WO2020235520A1 - 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

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 Download PDF

Info

Publication number
WO2020235520A1
WO2020235520A1 PCT/JP2020/019602 JP2020019602W WO2020235520A1 WO 2020235520 A1 WO2020235520 A1 WO 2020235520A1 JP 2020019602 W JP2020019602 W JP 2020019602W WO 2020235520 A1 WO2020235520 A1 WO 2020235520A1
Authority
WO
WIPO (PCT)
Prior art keywords
cumulative loss
insurance
information processing
data
unknown
Prior art date
Application number
PCT/JP2020/019602
Other languages
English (en)
French (fr)
Inventor
ヒラルド ホラシオ サンソン
メンデス ニコラス イグナシオ ベルサノ
Original Assignee
株式会社アルム
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by 株式会社アルム filed Critical 株式会社アルム
Priority to US17/606,237 priority Critical patent/US20220147938A1/en
Publication of WO2020235520A1 publication Critical patent/WO2020235520A1/ja

Links

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
    • 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
    • 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
    • G06Q40/00—Finance; Insurance; Tax strategies; Processing of corporate or income taxes
    • G06Q40/08—Insurance

Definitions

  • the present invention relates to an information processing device, an information processing system, and an information processing program.
  • the insurance company reserves reserve requirements such as policy reserves as payment reserves for future insurance claims and benefits.
  • reserve requirements such as policy reserves as payment reserves for future insurance claims and benefits.
  • the method of estimating the future insurance amount without predicting the reserve requirement is adopted.
  • the prediction result will be used in many situations such as estimating the ability to pay future insurance claims and determining the amount of insurance premiums to be collected from policyholders. be able to. For this reason, a technique for accurately predicting future reserve requirements has been desired, but in the past, no study has been made on a mechanism for that purpose.
  • the information processing device is an information processing device for predicting the payment reserve of an insurance company by using a neural network, and is based on past insurance claim data.
  • the neural network is trained to estimate and output an unknown cumulative loss based on the billing data for which payment of insurance claims has not been completed.
  • a payment reserve prediction means that predicts future payment reserves by obtaining an output of unknown cumulative loss by inputting billing data for which insurance claims have not been paid into a neural network that has been trained by And.
  • the known cumulative loss calculation for calculating the known cumulative loss based on the past specific year based on the past insurance claim data.
  • the training means is provided by a known cumulative loss calculation means. Based on the calculated known cumulative loss and the unknown cumulative loss calculated by the unknown cumulative loss estimation means, the unknown cumulative loss is estimated by inputting the claim data for which the insurance payment has not been completed. Train the neural network to output.
  • the training means are estimated by the known cumulative loss calculated by the known cumulative loss calculating means and the unknown cumulative loss estimating means. Train the neural network so that the difference from the unknown cumulative loss is less than or equal to the minimum or preset threshold.
  • the known cumulative loss calculation for calculating the known cumulative loss based on the past specific year based on the past insurance claim data.
  • the training means is calculated by a known cumulative loss calculation means, further including a means and a cumulative loss rate calculation means for calculating the cumulative loss rate based on a specific past year based on past insurance claim data. Based on the known cumulative loss and the cumulative loss rate calculated by the cumulative loss rate calculation means, if you enter billing data for which insurance claims have not been paid, the unknown cumulative loss will be estimated and output. Train a neural network.
  • the training means are the known cumulative loss calculated by the known cumulative loss calculating means and the cumulative loss calculated by the cumulative loss rate calculating means. Train the neural network so that the value of the mean squared error function defined with the loss rate is less than or equal to the minimum or preset threshold.
  • the information processing system is an information processing system for predicting the payment reserve of an insurance company using a neural network, and is based on past insurance claim data. By training means and training means that train the neural network to estimate and output an unknown cumulative loss based on the claim data that has not been paid, when the bill data that has not been paid is entered.
  • the known cumulative loss calculation for calculating the known cumulative loss based on the past specific year based on the past insurance claim data. Further provided with means and an unknown cumulative loss estimation means for estimating an unknown cumulative loss based on a specific year in the past based on past insurance claim data, the training means is provided by a known cumulative loss calculation means. Based on the calculated known cumulative loss and the unknown cumulative loss estimated by the unknown cumulative loss estimation means, the unknown cumulative loss is estimated by inputting the claim data for which the insurance payment has not been completed.
