基于LightGBM的酒驾换驾风险预测
赵瑞阳
刘聪慧
中国太平洋财产保险股份有限公司营运山东分中心 山东济南 250000
摘要：在车险理赔场景中,酒驾换驾案件因肇事者虚报出险时间、伪造现场等行为,导致调查效率低且损失较大,亟需科学的风险预测模型以提升管控效能.针对此问题,文章提出一种基于机器学习的酒驾换驾风险预测模型.研究通过分析2024年4万多条已决赔案数据(含172个字段),将风险识别转化为二分类任务(0=无风险,1=有风险).针对正负样本分布极不平衡(约345∶1)的挑战,通过特征工程构建了"报案-出险时间间隔""驾驶员与被保险人身份一致性"关键衍生特征,并创新性地利用朴素贝叶斯算法预测驾驶员性别,以补全关键信息维度.为确保模型鲁棒性,采用了数据标准化、5折交叉验证及早停策略进行优化.在GBDT、XGBOOST、LightGBM三种集成学习模型的对比实验中,LightGBM表现最佳,其准确率(Accuracy)为 84.56％,精确率(Precision)为 94.73％,召回率(Recall)为 89.82％,F1分数(F1-score)为0.922 0,显著优于对比模型及传统人工筛查方法.该模型可有效识别高风险案件,为车险理赔环节降低调查成本、提升风险管理效率提供数据驱动的解决方案,对打击保险欺诈具有重要的现实意义和应用价值.
关键词：酒驾换驾风险预测机器学习特征工程LightGBM理赔管控数据挖掘模型评估
论文发表日期：2025-12-25
在线出版日期：2026-05-22（本平台首次上网日期，不代表文献的发表时间）
页数：4( 32-35 )