未决赔款准备金预测方法、装置、计算机设备及存储介质与流程

本发明涉及人工智能技术领域，尤其涉及一种未决赔款准备金预测方法、装置、计算机设备及存储介质。

背景技术：

随着科技与经济的发展，保险行业的规模已非常宏大，各式各样的保险广泛地出现在人们的生活当中。目前，用户发生保险事故向保险公司请求保险金需要经过一系列的核赔过程，在核赔过程中保险公司需要对应付未付的保险金提存准备金。现有的保险金提存，通常是跟随理赔案件的处理进度而调整，过度依赖于理赔案件的处理进度，从而导致保险公司不能合理的安排资金进行提存，降低了资金使用效率。

技术实现要素：

本发明实施例提供了一种未决赔款准备金预测方法、装置、计算机设备及存储介质，旨在解决未决赔款准备金不能合理提存，资金使用效率低的问题。

第一方面，本发明实施例提供了一种未决赔款准备金预测方法，其包括：采用预设方式收集训练数据；将所述训练数据进行预处理得到多维度向量；构建未决赔款准备金预测模型，将所述多维度向量作为所述未决赔款准备金预测模型的输入进行训练输出未决赔款准备金预测值；根据训练后的未决赔款准备金预测模型对当前未决赔款准备金进行预测得到当前的未决赔款准备金预测值。

第二方面，本发明实施例还提供了一种未决赔款准备金预测装置，其包括：收集单元，用于采用预设方式收集训练数据；预处理单元，用于将所述训练数据进行预处理得到多维度向量；构建单元，用于构建未决赔款准备金预测模型，将所述多维度向量作为所述未决赔款准备金预测模型的输入进行训练输出未决赔款准备金预测值；预测单元，用于根据训练后的未决赔款准备金预测模型对当前未决赔款准备金进行预测得到当前的未决赔款准备金预测值。

第三方面，本发明实施例还提供了一种计算机设备，其包括存储器及处理器，所述存储器上存储有计算机程序，所述处理器执行所述计算机程序时实现上述方法。

第四方面，本发明实施例还提供了一种计算机可读存储介质，所述存储介质存储有计算机程序，所述计算机程序当被处理器执行时可实现上述方法。

本发明实施例提供了一种未决赔款准备金预测方法、装置、计算机设备及存储介质。其中，所述方法包括：采用预设方式收集训练数据；将所述训练数据进行预处理得到多维度向量；构建未决赔款准备金预测模型，将所述多维度向量作为所述未决赔款准备金预测模型的输入进行训练输出未决赔款准备金预测值；根据训练后的未决赔款准备金预测模型对当前未决赔款准备金进行预测得到当前的未决赔款准备金预测值。本发明实施例通过构建未决赔款准备金预测模型对当前未决赔款准备金进行预测得到未决赔款准备金预测值，可以实现预测未决赔款准备金，合理提存未决赔款准备金，提高资金使用效率。

附图说明

为了更清楚地说明本发明实施例技术方案，下面将对实施例描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。

图1为本发明实施例提供的未决赔款准备金预测方法的应用场景示意图；

图2为本发明实施例提供的未决赔款准备金预测方法的流程示意图；

图3为本发明实施例提供的未决赔款准备金预测方法的子流程示意图；

图4为本发明另一实施例提供的未决赔款准备金预测方法的流程示意图；

图5为本发明实施例提供的未决赔款准备金预测方法的子流程示意图；

图6为本发明实施例提供的未决赔款准备金预测方法的子流程示意图；

图7为本发明实施例提供的未决赔款准备金预测装置的具体单元的示意性框图；

图8为本发明另一实施例提供的未决赔款准备金预测装置的示意性框图；以及

图9为本发明实施例提供的计算机设备的示意性框图。

具体实施方式

下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。

应当理解，当在本说明书和所附权利要求书中使用时，术语“包括”和“包含”指示所描述特征、整体、步骤、操作、元素和/或组件的存在，但并不排除一个或多个其它特征、整体、步骤、操作、元素、组件和/或其集合的存在或添加。