  • the training means are estimated by the known cumulative loss calculated by the known cumulative loss calculating means and the unknown cumulative loss estimating means. Train the neural network so that the difference from the unknown cumulative loss is less than or equal to the minimum or preset threshold.
  • the known cumulative loss calculation for calculating the known cumulative loss based on the past specific year based on the past insurance claim data.
  • the training means is calculated by a known cumulative loss calculation means, further including a means and a cumulative loss rate calculation means for calculating the cumulative loss rate based on a specific past year based on past insurance claim data.
  • the training means are the known cumulative loss calculated by the known cumulative loss calculating means and the cumulative loss calculated by the cumulative loss rate calculating means. Train the neural network so that the value of the mean squared error function defined with the loss rate is less than or equal to the minimum or preset threshold.
  • the information processing program has completed the payment of the insurance claim based on the past claim claim data in order to predict the payment reserve of the insurance company using the neural network.
  • a training procedure that trains the neural network to estimate and output an unknown cumulative loss based on claim data for which insurance claims have not been paid when no claim data is entered, and a neural that has been trained in the training procedure. Get the output of an unknown cumulative loss by entering billing data for which insurance claims have not been paid into the network, and have the computer execute a payment reserve prediction procedure that predicts future payment reserves. ..
  • the known cumulative loss calculation for calculating the known cumulative loss based on the past specific year based on the past insurance claim data.
  • the training procedure includes the known cumulative loss calculated by the known cumulative loss calculation procedure and the unknown cumulative loss estimated by the unknown cumulative loss estimation procedure. Train the neural network so that the difference from the cumulative loss is the minimum or less than or equal to the preset threshold.
  • the known cumulative loss calculation which calculates the known cumulative loss based on the past specific year based on the past insurance claim data. It also has a procedure and a cumulative loss rate calculation procedure that calculates the cumulative loss rate based on a specific year in the past based on past insurance claim data, and the training procedure is calculated by the known cumulative loss calculation procedure. Based on the known cumulative loss and the cumulative loss rate calculated by the cumulative loss rate calculation procedure, the neural network will estimate and output the unknown cumulative loss when inputting billing data for which insurance claims have not been paid. Train the network.
  • the training procedure includes the known cumulative loss calculated by the known cumulative loss calculation procedure and the cumulative loss rate calculated by the cumulative loss rate calculation procedure. Train the neural network so that the value of the mean squared error function defined using and is less than or equal to the minimum or preset threshold.
  • FIG. 1 is a block diagram showing a configuration of an embodiment of the information processing apparatus 100 according to the present embodiment.
  • the information processing device 100 for example, a computer such as a server device, a personal computer, a smartphone, or a tablet terminal is used.
  • FIG. 1 is a block diagram showing a configuration of one embodiment when a personal computer is used as the information processing device 100 in the present embodiment.
  • the information processing device 100 includes an operation member 101, a control device 102, a storage medium 103, and a display device 104.
  • the operating member 101 includes various devices operated by the operator of the information processing device 100, such as a keyboard and a mouse.
  • the control device 102 is composed of a CPU, a memory, and other peripheral circuits, and controls the entire information processing device 100.
  • the memory constituting the control device 102 is, for example, a volatile memory such as SDRAM. This memory is used as a work memory for the CPU to expand the program at the time of program execution and as a buffer memory for temporarily recording data. For example, the data read through the connection interface 102 is temporarily recorded in the buffer memory.
  • the storage medium 103 is a storage medium for recording various data stored in the information processing device 100, program data for execution by the control device 102, and the like.
  • the storage medium 103 for example, an HDD (Hard Disk Drive), an SSD (Solid State Drive), or the like is used.
  • the program data recorded on the storage medium 103 may be recorded and provided on a recording medium such as a CD-ROM or DVD-ROM, or provided via a network to store the program data acquired by the operator. By installing it on the medium 103, the control device 102 can execute the program.
  • the program and various data used in the processing described below are recorded in the storage medium 103.
  • the display device 104 is, for example, a liquid crystal monitor, and various display data output from the control device 102 are displayed.
  • the information processing device 100 in the present embodiment performs processing for predicting the payment reserve required by the insurance company in the future based on the past payment history of the insurance money. Insurers generally reserve reserve requirements for future insurance claims and benefits. In the present embodiment, a method for predicting the future payment prospect of the insurance money in the insurance company by predicting the future reserve requirement will be described.
