CN104584054A - 远程无线通讯智能执行ping操作的系统及方法 - Google Patents

Abstract

监控系统和方法被配置为确定车辆使用的模式，或者核查关于车辆保险申请人的个人数据，而不会致使保险供应商或申请人产生不合理费用。监控系统可追踪手持式移动通信设备的运动或者依靠安装在所述设备上的应用程序，并且可包括个人数据单元、通信单元和分析单元。个人数据单元可接收关于保险申请人的个人数据，包括保险申请人使用的移动通信设备的标识符。通信单元可从移动通信设备接收关于移动通信设备的运动和位置的驾驶特征数据。分析单元可至少部分地基于由驾驶特征数据表示的移动通信设备的运动来分析驾驶特征数据以确定投保申请人的风险级别，以及构建运动标记以帮助评估申请人是否正在给定的时间点上驾驶车辆。

Description

远程无线通讯智能执行PING操作的系统及方法

相关申请的交叉引用

该申请为于2011年1月24日提交的美国专利申请号为13/012，400的部分连续案，题目为“远程无线通讯智能执行PING操作的系统及方法”，通过引用，其全部内容合并于此，如下所示。

技术领域

本发明的多个实施例涉及监控系统，尤其涉及成本效益高的远程信息处理系统和方法，是通过执行PING(因特网包探索器)或其他方式来追踪便携式移动通信设备来监控保险申请人。

背景技术

保险供应商用来确定机动车辆保险成本的传统方法包括：向申请人收集相关个人数据，诸如历史驾驶数据以及关于申请人的驾驶和入库习惯的信息，以及参考申请人的公共机动车辆驾驶记录。这些数据通常产生将申请人分类到广泛的精算类的结果，此精算类根据保险供应商的实践经验来分配保险费率。在具体的精算类中，多种因素可能与分类相关，诸如年龄、性别、婚姻状况、车库位置以及驾驶记录。基于来自申请人以及关于申请人的个人数据，保险供应商能够将申请人分配到某一精算类中，之后基于该精算类分配保险费。

由于所选的保险费依赖于申请人的个人数据，如果改变导致对于申请人的不同的精算类，则对该个人数据的改变可导致征收不同的保险费。例如，如果第一个精算类包括年龄在36和40之间的驾驶员，而第二个精算类包括年龄在41和45之间的驾驶员，则申请人的年龄从38到39的改变不会导致精算类的不同，但是从38到45的逐渐改变会导致精算类的改变，并且从而导致保险费的改变。

这些传统的保险确定系统的主要问题在于，从申请人处收集的个人数据通常是不可核实的。例如，保险供应商可能没有办法来核查申请人每年的里程或者申请人的车库位置，而它们中的任何一个可能与所选的保险费相关。因此，保险供应商将申请人分类到特定精算类可能是基于关于申请人的错误的或者不完整的信息作出的，这可能相应地导致不能精确地反映投保申请人投保的风险。

发明内容

需要一种用来监控保险申请人或其它实体的监控系统，而无需申请人拥有现有设备之外的设备。本发明的各种实施例即指向这样的系统和相关方法。

简述之，本发明的多个实施例是监控系统，该监控系统被配置为基于追踪与保险申请人或其它实体关联的移动通信设备并通过该移动通信设备来粗略估计机动车辆的传输模式。在一个示例性实施例中，移动通信设备可以是便携式的手持设备，诸如移动蜂窝设备，手机，移动计算设备，或其它移动电子设备。移动通信设备可以由监控系统来跟踪以估计机动车辆保险寻求覆盖的机动车辆的运动，或者可以通过对设备自身随时间的移动应用程序来收集被保险人的驾驶模式，这些运动和模式能够用来建立围绕被保险驾驶员的轮廓，允许用于保险目的的识别和风险分析。另外，能够创建运动标记以识别涉及特定申请人的数据。

