1.本发明涉及保险赔付领域，特别地，涉及一种保险赔付金额的预测方法、装置、设备和存储介质。
背景技术：2.随着政府与社会对未来养老方式及社会医疗保障越来越多的关注，在全国范围内各个地区都发起了各种各样的保险基金项目，对于每种保险基金项目来说，其都会对应有相应的赔付金额，作为保险公司来讲，对保险基金项目赔付金额的预测与风险预警的需求较高。
3.因此现在亟需一种保险赔付金额的预测方法，通过该方法可以实现较高精准度的保险赔付金额预测，进而达到及时提示风险的功能。
技术实现要素：4.本文实施例的目的在于提供一种保险赔付金额的预测方法、装置、设备和存储介质，以实现较高精准度的保险赔付金额预测，进而达到及时提示风险的功能。
5.为达到上述目的，一方面，本文实施例提供了一种保险赔付金额的预测方法，包括：
6.由历史赔付金额数据中获取多个历史单元数据；
7.根据多个所述历史单元数据，预测得到多个对应的未来单元数据，其中所述未来单元数据与所述历史单元数据一一对应；
8.根据多个所述历史单元数据的相关性，计算多个所述未来单元数据构成的未来赔付金额数据。
9.优选的，所述根据多个所述历史单元数据的相关性，计算多个所述未来单元数据构成的未来赔付金额数据进一步包括：
10.根据多个所述历史单元数据，确定所述历史单元数据对应的相关系数矩阵；
11.根据所述历史单元数据对应的相关系数矩阵，通过预测公式计算多个所述未来单元数据构成的未来赔付金额数据。
12.优选的，多个所述历史单元数据包括：同一时段多个项目对应的历史单元数据，或同一项目多个时段对应的历史单元数据；
13.相应的，多个所述未来单元数据包括：同一时段多个项目对应的未来单元数据，或同一项目多个时段对应的未来单元数据。
14.优选的，当多个所述历史单元数据为同一时段多个项目对应的历史单元数据时；
15.所述根据多个所述历史单元数据，确定所述历史单元数据对应的相关系数矩阵进一步包括：
16.根据所述同一时段多个项目对应的历史单元数据，计算同一时段内任意两个项目间的线性相关系数；
17.根据多个所述线性相关系数，得到所述历史单元数据对应的相关系数矩阵。
18.优选的，当多个所述历史单元数据为同一项目多个时段对应的历史单元数据；
19.所述根据多个所述历史单元数据，确定所述历史单元数据对应的相关系数矩阵进一步包括：
20.根据所述同一项目多个时段对应的历史单元数据，计算同一项目在任意两个时段内的线性相关系数；
21.根据多个所述线性相关系数，得到所述历史单元数据对应的相关系数矩阵。
22.优选的，所述预测公式为：
[0023][0024]
其中，claim为未来赔付金额数据，claim为同一时段多个项目对应的未来单元数据所形成的列矩阵，或同一项目多个时段对应的未来单元数据所形成的列矩阵，claim
t
为claim的转置矩阵，c为相关系数矩阵。
[0025]
优选的，所述根据多个所述历史单元数据，预测得到多个对应的未来单元数据，其中所述未来单元数据与所述历史单元数据一一对应进一步包括：
[0026]
多次获取各所述历史单元数据对应的符合正态分布的随机数；
[0027]
基于每一所述历史单元数据，根据多个所述随机数，分别预测得到与所述历史单元数据对应的多个初始未来单元数据；
[0028]
根据设定置信水平，由所述多个初始未来单元数据中选取出与所述历史单元数据对应的未来单元数据。
[0029]
另一方面，本文实施例提供了一种保险赔付金额的预测装置，所述装置包括：
[0030]
获取模块，用于由历史赔付金额数据中获取多个历史单元数据；
[0031]
预测模块，用于根据多个所述历史单元数据，预测得到多个对应的未来单元数据，其中所述未来单元数据与所述历史单元数据一一对应；
[0032]
计算模块，用于根据多个所述历史单元数据的相关性，计算多个所述未来单元数据构成的未来赔付金额数据。
[0033]
又一方面，本文实施例还提供了一种计算机设备，包括存储器、处理器、以及存储在所述存储器上的计算机程序，所述计算机程序被所述处理器运行时，执行上述任意一项所述方法的指令。
[0034]
又一方面，本文实施例还提供了一种计算机可读存储介质，其上存储有计算机程序，所述计算机程序被计算机设备的处理器运行时，执行上述任意一项所述方法的指令。
