保费定价方法、装置、设备及存储介质与流程

1.本技术涉及金融技术领域，尤其涉及一种保费定价方法、装置、设备及存储介质。


背景技术：

2.随着经济发展和社会进步，人们对保险需求越来越多样化，保险公司也越来越重视保险产品的设计和定价。费用补偿型责任的保险金额为赔付金额上限，在保险金额内赔付金额按实际发生损失进行补偿，超出保险金额仅赔付至保险金额为止，若有免赔额、给付比例仅给付约定部分。不同保险金额的平均赔付水平并不会因为保险金额线性变化，保险金额越高，纯风险损失率越低，变动幅度由损失分布决定。
3.目前个人非车险产品保险的定价，一般根据客户的风险情况和公司或行业历史数据(索赔记录等)进行保险定价，但在一些责任的界定模糊和历史数据不够的情况下，难以准确地保险金额和难以准确的制定合理保费价格。
4.因此，如何计算出合理的保费金额是目前亟待解决的问题。


技术实现要素：

5.本技术的主要目的在于提供一种保费定价方法、装置、设备及存储介质，旨在提高制定合理的保费金额。
6.第一方面，本技术提供一种保费定价方法，所述保费定价方法包括以下步骤：
7.获取多个样本数据，所述样本数据包括用户信息、用户的投保产品的索赔金额和所述投保产品的赔付参数；
8.根据各所述样本数据中的用户信息、索赔金额和赔付参数对预设的广义线性模型进行训练，直至所述预设的广义线性模型收敛，得到目标广义线性模型；
9.从所述目标广义线性模型中输出多个定价因子和各所述定价因子匹配的定价系数；
10.获取待投保的目标用户的目标用户信息，根据所述目标用户信息、各所述定价因子和各所述定价因子匹配的定价系数，确定所述目标用户的保费金额。
11.第二方面，本技术还提供一种保费定价装置，所述保费定价装置包括获取模块、训练模块、输出模块和确定模块，其中：
12.所述获取模块，用于获取多个样本数据，所述样本数据包括用户信息、用户的投保产品的索赔金额和所述投保产品的赔付参数；
13.所述训练模块，用于根据各所述样本数据中的用户信息、索赔金额和赔付参数对预设的广义线性模型进行训练，直至所述预设的广义线性模型收敛，得到目标广义线性模型；
14.所述输出模块，用于从所述目标广义线性模型中输出多个定价因子和各所述定价因子匹配的定价系数；
15.所述获取模块，还用于获取待投保的目标用户的目标用户信息；
16.所述确定模块，用于根据所述目标用户信息、各所述定价因子和各所述定价因子匹配的定价系数，确定所述目标用户的保费金额。
17.第三方面，本技术还提供一种终端设备，所述终端设备包括处理器、存储器、以及存储在所述存储器上并可被所述处理器执行的计算机程序，其中所述计算机程序被所述处理器执行时，实现如上述的保费定价方法的步骤。
18.第四方面，本技术还提供一种计算机可读存储介质，所述计算机可读存储介质上存储有计算机程序，其中所述计算机程序被处理器执行时，实现如上述的保费定价方法的步骤。
19.本技术提供一种保费定价方法、装置、设备及存储介质，本技术通过获取多个样本数据，该样本数据包括用户信息、用户的投保产品的索赔金额和投保产品的赔付参数；根据各样本数据中的用户信息、索赔金额和赔付参数对预设的广义线性模型进行训练，直至预设的广义线性模型收敛，得到目标广义线性模型；然后从目标广义线性模型中输出多个定价因子和各定价因子匹配的定价系数；之后获取待投保的目标用户的目标用户信息，根据目标用户信息、各定价因子和各定价因子匹配的定价系数，能够准确地确定目标用户的保费金额。本方案通过训练得到收敛的目标广义线性模型，并能够从目标广义线性模型输出多个定价因子和各定价因子匹配的定价系数，并基于各定价因子和定价系数对待投保的目标用户的目标用户信息进行计算，能够准确地得到目标用户的保费金额。
附图说明
20.为了更清楚地说明本技术实施例技术方案，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技术的一些实施例，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。
