买专利卖专利找龙图腾，真高效！ 查专利查商标用IPTOP,全免费！专利年费监控用IP管家,真方便！

申请/专利权人：瑞士再保险有限公司

摘要：提出了一种测量和预测系统，其提供具有复杂聚类结构的发生率的新出现危险的早期到达间隔时间识别和自适应时间间隔测量。测量系统1包括测量站或传感器90,91,92,…401,402,…,411,412，用于通过测量的传感数据4011,4012,…测量发生的风险事件311,…,313。此外，系统1包括数据传输网络2，用于将测量设备90,91,92,…401,402,…,411,412的测量的传感数据911,912,913,…4011,4012,…传输到中央核心电路10，测量的传感数据911,912,913,…4011,4012,…被分配给历史危险集合31，其包括每个分配的风险事件的事件参数。借助于系统1，基于测量的频率以及所述危险集合31的所述风险事件311,…,313的相关联严重性341,…,343或作为替代度量的损失321,…,323，生成事件损失集合32，每个所述灾难性事件311,…,313产生设定的特定严重性321,…,323341,…,343。系统1基于相应的所生成的到达间隔时间参数1012IAT的自动和或动态估计分布1011来使用构造的时间戳331,…,333。到达间隔时间参数1012捕获时段严重性或损失集合3533的连续事件311,…,313之间的等待时间。等待时间测量灾难性事件311,…,313的两次连续测量的发生之间的时间间隔，能够通过时间间隔和系统1随时间跟踪灾难性事件311,…,313的发生，并且自动捕获危险特定时间聚类1031和或季节性发生模式1032。

主权项：1.一种测量和预测系统1，用于由灾难性事件311,…,313的测量的发生所触发的灾难性事件驱动的自动系统1112的基于时间相关暴露的信号、引导和或操作，所述灾难性事件是自然灾害，其中所述测量和预测系统1包括测量站或传感器90,91,92,…401,402,…,411,412用于通过测量的传感数据4011,4012,…测量将发生的灾难性事件311,…,313，其中所述测量和预测系统1包括用于将测量设备90,91,92,…401,402,…,411,412的测量的传感数据911,912,913,…4011,4012,…传输到中央核心电路10的数据传输网络2，所述测量的传感数据911,912,913,…4011,4012,…被分配给历史危险集合31，其包括每个分配的灾难性事件的事件参数，其中为了捕获和测量适当的测量的传感数据911,912,913,…4011,4012,…，所述中央核心电路10包括用于捕获和测量适当的测量的传感数据911,912,913,…4011,4012,…的灾难性事件驱动的核心聚合器100，其具有测量数据驱动的触发器1001，用于在所述传感器90,91,92,…401,…,405和或测量设备411,…,415的数据流路径921,922,923,…421,…,425中触发、捕获和监测，其中信号从所述中央核心电路10自动产生并传送到相关联的灾难性事件驱动的自动系统1112，并通过所述测量和预测系统1通过将产生的信号从所述中央核心电路10传送向相关联的自动设备1112提供发生预测参数，其中自动系统1112的操作由产生并被传送的信号触发，并且其中借助于所述测量和预测系统1，基于所测量的频率以及所述危险集合31的所述灾难性事件311,…,313的相关联严重性341,…,343生成事件严重性集合34，每个所述灾难性事件311,…,313产生设定的特定严重性341,…,343，其特征在于，组合了时段严重性集合35来记录分配给生成的时间戳351,…,353的事件严重性集合34的事件严重性341,…,343，其中所述时段严重性集合35提供事件严重性集合34的测量事件的基于相应时间的日志记录，其中生成包括编码时间数据序列的时间戳351,…,353并将其分配给事件严重性集合34的每个事件341,…,343，并且其中特定时间戳351,…,353标识作为测量特定事件的时间点的出现，时间戳351,…,353是使用相应生成的到达间隔时间参数1012IAT的估计或预定义的分布10111而自我维持的构造，其中到达间隔时间参数1012捕获时段严重性集合35的连续灾难性事件311,…,313之间的等待时间，其中等待时间测量灾难性事件311,…,313的两次连续测量的发生之间的时间间隔，能够通过所述时间间隔随时间跟踪灾难性事件311,…,313的发生，并且其中所述估计或预定义的分布1011至少包括危险特定时间聚类1031和或季节性发生模式1032，以及所述时间戳351,…,353的自我维持的结构使用相应生成的到达间隔时间参数1012IAT的分布10111，该自我维持的结构由机器学习单元提供，其中时间戳351,…,353被转移到机器学习单元，作为与使用严重性参数341,…,343关联的非平稳非线性模式，作为不同系列时间戳351,…,353中发生事件311,…,313的影响，以及基于包括时间戳参数351,…,353和特定时间范围的严重性341,…,343的所述时段严重性集合35，由所述中央核心电路10评估和生成相应的早期识别参数或预测时间间隔参数711,…,715721,…,725，其中，所述估计或预定义的分布1011通过广义的帕累托分布10111GPD构造，GPD10111分布式IAT1012拟合测量或经验历史危险集合31。

全文数据：提供基于到达间隔时间的测量和预测即将发生的自然灾难性事件的测量系统及其方法技术领域本发明涉及测量和预测即将发生的即将到来的灾难性事件的时间间隔的设备和系统，例如，自然灾难性事件，诸如地震、湍流、飓风或其他天气状况、洪水、经济或金融崩溃等突然变化。它还涉及基于测量的到下一次即将到来的自然灾难性事件的时间距离的机器间信号和机器到机器控制的设备和系统。最后，它涉及用于灾难性风险事件驱动或触发系统的基于时间相关暴露的信号、引导和或操作的自动灾难系统；特别是，这些可以是用于应对灾难性风险的自动风险例如，与天气有关的风险，包括灾难性和其他重大风险，无论是天气相关还是其他风险触发系统和仪器。除此之外，本发明还涉及这样的基于人工计算智能的自动化系统，其能够自我维持地识别和分类在不同规模上发生的可能的潜在结构，并使用这些结构来预测已知在感兴趣的应用中出现的灾难性事件。背景技术灾难性事件通常被称为所谓的“异常值”，其具有与测量事件的其余群体在统计上不同的属性，并且由涉及放大临界级联的机制产生。在一定精度水平内对下一个即将到来的事件的时间间隔的测量和预测在技术上极具挑战性，尤其是因为通常涉及从静止状态到危机的突然的、难以预测的转变。这种灾难性事件通常涉及许多不同的规模上的结构之间的相互作用通常是非线性的，除了这些事件罕见的技术问题之外，这使得精确测量和自动化处理在技术上更加苛刻。21世纪初的特点是全球性气候变化，引入物种neobiota等，经济和社会发展具有间歇性动态而不是平衡状态，因此越来越迫切地需要开发敏感的设备和系统，其能够应对多种形式的灾难性事件的重要性和影响。在灾难性事件发生的地方，灾难性危机表现出类似的特性，沿途经常引发根本的社会影响，看不见灾难的各种背景，范围包括从大型自然灾害，诸如火山爆发、飓风和龙卷风、山体滑坡、雪崩、雷击、环境恶化的灾难性事件，到工程结构的溃败、导致大规模罢工和动乱的社会动荡、国家和全球范围的经济崩溃、区域停电、交通堵塞、疾病和流行病等。