[0035]
由以上本文实施例提供的技术方案可见，本文实施例通过多个历史单元数据，预测得到多个对应的未来单元数据，对于多个未来单元数据来说，任意两个未来单元数据会有相互影响，为了量化这种相互影响，可以通过多个历史单元数据的相关性来确定，进而提高未来赔付金额数据的预测精度，达到及时提示风险的功能。
[0036]
为让本文的上述和其他目的、特征和优点能更明显易懂，下文特举较佳实施例，并配合所附图式，作详细说明如下。
附图说明
[0037]
为了更清楚地说明本文实施例或现有技术中的技术方案，下面将对实施例或现有
技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本文的一些实施例，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。
[0038]
图1示出了本文实施例提供的一种保险赔付金额的预测方法的流程示意图；
[0039]
图2示出了本文实施例提供的用于获取多个历史单元数据的流程示意图；
[0040]
图3示出了本文实施例提供的用于预测得到多个对应的未来单元数据的流程示意图；
[0041]
图4示出了本文实施例提供的一种随机数的获取方法的流程示意图；
[0042]
图5示出了本文实施例提供的用于计算未来赔付金额数据的流程示意图；
[0043]
图6示出了本文实施例提供的用于确定历史单元数据对应的相关系数矩阵的流程示意图；
[0044]
图7示出了本文实施例提供的用于确定历史单元数据对应的相关系数矩阵另一的流程示意图；
[0045]
图8示出了本文实施例提供的一种保险赔付金额的预测装置的模块结构示意图；
[0046]
图9示出了本文实施例提供的计算机设备的结构示意图。
[0047]
附图符号说明：
[0048]
100、获取模块；
[0049]
200、预测模块；
[0050]
300、计算模块；
[0051]
902、计算机设备；
[0052]
904、处理器；
[0053]
906、存储器；
[0054]
908、驱动机构；
[0055]
910、输入/输出模块；
[0056]
912、输入设备；
[0057]
914、输出设备；
[0058]
916、呈现设备；
[0059]
918、图形用户接口；
[0060]
920、网络接口；
[0061]
922、通信链路；
[0062]
924、通信总线。
具体实施方式
[0063]
下面将结合本文实施例中的附图，对本文实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本文一部分实施例，而不是全部的实施例。基于本文中的实施例，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，都属于本文保护的范围。
[0064]
随着政府与社会对未来养老方式及社会医疗保障越来越多的关注，在全国范围内各个地区都发起了各种各样的保险基金项目，对于每种保险基金项目来说，其都会对应有
相应的赔付金额，作为保险公司来讲，对保险基金项目赔付金额的预测与风险预警的需求较高。
[0065]
为了对保险基金项目赔付金额进行预测，本文实施例提供了一种保险赔付金额的预测方法。图1是本文实施例提供的一种保险赔付金额的预测方法的步骤示意图，本说明书提供了如实施例或流程图所述的方法操作步骤，但基于常规或者无创造性的劳动可以包括更多或者更少的操作步骤。实施例中列举的步骤顺序仅仅为众多步骤执行顺序中的一种方式，不代表唯一的执行顺序。在实际中的系统或装置产品执行时，可以按照实施例或者附图所示的方法顺序执行或者并行执行。
[0066]
参照图1，一种保险赔付金额的预测方法，包括：
[0067]
s101：由历史赔付金额数据中获取多个历史单元数据；
[0068]
s102：根据多个所述历史单元数据，预测得到多个对应的未来单元数据，其中所述未来单元数据与所述历史单元数据一一对应；
[0069]
s103：根据多个所述历史单元数据的相关性，计算多个所述未来单元数据构成的未来赔付金额数据。
[0070]
