CN116843483A - 一种车险理赔方法、装置、计算机设备及存储介质 - Google Patents
一种车险理赔方法、装置、计算机设备及存储介质 Download PDFInfo
- Publication number
- CN116843483A CN116843483A CN202311036736.XA CN202311036736A CN116843483A CN 116843483 A CN116843483 A CN 116843483A CN 202311036736 A CN202311036736 A CN 202311036736A CN 116843483 A CN116843483 A CN 116843483A
- Authority
- CN
- China
- Prior art keywords
- accident
- vehicle
- insurance
- feature
- current
- 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
Links
- 238000000034 method Methods 0.000 title claims abstract description 80
- 238000012545 processing Methods 0.000 claims description 39
- 239000013598 vector Substances 0.000 claims description 34
- 238000012549 training Methods 0.000 claims description 24
- 238000012360 testing method Methods 0.000 claims description 21
- 238000013507 mapping Methods 0.000 claims description 18
- 238000004422 calculation algorithm Methods 0.000 claims description 14
- 238000007781 pre-processing Methods 0.000 claims description 10
- 230000006870 function Effects 0.000 claims description 6
- 238000010606 normalization Methods 0.000 claims description 5
- 230000002159 abnormal effect Effects 0.000 claims description 4
- 238000004458 analytical method Methods 0.000 claims description 4
- 230000000644 propagated effect Effects 0.000 claims description 3
- 238000004138 cluster model Methods 0.000 claims description 2
- 238000012804 iterative process Methods 0.000 claims 1
- 230000008569 process Effects 0.000 abstract description 35
- 238000013473 artificial intelligence Methods 0.000 abstract description 14
- 238000005516 engineering process Methods 0.000 abstract description 12
- 238000004364 calculation method Methods 0.000 description 10
- 238000004891 communication Methods 0.000 description 7
- 238000010586 diagram Methods 0.000 description 4
- 238000000605 extraction Methods 0.000 description 4
- 238000007405 data analysis Methods 0.000 description 3
- 238000010801 machine learning Methods 0.000 description 3
- 230000003287 optical effect Effects 0.000 description 3
- 230000002441 reversible effect Effects 0.000 description 3
- 230000006835 compression Effects 0.000 description 2
- 238000007906 compression Methods 0.000 description 2
- 230000003993 interaction Effects 0.000 description 2
- 238000012417 linear regression Methods 0.000 description 2
- 238000005457 optimization Methods 0.000 description 2
- 238000007637 random forest analysis Methods 0.000 description 2
- 238000003491 array Methods 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 238000013527 convolutional neural network Methods 0.000 description 1
- 125000004122 cyclic group Chemical group 0.000 description 1
- 238000013480 data collection Methods 0.000 description 1
- 238000013500 data storage Methods 0.000 description 1
- 238000003066 decision tree Methods 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 238000013136 deep learning model Methods 0.000 description 1
- 235000019800 disodium phosphate Nutrition 0.000 description 1
- 230000008451 emotion Effects 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 239000000835 fiber Substances 0.000 description 1
- 238000001914 filtration Methods 0.000 description 1
