نوع مقاله : مقاله پژوهشی

نویسندگان

• مونا پرستش ¹
• ضیاء الدین بهشتی‌فرد ²
• عباس راد ³

¹ دانشجوی دکتری، گروه مهندسی کامپیوتر، دانشکده فنی و مهندسی، واحد تهران جنوب، دانشگاه آزاد اسلامی، تهران، ایران

² مربی، گروه مهندسی کامپیوتر، دانشکده فنی و مهندسی، واحد تهران جنوب، دانشگاه آزاد اسلامی، تهران، ایران

³ استادیار، گروه مدیریت، دانشکده مدیریت و حسابداری، دانشگاه شهید بهشتی، تهران، ایران

چکیده

پیشینه و اهداف: یکی از چالش‌های مهم شرکت‌های بیمه‌ تعیین نرخ بهینة ‌بیمه‌نامه‌های اموال مانند خودرو و آتش‌سوزی است. اگر شرکت بیمه بتواند امکان وقوع خسارت را در یک ‌بیمه‌نامه تشخیص دهد، تصمیمات مؤثر و بهتری در تعیین نرخ بیمه‌، میزان تخفیف اختصاص‌یافته به ‌بیمه‌نامه یا تصمیم‌گیری دربارة تمدید آن ‌بیمه‌نامه خواهد داشت. شرکت‌های بیمه و خبرگان رشتة صدور و خسارت‌، به‌دنبال روش‌های جدیدی برای ارزیابی ریسک مشتریان و ‌بیمه‌نامه‌ها از طریق پیش‌بینی وقوع خسارات احتمالی در این رشته هستند. روش‌های سنتی مانند مدل‌های خطی عمومی (GLMs) غالباً در شناسایی الگوهای پیچیده در داده‌های بیمه ناکام‌اند. یادگیری عمیق با توانایی شناسایی روابط غیرخطی و الگوهای پیچیده می‌تواند این محدودیت‌ها را رفع کند. در این مقاله روشی برای بهبود عملکرد یادگیری عمیق با استفاده از تکنیک‌های رگرسیون عمیق ترتیبی ارائه شده است. رویکرد پیشنهادی ترکیبی از یادگیری عمیق و مدل‌های ترتیبی است. از شبکه‌های حافظة طولانی کوتاه‌مدت (LSTM)  برای مدل‌سازی داده‌های سری زمانی استفاده می‌شود.
روش‌شناسی: در این مقاله از داده‌های 7 سال اخیر صدور و خسارت بیمة آتش‌سوزی شرکت بیمة البرز برای بررسی و پیش‌بینی خسارت در این رشته استفاده شده است. در این مقاله با تمرکز بر پیش‌پردازش داده‌ها و استخراج ویژگی‌های برتر برای ارائة بهترین نتیجه و پس از اعمال روش‌های مختلف استخراج ویژگی، در نهایت از مجموع 40 ویژگی، 20 ویژگی انتخاب و سپس با استفاده یادگیری عمیق آموزش داده شد. رویکرد پیشنهادی، ترکیبی از یادگیری عمیق و مدل‌های ترتیبی با استفاده از شبکه‌های حافظة طولانی کوتاه‌مدت (LSTM) برای مدل‌سازی داده‌های سری زمانی استفاده‌ می‌کند.
یافته‌ها: در این مقاله با بررسی روش‌های مختلف یادگیری ماشینی روی داده‌های صدور و خسارت شرکت بیمه‌، این نتیجه به دست آمد که مدل رگرسیون عمیق ترتیبی نسبت به روش‌های سنتی عملکرد بهتری دارد. بهبود دقت پیش‌بینی، قابلیت اطمینان بالاتر و تأکید بر اهمیت ویژگی‌های زمانی از نتایج اصلی‌اند.
نتیجه‌گیری: بهینه‌سازی فرایندهای ارزیابی ریسک و خسارت از طریق مدل‌های یادگیری عمیق می‌تواند به ارائة نرخ‌های ‌حق‌بیمه دقیق‌تر و کاهش ضررهای ناشی از پرداخت‌های نامناسب منجر شود. همچنین، استفاده از این مدل‌ها می‌تواند به شرکت‌های بیمه کمک کند تا استراتژی‌های مدیریت ریسک بهتری اتخاذ کنند و فرایندهای کشف تقلب را بهبود بخشند. این موضوع به‌ویژه در بیمه‌های آتش‌سوزی، که خسارت‌های مالی سنگینی به همراه دارند، از اهمیت بالایی برخوردار است.

