大数据环境下基于不确定理论的保险风险分析模型制造技术

本发明专利技术基于

【技术实现步骤摘要】
大数据环境下基于不确定理论的保险风险分析模型


[0001]本专利技术涉及保险风险领域，尤其涉及一种汽车保险风险处理方法构建一个复合型的保险风险分析模型：首先，挖掘分析出两个属性类别对理赔金额这个变量的影响因子；其次，对影响因子的风险程度开展度量工作；最终，对属性风险性进行验证
。
包含关联规则技术
、
不确定理论
VaR
风险度量模型
、
随机森林技术
。

技术介绍

[0002]在我国，保险行业正是处于发展蒸蒸日上的阶段
。
保险行业作为金融行业的重要成员，其面临的风险规模在以飞快的速度增长
。
风险管理难度日趋增加，亟须保险业提高风险管控的能力
。
基于大数据技术高速发展的大环境下，将先进的大数据技术应用到保险风险的管理及风险评价上，这相对于保险风险的传统应对能力有了大幅度提升
。
与此同时，基于汽车保险面临的风险复杂多样化的现状，大数据技术将助力其风险管控，促进该行业的健康发展，可持续发展
。
[0003]目前保险风险分析有多种方法，但是，传统风险分析方法有两个方面的不足：
1.
相关的传统算法只能根据输出推测某变量是风险影响因子
。
比如，适用于挖掘关联规则的
Apriori
算法
。2.
风险性是不能够进行“大小”的比较，因此无法直接对风险属性进行风险性大小的比较
。
本专利技术的目的在于把理赔金额和客户个人信息等进行知识挖掘及风险分析，同时将各个风险属性的风险性量化体现，便于保险公司开展高效的风险管控工作
。

技术实现思路

[0004]本专利技术目标在于优化升级单一
Apriori
算法的应用只能获取到某因子有可能是会产生影响的结论和改善汽车保险风险领域中无法将风险性以量化形式体现的问题，便于保险公司开展高效的风险管控工作
。
因此，结合传统的
Apriori
关联规则算法和新型的不确定理论，构建一种复合型的汽车保险风险模型，该模型有两部分构成：车险
Apriori
属性风险性判定模型
、
不确定理论
VaR
风险度量模型
。
[0005]一种复合型的汽车保险风险模型的构建，包括以下步骤：
[0006]步骤
1、
根据原始数据集，划分为车辆驾驶者属性集以及车辆本身自然属性集，并且通过数据的归一化等数据预处理操作，分别获取到车辆驾驶者属性有效数据集和车辆属性有效数据集
。
[0007]步骤
2、
根据传统
Apriori
算法创建汽车风险模型中的车险
Aprioi
属性风险判定模型，将步骤1中得到的车辆驾驶者和车辆的有效数据集，分别开展属性风险性分析
。
分别得到车辆驾驶者属性和车辆自然属性这两类别的风险属性
。
[0008]步骤
3、
对步骤2中得到的两个类别的风险属性，根据汽车保险模型中的第二个构成部分
‑
不确定理论
VaR
模型，将两个类别中的不同风险属性，进行风险性的量化体现，得到不同风险属性对应的具体数值
。
同时根据不确定理论中的风险比较准则，转化为函数的角度，开展侧面的风险性比较
。
[0009]步骤
4、
对步骤3中的模型风险属性的风险性结论
。
凭借随机森林算法，开展风险性的辅助性验证
。
[0010]大数据环境下基于不确定理论的保险风险分析模型，包括
[0011]车险
Apriori
属性风险性分析模型，用于确定汽车保险领域中的风险因子；
[0012]不确定理论
VaR
风险度量模型，用于将风险因子的风险性进行量化体现以及侧面比较；
[0013]创建模型，将上述两个模型结合，用于汽车保险领域的风险识别以及风险性量化体现；
[0014]创建随机森林模型，用于辅助性验证本专利技术风险性结论的准确性
[0015]本专利技术的优点和积极效果是：
[0016]第一，充分考虑车险面临风险的复杂多样化，本文采取从车辆驾驶者的属性
、
车辆的自然属性这两大类别，进行风险评价；第二，应用不确定理论开展风险性的度量量化工作，把单一
Apriori
的应用只能获取到某因子有可能是会产生影响的结论，进行优化升级，最终将风险性以量化形式体现；第三，虽保险行业发展迅猛，但汽车保险的体系相对还不完善，因而，将本文模型应用于汽车保险领域，具有巨大的应用价值以及商业价值
。
最终，实验获取到影响理赔金额的4个主要风险属性，并借助大数据技术的随机森林算法对本模型的结论进行辅助性验证
。
附图说明
[0017]附图1为本专利技术的模型构建过程图
。
[0018]附图2为风险属性函数分布图
。
具体实施方式
[0019]以下结合附图对本专利技术主要核心步骤详述：
[0020]步骤
1、
根据原始数据集，通过数据的重复性检查
、
缺失值检查
、
数据的转化
、
数据的离散化操作之后，分别获取到车辆驾驶者属性有效数据集和车辆属性有效数据集
。
其中，以车辆驾驶者为例进行说明，比如将其中的属性
AGE、JOBTEARS
做离散化处理，属性
MSTATUS、GENDER
作数据转换，进行映射操作等等
。
原车辆驾驶者属性数据集
(
部分
)
的情况如表1，经过数据归一化等数据处里操作获取到的车辆驾驶者有效数据集的情况如表
2。
[0021]表1原车辆驾驶者属性数据集
[0022][0023]表2车辆驾驶者属性有效数据集
[0024][0025]步骤
2、
根据
Apriori
算法创建汽车风险模型中的车险
Aprioi
属性风险判定模型，引入提升度客观度量指标将步骤1中得到的有效数据集分别开展属性风险性分析，分别得到车辆驾驶者属性和车辆自然属性这两类别的风险属性
。
[0026]1.
本专利技术关联规则的客观性度量指标
[0027]为了将抽取挖掘获取到的所有规则中的存在着强关联性的规则选择出来，可以通过利用各种各样有着实际应用价值意义的制约因素进行度量
。
传统的评价关联规则的客观性指标有两个，分别是支持度
(Support)
与置信度
(Confidence)。
支持度
(本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.
大数据环境下基于不确定理论的保险风险分析模型，其特征在于包括以下步骤：步骤
1、
根据原始数据集，划分为车辆驾驶者属性集以及车辆本身自然属性集，并且通过数据的归一化等数据预处理操作，分别获取到车辆驾驶者属性有效数据集和车辆属性有效数据集
。
步骤
2、
根据
Apriori
算法创建汽车风险模型中的车险
Aprioi
属性风险判定模型，将步骤1中得到的车辆驾驶者和车辆的有效数据集，分别开展属性风险性分析
。
分别得到车辆驾驶者属性和车辆自然属性这两类别的风险属性
。
步骤
3、
对步骤2中得到的两个类别的风险属性，提出使用不确定变量来对该风险描述，根据汽车保险模型中的第二个构成部分
‑
不确定理论
VaR
模型，将两个类别中的不同风险属性，进行风险性的量化体现，得到不同风险属性对应的具体数值
。
步骤
4、
对步骤2中的风险属性，使用不确定理论中的风险比较准则，转化为函数的角度，开展侧面的风险性比较
。
步骤
5、
对步骤3中的模型风险属性的风险性结论
。
凭借随机森林算法，分别获取属性的相应重要性评分，开展风险性的辅助性验证
。2.
根据权利要求1所述的大数据环境下基于...

【专利技术属性】
技术研发人员：李孝忠，马梦瑶，
申请(专利权)人：天津科技大学，
类型：发明
国别省市：