- 230000008676 import Effects 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 230000010365 information processing Effects 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 230000005055 memory storage Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000003058 natural language processing Methods 0.000 description 1
- 230000002035 prolonged effect Effects 0.000 description 1
- 230000001902 propagating effect Effects 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 238000012706 support-vector machine Methods 0.000 description 1
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
- G06F18/00—Pattern recognition
- G06F18/10—Pre-processing; Data cleansing
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/213—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/217—Validation; Performance evaluation; Active pattern learning techniques
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/23—Clustering techniques
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/27—Regression, e.g. linear or logistic regression
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Evolutionary Computation (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Business, Economics & Management (AREA)
- Finance (AREA)
- Accounting & Taxation (AREA)
- Technology Law (AREA)
- General Business, Economics & Management (AREA)
- Strategic Management (AREA)
- Marketing (AREA)
- Economics (AREA)
- Development Economics (AREA)
- Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Financial Or Insurance-Related Operations Such As Payment And Settlement (AREA)
Abstract
本申请公开一种车险理赔方法、装置、计算机设备及存储介质,涉及人工智能技术领域和金融保险领域。本申请通过获取当前车辆事故的关联事故数据,其中,关联事故数据包括事故车辆信息和事故描述信息,将关联事故数据导入预先训练好的车损预测模型,得到车损预测结果,基于事故车辆信息查询当前事故车辆的保单信息,将关联事故数据、车损预测结果和当前事故车辆的保单信息导入预先训练的车险理赔推荐模型,输出当前车辆事故的车险理赔结果。此外,本申请还涉及区块链技术,关联事故数据可存储于区块链中。本申请可以降低车险理赔中的主观因素影响,帮助理赔处理人员在车险理赔过程中做出更准确和一致的决策,提高理赔效率和准确性。
Description
技术领域
本申请涉及人工智能技术领域和金融保险领域,具体涉及一种车险理赔方法、装置、计算机设备及存储介质。
背景技术
车险理赔是指保险公司根据车主的保险合同条款,在车辆发生事故或损失时提供相应的赔偿服务,车险理赔涉及车主提交理赔申请、保险公司进行定损和审核、最终赔付等一系列流程,目前车险理赔一般通过人工跟踪车险理赔全流程来实现。
传统的人工跟踪车险理赔流程存在时间延迟的问题,由于依赖人工处理和沟通,理赔流程中的等待时间较长,导致客户需要耐心等待,同时也延长了整个理赔过程的时间。其次人工处理车险理赔流程容易出现人为错误和疏漏,人工可能会因为疲劳、情绪等因素而导致处理不准确或遗漏一些重要的信息,从而影响理赔的准确性和效率。另外人工跟踪车险理赔流程容易受到个体差异和主观因素的影响,缺乏一致性,不同的理赔处理人员可能会根据自己的判断和偏好进行处理,导致处理结果的不一致性。最后传统的人工跟踪车险理赔流程难以进行全面的数据分析和优化,由于信息收集和整理的依赖人工操作,数据的收集和分析工作较为繁琐,使得保险公司难以获取准确和及时的数据洞察,从而限制了流程的优化和效率的提升。
发明内容
本申请实施例的目的在于提出一种车险理赔方法、装置、计算机设备及存储介质,以解决现有人工跟踪车险理赔流程存在的受理赔处理人员个体差异和主观因素的影响、时间延迟、准确性不高、理赔效率低、数据处理过程繁琐等问题。
为了解决上述技术问题,本申请实施例提供一种车险理赔方法,采用了如下所述的技术方案:
一种车险理赔方法,包括:
接收车险理赔指令,获取当前车辆事故的关联事故数据,其中,所述关联事故数据包括事故车辆信息和事故描述信息;
将所述关联事故数据导入预先训练好的车损预测模型,得到车损预测结果;
基于所述事故车辆信息查询当前事故车辆的保单信息;
将所述关联事故数据、所述车损预测结果和所述当前事故车辆的保单信息导入预先训练的车险理赔推荐模型,输出所述当前车辆事故的车险理赔结果。
进一步地,在所述将所述关联事故数据导入预先训练好的车损预测模型,得到车损预测结果之前,还包括:
获取历史事故数据,并对所述历史事故数据进行预处理,其中,预处理包括去除异常值处理包、缺失数据填充处理和数据归一化处理;
按照预设的数据划分规则对预处理后的所述历史事故数据进行数据划分,得到训练集和测试集;
通过所述训练集对预设的初始预测模型进行车损预测,得到初始预测结果,并基于所述初始预测结果对所述初始预测模型进行迭代,得到训练好的车损预测模型;
通过所述测试集对所述车损预测模型进行测试,输出通过测试的所述车损预测模型。
进一步地,所述通过所述训练集对预设的初始预测模型进行车损预测,得到初始预测结果,并基于所述初始预测结果对所述初始预测模型进行迭代,得到训练好的车损预测模型,具体包括:
对所述训练集中的历史事故数据进行特征提取,得到历史事故特征;
计算所述历史事故特征与预设目标变量之间的信息增益和互信息,其中,所述目标变量为车险理赔中需要预测或推断的变量;
基于所述信息增益和所述互信息对所述历史事故特征进行赋权;
将赋权后的所述历史事故特征导入所述初始预测模型进行车损预测,得到初始预测结果;
基于所述初始预测结果和预设的反向传播算法对所述初始预测模型进行迭代,直至模型拟合,得到训练好的车损预测模型。
进一步地,所述计算所述历史事故特征与预设目标变量之间的信息增益和互信息,具体包括:
计算所述历史事故特征与预设目标变量之间的熵和条件熵;
基于所述历史事故特征与预设目标变量之间的熵和条件熵,计算所述历史事故特征与预设目标变量之间的信息增益;