所述监控系统可包括个人数据单元、通信单元和分析单元。所述个人数据单元可接收关于保险申请人的个人数据，包括保险申请人使用的电话号码或移动通信设备的其它标识符。所述通信单元能够接收有关移动通信设备的驾驶特征数据，其中位置数据描述了移动通信设备随时间推移的多个位置数据，运动数据描述了在驾驶期间机动车辆进行不可知运动时移动设备所处的位置。该运动数据包括但不局限于速度、加速度、转向和制动。在监控系统的一些实施例中，通信单元能够周期性地联系移动通信设备自身以接收如由设备和安装在设备上的任何相关应用程序所收集的定期更新的驾驶特征。然而，可选择地，通信单元可以接收来自于与移动通信设备关联的数据中心诸如移动服务提供商的历史位置数据。分析单元能够分析位置和运动数据以确定移动通信设备的运动，并从而确定保险申请人使用的机动车辆使用模式。驾驶特征数据的分析之后能够被保险供应商使用以确定用来担保实体的风险级别以及通过由总计的运动数据构成的驾驶员标记来识别实体。该标记帮助来确保基于监控系统分析的风险模型应用于合适的相关实体上。

结合所附的附图阅读下面的说明，监控系统的这些和其它目的、特征和优点将会变得更加明显。

附图说明

图1为根据本发明的示例性实施例的监控系统的示意图。

图2为根据本发明的示例性实施例的利用监控系统的方法的流程图。

具体实施方式

为了便于理解本发明的原理和特征，在下面阐述了多个示意实施例。尤其是，本发明上下文描述了用于追踪保险申请人的位置和驾驶运动的监控系统，以便于确定用于保险申请人的车辆使用模式，从而使得保险供应商能够有效地评估保险风险。然而，本发明的实施例不局限于该环境下。相反，本发明的实施例能够用来在关于“个体”运动的精确数据有用的各种环境下监控各种个体，包括收集随时间的驾驶行为以便建立围绕特定个体驾驶员的运动标记的设备上的应用程序。

下文中被描述为构成本发明的多个元件的材料和部件旨在示意而非限制性的。许多能够实施如此处所述的材料和部件相同或相似功能的许多合适的材料和部件旨在包含在本发明的范围内。此处未描述的一些其它材料和部件能够包括但是不局限于在本发明的开发之后开发的类似或相似的部件。

本发明的多个实施例是凭借通过移动通信设备收集的驾驶特征数据监控保险申请人的运动的监控系统及方法。现在参考附图，其中在多个附图中，相似的附图标记表示相似的部分，将详细描述监控系统的多个实施例。

图1为根据本发明的示例性实施例的监控系统100的示意图。如图1所示，监控系统100可包括个人数据单元110、通信单元120以及分析单元130。所述监控系统100的一些示例性实施例能够至少部分地嵌入在由计算机系统的处理器执行的计算机可读介质中。如果是这种情况，则个人数据单元110、通信单元120和分析单元130中的一个或多个能够被实施为计算机硬件或软件，或者被是实施为安装在移动设备自身上的应用程序。

所述个人数据单元110能够接收关于保险申请人10的个人数据15。接收到的个人数据15能够由申请人10直接提供给保险供应商20，或者能够由第三方资源诸如通过机动车辆管理机构或者凭借其它公共可用的记录来提供。个人数据15可包括关于保险申请人10的多种个人信息，包括例如：姓名、地址、电话号码、婚姻状况、年龄以及生日。所述个人数据15还可包括关于申请人的活动的信息和关于由申请人10操作的机动车辆的信息，例如驾驶记录、登记标签号、车辆标识号、车辆入库位置、家和办公室之间的距离以及每年行驶的大致里程。

在传统的保险系统中，保险供应商20将决定是否向申请人10提供保险，并且会只根据该个人数据15来确定保险费。不幸的是，传统的系统不能核查该个人数据15，从而不能精确地评估一些申请人10的投保风险。

所述监控系统100可近似为车辆的使用模式，保险供应商可使用该监控系统以核实驾驶时来确定申请人的个人数据15，并更精确地评估投保申请人10的潜在风险。根据本发明的多个实施例，所述个人数据15可包括与保险申请人10关联的移动通信设备50的联系信息或识别信息。所述移动通信设备50可以是，例如，移动电话设备、移动蜂窝设备、移动计算设备或可由申请人10经常携带的其它手持式移动设备。在一些监控系统100的实施例中，所述移动通信设备50可以安装在，即物理连接于，带有螺丝、钩子或其它连接机构的机动车辆上。即使安装在机动车辆上，所述移动通信设备50也能够独立于机动车辆操作并且无需与机动车辆电子通信。在可选的实施例中，所述移动通信设备50可以是与安装在车辆上与车载诊断连接件，如：OBD-I、OBD-1.5或OBD-II连接件通信的车载诊断(“OBD”)设备。

