一种基于大数据的伤情理赔智能预测方法及系统与流程

本发明属于理赔预测，具体是指一种基于大数据的伤情理赔智能预测方法及系统。

背景技术：

1、伤情理赔智能预测旨在应用大数据和人工智能技术，自动分析伤情理赔相关数据，实现理赔金额预测，从而显著提高理赔处理速度和准确性，提升客户满意度，且有助于防范不合理的理赔请求，增强保险公司的风险管理能力。但在现有伤情理赔智能预测过程中，存在伤情理赔金额与伤情等级密不可分，缺乏一种结合伤情等级进行伤情理赔预测的方法的技术问题；存在伤情理赔预测的预测任务极其复杂，涉及多种具有高度噪声且维度不一致的数据源，而传统具有去噪能力的残差网络在预测过程中时常存在去噪过度导致特征过滤反而降低了信息的可用性，丢失了重要的、更有用的数据信息的技术问题。

技术实现思路

1、针对上述情况，为克服现有技术的缺陷，本发明提供了一种基于大数据的伤情理赔智能预测方法及系统，针对在现有伤情理赔智能预测过程中，存在伤情理赔金额与伤情等级密不可分，缺乏一种结合伤情等级进行伤情理赔预测的方法的技术问题，本方案创造性地采用结合注意力机制的卷积双向长短期网络，进行伤情等级预测，更好地处理复杂数据，增强模型鲁棒性和准确性，有效辅助后续的伤情理赔预测，提高整体方法的可靠性和有效性；针对在现有伤情理赔智能预测过程中，存在伤情理赔预测的预测任务极其复杂，涉及多种具有高度噪声且维度不一致的数据源，而传统具有去噪能力的残差网络在预测过程中时常存在去噪过度导致特征过滤反而降低了信息的可用性，丢失了重要的、更有用的数据信息的技术问题，本方案创造性地采用结合残差收缩单元的深度神经网络，进行伤情理赔预测，并通过构建组合层，收缩过滤阈值函数来改进原本残差收缩单元的软阈值过滤策略，缓解了信息的过度过滤和重要信息丢失的问题，提高了预测的整体准确性，并提升了伤情理赔智能预测的整体可用性。

2、本发明采取的技术方案如下：本发明提供的一种基于大数据的伤情理赔智能预测方法，该方法包括以下步骤：

3、步骤s1：数据准备；

4、步骤s2：数据预处理；

5、步骤s3：伤情等级预测；

6、步骤s4：伤情理赔预测；

7、步骤s5：智能预测报告生成。

8、进一步地，在步骤s1中，所述数据准备，用于准备伤情理赔智能预测所需的原始数据，具体为收集历史理赔数据、客户数据、医疗数据和事故环境数据，得到伤情原始数据集；

9、所述历史理赔数据，包括理赔金额、理赔类型、理赔状态和事故详情；

10、所述客户数据，包括客户年龄、性别、职业和健康状况；

11、所述医疗数据，包括医疗诊断、治疗方案和治疗费用；

12、所述事故环境数据，包括事故发生的时间、地点和天气状况。

13、进一步地，在步骤s2中，所述数据预处理，用于优化原始数据集，具体为将伤情原始数据集中的异常值和重复值删除，通过平均值填补伤情原始数据集中的缺失值，并进行数据规范化处理，得到伤情强化数据集。

14、进一步地，在步骤s3中，所述伤情等级预测，用于预测事故导致的伤情等级，具体为采用结合注意力机制的卷积双向长短期网络，进行伤情等级预测，得到伤情等级信息；

15、所述结合注意力机制的卷积双向长短期网络，具体包括输入层、一维卷积网络层、双向长短期网络层、注意力机制、全连接层和输出层；

16、所述一维卷积网络层，用于提取局部时间序列特征；

17、所述双向长短期网络层，用于捕获双向依赖关系；

18、所述注意力机制，用于增强模型对重要特征的关注；

19、所述伤情等级预测，包括以下步骤：

20、步骤s31：构建结合注意力机制的卷积双向长短期网络，包括以下步骤：

21、步骤s311：构建输入层，具体为通过输入层接收伤情强化数据集作为模型的输入数据；

22、步骤s312：构建一维卷积网络层，具体为在一维卷积网络层中设置三个卷积组合层、展平层和全连接子层，每个卷积组合层都包括一维卷积层、批量归一化子层和随机失活子层，通过一维卷积网络层，计算得到一维卷积特征向量；