其中历史赔付金额数据为过去一年或者几年的赔付金额数据，未来赔付金额数据是预测得到的赔付金额数据，例如通过2021年a种保险1月份的赔付金额，预测2022年a种保险1月份的赔付金额，其中2021年a种保险1月份的赔付金额即为历史赔付金额数据，2022年a种保险1月份的赔付金额即为未来赔付金额数据。
[0071]
其中历史单元数据是月度赔付金额数据，例如通过2021年a种保险1-3月份的赔付金额，预测2022年a种保险1-3月份的赔付金额，其中历史单元数据即为2021年a种保险1月份、2月份和3月份的赔付金额数据。
[0072]
一般来说，为了得到历史单元数据，需要对历史赔付金额数据进行计算。历史赔付金额数据为每月累计赔付金额数据，例如2021年a种保险的历史赔付金额数据为：1月份的赔付金额、1-2月份的赔付金额、1-3月份的赔付金额
…
1-12月份的赔付金额。
[0073]
在本文实施例中，未来赔付金额数据由多个未来单元数据构成，而多个未来单元数据之间存在相互影响，即存在相关性，可以根据多个历史单元数据来确定该相关性，根据多个历史单元数据的相关性，对多个未来单元数据进行计算，在考虑到多个未来单元数据相互影响的基础上，得到未来赔付金额数据，使得未来赔付金额数据的预测精准度更高，达到及时提示风险的功能。
[0074]
参照图2，在本文实施例中，由历史赔付金额数据中获取多个历史单元数据进一步包括：
[0075]
s201：按照时间顺序将相邻的历史赔付数据做差，得到多个初始历史单元数据；
[0076]
s202：对多个初始历史单元数据做去零处理，得到多个历史单元数据。
[0077]
具体的，以2021年a种保险的历史赔付金额数据为例，将1-2月份的赔付金额与1月份的赔付金额做差，得到2月份的赔付金额；将1-3月份的赔付金额与1-2月份的赔付金额做差，得到3月份的赔付金额；按照该方法即可得到12个月的月度赔付金额数据，即多个初始历史单元数据。
[0078]
进一步的，多个初始历史单元数据中可能存在为0的初始历史单元数据，如果存在，则需要将该数据进行去零处理。具体的，可以将零值剔除，也可以对零值进行插值处理，
插值处理即为按照时间顺序获取与该零值前后相邻的两个初始历史单元数据，并将该零值替换为这两个初始历史单元数据的平均数，例如2021年a种保险3月份的的初始历史单元数据为0，则求2月份和4月份的初始历史单元数据的平均数，并将3月份的初始历史单元数据(零值)更改为该平均数。
[0079]
在本文实施例中，未来赔付金额数据是由未来单元数据构成的，例如想要预测2022年a种保险1-12月的未来赔付金额，该未来赔付金额由2022年1月份的未来单元数据、2月份的未来单元数据
…
12月份的未来单元数据构成。
[0080]
对于未来单元数据来说，未来单元数据是由对应的历史单元数据预测得到的，例如2022年1月份的未来单元数据是由2021年1月份的历史单元数据预测得到的，当然也可以是由2020年1月份的历史单元数据预测得到的，也可以是由2020年1月份和2021年1月份的历史单元数据预测得到的。可以是之前一年或几年的历史单元数据，但必须是与未来单元数据对应的历史单元数据，该处所述的对应指的是时间段对应，即历史单元数据是1月份，未来单元数据也应当是1月份。
[0081]
参照图3，在本文实施例中，所述根据多个所述历史单元数据，预测得到多个对应的未来单元数据，其中所述未来单元数据与所述历史单元数据一一对应进一步包括：
[0082]
s301：多次获取各所述历史单元数据对应的符合正态分布的随机数；
[0083]
s302：基于每一所述历史单元数据，根据多个所述随机数，分别预测得到与所述历史单元数据对应的多个初始未来单元数据；
[0084]
s303：根据设定置信水平，由所述多个初始未来单元数据中选取出与所述历史单元数据对应的未来单元数据。
[0085]
在进行未来单元数据的预测时，可以预测得到个初始未来单元数据，然后再从多个初始未来单元数据中选出一个未来单元数据。
[0086]
具体的，在步骤s301中需要先多次获取随机数，通过获取到的多个随机数预测得到多个初始未来单元数据。其中随机数的获取方法可以参照图4：
[0087]
s401：随机获取在0到1之间的任一小数；
[0088]
s402：确定所述小数在标准正态分布函数上对应的分位点，所述分位点即为符合正态分布的随机数。
