本技術(shù)涉及人工智能開發(fā)與金融科技領(lǐng)域，尤其涉及風險區(qū)域的生成方法、裝置、計算機設(shè)備及存儲介質(zhì)。

背景技術(shù)：

1、在保險理賠領(lǐng)域，隨著保險業(yè)務(wù)的不斷擴展和案件數(shù)量的急劇增加，理賠系統(tǒng)的效率與準確性成為了保險公司關(guān)注的重點。其中，案件出險地址作為理賠處理的關(guān)鍵信息之一，其地域?qū)傩詫τ诎讣再|(zhì)、賠付結(jié)論的判定具有重要影響。然而，傳統(tǒng)的理賠作業(yè)模式在處理大量案件時，尤其是面對具有相似地域特征和案件性質(zhì)的案件群時，顯現(xiàn)出諸多弊端。

2、現(xiàn)有技術(shù)中，對于識別并處理具有地域性風險的案件，主要依賴于人工方式圈定風險區(qū)域。這種方法雖然在一定程度上能夠?qū)崿F(xiàn)對特定區(qū)域內(nèi)案件的集中管理和風險預警，但存在顯著不足：第一，對于相似地點發(fā)生的案件，若缺乏自動識別和分類機制，每個案件均需按標準流程逐一處理，不僅耗費大量人力物力，還可能因處理不及時或不當而導致欺詐賠付事件的發(fā)生，給公司帶來經(jīng)濟損失和聲譽損害；第二，人工劃分風險區(qū)域時，往往難以精確界定區(qū)域邊界，導致部分案件被錯誤歸類或遺漏，進而導致風險區(qū)域的劃分準確性較低。

技術(shù)實現(xiàn)思路

1、本技術(shù)實施例的目的在于提出一種風險區(qū)域的生成方法、裝置、計算機設(shè)備及存儲介質(zhì)，以解決現(xiàn)有的保險理賠領(lǐng)域中采用的人工方式圈定風險區(qū)域的方式，存在處理效率低下且風險區(qū)域的劃分準確性較低技術(shù)問題。

2、為了解決上述技術(shù)問題，本技術(shù)實施例提供一種風險區(qū)域的生成方法，采用了如下所述的技術(shù)方案：

3、獲取歷史時間周期內(nèi)的目標理賠案件數(shù)據(jù)，并對所述理賠案件數(shù)據(jù)進行預處理得到樣本數(shù)據(jù)；其中，所述理賠案件數(shù)據(jù)為已結(jié)案且賠付結(jié)論為風險拒賠的理賠案件數(shù)據(jù)；

4、對所述樣本數(shù)據(jù)進行特征提取，得到對應的特征矩陣數(shù)據(jù)；

5、獲取與行政區(qū)劃對應的地理數(shù)據(jù)；

6、基于所述地理數(shù)據(jù)對所述特征矩陣數(shù)據(jù)進行數(shù)據(jù)鋪疊處理，得到對應的目標特征數(shù)據(jù)；

7、基于預設(shè)的聚類算法對所述目標特征數(shù)據(jù)進行迭代聚類處理，得到對應的聚類結(jié)果；

8、從所述聚類結(jié)果中獲取對應的目標聚類中心點，以及與所述目標聚類中心點對應的目標聚類半徑；

9、基于所述目標聚類中心點與所述目標聚類半徑生成對應的目標風險區(qū)域。

10、進一步的，所述基于所述地理數(shù)據(jù)對所述特征矩陣數(shù)據(jù)進行數(shù)據(jù)鋪疊處理，得到對應的目標特征數(shù)據(jù)的步驟，具體包括：

11、調(diào)用預設(shè)的地理信息處理工具；

12、獲取所述特征矩陣數(shù)據(jù)中的出險地點；

13、基于所述地理信息處理工具將所述特征矩陣數(shù)據(jù)中的出險地點與所述地理數(shù)據(jù)進行空間連接，得到對應的處理數(shù)據(jù)；

