基于XGBoost模型的续保预测方法及相关设备

技术领域

本申请涉及人工智能技术领域，尤其涉及一种基于XGBoost模型的续保预测方法、装置、计算机设备及存储介质。

背景技术

随着生活水平的提高，保险产品也被越来越多的用户进行配置。同时，保险行业的营销竞争日趋激烈，也从对增量客户竞争，逐渐转化为对存量客户的竞争，续保营销场景的客户对保险公司越来越重要。

传统技术是通过对每个购买了保险的用户生成续保意愿评分，续保意愿较高的用户获得较高的评分。但是在实际运用过程中发现传统技术在临近续保截止时间时才能有较好的预测效果，距离续保截止时间较远时预测效果差。

发明内容

本申请实施例提供一种基于XGBoost模型的续保预测方法、装置、计算机设备及存储介质，以解决传统技术距离续保截止时间较远时预测效果差的问题。

本申请的第一方面，提供一种基于XGBoost模型的续保预测方法，包括：

获取待选保险用户集合中每个目标用户的画像数据，所述画像数据是根据所述目标用户第一次参保后产生的系统数据以及与所述目标用户关联的第三方数据生成；

获取所述每个目标用户在当前保单承保期的优惠权益数据，筛选所述目标用户对所述优惠权益数据产生行使行为的所述优惠权益数据作为目标优惠权益数据；

获取所述每个目标用户在当前承保保单签订之前第一预设期限内关联的营销数据，筛选所述目标用户对所述营销数据产生关联行为的所述营销数据作为目标营销数据；

获取所述每个目标用户当前承保保单的承保数据作为目标承保数据；

将所述画像数据、所述目标优惠权益数据、所述目标营销数据和所述目标承保数据输入至预设的XGBoost预测模型，输出所述每个目标用户产生续保行为的第一预测评分值集合。

本申请的第二方面，提供一种基于XGBoost模型的续保预测装置，包括：

第一数据获取模块，用于获取待选保险用户集合中每个目标用户的画像数据，所述画像数据是根据所述目标用户第一次参保后产生的系统数据以及与所述目标用户关联的第三方数据生成；

第二数据获取模块，用于获取所述每个目标用户在当前保单承保期的优惠权益数据，筛选所述目标用户对所述优惠权益数据产生行使行为的所述优惠权益数据作为目标优惠权益数据；

第三数据获取模块，用于获取所述每个目标用户在当前承保保单签订之前第一预设期限内关联的营销数据，筛选所述目标用户对所述营销数据产生关联行为的所述营销数据作为目标营销数据；

第四数据获取模块，用于获取所述每个目标用户当前承保保单的承保数据作为目标承保数据；

预测评分模型模块，用于将所述画像数据、所述目标优惠权益数据、所述目标营销数据和所述目标承保数据输入至预设的XGBoost预测模型，输出所述每个目标用户产生续保行为的第一预测评分值集合。

本申请的第三方面，提供一种计算机设备，包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现上述基于XGBoost模型的续保预测方法的步骤。

本申请的第四方面，提供一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，所述计算机程序被处理器执行时实现上述基于XGBoost模型的续保预测方法的步骤。

上述基于XGBoost模型的续保预测方法、装置、计算机设备及存储介质，通过获取待选保险用户集合中每个目标用户的画像数据；获取所述每个目标用户的优惠权益数据，筛选所述目标用户对所述优惠权益数据产生行使行为的所述优惠权益数据作为目标优惠权益数据；获取所述每个目标用户在第一预设期限内关联的营销数据，筛选所述目标用户对所述营销数据产生关联行为的所述营销数据作为目标营销数据；获取所述每个目标用户当前承保保单的承保数据作为目标承保数据；将所述画像数据、所述目标优惠权益数据、所述目标营销数据和所述目标承保数据输入至预设的XGBoost预测模型，输出所述每个目标用户产生续保行为的第一预测评分值集合。通过获取和处理更多的数据以及XGBoost模型不仅进一步提高了对用户产生续保行为的预测评分的准确性，也能通过XGBoost模型得到更准备的用户分群结果以辅助改善提高营销效果。

附图说明

为了更清楚地说明本申请实施例的技术方案，下面将对本申请实施例的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申请的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。