23、所述一维卷积层的计算公式为：

24、；

25、式中，cyi是输出特征图在位置i处的值，所述输出特征图具体指一维卷积层的输出，i是当前滑动窗口的起始位置索引，relu(·)是relu激活函数，j是卷积核内部索引，k是卷积核大小，具体指卷积核在输入数据上滑动的窗口大小，wj是卷积核在位置j处的权重，xi+j是输入数据在位置i+j处的值，bc是一维卷积偏置项；

26、步骤s313：构建双向长短期网络层，具体为在双向长短期网络层中设置前向长短期网络层、后向长短期网络层和展平层，通过双向长短期网络层，计算得到双向特征向量，包括以下步骤：

27、步骤s3131：构建前向长短期网络层，计算公式为：

28、；

29、式中，是前向长短期网络层在第t时间步下的隐藏状态，t是时间步索引，sig(·)是s型激活函数，w1是前向长短期网络层第一权重，xt是在第t时间步下的输入特征向量，所述输入特征向量具体指一维卷积特征向量，w2是前向长短期网络层第二权重，是前向长短期网络层在第t-1时间步下的隐藏状态，tanh(·)是双曲正切激活函数，ct是前向长短期网络层在第t时间步下的细胞状态；

30、步骤s3132：构建后向长短期网络层，计算公式为：

31、；

32、式中，是后向长短期网络层在第t时间步下的隐藏状态，w3是后向长短期网络层第一权重，w4是后向长短期网络层第二权重，是后向长短期网络层在第t+1时间步下的隐藏状态，是后向长短期网络层在第t时间步下的细胞状态；

33、步骤s3133：隐藏状态拼接，计算公式为：

34、；

35、式中，是拼接特征向量，w5是前向隐藏状态权重，w6是后向隐藏状态权重；

36、步骤s3134：构建展平层，用于将拼接特征转换为一维向量，计算公式为：

37、；

38、式中，hbi是双向特征向量，具体指展平层的输出，flatten(·)是展平操作；

39、步骤s3135：通过构建前向长短期网络层、构建后向长短期网络层、隐藏状态拼接和构建展平层，构建所述双向长短期网络层；

40、步骤s314：构建注意力机制，具体为应用注意力机制，计算双向长短期网络层的注意力特征向量，计算公式为：

41、；

42、式中，abi是注意力特征向量，t是时间步总数，是在第t时间步下的注意力权重，是在第t时间步下的双向特征向量，具体指双向长短期网络层在第t时间步下的输出特征向量；

43、步骤s315：构建全连接层，用于生成预测概率，计算公式为：

44、；

45、式中，fcn是全连接层输出的预测概率，softmax(·)是softmax函数，wfcn是全连接层权重，bfcn是全连接层偏置项；

46、步骤s316：构建输出层，用于输出模型的预测结果；

47、步骤s32：构建伤情等级预测模型，具体为采用交叉熵损失函数，对结合注意力机制的卷积双向长短期网络，进行模型训练，得到伤情等级预测模型；

48、步骤s33：通过伤情等级预测模型，进行伤情等级预测，得到伤情等级信息，所述伤情等级信息包括轻伤、中度伤、重伤和危重伤。

49、进一步地，在步骤s4中，所述伤情理赔预测，用于结合伤情等级进行理赔数额的详细预测，具体为采用结合残差收缩单元的深度神经网络，进行伤情理赔预测，得到理赔预测信息；

50、所述结合残差收缩单元的深度神经网络，具体包括输入卷积层、残差收缩单元、组合层和预测输出层；

51、所述输入卷积层，用于提取特征并降低训练网络参数；

52、所述残差收缩单元，用于优化原始残差网络中的有效特征丢失问题；

53、所述组合层，用于减少判别信息的丢失，具体包括批量归一化层、relu激活函数和平均池化层；

54、所述伤情理赔预测，包括以下步骤：

55、步骤s41：设计结合残差收缩单元的深度神经网络，包括以下步骤：

56、步骤s411：构建输入卷积层，具体为接受伤情等级信息和伤情原始数据集，作为模型的原始输入数据样本，并构建卷积层提取历史理赔特征、客户特征、医疗特征、事故环境特征和伤情预测特征，得到输入映射特征数据集；

57、所述构建卷积层，得到输入映射特征数据集的计算公式为：

58、；

59、式中，yin是输入映射特征数据集，m是特征总数，m是特征索引，xm是输入卷积层的第m个特征，knm是第n类第m个特征数据对应的卷积权重，bn是第n类特征对应的偏置项，n是特征类别索引，具体类别包括历史理赔特征、客户特征、医疗特征、事故环境特征和伤情预测特征；

