[发明专利]理赔客户风险识别方法及系统

权利要求书

1.一种理赔客户风险识别方法，其特征在于包括数据准备阶段、模型训练阶段、模型实施阶段，

其中，所述数据准备阶段包括以下步骤：

步骤A1、从医疗理赔大数据中获取与理赔客户风险相关的数据，包括理赔客户的个人信息和就诊信息，所述就诊信息包括就诊费用信息；

步骤A2、从所述数据中提取训练GBM模型所需的特征，形成数据集，

其中，所述模型训练阶段包括以下步骤：

步骤B1、将所述数据集中的部分数据作为训练集，输入GBM模型的训练器，进行训练；

步骤B2、生成训练完毕的GBM模型，

其中，所述模型实施阶段包括以下步骤：

步骤C1、采集理赔客户的当前理赔数据，并提取GBM模型所需的特征，

步骤C2、将特征输入所述GBM模型，生成识别结果，所述识别结果包括所述理赔客户未来可能产生的就诊费用。

2.根据权利要求1所述的理赔客户风险识别方法，其特征在于，训练GBM模型所需的特征包括：

所述理赔客户的人口学特征、地理特征、就诊时间特征、医疗特征、费用特征；

通过计算获得的二次数据，包括所述理赔客户的就诊频率、就诊费用随时间的分布、时间段总花费、费用构成比例。

3.根据权利要求1所述的理赔客户风险识别方法，其特征在于，所述GBM模型的训练器是XGBoost。

4.根据权利要求2所述的理赔客户风险识别方法，其特征在于，所述与理赔客户风险相关的数据还包括所述理赔客户的风险级别，

其中，所述模型实施阶段还包括以下步骤：

步骤C3、根据所述理赔客户未来可能产生的就诊费用，判定所述理赔客户的风险级别。

5.根据权利要求4所述的理赔客户风险识别方法，其特征在于，通过医疗理赔统计数据，得到所述理赔客户未来可能产生的就诊费用所在的分位点p，其中分位点p的取值范围为0至100，对应于所述就诊费用在所述理赔中的百分数位置，

并且，根据所述分位点判定所述理赔客户的风险级别。

6.根据权利要求1所述的理赔客户风险识别方法，其特征在于还包括与模型训练阶段同步的模型测试阶段，包括以下步骤：

步骤D1、将数据集中的部分数据作为测试集，输入GBM模型的训练器，进行测试，其中，所述测试集与所述训练集的数据不重叠；

步骤D2、在所述训练阶段的训练过程中，通过所述测试集对迭代中的GBM模型进行测试，得到不同迭代次数下的GBM模型针对训练集和测试集的错误率和/或性能分数；

步骤D3、根据所述错误率和/或性能分数，确定GBM模型的最终迭代次数、为最终模型保留的树的数量。

7.根据权利要求1所述的理赔客户风险识别方法，其特征在于还包括模型验证阶段，包括以下步骤：

采用与步骤A2中的数据集独立的数据集，对已生成的GBM模型进行性能验证。

8.一种用于执行根据权利要求1至7中的任一个所述的方法的理赔客户风险识别系统，其特征在于数据准备模块、模型训练模块、模型实施模块，

其中，所述数据准备模块用于：

从医疗理赔大数据中获取与理赔客户风险相关的数据，包括理赔客户的个人信息和就诊信息，所述就诊信息包括就诊费用信息；

从所述数据中提取训练GBM模型所需的特征，形成数据集，

其中，所述模型训练模块用于：

将所述数据集中的部分数据作为训练集，输入GBM模型的训练器，进行训练；

生成训练完毕的GBM模型，

其中，所述模型实施模块用于：

采集理赔客户的当前理赔数据，并提取GBM模型所需的特征，

将特征输入所述GBM模型，生成识别结果，识别结果包括所述理赔客户未来可能产生的就诊费用。