21.图1为本技术实施例提供的一种保费定价方法的流程示意图；
22.图2为图1中的保费定价方法的子步骤流程示意图；
23.图3为本技术实施例提供的一种保费定价装置的示意性框图；
24.图4为图3中的保费定价装置的子模块的示意性框图；
25.图5为本技术实施例提供的一种终端设备的结构示意性框图。
26.本技术目的的实现、功能特点及优点将结合实施例，参照附图做进一步说明。
具体实施方式
27.下面将结合本技术实施例中的附图，对本技术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技术一部分实施例，而不是全部的实施例。基于本技术中的实施例，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，都属于本技术保护的范围。
28.附图中所示的流程图仅是示例说明，不是必须包括所有的内容和操作/步骤，也不是必须按所描述的顺序执行。例如，有的操作/步骤还可以分解、组合或部分合并，因此实际执行的顺序有可能根据实际情况改变。
29.本技术实施例可以基于人工智能技术对相关的数据进行获取和处理。其中，人工智能(artificial intelligence，ai)是利用数字计算机或者数字计算机控制的机器模拟、
延伸和扩展人的智能，感知环境、获取知识并使用知识获得最佳结果的理论、方法、技术及应用系统。
30.人工智能基础技术一般包括如传感器、专用人工智能芯片、云计算、分布式存储、大数据处理技术、操作/交互系统、机电一体化等技术。人工智能软件技术主要包括计算机视觉技术、机器人技术、生物识别技术、语音处理技术、自然语言处理技术以及机器学习/深度学习等几大方向。
31.本技术实施例提供一种保费定价方法、装置、设备及存储介质。其中，该保费定价方法可应用于终端设备中，该终端设备可以是手机、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电子设备。
32.下面结合附图，对本技术的一些实施方式作详细说明。在不冲突的情况下，下述的实施例及实施例中的特征可以相互组合。
33.请参照图1，图1为本技术的实施例提供的一种保费定价方法的流程示意图。
34.如图1所示，该保费定价方法包括步骤s101至步骤s104。
35.步骤s101、获取多个样本数据，所述样本数据包括用户信息、用户的投保产品的索赔金额和所述投保产品的赔付参数。
36.其中，投保产品可以根据实际情况进行选择，本发明实施例对此不做具体限定，例如，该投保产品可以是人身安全意外险、车险、宠物保险和财产险等类型的保险。
37.需要说明的是，该用户信息为用户在进行投保过程中的关键信息，该关键信息包括用户的姓名、年龄、投保渠道、归属平台、健康状况、是否为本人投保、投保机构地区、是否异地投保和是否风险地区，在车险投保中还包括车龄、是否运营车辆和是否为本地车辆等。在宠物保险类别中用户信息还包括宠物种类、宠物年龄和宠物相关的信息。该投保产品的赔付参数包括风险暴露系数、责任保额和免赔系数，其中，该风险暴露系数、责任保额和免赔系数可以根据实际情况进行设置，本发明实施例对此不做具体限定。
38.在一实施例中，获取投保产品，并从投保信息库中获取该投保产品对应的用户信息、在出现赔付情况下的索赔金额和赔付参数，得到一个样本数据，以此相同的方式从投保信息库中获取该投保产品的多个样本数据。通过从投保信息库中能够准确地获取投保产品的样本数据，能够提高了保费定价的效率。
39.需要说明的是，在获取样本数据时可以对样本数据进行预处理，该预处理的方式可以根据实际情况进行设置，本发明实施例对此不做具体限定，例如，该预处理的方式包括但不限于将string类型数据转换为float类型数据、以及将空值数据和异常值数据剔除等处理方式，通过对样本数据进行预处理，能提高模型训练的效率和准确性。
