健康保险风险评估及控制的方法、装置及介质制造方法及图纸

本发明专利技术涉及一种健康保险风险评估及控制的方法、装置及介质的技术方案，包括：通过大数据环境对一项或多项涉及健康保险风险评估的维度数据进行采集；进行健康保险精算指标进行计算；根据维度数据及健康保险精算指标进行预处理和正则化处理，得到评价指标数据；根据评价指标数据和健康保险精算指标数据计算健康保险风险评指标，构建三维面板数据并进行预测，输出最优预测结果；以时间序列深度学习模型的准确率、召回率和AUC值等作为健康保险风险评估模型的评价参数。本发明专利技术的有益效果为：基于深度学习和大数据云计算平台，实现健康保险精算工作的各大指标，降低供保单位逆选择的风险。

【技术实现步骤摘要】
健康保险风险评估及控制的方法、装置及介质
本专利技术涉及计算机领域，具体涉及了一种健康保险风险评估及控制的方法、装置及介质。
技术介绍
健康保险是以人的身体健康为目标，对因疾病或意外伤害所发生的医疗费用或因疾病或意外失能所造成的收入损失的保险，此外，健康保险还包括因年老、疾病、伤残需要长期护理而给予经济补偿的保险。社会医疗保险和商业健康保险均属于健康保险。对于健康保险经营管理的基础工作之一便是精算工作，主要分为费率制定、赔付率制定和准备金提取三大部分。费率制定是精算工作的主要任务。定价和公平是健康保险费率制定的两大基本原则。赔付率制定是评价精算工作主要指标之一。准备金提取是衡量健康保险企业能否在一段时间内正常运营，或衡量健康保险企业一段时间内能承接的保单数量等。现有技术没有有效的技术方案能够实现对健康保险风险评估及控制。
技术实现思路
本专利技术的目的在于至少解决现有技术中存在的技术问题之一，提供了一种健康保险风险评估及控制的方法、装置及介质，通过分布式大数据采集相关数据，基于深度学习和大数据云计算平台，实现健康保险精算工作的各大指标，降低供保单位逆选择的风险。本专利技术的技术方案包括一种健康保险风险评估及控制的方法，其特征在于，该方法包括：S100，构建大数据环境；S200，通过所述大数据环境对一项或多项涉及健康保险风险评估的维度数据进行采集，S300，对所述维度数据进行健康保险精算指标进行计算；S400，根据所述维度数据及所述健康保险精算指标进行预处理和正则化处理，得到评价指标数据，所述预处理包括将文本数据和/或定性数据进行量化处理；S500，根据所述评价指标数据和所述健康保险精算指标数据计算健康保险风险评指标，构建对应的三维面板数据；S600，将所述三维面板数据作为训练数据和验证数据通过时间序列深度学习模型进行预测，输出最优预测结果。根据所述的健康保险风险评估及控制的方法，其中该方法还包括：S700，随机选取多个所述面板数据作为测试数据，通过所述时间序列深度学习模型进行训练，并以所述时间序列深度学习模型的准确率、召回率和AUC值等作为健康保险风险评估模型的评价参数。根据所述的健康保险风险评估及控制的方法，其中S700包括：S710，扩充所述训练数据和所述验证数据的数据库，输入到所述S600中的所述时间序列深度学习模型进行反复训练；S720，重新抽取训练和验证数据，改变抽取比例，输入至所述时间序列深度学习模型中进行所述S600的模型训练和参数选择，并对所述时间序列深度学习模型进行S700时的所述时间序列深度学习模型进行重复评价，直至评价参数稳定在设定范围，并确定最优模型参数。根据所述的健康保险风险评估及控制的方法，其中S200包括：调用一个或多个平台的接口获取对应的维度数据，所述维度数据包括评价相关因素指标数据及评价指标数据；其中，评价相关因素指标数据包括健康保险公司内部运营数据、约定赔保条件相关数据、投保人健康管理相关数据；评价指标数据主要包括但不限于指定保险类型的参保率、基金征缴额度、续保率、资金结存率、人均在该保险种类年度消费金额。根据所述的健康保险风险评估及控制的方法，其中S300包括：对于约定疾病的疾病保险、约定医疗行为的医疗保险、约定疾病或意外伤害导致的工作能力丧失类的失能收入丧失保险以及约定日常生活能力障碍引起的护理需要类的护理保险进行精算；对应的精算指标包括费率制定的精算指标、赔付率指标及准备金指标；所述费率制定的精算指标包括但不限于索赔总额、等待期、免赔额、保单续保率、保单失效率、利率和安全余量、费用金额范围、免赔额、最高限额及公报比例；所述赔付率指标包括但不限于满期赔付率、历年制赔付率及综合赔付率；所述准备金指标包括但不限于已发生未报案责任准备金及已发生未充分报案责任准备金。根据所述的健康保险风险评估及控制的方法，其中S400包括：根据所述维度数据及所述健康保险精算指标进行预处理和正则化处理；其中量化处理包括使用one-hot及其他量化方法将定性的数据或文本量化到[0,1]范围内，去除无用数据填充缺失数据，其中0表示指标程度最小，1表示指标程度最大；通过Python对预处理数据进行正则化处理。根据所述的健康保险风险评估及控制的方法，其中S500包括：通过公式对健康风险评估的值进行计算，并将健康风险评估的值作为健康保险风险评价值；以时间为X轴，正则化的评价相关因素指标数据和健康保险精算指标数据为Y轴，评价指标数为Z轴的构建三维面板数据。根据所述的健康保险风险评估及控制的方法，其中S600包括：以所述三维面板数据作为训练数据和验证数据，随机抽取训练数据和验证数据比例3：2，输入时间序列深度学习预测模型中，时间序列深度学习预测模型选用但不仅限于DeepAR，自动选用使得准确率最高、AUC最接近1的一组模型参数作为最优结果。本专利技术的技术方案还包括一种健康保险风险评估及控制的装置，该装置包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序，其特征在于，所述处理器执行所述计算机程序时实现任一所述的方法步骤。本专利技术的技术方案还包括一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现任一所述的方法步骤。本专利技术的有益效果为：基于深度学习和大数据云计算平台，实现健康保险精算工作的各大指标，降低供保单位逆选择的风险。附图说明下面结合附图和实施例对本专利技术进一步地说明；图1所示为根据本专利技术实施方式的总体流程图；图2所示为根据本专利技术实施方式的健康保险风险评估流程图；图3所示为根据本专利技术实施方式的健康保险风险评估相关数据分类示意图；图4所示为根据本专利技术实施方式的健康保险风险控制的流程图；图5所示为根据本专利技术实施方式的装置及介质图。具体实施方式本部分将详细描述本专利技术的具体实施例，本专利技术之较佳实施例在附图中示出，附图的作用在于用图形补充说明书文字部分的描述，使人能够直观地、形象地理解本专利技术的每个技术特征和整体技术方案，但其不能理解为对本专利技术保护范围的限制。在本专利技术的描述中，若干的含义是一个或者多个，多个的含义是两个以上，大于、小于、超过等理解为不包括本数，以上、以下、以内等理解为包括本数。在本专利技术的描述中，对方法步骤的连续标号是为了方便审查和理解，结合本专利技术的整体技术方案以及各个步骤之间的逻辑关系，调整步骤之间的实施顺序并不会影响本专利技术技术方案所达到的技术效果。本专利技术的描述中，除非另有明确的限定，设置等词语应做广义理解，所属
技术人员可以结合技术方案的具体内容合理确定上述词语在本专利技术中的具体含义。图1所示为根据本专利技术实施方式的总体流程图。该流程包括：S100，构建大数据环境；S200，通过大数据环境对一项或多项涉及健康保险风险评估的维度数据进行采集；S300，对维度数据进行健康保险精算指标进行计算；S400，根据维度数据及健康保险精算指标进本文档来自技高网...