图1是本申请一实施例中基于XGBoost模型的续保预测方法的一应用环境示意图；

图2是本申请一实施例中基于XGBoost模型的续保预测方法的一流程图；

图3是本申请另一实施例中基于XGBoost模型的续保预测方法的一流程图；

图4是本申请一实施例中基于XGBoost模型的续保预测装置的结构示意图；

图5是本申请一实施例中计算机设备的一示意图。

具体实施方式

下面将结合本申请实施例中的附图，对本申请实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本申请一部分实施例，而不是全部的实施例。基于本申请中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本申请保护的范围。

本申请实施例可以基于人工智能技术对相关的数据进行获取和处理。其中，人工智能(Artificial Intelligence，AI)是利用数字计算机或者数字计算机控制的机器模拟、延伸和扩展人的智能，感知环境、获取知识并使用知识获得最佳结果的理论、方法、技术及应用系统。

人工智能基础技术一般包括如传感器、专用人工智能芯片、云计算、分布式存储、大数据处理技术、操作/交互系统、机电一体化等技术。人工智能软件技术主要包括计算机视觉技术、机器人技术、生物识别技术、语音处理技术、自然语言处理技术以及机器学习/深度学习等几大方向。

本申请提供的基于XGBoost模型的续保预测方法，可应用在如图1的应用环境中，其中，计算机设备可以但不限于各种个人计算机、笔记本电脑，计算机设备还可以是服务器，服务器可以是独立的服务器，也可以是提供云服务、云数据库、云计算、云函数、云存储、网络服务、云通信、中间件服务、域名服务、安全服务、内容分发网络(Content DeliveryNetwork，CDN)、以及大数据和人工智能平台等基础云计算服务的云服务器。可以理解的是图1中的计算机设备的数量仅仅是示意性的，可以根据实际需求进行任意数量的扩展。

在一实施例中，如图2所示，提供一种基于XGBoost模型的续保预测方法，以该方法应用在图1中的计算机设备为例进行说明，包括如下步骤S101至S105：

S101、获取待选保险用户集合中每个目标用户的画像数据，所述画像数据是根据所述目标用户第一次参保后产生的系统数据以及与所述目标用户关联的第三方数据生成。

例如，某一金融科技服务平台提供保险类产品，对购买了保险类产品的用户的画像标签包括但不限于：用户属性、用户行为、用户分层、偏好细分、营销场景、风险控制等，进而对购买了保险类产品的用户的画像数据包括但不限于：自然性别、购物性别、年龄、地域、手机品牌、手机系统、联系方式、会员类型、渠道来源、收入水平、用户活跃度等。

进一步地，所述获取待选保险用户集合中每个目标用户的画像数据之前还包括：首先，获取所述待选保险用户集合中每个目标用户关联的目标承保保单的到期时间。然后，计算所述目标承保保单的到期时间与当前时间的时间差值。最后，若所述时间差值小于第一预设时间差值，则解除所述目标承保保单与所述目标用户的关联关系。其中，随着越来越接近承保保单的到期时间，从大规模的实际续保结果发现此时用户续保意愿发生改变的情况极少，所以此时计算的用户续保预测评分是更加稳定的，不需要再投入一定的系统计算资源去继续计算用户续保预测评分，故设计所述第一预设时间差值避免系统计算资源浪费，在实际运用过程中可根据用户续保预测评分随着时间变化的稳定性结果重新设置所述第一预设时间差值。

S102、获取所述每个目标用户在当前保单承保期的优惠权益数据，筛选所述目标用户对所述优惠权益数据产生行使行为的所述优惠权益数据作为目标优惠权益数据。

其中，需要特别说明的是，所述优惠权益并不是所述目标用户在购买保险产品时所使用的优惠权益，而是所述目标用户在购买保险产品完成之后在承保期收到的保险服务方提供的优惠权益。例如，某一金融科技服务平台给在平台购买了汽车保险的用户发送洗车券、停车券、加油券、喷漆券、购物券、电商会员卡等优惠权益。

进一步地，所述获取所述每个目标用户在当前保单承保期的优惠权益数据，筛选所述目标用户对所述优惠权益数据产生行使行为的所述优惠权益数据作为目标优惠权益数据之后还包括：首先，将所述优惠权益数据按照预设的优惠权益类型进行分类得到所述每个目标用户的优惠权益分类数据。其次，将所述优惠权益分类数据与所述目标优惠权益数据进行关联，得到所述每个目标用户的已行使优惠权益分类数据和未行使优惠权益分类数据。然后，将所述已行使优惠权益分类数据和未行使优惠权益分类数据输入至预设用户消费行为分析模型，输出所述每个目标用户的优惠权益分类数据的用户偏好值。最后，将所述优惠权益分类数据的用户偏好值关联至所述目标优惠权益数据。例如，在某一金融科技服务平台，获取购买了汽车保险的每个用户对发送到账户中的各类优惠权益(洗车券、停车券、加油券、喷漆券、购物券等)的使用情况，能够分析用户的各类优惠权益使用情况得到使用户产生续保意愿高的优惠权益，也能够根据优惠权益分类将用户进一步分群，而不同分群的用户的续保意愿也存在较大差别。