因此，此外，对于已经说过的补充，对于处理这些风险敏感或直接表示的自动化设备和系统的工业和技术存在强烈需求，特别是对于这些事件的评估、缓解和可靠预测。产生灾难性事件的这种复杂系统的核心特性是可能出现具有极端潜在结构的连贯的大规模集体行为，这是由于不同成分之间的重复非线性相互作用所致，这通常远远超过其各部分的总和。大多数情况下，这种复杂的系统不适用于分析性描述，并且通常只能通过实验或统计测量来探索。在系统复杂性的背景下，许多复杂系统在计算上还是不可简化的，即，决定其演化的唯一方法是实际让它们随时间发展。因此，复杂系统的动态未来时间演变可能本质上是不可预测的，这使得自动化系统极难应对它们。然而，这种不可预测性并不妨碍应用技术方法和系统来预测新发生的事件。大多数复杂的自然、经济和社会系统确实表现出罕见的突然转变，这些转变发生在与其后部进化的特性时间规模相比较短的时间间隔内。这种极端事件表达了通常由几乎完美的平衡隐藏的潜在力量。必须认识到复杂系统的长期行为通常在很大程度上受这些罕见的灾难性事件的控制。例如，加利福尼亚最大的地震，每两个世纪重复一次，占总构造变形的很大一部分。景观的形成更多的是由于“千年”洪水，它会移动巨石而不是所有其他腐蚀剂的作用。最大的火山爆发导致了严重的地形变化以及严重的气候中断。因此，复杂系统通常由一些关键决策或事件在长期内形成。因此，对能够测量和预测特定灾难性事件的下一次爆发的发生次数、发生频率和时间距离的可靠技术设备和系统的需求是显而易见的。在自然灾难性事件的背景下，全球工业和市场，特别是在百慕大、洪都拉斯、尼加拉瓜或东部海岸线和美国墨西哥湾沿岸等具有强烈暴露率的地区，显著依赖于可靠的系统和自动快速评估灾难暴露的方法。这种暴露测量的使用可以随着例如用于暴露改进的自动专家系统、警报系统或自动风险转移系统变化。如果此类系统的预测低估了任何特定事件所带来的潜在损失，整个行业可能遭受高于预期的资本暴露，而且往往难以为继。一些灾难性事件可能对行业造成如此严重的影响，导致受影响的行业部门彻底崩溃。然而，对于希望确保其持续可行性的暴露行业而言，这不仅是一个战略和风险管理问题；事实上，自动风险转移系统的运作和或任何监管资本要求也会受到影响，因为任何风险转移通常必须通过足够数量的汇集资源来平衡，即充分执行的灾难性风险费用通常是满足此技术要求的重要因素。在灾难性风险事件驱动或触发系统的基于暴露的信号、引导和或操作技术领域中，所谓的“CAT回归”可以是对依赖程度的衡量标准，并且可以为风险转移系统的运作提供一个技术基础，以减少预测风险，并且监测和量化风险转移系统的暴露。它还可以作为评估灾难组成部分投入是否合理或监管资本要求是否合适的一种衡量标准。自动风险转移系统具有操作程序和测量设备，用于监测预测风险的观测活动。这包括基于聚合信息诸如暴露的和或预测的基于统计的可能最大损失PML的合适的资源池例如，资本、杠杆和度量。应包括所有技术和操作假设，包括在行业类别和风险暴露单位内部和之间的区域性、危险性和其他风险分类维度的测试。用于自动风险转移系统的灾难性风险的测量和评估类型的现有技术示例包括，例如：A针对各种其他CAT暴露度量的相对等级来测量PML和现实灾难情景RDS的等级。差异可能存在于可能突出因素的相对排名中：i构建优越的风险组合；ii相对于其他行业或市场的相对较高或较低的附着点，以及可能面临更大的模型风险；iii应用不同的模型混合物按区域特定的危险和不同程度的损失修改应用于总体结果；B关于灾难性事件的暴露评估超出了预定义的财产灾难阈值。这些测量还可以评估相对于相关灾难性损失的非累积暴露的可能性；C考虑支持第二风险转移系统如再保险系统或对灾难的转分保险式保护，以评估第二风险转移违约的影响；以及D监测和衡量一年到下一年的暴露的相对变化，以保持一致性和合理性。CAT回归与其他风险暴露数据一起，也用于评估可能已汇集的资源或流动性的充足性。仅通过持有额外资本并不总能缓解流动性风险。对于自动化风险转移系统，支付索赔的能力显然是一个重要因素，甚至可能在灾难性风险领域更为明显，因为可能需要在非常短的时间内清算大量资本以支付索赔。此外，货币错配会产生复杂性，风险转移系统的汇集资源和与之相关的潜在灾难性责任的子集可能存在复杂性。自动化风险转移系统的运作应该能够证明它可以考虑潜在的流动性挑战，包括用于衡量流动性的技术方法和原则、应急计划、获得新的资金来源以及预计的流动性要求。可用于评估系统流动性风险的各种衡量指标的示例包括：A衡量某些情景的资产和负债相关性，这些项目经常假设的独立性可能会崩溃。例子包括恐怖主义事件或日本的大量CAT损失或对美元兑日元汇率的影响；B有效资产期限与有效负债期限的比率；或C根据汇集资源或为抵押补贴而调整的投资来衡量毛利和净PML和RDS回报。因此，风险转移系统的汇集资源应该达到这样的水平，即操作可以承受极端但不可想象的不利事件组合发生的影响。一个运作良好的风险转移系统将承受全面的压力和情景测试程序，以便在不利情景中监测资源池充足性，作为其风险转移结构和框架的一部分。其中包括实施、监测和应对严格的、前瞻性压力和情景测试结果的程序，适用于识别可能对风险转移系统的运营、责任或分配资源产生不利影响的环境条件的可能事件或周期性变化。总之，许多作用于灾难性事件CAT或与灾难性事件CAT交互的自动化系统需要时钟或其他触发或驱动的频率发生器和或基于频率的核心引擎。这些设备或模块是自动信号、处理或操作各种系统和设备的技术核心，用于直接响应CAT事件发生或发生的风险。灾难性CAT事件包括诸如自然灾害例如地震、洪水、风暴、飓风和海啸和人为灾难例如恐怖袭击等事件。这些事件通常是低概率、高成本的事件。因此，暴露于CAT事件风险的单位和个人试图通过寻求适当的风险转移来保护自己。此外，这些事件的特征在于具有低发生概率，即与高波动范围相关联的低统计概率，并且它们难以用技术手段捕获。对于由CAT事件的发生而激活或触发的自动系统例如，自动操作的风险转移系统也是如此。这种自动化系统需要克服额外的技术负担，因为大量风险暴露的单位通常受到单个CAT事件的影响。因此，当CAT事件发生时，这些系统通常必须处理系统必须自动覆盖的大量损失，即所谓的索赔。由于风险转移系统用于降低风险，因此在CAT案例中，自动定价甚至风险转移的可用性必须取决于与被转让或转让相关联的可测量且可参数化的风险参数。除了必须克服的操作问题外，处理灾害和损失后果的效率，特别是任何相关的索赔，涉及自动风险转移系统的各种其他技术问题和关注。例如，我们应该能够及时减轻灾难性事件的后果和或解决任何相关的索赔，以保护客户关系和留住客户。此外，风险转移系统也经常试图避免与解决损失和支付有效索赔时无响应或延迟相关的负面宣传。在某些极端情况下，在减轻灾难性事件的后果和正确处理索赔方面缺乏响应能力可能导致国家保险委员会或甚至刑事调查的调查。另一方面，保险风险转移系统不应为了迅速解决问题而解决欺诈性索赔；此外，他们必须管理与解决这些索赔相关联的费用例如，解决此类索赔所产生的人工费用。在现有技术系统中，“风险”通常被实现为预测频率和严重性的组合，其中“频率”预测在给定时间范围内将发生损失的概率，并且“严重性”预测与该特定事件相关联的这种损失的成本。在许多风险转移系统中，“严重性”是通过将给定时间范围内的损失除以同一时间范围内的索赔数来计算的。将风险分解为不同的成分并适当地评估这些成分可以促进更好的风险操作，并有助于改善特定情况下风险的自动预测。更好的风险评估和测量可以带来更好的风险关联，更好地处理后果和成本，从而最大限度地减少针对特定风险转移的错误过度收费或收费不足的情况。