计算所述历史事故特征与预设目标变量之间的联合概率和边际概率;
基于所述历史事故特征与预设目标变量之间的联合概率和边际概率,计算所述历史事故特征与预设目标变量之间的互信息。
进一步地,所述基于所述初始预测结果和预设的反向传播算法对所述初始预测模型进行迭代,直至模型拟合,得到训练好的车损预测模型,具体包括:
基于所述初始预测模型的损失函数计算所述初始预测结果和预设标准结果的误差,得到预测误差;
将所述预测误差在所述初始预测模型中进行反向传播,并判断所述预测误差与预设误差阈值的大小;
当所述预测误差大于预设误差阈值时,持续调整所述初始预测模型的模型参数,直至所述预测误差小于或等于预设误差阈值为止,得到训练好的车损预测模型。
进一步地,所述车险理赔推荐模型为聚类模型,所述将所述关联事故数据、所述车损预测结果和所述当前事故车辆的保单信息导入预先训练的车险理赔推荐模型,输出所述当前车辆事故的车险理赔结果,具体包括:
提取所述关联事故数据的特征,得到当前事故特征,提取所述车损预测结果的特征,得到事故车损特征,以及提取所述当前事故车辆的保单信息的特征,得到车辆保单特征;
基于所述当前事故特征、所述事故车损特征和所述车辆保单特征构建当前车辆事故关联特征;
基于所述当前车辆事故关联特征从所述车险理赔推荐模型中获取匹配的聚类簇标签;
基于所述聚类簇标签分别对所述所述当前事故特征、所述事故车损特征和所述车辆保单特征进行聚类,得到特征聚类结果;
基于所述特征聚类结果识别与所述当前车辆事故匹配的车险理赔方案,并输出所述车险理赔方案。
进一步地,所述基于所述当前事故特征、所述事故车损特征和所述车辆保单特征构建当前车辆事故关联特征,具体包括:
对所述当前事故特征进行向量化,得到事故特征向量,对所述事故车损特征进行向量化,得到车损特征向量,以及对所述车辆保单特征进行向量化,得到保单特征向量;
将所述事故特征向量、所述车损特征向量和所述保单特征向量映射到目标特征空间,得到特征映射结果;
基于所述特征映射结果获取所述当前车辆事故关联特征。
为了解决上述技术问题,本申请实施例还提供一种车险理赔装置,采用了如下所述的技术方案:
一种车险理赔装置,包括:
数据获取模块,用于接收车险理赔指令,获取当前车辆事故的关联事故数据,其中,所述关联事故数据包括事故车辆信息和事故描述信息;
车损预测模块,用于将所述关联事故数据导入预先训练好的车损预测模型,得到车损预测结果;
保单查询模块,用于基于所述事故车辆信息查询当前事故车辆的保单信息;
车险理赔模块,用于将所述关联事故数据、所述车损预测结果和所述当前事故车辆的保单信息导入预先训练的车险理赔推荐模型,输出所述当前车辆事故的车险理赔结果。
为了解决上述技术问题,本申请实施例还提供一种计算机设备,采用了如下所述的技术方案:
一种计算机设备,包括存储器和处理器,所述存储器中存储有计算机可读指令,所述处理器执行所述计算机可读指令时实现如上述任一项所述的车险理赔方法的步骤。
为了解决上述技术问题,本申请实施例还提供一种计算机可读存储介质,采用了如下所述的技术方案:
一种计算机可读存储介质,所述计算机可读存储介质上存储有计算机可读指令,所述计算机可读指令被处理器执行时实现如上述中任一项所述的车险理赔方法的步骤。
与现有技术相比,本申请实施例主要有以下有益效果:
本申请公开一种车险理赔方法、装置、计算机设备及存储介质,涉及人工智能技术领域和金融保险领域。本申请通过接收车险理赔指令,获取当前车辆事故的关联事故数据,其中,关联事故数据包括事故车辆信息和事故描述信息,将关联事故数据导入预先训练好的车损预测模型,得到车损预测结果,基于事故车辆信息查询当前事故车辆的保单信息,将关联事故数据、车损预测结果和当前事故车辆的保单信息导入预先训练的车险理赔推荐模型,输出当前车辆事故的车险理赔结果。本申请通过建立车损预测模型来预测车辆损失程度,并基于车险理赔推荐模型匹配相似案例或历史理赔数据进行智能推荐,可以对车险理赔过程提供有针对性的建议和决策支持,降低车险理赔中的主观因素影响,帮助理赔处理人员在车险理赔过程中做出更准确和一致的决策,提高理赔效率和准确性。
附图说明
为了更清楚地说明本申请中的方案,下面将对本申请实施例描述中所需要使用的附图作一个简单介绍,显而易见地,下面描述中的附图是本申请的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他的附图。
图1示出了本申请可以应用于其中的示例性***架构图;
图2示出了根据本申请的车险理赔方法的一个实施例的流程图;
图3示出了根据本申请的车险理赔装置的一个实施例的结构示意图;
图4示出了根据本申请的计算机设备的一个实施例的结构示意图。
具体实施方式
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申请的技术领域的技术人员通常理解的含义相同;本文中在申请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,不是旨在于限制本申请;本申请的说明书和权利要求书及上述附图说明中的术语“包括”和“具有”以及它们的任何变形,意图在于覆盖不排他的包含。本申请的说明书和权利要求书或上述附图中的术语“第一”、“第二”等是用于区别不同对象,而不是用于描述特定顺序。
在本文中提及“实施例”意味着,结合实施例描述的特定特征、结构或特性可以包含在本申请的至少一个实施例中。在说明书中的各个位置出现该短语并不一定均是指相同的实施例,也不是与其它实施例互斥的独立的或备选的实施例。本领域技术人员显式地和隐式地理解的是,本文所描述的实施例可以与其它实施例相结合。
为了使本技术领域的人员更好地理解本申请方案,下面将结合附图,对本申请实施例中的技术方案进行清楚、完整地描述。
如图1所示,***架构100可以包括终端设备101、102、103,网络104和服务器105。网络104用以在终端设备101、102、103和服务器105之间提供通信链路的介质。网络104可以包括各种连接类型,例如有线、无线通信链路或者光纤电缆等等。
用户可以使用终端设备101、102、103通过网络104与服务器105交互,以接收或发送消息等。终端设备101、102、103上可以安装有各种通讯客户端应用,例如网页浏览器应用、购物类应用、搜索类应用、即时通信工具、邮箱客户端、社交平台软件等。
终端设备101、102、103可以是具有显示屏并且支持网页浏览的各种电子设备,包括但不限于智能手机、平板电脑、电子书阅读器、MP3播放器(Moving Picture ExpertsGroup Audio Layer III,动态影像专家压缩标准音频层面3)、MP4(Moving PictureExperts Group Audio Layer IV,动态影像专家压缩标准音频层面4)播放器、膝上型便携计算机和台式计算机等等。
服务器105可以是提供各种服务的服务器,例如对终端设备101、102、103上显示的页面提供支持的后台服务器,服务器可以是独立的服务器,也可以是提供云服务、云数据库、云计算、云函数、云存储、网络服务、云通信、中间件服务、域名服务、安全服务、内容分发网络(Content Delivery Network,CDN)、以及大数据和人工智能平台等基础云计算服务的云服务器。
需要说明的是,本申请实施例所提供的车险理赔方法一般由服务器执行,相应地,车险理赔装置一般设置于服务器中。
应该理解,图1中的终端设备、网络和服务器的数目仅仅是示意性的。根据实现需要,可以具有任意数目的终端设备、网络和服务器。