[0089]
对于每一历史单元数据来说，分别利用多个随机数，计算与该历史单元数据对应的多个初始未来单元数据。
[0090]
在上述步骤s302中，具体通过如下公式预测得到初始未来单元数据：
[0091][0092]
其中，wi为初始未来单元数据，w
i-1
为历史单元数据，i为年份，μ为历史单元数据的同比变化率的均值，σ为历史单元数据的同比变化率的标准差，t为时间间隔，此处为1，norm为随机数。
[0093]
进一步的，为了计算初始未来单元数据，还需确定历史单元数据的同比变化率，以及同比变化率的均值和标准差。一般来说，假设要预测2022年1月的初始未来单元数据，需要利用2021年1月的历史单元数据。
[0094]
为了使得计算结果更为准确，可以引入同比变化率的均值和标准差，获取初始未
来单元数据之前若干年对应的历史单元数据，分别计算若干历史单元数据之间的同比变化率，根据若干同比变化率，计算得到同比变换了的均值和标准差。例如，可以获取2016年1月、2017年1月
…
2021年1月对应的历史单元数据，首先计算2017年1月相对于2016年1月的同比变化率，2018年1月相对于2017年1月的同比变化率
…
这样总共可以得到5个同比变化率；然后根据这5个同比变化率计算同比变化率的均值和标准差。
[0095]
将该均值、标准差、2021年1月的历史单元数据以及随机数代入上述公式(1)，即可得到2022年1月的初始未来单元数据。
[0096]
多次替换随机数，将不同的随机数代入上述公式(1)，即可得到多个初始未来单元数据。
[0097]
根据设定置信水平，在多个初始未来单元数据中选出一个未来单元数据，具体的，可以将多个初始未来单元数据按照由小至大排序，将符合设定置信水平的排序后的多个初始未来单元数据中最大初始未来单元数据确定为未来单元数据。其中置信水平可以按照实际需要进行设定，可以为90％、95％或99％等等，例如当置信水平为90％，多个初始未来单元数据共有1000个时，可以确定由小至大前900个全部符合设定置信水平，其中第900个初始未来单元数据即为未来单元数据。
[0098]
参照图5，在本文实施例中，所述根据多个所述历史单元数据的相关性，计算多个所述未来单元数据构成的未来赔付金额数据进一步包括：
[0099]
s501：根据多个所述历史单元数据，确定所述历史单元数据对应的相关系数矩阵；
[0100]
s502：根据所述历史单元数据对应的相关系数矩阵，通过预测公式计算多个所述未来单元数据构成的未来赔付金额数据。
[0101]
其中，多个所述历史单元数据包括：同一时段多个项目对应的历史单元数据，或同一项目多个时段对应的历史单元数据；
[0102]
相应的，多个所述未来单元数据包括：同一时段多个项目对应的未来单元数据，或同一项目多个时段对应的未来单元数据。
[0103]
具体的，2021年1月a种保险对应的历史单元数据、2021年1月b种保险对应的历史单元数据和2021年1月c种保险对应的历史单元数据即为同一时段多个项目对应的历史单元数据，同一时段指的是1月，多个项目指的是a、b和c三种保险。而2021年1月a种保险对应的历史单元数据、2021年2月a种保险对应的历史单元数据和2021年3月a种保险对应的历史单元数据即为同一项目多个时段对应的历史单元数据，同一项目指的是a种保险，多个时段指的是1月、2月和3月。
[0104]
产生上述情况的原因是，多个项目之间在保险赔付上会产生相互影响，例如当a种保险的赔付金额特别多时，就会相应影响b种保险的赔付金额。多个时段之间也会产生相互影响，例如1月份保险的赔付金额特别多时，2月份保险的赔付金额可能就相应减少。这种相互影响即为相关性，而这种相互影响可以通过历史单元数据的相关性来进行计算和预测。
[0105]
因此在通过步骤s102计算得到未来单元数据的过程中，该未来单元数据是单项目单月度的赔付金额数据。例如想要计算2022年a种保险1-3月的未来赔付金额数据，需要得到2022年a种保险1月的未来赔付金额、2022年a种保险2月的未来赔付金额和2022年a种保险3月的未来赔付金额。例如想要计算2022年a、b、c三种保险1月的未来赔付金额数据，需要得到2022年a种保险1月的未来赔付金额、2022年b种保险1月的未来赔付金额、2022年c种保