  • the reserve requirement must be sufficient for the insurance company to cover all future claims from the currently valid insurance policy.
  • Conventionally, methods such as the chain ladder method and the Bournehutter-Ferguson method have been used to estimate the reserve requirement.
  • claim data data of the past insurance claim records
  • high prediction accuracy cannot be expected.
  • these methods cannot capture the changing dynamics of billing data.
  • Another problem is that it is difficult to adjust the payment reserve estimate in real time because manual recalibration is required when the business field or policy of the insurance company changes.
  • these methods have a problem that multivariate billing data cannot be processed.
  • a neural network designed to predict the reserve requirement from the characteristics of the past insurance claim data is used, and the future payment is made based on the past insurance claim record.
  • the method of predicting the reserve requirement will be described.
  • As the neural network it is assumed that deep learning has been learned in advance so that the reserve requirement can be predicted from the characteristics of the past insurance claim data.
  • the present invention covers insurance in which an insurance company reserves payment reserves, and assumes, for example, life insurance, medical insurance, non-life insurance, and the like.
  • FIG. 2 is a functional block diagram schematically showing the data flow in the training unit for learning the neural network so that the reserve requirement can be predicted from the characteristics of the past insurance claim data.
  • the processing in each function shown in FIG. 2 is executed by the control device 102.
  • the billing database 2a is recorded in the storage medium 103.
  • past insurance claim data is stored in advance.
  • the training unit 2b is a unit for training the prediction model 2d, and includes a preprocessing unit 2c, a cumulative loss aggregation unit 2e, and a loss term unit 2f in addition to the prediction model 2d.
  • a neural network is used for the prediction model 2d, and the training unit 2b trains the prediction model 2d so that the reserve requirement can be predicted from the characteristics of the past insurance claim data.
  • Billing data c (t) is input to the training unit 2b from the billing database 2a.
  • This billing data c (t) is used as a predictive variable for training the predictive model 2d in the training unit 2b.
  • the feature c 0 ⁇ c n of billing data for example, the date insurance claims matters are generated or reported, information of date evaluation was made for the claims are included at least. Further, the feature c 0 ⁇ c n of billing data, may be added information for improving the prediction accuracy of the payment reserve.
  • the information on the features to be added varies depending on the type of insurance, but may include, for example, information on the amount of bill settlement, additional information such as the insured's occupation, industry, age, gender, ethnicity, and region. It can also include additional information such as diagnostic codes, medications, medical procedures, etc., if covered by medical insurance.
  • the information of the added features is used during the training of the prediction model 2d, which can improve the prediction accuracy of the reserve requirement.
  • the billing data c (t) when the gender characteristics are represented as male, female, in the new vector data x (t) , the male is mapped to the integer value 0 and the female is mapped to 1.
  • a conversion such as The converted billing data x (t) converted by the preprocessing unit 2c is input to the prediction model 2d and the cumulative loss totaling unit 2e.
  • the cumulative loss S (y, k) of the bill is calculated by the following equation (1).
  • y represents the year in which the accident for which the insurance claim was made occurred.
  • k represents the number of years elapsed from the year in which the accident for which the insurance claim is made occurred to the payment of the insurance claim.
  • y is a value from the first year in which the accident for which the insurance claim is made occurs to the latest year Y included in the claim data. Further, k takes a value from 0, which means the same year as y, to the maximum value K of the elapsed years included in the billing data.
  • loss () is the amount of billing data c per case.
  • the cumulative loss aggregation unit 2e uses the past cumulative loss S (y, k), that is, the known cumulative total, using all the claim data for which the insurance payment has already been completed as of the year Y according to the formula (1).
  • the loss S (y, k) is calculated.
  • the billing data is represented by C in the equation (1), in the present embodiment, the billing data c (t) is converted into new vector data x (t) by the preprocessing unit 2c, so here. Read as x.
  • the unknown cumulative loss U is estimated based on the claim data for which the insurance payment has not been completed as of the year Y. Since the unknown cumulative loss U at the time of year Y can be regarded as the amount of reserve requirements to be required in the future based on year Y, if the unknown cumulative loss in year Y is estimated, year Y It is possible to predict the reserve requirements for future payments based on. That is, by calculating the estimated value of the unknown cumulative loss in the year Y as the reserve requirement for the future required based on the year Y, the reserve requirement for the future required based on the year Y is predicted. Is possible.