【技术保护点】
1.一种健康保险风险评估及控制的方法，其特征在于，该方法包括：/nS100，构建大数据环境；/nS200，通过所述大数据环境对一项或多项涉及健康保险风险评估的维度数据进行采集，/nS300，对所述维度数据进行健康保险精算指标进行计算；/nS400，根据所述维度数据及所述健康保险精算指标进行预处理和正则化处理，得到评价指标数据，所述预处理包括将文本数据和/或定性数据进行量化理；/nS500，根据所述评价指标数据和所述健康保险精算指标数据计算健康保险风险评指标，构建对应的三维面板数据；/nS600，将所述三维面板数据作为训练数据和验证数据通过时间序列深度学习模型进行预测，输出最优预测结果。/n

【技术特征摘要】
1.一种健康保险风险评估及控制的方法，其特征在于，该方法包括：
S100，构建大数据环境；
S200，通过所述大数据环境对一项或多项涉及健康保险风险评估的维度数据进行采集，
S300，对所述维度数据进行健康保险精算指标进行计算；
S400，根据所述维度数据及所述健康保险精算指标进行预处理和正则化处理，得到评价指标数据，所述预处理包括将文本数据和/或定性数据进行量化理；
S500，根据所述评价指标数据和所述健康保险精算指标数据计算健康保险风险评指标，构建对应的三维面板数据；
S600，将所述三维面板数据作为训练数据和验证数据通过时间序列深度学习模型进行预测，输出最优预测结果。


2.根据权利要求1所述的健康保险风险评估及控制的方法，其特征在于，该方法还包括：
S700，随机选取多个所述面板数据作为测试数据，通过所述时间序列深度学习模型进行训练，并以所述时间序列深度学习模型的准确率、召回率和AUC值等作为健康保险风险评估模型的评价参数。


3.根据权利要求2所述的健康保险风险评估及控制的方法，其特征在于，所述S700包括：
S710，扩充所述训练数据和所述验证数据的数据库，输入到所述S600中的所述时间序列深度学习模型进行反复训练；
S720，重新抽取训练和验证数据，改变抽取比例，输入至所述时间序列深度学习模型中进行所述S600的模型训练和参数选择，并对所述时间序列深度学习模型进行S700时的所述时间序列深度学习模型进行重复评价，直至评价参数稳定在设定范围，并确定最优模型参数。


4.根据权利要求1所述的健康保险风险评估及控制的方法，其特征在于，所述S200包括：
调用一个或多个平台的接口获取对应的维度数据，所述维度数据包括评价相关因素指标数据及评价指标数据；
其中，评价相关因素指标数据包括健康保险公司内部运营数据、约定赔保条件相关数据、投保人健康管理相关数据；
评价指标数据主要包括但不限于指定保险类型的参保率、基金征缴额度、续保率、资金结存率、人均在该保险种类年度消费金额。


5.根据权利要求1所述的健康保险风险评估及控制的方法，其特征在于，所述S300包括：
对于约定疾病的疾病保险、约定医疗行为...

【专利技术属性】
技术研发人员：王涵，杨杰，吴锋，周肖树，黄业坚，刘状，孙嘉，
申请(专利权)人：珠海中科先进技术研究院有限公司，
类型：发明
国别省市：广东;44