医疗保险保费定价方法、装置、计算机设备和存储介质制造方法及图纸

本申请涉及人工智能领域中的机器学习，提供了一种医疗保险保费定价方法、装置、计算机设备和存储介质。所述方法包括：获取医保数据，将医保数据经过特征工程提取得到医保特征向量；将医保特征向量输入到已训练好的医保报销异常检测模型中，得到异常检测结果，将医保特征向量输入到已训练好的医保理赔费用检测模型中，得到可控理赔费用，根据异常检测结果和可控理赔费用得到医保理赔可控空间比例；获取医保数据中的理赔值、医保成本数、医保利润数和医保风险走廊数，根据医保成本数、医保利润数、医保风险走廊数和医保理赔可控空间比例计算得到保费定价。采用本方法能够提高保费定价的效率和准确性。

Medical insurance premium pricing methods, devices, computer equipment and storage media

This application relates to machine learning in the field of artificial intelligence and provides a medical insurance premium pricing method, device, computer equipment and storage medium. The method includes: obtaining medical insurance data, extracting medical insurance data through feature engineering to obtain medical insurance feature vectors; inputting medical insurance feature vectors into the trained medical insurance reimbursement anomaly detection model, obtaining anomaly detection results; inputting medical insurance feature vectors into the trained medical insurance reimbursement cost detection model, obtaining controllable reimbursement costs, and according to the anomaly detection results. The controllable space proportion of medical insurance claims can be obtained with controllable claim cost; the claim value, medical insurance cost, medical insurance profit and medical insurance risk corridor in medical insurance data can be obtained, and the premium pricing can be calculated according to the number of medical insurance costs, medical insurance profit, medical insurance risk corridor and the controllable space proportion of medical insurance claims. This method can improve the efficiency and accuracy of premium pricing.

