CN110659998A - 数据处理方法、装置、计算机装置及存储介质 - Google Patents

数据处理方法、装置、计算机装置及存储介质 Download PDF

Info

Publication number
CN110659998A
CN110659998A CN201910771254.6A CN201910771254A CN110659998A CN 110659998 A CN110659998 A CN 110659998A CN 201910771254 A CN201910771254 A CN 201910771254A CN 110659998 A CN110659998 A CN 110659998A
Authority
CN
China
Prior art keywords
parameters
target
historical
model
influence
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Pending
Application number
CN201910771254.6A
Other languages
English (en)
Inventor
徐永胜
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Ping An Life Insurance Company of China Ltd
Original Assignee
Ping An Life Insurance Company of China Ltd
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 Ping An Life Insurance Company of China Ltd filed Critical Ping An Life Insurance Company of China Ltd
Priority to CN201910771254.6A priority Critical patent/CN110659998A/zh
Publication of CN110659998A publication Critical patent/CN110659998A/zh
Pending legal-status Critical Current

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
    • G06Q40/00—Finance; Insurance; Tax strategies; Processing of corporate or income taxes
    • G06Q40/08—Insurance
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
    • G06F16/28—Databases characterised by their database models, e.g. relational or object models
    • G06F16/284—Relational databases
    • 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"

Landscapes

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

Abstract

一种数据处理方法，包括：获取历史对象的历史结果参数以及与所述历史对象的历史结果参数相关的历史影响参数；根据所述历史影响参数以及所述历史结果参数进行拟合得到多个模型函数，并整合所述模型函数以得到预测模型，其中，当所述预测模型的输入变量为影响参数时，输出变量为结果参数；获取目标对象的目标影响参数；将所述目标影响参数输入所述预测模型，得到所述目标对象的目标结果参数；创建一关系型数据库，将所述目标影响参数以及所述目标结果参数对应存储于所述关系型数据库中。本发明还提供一种数据处理装置、计算机装置及存储介质，通过预先设定研发框架方案，在保险产品具体开发中只需填写影响参数，有利于提高产品开发效率。