还应当理解，在此本发明说明书中所使用的术语仅仅是出于描述特定实施例的目的而并不意在限制本发明。如在本发明说明书和所附权利要求书中所使用的那样，除非上下文清楚地指明其它情况，否则单数形式的“一”、“一个”及“该”意在包括复数形式。

还应当进一步理解，在本发明说明书和所附权利要求书中使用的术语“和/或”是指相关联列出的项中的一个或多个的任何组合以及所有可能组合，并且包括这些组合。

请参阅图1和图2，图1为本发明实施例提供的未决赔款准备金预测方法的应用场景示意图。图2为本发明实施例提供的未决赔款准备金预测方法的示意性流程图。该未决赔款准备金预测方法应用在终端10中，通过终端10与服务器20交互实现。本发明提出的一种未决赔款准备金预测方法，实际具体应用在车险理赔中，未决赔款准备金指的是在会计年度决算以前发生保险事故但尚未决定赔付或应付而未付赔款，而从当年的保险费收入中提存的准备金。之所以提存未决赔款准备金，是因为赔案的发生、报案、结案之间存在着时间延迟，有时该延迟会长达几年，按照规定保险公司必须预先估计各会计期间已发生赔案的情况，并提存未决赔款准备金。因此，通过本发明所提出的一种未决赔款准备金预测方法能够准确预测出未决赔款准备金，使得保险公司能够合理的提存未决赔款准备金，提高资金效率。具体的实现步骤如下：

图2是本发明实施例提供的未决赔款准备金预测方法的流程示意图。如图所示，该方法包括以下步骤s110-s140。

s110、采用预设方式收集训练数据。

在一实施例中，预设方式包括两种，一种是从预设数据库中收集训练数据；另一种是从网络服务器中收集训练数据。本实施例采用两种方式相结合收集丰富的训练数据以达到更精准的预测效果。

在一实施例中，如图3所示，所述步骤s110可包括步骤s111-s112。

s111、根据案件编号从预设数据库中获取保单信息。

在一实施例中，为了建立预测模型首先需要收集大量的训练数据，用户在成功投保后，保险公司会将所有的保单信息上传存储在预设数据库中，其中，每份保险均设有一个案件编号，该案件编号是对应该份保险的唯一标识，根据案件编号即可从预设数据库中获取到该份保险的所有保单信息。

s112、根据预设提取规则从所述保单信息中提取特征数据作为训练数据。

在一实施例中，保单信息中包含各种各样的数据，其中包括特征数据以及其他无用数据，特征数据指的是与预测未决赔款准备金相关的数据。例如，案件时间点、案件地点、查勘数据、定损数据、未决赔款准备金以及实际赔款金等为特征数据，投保人姓名、投保人地址以及投保人职业等为其他无用数据。其中，预设提取规则指的是预先设定好提取所需要数据的规则，在本方案中，所需要提取的数据是特征数据，因此，根据预设提取规则从保单信息中提取特征数据作为训练数据。

在一实施例中，如图4所示，所述步骤s110还包括步骤s113。

s113、通过网络爬虫的方式收集不同于所述保单信息维度的数据作为训练数据。

在一实施例中，网络爬虫指的是一种按照预定的规则爬取网页内容的程序，本预设方式收集的训练数据主要是与预测未决赔款准备金相关的存在于预设数据库之外的数据，例如，气象、地域以及经济等数据。因为每个地域的保险制度不同、经济水平不同以及案件时间点的气象不同，种种因素均会对未决赔款准备金造成较大的影响，因此需要收集该类数据进行训练。具体地，首先选取特定的网页作为初始页，例如，天气预报网站、经济指数网站，从初始页开始爬取，在初始页中找到其他链接地址，然后再通过这些链接地址寻找下一个网站，一直循环直到所有网站的内容爬取完毕从而获取到所爬取的网页内容，获取到网页内容后再经过数据清洗将网页中的链接、图片等无关数据过滤最终得到训练数据。

s120、将所述训练数据进行预处理得到多维度向量。

在一实施例中，预处理指的是将训练数据转化为可供模型输入的多维度向量的一系列处理过程，其中，预处理主要包括训练数据的向量转换以及转换后向量之间的拼接。多维度向量由向量之间拼接而成，由各维度的数据组成的多维度向量能够有效地提高预测模型的精确度。

