(19)国家知识产权局 (12)发明 专利申请 (10)申请公布号 (43)申请公布日 (21)申请 号 202210951208.6 (22)申请日 2022.08.09 (71)申请人 中国平安财产保险股份有限公司 地址 518033 广东省深圳市福田区益田路 5033号平安金融中心12、 13、 38、 39、 40 层 (72)发明人 喻芳　柴松举　 (74)专利代理 机构 深圳市赛恩倍吉知识产权代 理有限公司 4 4334 专利代理师 陈敬华 (51)Int.Cl. G06Q 30/02(2012.01) G06Q 40/08(2012.01) G06K 9/62(2022.01) (54)发明名称 基于人工智能的车险成本预测模型的构建 方法及相关 设备 (57)摘要 本申请提出一种基于人工智能的车险成本 预测模型的构建方法、 装置、 电子设备及存储介 质， 基于人工智能的车险成本预测模 型的构建方 法包括： 储存 所有历史成本数据以构建成本数据 集， 历史成本数据包括实际成本和所有类别型因 素和数值型因素； 基于成本数据集中的实际成本 和所有类别型因素构建成本决策树； 基于成本决 策树将所有历史成本数据划分为多个成本数据 子集； 基于成本数据子集的实际成本和所有数值 型因素拟合多个成本子模型； 将成本决策树和所 有成本子模 型组合成车险成本预测模 型； 获取目 标车险数据， 并基于车险成本预测模 型得到目标 车险数据的成本预测结果。 本申请能综合考虑所 有类别型因素和数值型因素， 提高车险成本预测 的准确性。 权利要求书4页 说明书17页 附图4页 CN 115293808 A 2022.11.04 CN 115293808 A 1.一种基于人工智能的车险成本预测模型的构建方法， 其特 征在于， 所述方法包括： 储存所有历史成本数据以构建成本数据集， 所述历史成本数据包括实际成本和所有预 设因素的因素值， 所述预设因素包括类别型因素和数值型因素； 基于所述成本数据集中每一条历史成本数据的实际成本和所有类别型因素的因素值 构建成本决策树， 所述成本决策树包括多个叶节点； 基于所述成本决策树对所述成本数据集中所有历史成本数据进行分类得到多个成本 数据子集， 所述成本数据子集与所述成本决策树的叶节点 一一对应； 基于所述成本数据子集中每一条历史成本数据的实际成本和所有数值型因素的因素 值拟合每一个叶节点的成本 子模型； 将所述成本决策树和每一个叶节点的成本子模型组合在一起形成所述车险成本预测 模型； 获取目标车险数据， 并基于所述车险成本预测模型得到所述目标车险数据的成本预测 结果， 所述目标 车险数据包括所有预设因素的因素值。 2.如权利要求1所述的基于人工智能的车险成本预测模型的构建方法， 其特征在于， 所 述储存所有历史成本数据以构建成本数据集， 所述历史成本数据包括实际成本和所有 预设 因素的因素值， 所述预设因素包括类别型因素和数值型因素， 包括： 获取影响车险成本的所有预设因素， 并基于所述预设因素的取值范围对所有预设因素 进行分类得到分类结果， 所述分类结果包括类别型因素和数值型因素； 若所述预设因素的取值范围为连续的， 则所述分类结果为数值型因素， 所述数值型因 素包括交通违法系数、 无赔款优待系数、 渠道优惠系数、 自主 核保系数； 若所述预设因素的取值范围为离散的， 则所述分类结果为类别型因素， 所述类别型因 素包括预设车辆种类、 险种 、 车辆用途、 车 型； 采集历史车险数据中每一个历史车险保单中所有预设因素的因素值和对应的实际成 本作为一条历史成本数据； 储存所有历史成本数据以构建成本数据集。 3.