Description

数据处理方法、装置、计算机装置及存储介质
技术领域
本发明涉及计算机技术领域，具体涉及一种基于模型预测的数据处理方法、基于模型预测的数据处理装置、计算机装置及计算机可读存储介质。
背景技术
目前，在保险产品开发时，需要收集大量数据，并对这些大量数据进行繁琐的数据分析才能得出保险产品的定价结果。这种定价的方法效率低，需要耗费大量的计算机***资源，且准确性不高。
发明内容
鉴于以上内容，有必要提出一种基于模型预测的数据处理方法及装置、计算机装置和计算机可读存储介质，从而解决以上问题。
本申请的第一方面提供一种基于模型预测的数据处理方法，应用于一计算机装置中，所述方法包括：
获取历史对象的历史结果参数以及与所述历史对象的历史结果参数相关的历史影响参数；
根据所述历史影响参数以及所述历史结果参数进行拟合得到多个模型函数，并整合所述模型函数以得到预测模型，其中，当所述预测模型的输入变量为影响参数时，输出变量为结果参数；
获取目标对象的目标影响参数；
调用所述预测模型，将所述目标影响参数输入所述预测模型，得到所述目标对象的目标结果参数；
创建一关系型数据库，将所述目标影响参数以及所述目标结果参数对应存储于所述关系型数据库中；
输出所述目标影响参数对应的目标结果参数。
本申请的第二方面提供一种基于模型预测的数据处理装置，其特征在于，所述装置包括：
第一获取模块，用于获取历史对象的历史结果参数以及与所述历史对象的历史结果参数相关的历史影响参数；
模型建立模块，用于根据所述历史影响参数以及所述历史结果参数进行拟合得到多个模型函数，并整合所述模型函数以得到预测模型，其中，当所述预测模型的输入变量为影响参数时，输出变量为结果参数；
第二获取模块，用于获取目标对象的目标影响参数；
调用模块，用于调用所述预测模型，将所述目标影响参数输入所述预测模型，得到所述目标对象的目标结果参数；
数据库创建模块，用于创建一关系型数据库，将所述目标影响参数以及所述目标结果参数对应存储于所述关系型数据库中；
输出模块，用于输出所述目标影响参数对应的目标结果参数。
本申请的第三方面提供一种计算机装置，所述计算机装置包括处理器，所述处理器用于执行存储器中存储的计算机程序时实现如前所述基于模型预测的数据处理方法。
本申请的第四方面提供一种计算机可读存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时实现如前所述基于模型预测的数据处理方法。
本发明事先创建预测模型，在目标对象具体开发中只需填写影响参数，预测模型便可根据填写的参数自动生成目标对象的结果参数，从而有利于提高预测准确度和效率，并且可以有效减少对计算机***资源的占用。
附图说明
图1是本发明实施例一提供的基于模型预测的数据处理方法的流程图。
图2是本发明实施例二提供的基于模型预测的数据处理装置的结构示意图。
图3是本发明实施例三提供的计算机装置示意图。
主要元件符号说明
计算机装置 1
存储器 20
处理器 30
计算机程序 40
基于模型预测的数据处理装置 10
第一获取模块 101
模型建立模块 102
第二获取模块 103
调用模块 104
数据库创建模块 105
输出模块 106
解析模块 107
搜索模块 108
如下具体实施方式将结合上述附图进一步说明本发明。
具体实施方式
为了能够更清楚地理解本发明的上述目的、特征和优点，下面结合附图和具体实施例对本发明进行详细描述。需要说明的是，在不冲突的情况下，本申请的实施例及实施例中的特征可以相互组合。
在下面的描述中阐述了很多具体细节以便于充分理解本发明，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
除非另有定义，本文所使用的所有的技术和科学术语与属于本发明的技术领域的技术人员通常理解的含义相同。本文中在本发明的说明书中所使用的术语只是为了描述具体的实施例的目的，不是旨在于限制本发明。
实施例一
请参阅图1所示，是本发明第一实施例提供的基于模型预测的数据处理方法的流程图。所述基于模型预测的数据处理方法应用于一计算机装置中。根据不同的需求，该流程图中步骤的顺序可以改变，某些步骤可以省略。所述基于模型预测的数据处理方法包括如下步骤：
步骤S1：获取历史对象的历史结果参数以及与所述历史对象的历史结果参数相关的历史影响参数。
其中，所述历史对象可以是既有的保险产品。所述历史结果参数可以包括，但并不限于，既有的保险产品的保费、现金价值、客户退保时能拿到的退保金和保险公司预期获得的利润等历史定价结果。
所述历史影响参数为对历史对象的历史定价结果造成影响的既有的影响参数。所述历史影响参数可以包括，但并不限于，理赔责任、死亡发生率等。需要说明的是，所述历史影响参数的类型可以由人工根据具体的保险产品分析得到，具体还可以根据不同种类的保险产品进行变更。
在本实施方式中，所述计算机装置从一数据源中获取所述历史结果参数以及所述历史影响参数。所述数据源可以是保险应用(Appliation,APP)或者保险公司的保险数据库等。例如，可以通过保险公司的保险数据库获取用户购买的历史对象对应的电子保单，并获取所述电子保单中记录的所述历史对象的历史结果参数以及所述历史影响参数。
步骤S2：根据所述历史影响参数以及所述历史结果参数进行拟合得到多个模型函数，并整合所述模型函数以得到预测模型，其中，当所述预测模型的输入变量为影响参数时，输出变量为结果参数。