继续参考图2,示出了根据本申请的车险理赔方法的一个实施例的流程图。本申请实施例可以基于人工智能技术对相关的数据进行获取和处理。其中,人工智能(ArtificialIntelligence,AI)是利用数字计算机或者数字计算机控制的机器模拟、延伸和扩展人的智能,感知环境、获取知识并使用知识获得最佳结果的理论、方法、技术及应用***。
人工智能基础技术一般包括如传感器、专用人工智能芯片、云计算、分布式存储、大数据处理技术、操作/交互***、机电一体化等技术。人工智能软件技术主要包括计算机视觉技术、机器人技术、生物识别技术、语音处理技术、自然语言处理技术以及机器学习/深度学习等几大方向。
针对现有人工跟踪车险理赔流程存在的受理赔处理人员个体差异和主观因素的影响、时间延迟、准确性不高、理赔效率低、数据处理过程繁琐等问题。本申请公开一种车险理赔方法、装置、计算机设备及存储介质,涉及人工智能技术领域和金融保险领域,本申请通过建立车损预测模型来预测车辆损失程度,并基于车险理赔推荐模型匹配相似案例或历史理赔数据进行智能推荐,可以对车险理赔过程提供有针对性的建议和决策支持,降低车险理赔中的主观因素影响,帮助理赔处理人员在车险理赔过程中做出更准确和一致的决策,提高理赔效率和准确性。
所述的车险理赔方法,包括以下步骤:
S201,接收车险理赔指令,获取当前车辆事故的关联事故数据,其中,关联事故数据包括事故车辆信息和事故描述信息。
在本实施例中,当服务器接收车险理赔指令后,获取当前车辆事故的关联事故数据,其中,关联事故数据包括事故车辆信息和事故描述信息。通过数据采集获取当前事故的多个渠道和来源的车辆数据和事故数据,包括事故数据的来源、车辆信息来源、保单信息来源等,并且需要对这些数据进行规范化和标准化处理,以便后续的数据分析和建模。
S202,将关联事故数据导入预先训练好的车损预测模型,得到车损预测结果。
在本实施例中,通过大量的历史数据和事故案例,利用机器学习技术或者深度卷积网络进行训练和优化,如线性回归模型、随机森林模型、支持向量机模型、CNN模型、DNN模型等,得到训练好的车损预测模型,车损预测模型可以基于车辆事故数据预测事故车辆的损失情况。车损预测模型会输出一个车损等级以及车损等级对应的车损解释,车损预测模型输出的车损等级可以结合事故数据和事故车辆的保单信息用于车险理赔方案的预测。
S203,基于事故车辆信息查询当前事故车辆的保单信息。
在本实施例中,通过事故车辆信息中的车辆品牌、车牌号等信息可以查询到当前车辆事故的保单信息,保单信息可以包括保单类型、保单金额、保险公司等,保单信息可以用于判断保险责任、核实赔偿范围等。
S204,将关联事故数据、车损预测结果和当前事故车辆的保单信息导入预先训练的车险理赔推荐模型,输出当前车辆事故的车险理赔结果。
在本实施例中,车险理赔推荐模型是一个预先训练的模型,可以基于输入的数据进行推荐,帮助决策人员做出车险理赔的最佳决策,输出结果可以包括建议的理赔金额、理赔方式、赔付比例等。车险理赔推荐模型可以基于聚类模型、协同过滤模型、深度学习模型(如循环神经网络、Transformer)进行训练和优化得到。将关联事故数据、车损预测结果和当前事故车辆的保单信息导入车险理赔推荐模型中,得到当前车辆事故的车险理赔结果,车险理赔结果可以帮助理赔处理人员在车险理赔过程中做出更准确和一致的决策。
在上述实施例中,本申请通过建立车损预测模型来预测车辆损失程度,并基于车险理赔推荐模型匹配相似案例或历史理赔数据进行智能推荐,可以对车险理赔过程提供有针对性的建议和决策支持,降低车险理赔中的主观因素影响,帮助理赔处理人员在车险理赔过程中做出更准确和一致的决策,提高理赔效率和准确性。
进一步地,在将关联事故数据导入预先训练好的车损预测模型,得到车损预测结果之前,还包括:
获取历史事故数据,并对历史事故数据进行预处理,其中,预处理包括去除异常值处理包、缺失数据填充处理和数据归一化处理;
按照预设的数据划分规则对预处理后的历史事故数据进行数据划分,得到训练集和测试集;
通过训练集对预设的初始预测模型进行车损预测,得到初始预测结果,并基于初始预测结果对初始预测模型进行迭代,得到训练好的车损预测模型;
通过测试集对车损预测模型进行测试,输出通过测试的车损预测模型。
在本实施例中,在进行车损预测之前,还需要预先训练一个车损预测模型,训练车损预测模型需要使用到大量的历史数据和事故案例,通过获取历史事故数据,并对历史事故数据进行预处理,其中,预处理包括去除异常值处理包、缺失数据填充处理和数据归一化处理。然后按照预设的数据划分规则对预处理后的历史事故数据进行数据划分,得到训练集和测试集,例如,按照9:1的比例划分数据集。然后选择适当的初始预测模型,常用的模型包括线性回归、决策树、随机森林、梯度提升树等,这些模型可以用于回归问题,通过输入车辆信息和事故描述等特征,预测损失程度。通过训练集对预设的初始预测模型进行车损预测,得到初始预测结果,并基于初始预测结果对初始预测模型进行迭代,得到训练好的车损预测模型,通过测试集对车损预测模型进行测试,输出通过测试的车损预测模型。
在上述实施例中,本申请通过大量的历史数据和事故案例训练车损预测模型,车损预测模型可以直接基于车辆事故数据,预测车辆损失情况。
进一步地,通过训练集对预设的初始预测模型进行车损预测,得到初始预测结果,并基于初始预测结果对初始预测模型进行迭代,得到训练好的车损预测模型,具体包括:
对训练集中的历史事故数据进行特征提取,得到历史事故特征;
计算历史事故特征与预设目标变量之间的信息增益和互信息,其中,目标变量为车险理赔中需要预测或推断的变量;
基于信息增益和互信息对历史事故特征进行赋权;
将赋权后的历史事故特征导入初始预测模型进行车损预测,得到初始预测结果;
基于初始预测结果和预设的反向传播算法对初始预测模型进行迭代,直至模型拟合,得到训练好的车损预测模型。
在本实施例中,为了提高预测模型的精度,考虑到车险理赔数据特点,可以在特征工程的过程中,根据特征的重要性赋予不同的权重。通过对特征进行加权处理,可以引导模型更加关注具有较高权重的特征,从而提高模型的预测精度,特征权重的赋值可以基于领域知识、特征的相关性、特征的重要性评估等进行确定。
在本申请一种具体的实施例中,可以基于计算历史事故特征与预设目标变量之间的信息增益和互信息对特征进行赋权,其中,信息增益衡量的是在已知目标变量的情况下,某个特征对减少不确定性的贡献程度,互信息则是特征与目标变量之间的相关性度量。
目标变量指的是车险理赔中需要预测或推断的主要变量,一般来说与索赔金额或损失程度相关的变量,具体来说,目标变量可以是以下之一:
索赔金额:预测车险理赔中的索赔金额,即预测车主需要获得的赔偿金额。这个变量通常用于评估车险理赔的损失程度和赔偿金额的预测。
损失程度:预测车险理赔中的损失程度,即预测车辆的受损程度或事故造成的影响程度。这个变量通常用于评估事故的严重性和确定理赔的处理方式。
本申请通过对训练集中的历史事故数据进行特征提取,得到历史事故特征,计算历史事故特征与预设目标变量之间的信息增益和互信息,其中,目标变量为车险理赔中需要预测或推断的变量,基于信息增益和互信息对历史事故特征进行赋权,将赋权后的历史事故特征导入初始预测模型进行车损预测,得到初始预测结果,基于初始预测结果和预设的反向传播算法对初始预测模型进行迭代,直至模型拟合,得到训练好的车损预测模型。
在上述实施例中,本申请根据特征的重要性赋予不同的权重,通过对特征进行加权处理,可以引导模型更加关注具有较高权重的特征,从而提高模型的预测精度。
进一步地,计算历史事故特征与预设目标变量之间的信息增益和互信息,具体包括:
计算历史事故特征与预设目标变量之间的熵和条件熵;
基于历史事故特征与预设目标变量之间的熵和条件熵,计算历史事故特征与预设目标变量之间的信息增益;
计算历史事故特征与预设目标变量之间的联合概率和边际概率;