  • FIG. 3 shows the known cumulative loss S (y, k) and the unknown cumulative loss S (y, k) for billing data in which an accident occurred from YK to Y and the number of years elapsed until payment was 0 to K. It is the figure which showed the relationship of the cumulative loss U (y, k) in a tabular form.
  • the known cumulative loss S for each year is represented by the following equation (2)
  • the unknown cumulative loss U for each year is represented by the following equation (3). ..
  • the unknown cumulative loss U (y, k) shown in FIG. 3 is the target of estimation.
  • the latest year included in the billing data is Y year.
  • all claims for which an accident occurred in YY are known cumulative losses S (y, k) because payment has been completed up to the elapsed years K for claims for which an accident occurred in YY. ) Has been calculated.
  • the claims that occurred in YK + 1 years are the cumulative total known up to the elapsed years K-1.
  • the loss S (y, k) is calculated, and the elapsed years K is the estimation target of the unknown cumulative loss U (y, k).
  • the elapsed years K is the estimation target of the unknown cumulative loss U (y, k).
  • the claim in which the accident occurred in the year Y has a known cumulative loss S (y, k) up to the elapsed year 0.
  • the calculated and other elapsed years are subject to the estimation of the unknown cumulative loss U (y, k).
  • the year YK of the year in which the accident occurred is 2000.
  • the year when the number of years elapsed until payment (Development years) of this year is 0 is 2000
  • the year when the number of years elapsed is 1 is 2001
  • the year when the number of years elapsed is K-1 is 2009.
  • the year in which the number of years is K is 2010.
  • the year YK + 1 of the year in which the accident occurred is 2001.
  • the year in which the elapsed years (Development years) until payment of this year is 0 is 2001
  • the year in which the elapsed years is 1 is 2002
  • the year in which the elapsed years is K-1 is 2010.
  • the year in which the number of years is K is 2011.
  • the year Y-1 of the year in which the accident occurred is 2009. Then, the year in which the number of years elapsed until payment (Development years) of this year is 0 is 2009, the year in which the number of years elapsed is 1 is 2010, and the year in which the number of years elapsed is K-1 is 2018. The year in which the number of years is K is 2019.
  • the year Y of the year in which the accident occurred is 2010. Then, the year when the number of years elapsed until payment (Development years) of this year is 0 is 2010, the year when the number of years elapsed is 1 is 2011, and the year when the number of years elapsed is K-1 is 2019. The year in which the number of years is K is 2020.
  • the prediction model 2d is trained so that the unknown cumulative loss U (y, k) can be estimated with high accuracy based on the past billing data. The training method of the prediction model 2d will be described below.
  • the prediction model 2d includes an input layer 4a having one input for each bill x (t) and a hidden layer having a size of several years or more. ) 4b and a neural network consisting of an output layer 4c having a size of K or more years to be predicted.
  • the nodes of each layer use the activation function ReLU shown in the following equation (4) in order to consider the non-linearity of the data.
  • this prediction model 2d makes an estimation by calculating an unknown cumulative loss U (y, k) based on the claim data for which insurance payment has not been completed at the time of year Y. Then, the known cumulative loss S (y, k) calculated by the cumulative loss aggregation unit 2e and the unknown cumulative loss U (y, k) estimated by the prediction model 2d are input to the loss term unit 2f. ..
  • the weight value of the prediction model 2d that is, the neural network, so as to minimize the loss term L (U, S) for calculating the difference between the known cumulative loss S and the unknown cumulative loss U.
  • the prediction model 2d is trained by adjusting the weight of.
  • the calculation of the known cumulative loss S and the unknown cumulative loss U is repeated while adjusting the weight until the difference between the known cumulative loss S and the unknown cumulative loss U is minimized.
  • the training of the prediction model 2d is performed by adopting the weight of the neural network set when the difference between the known cumulative loss S and the unknown cumulative loss U becomes the minimum as the weight value of the prediction model 2d.
  • the control device 102 determines that the prediction model 2d has been optimized and the training unit. The training by 2b is completed.
  • the weight of the neural network of the prediction model 2d is updated and the process is repeated.
  • the loss term L (U, S) indicating the difference between the known cumulative loss S and the unknown cumulative loss U is the standard deviation equation of the Poisson distribution as shown in the following equation (5).
  • the weight value of the prediction model 2d can be adjusted by using a known optimization method such as a gradient descent method, a stochastic gradient descent method, or an annealing method.
  • the prediction model 2d is used to estimate the unknown cumulative loss U (y, k) for the future years after K + 1, which is necessary in the future. It is possible to predict the reserve requirement. Since the unknown cumulative loss U (y, k) after K + 1 can be regarded as the amount of reserve requirements required after K + 1, it is unknown using the trained and optimized forecast model 2d. By estimating the cumulative loss U (y, k), it is possible to accurately predict the amount of reserve requirements to be required in the future.