以下以所述历史影响参数为理赔责任，所述历史结果参数(历史定价结果)为年缴保费以及现金价值为例进行说明。其中，所述模型函数包含理赔责任、年缴保费以及现金价值等的计算函数。
其中，年交保费Ρ的计算函数为：
Figure BDA0002173407300000051
其中0O1为矩阵O0中的第1个元素；0i1为矩阵I0中的第1个元素。
矩阵Ot表示未来责任的贴现矩阵，贴现率为i：
Figure BDA0002173407300000052
其中，tOs表示t保单年度末且保险有效状态为S时，未来责任的贴现，贴现率为i。
矩阵IO表示1元保费对应的未来净现金流入贴现矩阵，贴现率为i：
Figure BDA0002173407300000053
其中，tis表示t保单年度末且保险有效状态为S时，1元保费对应的未来净现金流入贴现。
现金价值Ct的计算函数为：
Ct＝Ot-ΡIt (1.2)
由公式(1.1)和(1.2)可知，年交保费和现金价值的结果是通过未来责任的贴现矩阵Ot决定的。而Ot由理赔责任Bt和生存金At决定，具体地，未来责任的贴现矩阵Ot满足如下的递推关系：
·t＝n
Figure BDA0002173407300000054
·t＜n
Figure BDA0002173407300000055
其中，矩阵Bt表示理赔金额矩阵：
Figure BDA0002173407300000056
其中，tbsK表示t保单年度末且保险有效状态为S时，t+1元保单年度发生理赔责任K的理赔金额。
矩阵At表示生存金矩阵：
其中，tas表示t保单年度末且保险有效状态为S时，t+1元保单年度初的生存金。
而理赔责任Bt和生存金At又进一步与年交保费Ρ和现金价值Ct相关。因此，本实施例整合所述模型函数，并借助数值求解的方法计算年交保费Ρ和现金价值Ct。其中，所述数据求解方法是基于给定的初始值，然后通过迭代的方式求解出年交保费Ρ和现金价值Ct，具体地：
1.假设年交保费Ρ和现金价值Ct的初始值分别为Ρ(0)和Ct (0)；
2.将Ρ(0)和Ct (0)代入公式(1.3)和(1.4)中，得到未来责任的贴现矩阵Ot (1)；
3.将Ot (1)依次代入公式(1.1)和(1.2)，得到第一次迭代后的年交保费Ρ(1)和现金价值Ct (1)；
4.重复以上三个步骤，得到如下的年交保费和现金价值序列：
Ρ(ο)，Ρ(1)，Ρ(2)，…，Ρ(l)
Ct (ο)，Ct (1)，Ct (2)，…，Ct (l)；
5.设定一预设精度值K(如，K为0.000001)，当满足如下条件时停止迭代：
Figure BDA0002173407300000062
其中，n表示保单保障期限，Ρ(l)与Ct (l)分别代表最终的年交保费和现金价值，Ρ(l)与Ct (l)等于所述历史对象的历史结果参数。
步骤S3：获取目标对象的目标影响参数。
在本实施方式中，所述计算机装置可提供一操作界面，以供开发人员输入所述目标影响参数。更具体地，所述操作界面用于显示一表单，所述表单具有对应所述目标影响参数的栏位以供开发人员在所述表单输入所述目标影响参数。
步骤S4：调用所述预测模型，将所述目标影响参数输入所述预测模型，得到所述目标对象的目标结果参数。
如此，开发人员在需要预测目标结果参数时，只需要将所述目标影响参数输入所述预测模型，所述预测模型便可根据所述目标影响参数输对应的目标结果数据。开发人员并不需要进行具体的计算，由此可以省略人工计算导致的误差问题，提高效率。
步骤S5：创建一关系型数据库，将所述目标影响参数以及所述目标对象的目标结果参数对应存储于所述关系型数据库中，并输出所述目标影响参数对应的目标结果参数。
在本实施方式中，所述关系型数据库可以是mysql、sqlservice以及oracle数据库等。在本实施方式中，所述关系型数据库为oracle数据库。
进一步地，所述计算机装置还用于获取所述目标对象的对象类型，并将所述目标影响参数、所述目标对象的目标结果参数以及对象类型对应存储于所述关系型数据库中。当所述目标对象为保险产品时，所述目标对象的对象类型为保险类型，所述保险类型可以是根据保险标的进行分类，如：人身保险(如人寿保险、健康保险以及意外伤害保险)、财产保险等。其中，开发人员还可经过所述操作界面输入所述对象类型，所述计算机装置从所述操作界面获取所述对象类型。在其它实施方式中，所述保险类型还可以根据其它保险标的进行分类。
通过关系型数据库实现对产品数据的标准化管理，使得后续可以调用同类保险产品的影响参数，从而，所述保险产品的开发流程可进一步缩减，提高产品开发效率。再者，也可以实现资源的共享，为其他开发人员提供开发案例。
在本实施方式中，所述目标影响参数包括结构化数据和非结构化数据的至少一种。所述结构化数据是指能够用数据或统一的结构表示的数据形式，如数字、符号等。所述非结构化数据是指没有固定结构的数据形式，例如各种文档、图片等。对于结构化数据，当需要调用同类保险产品的目标影响参数时，可以从所述关系型数据库中获取源数据，将所述源数据通过sqoop导入至分布式***(Hadoop Distributed File System,HDFS)中。对于所述非结构化数据，当需要调用同类保险产品的目标影响参数时，可以将所述源数据发送至分布式发布订阅消息***(Kafka)中，通过分布式发布订阅消息***将所述源数据同步至HDFS中。然后采用hive工具对导入至HDFS的源数据按照预设要求进行加工，并存放至hive数据表中，所述hive数据表以文本文件的形式进行保存。