在其它实施例中，所述移动通信设备50通过所安装的将驾驶特征数据55提供给监控系统100的应用程序来收集位置和运动数据55。在该示例性实施例中，驾驶特征数据55由运动监控应用程序65收集。在一个示例性实施例中，所述运动监控应用程序65可常驻于移动通信设备50中并且可被配置为由移动通信设备50的处理器执行。本领域的技术人员应该理解的是，可以在移动通信设备50上实施多个硬件和软件配置以配置运动监控应用程序65的操作，诸如利用移动通信设备50的现存的硬件组件或者借助于增加到移动通信设备50上的另外的硬件组件。在一个示例性实施例中，运动监控应用程序65可借助移动通信设备50中的加速器来监控和收集关于移动通信设备50运动的数据。此外，运动监控应用程序65的示例性实施例可依靠从移动通信设备50中的全球定位系统(“GPS”)芯片接收到的数据来监控和收集关于移动通信设备50的位置和运动的数据。在又一个示例性实施例中，运动监控应用程序65可依靠来自加速计和GPS芯片二者的数据以监控和收集关于移动通信设备50的位置和运动的数据。本领域技术人员应该理解的是，也可设置除了GPC芯片和加速计之外的硬件与移动通信设备50通信以提供由运动监控应用程序65收集的驾驶特征数据55。

可以假定的是，移动通信设备50的运动相当于保险申请人10的运动。然而，重要的问题在于确定从移动通信设备50传送的驾驶特征数据55是否实际上与申请人10的驾驶有关，或者申请人10是否仅仅是运动车辆上的乘客。依照本发明的示例性实施例，监控系统可以分析和总计随时间推移的驾驶特征数据55并且创建与个体申请人10的驾驶特征相关的运动标记。该运动标记可以与特定个体申请人10关联；从而，运动标记可以被示例性实施例的监控系统100使用以帮助识别特定保险申请人10何时最可能指导机动车辆运动。在监控系统100的一个示例性实施例中，所述分析单元130分析由移动通信设备50传送的数据以确定运动标记。因此，在监控系统100的一个示例性实施例中，监控系统100的分析单元130生成的运动标记能够用来确定由移动通信设备50传送的数据是否实际上与利益保险申请的驾驶特征相关。例如，但非限制性的，分析单元130能够利用从移动通信设备50获得的后续数据分析中的运动标记来确定哪些数据应当被忽略。

本领域的技术人员应该理解的是，在申请人10处于运动中但是申请人10并未亲自驾驶的许多情况下，申请人10可能使得他们的移动通信设备50实际上链接到监控系统100。在一个示例性实施例中，监控系统100的分析单元130可依靠存储的运动标记来识别从移动通信设备50接收的驾驶特征数据55是否与该申请人10的实际驾驶有关。例如，但非限制性的，如上所述，如果申请人10正作为乘客乘坐在妻子驾驶的小汽车上，但是他的移动通信设备50实际上将驾驶特征数据55发送至监控系统100，则分析单元130可被配置为基于与申请人10的运动标记的比较来消除该关于其妻子的驾驶的数据。因此，分析单元130可利用运动标记作为数据授权机制的类型来帮助核查从移动通信设备50接收的驾驶特征数据55与申请人10的驾驶相关性，以及由此确定申请人10的保险风险级别。

在一个示例性实施例中，监控系统100的示例性实施例的分析单元130可将从申请人10的移动通信设备50接收的驾驶特征数据55与申请人10的运动标记进行比较并向驾驶特征数据55分配验证分数。在该实施例中，分析单元130可被配置为当驾驶特征数据的验证分数在预定阈值以上时，仅在分析申请人10的保险风险级别时利用驾驶特征数据55。因此，分析单元130可以被动态地被配置为在验证分数在特定分析申请人10的保险风险级别所要求的预定阈值以下的情况下忽略驾驶特征数据55。

所述通信单元120可接收描述移动通信设备50的多个位置的驾驶特征数据55。如所描述的，驾驶特征数据55可以通过安装在设备上的专用应用程序直接从移动通信设备55中接收或者从数据中心60接收，诸如为移动通信设备50提供服务的移动服务提供商。监控系统100的一个示例性实施例可以使用这些驾驶特征数据55收集方法中的任何一个或两个。不管所使用的方法如何，移动通信设备50不需要主动地联系监控系统100，但是可以按照需要简单自动地响应来自通信单元120的请求。移动通信设备50无需通知请求的申请人10，因此申请人10不需要主动地参与监控。