险1月的未来赔付金额。
[0106]
进一步的，当多个所述历史单元数据为同一时段多个项目对应的历史单元数据时；
[0107]
参照图6，所述根据多个所述历史单元数据，确定所述历史单元数据对应的相关系数矩阵进一步包括：
[0108]
s601：根据所述同一时段多个项目对应的历史单元数据，计算同一时段内任意两个项目间的线性相关系数；
[0109]
s602：根据多个所述线性相关系数，得到所述历史单元数据对应的相关系数矩阵。
[0110]
假设根据a种保险2016年1月、2017年1月
…
2021年1月对应的5个历史单元数据；b种保险2016年1月、2017年1月
…
2021年1月对应的5个历史单元数据；c种保险2016年1月、2017年1月
…
2021年1月对应的5个历史单元数据。要预测2022年a、b、c三种保险1月的未来赔付金额数据，这就需要计算同一时段内任意两个项目间的线性相关系数，可以通过如下公式计算：
[0111][0112]
其中，ρ(x,y)为同一时段内任意两个项目间的线性相关系数，为其中一个项目在该时段历史单元数据同比变化率的均值，xk为其中一个项目在该时段历史单元数据的同比变化率，n为历史单元数据的数目，为另一个项目在该时段历史单元数据同比变化率的均值，yk为另一个项目在该时段历史单元数据的同比变化率。
[0113]
具体的，以计算在1月份a种保险和b种保险间的线性相关系数为例，为a种保险1月份的同比变化率的均值，x1至x5分别为a种保险在2016年1月份至2021年1月份历史单元数据的同比变化率，n为历史单元数据的数目，其中n为5，即为2016年至2021年。为b种保险1月份的同比变化率的均值，y1至y5分别为b种保险在2016年1月份至2021年1月份历史单元数据的同比变化率。
[0114]
通过上述方法将任意两个项目间的线性相关系数计算出来，得到多个线性相关系数，进而确定历史单元数据对应的相关系数矩阵如下：
[0115][0116]
其中，x、y、z分别表示一个项目。
[0117]
以根据1月份a种保险、b种保险和c种保险间的线性相关系数，得到历史单元数据对应的相关系数矩阵为例，其中ρ(x,x)表示a种保险与a种保险之间的线性相关系数，ρ(x,y)表示a种保险与b种保险之间的线性相关系数，ρ(x,z)表示a种保险与c种保险之间的线性相关系数。
[0118]
进一步的，当多个所述历史单元数据为同一项目多个时段对应的历史单元数据；
[0119]
参照图7，所述根据多个所述历史单元数据，确定所述历史单元数据对应的相关系数矩阵进一步包括：
[0120]
s701：根据所述同一项目多个时段对应的历史单元数据，计算同一项目在任意两个时段内的线性相关系数；
[0121]
s702：根据多个所述线性相关系数，得到所述历史单元数据对应的相关系数矩阵。
[0122]
假设根据a种保险2016年1月、2017年1月
…
2021年1月对应的5个历史单元数据；a种保险2016年2月、2017年2月
…
2021年2月对应的5个历史单元数据；a种保险2016年3月、2017年3月
…
2021年3月对应的5个历史单元数据。要预测2022年a种保险1-3月的未来赔付金额数据，这就需要计算同一项目在任意两个时段内的线性相关系数，可以通过如下公式计算：
[0123][0124]
其中，ρ(x,y)为同一项目在任意两个时段内的线性相关系数，为该项目在其中一个时段历史单元数据同比变化率的均值，xk为该项目在其中一个时段历史单元数据的同比变化率，n为历史单元数据的数目，为该项目在另一个时段历史单元数据同比变化率的均值，yk为该项目在另一个时段历史单元数据的同比变化率。
[0125]
具体的，以计算在a种保险1月份和2月份间的线性相关系数为例，为a种保险1月份的同比变化率的均值，x1至x5分别为a种保险在2016年1月份至2021年1月份历史单元数据的同比变化率，n为历史单元数据的数目，其中n为5，即为2016年至2021年。为a种保险2月份的同比变化率的均值，y1至y5分别为a种保险在2016年12份至2021年2月份历史单元数据的同比变化率。