后续，若需要开发新的目标对象(即，新的待定价保险产品)时，可调用所述关系型数据库中存储的类似的目标对象对应的目标影响参数。针对该种情况，所述基于模型预测的数据处理方法还可进一步包括：
步骤S6：当接收到一搜索指令时，解析所述搜索指令以获取至少一第一对象类型。
其中，当开发人员在需要开发待定价保险产品时，可根据所述待定价保险产品的第一对象类型向所述计算机装置输入所述搜索指令。更具体地，开发人员可经过所述操作界面输入所述搜索指令。
步骤S7，根据所述搜索指令搜索所述关系型数据库中存储的对象类型与所述第一对象类型相同的至少一所述目标对象，获取搜索到的所述目标对象对应的目标影响参数，将获取到的所述目标影响参数作为参考影响参数并输出所述参考影响参数。
从而，开发人员在获得所述参考影响参数后，可以根据实际需要调整所述参考影响参数，并将调整后的所述参考影响参数重新输入至所述计算机装置中。
步骤S8，接收调整后的所述参考影响参数，重新调用所述预测模型，将调整后的所述参考影响参数输入所述预测模型，得到所述待定价保险产品的目标结果参数。
上述图1详细介绍了本发明的基于模型预测的数据处理方法，下面结合图2至图3，对实现所述基于模型预测的数据处理方法的软件装置的功能模块以及实现所述基于模型预测的数据处理方法的硬件装置架构进行介绍。
应该了解，所述实施例仅为说明之用，在专利申请范围上并不受此结构的限制。
实施例二
图2为本发明基于模型预测的数据处理装置较佳实施例的结构图。
在一些实施例中，所述基于模型预测的数据处理装置10运行于计算机装置中。所述基于模型预测的数据处理装置10可以包括多个由程序代码段所组成的功能模块。所述基于模型预测的数据处理装置10中的各个程序段的程序代码可以存储于计算机装置的存储器中，并由所述至少一个处理器所执行，以实现基于模型预测的数据处理功能。
本实施例中，所述基于模型预测的数据处理装置10根据其所执行的功能，可以被划分为多个功能模块。参阅图2所示，所述功能模块可以包括：第一获取模块101、模型建立模块102、第二获取模块103、调用模块104、数据库创建模块105、输出模块106、解析模块107以及搜索模块108。本发明所称的模块是指一种能够被至少一个处理器所执行并且能够完成固定功能的一系列计算机程序段，其存储在存储器中。在本实施例中，关于各模块的功能将在后续的实施例中详述。
所述第一获取模块101用于获取历史对象的历史结果参数以及与所述历史对象的历史结果参数相关的历史影响参数。
其中，所述历史对象可以是既有的保险产品。所述历史结果参数可以包括，但并不限于，既有的保险产品的保费、现金价值、客户退保时能拿到的退保金和保险公司预期获得的利润等历史定价结果。
所述历史影响参数为对历史对象的历史结果参数造成影响的既有的影响参数。所述历史影响参数可以包括，但并不限于，理赔责任、死亡发生率等。需要说明的是，所述历史影响参数的类型可以由人工根据具体的保险产品分析得到，具体还可以根据不同种类的保险产品进行变更。
在本实施方式中，所述第一获取模块101从一数据源中获取所述历史结果参数以及所述历史影响参数。所述数据源可以是保险应用(Appliation,APP)或者保险公司的保险数据库等。例如，可以通过保险公司的保险数据库获取用户购买的历史对象对应的电子保单，并获取所述电子保单中记录的所述历史对象的历史结果参数以及所述历史影响参数。
所述模型建立模块102用于根据所述历史影响参数以及所述历史结果参数进行拟合得到多个模型函数，并整合所述模型函数以得到预测模型，其中，当所述预测模型的输入变量为影响参数时，输出变量为结果参数。
以下以所述历史影响参数为理赔责任，所述历史结果参数为年缴保费以及现金价值为例进行说明。其中，所述模型函数包含理赔责任、年缴保费以及现金价值等的计算函数。
其中，年交保费Ρ的计算函数为：
Figure BDA0002173407300000101
其中0O1为矩阵O0中的第1个元素；0i1为矩阵I0中的第1个元素。
矩阵Ot表示未来责任的贴现矩阵，贴现率为i：
Figure BDA0002173407300000102
其中，tOs表示t保单年度末且保险有效状态为S时，未来责任的贴现，贴现率为i。
矩阵IO表示1元保费对应的未来净现金流入贴现矩阵，贴现率为i：
Figure BDA0002173407300000103
其中，tis表示t保单年度末且保险有效状态为S时，1元保费对应的未来净现金流入贴现。
现金价值Ct的计算函数为：
Ct＝Ot-ΡIt (1.2)
由公式(1.1)和(1.2)可知，年交保费和现金价值的结果是通过未来责任的贴现矩阵Ot决定的。而Ot由理赔责任Bt和生存金At决定，具体地，未来责任的贴现矩阵Ot满足如下的递推关系：
·t＝n
·t＜n
Figure BDA0002173407300000112
其中，矩阵Bt表示理赔金额矩阵：
Figure BDA0002173407300000113
其中，tbsK表示t保单年度末且保险有效状态为S时，t+1元保单年度发生理赔责任K的理赔金额。
矩阵At表示生存金矩阵：
Figure BDA0002173407300000114
其中，tas表示t保单年度末且保险有效状态为S时，t+1元保单年度初的生存金。