在监控系统100的一些实施例中，为了接收驾驶特征数据55，所述通信单元120可周期性地联系移动通信设备50或者为移动通信设备服务的移动网络，请求移动通信设备50的当前位置。例如，但非限制性的，通信单元120可回应移动通信设备50。为响应请求，移动网络或者移动通信设备50可将移动通信设备50的当前位置传送至通信单元120，或者如果位置信息当前不可用，则显示表示缺少可用性的错误。监控系统100之后可将该当前位置信息与时间戳一起增加到为移动通信设备50之前接收和存储的驾驶特征数据55中。

可以由通信单元120根据时间表周期性地向移动通信设备50发送更新位置信息的请求。例如，可以以预定间隔诸如每小时发送请求。在由驾驶特征数据55表示的运动模式中，间隔可以被转移并且其持续时间可以按照需要修改以填满任何感知到的间隙。例如，请求可以间隔一小时，且该间隔可以每24小时移动十分钟，或者可选择地，移动规律可以基于驾驶特征数据55的分析而变化。在一个示例性实施例中，可以超过预定时间段来收集驾驶特征数据55，例如一周，但是该时间段可以基于旅行模式的重复频率来延长。如果驾驶特征数据55表示的模式相当规律，则在预定时期之后无需要求额外的监控。但是如果模式不充分规律，则可发生额外的驾驶特征数据55收集并且可基于模式中的感知间隙安排时间。

在监控系统100的一些其它的实施例中，通信单元120可联系数据中心60以请求关于移动通信设备50的历史位置信息。数据中心60可以是，例如，移动服务提供商或者与向移动通信设备50提供服务的移动服务提供商关联的服务商。更进一步的示例，如果移动通信设备50是手机，则数据中心60可以是手机的无线服务提供商的服务器。从数据中心60中，通信单元120可以请求和接收关于移动通信设备50的带有对应的时间戳的历史位置信息。该历史数据可以按照通信单元120的请求在一个或多个场合提供给通信单元120。从数据中心60接收的位置信息可以增加到与移动通信设备50相关的以前接收的驾驶特征数据55中。

在监控系统100的一些实施例中，上述接收驾驶特征数据55的两种方法都可以使用。例如，通信单元120可直接从移动通信设备50接收周期性更新并且也可从数据中心60接收历史位置信息以补充周期性更新中的信息。可选择地，任一方法可单独使用以收集驾驶特征数据55。

在一些其它的实施例中，安装在移动通信设备50中的应用程序使用设备自身的硬件来检测映射到保险申请人的汽车使用的运动。这些运动包括但不限于机动车辆在由申请人操作时的行驶速度、加速度、转向和制动。该信息可以以根据时间表的定期发送到通信单元120，从而监控系统100可提供与随时间的变化相关联的风险级别的分析并为特定保险申请人建立运动标记。在一个示例性实施例中，运动标记可以基于如由设置于移动通信设备50上的运动监控应用程序65监控和收集的申请人10驾驶的观察模式。例如，但非限制性的，所述运动监控应用程序65可创建识别申请人10频繁猛刹车的的运动标记。可选择地，运动监控应用程序65可创建识别申请人10通常以一致的速率加速和很少迅速加速的运动标记。在一个示例性实施例中，申请人10的运动标记将表现在延长的时间段的运动模式的总计。

在一个实施例中，申请人10的运动标记可以由监控系统100的分析单元130生成。在此实施例中，移动通信设备50上的运动监控应用程序65简单地监控、收集和向监控系统100的通信单元120输出数据，从而分析单元130可处理获得的驾驶特征数据55并生成申请人10的精确运动标记。在另一实施例中，运动监控应用程序65和分析单元130可共享生成申请人10的运动标记的处理任务。例如，但非限制性的，移动通信设备50可在将驾驶特征数据55传送至监控系统100之前忽略被确定为不相关的驾驶特征数据55的数据。在一个示例性实施例中，由移动通信设备50忽略不相关数据可减少网络和移动通信设备50在发送不相关驾驶特征数据55时的负载并且还可有益地减少必须由监控系统100的分析单元130存储和处理的驾驶特征数据55的量。

