隨著我國互聯(lián)網(wǎng)覆蓋率的不斷提升,電子商務(wù)與在線支付的不斷發(fā)展,極大促進(jìn)了我國互聯(lián)網(wǎng)車險市場的發(fā)展。車險作為財產(chǎn)保險中最重要的險種,進(jìn)行高效、可靠的風(fēng)險控制尤為重要。由于互聯(lián)網(wǎng)車險相對于傳統(tǒng)渠道車險具有其自身特點,如何將互聯(lián)網(wǎng)相關(guān)技術(shù)融入到風(fēng)險控制流程中,進(jìn)行更高效的風(fēng)險控制有待開發(fā)。本文基于互聯(lián)網(wǎng)車險業(yè)務(wù)流程,在此基礎(chǔ)上運用互聯(lián)網(wǎng)大數(shù)據(jù)與機(jī)器學(xué)習(xí)技術(shù),建立風(fēng)險控制流程,具體工作如下:首先,對互聯(lián)網(wǎng)車險概念進(jìn)行界定,分析國內(nèi)外互聯(lián)網(wǎng)車險發(fā)展現(xiàn)狀與特點,通過互聯(lián)網(wǎng)車險具有的優(yōu)勢闡述其重要性,并分析所面臨的主要風(fēng)險。其次,闡述與分析可用于風(fēng)險控制的相關(guān)技術(shù),并使用BigQuery和Tensorflow技術(shù),通過天氣數(shù)據(jù)等信息實時預(yù)測交通事故發(fā)生數(shù)量為例,分析了使用互聯(lián)網(wǎng)技術(shù)對互聯(lián)網(wǎng)車險進(jìn)行風(fēng)險控制的可行性。最后,基于互聯(lián)網(wǎng)車險業(yè)務(wù)流程及所面臨的風(fēng)險采取一些風(fēng)險控制措施,將互聯(lián)網(wǎng)技術(shù)運用至風(fēng)險控制措施中,提升風(fēng)險控制的效率,并通過機(jī)器學(xué)習(xí)技術(shù),實現(xiàn)對風(fēng)險大小的事前預(yù)測。本文風(fēng)險控制措施綜合考慮了駕駛員、車輛、環(huán)境、投保特征因素,力求客觀和高效地識別與控制風(fēng)險,給優(yōu)質(zhì)客戶帶來更便捷服務(wù)的同時,最終...

【文章頁數(shù)】：53 頁

【學(xué)位級別】：碩士

【部分圖文】：

圖３．１通過ＢｉｇＱｕｅｒｙ執(zhí)行氣象數(shù)據(jù)查詢語句??表３．１?通Ｂｉｕｅｒ建立示

出租車搭乘總數(shù)，只需要將歷史事故數(shù)據(jù)（ｎｙｃ－ｔｌｃ：ｇｒｅｅｎ）加載到ＢｉｇＱｕｅｒｙ中，將??這些作為輸入數(shù)據(jù)集。??如圖３．１，在Ｇｏｏｇｌｅ?Ｃｌｏｕｄ?Ｄａｔａｌａｂ中運行ＢｉｇＱｕｅｒｙ查詢，可獲取氣象數(shù)??據(jù)，示例見表３．１。??％％ｓｑｌ?－一ｍｏｄｕｌｅ?ｗｘｑ....

圖３．２通過ＢｉｇＱｕｅｒｙ執(zhí)行查詢出租車達(dá)成總數(shù)??

?５３８６６??圖３．２通過ＢｉｇＱｕｅｒｙ執(zhí)行查詢出租車達(dá)成總數(shù)??如圖３．３，通過ＢｉｇＱｕｅｒｙ合并天氣和出租車達(dá)成數(shù)量數(shù)據(jù)庫，得到供機(jī)器學(xué)??習(xí)使用的完整數(shù)據(jù)集（表３．２）??ｄａｔａ?＝?ｐｄ，ｍｅｒｇｅ（ｗｅａｔｈｅｒ，?ｔｒｉｐｓ，?ｏｎ＝＇ｄａｙｎｕｍｂｅｒ＇）?....

圖３．４通過Ｔｅｎｓｏｒｆｌｏｗ建立測試基準(zhǔn)??因為在從短短數(shù)百天的數(shù)據(jù)中無法獲得數(shù)百萬計的實例，所以應(yīng)在具有一個??

ｄａｔａ?：?ｔａｒｇｅｔｓ［：ｔｒａｉｎｓｉｚｅ］．ｖａｌｕｅｓ．ｒｅｓｈａｐｅ（ｔｒａｉｎｓｉｚｅ，?ｎｏｕｔｐｕｔｓ）??｝）??圖３．５建立測試模型??如圖３．６，保存模型，把它在測試數(shù)據(jù)集上運行，并驗證它能否比基準(zhǔn)模型??做得更好�？梢缘玫綐�(biāo)準(zhǔn)差約８１８１．７１的，相比....

圖３．５建立測試模型??如圖３．６，保存模型，把它在測試數(shù)據(jù)集上運行，并驗證它能否比基準(zhǔn)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??圖３．４通過Ｔｅｎｓｏｒｆｌ....

本文編號：4038013