我国互联网车险的风险控制研究

发布时间：2025-03-30 02:07

　　随着我国互联网覆盖率的不断提升,电子商务与在线支付的不断发展,极大促进了我国互联网车险市场的发展。车险作为财产保险中最重要的险种,进行高效、可靠的风险控制尤为重要。由于互联网车险相对于传统渠道车险具有其自身特点,如何将互联网相关技术融入到风险控制流程中,进行更高效的风险控制有待开发。本文基于互联网车险业务流程,在此基础上运用互联网大数据与机器学习技术,建立风险控制流程,具体工作如下:首先,对互联网车险概念进行界定,分析国内外互联网车险发展现状与特点,通过互联网车险具有的优势阐述其重要性,并分析所面临的主要风险。其次,阐述与分析可用于风险控制的相关技术,并使用BigQuery和Tensorflow技术,通过天气数据等信息实时预测交通事故发生数量为例,分析了使用互联网技术对互联网车险进行风险控制的可行性。最后,基于互联网车险业务流程及所面临的风险采取一些风险控制措施,将互联网技术运用至风险控制措施中,提升风险控制的效率,并通过机器学习技术,实现对风险大小的事前预测。本文风险控制措施综合考虑了驾驶员、车辆、环境、投保特征因素,力求客观和高效地识别与控制风险,给优质客户带来更便捷服务的同时,最终...

【文章页数】：53 页

【学位级别】：硕士

【部分图文】：

图３．１通过ＢｉｇＱｕｅｒｙ执行气象数据查询语句??表３．１?通Ｂｉｕｅｒ建立示

出租车搭乘总数，只需要将历史事故数据（ｎｙｃ－ｔｌｃ：ｇｒｅｅｎ）加载到ＢｉｇＱｕｅｒｙ中，将??这些作为输入数据集。??如图３．１，在Ｇｏｏｇｌｅ?Ｃｌｏｕｄ?Ｄａｔａｌａｂ中运行ＢｉｇＱｕｅｒｙ查询，可获取气象数??据，示例见表３．１。??％％ｓｑｌ?－一ｍｏｄｕｌｅ?ｗｘｑ....

图３．２通过ＢｉｇＱｕｅｒｙ执行查询出租车达成总数??

?５３８６６??图３．２通过ＢｉｇＱｕｅｒｙ执行查询出租车达成总数??如图３．３，通过ＢｉｇＱｕｅｒｙ合并天气和出租车达成数量数据库，得到供机器学??习使用的完整数据集（表３．２）??ｄａｔａ?＝?ｐｄ，ｍｅｒｇｅ（ｗｅａｔｈｅｒ，?ｔｒｉｐｓ，?ｏｎ＝＇ｄａｙｎｕｍｂｅｒ＇）?....

图３．４通过Ｔｅｎｓｏｒｆｌｏｗ建立测试基准??因为在从短短数百天的数据中无法获得数百万计的实例，所以应在具有一个??

ｄａｔａ?：?ｔａｒｇｅｔｓ［：ｔｒａｉｎｓｉｚｅ］．ｖａｌｕｅｓ．ｒｅｓｈａｐｅ（ｔｒａｉｎｓｉｚｅ，?ｎｏｕｔｐｕｔｓ）??｝）??图３．５建立测试模型??如图３．６，保存模型，把它在测试数据集上运行，并验证它能否比基准模型??做得更好。可以得到标准差约８１８１．７１的，相比....

图３．５建立测试模型??如图３．６，保存模型，把它在测试数据集上运行，并验证它能否比基准模型??

ｐｒｉｎｔ?＇Ｊｕｓｔ?ｕｓｉｎｇ?ａｖｅｒａｇｅ＝｛０｝?ｈａｓ?ＲＭＳＥ?ｏｆ?｛１｝１．ｆｏｒｍａｔ（ａｖｇ，?ｒｍｓｅ）??Ｄｕｓｔ?ｕｓｉｎｇ?ａｖｅｒａｇｅ＝４７１４７．５２Ｑ６４２２?ｈａｓ?ＲＭＳＥ?ｏｆ?１２７３２．１３４３４８７??图３．４通过Ｔｅｎｓｏｒｆｌ....

本文编号：4038013