【技术实现步骤摘要】
医疗保险保费定价方法、装置、计算机设备和存储介质
本申请涉及计算机
，特别是涉及一种医疗保险保费定价方法、装置、计算机设备和存储介质。
技术介绍
医疗保险一般指基本医疗保险，是为了补偿劳动者因疾病风险造成的经济损失而建立的一项社会保险制度。参保人员患病就诊发生医疗费用后，由医疗保险机构对其给予一定的经济补偿。目前，医疗保险机构对于医疗保险保费的确定一般是通过人工进行。然而，现在医疗保险的业务种类越来越多，情况越来越复杂，通过人工进行保费的确定，效率和准确性都比较低下。
技术实现思路
基于此，有必要针对上述技术问题，提供一种能够提高保费确定效率和准确性的医疗保险保费定价方法、装置、计算机设备和存储介质。一种医疗保险保费定价方法，所述方法包括：获取医保数据，将医保数据经过特征工程提取得到医保特征向量；将医保特征向量输入到已训练好的医保报销异常检测模型中，得到异常检测结果，将医保特征向量输入到已训练好的医保理赔费用检测模型中，得到可控理赔费用，根据异常检测结果和可控理赔费用得到医保理赔可控空间比例；获取医保数据中的理赔值、医保成本数、医保利润数和医保风险走廊数，根据医保成本数、医保利润数、医保风险走廊数和医保理赔可控空间比例计算得到保费定价。在其中一个实施例中，将医保数据经过特征工程提取得到医保特征向量，包括：将医保数据进行数据清洗，得到清洗后的医保数据；根据清洗后的医保数据得到预设特征类型对应的特征集；根据预设特征类型对应的特征集使用特征选择算法进行特征选择，得到医保输入特征，根据医保输入特征和清洗后的医保数据得到医保特征向量。在其中一个实施例中，已训练的医保报销异常检测模型的生成步骤包括：获取历史医保数据和对应的历史异常检测结果数据，根据历史医保数据得到历史医保特征向量，根据对应的历史异常检测结果得到历史医保输出向量；将历史医保特征向量作为输入，将对应的历史医保输出向量作为标签，使用随机森林算法进行训练，当达到目标条件时，得到已训练的医保报销异常检测模型。在其中一个实施例中，已训练的医保报销异常检测模型的生成步骤包括：获取历史医保数据，将历史医保数据作为初始样本数据；随机从初始样本数据中选择目标样本数据，将目标样本数据作为目标树当前节点；随机选择目标特征，在目标树当前节点中随机选择目标特征对应的特征值；根据特征值对目标树当前节点二叉划分，得到目标树当前节点的叶子节点，将叶子节点作为目标树当前节点；返回随机选择目标特征，在目标树当前节点中随机选择目标特征对应的特征值的步骤，当达到预设条件时，得到目标树；返回随机从初始样本数据中选择目标样本数据，将目标样本数据作为目标树当前节点的步骤，当达到预设数目的目标树时，形成隔离森林，得到已训练的医保报销异常检测模型。在其中一个实施例中，已训练的医保理赔费用检测模型的生成步骤包括：获取历史医保数据和对应的可控理赔费用，根据历史医保数据提取医保理赔特征；计算医保理赔特征对应的医保特征向量和可控理赔费用对应的向量；将医保特征向量作为前馈神经网络的输入，将可控理赔费用对应的向量作为标签进行训练，当达到预设条件时，得到已训练的医保理赔费用检测模型。在其中一个实施例中，已训练的医保理赔费用检测模型的生成步骤包括：获取历史医保数据，将历史医保数据输入聚类模型中，得到多个候选医保簇群；计算各个候选医保簇群的理赔对标值，并获取各个候选医保簇群中历史医保数据中的理赔值，根据理赔对标值和理赔值计算各个候选医保簇群的理赔差异值，得到已训练的医保理赔费用检测模型。在其中一个实施例中，所述方法还包括：获取带有不同影响因子的医保数据，根据带有不同影响因子的医保数据分别计算得到对应的保费定价；将保费定价进行排序，根据排序结果得到影响因子的重要程度。一种医疗保险保费定价装置，所述装置包括：特征向量得到模块，用于获取医保数据，将医保数据经过特征工程提取得到医保特征向量；可控比例得到模块，用于将医保特征向量输入到已训练好的医保报销异常检测模型中，得到异常检测结果，将医保特征向量输入到已训练好的医保理赔费用检测模型中，得到可控理赔费用，根据异常检测结果和可控理赔费用得到医保理赔可控空间比例；保费计算模块，用于获取医保数据中的理赔值、医保成本数、医保利润数和医保风险走廊数，根据医保成本数、医保利润数、医保风险走廊数和医保理赔可控空间比例计算得到保费定价。一种计算机设备，包括存储器和处理器，所述存储器存储有计算机程序，所述处理器执行所述计算机程序时实现以下步骤：获取医保数据，将医保数据经过特征工程提取得到医保特征向量；将医保特征向量输入到已训练好的医保报销异常检测模型中，得到异常检测结果，将医保特征向量输入到已训练好的医保理赔费用检测模型中，得到可控理赔费用，根据异常检测结果和可控理赔费用得到医保理赔可控空间比例；获取医保数据中的理赔值、医保成本数、医保利润数和医保风险走廊数，根据医保成本数、医保利润数、医保风险走廊数和医保理赔可控空间比例计算得到保费定价。一种计算机可读存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时实现以下步骤：获取医保数据，将医保数据经过特征工程提取得到医保特征向量；将医保特征向量输入到已训练好的医保报销异常检测模型中，得到异常检测结果，将医保特征向量输入到已训练好的医保理赔费用检测模型中，得到可控理赔费用，根据异常检测结果和可控理赔费用得到医保理赔可控空间比例；获取医保数据中的理赔值、医保成本数、医保利润数和医保风险走廊数，根据医保成本数、医保利润数、医保风险走廊数和医保理赔可控空间比例计算得到保费定价。上述医疗保险保费定价方法、装置、计算机设备和存储介质，通过获取医保数据，将医保数据经过特征工程提取得到医保特征向量；将医保特征向量输入到已训练好的医保报销异常检测模型中，得到异常检测结果，将医保特征向量输入到已训练好的医保理赔费用检测模型中，得到可控理赔费用，根据异常检测结果和可控理赔费用得到医保理赔可控空间比例；获取医保数据中的理赔值、医保成本数、医保利润数和医保风险走廊数，根据医保成本数、医保利润数、医保风险走廊数和医保理赔可控空间比例计算得到保费定价。通过医保数据计算得到医保理赔可控空间比例，然后结合医保成本数、医保利润数和医保风险走廊数得到保费定价，能够提高保费确定的效率和准确性。附图说明图1为一个实施例中医疗保险保费定价方法的应用场景图；图2为一个实施例中医疗保险保费定价方法的流程示意图；图3为一个实施例中得到医保特征向量的流程示意图；图4为一个实施例中得到已训练的医保报销异常检测模型的流程示意图；图5为另一个实施例中得到已训练的医保报销异常检测模型的流程示意图；图6为一个实施例中得到已训练的医保理赔费用检测模型的流程示意图；图7为另一个实施例中得到已训练的医保理赔费用检测模型的流程示意图；图8为一个实施例中得到影响因子重要程度的流程示意图；图9为一个实施例中医疗保险保费定价装置的结构框图；图10为一个实施例中计算机设备的内部结构图。具体实施方式为了使本申请的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本申请进行进一步详细说明。应当理解，此处描述的具体实施例仅仅用以解释本申请，并不用于限定本申请。本申请提供的医疗保险保费定价方法，可以本文档来自技高网...