S103、获取所述每个目标用户在当前承保保单签订之前第一预设期限内关联的营销数据，筛选所述目标用户对所述营销数据产生关联行为的所述营销数据作为目标营销数据。

其中，所述目标营销数据是所述营销数据中对所述目标用户的有效营销数据。例如，某一金融科技服务平台对一分群的客户进行了包括但不限于电话营销、邮件营销、宣传单营销、社交软件营销、第三方流量营销等营销推广方式，而该分群的客户对部分营销推广内容产生了相应的意愿行为，则不仅可以根据该意愿行为预测该分群的客户的续保评分，还可以根据该意愿行为进一步优化前述的营销推广方式。

进一步地，所述获取所述每个目标用户在当前承保保单签订之前第一预设期限内关联的营销数据，筛选所述目标用户对所述营销数据产生关联行为的所述营销数据作为目标营销数据之后还包括：首选，将所述营销数据按照预设的营销数据类型进行分类得到所述每个用户关联的营销分类数据。然后，将语音类型的所述营销分类数据输入至预设语音数据分析及预测模型，输出语音类型的所述营销分类数据关联的第一营销成功概率，将文本类型的所述营销分类数据输入至预设文本数据分析及预测模型，输出文本类型的所述营销分类数据关联的第二营销成功概率，将图片类型的所述营销分类数据输入至预设图片数据分析及预测模型，输出图片类型的所述营销分类数据关联的第三营销成功概率。最后，将所述第一营销成功概率、所述第二营销成功概率和所述第三营销成功概率关联至所述目标营销数据。

S104、获取所述每个目标用户当前承保保单的承保数据作为目标承保数据。

S105、将所述画像数据、所述目标优惠权益数据、所述目标营销数据和所述目标承保数据输入至预设的XGBoost预测模型，输出所述每个目标用户产生续保行为的第一预测评分值集合。

其中，所述XGBoost预测模型是根据XGBoost算法建立的一种机器学习预测模型。XGBoost算法是一种包含了分类树和回归树的预测算法，主要采用CART回归树构成弱分类器。同时，XGBoost算法的思想是不断添加树，不断进行特征分裂来生长一棵树，每次添加一个树的本质是学习一个新函数去拟合上一次预测的残差。当训练完成得到k棵树，要预测一个样本的分数就是根据样本的特征在每棵树中会落到对应的一个叶子节点，每个叶子节点就对应一个分数，最后只需要将每棵树对应的分数加起来就是该样本的预测值。

进一步地，所述将所述画像数据、所述目标优惠权益数据、所述目标营销数据和所述目标承保数据输入至预设的XGBoost预测模型，输出所述每个目标用户产生续保行为的第一预测评分值集合之后还包括：首先，将所述第一预测评分值集合添加至预设的时间周期内预测结果集合。然后，判断所述时间周期内预测结果集合的元素的个数是否大于或等于预设周期预测次数，若否，则执行前述步骤输出所述每个目标用户产生续保行为的新预测评分集合，并添加所述新的预测评分集合至所述时间周期内预测结果集合。最后，发送所述时间周期内预测结果集合至预设均值化算法，得到所述每个目标用户产生续保行为的预测评分均值集合。其中，采用均值化的处理方法能够进一步将所述每个目标用户产生续保行为的预测评分均值随着时间受其他因素的干扰进一步降低，且可根据具体的运用效果在预设的时间周期内设置不同的时间间隔去触发计算所述每个目标用户产生续保行为的预测评分均值。

进一步地，所述得到所述每个目标用户产生续保行为的预测评分均值集合之后还包括：将所述预测评分均值集合作为初始数据输入至预设的循环神经网络预测模型，输出所述每个目标用户产生续保行为的第二预测评分值集合。其中，所述预设的循环神经网络预测模型基于时序数据，可以动态预测续保评分，并且在实际运用过程中发现所述预设的循环神经网络预测模型在越临近续保截止时间时预测效果越好且越稳定。