40.示例性的，投保产品为车险投保，获取用户信息、用户的投保产品的索赔金额和投保产品的赔付参数，该用户信息包括用户的姓名、年龄、投保渠道、归属平台、健康状况、是否为本人投保、投保机构地区、是否异地投保和是否风险地区、车龄、是否运营车辆、是否为本地车辆和车辆历史出险信息等，用户在在此投保产品中出现理赔时的索赔金额，投保产品的赔付参数。
41.步骤s102、根据各所述样本数据中的用户信息、索赔金额和赔付参数对预设的广义线性模型进行训练，直至所述预设的广义线性模型收敛，得到目标广义线性模型。
42.其中，该广义线性模型是基于多个样本数据进行训练得到，该目标广义线性模型
中可以输出定价因子和各定价因子匹配的定价系数。
43.在一实施例中，如图2所示，步骤s102包括子步骤s1021至子步骤s1023。
44.子步骤s1021、根据所述用户信息和赔付参数，确定所述投保产品的预测的索赔金额。
45.其中，投保产品的预测的索赔金额是在模型的当前定价系数下计算出来的索赔金额。
46.在一实施例中，从用户信息中筛选出影响保费金额的定价因子，得到多个定价因子；根据多个定价因子和赔付参数，确定预测的索赔金额。通过定价因子和赔付参数能够准确地得到预测的索赔金额。
47.在一实施例中，从用户信息中筛选出影响保费金额的定价因子，得到多个定价因子的方式可以为：获取预设的定价因子列表，根据该预设的定价因子列表查询用户信息中筛选存在的定价因子，得到影响保费金额的多个定价因子。其中，该预设的定价因子列表预先基于投保产品进行设置，该定价因子列表可以根据实际情况进行设置，本发明实施例对此不做具体限定。通过该预设的定价因子列表，能够准确地从用户信息中查询出定价因子。
48.在一实施例中，根据多个定价因子和赔付参数，确定预测的索赔金额的方式可以为：从该预设的广义线性模型中获取各定价因子对应的定价系数，对定价系数和赔付参数进行计算，得到预测的索赔金额。通过对定价系数和赔付参数进行计算，能够准确地得到预测的索赔金额。
49.示例性的，投保产品的定价因子包括性别和是否异地投保，其中定价因子男性的定价系数为1、定价因子男性的定价系数为0.489，定价因子异地投保的定价系数为0.611、定价因子非异地投保的定价系数为1，赔付参数包括风险暴露系数、责任保额和免赔系数，其中赔付参数为0.02，保单为男性、异地投保、投保产品的保额为10万元的预测的索赔金额为1*0.061*100000*0.02＝1222元。
50.子步骤s1022、根据所述预测的索赔金额和索赔金额，确定所述预设的广义线性模型是否收敛。
51.在一实施例中，根据预测的索赔金额和索赔金额，确定绝对偏差和相对偏差；确定绝对偏差是否小于或等于预设绝对偏差且相对偏差是否小于或等于预设相对偏差；在绝对偏差小于或等于预设绝对偏差且相对偏差小于或等于预设相对偏差时，确定预设的广义线性模型已收敛。其中，该预设绝对偏差和预设相对偏差可以根据实际情况进行设置，本发明实施例对此不做具体限定，通过确定预测的索赔金额和索赔金额的绝对偏差和相对偏差，能够准确地知晓模型是否收敛，极大地提高了定价系数的准确性。
52.在一实施例中，根据预测的索赔金额和索赔金额，确定绝对偏差和相对偏差的方式可以为：将预测的索赔金额减去该索赔金额的值，作为绝对偏差，将绝对偏差与索赔金额的比值，作为相对偏差。通过对预测的索赔金额和索赔金额进行计算，能够准确地绝对偏差和相对偏差。
53.在一实施例中，在绝对偏差大于预设绝对偏差且相对偏差小于或等于预设相对偏差时，确定所述预设的广义线性模型未收敛；在绝对偏差小于或等于预设绝对偏差且相对偏差大于预设相对偏差时，确定所述预设的广义线性模型未收敛；在绝对偏差大于预设绝对偏差且相对偏差大于预设相对偏差时，确定所述预设的广义线性模型未收敛。即在绝对
偏差大于预设绝对偏差和相对偏差大于预设相对偏差存在至少一项的情况下，确定预设的广义线性模型未收敛。