这可以导致自动风险转移系统的更好或更可预测的操作，并最终为风险暴露的单位和个人提供更合适的费率。风险转移系统通常分析历史CAT、损失和溢价数据，以生成主要或完全基于此类预测来预测风险的统计模型。这些模型用于评估预期风险。然后，风险转移系统可以使用此评估来确定是否应该执行风险转移，并且如果执行此类转移，则应该收取什么费率来平衡风险转移。然而，不同的风险转移系统可能使用不同的结构来确定哪些传统风险转移因素或数据对其相关联风险转移单位具有最大影响或最大预测值，这就是为什么在不同的风险转移系统中使用多种模型的原因。多年来，风险转移系统的任何自然灾难NATCAT评估和建模框架都基于所谓的事件集。事件集由每个危险危险集的概率事件集组成，其中每个事件与发生频率匹配。在对转移风险的汇编，编辑或组合进行评级时，现有技术系统使用NatCat评级引擎使用脆弱性曲线为每个事件分配损失。事件、它们的频率和相应的损失最终总结在所谓的事件损失集合ELS中。此类事件损失集合用作构建暴露曲线的基础，而暴露曲线又用于生成再保险合同的技术定价。虽然在为标准覆盖生成的暴露中使用暴露曲线是透明且非常有效的，但在建模复杂的风险转移再保险结构时，这种方法显示出局限性。由于这种非标准覆盖在最近已经变得重要，因此越来越需要补充当前的技术预测和建模框架并扩展技术结构以满足新的要求。在现有技术中，WO2016029929A1灾害管理预测系统和方法用于基于位置相关的自然灾害影响来预测灾害减轻和融资手段的影响。该系统捕获历史灾难性事件的测量参数，以确定自然灾难性事件的影响。此外，触发自然灾难性事件的临界值以生成对地理区域内灾难性事件的影响的预测。基于灾难历史表，系统提供相应的损失频率函数。预期的灾难损失是通过损失频率函数和发生的自然灾难性事件类型的各种情景的地理风险地图来确定的。应用灾害融资手段的效果预测是根据覆盖结构、指定成本因素和确定的预期巨灾损失编制的。此外，EP2461286A1示出了一种用于通过独立操作的责任风险驱动因素来预测与未来损失和损失分布相关联的频率的系统。在损失单位出现损失的情况下，测量测量参数并将其传输到控制单元控制器。控制单元控制器动态地将测量参数分配给责任风险驱动因素，并调整相关联损失解决单元的操作，通过损失解决单元解决发生的损失。通过将测量参数动态分配给适应性责任风险驱动因素，系统能够动态地自身适应影响风险暴露的外部和内部因素。最后，WO2015144241A1示出了具有用于风险转移的自动化系统的系统，其具有由多个可变风险转移段提供的可适应风险转移函数。基于相应的风险转移函数生成激活信号，风险转移函数在发生测量风险事件的情况下触发风险转移的自动激活。发明内容本发明的一个目的是提供一种测量和预测系统，其提供具有复杂聚类结构的发生率的新出现的危险的早期到达间隔时间识别和时间间隔测量。其中，本发明还能够提供一种用于由低频操作或灾难性风险事件驱动的相关联自动风险转移系统的测量、预测和暴露信令的自动系统，其不具有现有技术系统的缺点，如上所述。输出信号应该允许提供自动风险转移系统，以便优化资源池资本化，使得可以承受极端但不是不可想象的不利事件的组合的发生的影响。作为风险转移结构和框架的一部分，系统应该能够通过综合压力和情景测试程序来监测不利情景中的集合资源充足性。特别地，所提出的系统不应表现出基于使用ELS作为构建暴露曲线的基础的现有技术系统的事件损失集合ELS的技术缺点，其反过来用于从自动生成风险转移或定价参数来生成适当的输出信号，即本发明还应允许在复杂的风险转移和多种风险转移结构中自动处理非标准覆盖或风险转移。因此，非标准覆盖在最近已经变得越来越重要；需求已经增长，以补充当前的技术结构和框架，并扩展它们以满足新的要求。最后，本发明的技术结构应该允许自动捕获特定于危险的时间聚类，以及准确反映年内发生模式。根据本发明，这些目的尤其通过独立权利要求的特征实现。另外，可以从从属权利要求和相关描述中导出其他有利实施例。根据本发明，实现了上述用于测量和预测系统的目的，该系统提供具有复杂聚类结构的发生率的新兴危险的早期到达间隔时间识别和时间间隔测量，特别是，该系统包括：用于通过测量的传感数据测量发生的风险事件的测量站或传感器，其中该系统包括数据传输网络，用于将测量的传感器的测量的传感数据传输到中央核心电路，测量的传感数据被分配给历史危险集合包括用于每个被分配的风险事件的事件参数，其中为了捕获和测量适当的测量的传感数据，中央核心电路包括风险事件驱动的核心聚合器，其具有用于在传感器和或测量设备的数据流路径中触发、捕获和监测的测量数据驱动的触发器，测量和预测系统通过中央核心电路的信号传送将风险暴露和或发生预测参数提供到相关联的自动化设备，并且其中借助于系统基于测量的频率与危险集合的所述风险事件的相关联严重性生成事件严重性集合，每个所述风险事件创建设定的特定严重性asetspecificseverities，其中组合时段严重性集合，记录分配给生成的时间戳的事件严重性集合的事件严重性，其中时段损失集合提供事件严重性集合的测量事件的基于相应时间的日志记录，其中生成包括编码时间数据序列的时间戳，并将其分配给事件严重性集合的每个事件，并且其中特定时间戳标识作为特定事件被测量的时间点的发生，时间戳是使用相应的生成的到达间隔时间参数的估计的或预定义的分布自我维持的构造，其中到达间隔时间参数捕获时段严重性集合的连续事件之间的等待时间，并且其中等待时间测量风险事件的两次连续测量的发生之间的时间间隔，能够通过时间间隔随时间跟踪风险事件的发生，并且基于包括时间戳参数和特定时间范围的严重性的所述时段严重性集合，由所述中央核心电路评估和生成相应的早期识别参数或预测时间间隔参数。作为一个实施例变型，如果用于低频发生的灾难性或操作风险事件的驱动或触发风险转移系统需要信号参数用于相关的灾难性风险事件的自动预测和暴露信令，则自动的基于到达间隔时间的系统可以用作机器到机器或机器间控制设备。其中，通过本发明，测量任何发生的风险事件并将其分配给包括每个分配的风险事件的事件参数的历史危险集合；风险暴露的单位或个人和或自动风险转移系统通过中央核心电路的信号传送被提供有相应的风险转移参数，用于自动风险转移和或自动风险事件覆盖，并且其中通过系统基于测量的频率以及危险集合的所述风险事件的相关联损失生成事件损失集合，每个所述风险事件产生设定的特定损失，其中时段损失集合被组合，以记录分配给生成的时间戳的事件损失集合的事件损失，其中时段损失集合提供事件损失集合的测量事件的基于相应时间的日志记录，其中包括编码时间数据序列的时间戳被生成并分配给事件损失集合的每个事件，并且其中特定时间戳将事件标识为测量特定事件的时间点的发生，时间戳是使用相应的所生成的到达间隔时间参数的自动和或动态估计或预定义的分布构造的，其中到达间隔时间参数捕获所述时段损失集合的连续事件之间的等待时间，并且其中所述等待时间测量风险事件的两次连续测量的发生之间的时间间隔，能够通过时间间隔随时间跟踪风险事件的发生，并且其中基于包括时间戳参数和特定时间范围内的损失的所述时段损失集合，由所述中央核心电路评估和生成用于信号传送的相应风险转移参数。所述分布不需要预先定义或预先给定，而是作为优选实施例变型，通过系统估计它是对该组数据的最佳拟合分布。正如数据所支持的那样，有一些理论证据支持广义帕累托；但是，系统也可以应用其他分布。所述估计的或预定义的分布可以例如至少包括特定于危险的时间聚类和季节性发生模式。