[发明专利]新能源汽车保险成本的预测方法、装置及计算机设备

权利要求书

1.一种新能源汽车保险成本的预测方法，其特征在于，包括：

接收关于目标车辆保险成本的预测请求，所述预测请求中携带有目标车辆的保险风险因子数据以及成本预测需求；

确定所述保险风险因子数据对应的类别化水平分组结果；

在预设保险风险预测模型列表中筛选与所述成本预测需求匹配的目标保险风险预测模型；

根据所述类别化水平分组结果以及所述目标保险风险预测模型确定所述目标车辆的保险成本预测结果。

2.根据权利要求1所述的方法，其特征在于，所述确定所述保险风险因子数据对应的类别化水平分组结果，具体包括：

提取所述保险风险因子数据中包含的各个保险风险因子；

确定所述各个保险风险因子在类别化水平分组中的目标分组区间信息，所述目标分组区间信息中至少包含与目标分组区间匹配的保险成本推荐值。

3.根据权利要求1所述的方法，其特征在于，所述在预设保险风险预测模型列表中筛选与所述成本预测需求匹配的目标保险风险预测模型，具体包括：

根据所述成本预测需求确定目标主体定价类型；

在所述预设保险风险预测模型列表中筛选与所述目标主体定价类型匹配的目标保险风险预测模型。

4.根据权利要求2所述的方法，其特征在于，所述根据所述类别化水平分组结果以及所述目标保险风险预测模型确定所述目标车辆的保险成本预测结果，具体包括：

将所述各个保险风险因子以及与所述各个保险风险因子匹配的各个目标分组区间信息输入所述目标保险风险预测模型，以便所述目标保险风险预测模型输出与所述保险风险因子数据匹配的保险成本预测结果。

5.根据权利要求1所述的方法，其特征在于，所述方法还包括：

基于数据集训练与各个预设主体定价类型匹配的保险风险成本预测模型；

按照所述预设主体定价类型将所述保险风险成本预测模型存储至预设保险风险预测模型列表中；

所述数据集至少包括：传统风险因子构成的第一数据集、车联网风险因子构成的第二数据集、传统风险因子和车联网风险因子联合构成的第三数据集；

所述基于数据集训练与各个预设主体定价类型匹配的保险风险成本预测模型，具体包括：

基于所述第一数据集、所述第二数据集以及所述第三数据集，分别训练传统广义线性模型、随机森林机器学习模型、梯度提升回归数机器学习模型和随机森林-梯度提升回归树模型，生成十二套保险风险成本预测模型，所述十二套保险风险成本预测模型包括利用所述第一数据集训练得到的第一传统广义线性模型、第一随机森林机器学习模型、第一梯度提升回归数机器学习模型、第一随机森林-梯度提升回归树模型，以及利用所述第二数据集训练得到的第二传统广义线性模型、第二随机森林机器学习模型、第二梯度提升回归数机器学习模型、第二随机森林-梯度提升回归树模型，以及利用所述第三数据集训练得到的第三传统广义线性模型、第三随机森林机器学习模型、第三梯度提升回归数机器学习模型、第三随机森林-梯度提升回归树模型；

基于模型预测精度，在所述十二套保险风险成本预测模型中提取与各个预设主体定价类型匹配的保险风险成本预测模型。

6.根据权利要求5所述的方法，其特征在于，所述基于所述第一数据集、所述第二数据集以及所述第三数据集，分别训练传统广义线性模型、随机森林机器学习模型、梯度提升回归数机器学习模型和随机森林-梯度提升回归树模型，生成十二套保险风险成本预测模型，具体包括：

将所述第一数据集、所述第二数据集以及所述第三数据集分别划分为训练集、验证集以及测试集；

利用所述训练集分别训练传统广义线性模型、随机森林机器学习模型、梯度提升回归数机器学习模型和随机森林-梯度提升回归树模型，生成十二套保险风险成本预测模型；

利用所述验证集以及所述测试集分别对所述十二套保险风险成本预测模型的训练结果进行验证，若判定损失函数小于预设阈值，则确定保险风险成本预测模型符合预设训练标准。