本發(fā)明涉及數(shù)據(jù)分析評估技術領域，特別是一種投?？蛻艚】禒顩r分析方法及服務器。

背景技術：

目前，針對一個客戶的壽險投保申請，通常由風險評估人員對該客戶的當前投保數(shù)據(jù)按照預設的評估規(guī)則進行人工風險分析。例如，預設的評估規(guī)則中可以設置理賠額風險評估規(guī)則，若一個受理賠人預設時間內(nèi)多次發(fā)生理賠額超過閾值的理賠事件時，則分析人員會對將該受理賠人列入高理賠風險人。這種人工風險評估方式對分析人的風險分析的專業(yè)性有很高的要求，且這種方式的準確性通常很低，需要投入的人力、物力會非常大。

技術實現(xiàn)要素：

鑒于以上內(nèi)容，有必要提供一種投?？蛻艚】禒顩r分析方法，其可以快速評估投?？蛻舻慕】碉L險等級，避免傳統(tǒng)人工評估所耗費的大量人力、物力。

一種投保客戶健康狀況分析方法，包括：

獲取多個已投?？蛻舻念A設類型數(shù)據(jù)，基于所述已投?？蛻舻念A設類型數(shù)據(jù)，按照預設的模型生成規(guī)則，生成一個健康風險等級分析模型；

在收到針對一待投?？蛻舻慕】碉L險等級分析指令時，接收該客戶的投保數(shù)據(jù)；

從所述客戶的投保數(shù)據(jù)中獲取預設類型數(shù)據(jù)作為健康風險數(shù)據(jù)，確定各個預設類型數(shù)據(jù)對應的風險因子數(shù)據(jù)；及

將各個預設類型數(shù)據(jù)對應的風險因子對應的數(shù)據(jù)代入生成的所述健康風險 等級分析模型中，以分析出該客戶對應的健康風險等級。

優(yōu)選地，所述預設的模型生成規(guī)則包括：

獲取預設數(shù)量已投?？蛻舻念A設類型數(shù)據(jù)；

獲得各個已投?？蛻舻念A設類型數(shù)據(jù)對應的風險因子數(shù)據(jù)；

對各個已投?？蛻舻念A設類型數(shù)據(jù)，按照預設分析規(guī)則進行健康風險等級劃分，將不同健康風險等級的客戶的預設類型數(shù)據(jù)對應的各個風險因子數(shù)據(jù)分發(fā)到不同的文件夾里；

從不同文件夾下各提取第一預設比例的各個風險因子數(shù)據(jù)作為訓練數(shù)據(jù)進行模型訓練，從不同文件夾下各取剩下的第二預設比例的各個風險因子數(shù)據(jù)作為測試數(shù)據(jù)以對生成的模型進行準確性驗證；及

若生成的svm模型準確率小于預設準確率，則增加預設類型數(shù)據(jù)的獲取數(shù)量，重復上述模型的生成過程，直到生成的模型準確率大于等于預設準確率。

優(yōu)選地，所述預設的模型生成規(guī)則包括：

獲取預設數(shù)量已投?？蛻舻念A設類型數(shù)據(jù)；

獲得各個已投保客戶的預設類型數(shù)據(jù)對應的風險因子數(shù)據(jù)；

對各個已投保客戶的預設類型數(shù)據(jù)，按照預設分析規(guī)則進行健康風險等級劃分，將不同健康風險等級的客戶的預設類型數(shù)據(jù)對應的各個風險因子數(shù)據(jù)分發(fā)到不同的文件夾里；

從不同文件夾下各提取第一預設比例的各個風險因子數(shù)據(jù)作為訓練數(shù)據(jù)進行模型訓練，從不同文件夾下各取剩下的第二預設比例的各個風險因子數(shù)據(jù)作為測試數(shù)據(jù)以對生成的模型進行準確性驗證；及

若生成的svm模型準確率小于預設準確率，則按照預設的因子調(diào)優(yōu)規(guī)則對確定的風險因子進行刪除和/或增加處理，重復上述模型的生成過程，直到生成的模型準確率大于等于預設準確率。

優(yōu)選地，所述因子調(diào)優(yōu)規(guī)則包括確定生成的模型中的各個風險因子對應的權重系數(shù)；找出權重系數(shù)最小的風險因子；從生成的svm模型中的各個風險因子中刪除找出的風險因子，和/或新增其他風險因子。