所述估计的或预定义的分布可以例如进一步基于相关的时间比例因子来构造，其至少包括厄尔尼诺南方涛动ENSO和或大西洋多年代涛动AMO和或北大西洋涛动NAO和或全球变暖回归期的梯度。外部全球大时间规模驱动因素的影响可以是例如系统通过使用观察到的历史记录来隐含地考虑大气危险时间戳的校准。所述估计的或预定义的分布可以例如通过动态地分配和测量领先风险指标来构造，用于动态适配于发生风险。如上所述，所述分布不需要预先定义或预先给定，而是作为实施例变型，通过系统中的机器学习单元在某种意义上动态生成并实时或准实时地适应。它是对数据集的最佳拟合分布，其中使用相应的所生成的到达间隔时间参数IAT的分布的时间戳的自持结构由机器学习单元提供，并且其中时间戳作为非平稳非线性模式被转移到机器学习单元，使用严重性参数作为不同系列时间戳之间发生事件的影响。机器学习单元可以基于提供时间戳的实时结构的人工神经网络结构或支持向量机结构。传送到机器学习单元的参数可以是例如每次包括与测量的事件发生相比的大时间窗口的完整且自适应的扩展历史参数链。基于自动化的到达间隔时间的系统可以例如独立地应用于个体自然灾害。此外，如果两个危险都受到相关季节性模式的影响，则例如可以通过依赖于季节性的分布结构自动捕获危险之间的时间相关性。本发明致力于提供一种自动的、技术的、实时的操作解决方案，用于捕获和转移复杂的危险驱动方案和自动化的风险，尤其涉及高度复杂的天然CAT发生结构和风险转移方案。除了允许基于机器的交互、测量、评估和预测涉及复杂的自然大规模现象作为CAT事件之外，自动风险转移和风险转移参数生成也是本发明的关键特征之一。因此，本系统的一个优点是设想提供全自动风险转移系统，特别是在与CAT风险相关的连接平台领域。更具体地说，它具有允许提供全自动风险转移系统的技术能力，该系统提供用于实时自动和动态适应性风险转移的技术结构和方案，从而捕获复杂的发生结构、聚类和大时间规模驱动因素。此外，该系统具有以下优点：它允许提供技术和全面的解决方案，其有助于基于物理测量的数据对暴露风险的单元或个人评估和评分。本发明使得可以提供自动风险转移平台其允许几乎完全自动化的风险转移，包括风险转移参数的自动制定和政策发布，其中风险转移在系统、索赔处理、灾害预防和预测等的长期运行中是稳定的。第二风险转移系统的提供者，即再保险人或独立的第三提供者，可以通过适当互连的应用程序，特别是移动智能手机应用程序或风险转移或预测系统的嵌入式设备，充当风险转移保险的分销商。第一和第二风险转移系统能够分别分析来自危险事件集合的测量数据，来自风险暴露单位或个人的个体数据以及分别来自系统和中央核心电路的风险转移参数信号，以便为特定风险暴露单位或第一风险转移系统提供评分。然后，这些数据也可以转移到相关联的第一保险系统，其可以基于风险转移参数信号或所获得的分数给出报价。因此，第二风险转移系统也能够优化其操作风险转移参数。与本发明系统的优点相关，系统的到达间隔时间IAT结构和方法是时段损失集合PLS方法的支柱，已被证明是评估、测量、预测、定价和以其他方式引导自动化系统，特别是自动化风险转移系统的有力工具。从这些要求保护的特征清楚地看出，时段损失集合PLS可以被视为事件损失集合的扩展。在PLS中，每个事件被分配到时间点时间戳而不是与出现频率匹配。因此，时段损失设定只是一时间系列损失。然后将此损失序列应用于风险暴露单位的组装或组合，从而得到年度预期损失。得到的风险转移参数也可以用作连续生成支付转移参数例如，价格、能力、资本成本等的基础。这种概念结构很容易掌握。此外，对于基于PLS的系统，复杂的合同结构的定价对于可能的承销商而言是非常透明的。因此，对于可能的风险转移应用，该系统允许i对投资组合和风险进行透明和一致的定价，ii能力参数生成，iii资本成本计算和监测，iv短缺预测和调查，v复杂的非标准风险转移方案和适当合同SRIS的自动定价。与现有技术系统相比，本发明的技术优点使得本发明在盒中CAT风险转移季节性，聚合限制参数性TC的领域中设定了全新的标准。此外，到达间隔时间结构为PLS提供了支柱，即时间戳的构建。这是通过所描述的技术方法基于连续事件之间的等待时间的分布来完成的。这些时间段称为到达间隔时间IAT。时间戳是以生成的IAT与分布中观察到的IAT相等的方式自动构建的参见图9。本系统的本发明的IAT结构是整个行业中独特的技术框架。它明确地将时间维度引入到NatCat暴露组件或投资组合的暴露评估中。IAT结构建立在风险评估工程、自然科学和数学的坚实科学基础之上。它的设计目的是一方面在技术上覆盖危险的特定时间聚类，并且另一方面包括季节性发生模式。此外，本发明的系统明确地允许结合其他影响因素，例如厄尔尼诺南方涛动ENSO和或大西洋多年代涛动AMO和或北大西洋涛动NAO和或全球变暖返回时段梯度或其他大规模驱动因素。此外，该新系统能够基于具有非常复杂的成分结构的连贯的大规模集体行为的发生测量和时间定量地预测复杂自然系统出现的灾难性事件，这是由于其成分之间的重复非线性相互作用所致。由于只有非常少的测量点，系统能够提供可靠的测量，因为它使用总体贡献信息，特别是到达间隔时间信息，作为其操作的连续基础。最后，该系统还能够测量和预测未来损失，作为提供与空间相关的损坏或损失参数的发生事件的影响的度量，这是现有技术系统所不可能的。作为实施例变型，估计的或预定义的分布可以例如通过广义帕累托分布GPD来构造，GPD分布式IAT拟合测量的或经验的历史危险集合。如果事件是使用伽马Gamma分布随机比例参数λ的泊松分布，则GPD自然地出现。λ在其平均值附近的分布由该比例参数λ的外部引起的波动来设定。比例参数λ的操作设置可以例如至少包括技术边界条件；i比例参数λ位于正值范围内，以及ii比例参数λ取唯一最可能值，其中，通过条件i和ii，所述估计或预定分布被设置为单峰分布，其具有对随机比例参数λ的非负支持。对于时间戳的设置，用于估计的或预定义的分布的物理相关参数空间作为广义帕累托分布可以例如包括技术边界条件：i到达间隔时间的非负下阈值μ，ii正比例参数a，iii存在平均到达间隔时间，其中形状参数满足00的伽马分布。如果假设基本过程是泊松更新过程，其比例参数是随机的并且是根据伽马分布而分布的，则到达间隔时间IATτ根据广义帕累托分布GPD10111分布。如果τ～Expλ|λ～Γα，β，则τ～GPDξ，σ，μ形状参数ξ＝1α，比例参数σ＝βα；位置参数为零，μ＝0。换句话说，GPD10111作为指数和伽马分布的混合而出现。由于在消失ξ的极限中，GPD10111成为指数分布，因此GPD更新过程推广了泊松过程。在用于概率暴露建模的时间戳331,…,333的设置中，用于广义帕累托分布10111的物理相关参数空间由以下条件控制：出于显而易见的原因，到达间隔时间1012的下阈值为零，因此μ≥0。此外，伽马函数的条件是需要具有唯一的最可能值。这意味着函数的模式必须存在，即α≥1的情况。此外，如果需要存在平均到达间隔时间1012，则形状参数必须满足0≤ξ0，ii形状：0≤ξμ。得到的截断的广义帕累托分布GPDTξ，σ，μ，T是用于在PLS33中构造的时间戳331,…,333的那个。为了说明截断的广义帕累托分布的参数化，有意地将参数化限制在物理相关的参数空间中，其中参数是：位置μ∈O，∞；比例σ∈O，∞；形状ξ∈O，1；截断点T∈μ；∞；支持度为μ≤x≤T；概率密度函数PDF是连续随机变量的密度，并给出该随机变量采用给定值的相对可能性，在这里可以为在x处给出的实值随机变量X的累积分布函数CDF是X将取小于或等于x的值，并给出该随机变量取得给定值的相对可能性，在这里可以为并且均值可以为其中因此，可以得出结论其中并且C＝σ+ξ1-μ≥σ，Cμ＝σ-ξμ+μ，CT＝σ-ξμ+1＞Cμ。