在一个示例性实施例中，移动通信设备50上的运动监控应用程序65可用于总计驾驶特征数据55并且消除与运动标记不相关的数据55。例如，而非限制性的，运动监控应用程序65可消除似乎是在申请人10以与监控系统100不相关的方式行驶时收集的驾驶特征数据55，诸如乘坐公共交通工具。在一个示例性实施例中，运动监控应用程序65可分析移动通信设备50的位置，并且如果通过分析移动通信设备50的位置数据或运动特征确定申请人10正乘坐城市轨道诸如地铁，则在乘坐城市轨道时由移动通信设备50获得的数据55可以删除。而且，在可选的实施例中，运动监控应用程序65可基于检测移动通信设备50在已知的公共汽车站点附近的位置上制动和/或停止来确定申请人10正乘坐公共汽车。本领域的技术人员应该理解的是，可采用多种方法来筛选通过运动监控应用程序65和分析单元130二者收集的总计数据55以忽略不相关数据。

分析单元130可至少部分地基于由驾驶特征数据55表示的移动通信设备50的运动分析组合的驾驶特征数据55和个人数据15以确定投保申请人10的风险级别。所述分析单元130可得出以下结论：可能的交通方式；申请人10何时行驶、行驶了多长时间以及多远的界限；申请人10在他或她的运动中已经加速、转弯和停止到何种程度；以及采取什么常用路线。例如，基于被监控期间的一个车辆使用模式，分析单元130可估计在一个较长的时期诸如在一整年期间驾驶的里程数。分析单元130可根据预定算法按照需要插补和推算以估计车辆使用信息。由分析单元130执行分析的具体类型可基于保险供应商20的政策和基于保险供应商20如何使用分析结果而发生很大的变化。

在一些实施例中，在得出结论之前，分析单元130可在以一个应用一个或多个算法以试图改正驾驶特征数据55中的错误。由于驾驶特征数据55可从移动网络中直接或间接收集，因此驾驶特征数据55可内在地包括从移动网络不能精确地找准移动通信设备的位置而衍生出的错误。如上所述，与移动通信设备50关联的移动网络可响应于对于移动通信设备50的位置信息的位置请求，或者数据中心可提供移动网络发起的历史位置信息。更具体地，移动网路可提供移动通信设备50的近似纬度和经度，以及移动通信设备50当前所连接的移动塔或蜂窝塔或其它连接中心的标识。所报告的纬度和经度通常是不精确的，并且移动通信设备50的实际位置可以是移动通信设备50所连接的移动塔的范围内的任何地方。每个移动塔的范围对于监控系统来说是已知的，并且用于分析。因此，基于从移动网络接收到的不精确的位置信息，分析单元130可以利用在此仅设置为示例的下面的算法来粗略估计移动通信设备50的位置。

当使用“点”算法时，分析单元130假定移动通信设备50的方位处于移动塔的位置。当然，这只是近似，因为移动通信设备50可能位于移动塔的整个范围内的任意点上并且不需要位于移动塔自身的位置。因此，利用点算法，每当移动网络报告移动通信设备50已经转换塔时，分析单元130可假定移动通信设备50已经运动。

相反，“位置”算法则假定移动通信设备50保持静止，除非所报告的位置信息与该假定直接矛盾。例如，假设Ping操作N为必须表明从前一位置的运动的Ping操作。因此，位置算法假定移动通信设备50在塔TN范围内的方位(x,y)N处刚刚变静止，而所报告的位置以及塔就是针对Ping操作N所作出的响应。对于在认出下一个移动通信设备50的运动之前的每个未来的Ping操作M，如果所报告的塔的范围与TN的范围重叠并且也与在N和M之间发生的Ping操作中报告的所有其它塔的范围重叠，则由未来的Ping操作M所报告的位置信息将被认为是为非运动的。因此，利用位置算法，仅当报告的位置信息必须建议运动时，才能识别移动通信设备50的运动。如果根据向塔提供重叠范围的一组连续位置报告认为移动通信设备50可能是保持静止的，则位置算法将认为该移动通信设备50是静止的。

上述点算法最适合于已知相对短距离行驶的保险申请人，因为相对于无运动而言，点算法更支持得出运动的结论。相反，位置算法最适合已知为相对长距离行驶的保险申请人，因为位置算法支持非运动的结论。如此处所使用的，术语“长距离”和“短距离”是相对的，取决于由移动网络使用来检测移动通信设备的位置的移动塔的集中度。更具体地，“长”距离通常比“短”距离跨越更多数量的塔。

