[发明专利]一种基于深度学习的车险风控定价模型方法

权利要求书

1.一种基于深度学习的车险风控定价模型方法，其特征在于：包括以下步骤：

步骤一：用户输入车辆信息，包括车牌号、品牌、型号、车辆初登日期等车辆要素信息；

步骤二：系统自动补全车架号、VIN码等信息，专业工作人员核对全车架号、VIN码等信息的正确性；

步骤三：用户输入车辆的里程数，并由专门的工作人员核对车辆里程数；

步骤四：考虑到信息安全性，中间部分字段需要脱敏展示；

步骤五：系统根据车辆信息生产车辆画像：品牌、车架、车龄、价格区间、车辆属性等；

步骤六：用户输入车主姓名与身份证号等个人信息；

步骤七：系统根据用户信息生成用户画像：年龄、家庭分类、性别、驾龄范围等；

步骤八：用户选择车辆投保省份、地市，系统自动定位此时的省份、地市；

步骤九：系统依托其他数据源补全用户交通违章信息等行为信息；

步骤十：考虑到数据源数据准确性，补全违章信息后，需要弹出消息界面与用户确认违章行为；

步骤十一：系统依托历史数据积累，及理赔系统返回的数据补充历史赔付信息：出险次数、赔付金额、定损员、修理厂、事故性质(全损、水淹、过户等)；

步骤十二：考虑到数据源数据准确性，补全信息后，需要弹出消息界面与用户确认历史赔付信息；

步骤十三：大数据加工，采用历史全量和定期增量方式加工，并根据新发现的场景适时增补模型特征；

步骤十四：采用本方案车险定价模型算法输出风控值。

2.根据权利要求1所述的一种基于深度学习的车险风控定价模型方法，其特征在于：所述步骤一和步骤二中，用户输入的车辆信息，补充的车辆信息，包括车牌号与车架号，确保车辆唯一可识别，避免车险定价模型算法在对车辆车险风控定价进行计算时出现不同车辆导致计算出错的问题。

3.根据权利要求1所述的一种基于深度学习的车险风控定价模型方法，其特征在于：所述步骤七中，生产的用户画像可以基于本地历史数据不断自动优化，每新增用户都可以作为后续的历史数据使用。

4.根据权利要求1所述的一种基于深度学习的车险风控定价模型方法，其特征在于：所述步骤八中，系统自动定位此时的省份、地市，并根据不同的地区进行不同级别的定价。

5.根据权利要求1所述的一种基于深度学习的车险风控定价模型方法，其特征在于：所述步骤十一中，涉及到人员、车辆、案件的关联关系图谱、当前车辆曾经损失程度特征、作为三者出险频度特征、近期出险特征等需要不断迭代更新。

6.根据权利要求1所述的一种基于深度学习的车险风控定价模型方法，其特征在于：所述步骤十和步骤十二中，需要弹出消息界面与用户进行确认信息，有效的保证了车辆各种信息的真实性和准确性，有理由后续的车险定价模型算法输出风控值的准确性。

7.根据权利要求1所述的一种基于深度学习的车险风控定价模型方法，其特征在于：所述步骤十四中，本方案车险风控定价模型具体算法如下：

这里输入层接受多个输入特征指标（包含人、车、行为、历史赔付等四维信息作为X输入的特征值）

X=（x_1,x_2,x_3,x_4…x_n）

Y=（1,2,3,4,5…10）

每个x_n包含用户画像、车辆情况、用户违章行为和历史赔付信息，

每个y_n为基于传统投保模型预测得到的输出评分,使用先验的数据知识对，

模型建立上，建立深度前馈网络，计算前馈神经网络参数，

在损失函数的定义上，我们使用均方差方法计算损失函数：

Loss=1/2m∑_（i=m）^m（（y_i）^-y_i）^2

接下来我们使用反向传播并更新梯度，

对特殊的数据，包含个人画像信息和车辆情况我们采用平均值归一化方法：

x_new=（（x-x_（minf0）））/（x_max-x_min）

以此来保证数据归一化的结果收敛，

神经网络的搭建我们使用CNN（卷积神经网络），

其中卷积层负责将特征进行卷积拟合，我们选用1D 数据拟合，

池化层使用平均值进行池化，全链接层为10层，代表不同种类的积分情况。