優(yōu)選地，所述預設類型數(shù)據(jù)包括：門診數(shù)據(jù)、體檢數(shù)據(jù)、個人特征數(shù)據(jù)；以及所述預設類型數(shù)據(jù)對應的風險因子數(shù)據(jù)包括：門診數(shù)據(jù)對應的固定時間內(nèi)的門診次數(shù)、慢性病、突發(fā)性疾病及固定時間內(nèi)門診的平均花費，體檢數(shù)據(jù)對應的血壓、血糖、心率及身體質(zhì)量指數(shù)，及個人特征數(shù)據(jù)對應的年齡、性別、生活地域及職業(yè)。

鑒于以上內(nèi)容，還有必要提供一種適用于上述方法的服務器，其可以快速評估投?？蛻舻慕】碉L險等級，避免傳統(tǒng)人工評估所耗費的大量人力、物力。

一種服務器，該服務器包括存儲設備以及處理器，其中：

所述存儲設備，用于存儲一個投?？蛻艚】禒顩r分析系統(tǒng)；

所述處理器，用于調(diào)用并執(zhí)行所述投?？蛻艚】禒顩r分析系統(tǒng)，以執(zhí)行如下步驟：

獲取多個已投?？蛻舻念A設類型數(shù)據(jù)，基于所述已投?？蛻舻念A設類型數(shù)據(jù)，按照預設的模型生成規(guī)則，生成一個健康風險等級分析模型；

在收到針對一待投保客戶的健康風險等級分析指令時，接收該客戶的投保數(shù)據(jù)；

從所述客戶的投保數(shù)據(jù)中獲取預設類型數(shù)據(jù)作為健康風險數(shù)據(jù)，確定各個預設類型數(shù)據(jù)對應的風險因子數(shù)據(jù)；及

將各個預設類型數(shù)據(jù)對應的風險因子對應的數(shù)據(jù)代入生成的所述健康風險等級分析模型中，以分析出該客戶對應的健康風險等級。

優(yōu)選地，其特征在于，所述預設的模型生成規(guī)則包括：

獲取預設數(shù)量已投?？蛻舻念A設類型數(shù)據(jù)；

獲得各個已投?？蛻舻念A設類型數(shù)據(jù)對應的風險因子數(shù)據(jù)；

對各個已投?？蛻舻念A設類型數(shù)據(jù)，按照預設分析規(guī)則進行健康風險等級劃分，將不同健康風險等級的客戶的預設類型數(shù)據(jù)對應的各個風險因子數(shù)據(jù)分發(fā)到不同的文件夾里；

從不同文件夾下各提取第一預設比例的各個風險因子數(shù)據(jù)作為訓練數(shù)據(jù)進行模型訓練，從不同文件夾下各取剩下的第二預設比例的各個風險因子數(shù)據(jù)作為測試數(shù)據(jù)以對生成的模型進行準確性驗證；及

若生成的svm模型準確率小于預設準確率，則增加預設類型數(shù)據(jù)的獲取數(shù)量，重復上述模型的生成過程，直到生成的模型準確率大于等于預設準確率。

優(yōu)選地，所述預設的模型生成規(guī)則包括：

獲取預設數(shù)量已投保客戶的預設類型數(shù)據(jù)；

獲得各個已投?？蛻舻念A設類型數(shù)據(jù)對應的風險因子數(shù)據(jù)；

對各個已投?？蛻舻念A設類型數(shù)據(jù)，按照預設分析規(guī)則進行健康風險等級劃分，將不同健康風險等級的客戶的預設類型數(shù)據(jù)對應的各個風險因子數(shù)據(jù)分發(fā)到不同的文件夾里；

從不同文件夾下各提取第一預設比例的各個風險因子數(shù)據(jù)作為訓練數(shù)據(jù)進行模型訓練，從不同文件夾下各取剩下的第二預設比例的各個風險因子數(shù)據(jù)作為測試數(shù)據(jù)以對生成的模型進行準確性驗證；及

若生成的svm模型準確率小于預設準確率，則按照預設的因子調(diào)優(yōu)規(guī)則對確定的風險因子進行刪除和/或增加處理，重復上述模型的生成過程，直到生成的模型準確率大于等于預設準確率。

優(yōu)選地，所述因子調(diào)優(yōu)規(guī)則為：確定生成的模型中的各個風險因子對應的權重系數(shù)；找出權重系數(shù)最小的風險因子；從生成的svm模型中的各個風險因 子中刪除找出的風險因子，和/或新增其他風險因子。