کلیدواژه‌ها

• بیمه
• خسارت آتش‌سوزی
• یادگیری عمیق
• یادگیری ماشین

موضوعات

• ارزیابی ریسک در رشته های بیمه ‎

عنوان مقاله [English]

Predicting damage using sequential deep regression techniques in deep learning methods

نویسندگان [English]

• Mona Parastesh ¹
• Ziaeddin Beheshtifard ²
• Abbas Raad ³

¹ PhD Student, Department of Computer Engineering, Faculty of Technical and Engineering, South Tehran Branch, Islamic Azad University, Tehran, Iran

² Instructor, Department of Computer Engineering, Faculty of Technical and Engineering, South Tehran Branch, Islamic Azad University, Tehran, Iran

³ Assistant Professor, Department of Management, Faculty of Management and Accounting, Shahid Beheshti University, Tehran, Iran

چکیده [English]

BACKGROUND AND OBJECTIVES: The role of the insurance industry is changing nowadays. The reason is that companies are using new analytical methods to predict losses and risks, and these methods help them assess potential risks. In this era, traditional business models and old methods have always been under threat from technology. New insurance companies are using the power of innovative technologies to eliminate the traditional leaders of the insurance market. The protection provided to the insured against risks and the proposed solutions provided to deal with risks are obtained through services designed to identify potential risks, and these services can be used to warn of danger (in high-risk cases). As a result, these services will be the most important distinction of these companies and the key to their success in the future. Powerful artificial intelligence and analysis of large volumes of big data give insurers the power to move towards predicting losses and incidents. The more information insurance companies have about their policyholders, the better they can use these valuable data to predict policyholders’ behavior and create a historical profile for each individual, thereby reducing the volume of claims and associated risks. Insurance companies enjoying leverage innovative technologies have a significant opportunity for growth. However, those that continue to rely on basic questions such as age, gender, and occupation to determine premiums are unlikely to survive in the digital era and amidst the rise of insurtech. Insurers that fail to adopt predictive analytics and continue to use outdated traditional systems may experience longer delays in processing and paying claims compared to innovative companies. This gap will allow tech-driven insurers to attract more customers and cover a wider range of policyholders in the long term. Insurance data often contains nonlinear and complex relationships that simple models—such as linear regression or decision trees—cannot fully capture or model effectively. These companies are also faced with vast volumes of data. Traditional methods such as general linear models often fail to identify complex patterns in insurance data. Therefore, we seek to improve existing methods by applying modern techniques such as deep learning, since deep neural networks can more accurately identify complex patterns in insurance data, process large datasets efficiently, and uncover hidden insights. Deep learning, with the ability to identify nonlinear relationships and complex patterns, can overcome these limitations. In this paper, a method to improve the performance of deep learning using sequential deep regression techniques is presented. The proposed approach is a combination of deep learning and sequential models. Long Short-Term Memory (LSTM) neural networks are used to model time series data.
METHODS: In this study, data spanning the past seven years from Alborz Insurance Company—specifically related to the issuance and loss records of fire insurance policies—has been systematically utilized to analyze and forecast potential losses in this domain. The methodology places a strong emphasis on comprehensive data pre-processing, including cleaning, normalization, and transformation to ensure the reliability and quality of the input data. In the feature engineering stage, various techniques were applied to extract the most informative and relevant attributes from the raw dataset. Out of a total of 40 initially selected features, the top 20 features were identified through statistical analysis and machine learning-based selection methods. These refined features were then used to train the deep learning models. The proposed method is a hybrid approach that combines deep learning with sequential modeling techniques. Specifically, Long Short-Term Memory (LSTM) neural networks were employed due to their ability to capture time-dependent patterns in sequential data, making them particularly suitable for modeling the temporal dynamics inherent in insurance data over multiple years.
 
FINDINGS :The study involved the evaluation and comparison of multiple machine learning algorithms, including traditional models and advanced deep learning techniques. The results demonstrated that the proposed sequential deep regression approach significantly outperforms conventional models such as general linear models and decision trees. Notably, the LSTM-based model provided higher prediction accuracy and demonstrated superior performance in identifying complex, nonlinear patterns within the data. Key findings highlight the critical role of temporal features in enhancing prediction reliability and show that incorporating time series analysis is essential for improving the accuracy of damage occurrence forecasts in fire insurance.
 
CONCLUSION: The results of this research underscore the effectiveness of combining deep learning techniques with sequential models for predicting fire insurance losses. Using the confidential and comprehensive issuance and claims dataset from Alborz Insurance Company over seven years, the proposed hybrid model was capable of delivering better performance in comparison to previous methods. The approach not only improved the precision of predictions but also offered a more robust and scalable solution for risk assessment. Overall, the use of LSTM-based deep learning models represents a significant advancement in the insurance industry’s ability to make data-driven decisions regarding premium setting, policy issuance, and risk mitigation strategies.

کلیدواژه‌ها [English]

• Deep learning
• Fire damage
• Insurance
• Machine learning