[發明專利]核保難度預測的方法、裝置、計算機設備及存儲介質

在審

• 申請號: 201710752024.6
• 申請日: 2017-08-28
• 公開（公告）號: CN107633323A
• 公開（公告）日: 2018-01-26
• 發明（設計）人: 馬向東;高雪;丁杰;李斌;陳杰;邵正鉑;張捷
• 申請（專利權）人: 平安科技（深圳）有限公司
• 主分類號: G06Q10/04
• 分類號: G06Q10/04;G06Q40/08;G06N3/08
• 代理公司: 廣州華進聯合專利商標代理有限公司44224
• 代理人: 王寧

1.一種核保難度預測的方法，其特征在于，所述方法包括：

獲取待計算核保難度的投保單，提取所述投保單中影響核保難度的目標因素；

確定與每個所述目標因素對應的參數值；

對所述參數值進行歸一化處理得到標準參數值；

將各個所述目標因素對應的所述標準參數值按照預設的規則組合為目標向量；

將所述目標向量作為訓練好的核保難度預測模型的輸入，獲取輸出的與所述投保單對應的核保難度值，所述核保難度預測模型是基于歷史投保單采用BP神經網絡模型進行訓練得到的。

2.根據權利要求1所述的方法，其特征在于，在獲取待計算核保難度的投保單，提取所述投保單中影響核保難度的目標因素的步驟之前還包括：

從數據庫中獲取歷史投保單，確定訓練樣本集；

提取所述訓練樣本集中每個歷史投保單對應的影響核保難度的影響因素以及相應的核保難度值；

確定與每個所述影響因素對應的參數值，對所述參數值進行歸一化處理得到標準參數值；

將每個所述歷史投保單中各個影響因素對應的標準參數值按照預設的規則組合為輸入向量；

將每個歷史投保單對應的輸入向量作為輸入樣本，將相應的核保難度值作為期望的輸出樣本，對BP神經網絡模型進行訓練得到核保難度預測模型。

3.根據權利要求2所述的方法，其特征在于，所述從數據庫中獲取歷史投保單，確定訓練樣本集包括：

從數據庫中獲取歷史投保單，獲取所述歷史投保單所對應的投保年份；

根據所述投保年份將歷史投保單進行分類；

對每一類歷史投保單進行篩選得到有效歷史投保單；

將每一類有效歷史投保單進行聚類，得到訓練樣本集。

4.根據權利要求2所述的方法，其特征在于，在所述將每個歷史投保單對應的輸入向量作為輸入樣本，將相應的核保難度值作為期望的輸出樣本，采用BP神經網絡模型進行訓練得到核保難度預測模型的步驟之后還包括：

獲取檢測樣本集；

將所述檢測樣本集中的輸入樣本作為所述訓練得到的核保難度預測模型的輸入，獲取相應的輸出值；

判斷所述輸出值與所述標準輸出值的誤差是否在預設的范圍內；

若是，則將所述訓練得到的核保難度預測模型作為訓練好的核保難度預測模型。

5.根據權利要求1所述的方法，其特征在于，所述方法還包括：

根據預設的核保難度值與職能等級之間的關系獲取與所述核保難度值對應的職能等級；

根據所述職能等級將所述投保單進行分配。

6.一種核保難度預測的裝置，其特征在于，所述裝置包括：

第一提取模塊，用于獲取待計算核保難度的投保單，提取所述投保單中影響核保難度的目標因素；

參數值確定模塊，用于確定與每個所述目標因素對應的參數值；

第一處理模塊，用于對所述參數值進行歸一化處理得到標準參數值；

第一組合模塊，用于將各個所述目標因素對應的所述標準參數值按照預設的規則組合為目標向量；

預測模塊，用于將所述目標向量作為訓練好的核保難度預測模型的輸入，獲取輸出的與所述投保單對應的核保難度值，所述核保難度預測模型是基于歷史投保單采用BP神經網絡模型進行訓練得到的。

7.根據權利要求6所述的裝置，其特征在于，所述裝置還包括：

樣本集確定模塊，用于從數據庫中獲取歷史投保單，確定訓練樣本集；

第二提取模塊，用于提取所述訓練樣本集中每個歷史投保單對應的影響核保難度的影響因素以及相應的核保難度值；

第二處理模塊，用于確定與每個所述影響因素對應的參數值，對所述參數值進行歸一化處理得到標準參數值；

第二組合模塊，用于將每個歷史投保單中各個影響因素對應的標準參數值按照預設的規則組合為輸入向量；

訓練模塊，用于將每個歷史投保單對應的輸入向量作為輸入樣本，將相應的核保難度值作為期望的輸出樣本，對BP神經網絡模型進行訓練得到核保難度預測模型。

8.根據權利要求7所述的裝置，其特征在于，所述確定模塊還用于從數據庫中獲取歷史投保單，獲取所述歷史投保單所對應的投保年份，根據所述投保年份將歷史投保單進行分類，對每一類歷史投保單進行篩選得到有效歷史投保單，將每一類有效歷史投保單進行聚類，得到訓練樣本集。