[发明专利]UBI保险的分类风险方法及装置

说明书

本发明实施例涉及一种UBI保险的分类风险方法及装置，所述方法包括：采用广义泊松线性回归构建车辆的出险次数的模型；采用伽马回归构建车辆的案均金额的模型；基于目标因子采用广义tweedie回归模型构建车辆的年均理赔金额的模型；根据所述目标因子中存在的分类风险因子，预测所述车辆未来一年内的理赔总金额；根据所述预测理赔总金额与所述车辆的实际理赔总金额和实际理赔次数，确定所述车辆的赔付率和出险率；可以实现综合考虑车辆本身特征、驾驶行为特征以及潜在风险因子等因素，可以更有效地解释商用车驾驶风险，并对计算过程进行的统筹优化，对结果验证进行了清晰的验证。

技术领域

本发明实施例涉及车险，尤其涉及一种UBI保险的分类风险方法及装置。

背景技术

当前流行的计算商用车分类风险的模型主要基于车辆的特征数据，而非车辆的驾驶特征数据。车辆本身的特征数据比较局限，不能根据时间变化衡量车辆的风险变化情况。市场上也有一些驾驶行为的保险模型，但是风险因子的计算又太少，对风险的刻画能力不强。

当前通过采用的车辆基于用户行为的保险模型(Usage Based Insurance，UBI)有一定的局限性，一方面只采用了车辆自身的特征数据，例如车辆的长宽高、载重、车辆类型、品牌、发动机型号排量；另一方面驾驶行为特征数据类型较少，刻画风险的能力比较弱。

因此，现有技术中，车辆UBI保险模型计算准确度相对较低，缺少综合多种因素(如车辆本身特征、驾驶行为特征以及潜在风险因子)保险模型。

发明内容

本发明实施例提供了一种UBI保险的分类风险方法及装置，可以实现综合考虑车辆本身特征、驾驶行为特征以及潜在风险因子等因素，可以更有效地解释商用车驾驶风险，并对计算过程进行的统筹优化，对结果验证进行了清晰的验证。

第一方面，本发明实施例提供了一种UBI保险的分类风险方法，包括：

采用广义泊松线性回归构建车辆的出险次数的模型；

采用伽马回归构建车辆的理赔金额的模型；

基于目标因子采用广义tweedie回归模型构建车辆的总理赔金额的模型；

根据所述目标因子中存在风险的分类风险因子，预测所述车辆未来一年内的预测理赔总金额；

根据所述预测理赔总金额与所述车辆的实际理赔总金额和实际理赔次数，确定所述车辆的赔付率和出险率；

其中，所述目标因子至少包括以下之一：

车辆自身特征数据、车辆的驾驶行为特征数据、车辆卫星定位的周边气象环境特征数据、车辆驾驶定位的地周边理环境特征数据、宏观车辆驾驶特征画像、车辆的转向数据或车辆的速度分布特征。

在一个可能的实施方式中，所述方法还包括：

将车辆的安全与否按照预测理赔总金额划分为多个等级。

在一个可能的实施方式中，所述方法还包括：

对每个所述目标因子进行单因素分析，确定所述每个所述目标因子对所述车辆出险的分类能力；

将存在关联关系的两个或多个所述目标因子在构建总理赔金额的模型时，采用主成分分析，提取所述目标因子对风险影响的特征向量；

采用信息熵区分排名不同的因子的对风险的分类能力；

通过多因素分析确定所述目标因子的风险释放能力是否可以被替代。

在一个可能的实施方式中，所述车辆的实际理赔总金额和实际理赔次数通过以下方式确定：