54.子步骤s1023、在所述预设的广义线性模型未收敛的情况下，调整所述预设的广义线性模型中的定价系数，并继续输入样本数据进行训练，直至模型收敛，得到目标广义线性模型。
55.在确定预设的广义线性模型未收敛的情况下，调整该预设的广义线性模型中的定价系数，并从多个样本数据中获取一个目标样本数据，根据目标样本数据中的用户信息、用户的投保产品的索赔金额和所述投保产品的赔付参数重新对预设的广义线性模型进行训练，并确定该预设的广义线性模型是否收敛，在预设的广义线性模型未收敛的情况下继续调整该模型的定价系数，并继续循环地选择目标样本数据进行训练，直至该模型收敛，得到目标广义线性模型。通过对未收敛的预设的广义线性模型进行训练，直至收敛，能够准确地得到目标广义线性模型。
56.步骤s103、从所述目标广义线性模型中输出多个定价因子和各所述定价因子匹配的定价系数。
57.在得到收敛的目标广义线性模型之后，从目标广义线性模型输出所包含的定价因子，得到多个定价因子，并输出各定价因子对应的定价系数，得到该投保产品的定价因子和各定价因子的定价系数。通过该目标广义线性模型能够准确地得到定价因子和各定价因子的定价系数，极大地提高了投保产品定价的准确性。
58.示例性的，投保产品为车险投保，从该目标广义线性模型中输出车险投保的定价因子包括姓名、年龄、投保渠道、车龄、是否运营车辆、是否为本地车辆和车辆历史出险信息，定价系数包括姓名定价系数为1，年龄包括各个年龄段对应的年龄定价系数，投保渠道包括不同渠道的定价系数，车龄包括每个车龄段的定价系数，是否运营车辆包括是运营车辆的定价系数和非运用车辆的定价系数，是否为本地车辆包括本地车辆的定价系数和非本地车辆的定价系数，车辆历史出险信息包括车辆出险次数所对应的定价系数。
59.步骤s104、获取待投保的目标用户的目标用户信息，根据所述目标用户信息、各所述定价因子和各所述定价因子匹配的定价系数，确定所述目标用户的保费金额。
60.获取待投保的目标用户的目标用户信息，根据目标用户信息从多个定价因子筛选出至少一个目标定价因子；将各目标定价因子匹配的定价系数与预设保费金额进行累乘处理，得到目标用户的保费金额。通过目标用户信息能够准确地从多个定价因子筛选出目标定价因子，将各目标定价因子与预设保费金额进行累乘处理，能够准确地得到目标用户的保费金额，极大地提高了确定保费金额的效率和准确性。
61.在一是实施例，根据目标用户信息从多个定价因子筛选出至少一个目标定价因子的方式可以为：将目标用户信息与多个定价因子中均存在的因子，确定目标定价因子。
62.在一实施例中，根据目标用户信息从多个定价因子筛选出至少一个目标定价因子；获取预设保险场景的保费金额，各目标定价因子匹配的定价系数与预设保险场景的保费金额进行累乘处理，得到目标用户的保费金额。其中，该预设保险场景的保费金额可以根据不同的场景进行设置，本发明实施例对此不做具体限定。通过对不同的场景设置不相同的保费金额，能够提高保费金额设置的灵活性。
63.上述实施例提供的保费定价方法，通过获取多个样本数据，该样本数据包括用户
信息、用户的投保产品的索赔金额和投保产品的赔付参数；根据各样本数据中的用户信息、索赔金额和赔付参数对预设的广义线性模型进行训练，直至预设的广义线性模型收敛，得到目标广义线性模型；然后从目标广义线性模型中输出多个定价因子和各定价因子匹配的定价系数；之后获取待投保的目标用户的目标用户信息，根据目标用户信息、各定价因子和各定价因子匹配的定价系数，能够准确地确定目标用户的保费金额。本方案通过训练得到收敛的目标广义线性模型，并能够从目标广义线性模型输出多个定价因子和各定价因子匹配的定价系数，并基于各定价因子和定价系数对待投保的目标用户的目标用户信息进行计算，能够准确地得到目标用户的保费金额。
64.请参阅图3，图3为本技术实施例提供的一种保费定价装置的示意性框图。
65.如图3所示，所述保费定价装置200包括获取模块210、训练模块220、输出模块230和确定模块240，其中：