在一实施例中，如图5所示，所述步骤s120可包括步骤s121-s122。

s121、通过向量转换工具将所述训练数据转换为向量。

在一实施例中，向量转换工具用于将人类所直观认知的自然语言转换为计算机可以理解的向量。例如，获取的气象数据为暴雨，获取的a地区的经济指数为景气，通过向量转换工具进行转换得到气象维度向量为[886597]，经济维度向量为[157056]。将所收集到的训练数据通过向量转换工具一一转换为维数相同的向量，以待后续进行拼接。

s122、根据预设拼接规则将所述向量进行拼接得到多维度向量。

在一实施例中，预设拼接规则指的是将一个地区的训练数据的向量按照案件时间点进行拼接，例如，在a地区已立案未核赔这个阶段，多维度的训练数据包括气象维度、定损维度以及未决赔款准备金，其中，气象维度由温度、湿度以及pm2.5组成，定损维度由修复费用、部件更换费用以及维修工时费用组成，将气象维度、定损维度以及未决赔款准备金进行拼接，得到多维度向量如下：

根据预设拼接规则将各个地区的训练数据的向量按照各个案件时间点进行拼接从而得到多组多维度向量用于进行训练。

s130、构建未决赔款准备金预测模型，将所述多维度向量作为所述未决赔款准备金预测模型的输入进行训练输出未决赔款准备金预测值。

在一实施例中，未决赔款准备金预测模型用于预测未决赔款准备金，采用卷积神经网络作为未决赔款准备金模型的算法，卷积神经网络易于处理高维度数据，可不断地对数据进行降维，因此，采用卷积神经网络作为未决赔款准备金预测模型。

在一实施例中，如图6所示，所述步骤s130可包括步骤s131-s132。

s131、根据卷积神经网络构建未决赔款准备金预测模型。

在一实施例中，卷积神经网络是一种深度前馈人工神经网络，其包括输入层、卷积层、池化层以及全连接层。所述输入层主要用于对多维度向量进行去均值、归一化以及白化处理，去均值指的是将输入数据各个维度都中心化为0；归一化指的是将数据的幅度归一化到同样的范围，即减少各维度数据取值范围的差异而带来的干扰，比如两个维度的特征pm和修复费用，pm范围是0到200，而修复费用范围是0到10000，如果直接使用这两个特征是有问题的，经过归一化后，pm和修复费用的数据都变为0到1的范围；白化指的是是对数据各个特征轴上的幅度归一化。所述卷积层主要用于卷积计算，每一次卷积可以看作为一次过滤，相当于一次特征提取的过程，直到提取到未决赔款准备金特征，其中，卷积层采用relu激活函数进行映射；所述池化层主要用于压缩数据和参数的量，减小过拟合，即进行特征降维将冗余信息去除抽取保留未决赔款准备金特征。所述全连接层主要用于将卷积层的输出转换为一个一维的向量即未决赔款准备金向量。

s132、将所述多维度向量输入至所述未决赔款准备金预测模型进行训练输出未决赔款准备金预测值。

在一实施例中，构建好未决赔款准备金预测模型后，将多维度向量输入至未决赔款准备金预测模型，采用前向传播算法以及反向传播算法相结合进行训练，前向传播即从将多维度向量输入至输入层依次经过卷积层、池化层以及全连接层得到输出，而反向传播是已知池化层的误差反推上一隐藏层的误差，已知卷积层的误差反推上一隐藏层的误差，已知卷积层的误差推导该层的权重与梯度。通过前向传播以及反向传播相结合，由前向传播预测未决赔款准备金，再由反向传播进行误差分析，不断地修正所预测的未决赔款准备金，逐步逼近实际赔款金。

s140、根据训练后的未决赔款准备金预测模型对当前未决赔款准备金进行预测得到当前的未决赔款准备金预测值。

在一实施例中，训练好未决赔款准备金预测模型后，将所需要预测的当前案件时间点的未决赔款准备金输入至所述未决赔款准备金预测模型中进行预测即可得到未决赔款准备金预测值。例如，当前案件时间点为已核赔未赔付的案件时间点，当前的未决赔款准备金为2000，将当前的未决赔款准备金2000输入到已训练好的未决赔款准备金预测模型中得到未来各个案件时间点的未决赔款准备金，如2100、2150以及2300，其中，2100为下一个案件时间点的未决赔款准备金预测值，2150为再下一个案件时间点的未决赔款准备金预测值，2300为最终案件结束时间点的未决赔款准备金预测值。