[0126]
通过上述方法根据同一项目在任意两个时段内的线性相关系数，得到历史单元数据对应的相关系数矩阵，进而确定历史单元数据对应的相关系数矩阵如下：
[0127][0128]
其中，x、y、z分别表示一个月份。
[0129]
以根据a种保险1-3月份间的线性相关系数，得到历史单元数据对应的相关系数矩阵为例，其中ρ(x,x)表示1月份与1月份之间的线性相关系数，ρ(x,y)表示2月份与2月份之间的线性相关系数，ρ(x,z)表示3月份与3月份之间的线性相关系数。
[0130]
在本文实施例中，上述步骤s502中的预测公式为：
[0131][0132]
其中，claim为未来赔付金额数据，claim为同一时段多个项目对应的未来单元数
据所形成的列矩阵，或同一项目多个时段对应的未来单元数据所形成的列矩阵，claim
t
为claim的转置矩阵，c为相关系数矩阵。
[0133]
以预测2022年1月份a、b、c三种保险的未来赔付金额数据为例，列矩阵中包括2022年1月份a种保险的未来赔付金额数据，2022年1月份b种保险的未来赔付金额数据，2022年1月份c种保险的未来赔付金额数据。
[0134]
以预测a种保险2022年1-3月份的未来赔付金额数据为例，列矩阵中包括2022年1月份a种保险的未来赔付金额数据，2022年2月份a种保险的未来赔付金额数据，2022年3月份a种保险的未来赔付金额数据。
[0135]
需要说明的是，本技术所涉及的用户信息(包括但不限于用户设备信息、用户个人信息等)和数据(包括但不限于用于分析的数据、存储的数据、展示的数据等)，均为经用户授权或者经过各方充分授权的信息和数据。
[0136]
基于上述所述的一种保险赔付金额的预测方法，本文实施例还提供一种保险赔付金额的预测装置。所述的装置可以包括使用了本文实施例所述方法的系统(包括分布式系统)、软件(应用)、模块、组件、服务器、客户端等并结合必要的实施硬件的装置。基于同一创新构思，本文实施例提供的一个或多个实施例中的装置如下面的实施例所述。由于装置解决问题的实现方案与方法相似，因此本文实施例具体的装置的实施可以参见前述方法的实施，重复之处不再赘述。以下所使用的，术语“单元”或者“模块”可以实现预定功能的软件和/或硬件的组合。尽管以下实施例所描述的装置较佳地以软件来实现，但是硬件，或者软件和硬件的组合的实现也是可能并被构想的。
[0137]
具体地，图8是本文实施例提供的一种保险赔付金额的预测装置一个实施例的模块结构示意图，参照图8所示，本文实施例提供的一种保险赔付金额的预测装置包括：获取模块100、预测模块200、计算模块300。
[0138]
获取模块100，用于由历史赔付金额数据中获取多个历史单元数据；
[0139]
预测模块200，用于根据多个所述历史单元数据，预测得到多个对应的未来单元数据，其中所述未来单元数据与所述历史单元数据一一对应；
[0140]
计算模块300，用于根据多个所述历史单元数据的相关性，计算多个所述未来单元数据构成的未来赔付金额数据。
[0141]
参照图9所示，基于上述所述的一种保险赔付金额的预测方法，本文一实施例中还提供一种计算机设备902，其中上述方法运行在计算机设备902上。计算机设备902可以包括一个或多个处理器904，诸如一个或多个中央处理单元(cpu)或图形处理器(gpu)，每个处理单元可以实现一个或多个硬件线程。计算机设备902还可以包括任何存储器906，其用于存储诸如代码、设置、数据等之类的任何种类的信息，一具体实施方式中，存储器906上并可在处理器904上运行的计算机程序，所述计算机程序被所述处理器904运行时，可以执行根据上述方法的指令。非限制性的，比如，存储器906可以包括以下任一项或多种组合：任何类型的ram，任何类型的rom，闪存设备，硬盘，光盘等。更一般地，任何存储器都可以使用任何技术来存储信息。进一步地，任何存储器可以提供信息的易失性或非易失性保留。进一步地，任何存储器可以表示计算机设备902的固定或可移除部件。在一种情况下，当处理器904执行被存储在任何存储器或存储器的组合中的相关联的指令时，计算机设备902可以执行相关联指令的任一操作。计算机设备902还包括用于与任何存储器交互的一个或多个驱动机