【技术保护点】
1.一种医疗保险保费定价方法，所述方法包括：获取医保数据，将所述医保数据经过特征工程提取得到医保特征向量；将所述医保特征向量输入到已训练好的医保报销异常检测模型中，得到异常检测结果，将所述医保特征向量输入到已训练好的医保理赔费用检测模型中，得到可控理赔费用，根据所述异常检测结果和所述可控理赔费用得到医保理赔可控空间比例；获取医保数据中的理赔值、医保成本数、医保利润数和医保风险走廊数，根据所述医保成本数、所述医保利润数、所述医保风险走廊数和所述医保理赔可控空间比例计算得到保费定价。

【技术特征摘要】
1.一种医疗保险保费定价方法，所述方法包括：获取医保数据，将所述医保数据经过特征工程提取得到医保特征向量；将所述医保特征向量输入到已训练好的医保报销异常检测模型中，得到异常检测结果，将所述医保特征向量输入到已训练好的医保理赔费用检测模型中，得到可控理赔费用，根据所述异常检测结果和所述可控理赔费用得到医保理赔可控空间比例；获取医保数据中的理赔值、医保成本数、医保利润数和医保风险走廊数，根据所述医保成本数、所述医保利润数、所述医保风险走廊数和所述医保理赔可控空间比例计算得到保费定价。2.根据权利要求1所述的方法，其特征在于，将所述医保数据经过特征工程提取得到医保特征向量，包括：将所述医保数据进行数据清洗，得到清洗后的医保数据；根据所述清洗后的医保数据得到预设特征类型对应的特征集；根据所述预设特征类型对应的特征集使用特征选择算法进行特征选择，得到医保输入特征，根据所述医保输入特征和所述清洗后的医保数据得到医保特征向量。3.根据权利要求1所述的方法，其特征在于，所述已训练的医保报销异常检测模型的生成步骤包括：获取历史医保数据和对应的历史异常检测结果数据，根据所述历史医保数据得到历史医保特征向量，根据所述对应的历史异常检测结果得到历史医保输出向量；将所述历史医保特征向量作为输入，将所述对应的历史医保输出向量作为标签，使用随机森林算法进行训练，当达到目标条件时，得到所述已训练的医保报销异常检测模型。4.根据权利要求1所述的方法，其特征在于，所述已训练的医保报销异常检测模型的生成步骤包括：获取历史医保数据，将历史医保数据作为初始样本数据；随机从所述初始样本数据中选择目标样本数据，将所述目标样本数据作为目标树当前节点；随机选择目标特征，在所述目标树当前节点中随机选择所述目标特征对应的特征值；根据所述特征值对所述目标树当前节点二叉划分，得到所述目标树当前节点的叶子节点，将所述叶子节点作为目标树当前节点；返回随机选择目标特征，在所述目标树当前节点中随机选择所述目标特征对应的特征值的步骤，当达到预设条件时，得到目标树；返回随机从所述初始样本数据中选择目标样本数据，将所述目标样本数据作为目标树当前节点的步骤，当达到预设数目的目标树...

【专利技术属性】
技术研发人员：荣絮，王孙烨初，吴亚博，郑毅，
申请(专利权)人：平安医疗健康管理股份有限公司，
类型：发明
国别省市：上海,31