66.所述获取模块210，用于获取多个样本数据，所述样本数据包括用户信息、用户的投保产品的索赔金额和所述投保产品的赔付参数；
67.所述训练模块220，用于根据各所述样本数据中的用户信息、索赔金额和赔付参数对预设的广义线性模型进行训练，直至所述预设的广义线性模型收敛，得到目标广义线性模型；
68.所述输出模块230，用于从所述目标广义线性模型中输出多个定价因子和各所述定价因子匹配的定价系数；
69.所述获取模块210，还用于获取待投保的目标用户的目标用户信息；
70.所述确定模块240，用于根据所述目标用户信息、各所述定价因子和各所述定价因子匹配的定价系数，确定所述目标用户的保费金额。
71.在一实施例中，如图4所示，所述训练模块220包括第一确定子模块221、第二确定子模块222和训练子模块223，其中：
72.所述第一确定子模块221，用于根据所述用户信息和赔付参数，确定所述投保产品的预测的索赔金额；
73.所述第二确定子模块222，用于根据所述预测的索赔金额和索赔金额，确定所述预设的广义线性模型是否收敛；
74.所述训练子模块223，用于在所述预设的广义线性模型未收敛的情况下，调整所述预设的广义线性模型中的定价系数，并继续输入样本数据进行训练，直至模型收敛，得到目标广义线性模型。
75.在一实施例中，所述第一确定子模块221，还用于：
76.从所述用户信息中筛选出影响保费金额的定价因子，得到多个定价因子；
77.根据多个所述定价因子和赔付参数，确定预测的索赔金额。
78.在一实施例中，所述第二确定子模块222，还用于：
79.根据所述预测的索赔金额和索赔金额，确定绝对偏差和相对偏差；
80.确定所述绝对偏差是否小于或等于预设绝对偏差且所述相对偏差是否小于或等于预设相对偏差；
81.在所述绝对偏差小于或等于预设绝对偏差且所述相对偏差小于或等于预设相对偏差时，确定所述预设的广义线性模型已收敛。
82.在一实施例中，所述输出模块230，还用于：
83.从所述目标广义线性模型中获取携带定价标识的因子，得到多个定价因子；
84.从所述目标广义线性模型中获取各所述定价因子匹配的定价系数。
85.在一实施例中，所述确定模块240，还用于：
86.根据所述目标用户信息从多个所述定价因子筛选出至少一个目标定价因子；
87.将各所述目标定价因子匹配的定价系数与预设保费金额进行累乘处理，得到所述目标用户的保费金额。
88.在一实施例中，所述确定模块240，还用于：
89.根据所述目标用户信息从多个所述定价因子筛选出至少一个目标定价因子；
90.获取预设保险场景的保费金额，各所述目标定价因子匹配的定价系数与预设保险场景的保费金额进行累乘处理，得到所述目标用户的保费金额。
91.需要说明的是，所属领域的技术人员可以清楚地了解到，为了描述的方便和简洁，上述保费定价装置的具体工作过程，可以参考前述保费定价方法实施例中的对应过程，在此不再赘述。
92.请参阅图5，图5为本技术实施例提供的一种终端设备的结构示意性框图。
93.如图5所示，该终端设备300包括通过系统总线301连接的处理器302和存储器303，其中，存储器可以包括存储介质和内存储器。
94.存储介质可存储计算机程序。该计算机程序包括程序指令，该程序指令被执行时，可使得处理器302执行任意一种保费定价方法。
95.处理器302用于提供计算和控制能力，支撑整个终端设备的运行。
96.内存储器为存储介质中的计算机程序的运行提供环境，该计算机程序被处理器执行时，可使得处理器执行任意一种保费定价方法。
97.本领域技术人员可以理解，图5中示出的结构，仅仅是与本技术方案相关的部分结构的框图，并不构成对本技术方案所应用于其上的终端设备的限定，具体的终端设备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。
