[发明专利]一种保险业务风险预测的处理方法、装置及处理设备

说明书

本说明书实施例公开了一种保险业务风险预测的处理方法、装置及处理设备。因此利用本说明书实施例提供的方法可以预先使用梯度提升决策树来构建风险预测模型，该风险预测模型可以使用已打标的与保险业务相关联的风险关联数据进行训练。当风险预测模型训练达到预测要求时可以作为线上风险预测使用，对待预测用户进行保险业务风险预测，输出预测结果。利用本说明书实施例提供的方法可以合理有效地应用保险业务中多维度的非线性变量，基于梯度提升决策树的非线性关系的风险预测模型可以很好地兼容线性和非线性变量，相对于传统的线性模型，预测结果的准确性有着显著的提升，有效弥补传统线性模型的不足，提高保险业务服务体验。

技术领域

本说明书实施例方案属于保险业务风险预测的计算机数据处理技术领域，尤其涉及一种保险业务风险预测的处理方法、装置及处理设备。

背景技术

机动车辆保险即汽车保险(或简称车险)，是指对机动车辆由于自然灾害或意外事故所造成的人身伤亡或财产损失负赔偿责任的一种商业保险。随着经济的发展，机动车辆的数量不断增加，当前，车险已成为中国财产保险业务中最大的险种之一。

用户在进行车辆投保时，保险公司通常会对用户进行风险评估，风险评估的结果会直接影响到用户投保金额、优惠待遇等。通过对用户的风险评估，保险公司可以更加准确、合理的进行保险业务的处理，有效规避或减少业务风险。目前，在车险风险预测领域，基于广义线性模型(generalized linear model，GLM)的风险预测已成为业内的主流风险预测技术体系。广义线性模型主要处理的为线性相关的数据对象，如上网时长降低1个百分点，年龄增大1岁，可以基于网龄数据与年龄数据的线性关系实现GLM的建模。

但随着车险业务的不断增加，互联网数据已呈现多种类、海量数据增长，传统的GLM模型体系已越来越受到限制，例如如果“年龄”不是单纯随上网时长变化而变化，而是同时与人群的购物以及习惯等方面相关，不同消费习惯随自身变化改变年龄分布呈非线性影响的形式。GLM模型可以通过分箱将非线性变量进行分段汇总，但是会损失很多变量的精准性，难以适应当前大数据、多维度的风险预测要求。因此，业内亟需一种可以在多维度数据中更加有效和高效的进行车险业务风险预测的处理方式。

发明内容

本说明书实施例目的在于提供一种保险业务风险预测的处理方法、装置及处理设备，可以通过在保险业务风险预测中引入梯度提升决策树，实现兼容非线性关系的保险业务数据的风险预测，有效提高保险业务风险预测的准确性。

本说明书实施例提供的一种保险业务风险预测的处理方法、装置及处理设备是包括以下方式实现的：

一种保险业务风险预测的处理方法，所述方法包括：

获取待预测用户的目标风险关联数据；

利用构建的风险预测模型对所述目标风险关联数据进行处理，输出所述待预测用户的风险预测结果，所述风险预测模型法包括：利用已打标的风险关联数据对梯度提升决策树进行训练确定的预测模型。

一种保险业务风险预测处理装置，包括：

预测数据获取模块，用于获取待预测用户的目标风险关联数据；

风险预测模块，用于利用构建的风险预测模型对所述目标风险关联数据进行处理，输出所述待预测用户的风险预测结果，所述风险预测模型法包括：利用已打标的风险关联数据对梯度提升决策树进行训练确定的预测模型。

一种保险业务风险预测处理设备，包括处理器以及用于存储处理器可执行指令的存储器，所述处理器执行所述指令时实现：

获取待预测用户的目标风险关联数据；

利用构建的风险预测模型对所述目标风险关联数据进行处理，输出所述待预测用户的风险预测结果，所述风险预测模型法包括：利用已打标的风险关联数据对梯度提升决策树进行训练确定的预测模型。