在一实施例中，在得到未决赔款准备金预测值之后，可根据未决赔款准备金预测值编制未决赔款准备金曲线，未决赔款准备金曲线指的是在各个案件时间点未决赔款准备金预测值连接而成的曲线。具体地，通过可视化工具将所得到的各个案件时间点的未决赔款准备金预测值进行编制得到未决赔款准备金曲线。根据未决赔款准备金曲线即可直观地得到未来各个未决赔款准备金预测值，便于保险公司根据所预测的未来未决赔款准备金进行判断，制定或调整所要提存的未决赔款准备金，提高资金效率。

本发明实施例展示了一种未决赔款准备金预测方法，通过采用预设方式收集训练数据；将所述训练数据进行预处理得到多维度向量；构建未决赔款准备金预测模型，将所述多维度向量作为所述未决赔款准备金预测模型的输入进行训练输出未决赔款准备金预测值；根据训练后的未决赔款准备金预测模型对当前未决赔款准备金进行预测得到当前的未决赔款准备金预测值，可以实现预测未决赔款准备金，合理提存未决赔款准备金，提高资金使用效率。

图7是本发明实施例提供的一种未决赔款准备金预测装置200的示意性框图。如图7所示，对应于以上未决赔款准备金预测方法，本发明还提供一种未决赔款准备金预测装置200。该未决赔款准备金预测装置200包括用于执行上述未决赔款准备金预测方法的单元，该装置可以被配置于台式电脑、平板电脑、手提电脑、等终端中。具体地，请参阅图7，该未决赔款准备金预测装置200包括收集单元210、预处理单元220、构建单元230以及预测单元240。

收集单元210，用于采用预设方式收集训练数据。

在一实施例中，预设方式包括两种，一种是从预设数据库中收集训练数据；另一种是从网络服务器中收集训练数据。本实施例采用两种方式相结合收集丰富的训练数据以达到更精准的预测效果。

在一实施例中，如图8所示，所述收集单元210包括子单元：获取单元211、提取单元212以及爬虫单元213。

获取单元211，用于根据案件编号从预设数据库中获取保单信息。

在一实施例中，为了建立预测模型首先需要收集大量的训练数据，用户在成功投保后，保险公司会将所有的保单信息上传存储在预设数据库中，其中，每份保险均设有一个案件编号，该案件编号是对应该份保险的唯一标识，根据案件编号即可从预设数据库中获取到该份保险的所有保单信息。

提取单元212，用于根据预设提取规则从所述保单信息中提取特征数据作为训练数据。

在一实施例中，保单信息中包含各种各样的数据，其中包括特征数据以及其他无用数据，特征数据指的是与预测未决赔款准备金相关的数据。例如，案件时间点、案件地点、查勘数据、定损数据、未决赔款准备金以及实际赔款金等为特征数据，投保人姓名、投保人地址以及投保人职业等为其他无用数据。其中，预设提取规则指的是预先设定好提取所需要数据的规则，在本方案中，所需要提取的数据是特征数据，因此，根据预设提取规则从保单信息中提取特征数据作为训练数据。

爬虫单元213，用于通过网络爬虫的方式收集不同于所述保单信息维度的数据作为训练数据。

在一实施例中，网络爬虫指的是一种按照预定的规则爬取网页内容的程序，本预设方式收集的训练数据主要是与预测未决赔款准备金相关的存在于预设数据库之外的数据，例如，气象、地域以及经济等数据。因为每个地域的保险制度不同、经济水平不同以及案件时间点的气象不同，种种因素均会对未决赔款准备金造成较大的影响，因此需要收集该类数据进行训练。具体地，首先选取特定的网页作为初始页，例如，天气预报网站、经济指数网站，从初始页开始爬取，在初始页中找到其他链接地址，然后再通过这些链接地址寻找下一个网站，一直循环直到所有网站的内容爬取完毕从而获取到所爬取的网页内容，获取到网页内容后再经过数据清洗将网页中的链接、图片等无关数据过滤最终得到训练数据。