截断函数tr.，T严格增加且凹陷，而对于T→∞。如上所述，得到的截断的广义帕累托分布GPDTξ，σ，μ，T是用于在PLS33中构造的时间戳331,…,333的那个。这包括截断下的平均到达间隔时间1012，即由于以下，截断减少了平均到达间隔时间其中tr.，T＜1描述截断IAT-分布的分布1011的影响。在时间和或空间域中聚类clustering似乎是自然界中普遍存在的现象。聚类的物理原因很多。有些追溯到大规模复杂系统中的复杂依赖关系。历史数据显示存在各种危险的时间聚类。因此，为了准确捕获这些自然灾害的时间维度，必须建立一个能够适应时间聚类的结构框架。关于可比较的自动化现有技术系统，重要的是要注意泊松过程中没有聚类。在泊松过程中，每个时间单位的频率偶然增加所谓的泊松聚集或泊松突发自然发生，这仅仅是由于到达间隔时间1012的统计波动。实际上，正是这些团块解释了泊松分布的尾部的特征形状。因此，在任何有限时间间隔内找到超过n个事件的“聚类”存在非消失概率。作为示例，可以计算概率以在时间间隔中找到至少n个事件，其等于泊松过程的平均到达。即，平均而言，在该间隔中仅存在一个事件。图3示出了示意性地示出的框图：A左：典型的泊松到达模式。选择参数，因此，平均而言，一年内有1.2个事件；B右：事件数nx轴与概率，其中事件总数n的出现次数为1。请注意，在一年内发现至少3个事件的概率约为2％。如果估计的或预定义的IAT分布1011是GPD10111，则可具有用于聚类的简单度量，其是控制GPD10111的衰减的形状参数ξ。这里和下面，假设0≤ξ0，分布是重尾的，而在极限ξ→0时，GPD变为指数分布。因此，ξ是聚类程度的度量：如果ξ＝0，即在指数情况下，聚类程度为零。在GPD10111结构中，聚类程度与比例参数λ的不确定性直接相关。对于本发明的系统1，尾部参数ξ与伽马分布的方差有关，如这种关系可以改述为：泊松比例参数的不确定性越大，聚类越强。如果伽马分布的不确定性消失，则参数ξ仅消失，对于固定的X，如果β→∞则是这种情况。因此，泊松过程出现在关于比例参数λ的完全知晓的限度内。换句话说：使用泊松过程构造事件的数量隐含地假定用户具有完全知晓关于泊松参数。图4示出了示意性地示出用于具有广义帕累托分布GPD10111的更新过程的事件311,…,313的时间戳331,…,333的框图：左ξ＝0泊松过程，右ξ＝13。在这两种情况下，每年的平均事件数量均为1.2。已经将ξ定义为聚类程度，为了理解本发明的系统1，重要的是询问相关的记忆。在诸如泊松过程的现有技术系统所使用的无记忆过程中，直到下一事件的时间与自上一事件以来的时间无关。对于GPD分布1011的更一般情况，如在本发明系统1中所使用的，考虑到自上次事件以来已经过去一些时间，询问预期事件发生的时间。对于本发明的GPD10111到达间隔时间1012，该预期值为：其中设置μ＝0以简化。对于ξ＝0，预期的到达间隔时间参数1012与自上次事件以来经过的时间无关，这反映了泊松过程无记忆的事实。然而，对于ξ0，观察到直到下一个事件的预期IAT1012在两个参数自上一个事件的经过时间和聚类程度ξ中都增加。这尤其意味着，对于ξ0，直到下一个事件的平均时间增加，过去的最后一个事件发生的时间越晚。由广义帕累托IAT分布控制的更新过程的记忆与聚类程度有关。如果表示IAT的分布并且t表示自上次事件以来经过的时间，则发生该事件的概率，即IAT大于t的概率，可由下式给出：这种情况在技术上可用于生成和选择即，到达间隔时间分布的分布函数条件是以自上次事件所经过的时间t为使用条件的到达间隔时间分布系统能够产生到达间隔时间的预期值，因为t是自上次事件以来经过的时间对于本系统，可以设置为μ＝0，为简单起见，因此因此，通过本系统结构，到下一个事件的平均时间确实取决于形状参数当且仅当ξ→0，即在泊松极限内时，如所预期的那样消失。以下陈述显示了到达间隔时间1012的任何重尾分布，特别是对于选择的具有ξ0的GPD10111：平均来说，自上次事件以来已经越长，直到下一次事件到达间隔时间越长。这个陈述反映了聚类：短的IAT1012更可能跟随短聚类，而长的IAT更可能跟随长聚类。许多自然灾害在一年期间表现出特征性的发生模式。也就是说，事件的发生在某个位置可能被绑定到一年中的某些时间段，例如，出于物理原因。该发生模式被称为季节性模式1032。季节性模式1032报告事件到达的概率在一年内不是均匀分布的，但是可以示出事件到达更可能、更不可能或甚至被抑制的时间段。WSEU和TCNA是明显的季节性模式1032的示例。图5a-c示意性地示出了热带气旋北美TCNA图5a，冬季风暴欧洲WSEU图5b和洪水美国图5c的季节性模式1032的框图。TCNA和WSEU具有明显的季节性模式1032，而对于美国洪水而言则不那么重要。在对到达间隔时间1012感兴趣的同时，问题出现在季节性模式1032是否出现在IAT的分布中。答案是肯定的。如图5所示，经验性IAT蓝点的分布显示出与基础GDP1011红色曲线的“膝盖状”偏差。季节性模式1032越明显，“膝盖”越明显。因此，构建和建模IAT1012需要考虑危险6的季节性模式1032。对于季节性1032的技术结构，季节性模式1032通过应用变换S-1被记入产生IAT1012的随机过程中，详细信息参见图4。这种局部缩放以这样的方式完成，即一个月中没有事件到达的权重为零。类似地，月份的权重越高，事件可能在该月份到达的可能性越高。局部缩放变换的动作是在一年内分配事件时间331,…,333，以便通过构造再现季节性模式1032。该变换的动作显示在图8中，示出了示意性地示出示例的框图：A左：“时间”轴黑点被映射在季节性1032调整的时间轴上。由于图5，从4-9个月的范围被映射到一个小间隔；相应事件的发生概率很小；B右：TCNA和WSEU的关联映射S。例如，可以为热带气旋北美TCNA和冬季风暴欧洲WSEU提供服务。5月至8月，冬季暴风雪或暴风雪的频率为零；因此，这些月份的权重为0。对于TCNA，1月至4月的时间段的权重为零。对于所应用的局部时间变换，在此表示为S，重要的是要注意，本发明的系统基于测量的并因此基于观察到的事件，其到达间隔时间是物理实体，即年、月。另一方面，系统1在抽象参数空间中生成并模拟到达间隔时间。因此，系统的结构必须构建物理时间和抽象时间之间的关系。两者之间的形式差异在于物理时间具有诸如月或小时的维度，而抽象时间中的实例是无量纲的；实际上他们是真实的数字。因此，技术上有两个层次，必须清楚地区分。在系统中，变换S将物理时间单位年映射到模拟中的无量纲单位间隔。这如下完成：{πk}表示从某种分布中抽取的IAT序列。然后是第n个事件的事件“时间”。使用年份标识tn的整数部分，其余部分代表年内位置。相应的单位间隔0,1被划分为N个相等的区间m，例如，如果N＝12，则m＝1,…,12个月。其他单位是可能的，如小时。箱体的选择取决于所需的时间分辨率。为了直觉，我们在下面将这些箱体称为“月”。fm表示第m个月的到达次数。则在箱体m中到达的经验频率是显然{fm}是单位间隔的分区，并且近似于该月中到达的概率。对于本系统，定义本地时间变换S为这种变换结构为模拟域中的每个物理“月”提供了一个长度，该长度等于该月的经验到达频率。观察到许多事件的月份，获得模拟单元的相对较大部分。