基于历史事故特征与预设目标变量之间的联合概率和边际概率,计算历史事故特征与预设目标变量之间的互信息。
在本实施例中,对于历史事故特征中的离散型特征和目标变量,可以使用熵(Entropy)和条件熵(Conditional Entropy)来计算信息增益,其中:
熵的计算公式为:H(Y)=-ΣP(y)*log2(P(y)),其中P(y)表示目标变量y的概率;
条件熵的计算公式为:H(Y|X)=ΣP(x)*H(Y|x),其中P(x)表示特征x的概率,H(Y|x)表示在已知特征x的条件下,目标变量y的熵;
信息增益的计算公式为:IG(X)=H(Y)-H(Y|X),表示特征X对目标变量Y的不确定性减少程度,通过计算每个特征的信息增益,可以比较它们与目标变量之间的关系。
对于历史事故特征中的连续型特征和目标变量,可以使用互信息来计算它们之间的相关性,互信息的计算公式为:MI(X,Y)=Σp(x,y)*log2(p(x,y)/(p(x)*p(y))),其中p(x,y)表示特征X和目标变量Y的联合概率,p(x)和p(y)分别表示特征X和目标变量Y的边际概率,互信息度量了特征X和目标变量Y之间的相关性和共享的信息量。
在上述实施例中,本申请通过历史事故特征与预设目标变量之间的熵和条件熵,计算信息增益,通过历史事故特征与预设目标变量之间的联合概率和边际概率,计算互信息,通过信息增益和互信息对历史事故特征进行赋权,引导模型更加关注具有较高权重的特征,从而提高模型的预测精度。
例如,有一个车险理赔数据集,其中包含以下特征:车辆品牌、车辆型号、事故类型、天气条件,模型目标是预测索赔金额。经过计算得到如下结果:
车辆品牌:信息增益为0.4,互信息为0.6;
车辆型号:信息增益为0.3,互信息为0.4;
事故类型:信息增益为0.2,互信息为0.3;
天气条件:信息增益为0.1,互信息为0.2;
根据这些信息增益或互信息值,可以为每个特征赋予相应的权重,假设将最大的信息增益或互信息值设置为1,那么对应的权重可以如下赋值:
车辆品牌:权重为1;
车辆型号:权重为0.75;
事故类型:权重为0.5;
天气条件:权重为0.25;
通过这种方式,根据特征与目标变量之间的相关性,为不同特征赋予了不同的权重,在模型训练和预测过程中,可以使用这些权重来加权处理特征,以提高预测精度。
进一步地,基于初始预测结果和预设的反向传播算法对初始预测模型进行迭代,直至模型拟合,得到训练好的车损预测模型,具体包括:
基于初始预测模型的损失函数计算初始预测结果和预设标准结果的误差,得到预测误差;
将预测误差在初始预测模型中进行反向传播,并判断预测误差与预设误差阈值的大小;
当预测误差大于预设误差阈值时,持续调整初始预测模型的模型参数,直至预测误差小于或等于预设误差阈值为止,得到训练好的车损预测模型。
在本实施例中,初始预测模型可以使用反向传播算法进行模型迭代,通过初始预测模型的损失函数计算初始预测结果和预设标准结果的误差,得到预测误差,将预测误差在初始预测模型中进行反向传播,并判断初始预测模型中预测误差与预设误差阈值的大小,当预测误差大于预设误差阈值时,持续调整初始预测模型的模型参数,直至预测误差小于或等于预设误差阈值为止,得到训练好的车损预测模型。
进一步地,车险理赔推荐模型为聚类模型,将关联事故数据、车损预测结果和当前事故车辆的保单信息导入预先训练的车险理赔推荐模型,输出当前车辆事故的车险理赔结果,具体包括:
提取关联事故数据的特征,得到当前事故特征,提取车损预测结果的特征,得到事故车损特征,以及提取当前事故车辆的保单信息的特征,得到车辆保单特征;
基于当前事故特征、事故车损特征和车辆保单特征构建当前车辆事故关联特征;
基于当前车辆事故关联特征从车险理赔推荐模型中获取匹配的聚类簇标签;
基于聚类簇标签分别对当前事故特征、事故车损特征和车辆保单特征进行聚类,得到特征聚类结果;
基于特征聚类结果识别与当前车辆事故匹配的车险理赔方案,并输出车险理赔方案。
在本实施例中,可以使用聚类算法来匹配当前车辆事故的车险理赔方案,先选择适合的聚类算法,如K-means、层次聚类、DBSCAN等,并设置相应的参数构建车险理赔推荐模型,通过定义簇的标签,对于每个簇的标签,建立一套推荐规则或决策规则,用于推荐车险理赔的处理方式、索赔金额等,推荐规则可以基于历史数据、专家知识和业务经验等制定,也可以根据具体情况使用机器学习算法进行学习和优化。
对当前车辆事故进行车险理赔方案匹配时,提取关联事故数据的特征,得到当前事故特征,提取车损预测结果的特征,得到事故车损特征,以及提取当前事故车辆的保单信息的特征,得到车辆保单特征,基于当前事故特征、事故车损特征和车辆保单特征构建当前车辆事故关联特征,基于当前车辆事故关联特征从车险理赔推荐模型中获取匹配的聚类簇标签,根据车辆事故所属簇的标签,查找对应的推荐规则或决策规则,根据规则给出车险理赔的推荐结果,例如推荐处理方式、索赔金额范围、理赔时间预估等。
在上述实施例中,本申请通过使用聚类算法来匹配当前车辆事故的车险理赔方案,以对车险理赔过程提供有针对性的建议和决策支持,降低车险理赔中的主观因素影响,帮助理赔处理人员在车险理赔过程中做出更准确和一致的决策,提高理赔效率和准确性。
进一步地,基于当前事故特征、事故车损特征和车辆保单特征构建当前车辆事故关联特征,具体包括:
对当前事故特征进行向量化,得到事故特征向量,对事故车损特征进行向量化,得到车损特征向量,以及对车辆保单特征进行向量化,得到保单特征向量;
将事故特征向量、车损特征向量和保单特征向量映射到目标特征空间,得到特征映射结果;
基于特征映射结果获取当前车辆事故关联特征。
在本实施例中,可以通过特征向量映射的方式,将多个特征向量映射到同一个特征空间中,以便获取关联特征。通过对当前事故特征进行向量化,得到事故特征向量,对事故车损特征进行向量化,得到车损特征向量,以及对车辆保单特征进行向量化,得到保单特征向量,将事故特征向量、车损特征向量和保单特征向量映射到目标特征空间,得到特征映射结果,基于特征映射结果获取当前车辆事故关联特征。
在上述实施例中,本申请通过特征向量化和特征向量映射实现特征关联,通过将所有特征向量映射到同一个特征空间,获取当前车辆事故关联特征。
在上述实施例中,本申请公开一种车险理赔方法,涉及人工智能技术领域和金融保险领域。本申请通过接收车险理赔指令,获取当前车辆事故的关联事故数据,其中,关联事故数据包括事故车辆信息和事故描述信息,将关联事故数据导入预先训练好的车损预测模型,得到车损预测结果,基于事故车辆信息查询当前事故车辆的保单信息,将关联事故数据、车损预测结果和当前事故车辆的保单信息导入预先训练的车险理赔推荐模型,输出当前车辆事故的车险理赔结果。本申请通过建立车损预测模型来预测车辆损失程度,并基于车险理赔推荐模型匹配相似案例或历史理赔数据进行智能推荐,可以对车险理赔过程提供有针对性的建议和决策支持,降低车险理赔中的主观因素影响,帮助理赔处理人员在车险理赔过程中做出更准确和一致的决策,提高理赔效率和准确性。
在本实施例中,车险理赔方法运行于其上的电子设备(例如图1所示的服务器)可以通过有线连接方式或者无线连接方式接收指令或者获取数据。需要指出的是,上述无线连接方式可以包括但不限于3G/4G连接、WiFi连接、蓝牙连接、WiMAX连接、Zigbee连接、UWB(ultra wideband)连接、以及其他现在已知或将来开发的无线连接方式。
需要强调的是,为进一步保证上述关联事故数据的私密和安全性,上述关联事故数据还可以存储于一区块链的节点中。
本申请所指区块链是分布式数据存储、点对点传输、共识机制、加密算法等计算机技术的新型应用模式。区块链(Blockchain),本质上是一个去中心化的数据库,是一串使用密码学方法相关联产生的数据块,每一个数据块中包含了一批次网络交易的信息,用于验证其信息的有效性(防伪)和生成下一个区块。区块链可以包括区块链底层平台、平台产品服务层以及应用服务层等。