98.应当理解的是，处理器302可以是中央处理单元(central processing unit，cpu)，该处理器还可以是其他通用处理器、数字信号处理器(digital signal processor，dsp)、专用集成电路(application specific integrated circuit，asic)、现场可编程门阵列(field-programmable gate array，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。
99.其中，在一个实施例中，所述处理器302用于运行存储在存储器中的计算机程序，以实现如下步骤：
100.获取多个样本数据，所述样本数据包括用户信息、用户的投保产品的索赔金额和所述投保产品的赔付参数；
101.根据各所述样本数据中的用户信息、索赔金额和赔付参数对预设的广义线性模型进行训练，直至所述预设的广义线性模型收敛，得到目标广义线性模型；
102.从所述目标广义线性模型中输出多个定价因子和各所述定价因子匹配的定价系数；
103.获取待投保的目标用户的目标用户信息，根据所述目标用户信息、各所述定价因子和各所述定价因子匹配的定价系数，确定所述目标用户的保费金额。
104.在一个实施例中，所述处理器302在实现所述根据各所述样本数据中的用户信息、索赔金额和赔付参数对预设的广义线性模型进行训练，直至所述预设的广义线性模型收敛，得到目标广义线性模型时，用于实现：
105.根据所述用户信息和赔付参数，确定所述投保产品的预测的索赔金额；
106.根据所述预测的索赔金额和索赔金额，确定所述预设的广义线性模型是否收敛；
107.在所述预设的广义线性模型未收敛的情况下，调整所述预设的广义线性模型中的定价系数，并继续输入样本数据进行训练，直至模型收敛，得到目标广义线性模型。
108.在一个实施例中，所述处理器302在实现所述根据所述用户信息和赔付参数，确定所述投保产品的预测的索赔金额时，用于实现：
109.从所述用户信息中筛选出影响保费金额的定价因子，得到多个定价因子；
110.根据多个所述定价因子和赔付参数，确定预测的索赔金额。
111.在一个实施例中，所述处理器302在实现所述根据所述预测的索赔金额和索赔金额，确定所述预设的广义线性模型是否收敛时，用于实现：
112.根据所述预测的索赔金额和索赔金额，确定绝对偏差和相对偏差；
113.确定所述绝对偏差是否小于或等于预设绝对偏差且所述相对偏差是否小于或等于预设相对偏差；
114.在所述绝对偏差小于或等于预设绝对偏差且所述相对偏差小于或等于预设相对偏差时，确定所述预设的广义线性模型已收敛。
115.在一个实施例中，所述处理器302在实现所述从所述目标广义线性模型中输出多个定价因子和各所述定价因子匹配的定价系数时，用于实现：
116.从所述目标广义线性模型中获取携带定价标识的因子，得到多个定价因子；
117.从所述目标广义线性模型中获取各所述定价因子匹配的定价系数。
118.在一个实施例中，所述处理器302在实现所述根据所述目标用户信息、各所述定价因子和各所述定价因子匹配的定价系数，确定所述目标用户的保费金额时，用于实现：
119.根据所述目标用户信息从多个所述定价因子筛选出至少一个目标定价因子；
120.将各所述目标定价因子匹配的定价系数与预设保费金额进行累乘处理，得到所述目标用户的保费金额。
121.在一个实施例中，所述处理器302在实现所述根据所述目标用户信息、各所述定价因子和各所述定价因子匹配的定价系数，确定所述目标用户的保费金额，还用于实现：
122.根据所述目标用户信息从多个所述定价因子筛选出至少一个目标定价因子；
123.获取预设保险场景的保费金额，各所述目标定价因子匹配的定价系数与预设保险场景的保费金额进行累乘处理，得到所述目标用户的保费金额。
124.需要说明的是，所属领域的技术人员可以清楚地了解到，为了描述的方便和简洁，上述描述终端设备的具体工作过程，可以参考前述保费定价方法实施例中的对应过程，在此不再赘述。