通过这种技术结构，模拟事件时间的频率分布与观察到的模式相同参见图8。逆变换S-1允许在系统的事件生成中描述经验季节性模式，其根据季节性模式在本地缩放“时间”轴。例如，考虑WSEU。WSEU的映射S由图8中的一系列红点在右侧表示。这些应与图5a中的季节性模式进行比较。风暴在5到8个月内具有零频率；第5个月到第8个月有宽度为0的箱。显然，如果季节性模式几乎是均匀的，即所有月份的频率都相同，那么所有箱都有几乎相同的尺寸，反映整个月都有几乎相同概率的事实。这意味着S是接近线性映射。重要的是要注意，映射S由观察到的数据唯一确定。无需进一步建模或技术校准。系统1现在准备自动捕获和建模时间戳331,…,333。目的是概率地构建单一风险6的时间维度，例如飓风、洪水和地震。因此，目的是构建一系列事件时间时间戳331,…,333，其与概率分布意义上的历史事件时间相同。每个事件时间可以被视为特定事件311,…,313的时间戳331,…,333，然后将被映射到时间戳。建模结构可以示意性地概括为：1给出历史事件311,…,313的时间序列观察，通过计算有多少事件311,…,313落入哪个月来建立季节性模式1032。虽然一些危险6在一年中几乎均匀分布，但其他事件，如WSEU、洪水或TCNA显示出不同的发生模式1031,…,1034。这至少是由于他们的季节性1032。系统1“清理”这个季节性1032的经验物理数据；2从清理的抽象数据中，获得经调整的历史数据的IAT1012。该集合自动匹配GPD10111。如果拟合得相当好，则生成并估计参数；3给定这些参数，从GPD10111生成大的IAT1012样本，并且从该样本导出抽象时间戳331,…,333的有序集合；以及4最后，必须重新建立季节性模式1032。这导致结构化物理时间戳331,…,333。图6示出了示意性地示出时间戳331,…,333的这种示例性生成的框图。图7a和7b示出了两种危险的模拟IAT分布1011、TCNA7a和WSEU7b。请注意，两者都受到强烈的季节性模式1032的影响，两者都被位移了大约四个月。模拟事件时间1011绿点的分布显示出与经验IAT1012的良好一致。如上所述，红色曲线显示由于步骤2而校准的GPD10111。对于图7a和7b以及热带气旋北大西洋7a和欧洲风暴7b的经验和模拟IAT分布1011，模拟中的样本大小在两个例子中为2mio。红色曲线显示GDP10111，校准到经验性IAT1012。自动化的基于到达间隔时间的系统1可以例如包括一个或多个第一风险转移系统11，以基于从至少一些风险暴露单位41,…,45和或个人到第一风险转移系统11之一的所述第一生成风险转移参数501,…,505提供第一风险转移。第一风险转移系统11可以例如包括多个支付转移模块113，其被配置为接收和存储112与所述风险暴露单位41,…,45的风险转移风险转移相关联的第一支付参数1121,…,1125，用于汇集风险51,…,55。基于第一风险转移参数501,…,505和相关的第一次支付转移参数1121,…,1125，第一风险转移系统11自动覆盖风险暴露单位41,…,45的发生和触发的损失。基于到达间隔时间的自动化系统1还可以例如包括第二风险转移系统12，用于基于所生成的第二风险转移参数511,…,515来提供从第一风险转移系统11中的一个或多个到第二风险转移系统12的第二风险转移。第二风险转移系统12可以例如包括第二支付转移模块123，其被配置为接收和存储122第二支付参数1221,…,1225，用于汇集与转移到第一风险转移系统11的风险暴露相关联的第一风险转移系统11的风险。基于第二风险转移参数511,…,515和相关的第二支付转移参数1221,…,1225，由第二风险转移系统12至少部分地自动覆盖发生和触发的损失。附图标记列表1自动化基于到达间隔时间的系统10中央核心电路100风险事件驱动的核心聚合器1001测量数据驱动的触发器101IAT发生器1011估计或预定义的分布10111广义帕累托分布GPD10112伽马函数1012到达间隔时间参数IAT102信号模块103聚类模块1031危险特定时间聚类1032季节性发生模式1033时间比例因子1034外部全球大时间规模驱动因素104触发驱动评分模块11第一风险转移系统111自动资源池系统112第一数据存储1121,…,1125第一支付参数113第一支付转移模块114生成的风险转移简档12第二风险转移系统121自动资源池系统122第二数据存储1221,…,1225第二支付参数123第二支付转移模块1231控制设备1232激活控制参数124激活阈值参数125预定损失覆盖部分2数据传输网络20蜂窝网络网格21单向或双向数据链路3事件数据存储31测量的危险设定311,…,313具有测量参数的发生风险事件32事件损失集合ELS321,…,323测量的频率参数及相关联的损失33时段损失集合PLS331,…,333生成的时间戳34事件严重性集合ESS341,…,343具有相关联的测量严重性参数的测量的频率参数35时段严重性集合PSS351,…,353生成的时间戳41,…,45风险暴露的单位或个人401,402,…,411,412,…传感器和测量设备4011,…,4012,…测量设备的传感数据421,…,425传感器和测量设备的数据流路径5聚合的风险暴露51,…,55风险暴露单位的转移风险暴露501,…,505第一风险转移参数511,…,515第二风险转移参数6预定义的风险事件61与损害赔偿责任范围相关的预定义风险事件611,…,613测量事件61发生的参数62与损失责任范围相关的预定义风险事件621,…,623测量事件62发生的参数63与延迟交付责任范围有关的预定义风险事件631,…,633测量事件63发生的参数7基于到达间隔时间的测量和预测71灾难性事件的早期识别711,…,715新出现的危险的早期识别参数72时间间隔测量和灾难性事件的预测721,…,725新出现的危险的时间间隔参数80聚合的损失参数81聚合的支付参数82可变损失率参数821损失率阈值90,91,92,…测量站和传感器911,912,913,…按时间顺序测量发生的风险事件921,922,923,…传感器和测量设备的数据流路径

权利要求：1.一种测量和预测系统，提供具有复杂聚类结构的发生率的新出现危险的早期到达间隔时间识别和时间间隔测量，其中所述系统1包括测量站或传感器90,91,92,…401,402,…,411,412用于通过测量的传感数据4011,4012,…测量将发生的风险事件311,…,313，其中所述系统1包括用于将测量设备90,91,92,…401,402,…,411,412的测量的传感数据911,912,913,…4011,4012,…传输到中央核心电路10的数据传输网络2，所述测量的传感数据911,912,913,…4011,4012,…被分配给历史危险集合31，其包括每个分配的风险事件的事件参数，其中为了捕获和测量适当的测量的传感数据911,912,913,…4011,4012,…，所述中央核心电路10包括风险事件驱动的核心聚合器100，其具有测量数据驱动的触发器1001，用于在所述传感器90,91,92,…401,…,405和或测量设备411,…,415的数据流路径921,922,923,…421,…,425中触发、捕获和监测，所述测量和预测系统通过所述中央核心电路10的信号传送向相关联的自动设备提供风险暴露和或发生预测参数，并且其中借助于所述系统1，基于所测量的频率以及