[發明專利]一種基于深度學習的車險風控定價模型方法

在審

• 申請號: 202110632533.1
• 申請日: 2021-06-07
• 公開（公告）號: CN113379555A
• 公開（公告）日: 2021-09-10
• 發明（設計）人: 張磊;周健祥
• 申請（專利權）人: 北京車與車科技有限公司
• 主分類號: G06Q40/08
• 分類號: G06Q40/08;G06N20/00;G06N3/08;G06N3/04
• 代理公司: 北京市浩東律師事務所 11499
• 代理人: 遲爽

1.一種基于深度學習的車險風控定價模型方法，其特征在于：包括以下步驟：

步驟一：用戶輸入車輛信息，包括車牌號、品牌、型號、車輛初登日期等車輛要素信息；

步驟二：系統自動補全車架號、VIN碼等信息，專業工作人員核對全車架號、VIN碼等信息的正確性；

步驟三：用戶輸入車輛的里程數，并由專門的工作人員核對車輛里程數；

步驟四：考慮到信息安全性，中間部分字段需要脫敏展示；

步驟五：系統根據車輛信息生產車輛畫像：品牌、車架、車齡、價格區間、車輛屬性等；

步驟六：用戶輸入車主姓名與身份證號等個人信息；

步驟七：系統根據用戶信息生成用戶畫像：年齡、家庭分類、性別、駕齡范圍等；

步驟八：用戶選擇車輛投保省份、地市，系統自動定位此時的省份、地市；

步驟九：系統依托其他數據源補全用戶交通違章信息等行為信息；

步驟十：考慮到數據源數據準確性，補全違章信息后，需要彈出消息界面與用戶確認違章行為；

步驟十一：系統依托歷史數據積累，及理賠系統返回的數據補充歷史賠付信息：出險次數、賠付金額、定損員、修理廠、事故性質(全損、水淹、過戶等)；

步驟十二：考慮到數據源數據準確性，補全信息后，需要彈出消息界面與用戶確認歷史賠付信息；

步驟十三：大數據加工，采用歷史全量和定期增量方式加工，并根據新發現的場景適時增補模型特征；

步驟十四：采用本方案車險定價模型算法輸出風控值。

2.根據權利要求1所述的一種基于深度學習的車險風控定價模型方法，其特征在于：所述步驟一和步驟二中，用戶輸入的車輛信息，補充的車輛信息，包括車牌號與車架號，確保車輛唯一可識別，避免車險定價模型算法在對車輛車險風控定價進行計算時出現不同車輛導致計算出錯的問題。

3.根據權利要求1所述的一種基于深度學習的車險風控定價模型方法，其特征在于：所述步驟七中，生產的用戶畫像可以基于本地歷史數據不斷自動優化，每新增用戶都可以作為后續的歷史數據使用。

4.根據權利要求1所述的一種基于深度學習的車險風控定價模型方法，其特征在于：所述步驟八中，系統自動定位此時的省份、地市，并根據不同的地區進行不同級別的定價。

5.根據權利要求1所述的一種基于深度學習的車險風控定價模型方法，其特征在于：所述步驟十一中，涉及到人員、車輛、案件的關聯關系圖譜、當前車輛曾經損失程度特征、作為三者出險頻度特征、近期出險特征等需要不斷迭代更新。

6.根據權利要求1所述的一種基于深度學習的車險風控定價模型方法，其特征在于：所述步驟十和步驟十二中，需要彈出消息界面與用戶進行確認信息，有效的保證了車輛各種信息的真實性和準確性，有理由后續的車險定價模型算法輸出風控值的準確性。

7.根據權利要求1所述的一種基于深度學習的車險風控定價模型方法，其特征在于：所述步驟十四中，本方案車險風控定價模型具體算法如下：

這里輸入層接受多個輸入特征指標（包含人、車、行為、歷史賠付等四維信息作為X輸入的特征值）

X=（x_1,x_2,x_3,x_4…x_n）

Y=（1,2,3,4,5…10）

每個x_n包含用戶畫像、車輛情況、用戶違章行為和歷史賠付信息，

每個y_n為基于傳統投保模型預測得到的輸出評分,使用先驗的數據知識對，

模型建立上，建立深度前饋網絡，計算前饋神經網絡參數，

在損失函數的定義上，我們使用均方差方法計算損失函數：

Loss=1/2m∑_（i=m）^m（（y_i）^-y_i）^2

接下來我們使用反向傳播并更新梯度，

對特殊的數據，包含個人畫像信息和車輛情況我們采用平均值歸一化方法：

x_new=（（x-x_（minf0）））/（x_max-x_min）

以此來保證數據歸一化的結果收斂，

神經網絡的搭建我們使用CNN（卷積神經網絡），

其中卷積層負責將特征進行卷積擬合，我們選用1D 數據擬合，

池化層使用平均值進行池化，全鏈接層為10層，代表不同種類的積分情況。