预处理单元220，用于将所述训练数据进行预处理得到多维度向量。

在一实施例中，预处理指的是将训练数据转化为可供模型输入的多维度向量的一系列处理过程，其中，预处理主要包括训练数据的向量转换以及转换后向量之间的拼接。多维度向量由向量之间拼接而成，由各维度的数据组成的多维度向量能够有效地提高预测模型的精确度。

在一实施例中，如图8所示，所述预处理单元220包括子单元：转换单元221以及拼接单元222。

转换单元221，用于通过向量转换工具将所述训练数据转换为向量。

在一实施例中，向量转换工具用于将人类所直观认知的自然语言转换为计算机可以理解的向量。例如，获取的气象数据为暴雨，获取的a地区的经济指数为景气，通过向量转换工具进行转换得到气象维度向量为[886597]，经济维度向量为[157056]。将所收集到的训练数据通过向量转换工具一一转换为维数相同的向量，以待后续进行拼接。

拼接单元222，用于根据预设拼接规则将所述向量进行拼接得到多维度向量。

在一实施例中，预设拼接规则指的是将一个地区的训练数据的向量按照案件时间点进行拼接，例如，在a地区已立案未核赔这个阶段，多维度的训练数据包括气象维度、定损维度以及未决赔款准备金，其中，气象维度由温度、湿度以及pm2.5组成，定损维度由修复费用、部件更换费用以及维修工时费用组成，将气象维度、定损维度以及未决赔款准备金进行拼接，得到多维度向量如下：

根据预设拼接规则将各个地区的训练数据的向量按照各个案件时间点进行拼接从而得到多组多维度向量用于进行训练。

构建单元230，用于构建未决赔款准备金预测模型，将所述多维度向量作为所述未决赔款准备金预测模型的输入进行训练输出未决赔款准备金预测值。

在一实施例中，未决赔款准备金预测模型用于预测未决赔款准备金，采用卷积神经网络作为未决赔款准备金模型的算法，卷积神经网络易于处理高维度数据，可不断地对数据进行降维，因此，采用卷积神经网络作为未决赔款准备金预测模型。

在一实施例中，如图8所示，所述构建单元230包括子单元：构建子单元231以及训练单元232。

构建子单元231，用于根据卷积神经网络构建未决赔款准备金预测模型。

在一实施例中，卷积神经网络是一种深度前馈人工神经网络，其包括输入层、卷积层、池化层以及全连接层。所述输入层主要用于对多维度向量进行去均值、归一化以及白化处理，去均值指的是将输入数据各个维度都中心化为0；归一化指的是将数据的幅度归一化到同样的范围，即减少各维度数据取值范围的差异而带来的干扰，比如两个维度的特征pm和修复费用，pm范围是0到200，而修复费用范围是0到10000，如果直接使用这两个特征是有问题的，经过归一化后，pm和修复费用的数据都变为0到1的范围；白化指的是是对数据各个特征轴上的幅度归一化。所述卷积层主要用于卷积计算，每一次卷积可以看作为一次过滤，相当于一次特征提取的过程，直到提取到未决赔款准备金特征，其中，卷积层采用relu激活函数进行映射；所述池化层主要用于压缩数据和参数的量，减小过拟合，即进行特征降维将冗余信息去除抽取保留未决赔款准备金特征。所述全连接层主要用于将卷积层的输出转换为一个一维的向量即未决赔款准备金向量。

训练单元232，用于将所述多维度向量输入至所述未决赔款准备金预测模型进行训练输出未决赔款准备金预测值。

在一实施例中，构建好未决赔款准备金预测模型后，将多维度向量输入至未决赔款准备金预测模型，采用前向传播算法以及反向传播算法相结合进行训练，前向传播即从将多维度向量输入至输入层依次经过卷积层、池化层以及全连接层得到输出，而反向传播是已知池化层的误差反推上一隐藏层的误差，已知卷积层的误差反推上一隐藏层的误差，已知卷积层的误差推导该层的权重与梯度。通过前向传播以及反向传播相结合，由前向传播预测未决赔款准备金，再由反向传播进行误差分析，不断地修正所预测的未决赔款准备金，逐步逼近实际赔款金。