图3是本申请另一实施例的基于XGBoost模型的续保预测方法的流程示意图。需要注意的是，若有实质上相同的结果，本申请的方法并不以图3所示的流程顺序为限。如图3所示，该基于XGBoost模型的续保预测方法包括如下步骤S201至S206：

S201、获取待选保险用户集合中每个目标用户的画像数据，所述画像数据是根据所述目标用户第一次参保后产生的系统数据以及与所述目标用户关联的第三方数据生成。

S202、获取所述每个目标用户在当前保单承保期的优惠权益数据，筛选所述目标用户对所述优惠权益数据产生行使行为的所述优惠权益数据作为目标优惠权益数据。

S203、获取所述每个目标用户在当前承保保单签订之前第一预设期限内关联的营销数据，筛选所述目标用户对所述营销数据产生关联行为的所述营销数据作为目标营销数据。

S204、获取所述每个目标用户当前承保保单的承保数据作为目标承保数据。

S205、将所述画像数据、所述目标优惠权益数据、所述目标营销数据和所述目标承保数据上传至区块链。

S206、将所述画像数据、所述目标优惠权益数据、所述目标营销数据和所述目标承保数据输入至预设的XGBoost预测模型，输出所述每个目标用户产生续保行为的第一预测评分值集合。

其中，在步骤S205中，分别基于所述画像数据、所述目标优惠权益数据、所述目标营销数据和所述目标承保数据得到对应的摘要信息，具体来说，摘要信息由所述画像数据、所述目标优惠权益数据、所述目标营销数据和所述目标承保数据进行散列得到，比如利用sha256s算法处理得到。将摘要信息上传至区块链可保证其安全性和对用户的公正透明性。用户设备可以从区块链中下载得该摘要信息，以便查证所述画像数据、所述目标优惠权益数据、所述目标营销数据和所述目标承保数据是否被篡改。本示例所指区块链是分布式数据存储、点对点传输、共识机制、加密算法等计算机技术的新型应用模式。区块链(Blockchain)，本质上是一个去中心化的数据库，是一串使用密码学方法相关联产生的数据块，每一个数据块中包含了一批次网络交易的信息，用于验证其信息的有效性(防伪)和生成下一个区块。区块链可以包括区块链底层平台、平台产品服务层以及应用服务层等。

其他步骤具体参见第一实施例的说明，在此不进行一一赘述。

本申请的实施例提供的基于XGBoost模型的续保预测方法，通过获取待选保险用户集合中每个目标用户的画像数据；获取所述每个目标用户的优惠权益数据，筛选所述目标用户对所述优惠权益数据产生行使行为的所述优惠权益数据作为目标优惠权益数据；获取所述每个目标用户在第一预设期限内关联的营销数据，筛选所述目标用户对所述营销数据产生关联行为的所述营销数据作为目标营销数据；获取所述每个目标用户当前承保保单的承保数据作为目标承保数据；将所述画像数据、所述目标优惠权益数据、所述目标营销数据和所述目标承保数据输入至预设的XGBoost预测模型，输出所述每个目标用户产生续保行为的第一预测评分值集合。通过获取和处理更多的数据以及XGBoost模型不仅进一步提高了对用户产生续保行为的预测评分的准确性，也能通过XGBoost模型得到更准备的用户分群结果以辅助改善提高营销效果。

应理解，上述实施例中各步骤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，而不应对本申请实施例的实施过程构成任何限定。

在一实施例中，提供一种基于XGBoost模型的续保预测装置100，该基于XGBoost模型的续保预测装置100与上述实施例中基于XGBoost模型的续保预测方法一一对应。如图4所示，该基于XGBoost模型的续保预测装置100包括第一数据获取模块11、第二数据获取模块12、第三数据获取模块13、第四数据获取模块14和预测评分模型模块15。各功能模块详细说明如下：

第一数据获取模块11，用于获取待选保险用户集合中每个目标用户的画像数据，所述画像数据是根据所述目标用户第一次参保后产生的系统数据以及与所述目标用户关联的第三方数据生成；

第二数据获取模块12，用于获取所述每个目标用户在当前保单承保期的优惠权益数据，筛选所述目标用户对所述优惠权益数据产生行使行为的所述优惠权益数据作为目标优惠权益数据；