  • the prediction accuracy of the prediction model 2d can be improved by adding the new data and performing the above-mentioned training, and predicting the reserve requirement amount required in the future. The accuracy can be further improved.
  • FIG. 5 is a flowchart showing the flow of training processing of the prediction model 2d according to the first embodiment.
  • the process shown in FIG. 5 is executed by the control device 102 as a program that is started when the control device 102 reads the billing data C recorded in the storage medium 103 and inputs it to the training unit 2b.
  • the converted billing data is input to the cumulative loss aggregation unit 2e and the prediction model 2d, and the processes of steps S20 and S30 are executed.
  • step S20 in the cumulative loss aggregation unit 2e, as described above, the control device 102 uses all the claim data for which the insurance payment has already been completed as of the year Y, and the past cumulative loss S ( y, k), that is, the known cumulative loss S (y, k) is calculated. After that, the process proceeds to step S40.
  • step S30 in the prediction model 2d, as described above, the control device 102 determines the future cumulative loss from the year Y based on the claim data for which the insurance payment has not been completed at the time of the year Y. That is, an estimation process for estimating an unknown cumulative loss U (y, k) is executed. After that, the process proceeds to step S40.
  • step S40 the control device 102 calculates the loss term L (U, S) in the loss term unit 2f using the equation (5) as described above. After that, the process proceeds to step S50.
  • step S50 the control device 102 determines in the loss term unit 2f whether or not the optimization of the prediction model 2d is completed as described above. If an affirmative decision is made in step S50, the weight at that time is adopted as the weight value of the prediction model 2d, and the process ends. On the other hand, if a negative determination is made in step S50, the process proceeds to step S60.
  • step S60 the control device 102 adjusts the weight of the prediction model 2d in the loss term unit 2f as described above, and returns to step S10.
  • FIG. 6 is a flowchart showing a processing flow for estimating a future cumulative loss in the first embodiment.
  • the process shown in FIG. 6 is executed by the control device 102 as a program that is started when the control device 102 inputs the billing data recorded in the storage medium 103 into the prediction model 2d in which training is completed.
  • step S110 the control device 102 estimates an unknown cumulative loss U (y, k) based on the billing data by executing the above-mentioned prediction process in the prediction model 2d. After that, the process proceeds to step S120.
  • step S120 the control device 102 outputs the estimated unknown cumulative loss U (y, k). It is assumed that the output destination is set in advance. For example, the output destination may be output to the storage medium 103 and the unknown cumulative loss U (y, k) may be recorded on the storage medium 103 or output to the display device 104. The unknown cumulative loss U (y, k) may be displayed. After that, the process ends.
  • the control device 102 inputs the claim data for which the insurance claim payment has not been completed based on the past insurance claim data, the unknown cumulative loss based on the claim data for which the insurance claim payment has not been completed
  • the output of the unknown cumulative loss can be obtained and required in the future. I tried to predict the payment reserve that will be. This makes it possible to accurately predict the future reserve requirements of insurance companies by using a neural network that has been learned based on past billing data.
  • the control device 102 calculates a known cumulative loss based on the past specific year based on the past insurance claim data, and calculates the past specific year based on the past insurance claim data. Estimate the unknown cumulative loss based on the standard, and based on the known cumulative loss and the unknown cumulative loss, if you enter the claim data for which the insurance payment has not been completed, the unknown cumulative loss will be estimated and output. To train a neural network. As a result, the neural network can be trained using the past billing data that has already been determined.
  • the control device 102 trains the neural network so that the difference between the known cumulative loss and the unknown cumulative loss is minimized.
  • the neural network can be trained until the difference between the output known cumulative loss and the unknown cumulative loss is minimized, so that the accuracy of predicting the reserve requirement by the neural network can be improved.
  • FIGS. 1, 2, 3 and 6 are the same as those in the first embodiment, and thus the description thereof will be omitted.
  • RNN7a is composed of several recurrent layers, each of which is implemented using Long Short Term Memory (LSTM) or Gated Recurrent Unit (GRU) cells.
  • FCN7b takes the output of RNN7a and reduces it to one estimate.
  • the prediction model 2d in the second embodiment will be described focusing on the differences from the prediction model 2d described above in the first embodiment.
  • data input to the predictive model. 2d it was the billing data having n features of c 0 ⁇ c n
  • the cumulative loss rate R (y, k) calculated by ) is input to the prediction model 2d.
  • This cumulative loss rate R (y, k) represents the cumulative loss rate for k-1 over y years.