本领域的技术人员应该意识到的是，上述算法为仅为说明目的所呈现的示例。在监控系统100的多个实施例中，其它算法可代替上述算法或者与上述算法结合。这些算法可包括除位置和里程的更精细的运动数据以及基于随时间收集的驾驶特征数据55的总计估计申请人10的运动标记。

在执行任意实施的纠错算法之后，分析单元130可基于驾驶特征数据55确定关于申请人的运动的一个或多个模式或者事实。例如，而非限制性的，当使用合适的采样频率时，分析单元130可通过确定移动通信设备50的近似速率来确定移动通信设备的当前和历史的交通模式，并因此确定申请人的当前和历史的交通模式。例如，如果按每半小时采样时，驾驶特征数据55在两小时的时间周期内显示55英里每小时的速度，则分析单元130可确定申请人10在小汽车上或者其它机动车上。可选择地，对于另一示例，如果驾驶特征数据55显示350英里每小时的速度，则分析单元可确定申请人10在飞机上。分析单元130的一些实施例，可简单地确定驾驶特征数据55是否表明申请人10处于寻求保险的机动车辆的类型中，而不是确定具体的交通模式。因此，如果寻求轮船保险，则分析单元130可确定多个驾驶特征数据55点是否与申请人位于船上相对应，如果寻求机动车保险，分析单元130可确定数据点是否与申请人处于机动车辆中相对应。分析单元130还可确定，例如，机动车辆的入库位置或者行驶的里程数。

分析单元130可将每个申请人10放置在描述申请人的车辆使用的一个或多个类别中。例如，而非限制性的，可由估计的每年行驶的里程范围来定义第一组类别中的每个类别。基于驾驶特征数据55，申请人10可被放置到这些行驶里程类别中的一个中。然而，分类可以不仅仅是基于驾驶特征数据55。例如，可以基于均由驾驶特征数据55确定的入库位置和估计的每年行驶里程，以及个人数据15的一个或多个方面，例如申请人的年龄和驾驶历史，的结合来确定针对申请人10的风险类别。此外，与风险分析相关的更精细的驾驶运动诸如速度、转向急缓度和停止，可以通过分析单元130来处理。分析单元的申请人10的分类可以确定申请人的保险费，或者可以作为确定申请人的保险费时的考虑因素。

图2图示了根据本发明的示例性实施例，利用监控系统的方法200的流程图。如图2所示，在步骤210，保险供应商20可接收关于保险申请人10的个人数据15。所述个人数据15可以通过例如申请，直接从申请人10处接收，或者可以通过第三方资源接收。由申请人10携带的移动通信设备50的标识符可以包括在接收的个人数据15中。在步骤220，监控系统100可从申请人10接收许可以监控移动通信设备50。在步骤230，监控系统100可接收与移动通信设备50相关的驾驶特征数据55。如上所述，该驾驶特征数据55可以直接从移动通信设备50、从数据中心60或者从这些资源的二者结合中接收的数据中编译得出。在步骤240，监控系统100可分析驾驶特征数据55以确定车辆使用模式，其可以由保险供应商使用。在步骤250，监控系统100可被配置为忽略被确定为与利益申请人10的运动标记不充分相关的驾驶特征数据55。因此，在步骤250，监控系统100可帮助确保用来确定车辆使用模式的驾驶特征数据55实际上是与利益申请人的驾驶习惯相关的数据55。作为如图2的附加显示，确定车辆使用模式的方法200可以不时地再访问，以重新评估申请人的保险风险。例如，但非限制性的，当申请人的保险政策准备更新或者当对申请人的个人数据15作出改变时，可以重复方法200。

监控系统100的多个实施例对保险供应商20具有高价值，因为所述监控系统100可核查个人数据15而不会对保险供应商20或者对申请人10产生较大的花费。通过利用已经包括在移动通信设备50中的硬件或者容易且便宜地安装在由大多数申请人10携带的设备中的应用程序，保险供应商20可在硬件和已经存在的无线基础设施、以及潜在的担负得起的应用程序/软件之上建立监控系统100，从而减少或消除保险供应商20或申请人10购买独立监控设备的需要。

如上详细所述的，监控系统100的实施例可提供确定车辆保险申请人10的保险风险的有效方式。通过监控申请人10的可携带的移动通信设备50，监控系统100可核查关于申请人10提供的特定的个人数据15，从而建立能精确反映所涉及的投保风险的保险费。