第三数据获取模块13，用于获取所述每个目标用户在当前承保保单签订之前第一预设期限内关联的营销数据，筛选所述目标用户对所述营销数据产生关联行为的所述营销数据作为目标营销数据；

第四数据获取模块14，用于获取所述每个目标用户当前承保保单的承保数据作为目标承保数据；

预测评分模型模块15，用于将所述画像数据、所述目标优惠权益数据、所述目标营销数据和所述目标承保数据输入至预设的XGBoost预测模型，输出所述每个目标用户产生续保行为的第一预测评分值集合。

进一步地，所述第一数据获取模块11还包括：

保单到期时间子模块，用于获取所述待选保险用户集合中每个目标用户关联的目标承保保单的到期时间；

时间差值计算子模块，用于计算所述目标承保保单的到期时间与当前时间的时间差值；

解除关联关系子模块，用于若所述时间差值小于第一预设时间差值，则解除所述目标承保保单与所述目标用户的关联关系。

进一步地，所述第二数据获取模块12还包括：

优惠权益数据分类子模块，用于将所述优惠权益数据按照预设的优惠权益类型进行分类得到所述每个目标用户的优惠权益分类数据；

优惠权益数据关联子模块，用于将所述优惠权益分类数据与所述目标优惠权益数据进行关联，得到所述每个目标用户的已行使优惠权益分类数据和未行使优惠权益分类数据；

用户偏好值生成子模块，用于将所述已行使优惠权益分类数据和未行使优惠权益分类数据输入至预设用户消费行为分析模型，输出所述每个目标用户的优惠权益分类数据的用户偏好值；

用户偏好值关联子模块，用于将所述优惠权益分类数据的用户偏好值关联至所述目标优惠权益数据。

进一步地，所述第三数据获取模块13还包括：

营销数据分类子模块，用于将所述营销数据按照预设的营销数据类型进行分类得到所述每个用户关联的营销分类数据；

第一营销成功概率子模块，用于将语音类型的所述营销分类数据输入至预设语音数据分析及预测模型，输出语音类型的所述营销分类数据关联的第一营销成功概率；

第二营销成功概率子模块，用于将文本类型的所述营销分类数据输入至预设文本数据分析及预测模型，输出文本类型的所述营销分类数据关联的第二营销成功概率；

第三营销成功概率子模块，用于将图片类型的所述营销分类数据输入至预设图片数据分析及预测模型，输出图片类型的所述营销分类数据关联的第三营销成功概率；

营销成功率关联子模块，用于将所述第一营销成功概率、所述第二营销成功概率和所述第三营销成功概率关联至所述目标营销数据。

进一步地，所述预测评分模型模块15还包括：

周期内预测结果子模块，用于将所述第一预测评分值集合添加至预设的时间周期内预测结果集合；

预测结果集合判断子模块，用于判断所述时间周期内预测结果集合的元素的个数是否大于或等于预设周期预测次数；

预测评分步骤循环子模块，用于若否，则执行前述步骤输出所述每个目标用户产生续保行为的新预测评分集合，并添加所述新的预测评分集合至所述时间周期内预测结果集合；

预测评分均值子模块，用于发送所述时间周期内预测结果集合至预设均值化算法，得到所述每个目标用户产生续保行为的预测评分均值集合。

进一步地，所述预测评分均值子模块还包括：

第二预测评分值子单元，用于将所述预测评分均值集合作为初始数据输入至预设的循环神经网络预测模型，输出所述每个目标用户产生续保行为的第二预测评分值集合。

其中上述模块/单元中的“第一”和“第二”的意义仅在于将不同的模块/单元加以区分，并不用于限定哪个模块/单元的优先级更高或者其它的限定意义。此外，术语“包括”和“具有”以及他们的任何变形，意图在于覆盖不排他的包含，例如，包含了一系列步骤或模块的过程、方法、系统、产品或设备不必限于清楚地列出的那些步骤或模块，而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或模块，本申请中所出现的模块的划分，仅仅是一种逻辑上的划分，实际应用中实现时可以有另外的划分方式。

关于基于XGBoost模型的续保预测装置的具体限定可以参见上文中对于基于XGBoost模型的续保预测方法的限定，在此不再赘述。上述基于XGBoost模型的续保预测装置中的各个模块可全部或部分通过软件、硬件及其组合来实现。上述各模块可以硬件形式内嵌于或独立于计算机设备中的处理器中，也可以以软件形式存储于计算机设备中的存储器中，以便于处理器调用执行以上各个模块对应的操作。