優(yōu)選地，所述預設類型數(shù)據(jù)包括：門診數(shù)據(jù)、體檢數(shù)據(jù)、個人特征數(shù)據(jù)；以及所述預設類型數(shù)據(jù)對應的風險因子數(shù)據(jù)包括：門診數(shù)據(jù)對應的固定時間內(nèi)的門診次數(shù)、慢性病、突發(fā)性疾病及固定時間內(nèi)門診的平均花費，體檢數(shù)據(jù)對應的血壓、血糖、心率及身體質(zhì)量指數(shù)，及個人特征數(shù)據(jù)對應的年齡、性別、生活地域及職業(yè)。

本發(fā)明所述投?？蛻艚】禒顩r分析方法及適用于上述方法的服務器及終端設備，通過建立健康風險等級的分析模型，快速評估投?？蛻舻慕】碉L險等級，避免傳統(tǒng)人工評估所耗費的大量人力、物力。

附圖說明

圖1是本發(fā)明投?？蛻艚】禒顩r分析系統(tǒng)第一實施例的硬件環(huán)境圖。

圖2是本發(fā)明投?？蛻艚】禒顩r分析系統(tǒng)第二實施例的硬件環(huán)境圖。

圖3是本發(fā)明投?？蛻艚】禒顩r分析系統(tǒng)較佳實施例的功能模塊圖。

圖4是本發(fā)明投?？蛻艚】禒顩r分析方法較佳實施例的方法實施流程圖。

圖5是圖4所示投保客戶健康狀況分析方法中生成健康風險等級分析模型的第一較佳實施例的實施流程圖。

圖6是圖4所示投?？蛻艚】禒顩r分析方法中生成健康風險等級分析模型的第二較佳實施例的實施流程圖。

具體實施方式

參閱圖1所示，是本發(fā)明投?？蛻艚】禒顩r分析系統(tǒng)第一實施例的硬件環(huán)境圖。

本實施例所述投?？蛻艚】禒顩r分析系統(tǒng)2可以安裝并運行于一臺服務器1中。所述服務器1可以通過通訊模塊(未圖示)與至少一臺終端設備3通訊連 接，所述終端設備3可以是個人電腦、智能手機、平板電腦等設備。所述終端設備3包括輸入設備30及顯示設備31。

所述服務器1可以包括有處理器以及存儲設備(未圖示)。所述處理器是服務器1的運算核心(coreunit)和控制核心(controlunit)，用于解釋計算機指令以及處理計算機軟件中的數(shù)據(jù)。所述存儲設備可以是一個或者多個非易失性存儲單元，如rom、eprom或flashmemory(快閃存儲單元)等。所述存儲設備可以內(nèi)置或者外接于服務器1。

本實施例中，所述投保客戶健康狀況分析系統(tǒng)2可以是一種計算機軟件，其包括計算機可執(zhí)行的程序指令代碼，該程序指令代碼可以存儲于所述存儲設備中，在所述處理器的執(zhí)行下，實現(xiàn)下述功能：從與所述服務器1連接的數(shù)據(jù)庫4中獲取多個已投?？蛻舻念A設類型數(shù)據(jù)，基于所述已投?？蛻舻念A設類型數(shù)據(jù)，按照預設的模型生成規(guī)則，生成一個健康風險等級分析模型，并在收到終端設備3發(fā)出的針對一待投保客戶的健康風險等級分析指令時，利用所述健康風險等級分析模型分析該待投保客戶對應的健康風險等級，并將所述待投保客戶對應的健康風險等級傳送給所述終端設備3。

本實施例中，所述已投?？蛻舻念A設類型數(shù)據(jù)包括，例如，門診數(shù)據(jù)、體檢數(shù)據(jù)、個人特征數(shù)據(jù)等。

本實施例中，所述健康風險等級分析模型為一支持向量機(supportvectormachine，svm)模型。

所述預設的模型生成規(guī)則為：獲取預設數(shù)量(例如，10萬)已投?？蛻舻念A設類型數(shù)據(jù)；獲得各個已投保客戶的預設類型數(shù)據(jù)對應的風險因子數(shù)據(jù)，例如，門診數(shù)據(jù)對應的風險因子數(shù)據(jù)可以包括固定時間內(nèi)的門診次數(shù)、慢性病、突發(fā)性疾病、固定時間內(nèi)門診的平均花費等，體檢數(shù)據(jù)對應的風險因子數(shù)據(jù)可以包括血壓、血糖、心率、身體質(zhì)量指數(shù)，即體重公斤數(shù)除以身高米數(shù)平方得出的指數(shù)等，個人特征數(shù)據(jù)對應的風險因子可以包括年齡、性別、生活地域、職業(yè)等；對各個已投保客戶的預設類型數(shù)據(jù)，按照預設分析規(guī)則進行健康風險等級劃分。

