[發(fā)明專利]基于大數(shù)據(jù)的數(shù)據(jù)庫和算法的保險(xiǎn)精準(zhǔn)風(fēng)控、管理、智慧客服及營銷系統(tǒng)

有效

• 申請(qǐng)?zhí)枺?/td>: 202110650006.3
• 申請(qǐng)日: 2021-06-10
• 公開（公告）號(hào): CN113393331B
• 公開（公告）日: 2022-08-23
• 發(fā)明（設(shè)計(jì)）人: 羅嗣揚(yáng);羅忠明
• 申請(qǐng)（專利權(quán)）人: 羅嗣揚(yáng)
• 主分類號(hào): G06Q40/08
• 分類號(hào): G06Q40/08;G06N3/00;G06N3/08
• 代理公司: 暫無信息
• 代理人: 暫無信息

1.基于大數(shù)據(jù)的保險(xiǎn)精準(zhǔn)風(fēng)控、管理、智慧客服及營銷系統(tǒng)，其特征在于：包括技術(shù)支持單元(100)、數(shù)據(jù)模型單元(200)、用戶管理單元(300)、風(fēng)控管理單元(400)和安全應(yīng)用單元(500)；所述技術(shù)支持單元(100)的信號(hào)輸出端與所述數(shù)據(jù)模型單元(200)的信號(hào)輸入端連接，所述數(shù)據(jù)模型單元(200)的信號(hào)輸出端與所述用戶管理單元(300)的信號(hào)輸入端連接，所述用戶管理單元(300)的信號(hào)輸出端與所述風(fēng)控管理單元(400)的信號(hào)輸入端連接，所述風(fēng)控管理單元(400)的信號(hào)輸出端與所述安全應(yīng)用單元(500)的信號(hào)輸入端連接；所述技術(shù)支持單元(100)用于提供支持系統(tǒng)運(yùn)行的各種智能技術(shù)；所述數(shù)據(jù)模型單元(200)用于依據(jù)大數(shù)據(jù)并以BP神經(jīng)網(wǎng)絡(luò)預(yù)測算法為基礎(chǔ)搭建風(fēng)險(xiǎn)預(yù)測模型并進(jìn)行深度學(xué)習(xí)；所述用戶管理單元(300)用于對(duì)保險(xiǎn)業(yè)務(wù)全流程中能涉及到的用戶人員進(jìn)行管理以降低用戶行為帶來的業(yè)務(wù)風(fēng)險(xiǎn)；所述風(fēng)控管理單元(400)用于對(duì)保險(xiǎn)業(yè)務(wù)流程中可能存在的各類風(fēng)險(xiǎn)因素進(jìn)行識(shí)別并控制管理；所述安全應(yīng)用單元(500)用于對(duì)保險(xiǎn)業(yè)務(wù)進(jìn)行安全管理并完善系統(tǒng)的應(yīng)用功能；

所述技術(shù)支持單元(100)包括生物識(shí)別模塊(101)、大數(shù)據(jù)模塊(102)、人工智能模塊(103)、三方云系統(tǒng)模塊(104)和區(qū)塊鏈模塊(105)；

所述數(shù)據(jù)模型單元(200)包括數(shù)據(jù)處理模塊(201)、模型搭建模塊(202)、算法訓(xùn)練模塊(203)和機(jī)器學(xué)習(xí)模塊(204)；

所述用戶管理單元(300)包括客戶視圖模塊(301)、增員管理模塊(302)、活動(dòng)培訓(xùn)模塊(303)和智慧客服模塊(304)；

所述風(fēng)控管理單元(400)包括代理品質(zhì)模塊(401)、壽險(xiǎn)核保模塊(402)、車險(xiǎn)理賠模塊(403)、財(cái)險(xiǎn)識(shí)別模塊(404)和信貸智控模塊(405)；

所述安全應(yīng)用單元(500)包括行為識(shí)別模塊(501)、素質(zhì)評(píng)級(jí)模塊(502)、風(fēng)險(xiǎn)評(píng)估模塊(503)和綜合報(bào)告模塊(504)；