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程,是可以通过计算机可读指令来指令相关的硬件来完成,该计算机可读指令可存储于一计算机可读取存储介质中,该计算机可读指令在执行时,可包括如上述各方法的实施例的流程。其中,前述的存储介质可为磁碟、光盘、只读存储记忆体(Read-Only Memory,ROM)等非易失性存储介质,或随机存储记忆体(Random Access Memory,RAM)等。
应该理解的是,虽然附图的流程图中的各个步骤按照箭头的指示依次显示,但是这些步骤并不是必然按照箭头指示的顺序依次执行。除非本文中有明确的说明,这些步骤的执行并没有严格的顺序限制,其可以以其他的顺序执行。而且,附图的流程图中的至少一部分步骤可以包括多个子步骤或者多个阶段,这些子步骤或者阶段并不必然是在同一时刻执行完成,而是可以在不同的时刻执行,其执行顺序也不必然是依次进行,而是可以与其他步骤或者其他步骤的子步骤或者阶段的至少一部分轮流或者交替地执行。
进一步参考图3,作为对上述图2所示方法的实现,本申请提供了一种车险理赔装置的一个实施例,该装置实施例与图2所示的方法实施例相对应,该装置具体可以应用于各种电子设备中。
如图3所示,本实施例所述的车险理赔装置300,包括:
数据获取模块301,用于接收车险理赔指令,获取当前车辆事故的关联事故数据,其中,关联事故数据包括事故车辆信息和事故描述信息;
车损预测模块302,用于将关联事故数据导入预先训练好的车损预测模型,得到车损预测结果;
保单查询模块303,用于基于事故车辆信息查询当前事故车辆的保单信息;
车险理赔模块304,用于将关联事故数据、车损预测结果和当前事故车辆的保单信息导入预先训练的车险理赔推荐模型,输出当前车辆事故的车险理赔结果。
进一步地,车险理赔装置300还包括:
预处理模块,用于获取历史事故数据,并对历史事故数据进行预处理,其中,预处理包括去除异常值处理包、缺失数据填充处理和数据归一化处理;
数据集划分模块,用于按照预设的数据划分规则对预处理后的历史事故数据进行数据划分,得到训练集和测试集;
模型训练模块,用于通过训练集对预设的初始预测模型进行车损预测,得到初始预测结果,并基于初始预测结果对初始预测模型进行迭代,得到训练好的车损预测模型;
模型测试模块,用于通过测试集对车损预测模型进行测试,输出通过测试的车损预测模型。
进一步地,模型训练模块具体包括:
第一特征提取单元,用于对训练集中的历史事故数据进行特征提取,得到历史事故特征;
信息增益和互信息计算单元,用于计算历史事故特征与预设目标变量之间的信息增益和互信息,其中,目标变量为车险理赔中需要预测或推断的变量;
特征赋权单元,用于基于信息增益和互信息对历史事故特征进行赋权;
车损预测单元,用于将赋权后的历史事故特征导入初始预测模型进行车损预测,得到初始预测结果;
反向迭代单元,用于基于初始预测结果和预设的反向传播算法对初始预测模型进行迭代,直至模型拟合,得到训练好的车损预测模型。
进一步地,信息增益和互信息计算单元具体包括:
熵计算子单元,用于计算历史事故特征与预设目标变量之间的熵和条件熵;
信息增益计算子单元,用于基于历史事故特征与预设目标变量之间的熵和条件熵,计算历史事故特征与预设目标变量之间的信息增益;
概率计算子单元,用于计算历史事故特征与预设目标变量之间的联合概率和边际概率;
互信息计算子单元,用于基于历史事故特征与预设目标变量之间的联合概率和边际概率,计算历史事故特征与预设目标变量之间的互信息。
进一步地,反向迭代单元具体包括:
误差计算子单元,用于基于初始预测模型的损失函数计算初始预测结果和预设标准结果的误差,得到预测误差;
反向传播子单元,用于将预测误差在初始预测模型中进行反向传播,并判断预测误差与预设误差阈值的大小;
迭代单更新子单元,用于当预测误差大于预设误差阈值时,持续调整初始预测模型的模型参数,直至预测误差小于或等于预设误差阈值为止,得到训练好的车损预测模型。
进一步地,车险理赔推荐模型为聚类模型,车险理赔模块304具体包括:
第二特征提取单元,用于提取关联事故数据的特征,得到当前事故特征,提取车损预测结果的特征,得到事故车损特征,以及提取当前事故车辆的保单信息的特征,得到车辆保单特征;
特征联合单元,用于基于当前事故特征、事故车损特征和车辆保单特征构建当前车辆事故关联特征;
聚类簇匹配单元,用于基于当前车辆事故关联特征从车险理赔推荐模型中获取匹配的聚类簇标签;
特征聚类单元,用于基于聚类簇标签分别对当前事故特征、事故车损特征和车辆保单特征进行聚类,得到特征聚类结果;
车险理赔识别单元,用于基于特征聚类结果识别与当前车辆事故匹配的车险理赔方案,并输出车险理赔方案。
进一步地,特征联合单元具体包括:
特征向量化子单元,用于对当前事故特征进行向量化,得到事故特征向量,对事故车损特征进行向量化,得到车损特征向量,以及对车辆保单特征进行向量化,得到保单特征向量;
特征映射子单元,用于将事故特征向量、车损特征向量和保单特征向量映射到目标特征空间,得到特征映射结果;
联合特征获取子单元,用于基于特征映射结果获取当前车辆事故关联特征。
在上述实施例中,本申请公开一种车险理赔装置,涉及人工智能技术领域和金融保险领域。本申请通过接收车险理赔指令,获取当前车辆事故的关联事故数据,其中,关联事故数据包括事故车辆信息和事故描述信息,将关联事故数据导入预先训练好的车损预测模型,得到车损预测结果,基于事故车辆信息查询当前事故车辆的保单信息,将关联事故数据、车损预测结果和当前事故车辆的保单信息导入预先训练的车险理赔推荐模型,输出当前车辆事故的车险理赔结果。本申请通过建立车损预测模型来预测车辆损失程度,并基于车险理赔推荐模型匹配相似案例或历史理赔数据进行智能推荐,可以对车险理赔过程提供有针对性的建议和决策支持,降低车险理赔中的主观因素影响,帮助理赔处理人员在车险理赔过程中做出更准确和一致的决策,提高理赔效率和准确性。
为解决上述技术问题,本申请实施例还提供计算机设备。具体请参阅图4,图4为本实施例计算机设备基本结构框图。
所述计算机设备4包括通过***总线相互通信连接存储器41、处理器42、网络接口43。需要指出的是,图中仅示出了具有组件41-43的计算机设备4,但是应理解的是,并不要求实施所有示出的组件,可以替代的实施更多或者更少的组件。其中,本技术领域技术人员可以理解,这里的计算机设备是一种能够按照事先设定或存储的指令,自动进行数值计算和/或信息处理的设备,其硬件包括但不限于微处理器、专用集成电路(ApplicationSpecific Integrated Circuit,ASIC)、可编程门阵列(Field-Programmable GateArray,FPGA)、数字处理器(Digital Signal Processor,DSP)、嵌入式设备等。
所述计算机设备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。所述计算机设备可以与用户通过键盘、鼠标、遥控器、触摸板或声控设备等方式进行人机交互。
所述存储器41至少包括一种类型的可读存储介质,所述可读存储介质包括闪存、硬盘、多媒体卡、卡型存储器(例如,SD或DX存储器等)、随机访问存储器(RAM)、静态随机访问存储器(SRAM)、只读存储器(ROM)、电可擦除可编程只读存储器(EEPROM)、可编程只读存储器(PROM)、磁性存储器、磁盘、光盘等。在一些实施例中,所述存储器41可以是所述计算机设备4的内部存储单元,例如该计算机设备4的硬盘或内存。在另一些实施例中,所述存储器41也可以是所述计算机设备4的外部存储设备,例如该计算机设备4上配备的插接式硬盘,智能存储卡(Smart Media Card,SMC),安全数字(Secure Digital,SD)卡,闪存卡(FlashCard)等。当然,所述存储器41还可以既包括所述计算机设备4的内部存储单元也包括其外部存储设备。本实施例中,所述存储器41通常用于存储安装于所述计算机设备4的操作***和各类应用软件,例如车险理赔方法的计算机可读指令等。此外,所述存储器41还可以用于暂时地存储已经输出或者将要输出的各类数据。