例如，所述預設分析規(guī)則為：發(fā)生過的理賠額大于等于第一閾值或者發(fā)生過的理賠次數(shù)大于預設次數(shù)，例如，10次的客戶的預設類型數(shù)據(jù)為一級健康風險等級數(shù)據(jù)；發(fā)生過的理賠次數(shù)小于等于預設次數(shù)，及有發(fā)生過的理賠額小于第一閾值且大于等于第二閾值的客戶的預設類型數(shù)據(jù)為二級健康風險等級數(shù)據(jù)；發(fā)生過的理賠次數(shù)小于等于預設次數(shù)，及發(fā)生過的所有理賠額均小于第二閾值的客戶的預設類型數(shù)據(jù)為三級健康風險等級數(shù)據(jù)；及未發(fā)生過理賠的客戶的預設類型數(shù)據(jù)為四級健康風險等級數(shù)據(jù)。

將不同健康風險等級的客戶的預設類型數(shù)據(jù)對應的各個風險因子數(shù)據(jù)分發(fā)到不同的文件夾里。例如，一級健康風險等級的預設類型數(shù)據(jù)的風險因子數(shù)據(jù)分發(fā)到第一文件夾里；二級健康風險等級的預設類型數(shù)據(jù)的風險因子數(shù)據(jù)分發(fā)到第二文件夾里；三級健康風險等級的預設類型數(shù)據(jù)的風險因子數(shù)據(jù)分發(fā)到第三文件夾里；四級健康風險等級的預設類型數(shù)據(jù)的風險因子數(shù)據(jù)分發(fā)到第四文件夾里。從不同文件夾下各提取第一預設比例，例如，70％的各個風險因子數(shù)據(jù)作為訓練數(shù)據(jù)進行支持向量機(svm)模型的訓練，從不同文件夾下各取剩下的第二預設比例，例如，30％的各個風險因子數(shù)據(jù)作為測試數(shù)據(jù)以對生成的svm模型進行準確性驗證。

若生成的svm模型準確率小于預設準確率，例如，99％，則增加預設類型數(shù)據(jù)的獲取數(shù)量，重復上述svm模型的生成過程，直到生成的svm模型準確率大于等于預設準確率，例如，99％。

本發(fā)明其他較佳實施例中，若生成的svm模型準確率小于預設準確率，例如，99％，則按照預設的因子調(diào)優(yōu)規(guī)則對確定的風險因子進行刪除和/或增加處理，重復上述svm模型的生成過程，直到生成的svm模型準確率大于等于預設準確率，例如，99％。

優(yōu)選地，所述預設的因子調(diào)優(yōu)規(guī)則為：在確定的風險因子中新增其他風險因子。

優(yōu)選地，所述預設的因子調(diào)優(yōu)規(guī)則為：確定生成的svm模型中的各個風險因子對應的權重系數(shù)；找出權重系數(shù)最小的風險因子；從生成的svm模型中的 各個風險因子中刪除找出的風險因子，和/或新增其他風險因子。

優(yōu)選地，所述預設的因子調(diào)優(yōu)規(guī)則為：確定生成的svm模型中的各個風險因子對應的權重系數(shù)；找出權重系數(shù)最小的風險因子；若找出的風險因子的權重系數(shù)小于預設權重閾值，則從生成的svm模型中的風險因子中刪除找出的風險因子；若找出的風險因子的權重系數(shù)大于等于預設權重閾值，則新增其他風險因子。

在本發(fā)明的其他實施例中，如圖2所示，所述的投?？蛻艚】禒顩r分析系統(tǒng)2也可以安裝并運行于終端設備3中，所述投保客戶健康狀況分析系統(tǒng)2的程序代碼可以存儲于所述終端設備3的存儲設備(未圖示)中，并在終端設備3的處理器的執(zhí)行下，實現(xiàn)上述描述的功能。

參閱圖3所示，是本發(fā)明投?？蛻艚】禒顩r分析系統(tǒng)較佳實施例的功能模塊圖。

所述投?？蛻艚】禒顩r分析系統(tǒng)2的程序代碼根據(jù)其不同的功能，可以劃分為多個功能模塊。本發(fā)明較佳實施例中，所述投保客戶健康狀況分析系統(tǒng)2可以包括模型建立模塊20、獲取模塊21、預處理模塊22及等級分析模塊23。

所述模型建立模塊20用于獲取多個已投?？蛻舻念A設類型數(shù)據(jù)，基于所述已投?？蛻舻念A設類型數(shù)據(jù)，按照預設的模型生成規(guī)則，生成一個健康風險等級分析模型。