14、將所述處理數(shù)據(jù)作為所述目標特征數(shù)據(jù)。

15、進一步的，所述基于預設(shè)的聚類算法對所述目標特征數(shù)據(jù)進行迭代聚類處理，得到對應的聚類結(jié)果的步驟，具體包括：

16、從預設(shè)的多種聚類算法中確定目標聚類算法；

17、基于所述行政區(qū)劃確定聚類中心數(shù)；

18、基于預設(shè)的初始化策略從所述目標特征數(shù)據(jù)中選擇與所述聚類中心數(shù)匹配的多個初始聚類中心；

19、基于所述目標聚類算法與所述初始聚類中心，對所述目標特征數(shù)據(jù)進行迭代聚類處理，得到對應的所述聚類結(jié)果。

20、進一步的，所述基于所述目標聚類中心點與所述目標聚類半徑生成對應的目標風險區(qū)域的步驟，具體包括：

21、將所述目標聚類中心點作為圓心，將與所述聚類中心對應的目標聚類半徑作為半徑，繪制指定形狀的第一風險區(qū)域；

22、基于所述地理數(shù)據(jù)對所述風險區(qū)域進行調(diào)整處理，得到對應的第二風險區(qū)域；

23、將所述第二風險區(qū)域作為所述目標風險區(qū)域。

24、進一步的，在所述基于所述目標聚類中心點與所述目標聚類半徑生成對應的目標風險區(qū)域的步驟之后，還包括：

25、判斷是否接收到新錄入的指定理賠案件；

26、若是，獲取所述指定理賠案件的出險地點信息；

27、判斷所述出險地點信息是否處于預設(shè)的風險區(qū)域集合內(nèi)；

28、若是，從所述風險區(qū)域集合中篩選出與所述出險地點信息對應的指定風險區(qū)域；

29、獲取所述指定風險區(qū)域的歷史拒賠案件量；

30、判斷所述歷史拒賠案件量是否大于預設(shè)的數(shù)量閾值；

31、若是，判定所述指定理賠案件存在欺詐風險，并生成與所述指定理賠案件對應的欺詐風險評估結(jié)果。

32、進一步的，在所述生成與所述指定理賠案件對應的欺詐風險評估結(jié)果的步驟之后，還包括：

33、獲取所述指定風險區(qū)域內(nèi)的所有歷史拒賠案件的風險類型數(shù)據(jù)；

34、對所述風險類型數(shù)據(jù)進行風險類型分析，統(tǒng)計出占比最高的指定風險類型；

35、獲取預設(shè)的風險建議模板；

36、基于所述指定風險類型與所述風險建議模板生成與所述指定理賠案件對應的指定風險建議；

37、將所述指定風險建議發(fā)送給相關(guān)的處理人員。

38、進一步的，在所述基于所述目標聚類中心點與所述目標聚類半徑生成對應的目標風險區(qū)域的步驟之后，還包括：

39、基于預設(shè)的定時任務(wù)，從指定數(shù)據(jù)庫中查詢新結(jié)案的理賠案件數(shù)據(jù)；

40、基于所述新結(jié)案的理賠案件數(shù)據(jù)與所述目標理賠案件數(shù)據(jù)生成對應的指定樣本數(shù)據(jù)；

41、獲取預設(shè)的聚類更新策略；

42、基于所述聚類更新策略對所述指定樣本數(shù)據(jù)進行聚類分析處理，得到對應的聚類分析結(jié)果；

43、對所述聚類分析結(jié)果進行存儲處理。

44、為了解決上述技術(shù)問題，本技術(shù)實施例還提供一種風險區(qū)域的生成裝置，采用了如下所述的技術(shù)方案：

45、第一處理模塊，用于獲取歷史時間周期內(nèi)的目標理賠案件數(shù)據(jù)，并對所述理賠案件數(shù)據(jù)進行預處理得到樣本數(shù)據(jù)；其中，所述理賠案件數(shù)據(jù)為已結(jié)案且賠付結(jié)論為風險拒賠的理賠案件數(shù)據(jù)；

46、提取模塊，用于對所述樣本數(shù)據(jù)進行特征提取，得到對應的特征矩陣數(shù)據(jù)；

47、第一獲取模塊，用于獲取與行政區(qū)劃對應的地理數(shù)據(jù)；

48、第二處理模塊，用于基于所述地理數(shù)據(jù)對所述特征矩陣數(shù)據(jù)進行數(shù)據(jù)鋪疊處理，得到對應的目標特征數(shù)據(jù)；

49、聚類模塊，用于基于預設(shè)的聚類算法對所述目標特征數(shù)據(jù)進行迭代聚類處理，得到對應的聚類結(jié)果；

50、第二獲取模塊，用于從所述聚類結(jié)果中獲取對應的目標聚類中心點，以及與所述目標聚類中心點對應的目標聚類半徑；

51、第一生成模塊，用于基于所述目標聚類中心點與所述目標聚類半徑生成對應的目標風險區(qū)域。

52、為了解決上述技術(shù)問題，本技術(shù)實施例還提供一種計算機設(shè)備，采用了如下所述的技術(shù)方案：

53、獲取歷史時間周期內(nèi)的目標理賠案件數(shù)據(jù)，并對所述理賠案件數(shù)據(jù)進行預處理得到樣本數(shù)據(jù)；其中，所述理賠案件數(shù)據(jù)為已結(jié)案且賠付結(jié)論為風險拒賠的理賠案件數(shù)據(jù)；