而理赔责任Bt和生存金At又进一步与年交保费Ρ和现金价值Ct相关。因此，本实施例整合所述模型函数，并借助数值求解的方法计算年交保费Ρ和现金价值Ct。其中，所述数据求解方法是基于给定的初始值，然后通过迭代的方式求解出年交保费Ρ和现金价值Ct，具体地：
1.假设年交保费Ρ和现金价值Ct的初始值分别为Ρ(0)和Ct (0)；
2.将Ρ(0)和Ct (0)代入公式(1.3)和(1.4)中，得到未来责任的贴现矩阵Ot (1)；
3.将Ot (1)依次代入公式(1.1)和(1.2)，得到第一次迭代后的年交保费Ρ(1)和现金价值Ct (1)；
4.重复以上三个步骤，得到如下的年交保费和现金价值序列：
Ρ(ο)，Ρ(1)，Ρ(2)，…，Ρ(l)
Ct (ο)，Ct (1)，Ct (2)，…，Ct (l)；
5.设定一预设精度值K(如，K为0.000001)，当满足如下条件时停止迭代：
Figure BDA0002173407300000121
其中，n表示保单保障期限，Ρ(l)与Ct (l)分别代表最终的年交保费和现金价值，Ρ(l)与Ct (l)等于所述历史对象的历史结果参数。
所述第二获取模块103用于获取目标对象的目标影响参数。
在本实施方式中，所述计算机装置可提供一操作界面，以供开发人员输入所述目标影响参数。更具体地，所述操作界面用于显示一表单，所述表单具有对应所述目标影响参数的栏位以供开发人员在所述表单输入所述目标影响参数。
所述调用模块104用于调用所述预测模型，将所述目标影响参数输入所述预测模型，得到所述目标对象的目标结果参数。
如此，开发人员在需要预测目标结果参数时，只需要将所述目标影响参数输入所述预测模型，所述预测模型便可根据所述目标影响参数输对应的目标结果数据。开发人员并不需要进行具体的计算，由此可以省略人工计算导致的误差问题，提高效率。
所述数据库创建模块105用于创建一关系型数据库，将所述目标影响参数以及所述目标对象的目标结果参数对应存储于所述关系型数据库中。
在本实施方式中，所述关系型数据库可以是mysql、sqlservice以及oracle数据库等。在本实施方式中，所述关系型数据库为oracle数据库。
进一步地，所述第二获取模块103还用于获取所述目标对象的对象类型，所述数据库创建模块105将所述目标影响参数、所述目标对象的目标结果参数以及对象类型对应存储于所述关系型数据库中。当所述目标对象为保险产品时，所述目标对象的保险类型为保险类型，所述保险类型可以是根据保险标的进行分类，如：人身保险(如人寿保险、健康保险以及意外伤害保险)、财产保险等。其中，开发人员还可经过所述操作界面输入所述对象类型，所述第二获取模块103从所述操作界面获取所述保险类型。在其它实施方式中，所述保险类型还可以根据其它保险标的进行分类。
通过关系型数据库实现对产品数据的标准化管理，使得后续可以调用同类保险产品的影响参数，从而，所述保险产品的开发流程可进一步缩减，提高产品开发效率。再者，也可以实现资源的共享，为其他开发人员提供开发案例。
在本实施方式中，所述目标影响参数包括结构化数据和非结构化数据的至少一种。所述结构化数据是指能够用数据或统一的结构表示的数据形式，如数字、符号等。所述非结构化数据是指没有固定结构的数据形式，例如各种文档、图片等。对于结构化数据，当需要调用同类保险产品的目标影响参数时，可以从所述关系型数据库中获取源数据，将所述源数据通过sqoop导入至分布式***(Hadoop Distributed File System,HDFS)中。对于所述非结构化数据，当需要调用同类保险产品的目标影响参数时，可以将所述源数据发送至分布式发布订阅消息***(Kafka)中，通过分布式发布订阅消息***将所述源数据同步至HDFS中。然后采用hive工具对导入至HDFS的源数据按照预设要求进行加工，并存放至hive数据表中，所述hive数据表以文本文件的形式进行保存。
所述输出模块106用于输出所述目标影响参数对应的目标结果参数。
后续，若需要开发新的目标对象(即，新的待定价保险产品)时，可调用所述关系型数据库中存储的类似的目标对象对应的目标影响参数。针对该种情况，所述解析模块107用于当接收到一搜索指令时，解析所述搜索指令以获取至少一第一对象类型。
其中，当开发人员在需要开发待定价保险产品时，可根据所述待定价保险产品的第一对象类型向所述计算机装置输入所述搜索指令。更具体地，开发人员可经过所述操作界面输入所述搜索指令。
所述搜索模块108用于根据所述搜索指令搜索所述关系型数据库中存储的对象类型与所述第一对象类型相同的至少一所述目标对象，获取搜索到的所述目标对象对应的目标影响参数，将获取到的所述目标影响参数作为参考影响参数并输出所述参考影响参数。
从而，开发人员在获得所述参考影响参数后，可以根据实际需要调整所述参考影响参数，并将调整后的所述参考影响参数重新输入至所述计算机装置中。
所述调用模块104还用于接收调整后的所述参考影响参数，重新调用所述预测模型，将调整后的所述参考影响参数输入所述预测模型，得到所述待定价保险产品的结果参数。
如前所述，本发明实施例中事先创建预测模型，在保险产品具体开发中只需填写影响参数，预测模型便可根据填写的参数自动生成保险产品的结果参数，从而有利于提高产品开发效率，并且可以有效减少对计算机***资源的占用；再者，通过关系型数据库(如oracle数据库)实现对产品数据的标准化管理，从而为未来的产品开发积累宝贵的资源。