所述多個已投保客戶的預設類型數(shù)據(jù)可以從，例如，一數(shù)據(jù)庫4中獲取。

本實施例中，所述已投保客戶的預設類型數(shù)據(jù)包括，例如，門診數(shù)據(jù)、體檢數(shù)據(jù)、個人特征數(shù)據(jù)等。

本實施例中，所述健康風險等級分析模型為一支持向量機(supportvectormachine，svm)模型。

所述預設的模型生成規(guī)則為：獲取預設數(shù)量(例如，10萬)已投?？蛻舻念A設類型數(shù)據(jù)；獲得各個已投?？蛻舻念A設類型數(shù)據(jù)對應的風險因子數(shù)據(jù)，例如，門診數(shù)據(jù)對應的風險因子數(shù)據(jù)可以包括固定時間內(nèi)的門診次數(shù)、慢性病、突發(fā)性疾病、固定時間內(nèi)門診的平均花費等，體檢數(shù)據(jù)對應的風險因子數(shù)據(jù)可 以包括血壓、血糖、心率、身體質(zhì)量指數(shù)，即體重公斤數(shù)除以身高米數(shù)平方得出的指數(shù)等，個人特征數(shù)據(jù)對應的風險因子可以包括年齡、性別、生活地域、職業(yè)等；對各個已投?？蛻舻念A設類型數(shù)據(jù)，按照預設分析規(guī)則進行健康風險等級劃分。

例如，所述預設分析規(guī)則為：發(fā)生過的理賠額大于等于第一閾值或者發(fā)生過的理賠次數(shù)大于預設次數(shù)，例如，10次的客戶的預設類型數(shù)據(jù)為一級健康風險等級數(shù)據(jù)；發(fā)生過的理賠次數(shù)小于等于預設次數(shù)，及有發(fā)生過的理賠額小于第一閾值且大于等于第二閾值的客戶的預設類型數(shù)據(jù)為二級健康風險等級數(shù)據(jù)；發(fā)生過的理賠次數(shù)小于等于預設次數(shù)，及發(fā)生過的所有理賠額均小于第二閾值的客戶的預設類型數(shù)據(jù)為三級健康風險等級數(shù)據(jù)；及未發(fā)生過理賠的客戶的預設類型數(shù)據(jù)為四級健康風險等級數(shù)據(jù)。

將不同健康風險等級的客戶的預設類型數(shù)據(jù)對應的各個風險因子數(shù)據(jù)分發(fā)到不同的文件夾里。例如，一級健康風險等級的預設類型數(shù)據(jù)的風險因子數(shù)據(jù)分發(fā)到第一文件夾里；二級健康風險等級的預設類型數(shù)據(jù)的風險因子數(shù)據(jù)分發(fā)到第二文件夾里；三級健康風險等級的預設類型數(shù)據(jù)的風險因子數(shù)據(jù)分發(fā)到第三文件夾里；四級健康風險等級的預設類型數(shù)據(jù)的風險因子數(shù)據(jù)分發(fā)到第四文件夾里。從不同文件夾下各提取第一預設比例，例如，70％的各個風險因子數(shù)據(jù)作為訓練數(shù)據(jù)進行支持向量機(svm)模型的訓練，從不同文件夾下各取剩下的第二預設比例，例如，30％的各個風險因子數(shù)據(jù)作為測試數(shù)據(jù)以對生成的svm模型進行準確性驗證。

若生成的svm模型準確率小于預設準確率，例如，99％，則增加預設類型數(shù)據(jù)的獲取數(shù)量，重復上述svm模型的生成過程，直到生成的svm模型準確率大于等于預設準確率，例如，99％。

本發(fā)明其他較佳實施例中，若生成的svm模型準確率小于預設準確率，例如，99％，則按照預設的因子調(diào)優(yōu)規(guī)則對確定的風險因子進行刪除和/或增加處理，重復上述svm模型的生成過程，直到生成的svm模型準確率大于等于預設準確率，例如，99％。

優(yōu)選地，所述預設的因子調(diào)優(yōu)規(guī)則為：在確定的風險因子中新增其他風險因子。

優(yōu)選地，所述預設的因子調(diào)優(yōu)規(guī)則為：確定生成的svm模型中的各個風險因子對應的權重系數(shù)；找出權重系數(shù)最小的風險因子；從生成的svm模型中的各個風險因子中刪除找出的風險因子，及新增其他風險因子。