预测单元240，用于根据训练后的未决赔款准备金预测模型对当前未决赔款准备金进行预测得到当前的未决赔款准备金预测值。

训练好未决赔款准备金预测模型后，将所需要预测的当前案件时间点的未决赔款准备金输入至所述未决赔款准备金预测模型中进行预测即可得到未决赔款准备金预测值。例如，当前案件时间点为已核赔未赔付的案件时间点，当前的未决赔款准备金为2000，将当前的未决赔款准备金2000输入到已训练好的未决赔款准备金预测模型中得到未来各个案件时间点的未决赔款准备金，如2100、2150以及2300，2100为下一个案件时间点的未决赔款准备金预测值，2150为再下一个案件时间点的未决赔款准备金预测值，2300为最终案件结束时间点的未决赔款准备金预测值。

本发明实施例展示了一种未决赔款准备金预测装置，通过采用预设方式收集训练数据；将所述训练数据进行预处理得到多维度向量；构建未决赔款准备金预测模型，将所述多维度向量作为所述未决赔款准备金预测模型的输入进行训练输出未决赔款准备金预测值；根据训练后的未决赔款准备金预测模型对当前未决赔款准备金进行预测得到当前的未决赔款准备金预测值，可以实现预测未决赔款准备金，合理提存未决赔款准备金，提高资金使用效率。

上述未决赔款准备金预测装置可以实现为一种计算机程序的形式，该计算机程序可以在如图9所示的计算机设备上运行。

请参阅图9，图9是本申请实施例提供的一种计算机设备的示意性框图。该计算机设备500可以是终端，其中，终端可以是智能手机、平板电脑、笔记本电脑、台式电脑、个人数字助理和穿戴式设备等具有通信功能的电子设备。

参阅图9，该计算机设备500包括通过系统总线501连接的处理器502、存储器和网络接口505，其中，存储器可以包括非易失性存储介质503和内存储器504。

该非易失性存储介质503可存储操作系统5031和计算机程序5032。该计算机程序5032包括程序指令，该程序指令被执行时，可使得处理器502执行一种未决赔款准备金预测方法。

该处理器502用于提供计算和控制能力，以支撑整个计算机设备500的运行。

该内存储器504为非易失性存储介质503中的计算机程序5032的运行提供环境，该计算机程序5032被处理器502执行时，可使得处理器502执行一种未决赔款准备金预测方法。

该网络接口505用于与其它设备进行网络通信。本领域技术人员可以理解，图9中示出的结构，仅仅是与本申请方案相关的部分结构的框图，并不构成对本申请方案所应用于其上的计算机设备500的限定，具体的计算机设备500可以包括比图中所示更多或更少的部件，或者组合某些部件，或者具有不同的部件布置。

其中，所述处理器502用于运行存储在存储器中的计算机程序5032，以实现如下步骤：采用预设方式收集训练数据；将所述训练数据进行预处理得到多维度向量；构建未决赔款准备金预测模型，将所述多维度向量作为所述未决赔款准备金预测模型的输入进行训练输出未决赔款准备金预测值；根据训练后的未决赔款准备金预测模型对当前未决赔款准备金进行预测得到当前的未决赔款准备金预测值。

在一实施例中，处理器502在实现所述采用预设方式收集训练数据步骤时，具体实现如下步骤：根据案件编号从预设数据库中获取保单信息；根据预设提取规则从所述保单信息中提取特征数据作为训练数据。

在一实施例中，处理器502在实现所述采用预设方式收集训练数据步骤时，具体实现如下步骤：通过网络爬虫的方式收集不同于所述保单信息维度的数据作为训练数据。

在一实施例中，处理器502在实现所述将所述训练数据进行预处理得到多维度向量步骤时，具体实现如下步骤：通过向量转换工具将所述训练数据转换为向量；根据预设拼接规则将所述向量进行拼接得到多维度向量。

在一实施例中，处理器502在实现所述构建未决赔款准备金预测模型，将所述多维度向量作为所述未决赔款准备金预测模型的输入进行训练输出未决赔款准备金预测值步骤时，具体实现如下步骤：根据卷积神经网络构建未决赔款准备金预测模型；将所述多维度向量输入至所述未决赔款准备金预测模型进行训练输出未决赔款准备金预测值。

