汽车保险在社会中受到广泛的关注,同时在保险公司中具有重要的位置,因此对汽车保险的索赔次数进行预测是非寿险精算理论的重点研究内容之一。车险数据主要包括索赔频率、索赔次数与索赔强度,因此如何获得车险索赔次数的预测数据是车险费率厘定的前提条件。但是目前的索赔次数预测方法在使用过程中存在一定的条件限制,进而影响了模型的泛化性能。针对传统索赔次数预测模型在预测中存在的问题,提出了基于核极限学习机的车险的索赔次数预测方法,建立了基于核极限学习机理论的预测模型,并对多种模型的预测能力进行分析,为精算人员提供新的思路。主要研究内容如下:首先,对几种常用的车险索赔次数预测方法进行介绍。在传统的预测分析方法中,常利用广义线性模型进行建模,但是该方法需要假设解释变量与响应变量关系且需要大量的经验数据,进而在实际应用中存在一定的问题。此外,人工神经网络模型在使用过程中,存在受人为因素干扰较大,存在学习速度慢、初始参数选择敏感、泛化能力较差和容易陷入局部最优解等缺点。然后,利用核极限学习机理论建立预测模型。针对极限学习机在使用过程中需要对输入样本的权值和隐藏层节点阈值采用的是随机赋值,进而导致极限学习机网络的计算稳定性较差的问题,提出了利用核极限学习机模型进行建模。针对核极限学习预测模型在使用过程中的参数选择问题,提出利用量子粒子群优化算法对网络结构参数进行寻优,该方法的具有更好的全局搜索能力,有效解决了粒子群算法在计算过程中存在计算时间长和容易陷入局部最优等问题,提高了预测模型的稳定性。最后,利用瑞典的第三方的汽车索赔数据对核极限学习机模型、广义线性模型以及人工神经网络模型这几种模型的预测结果进行对比。通过将多种模型获得的预测结果进行对比,得出基于量子粒子群优化的核极限学习机模型对车险数据的预测效果最好。