实施例三
图3为本发明计算机装置较佳实施例的示意图。
所述计算机装置1包括存储器20、处理器30以及存储在所述存储器20中并可在所述处理器30上运行的计算机程序40，例如基于模型预测的数据处理程序。所述处理器30执行所述计算机程序40时实现上述基于模型预测的数据处理方法实施例中的步骤，例如图1所示的步骤S1～S8。或者，所述处理器30执行所述计算机程序40时实现上述基于模型预测的数据处理装置实施例中各模块/单元的功能，例如图2中的模块101-108。
示例性的，所述计算机程序40可以被分割成一个或多个模块/单元，所述一个或者多个模块/单元被存储在所述存储器20中，并由所述处理器30执行，以完成本发明。所述一个或多个模块/单元可以是能够完成特定功能的一系列计算机程序指令段，该指令段用于描述所述计算机程序40在所述计算机装置1中的执行过程。例如，所述计算机程序40可以被分割成图2中的第一获取模块101、模型建立模块102、第二获取模块103、调用模块104、数据库创建模块105、输出模块106、解析模块107以及搜索模块108。各模块具体功能参见实施例二。
所述计算机装置1可以是桌上型计算机、笔记本、掌上电脑及云端服务器等计算设备。本领域技术人员可以理解，所述示意图仅仅是计算机装置1的示例，并不构成对计算机装置1的限定，可以包括比图示更多或更少的部件，或者组合某些部件，或者不同的部件，例如所述计算机装置1还可以包括输入输出设备、网络接入设备、总线等。
所称处理器30可以是中央处理单元(Central Processing Unit，CPU)，还可以是其他通用处理器、数字信号处理器(Digital Signal Processor，DSP)、专用集成电路(Application Specific Integrated Circuit，ASIC)、现成可编程门阵列(Field-Programmable Gate Array，FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。通用处理器可以是微处理器或者该处理器30也可以是任何常规的处理器等，所述处理器30是所述计算机装置1的控制中心，利用各种接口和线路连接整个计算机装置1的各个部分。
所述存储器20可用于存储所述计算机程序40和/或模块/单元，所述处理器30通过运行或执行存储在所述存储器20内的计算机程序和/或模块/单元，以及调用存储在存储器20内的数据，实现所述计算机装置1的各种功能。所述存储器20可主要包括存储程序区和存储数据区，其中，存储程序区可存储操作***、至少一个功能所需的应用程序(比如声音播放功能、图像播放功能等)等；存储数据区可存储根据计算机装置1的使用所创建的数据(比如音频数据)等。此外，存储器20可以包括非易失性存储器，例如硬盘、内存、插接式硬盘，智能存储卡(Smart Media Card,SMC)，安全数字(Secure Digital,SD)卡，闪存卡(FlashCard)、至少一个磁盘存储器件、闪存器件、或其他非易失性固态存储器件。
所述计算机装置1集成的模块/单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本发明实现上述实施例方法中的全部或部分流程，也可以通过计算机程序来指令相关的硬件来完成，所述的计算机程序可存储于一计算机可读存储介质中，该计算机程序在被处理器执行时，可实现上述各个方法实施例的步骤。其中，所述计算机程序包括计算机程序代码，所述计算机程序代码可以为源代码形式、对象代码形式、可执行文件或某些中间形式等。所述计算机可读介质可以包括：能够携带所述计算机程序代码的任何实体或装置、记录介质、U盘、移动硬盘、磁碟、光盘、计算机存储器、只读存储器(ROM，Read-Only Memory)。
在本发明所提供的几个实施例中，应该理解到，所揭露的计算机装置和方法，可以通过其它的方式实现。例如，以上所描述的计算机装置实施例仅仅是示意性的，例如，所述单元的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式。
另外，在本发明各个实施例中的各功能单元可以集成在相同处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在相同单元中。上述集成的单元既可以采用硬件的形式实现，也可以采用硬件加软件功能模块的形式实现。
对于本领域技术人员而言，显然本发明不限于上述示范性实施例的细节，而且在不背离本发明的精神或基本特征的情况下，能够以其他的具体形式实现本发明。因此，无论从哪一点来看，均应将实施例看作是示范性的，而且是非限制性的，本发明的范围由所附权利要求而不是上述说明限定，因此旨在将落在权利要求的等同要件的含义和范围内的所有变化涵括在本发明内。不应将权利要求中的任何附图标记视为限制所涉及的权利要求。此外，显然“包括”一词不排除其他单元或步骤，单数不排除复数。计算机装置权利要求中陈述的多个单元或计算机装置也可以由同一个单元或计算机装置通过软件或者硬件来实现。第一，第二等词语用来表示名称，而并不表示任何特定的顺序。
最后应说明的是，以上实施例仅用以说明本发明的技术方案而非限制，尽管参照较佳实施例对本发明进行了详细说明，本领域的普通技术人员应当理解，可以对本发明的技术方案进行修改或等同替换，而不脱离本发明技术方案的精神和范围。