构908，诸如硬盘驱动机构、光盘驱动机构等。
[0142]
计算机设备902还可以包括输入/输出模块910(i/o)，其用于接收各种输入(经由输入设备912)和用于提供各种输出(经由输出设备914)。一个具体输出机构可以包括呈现设备916和相关联的图形用户接口918(gui)。在其他实施例中，还可以不包括输入/输出模块910(i/o)、输入设备912以及输出设备914，仅作为网络中的一台计算机设备。计算机设备902还可以包括一个或多个网络接口920，其用于经由一个或多个通信链路922与其他设备交换数据。一个或多个通信总线924将上文所描述的部件耦合在一起。
[0143]
通信链路922可以以任何方式实现，例如，通过局域网、广域网(例如，因特网)、点对点连接等、或其任何组合。通信链路922可以包括由任何协议或协议组合支配的硬连线链路、无线链路、路由器、网关功能、名称服务器等的任何组合。
[0144]
对应于图1-图7中的方法，本文实施例还提供了一种计算机可读存储介质，该计算机可读存储介质上存储有计算机程序，该计算机程序被处理器运行时执行上述方法的步骤。
[0145]
本文实施例还提供一种计算机可读指令，其中当处理器执行所述指令时，其中的程序使得处理器执行如图1至图7所示的方法。
[0146]
应理解，在本文的各种实施例中，上述各过程的序号的大小并不意味着执行顺序的先后，各过程的执行顺序应以其功能和内在逻辑确定，而不应对本文实施例的实施过程构成任何限定。
[0147]
还应理解，在本文实施例中，术语“和/或”仅仅是一种描述关联对象的关联关系，表示可以存在三种关系。例如，a和/或b，可以表示：单独存在a，同时存在a和b，单独存在b这三种情况。另外，本文中字符“/”，一般表示前后关联对象是一种“或”的关系。
[0148]
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文的范围。
[0149]
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，上述描述的系统、装置和单元的具体工作过程，可以参考前述方法实施例中的对应过程，在此不再赘述。
[0150]
在本文所提供的几个实施例中，应该理解到，所揭露的系统、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，所述单元的划分，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。另外，所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口、装置或单元的间接耦合或通信连接，也可以是电的，机械的或其它的形式连接。
[0151]
所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本文实施例方案的目的。
[0152]
另外，在本文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。上述集成的单元既可以采用硬件的形式实现，也可以采用软件功能单元的形式实现。
[0153]
所述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，可以存储在一个计算机可读取存储介质中。基于这样的理解，本文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，服务器，或者网络设备等)执行本文各个实施例所述方法的全部或部分步骤。而前述的存储介质包括：u盘、移动硬盘、只读存储器(rom，read-only memory)、随机存取存储器(ram，random access memory)、磁碟或者光盘等各种可以存储程序代码的介质。
[0154]
本文中应用了具体实施例对本文的原理及实施方式进行了阐述，以上实施例的说明只是用于帮助理解本文的方法及其核心思想；同时，对于本领域的一般技术人员，依据本文的思想，在具体实施方式及应用范围上均会有改变之处，综上所述，本说明书内容不应理解为对本文的限制。