应当理解，在本申请实施例中，处理器502可以是中央处理单元(centralprocessingunit，cpu)，该处理器502还可以是其他通用处理器、数字信号处理器(digitalsignalprocessor，dsp)、专用集成电路(applicationspecificintegratedcircuit，asic)、现成可编程门阵列(field-programmablegatearray，fpga)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。其中，通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。

本领域普通技术人员可以理解的是实现上述实施例的方法中的全部或部分流程，是可以通过计算机程序来指令相关的硬件来完成。该计算机程序包括程序指令，计算机程序可存储于一存储介质中，该存储介质为计算机可读存储介质。该程序指令被该计算机系统中的至少一个处理器执行，以实现上述方法的实施例的流程步骤。

因此，本发明还提供一种存储介质。该存储介质可以为计算机可读存储介质。该存储介质存储有计算机程序，其中计算机程序包括程序指令。该程序指令被处理器执行时使处理器执行如下步骤：采用预设方式收集训练数据；将所述训练数据进行预处理得到多维度向量；构建未决赔款准备金预测模型，将所述多维度向量作为所述未决赔款准备金预测模型的输入进行训练输出未决赔款准备金预测值；根据训练后的未决赔款准备金预测模型对当前未决赔款准备金进行预测得到当前的未决赔款准备金预测值。

在一实施例中，所述处理器在执行所述程序指令而实现所述采用预设方式收集训练数据步骤时，具体实现如下步骤：根据案件编号从预设数据库中获取保单信息；根据预设提取规则从所述保单信息中提取特征数据作为训练数据。

在一实施例中，所述处理器在执行所述程序指令而实现所述采用预设方式收集训练数据步骤时，具体实现如下步骤：通过网络爬虫的方式收集不同于所述保单信息维度的数据作为训练数据。

在一实施例中，所述处理器在执行所述程序指令而实现所述将所述训练数据进行预处理得到多维度向量步骤时，具体实现如下步骤：通过向量转换工具将所述训练数据转换为向量；根据预设拼接规则将所述向量进行拼接得到多维度向量。

在一实施例中，所述处理器在执行所述程序指令而实现所述构建未决赔款准备金预测模型，将所述多维度向量作为所述未决赔款准备金预测模型的输入进行训练输出未决赔款准备金预测值步骤时，具体实现如下步骤：根据卷积神经网络构建未决赔款准备金预测模型；将所述多维度向量输入至所述未决赔款准备金预测模型进行训练输出未决赔款准备金预测值。

所述存储介质可以是u盘、移动硬盘、只读存储器(read-onlymemory，rom)、磁碟或者光盘等各种可以存储程序代码的计算机可读存储介质。

本领域普通技术人员可以意识到，结合本文中所公开的实施例描述的各示例的单元及算法步骤，能够以电子硬件、计算机软件或者二者的结合来实现，为了清楚地说明硬件和软件的可互换性，在上述说明中已经按照功能一般性地描述了各示例的组成及步骤。这些功能究竟以硬件还是软件方式来执行，取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能，但是这种实现不应认为超出本发明的范围。

在本发明所提供的几个实施例中，应该理解到，所揭露的装置和方法，可以通过其它的方式实现。例如，以上所描述的装置实施例仅仅是示意性的。例如，各个单元的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式。例如多个单元或组件可以结合或者可以集成到另一个系统，或一些特征可以忽略，或不执行。

本发明实施例方法中的步骤可以根据实际需要进行顺序调整、合并和删减。本发明实施例装置中的单元可以根据实际需要进行合并、划分和删减。另外，在本发明各个实施例中的各功能单元可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以是两个或两个以上单元集成在一个单元中。

该集成的单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个存储介质中。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分，或者该技术方案的全部或部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备(可以是个人计算机，终端，或者网络设备等)执行本发明各个实施例所述方法的全部或部分步骤。

以上所述，仅为本发明的具体实施方式，但本发明的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，可轻易想到各种等效的修改或替换，这些修改或替换都应涵盖在本发明的保护范围之内。因此，本发明的保护范围应以权利要求的保护范围为准。