Claims (9)

1.一种基于模型预测的数据处理方法，应用于一计算机装置中，其特征在于，所述方法包括：
获取历史对象的历史结果参数以及与所述历史对象的历史结果参数相关的历史影响参数；
根据所述历史影响参数以及所述历史结果参数进行拟合得到多个模型函数，并整合所述模型函数以得到预测模型，其中，当所述预测模型的输入变量为影响参数时，输出变量为结果参数；
获取目标对象的目标影响参数；
调用所述预测模型，将所述目标影响参数输入所述预测模型，得到所述目标对象的目标结果参数；
创建一关系型数据库，将所述目标影响参数以及所述目标结果参数对应存储于所述关系型数据库中；
输出所述目标影响参数对应的目标结果参数。
2.如权利要求1所述的基于模型预测的数据处理方法，其特征在于，所述关系型数据库为mysql、sqlservice以及oracle数据库中的其中一种。
3.如权利要求1所述的基于模型预测的数据处理方法，其特征在于，所述计算机装置还用于获取所述目标对象的对象类型，并将所述目标影响参数、所述目标结果参数以及对象类型对应存储于所述关系型数据库中。
4.如权利要求3所述的基于模型预测的数据处理方法，其特征在于，还包括：
当接收到一搜索指令时，解析所述搜索指令以获取至少一第一对象类型；以及
根据所述搜索指令搜索所述关系型数据库中存储的对象类型与所述第一对象类型相同的至少一所述目标对象，获取搜索到的所述目标对象对应的目标影响参数；以及
将获取到的所述目标影响参数作为参考影响参数并输出所述参考影响参数。
5.如权利要求4所述的基于模型预测的数据处理方法，其特征在于，还包括：
接收调整后的所述参考影响参数；
重新调用所述预测模型，将调整后的所述参考影响参数输入预测模型，得到新的目标对象的目标结果参数。
6.如权利要求1所述的基于模型预测的数据处理方法，其特征在于，当所述历史影响参数包括理赔责任，所述历史结果参数包括年缴保费和现金价值时，所述模型函数包括理赔责任、年缴保费和现金价值的计算函数，所述整合所述模型函数以得到预测模型包括整合理赔责任、年缴保费和现金价值的计算函数，并通过数值求解计算年交保费和现金价值；
其中，所述数据求解为基于给定的初始值，通过迭代的方式求解出年交保费和现金价值。
7.一种基于模型预测的数据处理装置，其特征在于，所述装置包括：
第一获取模块，用于获取历史对象的历史结果参数以及与所述历史对象的历史结果参数相关的历史影响参数；
模型建立模块，用于根据所述历史影响参数以及所述历史结果参数进行拟合得到多个模型函数，并整合所述模型函数以得到预测模型，其中，当所述预测模型的输入变量为影响参数时，输出变量为结果参数；
第二获取模块，用于获取目标对象的目标影响参数；
调用模块，用于调用所述预测模型，将所述目标影响参数输入所述预测模型，得到所述目标对象的目标结果参数；
数据库创建模块，用于创建一关系型数据库，将所述目标影响参数以及所述目标结果参数对应存储于所述关系型数据库中；
输出模块，用于输出所述目标影响参数对应的目标结果参数。
8.一种计算机装置，其特征在于：所述计算机装置包括处理器，所述处理器用于执行存储器中存储的计算机程序时实现如权利要求1-6中任一项所述的基于模型预测的数据处理方法。
9.一种计算机可读存储介质，其上存储有计算机程序，其特征在于：所述计算机程序被处理器执行时实现如权利要求1-6中任一项所述的基于模型预测的数据处理方法。
CN201910771254.6A 2019-08-20 2019-08-20 数据处理方法、装置、计算机装置及存储介质 Pending CN110659998A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201910771254.6A CN110659998A (zh) 2019-08-20 2019-08-20 数据处理方法、装置、计算机装置及存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201910771254.6A CN110659998A (zh) 2019-08-20 2019-08-20 数据处理方法、装置、计算机装置及存储介质