在一个实施例中，提供了一种计算机设备，该计算机设备可以是服务器，其内部结构图可以如图5所示。该计算机设备包括通过系统总线连接的处理器、存储器、网络接口和数据库。其中，该计算机设备的处理器用于提供计算和控制能力。该计算机设备的存储器包括非易失性存储介质、内存储器。该非易失性存储介质存储有操作系统、计算机程序和数据库。该内存储器为非易失性存储介质中的操作系统和计算机程序的运行提供环境。该计算机设备的数据库用于存储基于XGBoost模型的续保预测方法中涉及到的数据。该计算机设备的网络接口用于与外部的终端通过网络连接通信。该计算机程序被处理器执行时以实现一种基于XGBoost模型的续保预测方法。

在一个实施例中，提供了一种计算机设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，处理器执行计算机程序时实现上述实施例中基于XGBoost模型的续保预测方法的步骤，例如图2所示的步骤S101至步骤S105及该方法的其它扩展和相关步骤的延伸，和/或如图3所示的步骤S201至步骤S206及该方法的其它扩展和相关步骤的延伸。或者，处理器执行计算机程序时实现上述实施例中基于XGBoost模型的续保预测装置的各模块/单元的功能，例如图4所示模块11至模块15的功能。为避免重复，这里不再赘述。

所述处理器可以是中央处理单元(Central Processing Unit，CPU)，还可以是其他通用处理器、数字信号处理器(Digital Signal Processor，DSP)、专用集成电路(Application Specific Integrated Circuit，ASIC)、现成可编程门阵列(Field-Programmable Gate Array，FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等，所述处理器是所述计算机装置的控制中心，利用各种接口和线路连接整个计算机装置的各个部分。

所述存储器可用于存储所述计算机程序和/或模块，所述处理器通过运行或执行存储在所述存储器内的计算机程序和/或模块，以及调用存储在存储器内的数据，实现所述计算机装置的各种功能。所述存储器可主要包括存储程序区和存储数据区，其中，存储程序区可存储操作系统、至少一个功能所需的应用程序(比如声音播放功能、图像播放功能等)等；存储数据区可存储根据手机的使用所创建的数据(比如音频数据、视频数据等)等。

所述存储器可以集成在所述处理器中，也可以与所述处理器分开设置。

在一个实施例中，提供了一种计算机可读存储介质，其上存储有计算机程序，计算机程序被处理器执行时实现上述实施例中基于XGBoost模型的续保预测方法的步骤，例如图2所示的步骤S101至步骤S105及该方法的其它扩展和相关步骤的延伸，和/或如图3所示的步骤S201至步骤S206及该方法的其它扩展和相关步骤的延伸。或者，计算机程序被处理器执行时实现上述实施例中基于XGBoost模型的续保预测装置的各模块/单元的功能，例如图4所示模块11至模块15的功能。为避免重复，这里不再赘述。

本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程，是可以通过计算机程序来指令相关的硬件来完成，所述的计算机程序可存储于一非易失性计算机可读取存储介质中，该计算机程序在执行时，可包括如上述各方法的实施例的流程。其中，本申请所提供的各实施例中所使用的对存储器、存储、数据库或其它介质的任何引用，均可包括非易失性和/或易失性存储器。非易失性存储器可包括只读存储器(ROM)、可编程ROM(PROM)、电可编程ROM(EPROM)、电可擦除可编程ROM(EEPROM)或闪存。易失性存储器可包括随机存取存储器(RAM)或者外部高速缓冲存储器。作为说明而非局限，RAM以多种形式可得，诸如静态RAM(SRAM)、动态RAM(DRAM)、同步DRAM(SDRAM)、双数据率SDRAM(DDRSDRAM)、增强型SDRAM(ESDRAM)、同步链路(Synchlink)DRAM(SLDRAM)、存储器总线(Rambus)直接RAM(RDRAM)、直接存储器总线动态RAM(DRDRAM)、以及存储器总线动态RAM(RDRAM)等。

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，仅以上述各功能单元、模块的划分进行举例说明，实际应用中，可以根据需要而将上述功能分配由不同的功能单元、模块完成，即将所述装置的内部结构划分成不同的功能单元或模块，以完成以上描述的全部或者部分功能。

以上所述实施例仅用以说明本申请的技术方案，而非对其限制；尽管参照前述实施例对本申请进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本申请各实施例技术方案的精神和范围，均应包含在本申请的保护范围之内。