所述危险集合31的所述风险事件311,…,313的相关联严重性341,…,343生成事件严重性集合34，每个所述风险事件311,…,313产生设定的特定严重性341,…,343，其特征在于，组合了时段严重性集合35来记录分配给生成的时间戳351,…,353的事件严重性集合34的事件严重性341,…,343，其中所述时段损失集合35提供事件严重性集合34的测量事件的基于相应时间的日志记录，其中生成包括编码时间数据序列的时间戳351,…,353并将其分配给事件严重性集合34的每个事件341,…,343，并且其中特定时间戳351,…,353标识作为测量特定事件的时间点的出现，时间戳351,…,353是使用相应生成的到达间隔时间参数1012IAT的估计或预定义的分布10111而自我维持的构造，其中到达间隔时间参数1012捕获时段严重性集合35的连续事件311,…,313之间的等待时间，并且其中等待时间测量风险事件311,…,313的两次连续测量的发生之间的时间间隔，能够通过所述时间间隔随时间跟踪风险事件311,…,313的发生，并且基于包括时间戳参数351,…,353和特定时间范围的严重性341,…,343的所述时段严重性集合35，由所述中央核心电路10评估和生成相应的早期识别参数或预测时间间隔参数711,…,715721,…,725。2.根据权利要求1所述的基于到达间隔时间的自动系统1，其特征在于，所述估计或预定义的分布1011至少包括危险特定时间聚类1031和或季节性发生模式1032。3.根据权利要求1或2之一的基于到达间隔时间的自动系统1，其特征在于，所述估计或预定义的分布1011还基于相关的时间比例因子1033构造，至少包括厄尔尼诺南方涛动ENSO和或大西洋多年代际涛动AMO和或北大西洋涛动NAO和或全球变暖回归期梯度。4.根据权利要求1至3中任一项所述的基于到达间隔时间的自动系统1，其特征在于，通过使用观察到的历史来校准大气危险的时间戳331,…,333，所述系统1隐含地考虑外部全球大时间规模驱动因素1034的影响。5.根据权利要求1至4中任一项所述的基于到达间隔时间的自动系统1，其特征在于，所述估计或预定义的分布1011还通过动态分配和测量领先风险指标来构造，以动态适配于发生风险。6.根据权利要求1至5中任一项所述的基于到达间隔时间的自动系统1，其特征在于，所述基于到达间隔时间的自动系统1独立地应用于个体自然灾害。7.根据权利要求1至6中任一项所述的基于到达间隔时间的自动系统1，其特征在于，如果两个危险都受到相关季节性模式1032的影响，则通过依赖于季节性的分布结构自动捕获危险之间的时间相关性。8.根据权利要求1至7中任一项所述的基于到达间隔时间的自动系统1，其特征在于，所述估计或预定义的分布1011通过广义的帕累托分布10111GPD构造，GPD10111分布式IAT1012拟合测量或经验历史危险集合31。9.根据权利要求8所述的基于到达间隔时间的自动系统1，其特征在于，GPD10111由随机比例参数λ缩放，其中λ围绕其平均值的分布1011由该比例参数λ的外部引起的波动设定。10.根据权利要求9所述的基于到达间隔时间的自动系统1，其特征在于，所述比例参数λ的操作设置至少包括技术边界条件i所述比例参数λ确实在正值范围内，以及ii比例参数λ采用唯一的最可能值，其中借助于条件i和ii将所述估计或预定义的分布设定为具有对于随机比例参数λ的非负支持的单峰分布。11.根据权利要求8至10中任一项所述的基于到达间隔时间的自动系统，其特征在于，对于时间戳331,…,333的设置，作为广义帕累托分布10111的估计或预定义的分布的物理相关参数空间包括技术边界条件：i到达间隔时间的下阈值为零，ii估计或预定义分布1011的伽马函数10112采用唯一的最可能值，以及iii平均到达间隔时间1012存在，其形状参数满足0ξ1。12.根据权利要求1至11中任一项所述的基于到达间隔时间的自动系统，其特征在于，所述时间戳351,…,353的自我维持的结构使用相应生成的到达间隔时间参数1012IAT的分布10111，该自我维持的结构由机器学习单元提供，其中时间戳351,…,353被转移到机器学习单元，作为与使用严重性参数341,…,343关联的非平稳非线性模式，作为不同系列时间戳351,…,353中发生事件311,…,313的影响。13.根据权利要求12所述的基于到达间隔时间的自动系统，其特征在于，所述机器学习单元基于提供所述时间戳351,…,353的实时结构的人工神经网络结构或支持向量机结构。14.根据权利要求12所述的基于到达间隔时间的自动系统，其特征在于，每次传送到机器学习单元的参数包括与测量的事件发生311,…,313相比大时间窗口的完整且自适应的扩展历史参数351,…,353链。15.根据权利要求1至14中任一项所述的基于到达间隔时间的自动系统1，其自动预测、暴露信令、引导和操作灾难性风险事件驱动或触发系统，所述灾难性风险事件驱动或触发系统由具有复杂聚类结构的发生率的灾难性或操作风险事件311,…,313的测量的发生所触发，其中所述系统1包括测量站或传感器90,91,92,…和或机车中的测量站或传感器401,402,…,411,412，用于通过测量的传感数据4011,4012,…测量将发生的风险事件311,…,313，其中所述系统1包括用于将测量设备90,91,92,…401,402,…,411,412的测量的传感数据911,912,913,…4011,4012,…传输到中央核心电路10的数据传输网络2，所述测量的传感数据911,912,913,…4011,4012,…被分配给历史危险集合31，其包括每个分配的风险事件的事件参数，其中为了捕获和测量适当的测量的传感数据911,912,913,…4011,4012,…，所述中央核心电路10包括风险事件驱动的核心聚合器100，其具有测量数据驱动的触发器1001，用于在所述传感器90,91,92,…401,…,405和或测量设备411,…,415的数据流路径921,922,923,…421,…,425中触发、捕获和监测，通过所述中央核心电路10的信号传送，所述风险事件驱动或触发系统具有风险暴露单位41,…,45的相应风险转移参数501,…,505511,…,515或风险暴露单位41,…,45的风险暴露参数和或发生预测参数，并且其中借助于所述系统1基于测量的频率以及危险集合31的所述风险事件311,…,313的相关联损失321,…,323生成作为事件影响的度量的事件损失集合32，每个所述风险事件311,…,313产生设定的特定损失321,…,323，其特征在于，组合了时段损失集合33来记录分配给生成的时间戳331,…,333的事件损失集合32的事件损失321,…,323，其中所述时段损失集合33提供事件损失集合32的测量事件的基于相应时间的日志记录，其中生成包括编码时间数据序列的时间戳331,…,333并将其分配给事件损失集合32的每个事件321,…,323，并且其中特定时间戳331,…,333标识作为测量特定事件的时间点的出现，时间戳331,…,333是使用相应生成的到达间隔时间参数1012IAT的估计或预定义的分布10111而构造的，其中到达间隔时间参数1012捕获时段损失集合33的连续事件311,…,313之间的等待时间，并且其中等待时间测量风险事件311,…,313的两次连续测量的发生之间的时间间隔，能够通过所述时间间隔随时间跟踪风险事件311,…,313的发生，并且基于包括时间戳参数331,…,333和特定时间范围内的损失321,…,323的所述时段损失集合33，由所述中央核心电路10评估和生成用于信号传送的相应风险转移参数501,…,505511,…,515。