54、對所述樣本數(shù)據(jù)進行特征提取，得到對應的特征矩陣數(shù)據(jù)；

55、獲取與行政區(qū)劃對應的地理數(shù)據(jù)；

56、基于所述地理數(shù)據(jù)對所述特征矩陣數(shù)據(jù)進行數(shù)據(jù)鋪疊處理，得到對應的目標特征數(shù)據(jù)；

57、基于預設(shè)的聚類算法對所述目標特征數(shù)據(jù)進行迭代聚類處理，得到對應的聚類結(jié)果；

58、從所述聚類結(jié)果中獲取對應的目標聚類中心點，以及與所述目標聚類中心點對應的目標聚類半徑；

59、基于所述目標聚類中心點與所述目標聚類半徑生成對應的目標風險區(qū)域。

60、為了解決上述技術(shù)問題，本技術(shù)實施例還提供一種計算機可讀存儲介質(zhì)，采用了如下所述的技術(shù)方案：

61、獲取歷史時間周期內(nèi)的目標理賠案件數(shù)據(jù)，并對所述理賠案件數(shù)據(jù)進行預處理得到樣本數(shù)據(jù)；其中，所述理賠案件數(shù)據(jù)為已結(jié)案且賠付結(jié)論為風險拒賠的理賠案件數(shù)據(jù)；

62、對所述樣本數(shù)據(jù)進行特征提取，得到對應的特征矩陣數(shù)據(jù)；

63、獲取與行政區(qū)劃對應的地理數(shù)據(jù)；

64、基于所述地理數(shù)據(jù)對所述特征矩陣數(shù)據(jù)進行數(shù)據(jù)鋪疊處理，得到對應的目標特征數(shù)據(jù)；

65、基于預設(shè)的聚類算法對所述目標特征數(shù)據(jù)進行迭代聚類處理，得到對應的聚類結(jié)果；

66、從所述聚類結(jié)果中獲取對應的目標聚類中心點，以及與所述目標聚類中心點對應的目標聚類半徑；

67、基于所述目標聚類中心點與所述目標聚類半徑生成對應的目標風險區(qū)域。

68、與現(xiàn)有技術(shù)相比，本技術(shù)實施例主要有以下有益效果：

69、本技術(shù)首先獲取歷史時間周期內(nèi)的目標理賠案件數(shù)據(jù)，并對所述理賠案件數(shù)據(jù)進行預處理得到樣本數(shù)據(jù)；然后對所述樣本數(shù)據(jù)進行特征提取，得到對應的特征矩陣數(shù)據(jù)；之后獲取與行政區(qū)劃對應的地理數(shù)據(jù)；并基于所述地理數(shù)據(jù)對所述特征矩陣數(shù)據(jù)進行數(shù)據(jù)鋪疊處理，得到對應的目標特征數(shù)據(jù)；后續(xù)基于預設(shè)的聚類算法對所述目標特征數(shù)據(jù)進行迭代聚類處理，得到對應的聚類結(jié)果；進一步從所述聚類結(jié)果中獲取對應的目標聚類中心點，以及與所述目標聚類中心點對應的目標聚類半徑；最后基于所述目標聚類中心點與所述目標聚類半徑生成對應的目標風險區(qū)域。本技術(shù)通過獲取歷史時間周期內(nèi)的目標理賠案件數(shù)據(jù)，并對理賠案件數(shù)據(jù)進行預處理得到樣本數(shù)據(jù)，然后對樣本數(shù)據(jù)進行特征提取得到特征矩陣數(shù)據(jù)，進而基于地理數(shù)據(jù)對特征矩陣數(shù)據(jù)進行數(shù)據(jù)鋪疊處理得到目標特征數(shù)據(jù)，后續(xù)基于預設(shè)的聚類算法對目標特征數(shù)據(jù)進行迭代聚類處理得到聚類結(jié)果，最后根據(jù)得到的聚類結(jié)果中的目標聚類中心點以及目標聚類半徑，可以實現(xiàn)準確地生成相對應的目標風險區(qū)域，有效地提高了風險區(qū)域劃分的處理效率，保證了風險區(qū)域的劃分精準度。