Publications (1)

Publication Number Publication Date
CN110659998A true CN110659998A (zh) 2020-01-07

Family

ID=69037637

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201910771254.6A Pending CN110659998A (zh) 2019-08-20 2019-08-20 数据处理方法、装置、计算机装置及存储介质

Country Status (1)

Country Link
CN (1) CN110659998A (zh)

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111930350A (zh) * 2020-08-05 2020-11-13 深轻(上海)科技有限公司 一种基于计算模板的精算模型建立方法
CN112182118A (zh) * 2020-09-29 2021-01-05 中国平安人寿保险股份有限公司 基于多数据源的目标对象预测方法及其相关设备
CN113570124A (zh) * 2021-07-15 2021-10-29 上海淇玥信息技术有限公司 一种对象赋值方法、装置和电子设备

Cited By (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111930350A (zh) * 2020-08-05 2020-11-13 深轻(上海)科技有限公司 一种基于计算模板的精算模型建立方法
CN111930350B (zh) * 2020-08-05 2024-04-09 深轻(上海)科技有限公司 一种基于计算模板的精算模型建立方法
CN112182118A (zh) * 2020-09-29 2021-01-05 中国平安人寿保险股份有限公司 基于多数据源的目标对象预测方法及其相关设备
CN112182118B (zh) * 2020-09-29 2023-12-05 中国平安人寿保险股份有限公司 基于多数据源的目标对象预测方法及其相关设备
CN113570124A (zh) * 2021-07-15 2021-10-29 上海淇玥信息技术有限公司 一种对象赋值方法、装置和电子设备

Similar Documents

Publication Publication Date Title
CN110140118B (zh) 用于确定数据元素之间的关系的***和方法
Ardia et al. Generalized autoregressive score models in R: The GAS package
US7035786B1 (en) System and method for multi-phase system development with predictive modeling
CN112256720B (zh) 数据成本计算方法、***、计算机设备和存储介质
CN107040397B (zh) 一种业务参数获取方法及装置
CN110659998A (zh) 数据处理方法、装置、计算机装置及存储介质
CN111881158B (zh) 一种管理报表数据处理方法、装置、计算机***及可读存储介质
CN110728422A (zh) 用于施工项目的建筑信息模型、方法、装置和结算***
CN108241529B (zh) 薪资计算方法、应用服务器及计算机可读存储介质
US20220335023A1 (en) Database validation and repair tool
CN113283675A (zh) 指标数据分析方法、装置、设备及存储介质
Bladt et al. Matrix representations of life insurance payments
CN108920564B (zh) 基于区块链的人才管理方法及其终端
CN114168565B (zh) 业务规则模型的回溯测试方法、装置、***及决策引擎
Reich et al. The Zoltar forecast archive, a tool to standardize and store interdisciplinary prediction research
US11500840B2 (en) Contrasting document-embedded structured data and generating summaries thereof
US20150170068A1 (en) Determining analysis recommendations based on data analysis context
US10025838B2 (en) Extract transform load input suggestion
US20220171662A1 (en) Transitioning of computer-related services based on performance criteria
US11651281B2 (en) Feature catalog enhancement through automated feature correlation
CN113962664A (zh) 用于人力资源评价的方法、装置、设备及介质
CN113592263A (zh) 基于动态资源归还增比的资源归还增量预测方法和装置
CN113094386A (zh) 监督指标配置方法、装置、电子设备和介质
CN112667721A (zh) 数据分析方法、装置、设备及存储介质
CN111079991A (zh) 一种业务指标预测方法、装置、设备和存储介质

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination