一种车险风险预测模型增强调优方法及其相关设备技术

本申请实施例属于金融科技技术领域，涉及一种车险风险预测模型增强调优方法及其相关设备，包括获取对车险定价风险进行预测的全量数据；输入到初训练完成的风险预测模型，获得预测特征矩阵，通过全量数据的实际特征矩阵和预测特征矩阵，获得模型残差；筛选出全量数据中的低覆盖度因子分别对应的数据；构建包含各个低覆盖度因子的特征稀疏矩阵；对特征稀疏矩阵进行降维处理；根据降维处理结果和预设的增强调优算法对风险预测模型进行增强建模优化。通过对低覆盖度因子进行降维处理，并结合增强调优算法，对车险风险预测模型增强调优，既能将低覆盖度因子纳入预测模型中，大幅提升数据利用率，也能有效提升模型预测能力及稳定性，降低预测误差。降低预测误差。降低预测误差。

【技术实现步骤摘要】
一种车险风险预测模型增强调优方法及其相关设备


[0001]本申请涉及金融科技
，尤其涉及一种车险风险预测模型增强调优方法及其相关设备。

技术介绍

[0002]汽车保险精算建模，是通过数学和统计方法，使用历史数据中对风险比较敏感的因子，建立风险预测模型，从而可以对车险客户风险预期进行分级。通过让优质的客户可以享受价格优惠和更优的服务，让更多的客户有意愿向优质客户转变，从而降低整个社会汽车事故率，提升道路交通安全水平。
[0003]传统的精算风险建模对数据要求很高，对入模的因子取值和因子质量都要求很高。而实际在业务发展的过程中，除了常规业务数据，也会积累很多额外的业务数据。这部分业务数据虽然只覆盖了一小部分用户，但是使用这部分数据可以加工很多额外的因子，这些额外的因子在这一小部分用户中有明显的风险区分度。现在传统的风险模型中因为这部分因子覆盖度用户很少，在实际建模的时候只能舍弃掉，没有办法很好利用这一部分数据和因子，而无法利用这一部分数据和因子，也容易导致模型出现预测误差。因此，现有技术在进行车险风险预测模型的构建上，存在无法合理使用本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种车险风险预测模型增强调优方法，其特征在于，包括下述步骤：获取对车险定价风险进行预测的全量数据；将所述全量数据输入到初训练完成的风险预测模型，进行矩阵化处理，获得预测特征矩阵，通过所述全量数据的实际特征矩阵和所述预测特征矩阵，获得所述风险预测模型的模型残差，其中，所述风险预测模型根据所述全量数据中的各个高覆盖度因子以及各个高覆盖度因子分别对应的数据所构建；筛选出所述全量数据中的各个低覆盖度因子，以及各个低覆盖度因子分别对应的数据；以各个低覆盖度因子为特征因子，构建包含各个低覆盖度因子的特征稀疏矩阵；对所述特征稀疏矩阵进行降维处理，获取降维处理结果；根据所述降维处理结果和预设的增强调优算法对所述风险预测模型进行增强建模优化，直到优化之后的风险预测模型的模型残差满足预设的残差阈值，优化完成。2.根据权利要求1所述的车险风险预测模型增强调优方法，其特征在于，在执行所述获取对车险定价风险进行预测的全量数据的步骤之后，所述方法还包括：根据预设的划分规则，将所述全量数据划分为高覆盖度因子对应的数据和低覆盖度因子对应的数据，其中，所述预设的划分规则为判断具备目标因子的用户量在全量用户中的占比是否超过预设比例阈值，若所述占比超过预设比例阈值，则所述目标因子为高覆盖度因子，若所述占比未超过预设比例阈值，则所述目标因子为低覆盖度因子；按照因子名称的不同分别整理出各个高覆盖度因子所对应的数据和各个低覆盖度因子所对应的数据，将整理结果作为全量数据划分结果，其中，所述因子指对车险定价风险进行预测起一定影响作用的因素。3.根据权利要求2所述的车险风险预测模型增强调优方法，其特征在于，所述全量数据中每个用户对应的单条数据都对应一定的风险等级，在执行所述将所述全量数据输入到初训练完成的风险预测模型，进行矩阵化处理，获得预测特征矩阵的步骤之前，所述方法还包括：将整理出的所述各个高覆盖度因子所对应的数据作为待构建的风险预测模型的输入数据；将所述各个高覆盖度因子作为待构建的风险预测模型的模型因子；根据所述输入数据、模型因子和所述全量数据中每个用户对应的单条数据的风险等级，进行模型训练，获得初训练完成的风险预测模型；所述将所述全量数据输入到初训练完成的风险预测模型，进行矩阵化处理，获得预测特征矩阵的步骤，具体包括：根据所述风险预测模型中的模型因子，从所述全量数据中筛选出各个模型因子对应的数据；对所述各个模型因子对应的数据进行矩阵化整理，获得矩阵化整理结果，其中，所述矩阵化整理结果中的每行对应不同用户，每列对应不同模型因子；对所述矩阵化整理结果进行预处理，获取所述全量数据对应的预测特征矩阵，其中，所述预处理包括去中心化处理和归一化处理，具体的，先分别对同列数据进行去中心化处理，再对去中心化处理后的矩阵数据进行同行归一化处理。
4.根据权利要求3所述的车险风险预测模型增强调优方法，其特征在于，在执行所述通过所述全量数据的实际特征矩阵和所述预测特征矩阵，获得所述风险预测模型的模型残差的步骤之前，所述方法还包括：对所述全量数据进行矩阵化整理，获得矩阵化整理结果，其中，所述矩阵化整理结果中的每行对应不同用户，每列对应所述全量数据所包含的所有因子中的不同因子；对所述矩阵化整理结果进行预处理，获取所述全量数据对应的实际特征矩阵，其中，所述预处理包括去中心化处理和归一化处理，具体的，先分别对同列数据进行去中心化处理，再对去中心化处理后的矩阵数据进行同行归一化处理；所述通过所述全量数据的实际特征矩阵和所述预测特征矩阵，获得所述风险预测模型的模型残差的步骤，具体包括：从所述全量数据的实际特征矩阵中筛选出所述各个模型因子对应的特征数据，作为实际特征数据；按照所述预测特征矩阵中的矩阵阵列，对所述实际特征数据进行矩阵阵列重构，获取所述各个模型因子对应的重构矩阵；以矩阵比较方式，计算所述预测特征矩阵和所述重构矩阵的差值，获得差值矩阵，即所述风险预测模型的模型残差。5.根据权利要求2所述的车险风险预测模型增强调优方法，其特征在于，所述筛选出所述全量数据中的各个低覆盖度因子，以及各个低覆盖度因子分别对应的数据的步骤，具体包括：根据所述全量数据划分结果，筛选出所述全量数据中的各个低覆盖度因子，以及各个低覆盖度因子分别对应的数据；所述以各个...

【专利技术属性】
技术研发人员：姚黎明，张振勇，陈志坚，崔跃，
申请(专利权)人：平安科技深圳有限公司，
类型：发明
国别省市：