測結果。
一種伺服器，包括至少一個處理器以及用於儲存處理器可執行指令的記憶體，該處理器執行該指令時實現請求項1至9中任意一個方法所述的資料處理步驟。