  • the output of the prediction model 2d in the second embodiment a single value corresponding to the estimated cumulative loss rate E K of k years.
  • the cumulative loss totaling unit 2e calculates the known cumulative loss S (y, k) using all the claim data for which the insurance payment has already been completed as of the year Y.
  • the cumulative loss rate R (y, k) is calculated by the equation (6), and the calculation result of the cumulative loss rate R (y, k) is input to the prediction model 2d.
  • the loss term L (E, S) is calculated by using the function of the mean square error (MSE) shown in the following equation (7), and the loss term L (E) is calculated.
  • S) is trained by adjusting the weight value of the prediction model 2d, that is, the weight of the neural network so that the value of S) is minimized.
  • the forecast model 2d is used to estimate an unknown cumulative loss U (y, k) to predict future reserve requirements. Is possible.
  • the forecast model 2d in order to obtain the unknown total loss U (y, k), only the multiplication of E K ⁇ S (Y, K -1) is calculated for the year Y and K.
  • FIG. 8 is a flowchart showing the flow of training processing of the prediction model 2d according to the second embodiment.
  • the process shown in FIG. 8 is executed by the control device 102 as a program that is started when the control device 102 reads the billing data C recorded in the storage medium 103 and inputs it to the training unit 2b.
  • the same step number is assigned to the steps having the same processing contents as those in FIG. 5 described above in the first embodiment, and the description thereof will be omitted.
  • step S21 in the cumulative loss totaling unit 2e, the control device 102 uses all the claim data for which the insurance payment has already been completed as of the year Y, as described above, and the past cumulative loss S ( y, k), that is, the known cumulative loss S (y, k) is calculated. Further, as described above, the cumulative loss rate R (y, k) is calculated by the equation (6). After that, the process proceeds to step S31.
  • step S31 the control unit 102, the prediction model 2d, as described above, executes the prediction process for predicting an estimated cumulative loss rate E K, based on the total loss rate R (y, k). Then, the process proceeds to step S41.
  • step S41 the control device 102 calculates the loss term L (E, S) in the loss term unit 2f using the equation (7) as described above. After that, the process proceeds to step S50.
  • the control device 102 calculates a known cumulative loss based on the past specific year based on the past insurance claim data, and calculates the past specific year based on the past insurance claim data. Neural to calculate the cumulative loss rate based on the standard, and to estimate and output the unknown cumulative loss when inputting claim data for which insurance payment has not been completed based on the known cumulative loss and cumulative loss rate. I tried to train the network. As a result, the neural network can be trained using the past billing data that has already been determined.
  • the control device 102 trains the neural network so that the value of the function of the mean square error defined using the known cumulative loss and the cumulative loss rate is minimized. As a result, it is possible to improve the prediction accuracy of the reserve requirement by the neural network based on the known cumulative loss and the cumulative loss rate output.
  • the information processing device of the above-described embodiment can also be modified as follows.
  • the billing data in which the billing data is recorded may be used as a separate device, and the device in which the billing data is recorded and the information processing device 100 may be connected via a communication line such as the Internet.
  • the information processing device 100 predicts the payment reserve in response to an instruction from the operation terminal and transmits the prediction result to the operation terminal. It may be.
  • the information processing device 100 may be used as a stand-alone device as in the first and second embodiments described above, or the device or operation terminal on which billing data is recorded and the information processing device 100 It is also possible to build a client server type or cloud type information processing system in which the information is connected via a communication line.
  • the loss term L (U, S) for measuring the difference between the known cumulative loss S and the unknown cumulative loss U is minimized.
  • the prediction model 2d is such that the loss term L (U, S) for measuring the difference between the known cumulative loss S and the unknown cumulative loss U is equal to or less than a preset threshold value.
  • the prediction model 2d may be trained by adjusting the weight value of, that is, the weight of the neural network.
  • the weight value of the prediction model 2d that is, the weight of the neural network is adjusted so that the value of the loss term L (E, S) is minimized.
  • the weight value of the prediction model 2d that is, the weight of the neural network is adjusted so that the value of the loss term L (E, S) is equal to or less than the preset threshold value. You may try to train.
  • the present invention is not limited to the configuration in the above-described embodiment as long as the characteristic functions of the present invention are not impaired. Further, the configuration may be a combination of the above-described embodiment and a plurality of modified examples.
  • Information processing device 101 Operation member 102 Control device 103 Storage medium 104 Display device