優(yōu)選地，所述預設的因子調(diào)優(yōu)規(guī)則為：確定生成的svm模型中的各個風險因子對應的權重系數(shù)；找出權重系數(shù)最小的風險因子；若找出的風險因子的權重系數(shù)小于預設權重閾值，則從生成的svm模型中的風險因子中刪除找出的風險因子；若找出的風險因子的權重系數(shù)大于等于預設權重閾值，則新增其他風險因子。

所述獲取模塊21用于在收到終端設備3的用戶通過其輸入設備30發(fā)出的針對一待投保客戶的健康風險等級分析指令時，接收該客戶的投保數(shù)據(jù)。

所述預處理模塊22用于從所述客戶的投保數(shù)據(jù)中獲取預設類型數(shù)據(jù)作為健康風險數(shù)據(jù)，確定各個預設類型數(shù)據(jù)對應的風險因子數(shù)據(jù)。

本實施例中，所述預設類型數(shù)據(jù)包括，例如，門診數(shù)據(jù)、體檢數(shù)據(jù)、個人特征數(shù)據(jù)等。所述預設類型數(shù)據(jù)對應的風險因子數(shù)據(jù)，例如，門診數(shù)據(jù)對應的風險因子數(shù)據(jù)可以包括固定時間內(nèi)的門診次數(shù)、慢性病、突發(fā)性疾病、固定時間內(nèi)門診的平均花費等，體檢數(shù)據(jù)對應的風險因子數(shù)據(jù)可以包括血壓、血糖、心率、身體質(zhì)量指數(shù)，即體重公斤數(shù)除以身高米數(shù)平方得出的指數(shù)等，個人特征數(shù)據(jù)對應的風險因子可以包括年齡、性別、生活地域、職業(yè)等。

所述等級分析模塊23用于將各個預設類型數(shù)據(jù)對應的風險因子對應的數(shù)據(jù)代入生成的所述健康風險等級分析模型中，以分析出該客戶對應的健康風險等級，將所述客戶對應的健康風險等級發(fā)送給所述終端設備3。所述客戶對應的健康風險等級可以顯示在終端設備3的顯示設備31上。

參閱圖4所示，是本發(fā)明投保客戶健康狀況分析方法較佳實施例的方法實施流程圖。本實施例所述投?？蛻艚】禒顩r分析方法并不限于流程圖中所示步驟，此外流程圖中所示步驟中，某些步驟可以省略、步驟之間的順序可以改變。

步驟s10，模型建立模塊20獲取多個已投?？蛻舻念A設類型數(shù)據(jù)，基于所述已投?？蛻舻念A設類型數(shù)據(jù)，按照預設的模型生成規(guī)則，生成一個健康風險等級分析模型。

所述多個已投?？蛻舻念A設類型數(shù)據(jù)可以從，例如，一數(shù)據(jù)庫4中獲取。

本實施例中，所述已投?？蛻舻念A設類型數(shù)據(jù)包括，例如，門診數(shù)據(jù)、體檢數(shù)據(jù)、個人特征數(shù)據(jù)等。所述生成健康風險等級分析模型的詳細流程可以參照下述圖5及圖6中的描述。

本實施例中，所述健康風險等級分析模型為一支持向量機(supportvectormachine，svm)模型。

步驟s11，獲取模塊21在收到終端設備3的用戶通過其輸入設備30發(fā)出的針對一待投?？蛻舻慕】碉L險等級分析指令時，接收該客戶的投保數(shù)據(jù)。

步驟s12，預處理模塊22從所述客戶的投保數(shù)據(jù)中獲取預設類型數(shù)據(jù)作為健康風險數(shù)據(jù)，確定各個預設類型數(shù)據(jù)對應的風險因子數(shù)據(jù)。

本實施例中，所述預設類型數(shù)據(jù)包括，例如，門診數(shù)據(jù)、體檢數(shù)據(jù)、個人特征數(shù)據(jù)等。所述預設類型數(shù)據(jù)對應的風險因子數(shù)據(jù)，例如，門診數(shù)據(jù)對應的風險因子數(shù)據(jù)可以包括固定時間內(nèi)的門診次數(shù)、慢性病、突發(fā)性疾病、固定時間內(nèi)門診的平均花費等，體檢數(shù)據(jù)對應的風險因子數(shù)據(jù)可以包括血壓、血糖、心率、身體質(zhì)量指數(shù)，即體重公斤數(shù)除以身高米數(shù)平方得出的指數(shù)等，個人特征數(shù)據(jù)對應的風險因子可以包括年齡、性別、生活地域、職業(yè)等。