16.根据权利要求15所述的基于到达间隔时间的自动系统1，其特征在于，所述灾难性风险事件驱动或触发系统是自动灾难性风险事件驱动或触发的风险转移系统，其中所述自动的风险转移系统1112提供有相应的风险转移参数501,…,505511,…,515，用于通过所述中央核心电路10的信号传送实现自动风险转移和或自动风险事件覆盖。17.根据权利要求15或16之一所述的基于到达间隔时间的自动系统1，其特征在于，所述估计或预定义的分布1011至少包括危险特定时间聚类1031和或季节性发生模式1032。18.根据权利要求15至17中任一项所述的基于到达间隔时间的自动系统1，其特征在于，所述估计或预定义的分布1011还基于相关的时间比例因子1033构造，至少包括厄尔尼诺南方涛动ENSO和或大西洋多年代际涛动AMO和或北大西洋涛动NAO和或全球变暖回归期梯度。19.根据权利要求15至18中任一项所述的基于到达间隔时间的自动系统1，其特征在于，通过使用观察到的历史来校准大气危险的时间戳331,…,333，系统1隐含地考虑外部全球大时间规模驱动因素1034的影响。20.根据权利要求15至19中任一项所述的基于到达间隔时间的自动系统1，其特征在于，所述估计或预定义的分布1011还通过动态地分配和测量领先风险指标来构造，以动态适配于发生风险。21.根据权利要求15至20中任一项所述的基于到达间隔时间的自动系统1，其特征在于，所述基于到达间隔时间的自动系统1独立地应用于个体自然灾害。22.根据权利要求15至21中任一项所述的基于到达间隔时间的自动系统1，其特征在于，如果两个危险都受到相关季节性模式1032的影响，则通过依赖于季节性的分布结构自动捕获危险之间的时间相关性。23.根据权利要求15至22中任一项所述的基于到达间隔时间的自动系统1，其特征在于，所述估计或预定义的分布1011通过广义的帕累托分布10111GPD构造，GPD10111分布式IAT1012拟合测量或经验历史危险集合31。24.根据权利要求23所述的基于到达间隔时间的自动系统1，其特征在于，GPD10111由随机比例参数λ缩放，其中λ围绕其平均值的分布1011由该比例参数λ的外部引起的波动设定。25.根据权利要求24所述的基于到达间隔时间的自动系统1，其特征在于，所述比例参数λ的操作设置至少包括技术边界条件i所述比例参数λ确实在正值范围内，以及ii比例参数λ采用唯一的最可能值，其中借助于条件i和ii将所述估计或预定义的分布设定为具有对于随机比例参数λ的非负支持的单峰分布。26.根据权利要求23至25中任一项所述的基于到达间隔时间的自动系统，其特征在于，对于时间戳331,…,333的设置，作为广义帕累托分布10111的估计或预定义的分布的物理相关参数空间包括技术边界条件：i到达间隔时间的下阈值为零，ii估计或预定义分布1011的伽马函数10112采用唯一的最可能值，以及iii平均到达间隔时间1012存在，其形状参数满足0ξ1。27.根据权利要求15至26中任一项所述的基于到达间隔时间的自动系统1，其特征在于，所述基于到达间隔时间的自动系统1包括一个或多个第一风险转移系统11，其基于生成的所述第一风险转移参数501,…,505从至少一些风险暴露单位41,…,45到第一风险转移系统11之一提供第一风险转移，其中所述第一风险转移系统11包括多个支付转移模块113，其被配置为接收和存储112与所述风险暴露单位41,…,45的风险暴露5的风险转移相关联的第一支付参数1121,…,1125，用于汇集其风险51,…,55，并且其中基于第一风险转移参数和相关的第一支付转移参数，第一风险转移系统自动覆盖风险暴露单位41,…,45的发生和触发的损失。28.根据权利要求1至27中任一项所述的基于到达间隔时间的自动系统，其特征在于，所述基于到达间隔时间的自动系统1包括第二风险转移系统12，其基于生成的第二风险转移参数511,…,515从第一风险转移系统11中的一个或多个到第二风险转移系统12提供第二风险转移，其中第二风险转移系统12包括第二支付转移模块123，其被配置为接收和存储122第二支付参数1221,…,1225，用于汇集与转移到第一风险转移系统11的风险暴露相关联的第一风险转移系统11的风险，并且其中基于第二风险转移参数501,…,505和相关的第二支付转移参数1121,…,1125，至少部分地由第二风险转移系统12自动覆盖发生和触发的损失。29.一种用于基于到达间隔时间的自动系统的方法1，用于自动预测和暴露信令、引导和或操作灾难性风险事件驱动或触发的自动系统，所述灾难性风险事件驱动或触发的自动系统由具有复杂聚类结构的发生率的灾难性或操作风险事件311,…,313的测量的发生所触发，其中通过测量站或传感器90,91,92,…和或机车中的测量站或传感器401,402,…,411,412，借助于测量的传感数据4011,4012,…测量将发生的风险事件311,…,313，其中通过数据传输网络2将测量设备90,91,92,…401,402,…,411,412的测量的传感数据911,912,913,…4011,4012,…传输到中央核心电路10，所述测量的传感数据911,912,913,…4011,4012,…被分配给历史危险集合31，其包括每个分配的风险事件的事件参数，其中所述中央核心电路10的具有测量数据驱动的触发器1001的风险事件驱动的核心聚合器100，在风险暴露单位或个人41,…,45的所述传感器90,91,92,…401,…,405和或测量设备411,…,415的数据流路径921,922,923,…421,…,425中触发、捕获和监测，并且其中通过中央核心电路10的信号传送，所述风险事件驱动或触发系统具有相应风险转移参数501,…,505511,…,515，并且其中借助于所述系统1，基于测量的频率以及危险集合31的所述风险事件311,…,313的相关联损失321,…,323生成事件损失集合32，每个所述风险事件311,…,313产生设定的特定损失321,…,323，其特征在于，组合了时段损失集合33来记录分配给生成的时间戳331,…,333的事件损失集合32的事件损失321,…,323，其中所述时段损失集合33提供事件损失集合32的测量事件的基于相应时间的日志记录，其中生成包括编码时间数据序列的时间戳331,…,333并将其分配给事件损失集合32的每个事件321,…,323，并且其中特定时间戳331,…,333标识作为测量特定事件的时间点的出现，时间戳331,…,333是使用相应生成的到达间隔时间参数1012IAT的估计或预定义的分布10111而构造的，其中到达间隔时间参数1012捕获时段损失集合33的连续事件311,…,313之间的等待时间，并且其中等待时间测量风险事件311,…,313的两次连续测量的发生之间的时间间隔，能够通过所述时间间隔随时间跟踪风险事件311,…,313的发生，并且基于包括时间戳参数331,…,333和特定时间范围内的损失321,…,323的所述时段损失集合33，由所述中央核心电路10评估和生成用于信号传送的相应风险转移参数501,…,505511,…,515。

百度查询： 瑞士再保险有限公司 提供基于到达间隔时间的测量和预测即将发生的自然灾难性事件的测量系统及其方法