Landscapes

  • Business, Economics & Management (AREA)
  • Engineering & Computer Science (AREA)
  • Strategic Management (AREA)
  • Human Resources & Organizations (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Economics (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Marketing (AREA)
  • General Physics & Mathematics (AREA)
  • General Business, Economics & Management (AREA)
  • Tourism & Hospitality (AREA)
  • Quality & Reliability (AREA)
  • Operations Research (AREA)
  • Data Mining & Analysis (AREA)
  • Accounting & Taxation (AREA)
  • Finance (AREA)
  • Development Economics (AREA)
  • Technology Law (AREA)
  • Game Theory and Decision Science (AREA)
  • Financial Or Insurance-Related Operations Such As Payment And Settlement (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

【課題】保険会社が将来必要となる支払準備金を予測すること。 【解決手段】　情報処理装置１００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。

Description

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
　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（特許文献１参照）。
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。
　本発明の第１の態様によると、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。
　本発明の第２の態様によると、第１の態様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、トレーニング手段は、既知の累計損失算出手段によって算出された既知の累計損失と、未知の累計損失推定手段によって算出された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。
　本発明の第３の態様によると、第２の態様の情報処理装置において、トレーニング手段は、既知の累計損失算出手段によって算出された既知の累計損失と、未知の累計損失推定手段によって推定された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ニューラルネットワークを学習させる。
　本発明の第４の態様によると、第１の態様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、トレーニング手段は、既知の累計損失算出手段によって算出された既知の累計損失と、累計損失率算出手段によって算出された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。
　本発明の第５の態様によると、第４の態様の情報処理装置において、トレーニング手段は、既知の累計損失算出手段によって算出された既知の累計損失と、累計損失率算出手段によって算出された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ニューラルネットワークを学習させる。
　本発明の第６の態様によると、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。
　本発明の第７の態様によると、第６の態様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、トレーニング手段は、既知の累計損失算出手段によって算出された既知の累計損失と、未知の累計損失推定手段によって推定された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。
　本発明の第８の態様によると、第７の態様の情報処理システムにおいて、トレーニング手段は、既知の累計損失算出手段によって算出された既知の累計損失と、未知の累計損失推定手段によって推定された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ニューラルネットワークを学習させる。
　本発明の第９の態様によると、第６の態様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、トレーニング手段は、既知の累計損失算出手段によって算出された既知の累計損失と、累計損失率算出手段によって算出された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。
　本発明の第１０の態様によると、第９の態様の情報処理システムにおいて、トレーニング手段は、既知の累計損失算出手段によって算出された既知の累計損失と、累計損失率算出手段によって算出された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ニューラルネットワークを学習させる。
　本発明の第１１の態様によると、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。
　本発明の第１２の態様によると、第１１の態様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、トレーニング手順は、既知の累計損失算出手順で算出した既知の累計損失と、未知の累計損失推定手順で推定した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。
　本発明の第１３の態様によると、第１２の態様の情報処理プログラムにおいて、トレーニング手順は、既知の累計損失算出手順で算出した既知の累計損失と、未知の累計損失推定手順で推定した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ニューラルネットワークを学習させる。
　本発明の第１４の態様によると、第１１の態様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、トレーニング手順は、既知の累計損失算出手順で算出した既知の累計損失と、累計損失率算出手順で算出した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。
　本発明の第１５の態様によると、第１４の態様の情報処理プログラムにおいて、トレーニング手順は、既知の累計損失算出手順で算出した既知の累計損失と、累計損失率算出手順で算出した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ニューラルネットワークを学習させる。
　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。 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。 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。 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。 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。 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図。 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。 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。
－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る。記憶媒体１０３は、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）＝｛ｃ０,ｃ１,・・・・ｃｎ｝のように、ｃ０～ｃｎ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ｃ０～ｃｎ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ｃ０～ｃｎ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）＝｛ｘ０,ｘ１,・・・・ｘｎ｝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。
Figure JPOXMLDOC01-appb-M000001
　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。
Figure JPOXMLDOC01-appb-M000002
Figure JPOXMLDOC01-appb-M000003
　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。
Figure JPOXMLDOC01-appb-M000004
　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の算出を繰り返す。そして、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。
Figure JPOXMLDOC01-appb-M000005
　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）＝｛ｃ０,ｃ１,・・・・ｃｎ｝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）＝｛ｘ０,ｘ１,・・・・ｘｎ｝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）＝｛ｘ０,ｘ１,・・・・ｘｎ｝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、ｃ０～ｃｎ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。
Figure JPOXMLDOC01-appb-M000006
　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ＥＫ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。
Figure JPOXMLDOC01-appb-M000007
　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、ＥＫ×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ＥＫ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。
　次の優先権基礎出願の開示内容は引用文としてここに組み込まれる。
　日本国特許出願２０１９年第９６７４１号（２０１９年５月２３日出願）
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。

     
PCT/JP2020/019602 2019-05-23 2020-05-18 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 WO2020235520A1 (ja)

Priority Applications (1)

Application Number Priority Date Filing Date Title
US17/606,237 US20220147938A1 (en) 2019-05-23 2020-05-18 Information processing device, information processing system, and information processing program

Applications Claiming Priority (2)