所述处理器42在一些实施例中可以是中央处理器(Central Processing Unit,CPU)、控制器、微控制器、微处理器、或其他数据处理芯片。该处理器42通常用于控制所述计算机设备4的总体操作。本实施例中,所述处理器42用于运行所述存储器41中存储的计算机可读指令或者处理数据,例如运行所述车险理赔方法的计算机可读指令。
所述网络接口43可包括无线网络接口或有线网络接口,该网络接口43通常用于在所述计算机设备4与其他电子设备之间建立通信连接。
在上述实施例中,本申请公开一种计算机设备,涉及人工智能技术领域和金融保险领域。本申请通过接收车险理赔指令,获取当前车辆事故的关联事故数据,其中,关联事故数据包括事故车辆信息和事故描述信息,将关联事故数据导入预先训练好的车损预测模型,得到车损预测结果,基于事故车辆信息查询当前事故车辆的保单信息,将关联事故数据、车损预测结果和当前事故车辆的保单信息导入预先训练的车险理赔推荐模型,输出当前车辆事故的车险理赔结果。本申请通过建立车损预测模型来预测车辆损失程度,并基于车险理赔推荐模型匹配相似案例或历史理赔数据进行智能推荐,可以对车险理赔过程提供有针对性的建议和决策支持,降低车险理赔中的主观因素影响,帮助理赔处理人员在车险理赔过程中做出更准确和一致的决策,提高理赔效率和准确性。
本申请还提供了另一种实施方式,即提供一种计算机可读存储介质,所述计算机可读存储介质存储有计算机可读指令,所述计算机可读指令可被至少一个处理器执行,以使所述至少一个处理器执行如上述的车险理赔方法的步骤。
在上述实施例中,本申请公开一种计算机可读存储介质,涉及人工智能技术领域和金融保险领域。本申请通过接收车险理赔指令,获取当前车辆事故的关联事故数据,其中,关联事故数据包括事故车辆信息和事故描述信息,将关联事故数据导入预先训练好的车损预测模型,得到车损预测结果,基于事故车辆信息查询当前事故车辆的保单信息,将关联事故数据、车损预测结果和当前事故车辆的保单信息导入预先训练的车险理赔推荐模型,输出当前车辆事故的车险理赔结果。本申请通过建立车损预测模型来预测车辆损失程度,并基于车险理赔推荐模型匹配相似案例或历史理赔数据进行智能推荐,可以对车险理赔过程提供有针对性的建议和决策支持,降低车险理赔中的主观因素影响,帮助理赔处理人员在车险理赔过程中做出更准确和一致的决策,提高理赔效率和准确性。
通过以上的实施方式的描述,本领域的技术人员可以清楚地了解到上述实施例方法可借助软件加必需的通用硬件平台的方式来实现,当然也可以通过硬件,但很多情况下前者是更佳的实施方式。基于这样的理解,本申请的技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来,该计算机软件产品存储在一个存储介质(如ROM/RAM、磁碟、光盘)中,包括若干指令用以使得一台终端设备(可以是手机,计算机,服务器,空调器,或者网络设备等)执行本申请各个实施例所述的方法。
本申请可用于众多通用或专用的计算机***环境或配置中。例如:个人计算机、服务器计算机、手持设备或便携式设备、平板型设备、多处理器***、基于微处理器的***、置顶盒、可编程的消费电子设备、网络PC、小型计算机、大型计算机、包括以上任何***或设备的分布式计算环境等等。本申请可以在由计算机执行的计算机可执行指令的一般上下文中描述,例如程序模块。一般地,程序模块包括执行特定任务或实现特定抽象数据类型的例程、程序、对象、组件、数据结构等等。也可以在分布式计算环境中实践本申请,在这些分布式计算环境中,由通过通信网络而被连接的远程处理设备来执行任务。在分布式计算环境中,程序模块可以位于包括存储设备在内的本地和远程计算机存储介质中。
显然,以上所描述的实施例仅仅是本申请一部分实施例,而不是全部的实施例,附图中给出了本申请的较佳实施例,但并不限制本申请的专利范围。本申请可以以许多不同的形式来实现,相反地,提供这些实施例的目的是使对本申请的公开内容的理解更加透彻全面。尽管参照前述实施例对本申请进行了详细的说明,对于本领域的技术人员来而言,其依然可以对前述各具体实施方式所记载的技术方案进行修改,或者对其中部分技术特征进行等效替换。凡是利用本申请说明书及附图内容所做的等效结构,直接或间接运用在其他相关的技术领域,均同理在本申请专利保护范围之内。
Claims (10)
1.一种车险理赔方法,其特征在于,包括:
接收车险理赔指令,获取当前车辆事故的关联事故数据,其中,所述关联事故数据包括事故车辆信息和事故描述信息;
将所述关联事故数据导入预先训练好的车损预测模型,得到车损预测结果;
基于所述事故车辆信息查询当前事故车辆的保单信息;
将所述关联事故数据、所述车损预测结果和所述当前事故车辆的保单信息导入预先训练的车险理赔推荐模型,输出所述当前车辆事故的车险理赔结果。
2.如权利要求1所述的车险理赔方法,其特征在于,在所述将所述关联事故数据导入预先训练好的车损预测模型,得到车损预测结果之前,还包括:
获取历史事故数据,并对所述历史事故数据进行预处理,其中,预处理包括去除异常值处理包、缺失数据填充处理和数据归一化处理;
按照预设的数据划分规则对预处理后的所述历史事故数据进行数据划分,得到训练集和测试集;
通过所述训练集对预设的初始预测模型进行车损预测,得到初始预测结果,并基于所述初始预测结果对所述初始预测模型进行迭代,得到训练好的车损预测模型;
通过所述测试集对所述车损预测模型进行测试,输出通过测试的所述车损预测模型。
3.如权利要求2所述的车险理赔方法,其特征在于,所述通过所述训练集对预设的初始预测模型进行车损预测,得到初始预测结果,并基于所述初始预测结果对所述初始预测模型进行迭代,得到训练好的车损预测模型,具体包括:
对所述训练集中的历史事故数据进行特征提取,得到历史事故特征;
计算所述历史事故特征与预设目标变量之间的信息增益和互信息,其中,所述目标变量为车险理赔中需要预测或推断的变量;
基于所述信息增益和所述互信息对所述历史事故特征进行赋权;
将赋权后的所述历史事故特征导入所述初始预测模型进行车损预测,得到初始预测结果;
基于所述初始预测结果和预设的反向传播算法对所述初始预测模型进行迭代,直至模型拟合,得到训练好的车损预测模型。
4.如权利要求3所述的车险理赔方法,其特征在于,所述计算所述历史事故特征与预设目标变量之间的信息增益和互信息,具体包括:
计算所述历史事故特征与预设目标变量之间的熵和条件熵;
基于所述历史事故特征与预设目标变量之间的熵和条件熵,计算所述历史事故特征与预设目标变量之间的信息增益;
计算所述历史事故特征与预设目标变量之间的联合概率和边际概率;
基于所述历史事故特征与预设目标变量之间的联合概率和边际概率,计算所述历史事故特征与预设目标变量之间的互信息。
5.如权利要求3所述的车险理赔方法,其特征在于,所述基于所述初始预测结果和预设的反向传播算法对所述初始预测模型进行迭代,直至模型拟合,得到训练好的车损预测模型,具体包括:
基于所述初始预测模型的损失函数计算所述初始预测结果和预设标准结果的误差,得到预测误差;
将所述预测误差在所述初始预测模型中进行反向传播,并判断所述预测误差与预设误差阈值的大小;