步驟s13，等級分析模塊23將各個預設類型數(shù)據(jù)對應的風險因子對應的數(shù)據(jù)代入生成的所述健康風險等級分析模型中，以分析出該客戶對應的健康風險等級。

步驟s13，所述等級分析模塊23將所述客戶對應的健康風險等級發(fā)送給所述終端設備3，并顯示在終端設備3的顯示設備31上。

參閱圖5所示，是圖4所示投保客戶健康狀況分析方法中生成健康風險等級分析模型的第一較佳實施例的實施流程圖。本實施例所述投保客戶健康狀況分析方法并不限于流程圖中所示步驟，此外流程圖中所示步驟中，某些步驟可 以省略、步驟之間的順序可以改變。

步驟s100，模型建立模塊20獲取預設數(shù)量(例如，10萬)已投?？蛻舻念A設類型數(shù)據(jù)。

步驟s101，模型建立模塊20獲得各個已投?？蛻舻念A設類型數(shù)據(jù)對應的風險因子數(shù)據(jù)，例如，門診數(shù)據(jù)對應的風險因子數(shù)據(jù)可以包括固定時間內(nèi)的門診次數(shù)、慢性病、突發(fā)性疾病、固定時間內(nèi)門診的平均花費等，體檢數(shù)據(jù)對應的風險因子數(shù)據(jù)可以包括血壓、血糖、心率、身體質(zhì)量指數(shù)，即體重公斤數(shù)除以身高米數(shù)平方得出的指數(shù)等，個人特征數(shù)據(jù)對應的風險因子可以包括年齡、性別、生活地域、職業(yè)等。

步驟s102，模型建立模塊20對各個已投保客戶的預設類型數(shù)據(jù)，按照預設分析規(guī)則進行健康風險等級劃分，將不同健康風險等級的客戶的預設類型數(shù)據(jù)對應的各個風險因子數(shù)據(jù)分發(fā)到不同的文件夾里。

例如，所述預設分析規(guī)則為：發(fā)生過的理賠額大于等于第一閾值或者發(fā)生過的理賠次數(shù)大于預設次數(shù)，例如，10次的客戶的預設類型數(shù)據(jù)為一級健康風險等級數(shù)據(jù)；發(fā)生過的理賠次數(shù)小于等于預設次數(shù)，及有發(fā)生過的理賠額小于第一閾值且大于等于第二閾值的客戶的預設類型數(shù)據(jù)為二級健康風險等級數(shù)據(jù)；發(fā)生過的理賠次數(shù)小于等于預設次數(shù)，及發(fā)生過的所有理賠額均小于第二閾值的客戶的預設類型數(shù)據(jù)為三級健康風險等級數(shù)據(jù)；及未發(fā)生過理賠的客戶的預設類型數(shù)據(jù)為四級健康風險等級數(shù)據(jù)。

例如，一級健康風險等級的預設類型數(shù)據(jù)的風險因子數(shù)據(jù)分發(fā)到第一文件夾里；二級健康風險等級的預設類型數(shù)據(jù)的風險因子數(shù)據(jù)分發(fā)到第二文件夾里；三級健康風險等級的預設類型數(shù)據(jù)的風險因子數(shù)據(jù)分發(fā)到第三文件夾里；四級健康風險等級的預設類型數(shù)據(jù)的風險因子數(shù)據(jù)分發(fā)到第四文件夾里。

步驟s103，模型建立模塊20從不同文件夾下各提取第一預設比例，例如，70％的各個風險因子數(shù)據(jù)作為訓練數(shù)據(jù)進行支持向量機(svm)模型的訓練，從不同文件夾下各取剩下的第二預設比例，例如，30％的各個風險因子數(shù)據(jù)作為測試數(shù)據(jù)以對生成的svm模型進行準確性驗證。

步驟s104，模型建立模塊20判斷生成的svm模型準確率是否小于預設準確率，例如，99％。

若生成的svm模型準確率小于預設準確率，則執(zhí)行步驟s105，模型建立模塊20增加預設類型數(shù)據(jù)的獲取數(shù)量，并返回上述步驟s100，直到生成的svm模型準確率大于所述預設準確率。

參閱圖6所示，是圖4所示投保客戶健康狀況分析方法中生成健康風險等級分析模型的第二較佳實施例的實施流程圖。本實施例所述投?？蛻艚】禒顩r分析方法并不限于流程圖中所示步驟，此外流程圖中所示步驟中，某些步驟可以省略、步驟之間的順序可以改變。