125.本技术实施例还提供一种计算机可读存储介质，所述计算机可读存储介质上存储有计算机程序，所述计算机程序中包括程序指令，所述程序指令被执行时所实现的方法可
参照本技术保费定价方法的各个实施例。
126.其中，所述计算机可读存储介质可以是前述实施例所述的终端设备的内部存储单元，例如所述终端设备的硬盘或内存。所述计算机可读存储介质可以是非易失性的，也可以是易失性的。所述计算机可读存储介质也可以是所述终端设备的外部存储设备，例如所述终端设备上配备的插接式硬盘，智能存储卡(smart media card，smc)，安全数字(secure digital，sd)卡，闪存卡(flash card)等。
127.进一步地，所述计算机可读存储介质可主要包括存储程序区和存储数据区，其中，存储程序区可存储操作系统、至少一个功能所需的应用程序等；存储数据区可存储根据区块链节点的使用所创建的数据等。
128.本发明所指区块链是分布式数据存储、点对点传输、共识机制、加密算法等计算机技术的新型应用模式。区块链(blockchain)，本质上是一个去中心化的数据库，是一串使用密码学方法相关联产生的数据块，每一个数据块中包含了一批次网络交易的信息，用于验证其信息的有效性(防伪)和生成下一个区块。区块链可以包括区块链底层平台、平台产品服务层以及应用服务层等。
129.应当理解，在此本技术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技术。如在本技术说明书中所使用的那样，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。
130.还应当理解，在本技术说明书中使用的术语“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。需要说明的是，在本文中，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者系统不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者系统所固有的要素。在没有更多限制的情况下，由语句“包括一个
……”
限定的要素，并不排除在包括该要素的过程、方法、物品或者系统中还存在另外的相同要素。
131.上述本技术实施例序号仅仅为了描述，不代表实施例的优劣。以上所述，仅为本技术的具体实施方式，但本技术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技术揭露的技术范围内，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技术的保护范围之内。

技术特征：
1.一种保费定价方法，其特征在于，包括：获取多个样本数据，所述样本数据包括用户信息、用户的投保产品的索赔金额和所述投保产品的赔付参数；根据各所述样本数据中的用户信息、索赔金额和赔付参数对预设的广义线性模型进行训练，直至所述预设的广义线性模型收敛，得到目标广义线性模型；从所述目标广义线性模型中输出多个定价因子和各所述定价因子匹配的定价系数；获取待投保的目标用户的目标用户信息，根据所述目标用户信息、各所述定价因子和各所述定价因子匹配的定价系数，确定所述目标用户的保费金额。2.如权利要求1所述的保费定价方法，其特征在于，所述根据各所述样本数据中的用户信息、索赔金额和赔付参数对预设的广义线性模型进行训练，直至所述预设的广义线性模型收敛，得到目标广义线性模型，包括：根据所述用户信息和赔付参数，确定所述投保产品的预测的索赔金额；根据所述预测的索赔金额和索赔金额，确定所述预设的广义线性模型是否收敛；在所述预设的广义线性模型未收敛的情况下，调整所述预设的广义线性模型中的定价系数，并继续输入样本数据进行训练，直至模型收敛，得到目标广义线性模型。3.