所述數(shù)據(jù)處理模塊(201)的信號(hào)輸出端與所述模型搭建模塊(202)的信號(hào)輸入端連接，所述模型搭建模塊(202)的信號(hào)輸出端與所述算法訓(xùn)練模塊(203)的信號(hào)輸入端連接，所述算法訓(xùn)練模塊(203)的信號(hào)輸出端與所述機(jī)器學(xué)習(xí)模塊(204)的信號(hào)輸入端連接；所述數(shù)據(jù)處理模塊(201)用于通過多維度數(shù)據(jù)采集途徑獲取海量與保險(xiǎn)業(yè)務(wù)相關(guān)的數(shù)據(jù)信息并對(duì)數(shù)據(jù)進(jìn)行去重、存儲(chǔ)、統(tǒng)析及劃分處理；所述模型搭建模塊(202)用于以BP神經(jīng)網(wǎng)絡(luò)算法為基礎(chǔ)，根據(jù)保險(xiǎn)的險(xiǎn)種分別搭建對(duì)應(yīng)的風(fēng)險(xiǎn)預(yù)測模型；所述算法訓(xùn)練模塊(203)用于按照一定的流程步驟對(duì)預(yù)測模型進(jìn)行算法訓(xùn)練；所述機(jī)器學(xué)習(xí)模塊(204)用于通過機(jī)器學(xué)習(xí)來完善預(yù)測算法以提高預(yù)測的準(zhǔn)確度；

通過粒子群算法對(duì)所述模型搭建模塊(202)采用的BP神經(jīng)網(wǎng)絡(luò)的初始權(quán)值和閾值進(jìn)行優(yōu)化，設(shè)置粒子群中粒子當(dāng)前解的適應(yīng)度函數(shù)值越小，粒子的尋優(yōu)效果越好，通過改進(jìn)的粒子群算法對(duì)BP神經(jīng)網(wǎng)絡(luò)的初始權(quán)值和閾值進(jìn)行尋優(yōu)，改進(jìn)的粒子群算法能夠有效的避免陷入局部最優(yōu)，從而能夠有效的解決BP神經(jīng)網(wǎng)絡(luò)收斂速度慢和易陷入局部最優(yōu)的缺陷，使得優(yōu)化后的BP神經(jīng)網(wǎng)絡(luò)具有較高的評(píng)估準(zhǔn)確度；在粒子群算法中，設(shè)表示種群中粒子i在第t次迭代更新后的解，為定義的種群中粒子i在第(t+1)次迭代更新時(shí)進(jìn)行學(xué)習(xí)的局部較優(yōu)解，Qbest^t表示種群在第t次迭代更新后的全局最優(yōu)解，令種群中粒子i通過向局部較優(yōu)解和全局最優(yōu)解Qbest^t進(jìn)行學(xué)習(xí)，從而獲得粒子i在第(t+1)次迭代更新后的解

所述局部較優(yōu)解的求解方法為：

設(shè)表示在第t次迭代更新后種群中優(yōu)于粒子i當(dāng)前的歷史最優(yōu)解的解組成的集合，且其中，表示集合中的第j個(gè)較優(yōu)解，表示集合中的較優(yōu)解的數(shù)量，表示較優(yōu)解的適應(yīng)度函數(shù)值，表示種群中粒子i在第t次迭代更新后的歷史最優(yōu)解，表示歷史最優(yōu)解的適應(yīng)度函數(shù)值；

對(duì)集合中的較優(yōu)解依次進(jìn)行篩選，定義表示針對(duì)較優(yōu)解設(shè)置的個(gè)體篩選系數(shù)，表示針對(duì)集合中較優(yōu)解設(shè)置的整體篩選系數(shù)，且和的值分別為：

式中，表示較優(yōu)解的尋優(yōu)篩選因子，且表示較優(yōu)解的距離篩選因子，且表示較優(yōu)解的迭代調(diào)節(jié)因子，且其中，t表示當(dāng)前迭代次數(shù)，T_max表示最大迭代次數(shù)， 和 的作用為取最大值， 的作用為取中值；

當(dāng)集合中的較優(yōu)解滿足：時(shí)，則在集合中保留較優(yōu)解而當(dāng)較優(yōu)解滿足：時(shí)，則在集合中刪除較優(yōu)解

設(shè)表示對(duì)集合中的較優(yōu)解依次進(jìn)行篩選后剩余的較優(yōu)解組成的集合，所述局部較優(yōu)解即為在集合中隨機(jī)選取的一個(gè)較優(yōu)解；

令種群中粒子i通過向局部較優(yōu)解和全局最優(yōu)解Qbest^t進(jìn)行學(xué)習(xí)，從而獲得粒子i在第(t+1)次迭代更新后的解具體為：

其中，表示種群中粒子i在第(t+1)次迭代更新時(shí)的步長，表示種群中粒子i在第t次迭代更新時(shí)的步長，c₁和c₂表示種群的學(xué)習(xí)因子，r₁和r₂分別表示隨機(jī)產(chǎn)生的0到1之間的隨機(jī)數(shù)，ω表示種群中粒子的慣性權(quán)重因子。