[发明专利]基于深度学习的车险自助理赔成功率预测方法

权利要求书

1.基于深度学习的车险自助理赔成功率预测方法，其特征在于：该方法包含如下步骤：

S1：基于保险公司用户端用户，获取构造用户画像所需要的用户数据；

S2：对所获取的用户数据进行数据处理；

S3：对经过处理之后的用户数据进行特征因子提取；

S4：建立基于深度学习算法的预测模型对理赔成功率进行预测。

2.根据权利要求1所述的基于深度学习的车险自助理赔成功率预测方法，其特征在于：步骤S1中所述用户数据包含静态数据、动态数据和辅助数据；

所述静态数据为与理赔产品相关的人物固定数据；

所述动态数据为理赔产品的使用场景数据；

所述辅助数据为行业经验数据。

3.根据权利要求2所述的基于深度学习的车险自助理赔成功率预测方法，其特征在于：步骤S2具体包含如下步骤：

S21：对所述用户数据进行原始数据收集；

S22：对收集到的原始数据进行完整性处理，纠正原始数据的非完整性数据；

S23：对完整性处理后的数据进行唯一性处理，消除完整性处理后数据中存在的冗余数据；

S24：对唯一性处理后的数据进行权威性处理，统一多来源数据中相同指标的不同数值；

S25：对权威性处理后的数据进行合法性处理，舍去明显不符合常识的数据；

S26：对合法性处理后的数据进行一致性处理，整合实质相同的数据。

4.根据权利要求3所述的基于深度学习的车险自助理赔成功率预测方法，其特征在于：步骤S3中，所述特征因子包含：驾驶员信息，车辆信息，时间信息，地址信息，事件信息和欺诈因子。

5.根据权利要求4所述的基于深度学习的车险自助理赔成功率预测方法，其特征在于：所述地址信息的分类步骤如下：

S31：取地址信息最后的一个字，得到一类地址特征信息；

S32：取地址信息最后的两个字，得到二类地址特征信息；

S33：取地址信息最后的三个字，得到三类地址特征信息；

S34：将上述三个种类的地址特征信息按照三类地址特征信息、二类地址特征信息、一类地址特征信息的顺序对地址信息进行匹配，将匹配后的数据作为有效地址信息；

S35：根据上述有效地址数据，结合社会经验和车险出险特性，根据时段按照人口与车辆的拥堵程度对有效地址信息进行分类。

6.根据权利要求3所述的基于深度学习的车险自助理赔成功率预测方法，其特征在于：步骤S4中所述深度学习算法基于深度神经网络，所述深度神经网络包含依次全连接的输入层，隐藏层和输出层；

步骤S4具体包含如下步骤：

S41：将包含用户标签的数据分为训练集和测试集，并选取一份训练集进行训练，获得输入层到第一隐藏层的优化权值参数，；

S42：将训练集向前传播通过第一隐藏层得到第一特征，并以此为输入训练第二隐藏层，获得第一隐藏层到第二隐藏层的优化权值参数，；

S43：将第一特征向前传播通过第二隐藏层得到第二特征，并以此为输入训练第三隐藏层，获得第二隐藏层到第三隐藏层的优化权值参数，；

S44：将第二特征向前传播通过第三隐藏层得到第二特征，并以此为输入训练输出层，获得优化输出权值参数；

S45：将输入层到第一隐藏层的优化权值参数，，第一隐藏层到第二隐藏层的优化权值参数，，第二隐藏层到第三隐藏层的优化权值参数，以及优化输出权值参数作为初始化参数，将训练集作为输入，根据后向传播原理给出整个网络的代价函数与梯度，在已知预测标签情况下调整权重参数，获取最优化的输入层到第一隐藏层的权值参数，，最优化的第一隐藏层到第二隐藏层的权值参数，，最优化的第二隐藏层到第三隐藏层的权值参数，以及最优化的输出权值参数；

S46：通过调整好权值参数的深度神经网络对测试集进行预测，计算出预测准确率，若预测准确率不满足设计需求，则执行S45重新调整权值参数，若预测准确率满足设计需求，则将该深度神经网络用于实际预测。