技术特征：1.一种保险赔付金额的预测方法，其特征在于，包括：由历史赔付金额数据中获取多个历史单元数据；根据多个所述历史单元数据，预测得到多个对应的未来单元数据，其中所述未来单元数据与所述历史单元数据一一对应；根据多个所述历史单元数据的相关性，计算多个所述未来单元数据构成的未来赔付金额数据。2.根据权利要求1所述的保险赔付金额的预测方法，其特征在于，所述根据多个所述历史单元数据的相关性，计算多个所述未来单元数据构成的未来赔付金额数据进一步包括：根据多个所述历史单元数据，确定所述历史单元数据对应的相关系数矩阵；根据所述历史单元数据对应的相关系数矩阵，通过预测公式计算多个所述未来单元数据构成的未来赔付金额数据。3.根据权利要求2所述的保险赔付金额的预测方法，其特征在于，多个所述历史单元数据包括：同一时段多个项目对应的历史单元数据，或同一项目多个时段对应的历史单元数据；相应的，多个所述未来单元数据包括：同一时段多个项目对应的未来单元数据，或同一项目多个时段对应的未来单元数据。4.根据权利要求3所述的保险赔付金额的预测方法，其特征在于，当多个所述历史单元数据为同一时段多个项目对应的历史单元数据时；所述根据多个所述历史单元数据，确定所述历史单元数据对应的相关系数矩阵进一步包括：根据所述同一时段多个项目对应的历史单元数据，计算同一时段内任意两个项目间的线性相关系数；根据多个所述线性相关系数，得到所述历史单元数据对应的相关系数矩阵。5.根据权利要求3所述的保险赔付金额的预测方法，其特征在于，当多个所述历史单元数据为同一项目多个时段对应的历史单元数据；所述根据多个所述历史单元数据，确定所述历史单元数据对应的相关系数矩阵进一步包括：根据所述同一项目多个时段对应的历史单元数据，计算同一项目在任意两个时段内的线性相关系数；根据多个所述线性相关系数，得到所述历史单元数据对应的相关系数矩阵。6.根据权利要求4或5所述的保险赔付金额的预测方法，其特征在于，所述预测公式为：其中，claim为未来赔付金额数据，claim为同一时段多个项目对应的未来单元数据所形成的列矩阵，或同一项目多个时段对应的未来单元数据所形成的列矩阵，claim
t
为claim的转置矩阵，c为相关系数矩阵。7.根据权利要求1所述的保险赔付金额的预测方法，其特征在于，所述根据多个所述历史单元数据，预测得到多个对应的未来单元数据，其中所述未来单元数据与所述历史单元数据一一对应进一步包括：
多次获取各所述历史单元数据对应的符合正态分布的随机数；基于每一所述历史单元数据，根据多个所述随机数，分别预测得到与所述历史单元数据对应的多个初始未来单元数据；根据设定置信水平，由所述多个初始未来单元数据中选取出与所述历史单元数据对应的未来单元数据。8.一种保险赔付金额的预测装置，其特征在于，所述装置包括：获取模块，用于由历史赔付金额数据中获取多个历史单元数据；预测模块，用于根据多个所述历史单元数据，预测得到多个对应的未来单元数据，其中所述未来单元数据与所述历史单元数据一一对应；计算模块，用于根据多个所述历史单元数据的相关性，计算多个所述未来单元数据构成的未来赔付金额数据。9.一种计算机设备，包括存储器、处理器、以及存储在所述存储器上的计算机程序，其特征在于，所述计算机程序被所述处理器运行时，执行根据权利要求1-7任意一项所述方法的指令。10.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，所述计算机程序被计算机设备的处理器运行时，执行根据权利要求1-7任意一项所述方法的指令。
技术总结本文提供了一种保险赔付金额的预测方法、装置、设备和存储介质，其中方法包括：由历史赔付金额数据中获取多个历史单元数据；根据多个所述历史单元数据，预测得到多个对应的未来单元数据，其中所述未来单元数据与所述历史单元数据一一对应；根据多个所述历史单元数据的相关性，计算多个所述未来单元数据构成的未来赔付金额数据，本文能够实现较高精准度的保险赔付金额预测，进而达到及时提示风险的功能。进而达到及时提示风险的功能。进而达到及时提示风险的功能。
技术研发人员：宋立娟 李彦奇 胡伟
受保护的技术使用者：泰康养老保险股份有限公司
技术研发日：2022.07.26
技术公布日：2022/11/1