当所述预测误差大于预设误差阈值时,持续调整所述初始预测模型的模型参数,直至所述预测误差小于或等于预设误差阈值为止,得到训练好的车损预测模型。
6.如权利要求1至5任意一项所述的车险理赔方法,其特征在于,所述车险理赔推荐模型为聚类模型,所述将所述关联事故数据、所述车损预测结果和所述当前事故车辆的保单信息导入预先训练的车险理赔推荐模型,输出所述当前车辆事故的车险理赔结果,具体包括:
提取所述关联事故数据的特征,得到当前事故特征,提取所述车损预测结果的特征,得到事故车损特征,以及提取所述当前事故车辆的保单信息的特征,得到车辆保单特征;
基于所述当前事故特征、所述事故车损特征和所述车辆保单特征构建当前车辆事故关联特征;
基于所述当前车辆事故关联特征从所述车险理赔推荐模型中获取匹配的聚类簇标签;
基于所述聚类簇标签分别对所述所述当前事故特征、所述事故车损特征和所述车辆保单特征进行聚类,得到特征聚类结果;
基于所述特征聚类结果识别与所述当前车辆事故匹配的车险理赔方案,并输出所述车险理赔方案。
7.如权利要求6所述的车险理赔方法,其特征在于,所述基于所述当前事故特征、所述事故车损特征和所述车辆保单特征构建当前车辆事故关联特征,具体包括:
对所述当前事故特征进行向量化,得到事故特征向量,对所述事故车损特征进行向量化,得到车损特征向量,以及对所述车辆保单特征进行向量化,得到保单特征向量;
将所述事故特征向量、所述车损特征向量和所述保单特征向量映射到目标特征空间,得到特征映射结果;
基于所述特征映射结果获取所述当前车辆事故关联特征。
8.一种车险理赔装置,其特征在于,包括:
数据获取模块,用于接收车险理赔指令,获取当前车辆事故的关联事故数据,其中,所述关联事故数据包括事故车辆信息和事故描述信息;
车损预测模块,用于将所述关联事故数据导入预先训练好的车损预测模型,得到车损预测结果;
保单查询模块,用于基于所述事故车辆信息查询当前事故车辆的保单信息;
车险理赔模块,用于将所述关联事故数据、所述车损预测结果和所述当前事故车辆的保单信息导入预先训练的车险理赔推荐模型,输出所述当前车辆事故的车险理赔结果。
9.一种计算机设备,其特征在于,包括存储器和处理器,所述存储器中存储有计算机可读指令,所述处理器执行所述计算机可读指令时实现如权利要求1至7中任一项所述的车险理赔方法的步骤。
10.一种计算机可读存储介质,其特征在于,所述计算机可读存储介质上存储有计算机可读指令,所述计算机可读指令被处理器执行时实现如权利要求1至7中任一项所述的车险理赔方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311036736.XA CN116843483A (zh) | 2023-08-16 | 2023-08-16 | 一种车险理赔方法、装置、计算机设备及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311036736.XA CN116843483A (zh) | 2023-08-16 | 2023-08-16 | 一种车险理赔方法、装置、计算机设备及存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN116843483A true CN116843483A (zh) | 2023-10-03 |
Family
ID=88167366
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311036736.XA Pending CN116843483A (zh) | 2023-08-16 | 2023-08-16 | 一种车险理赔方法、装置、计算机设备及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116843483A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117494809A (zh) * | 2023-10-23 | 2024-02-02 | 中国银行保险信息技术管理有限公司 | 车辆零配件损坏关联性的分析方法、装置、设备及介质 |
-
2023
- 2023-08-16 CN CN202311036736.XA patent/CN116843483A/zh active Pending
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117494809A (zh) * | 2023-10-23 | 2024-02-02 | 中国银行保险信息技术管理有限公司 | 车辆零配件损坏关联性的分析方法、装置、设备及介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112925911B (zh) | 基于多模态数据的投诉分类方法及其相关设备 | |
CN113807728A (zh) | 基于神经网络的绩效考核方法、装置、设备及存储介质 | |
CN116843483A (zh) | 一种车险理赔方法、装置、计算机设备及存储介质 | |
CN115099326A (zh) | 基于人工智能的行为预测方法、装置、设备及存储介质 | |
CN113506023A (zh) | 工作行为数据分析方法、装置、设备及存储介质 | |
CN116777646A (zh) | 基于人工智能的风险识别方法、装置、设备及存储介质 | |
CN116451125A (zh) | 一种新能源车车主识别方法、装置、设备及存储介质 | |
CN117114901A (zh) | 基于人工智能的投保数据处理方法、装置、设备及介质 | |
CN110213239B (zh) | 可疑交易报文生成方法、装置及服务器 | |
CN115860927A (zh) | 一种数据分析方法、装置、计算机设备及存储介质 | |
CN115587830A (zh) | 工作任务激励方法、装置、计算机设备及存储介质 | |
CN115392361A (zh) | 一种智能排序方法、装置、计算机设备及存储介质 | |
CN115293867A (zh) | 财务报销用户画像优化方法、装置、设备及存储介质 | |
CN113781247A (zh) | 协议数据推荐方法、装置、计算机设备及存储介质 | |
CN116307742B (zh) | 一种细分客群的风险识别方法、装置、设备及存储介质 | |
CN114048330B (zh) | 风险传导概率知识图谱生成方法、装置、设备及存储介质 | |
CN117312991B (zh) | 一种分类识别***的构建方法及其相关设备 | |
CN117407750A (zh) | 基于元数据的数据质量监控方法、装置、设备及存储介质 | |
CN117611352A (zh) | 一种车险理赔处理方法、装置、计算机设备及存储介质 | |
CN117252713A (zh) | 一种新能源车的风险识别方法、装置、设备及存储介质 | |
CN117217812A (zh) | 一种用户行为预测方法、装置、计算机设备及存储介质 | |
CN117078406A (zh) | 一种客户流失预警方法、装置、计算机设备及存储介质 | |
CN117252712A (zh) | 基于迁移学习的产品理赔方法、装置、设备及存储介质 | |
CN117236707A (zh) | 一种资产优化配置方法、装置、计算机设备及存储介质 | |
CN116756147A (zh) | 一种数据归类方法、装置、计算机设备及存储介质 |
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 |