尽管已经以示例形式公开了监控系统和方法，但是可以作出许多改变、增加和删除，而不会脱离本系统、方法及其等同物的宗旨和范围，如下面的权利要求所列出的。

Claims (22)

1.一种方法，包括：

经由与申请人关联的移动通信设备请求描述至少多个运动模式的多个驾驶特征数据；

接收所请求的驾驶特征数据；以及

至少部分地基于驾驶特征数据确定申请人的车辆使用的运动标记。

2.根据权利要求1所述的方法，还包括比较从申请人的移动通信设备中接收到的驾驶特征数据与申请人的运动标记，以确定所述驾驶特征数据是否与申请人相关。

3.根据权利要求2所述的方法，还包括忽略与申请人不相关的驾驶特征数据。

4.根据权利要求2所述的方法，其特征在于：比较驾驶特征数据的步骤包括基于所述比较分配验证分数。

5.根据权利要求4所述的方法，还包括忽略验证分数在预定阈值以下的驾驶特征数据。

6.根据权利要求1所述的方法，其特征在于：确定车辆使用的运动标记，包括确定与申请人关联的机动车辆的入库位置。

7.根据权利要求1所述的方法，其特征在于：确定车辆使用的运动标记，包括基于行驶的天数对申请人进行分类。

8.根据权利要求1所述的方法，其特征在于：确定车辆使用的运动标记，包括基于诸如加速度、速度、制动和转向的非距离或位置相关数据对申请人进行分类。

9.根据权利要求1所述的方法，所述移动通信设备为被配置为执行运动监控应用程序的手持式移动通信设备。

10.根据权利要求9所述的方法，在移动通信设备上的所述运动监控应用程序被配置为监控和收集驾驶特征数据。

11.根据权利要求9所述的方法，移动通信设备被配置为在不存在电子连接的情况下，将驾驶特征数据传送至机动车辆。

12.根据权利要求9所述的方法，所述运动监控应用程序被配置为从移动通信设备收集驾驶特征数据，所述驾驶特征数据至少包括关于加速度、速度、制动或转向的信息。

13.根据权利要求9所述的方法，其特征在于：所述运动监控应用程序可忽略与申请人不相关的驾驶特征数据。

14.根据权利要求1所述的方法，其特征在于：运动标记便于基于总计的运动模式识别申请人。

15.根据权利要求1所述的方法，还包括对驾驶特征数据应用风险算法以评估申请人的保险风险。

16.根据权利要求1所述的方法，还包括至少部分地基于驾驶特征数据确定移动通信设备是否位于机动车内。

17.根据权利要求1所述的方法，还包括至少部分地基于驾驶特征数据确定移动通信设备的近似速率。

18.根据权利要求1所述的方法，还包括基于驾驶特征数据将申请人分类到一组风险类别中的一个或多个中。

19.一种方法，包括:

在多种情况下向移动通信设备执行PING操作，所述移动通信设备与申请人相关联；

作为对每一PING操作的响应，接收移动通信设备的多个驾驶特征数据；

作为对所述各PING操作做出的响应，收集多个驾驶特征数据；

至少部分地基于多个驾驶特征数据粗略地估计移动通信设备的历史运动；以及

至少部分地基于移动通信设备的历史运动，确定对于该申请人的车辆使用的近似模式；

忽略被确定为与申请人不相关的多个驾驶特征数据中的一部分。

20.根据权利要求19所述的方法，还包括:

至少部分地基于驾驶特征数据确定对于申请人的车辆使用的运动标记；

将从申请人的移动通信设备接收到的驾驶特征数据与申请人的运动标记进行对比以确定该驾驶特征数据是否与申请人相关；以及

忽略与申请人不相关的驾驶特征数据。

21.一种系统，包括:

个人数据单元，其被配置为接收关于申请人的个人数据，所述个人数据包括与申请人相关的移动通信设备的联系信息；

通信单元，其被配置为从移动通信设备周期性地接收描述移动通信设备的位置更新的驾驶特征数据，并且将该驾驶特征数据与申请人相关联；以及

分析单元，其被配置为至少部分地基于由驾驶特征数据确定的移动通信设备的运动来分析驾驶特征数据，以确定申请人的车辆使用。

22.根据权利要求21所述的系统，所述分析单元进一步被配置为比较个人数据与驾驶特征数据以核查个人数据。