(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 202211125055.6 (22)申请日 2022.09.15 (71)申请人 平安科技 （深圳） 有限公司 地址 518000 广东省深圳市福田区福田街 道福安社区益田路5033号平 安金融中 心23楼 (72)发明人 赵涛　张跃威　 (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) G06N 3/04(2006.01)G06N 3/08(2006.01) (54)发明名称 基于人工智能的车险定价方法、 装置、 电子 设备及介质 (57)摘要 本申请提出一种基于人工智能的车险定价 方法、 装置、 电子设备及存储介质， 基于人工智能 的车险定价方法包括： 采集大量带有标签数据的 保单信息作为训练集， 所述标签数据为保单信息 的出险频率； 搭建第一回归网络； 依据预设损失 函数和所述训练集训练所述第一回归网络得到 第二回归网络， 所述第二回归网络的输入为保单 信息， 输出为所述保单信息对应的出险频率； 采 集目标保单信息， 将所述目标保单信息输入所述 第二回归网络得到所述目标保单信息的出险频 率； 将所述目标保单信息的出险频率输入预设定 价模型以获取所述目标保单信息的定价结果。 本 申请能够提高车险定价的准确性。 权利要求书3页 说明书14页 附图3页 CN 115456671 A 2022.12.09 CN 115456671 A 1.一种基于人工智能的车险定价方法， 其特 征在于， 所述方法包括： 采集大量带有标签数据的保单信息作为训练集， 所述标签数据为保单信息的出险频 率； 搭建第一回归网络； 依据预设损失函数和所述训练集训练所述第 一回归网络得到第 二回归网络， 所述第 二 回归网络的输入为保单信息， 输出为所述保单信息对应的出险频率； 采集目标保单信 息， 将所述目标保单信 息输入所述第 二回归网络得到所述目标保单信 息的出险频率； 将所述目标保单信息的出险频率输入预设定价模型以获取所述目标保单信息的定价 结果。 2.如权利要求1所述的基于人工智能的车险定价方法， 其特征在于， 所述采集大量带有 标签数据的保单信息作为训练集， 所述标签数据为保单信息的出险频率， 包括： 采集历史保单中每一个保单的保单信息和出险频率， 所述保单信息包括车辆信息、 车 主信息和车主驾驶习惯数据； 将同一保单中的出险频率作为对应保单信 息的标签数据得到一组训练样本， 所述训练 样本包括保单信息和标签数据； 储存所有训练样本以获取训练集。 3.如权利要求1所述的基于人工智能的车险定价方法， 其特征在于， 所述搭建第 一回归 网络包括： 所述第一回归网络包括输入层、 隐藏层、 分类层和回归层； 所述输入层的输入为保单信 息， 所述输入层对所述保单信 息进行线性变换并输入第 一 激活函数以获取第一表征， 所述第一激活函数为 正弦函数； 所述隐藏层的输入为所述第 一表征， 所述隐藏层对所述第 一表征进行线性变换并输入 第二激活函数以获取第二表征， 所述第二激活函数为双曲正切函数； 所述分类层的输入为所述第 二表征， 所述分类层对所述第 二表征进行二分类得到分类 向量， 所述分类向量包括所述第二表征属于出险和未 出险的概 率值； 所述回归层的输入为所述分类向量， 输出为所述保单信息的出险频率； 依据预设初始化 算法对所述第一回归网络的参数进行初始化。 4.如权利要求1所述的基于人工智能的车险定价方法， 其特征在于， 所述依据 预设损失 函数和所述训练集训练所述第一回归网络得到第二回归网络， 所述第二回归网络的输入为 保单信息， 输出为所述保单信息对应的出险频率， 包括： 搭建两个参数共享的第一回归网络； 从所述训练集中任意挑选两个带有标签数据的保单信 息作为一组样本对， 将所述样本 对中的保单信息分别记为第一保单信息和第二保单信息； 对所述第一保单信息和所述第二保单信息进行归一化处理后分别输入两个参数共享 的第一回归网络， 将所述第一保单信息的分类向量和出险频率作为第一分类向量和第一出 险频率， 将所述第二保单信息的分类向量和出险频率作为第二分类向量和第二出险频率； 基于所述第 一分类向量、 所述第 一出险频率、 所述第 二分类向量、 所述第 二出险频率和 所述样本对的标签数据计算预设损失函数的数值；权　利　要　求　书 1/3 页 2 CN 115456671 A 2基于所述预设损失函数的数值更新所述第一回归网络的参数， 完成一次训练； 不断从所述训练集中获取样本对进行多次训练以更新所述第 一回归网络的参数， 直到 所述预设损失函数的数值不再变化或遍历 完所述训练集中所有保单信息时停止训练， 得到 第二回归网络 。 5.如权利要求4所述的基于人工智能的车险定价方法， 其特征在于， 所述基于所述第 一 分类向量、 所述第一出险频率、 所述第二分类向量、 所述第二出险频率和所述样本对的标签 数据计算预设损失函数的数值， 包括： 基于所述样本对的标签数据获取所述样本对中第一保单数据和第二保单数据的类别 标签； 基于所述类别标签、 所述第一分类向量和所述第二分类向量构建 分类损失； 基于所述样本对的标签数据、 所述第一出险频率和所述第二出险频率构建回归损失； 基于所述第一出险频率和所述第二出险频率构建排序损失； 基于所述分类损失、 所述回归损失和所述 排序损失计算预设损失函数的数值。 6.如权利要求5所述的基于人工智能的车险定价方法， 其特征在于， 所述预设损失函数 满足关系式： Loss＝ λ1L1+(1‑λ1)(L2+L3) 其中， L1为分类损失， λ1为所述分类损失的权重因子， 所述权重因子的取值范围为[0, 1]， L2为回归损失， L3为排序损失， L oss为预设损失函数的数值； 所述分类损失满足关系式： 其中， 和 分别为第一保单信息和第二保单信息的分类标签， y1和y2分别为所述第一 分类向量和所述第二分类向量， 表示计算 和y1之间的交叉熵损失函数， L1为分 类损失的数值； 所述回归损失满足关系式： 其中， 和 分别为第一保单信息和第二保单信息的标签数据， p1和p2分别为所述第一 出险频率和所述第二出险频率， 表示计算p1和 之间的平滑回归损失， 所述 平滑回归损失满足关系式： L2为回归损失的数值； 所述排序损失满足关系式： 其中， margin为边界阈值， 所述边界阈值的取值为1， 和 分别为第一保单信息和第 二保单信息的标签数据， p1和p2分别为所述第一出险频率和所述第二出险频率， L3为排序损 失的数值。 7.如权利要求4所述的基于人工智能的车险定价方法， 其特征在于， 所述不断从所述训 练集中获取样本对进 行多次训练以更新所述第一回归网络的参数， 直到所述预设损失函数权　利　要　求　书 2/3 页 3 CN 115456671 A 3