申请/专利权人：西安电子科技大学广州研究院

申请日：2023-12-29

公开（公告）日：2024-06-25

公开（公告）号：CN117787497B

主分类号：G06Q10/04

分类号：G06Q10/04;G06Q40/08;G06Q30/0283;G06N3/006;G06N3/126;G06N5/01;G06F18/2431

优先权：

专利状态码：有效-授权

法律状态：2024.06.25#授权;2024.04.16#实质审查的生效;2024.03.29#公开

摘要：本发明公开了一种应用于汽车保险定价的多目标优化方法及终端，涉及计算机应用技术领域，在计算汽车保险定价的多目标问题中，在使用遗传算法的同时，通过基于三个学习方向的粒子群更新策略，让外部存档中保存的非支配解也参与到引导粒子更新的过程，从而提高算法的收敛速度；最终得到一组满足不同定价策略需求的最优方案解；解决了遗传算法过早收敛、收敛速度慢的问题；此外，还提出一种基于夏普比率思想的局部最优更新策略，用上一代的局部最优解和新一代粒子比较被优化的目标个数和被优化程度并加以统计，以衡量新解与旧解的优劣，获得更好的优化结果。

主权项：1.一种应用于汽车保险定价的多目标优化方法，其特征在于，具体步骤如下：S1、收集若干个投保用户的信息，提取所述信息中的驾驶行为因子，所述驾驶行为因子包括投保用户的历史出险次数；利用Lasso回归方法对所述驾驶行为因子进行筛选，筛选得到的所述驾驶行为因子作为衡量投保用户风险的评价指标；其中，所述历史出险次数不参与筛选；一个所述投保用户的多个驾驶行为因子为一个样本；经过筛选后的多个样本组成数据集；S2、设置采样率；根据预设标签将所述数据集中的样本分为A类样本和B类样本；利用SMOTE算法生成若干个模拟数据样本填充至所述数据集，直至所述A类样本与所述B类样本的比值与所述采样率相等；S3、利用所述数据集和CART决策树算法训练得到决策代理模型，用于预测每一个用户是否会发生出险；S4、结合所述决策代理模型、车险企业当前的实际定价策略和所述历史出险次数构建一种基于数据驱动的评分机制，计算以企业利益为导向的车险公司目标值scoree和以投保用户满意度为导向的投保用户满意度目标值scorec，scoree和scorec的初始值都为0，具体过程为：S4-1、对投保用户对应的样本中的多个评价指标分别进行正向化处理，结合所述车险企业当前的实际定价策略中对每个评价指标的权重分配，计算得到所述投保用户的驾驶行为得分，即： 其中，si表示第i个所述投保用户的驾驶行为得分，num表示评价指标的数量，xk表示第k个评价指标，wk表示第k个评价指标的权重；S4-2、利用所述决策代理模型预测每个所述投保用户的预计出险情况0表示未出险，1表示出险；统计其中未出险的投保用户的人数总和，记为决策代理临界值n；对若干个驾驶行为得分进行排序，其中降序排名的第n个分数记为pn，最小的驾驶行为得分记为smin，最大的驾驶行为得分记为smax；S4-3、遍历每个投保用户的预计出险情况和驾驶行为得分si，计算以企业利益为导向的车险公司目标值scoree和以投保用户满意度为导向的投保用户满意度目标值scorec；其中，所述车险公司目标值scoree的具体计算方法为：若且si＜pn，则scoree＝scoree+2+Reward1，其中，Reward1为第一附加分；若且si≥pn，则scoree＝scoree-2；若且si＜pn，则scoree＝scoree-1；所述投保用户满意度目标值scorec的具体计算方法为：若且si＜pn，则scorec＝scorec-2；若且si≥pn，则scorec＝scorec+1+Reward2，其中，Reward2为第二附加分；若且si＜pn，则scorec＝scorec+Reward3，其中，Reward3为第三附加分；若且si≥pn，则scorec＝scorec+2；S5、利用多目标粒子群算法、结合步骤S1至步骤S4的方法对所述评价指标的权重进行探索和赋值，获得汽车保险的定价策略最优解，作为最新的实际定价策略；具体过程为：S5-1、设置最大评估次数MaxGen和种群规模NP；初始化粒子种群pop，即随机生成个NP粒子编码；所述粒子编码包括两个D维度向量，分别为位置向量Xi＝Xi1,Xi2,…,XiD和速度向量Vi＝Vi1,Vi2,…,ViD，其中位置向量中的每个值对应为每个所述评价指标的权重；按照步骤1至步骤4的方法评估pop中所有粒子编码个体的适应值；所述适应值包括车险公司目标值scoree和投保用户满意度目标值scorec；初始化若干个局部最优解pBest，分别对应当前pop中的每个个体；S5-2、根据适应值计算pop中的非支配解，将得到的非支配解存储至外部存档A中；S5-3、生成或更新单个目标值上的最优解gBest；S5-4、运用三方向学习策略对粒子种群pop进行更新，即：Vid＝w*Vid+c1*r1*pBestid-Xid+c2*r2*gBestid-Xid+c3*r3*Arch-Xid；Xid＝Xid+Vid；其中，Vid表示第i个粒子第d维的速度大小，Xid表示第i个粒子第d维的位置信息，d∈[1,D]；w为预先设定的惯性权重值，c1、c2、c3分别为预先设定的加速因子；Arch为外部档案A中随机选择的个体；S5-5、运用夏普比率思想策略更新局部最优解pBest；S5-6、更新外部存档A中的个体；S5-7、判断当前迭代是否达到最大评估次数，若达到，则结束迭代，将得到的所有非支配解作为定价策略最优解；否则，执行步骤S5-3，继续迭代。

全文数据：

权利要求：

百度查询： 西安电子科技大学广州研究院 一种应用于汽车保险定价的多目标优化方法及终端

免责声明
1、本报告根据公开、合法渠道获得相关数据和信息，力求客观、公正，但并不保证数据的最终完整性和准确性。
2、报告中的分析和结论仅反映本公司于发布本报告当日的职业理解，仅供参考使用，不能作为本公司承担任何法律责任的依据或者凭证。

阅读全文 双屏查看 官方信息 专利公告 收藏专利 下载PDF 下载WORD