如权利要求1所述的基于人工智能的车险成本预测模型的构建方法， 其特征在于， 所 述基于所述成本数据集中每一条历史成本数据的实际成本和所有类别型因素的因素值构 建成本决策树， 所述成本决策树包括多个叶节点， 包括： A1， 获取所述成本数据集中每一条历史成本数据的实际成本和所有类别型因素的因素 值以构建类别型因素 数据集； A2， 基于所述类别型因素 数据集计算每一个 类别型因素的信息增益； A3， 选取信息增益的最大值对应的类别型因素作为目标因素， 并将所述目标因素作为 节点信息得到新增节点； A4， 以所述新增节点为起点绘制预设数量的有向边， 所述预设数量与所述目标因素的 取值范围中因素值的数量相同， 所述有向边与所述目标因素的因素值 一一对应； A5， 基于所述有向边对应的因素值筛选所述类别型因素数据集中所有历史成本数据以 获取每一个有向边的数据子集； A6， 计算目标有向边的数据子集中实际成本的信息熵作为目标成本熵， 所述目标有向 边为所有有向边中的任意一个； 若所述 目标成本熵小于预设熵值， 则生成一个空节点作为权　利　要　求　书 1/4 页 2 CN 115293808 A 2所述目标有向边的终点； 若所述 目标成本熵不小于所述预设熵值， 则将所述类别型因素数 据集中所述目标 因素的所有因素值删除以获取更新后的类别型 因素数据集， 重复执行步骤 A2到步骤A3得到非空的新增节点， 并将所述 新增节点作为所述目标有向边的终点； A7， 遍历所有有向边以获取每一个有向边的终点， 若所有有向边的终点均为空节点， 则 完成所述成本决策树的构建； 若至少有一个有向边的终点为非空的新增节点， 则针对每一 个非空的新增节点执 行步骤A4到步骤A7， 直到 完成所述成本决策树的构建。 4.如权利要求3所述的基于人工智能的车险成本预测模型的构建方法， 其特征在于， 所 述基于所述类别型因素 数据集计算每一个 类别型因素的信息增益包括： 计算所述类别型因素数据集中实际成本的信息熵， 所述实际成本的信息熵满足关系 式： 其中， X表示所述类别型因素数据集， Min(X)为X中实际成本的最小值， Max(X)为X中实 际成本的最大值， N(X)为X中所有实际成本的数量， Ni(X)为X中实际成本为i的数量， E(X)为 X中实际成本的信息熵； 从所述类别型因素数据集中选取目标类别型因素为相同因素值的所有历史成本数据 以获取所述目标类别型 因素中每一个因素值的数据子集， 所述目标类别型 因素为所有类别 型因素中的任意 一个； 基于所述类别型因素数据集和所述目标类别型因素的每一个因素值的数据子集中实 际成本的信息熵计算所述目标类别型因素的信息增益， 所述信息增益满足关系式： 其中， X为所述类别型因素数据集， E(X)为X中实际成本的信息熵， v为所述目标类别型 因素的取值范围中所有因素值的数量， Mk为所述目标类别型因素M中第k个因素值的数据子 集， E(Mk)为Mk中实际成本的信息熵， N(X)为X中所有实际成本的数量， N(Mk)为Mk中所有实际 成本的数量， Gai n(M)为目标类别型因素M的信息增益； 遍历所有类别型因素 得到每一个 类别型因素的信息增益。 5.如权利要求1所述的基于人工智能的车险成本预测模型的构建方法， 其特征在于， 所 述基于所述成本决策树对所述成本数据集中所有历史成本数据进行分类得到多个成本数 据子集， 包括： 从所述成本数据集中随机选取一条历史成本数据作为目标数据， 所述目标数据包括实 际成本和所有预设因素的因素值； 以所述成本决策树的根节点为起点， 依次匹配所述成本决策树中节点的所有有向边和 所述目标数据中类别型 因素的因素值以获取分类结果， 所述分类结果为所述目标数据对应 的叶节点； 将所述目标 数据储存在所述分类结果中叶节点的成本数据子集中； 遍历所述成本数据集中所有历史成本数据以不断更新每一个叶节点的成本数据子集； 当遍历完所有历史成本数据时， 得到每一个叶节点的成本数据子集。权　利　要　求　书 2/4 页 3 CN 115293808 A 3