Application Number Priority Date Filing Date Title
JP2019096741A JP6813827B2 (ja) 2019-05-23 2019-05-23 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
JP2019-096741 2019-05-23

Publications (1)

Publication Number Publication Date
WO2020235520A1 true WO2020235520A1 (ja) 2020-11-26

Family

ID=73453726

Family Applications (1)

Application Number Title Priority Date Filing Date
PCT/JP2020/019602 WO2020235520A1 (ja) 2019-05-23 2020-05-18 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

Country Status (3)

Country Link
US (1) US20220147938A1 (ja)
JP (1) JP6813827B2 (ja)
WO (1) WO2020235520A1 (ja)

Families Citing this family (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20220414495A1 (en) * 2021-06-24 2022-12-29 The Toronto-Dominion Bank System and method for determining expected loss using a machine learning framework
CN116777648B (zh) * 2023-08-23 2023-11-03 山东远硕上池健康科技有限公司 一种车辆出险的人伤理赔信息智能管理方法

Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2006522376A (ja) * 2003-09-10 2006-09-28 スイス リインシュアランス カンパニー 自動的な経験料率の設定、及び／又は、損失積立のためのシステム、及び、方法
JP2008512798A (ja) * 2004-09-10 2008-04-24 デロイッテ・ディベロップメント・エルエルシー 保険証券及びクレームレベル詳細予測モデリングを使用して保険支払備金及び信頼区間を推定するための方法及びシステム

Patent Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2006522376A (ja) * 2003-09-10 2006-09-28 スイス リインシュアランス カンパニー 自動的な経験料率の設定、及び／又は、損失積立のためのシステム、及び、方法
JP2008512798A (ja) * 2004-09-10 2008-04-24 デロイッテ・ディベロップメント・エルエルシー 保険証券及びクレームレベル詳細予測モデリングを使用して保険支払備金及び信頼区間を推定するための方法及びシステム

Also Published As

Publication number Publication date
JP2020190983A (ja) 2020-11-26
JP6813827B2 (ja) 2021-01-13
US20220147938A1 (en) 2022-05-12

Similar Documents

Publication Publication Date Title
US20190042999A1 (en) Systems and methods for optimizing parallel task completion
JP4661250B2 (ja) 予測方法、予測装置および予測プログラム
Pigeon et al. Individual loss reserving with the multivariate skew normal framework
CN111192131A (zh) 金融风险预测方法、装置和电子设备
US20050055257A1 (en) Techniques for performing business analysis based on incomplete and/or stage-based data
Huang et al. Medical service demand forecasting using a hybrid model based on ARIMA and self-adaptive filtering method
WO2020235520A1 (ja) 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
WO2016084642A1 (ja) 与信審査用サーバと与信審査用システム及び与信審査用プログラム
US20140149175A1 (en) Financial Risk Analytics for Service Contracts
JP2007215354A (ja) 電力負荷予測方法、及び電力負荷予測処理プログラム
WO2021041061A1 (en) System and method for recruitment candidate equity modeling
JP6049799B2 (ja) 経営支援プログラム
JP2001125962A (ja) 企業診断及び経営意思決定支援システム
JP2019028871A (ja) プロジェクト管理支援装置、プロジェクト管理支援方法およびプログラム
CN110766184A (zh) 订单量预测方法和装置
CN110310199B (zh) 借贷风险预测模型的构建方法、系统及借贷风险预测方法
US9544445B1 (en) Telecommunication price-based routing apparatus, system and method
US20220164912A1 (en) Dynamically adjusting a pool of transportation provider devices in a prioritized-dispatch mode using availability indicators
CN116542760A (zh) 一种用于评估数据的方法和装置
De Jongh et al. A critical review of the Basel margin of conservatism requirement in a retail credit context
CN112418534B (zh) 揽件量预测方法及装置、电子设备、计算机可读存储介质
US20110078071A1 (en) Prioritizing loans using customer, product and workflow attributes
US20200219622A1 (en) System and methods for enhanced risk adjustment factor prediction
JP3306806B2 (ja) 退職給付債務管理装置
JP2015103246A (ja) 価格決定の方法、システム、およびコンピュータ・プログラム（製品およびサービスのためのロバストな価格決定解決法）

Legal Events

Date Code Title Description
121 Ep: the epo has been informed by wipo that ep was designated in this application

Ref document number: 20810736

Country of ref document: EP

Kind code of ref document: A1

NENP Non-entry into the national phase

Ref country code: DE

122 Ep: pct application non-entry in european phase

Ref document number: 20810736

Country of ref document: EP

Kind code of ref document: A1