Прогнозування виплат за динамічними страховими претензіями на основі темпоральних графових нейронних мереж

Counts differ because each database indexes a different set of publications. We treat OpenAlex as the canonical count; Google Scholar is not shown (no API, and crawling it violates its ToS).

У статті розглянуто задачу прогнозування виплат за страховими претензіями як динамічний процес, що формується під впливом часових змін у поведінці страхувальників, взаємодій із сервісними провайдерами та зміни експозиції ризику. Предметом дослідження є темпоральне графове подання страхового портфеля, у якому вузли відображають страхувальників, претензії, провайдерів і пов’язані об’єкти, а ребра описують часово позначені взаємодії між ними. Метою роботи є обґрунтування доцільності застосування темпоральних графових нейронних мереж для прогнозування розміру страхових виплат та порівняння моделей Temporal GraphSAGE, TGAT, TGN і EvolveGCN. Методологія дослідження поєднує формалізацію динамічного графа, побудову синтетичного набору даних за п’ять років страхової активності, кодування ознак вузлів, ребер і часових інтервалів, а також експериментальне оцінювання моделей за метриками RMSE, MAE, R² і часу навчання. Запропонована архітектура охоплює надходження страхових подій, побудову темпорального графа, формування ознак, темпоральне передавання повідомлень та шар прогнозування виплат. Результати показали, що моделі, які явно враховують час подій, мають перевагу над статичними графовими підходами, оскільки вони здатні враховувати порядок, давність і нерегулярність взаємодій. Найкращі результати отримано для TGAT. Це підтверджує, що механізм уваги з функціональним кодуванням часу ефективно відображає як структурні, так і часові залежності, характерні для страхових виплат. Практичне значення результатів полягає у можливості точнішого резервування, підтримки ризик-орієнтованого розгляду претензій, виявлення аномальних часових патернів і побудови масштабованих хмарних аналітичних сервісів для страхових компаній. Зроблено висновки, що інтеграція темпорального графового подання з механізмами уваги забезпечує новий рівень точності для задач, у яких важливими є порядок і давність подій. Область застосування результатів охоплює прогнозування ризиків, пріоритизацію претензій, підтримку виявлення шахрайства та моніторинг страхового портфеля у хмарних інформаційно-аналітичних системах.