Transportlīdzekļu apdrošināšanas atlīdzību prognozēšana izmantojot dziļos neironu tīklus

Abstract

Lai apdrošināšanas produkti darbotos veiksmīgi, viens no būtiskākajiem faktoriem ir apdrošināšana risku izvērtēšana. Viena no risku izvērtēšanas sastāvdaļām ir iespējamo apdrošināšanas atlīdzības apmēra prognozēšana, balstoties gan uz apdrošinātā objekta raksturlielumiem, gan klienta parametriem un vēsturi. Šajā darbā tika apskatītas dziļo neironu tīklu tehnoloģiju pielietojums apdrošināšanas atlīdzību summu novērtēšanā un balstoties uz transportlīdzekļu apdrošināšanas atlīdzību datiem, tika izveidots un apmācīts dziļo neironu tīkla modelis. Tika izveidots risinājums, ar kura palīdzību var prognozēt apdrošināšanas atlīdzību rezervju lielumu nākamajiem periodiem, izmantojot klienta un apdrošināšanas objekta datus. Transportlīdzekļu apdrošināšana tika izvēlēta tāpēc, ka tai ir pieejama pietiekami liela datu kopa. Darba gaitā tika veikta datu analīze un priekšapstrāde, pazīmju vektoru izveide, modeļa trenēšana un iegūto rezultātu analīze. Pētot iegūtos rezultātus, tika konstatēts, ka vairumā gadījumu zaudējumu funkcija dilst gan izmantojot treniņa, gan testa datu kopas, bet iegūtās prognozes konverģē uz datu kopas vidējām vērtībām, kas norāda, ka datu kopas apmērs ir nepietiekams. Šī darba rezultāti varēs tik izmantoti kā viena no sastāvdaļām tālākai apdrošināšanas atlīdzību rezervju noteikšanai un atlīdzības lieluma prognozēšanai.

The theme of master thesis: Motor insurance claims prediction using deep neural networks For insurance products to work successfully, one of the most important factors is the insurance risk assessment. One of the components of risk assessment is forecasting the amount of possible insurance indemnity based on both the characteristics of the insured object and the customer's parameters and history. In a Master thesis (MA thesis), the use of deep neural network technologies in the estimation of insurance claims amounts was analyzed and a deep neural network model was developed and trained based on vehicle insurance data. A solution was created to predict the size of insurance claims reserves for future periods using customer and insurance object data. Vehicle insurance was chosen because it has enough data available. In the course of the MA thesis, data analysis and preprocessing, creation of feature vectors, model training and analysis of the obtained results were performed. By the results obtained in research, it was found that in most cases the loss function decreases both through training and test data sets, but the resulting predictions converge to the average values in the dataset, indicating that the size of the dataset is insufficient. The results of this MA thesis will be used as one of the components for further determination of insurance claims reserves and forecasting the amount of remuneration.