如权利要求2所述的保费定价方法，其特征在于，所述根据所述用户信息和赔付参数，确定所述投保产品的预测的索赔金额，包括：从所述用户信息中筛选出影响保费金额的定价因子，得到多个定价因子；根据多个所述定价因子和赔付参数，确定预测的索赔金额。4.如权利要求2所述的保费定价方法，其特征在于，所述根据所述预测的索赔金额和索赔金额，确定所述预设的广义线性模型是否收敛，包括：根据所述预测的索赔金额和索赔金额，确定绝对偏差和相对偏差；确定所述绝对偏差是否小于或等于预设绝对偏差且所述相对偏差是否小于或等于预设相对偏差；在所述绝对偏差小于或等于预设绝对偏差且所述相对偏差小于或等于预设相对偏差时，确定所述预设的广义线性模型已收敛。5.如权利要求1所述的保费定价方法，其特征在于，所述从所述目标广义线性模型中输出多个定价因子和各所述定价因子匹配的定价系数，包括：从所述目标广义线性模型中获取携带定价标识的因子，得到多个定价因子；从所述目标广义线性模型中获取各所述定价因子匹配的定价系数。6.如权利要求1所述的保费定价方法，其特征在于，所述根据所述目标用户信息、各所述定价因子和各所述定价因子匹配的定价系数，确定所述目标用户的保费金额，包括：根据所述目标用户信息从多个所述定价因子筛选出至少一个目标定价因子；将各所述目标定价因子匹配的定价系数与预设保费金额进行累乘处理，得到所述目标用户的保费金额。7.如权利要求1所述的保费定价方法，其特征在于，所述根据所述目标用户信息、各所述定价因子和各所述定价因子匹配的定价系数，确定所述目标用户的保费金额，还包括：根据所述目标用户信息从多个所述定价因子筛选出至少一个目标定价因子；获取预设保险场景的保费金额，各所述目标定价因子匹配的定价系数与预设保险场景
的保费金额进行累乘处理，得到所述目标用户的保费金额。8.一种保费定价装置，其特征在于，所述保费定价装置包括获取模块、训练模块、输出模块和确定模块，其中：所述获取模块，用于获取多个样本数据，所述样本数据包括用户信息、用户的投保产品的索赔金额和所述投保产品的赔付参数；所述训练模块，用于根据各所述样本数据中的用户信息、索赔金额和赔付参数对预设的广义线性模型进行训练，直至所述预设的广义线性模型收敛，得到目标广义线性模型；所述输出模块，用于从所述目标广义线性模型中输出多个定价因子和各所述定价因子匹配的定价系数；所述获取模块，还用于获取待投保的目标用户的目标用户信息；所述确定模块，用于根据所述目标用户信息、各所述定价因子和各所述定价因子匹配的定价系数，确定所述目标用户的保费金额。9.一种终端设备，其特征在于，所述终端设备包括处理器、存储器、以及存储在所述存储器上并可被所述处理器执行的计算机程序，其中所述计算机程序被所述处理器执行时，实现如权利要求1至7中任一项所述的保费定价方法的步骤。10.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质上存储有计算机程序，其中所述计算机程序被处理器执行时，实现如权利要求1至7中任一项所述的保费定价方法的步骤。

技术总结
本申请提供一种保费定价方法、装置、设备及存储介质，属于金融领域，包括：获取多个样本数据，该样本数据包括用户信息、用户的投保产品的索赔金额和投保产品的赔付参数；根据各样本数据中的用户信息、索赔金额和赔付参数对预设的广义线性模型进行训练，直至预设的广义线性模型收敛，得到目标广义线性模型；从目标广义线性模型中输出多个定价因子和各定价因子匹配的定价系数；获取待投保的目标用户的目标用户信息，根据目标用户信息、各定价因子和各定价因子匹配的定价系数，确定目标用户的保费金额。本申请能够准确地得到目标用户的保费金额。本申请还涉及区块链技术领域和人工智能技术领域，目标广义线性模型可存储至区块链。目标广义线性模型可存储至区块链。目标广义线性模型可存储至区块链。


技术研发人员：李想
受保护的技术使用者：中国平安财产保险股份有限公司
技术研发日：2023.06.29
技术公布日：2023/10/6