步驟s110，模型建立模塊20獲取預設數(shù)量(例如，10萬)已投保客戶的預設類型數(shù)據(jù)。

步驟s111，模型建立模塊20獲得各個已投?？蛻舻念A設類型數(shù)據(jù)對應的風險因子數(shù)據(jù)，例如，門診數(shù)據(jù)對應的風險因子數(shù)據(jù)可以包括固定時間內(nèi)的門診次數(shù)、慢性病、突發(fā)性疾病、固定時間內(nèi)門診的平均花費等，體檢數(shù)據(jù)對應的風險因子數(shù)據(jù)可以包括血壓、血糖、心率、身體質(zhì)量指數(shù)，即體重公斤數(shù)除以身高米數(shù)平方得出的指數(shù)等，個人特征數(shù)據(jù)對應的風險因子可以包括年齡、性別、生活地域、職業(yè)等.

步驟s112，模型建立模塊20對各個已投保客戶的預設類型數(shù)據(jù)，按照預設分析規(guī)則進行健康風險等級劃分，將不同健康風險等級的客戶的預設類型數(shù)據(jù)對應的各個風險因子數(shù)據(jù)分發(fā)到不同的文件夾里。

例如，所述預設分析規(guī)則為：發(fā)生過的理賠額大于等于第一閾值或者發(fā)生過的理賠次數(shù)大于預設次數(shù)，例如，10次的客戶的預設類型數(shù)據(jù)為一級健康風險等級數(shù)據(jù)；發(fā)生過的理賠次數(shù)小于等于預設次數(shù)，及有發(fā)生過的理賠額小于第一閾值且大于等于第二閾值的客戶的預設類型數(shù)據(jù)為二級健康風險等級數(shù)據(jù)；發(fā)生過的理賠次數(shù)小于等于預設次數(shù)，及發(fā)生過的所有理賠額均小于第二閾值的客戶的預設類型數(shù)據(jù)為三級健康風險等級數(shù)據(jù)；及未發(fā)生過理賠的客戶的預設類型數(shù)據(jù)為四級健康風險等級數(shù)據(jù)。

例如，一級健康風險等級的預設類型數(shù)據(jù)的風險因子數(shù)據(jù)分發(fā)到第一文件夾里；二級健康風險等級的預設類型數(shù)據(jù)的風險因子數(shù)據(jù)分發(fā)到第二文件夾里；三級健康風險等級的預設類型數(shù)據(jù)的風險因子數(shù)據(jù)分發(fā)到第三文件夾里；四級健康風險等級的預設類型數(shù)據(jù)的風險因子數(shù)據(jù)分發(fā)到第四文件夾里。

步驟s113，模型建立模塊20從不同文件夾下各提取第一預設比例，例如，70％的各個風險因子數(shù)據(jù)作為訓練數(shù)據(jù)進行支持向量機(svm)模型的訓練，從不同文件夾下各取剩下的第二預設比例，例如，30％的各個風險因子數(shù)據(jù)作為測試數(shù)據(jù)以對生成的svm模型進行準確性驗證。

步驟s114，模型建立模塊20判斷生成的svm模型準確率是否小于預設準確率，例如，99％。

若生成的svm模型準確率小于預設準確率，則執(zhí)行步驟s115，模型建立模塊20按照預設的因子調(diào)優(yōu)規(guī)則對確定的風險因子進行刪除和/或增加處理，并返回執(zhí)行上述的步驟s111，直到生成的svm模型準確率大于所述預設準確率。

其中，所述預設的因子調(diào)優(yōu)規(guī)則為：在確定的風險因子中新增其他風險因子。

在其他實施例中，所述預設的因子調(diào)優(yōu)規(guī)則可以為：確定生成的svm模型中的各個風險因子對應的權重系數(shù)；找出權重系數(shù)最小的風險因子；從生成的svm模型中的各個風險因子中刪除找出的風險因子，和/或新增其他風險因子。

在其他實施例中，所述預設的因子調(diào)優(yōu)規(guī)則為：確定生成的svm模型中的各個風險因子對應的權重系數(shù)；找出權重系數(shù)最小的風險因子；若找出的風險因子的權重系數(shù)小于預設權重閾值，則從生成的svm模型中的風險因子中刪除找出的風險因子；若找出的風險因子的權重系數(shù)大于等于預設權重閾值，則新增其他風險因子。

最后所應說明的是，以上實施例僅用以說明本發(fā)明的技術方案而非限制，盡管參照較佳實施例對本發(fā)明進行了詳細說明，本領域的普通技術人員應當理解，可以對本發(fā)明的技術方案進行修改或等同替換，而不脫離本發(fā)明技術方案的精神和范圍。