60、步骤s412：构建残差收缩单元，具体为构建包括一个最大池化层、一个relu激活层、一个批量归一化层、一个随机失活层和两个全连接输出层的残差收缩单元，并通过构建数据过滤软阈值，进行输入映射特征数据集的特征数据过滤，用于筛选预测伤情理赔更重要的数据特征，得到过滤理赔特征数据；

61、所述数据过滤软阈值，具体通过软阈值去噪函数进行数据过滤，计算公式为：

62、；

63、式中，yfil是过滤理赔特征数据，是取值为正数的过滤阈值参数，具体由各特征数据的平均取值确定；

64、步骤s413：构建残差收缩组，具体为在输入卷积层后依次构建七个残差收缩单元，得到残差收缩组，进行特征优化过滤；

65、步骤s414：数据过滤阈值优化，具体为构建收缩过滤阈值函数，代替原本残差收缩单元中的软阈值去噪函数，进行过滤阈值优化，得到优化过滤理赔特征数据，计算公式为：

66、；

67、式中，是优化过滤理赔特征数据，是输入映射特征数据集中的第m个特征，am是收缩过滤阈值函数斜率参数，具体取值为{1，am}，当输入映射特征数据集中的第m个特征和过滤阈值参数满足时，收缩过滤阈值函数斜率参数am的取值为，其中，e是自然底数，当输入映射特征数据集中的第m个特征和过滤阈值参数不满足时，收缩过滤阈值函数斜率参数am的取值为1；

68、步骤s415：构建组合层，具体为构建包括批量归一化层、relu激活层和平均池化层的组合层，进行优化过滤理赔特征数据的特征规范化并减少判别信息的丢失，得到理赔预测特征数据；

69、步骤s416：构建预测输出层，具体为构建全连接层，并通过分类器，依据理赔预测特征数据，输出伤情理赔数额预测数值；

70、步骤s42：构建伤情理赔预测模型，具体为采用交叉熵损失函数，对结合残差收缩单元的深度神经网络，进行模型训练，得到伤情理赔预测模型；

71、步骤s43：通过伤情理赔预测模型，进行伤情理赔预测，得到伤情理赔预测信息。

72、进一步地，在步骤s5中，所述智能预测报告生成，具体为综合伤情理赔预测信息和伤情等级信息，生成智能预测报告。

73、本发明提供的一种基于大数据的伤情理赔智能预测系统，包括：数据准备模块、数据预处理模块、伤情等级预测模块、伤情理赔预测模块和智能预测报告生成模块；

74、所述数据准备模块，用于数据准备，通过数据准备，得到伤情原始数据集，并将所述伤情原始数据集发送至数据预处理模块和伤情理赔预测模块；

75、所述数据预处理模块，用于数据预处理，通过数据预处理，得到伤情强化数据集，并将所述伤情强化数据集发送至伤情等级预测模块；

76、所述伤情等级预测模块，用于伤情等级预测，通过伤情等级预测，得到伤情等级信息，并将所述伤情等级信息发送至伤情理赔预测模块和智能预测报告生成模块；

77、所述伤情理赔预测模块，用于伤情理赔预测，通过伤情理赔预测，得到理赔预测信息，并将所述理赔预测信息发送至智能预测报告生成模块；

78、所述智能预测报告生成模块，用于智能预测报告生成，综合所述理赔预测信息和所述伤情等级信息，生成智能预测报告。

79、采用上述方案本发明取得的有益效果如下：

80、（1）针对在现有伤情理赔智能预测过程中，存在伤情理赔金额与伤情等级密不可分，缺乏一种结合伤情等级进行伤情理赔预测的方法的技术问题，本方案创造性地采用结合注意力机制的卷积双向长短期网络，进行伤情等级预测，更好地处理复杂数据，增强模型鲁棒性和准确性，有效辅助后续的伤情理赔预测，提高整体方法的可靠性和有效性。

81、（2）针对在现有伤情理赔智能预测过程中，存在伤情理赔预测的预测任务极其复杂，涉及多种具有高度噪声且维度不一致的数据源，而传统具有去噪能力的残差网络在预测过程中时常存在去噪过度导致特征过滤反而降低了信息的可用性，丢失了重要的、更有用的数据信息的技术问题，本方案创造性地采用结合残差收缩单元的深度神经网络，进行伤情理赔预测，并通过构建组合层，收缩过滤阈值函数来改进原本残差收缩单元的软阈值过滤策略，缓解了信息的过度过滤和重要信息丢失的问题，提高了预测的整体准确性，并提升了伤情理赔智能预测的整体可用性。