CN106127586A - 大数据时代下车险费率辅助决策系统 - Google Patents

Abstract

一种大数据时代下车险费率辅助决策系统，包括数据收集和处理模块、大数据平台下的驾驶行为分析模块、车辆保险费率决策模块，根据车载的北斗/GPS定位系统，采集驾驶员的行驶北斗/GPS数据，根据这些数据分析驾驶员的驾驶行为，分析驾驶员的疲劳驾驶、夜间驾驶、超速驾驶、超载驾驶和急加速与急减速。通过对这些数据的分析，来评价驾驶员的驾驶行为，对驾驶行为进行打分，从而为车险费率的制定提供信息。

Description

大数据时代下车险费率辅助决策系统

技术领域:

本发明涉及物理领域，尤其涉及车辆驾驶行为分析技术，特别是一种大数据时代下车险费率辅助决策系统。

背景技术:

部分车辆驾驶员有不安全的驾驶行为，这些驾驶行为很可能会造成交通事故，不同的驾驶员其驾驶习惯不同，根据驾驶员的驾驶行为来确定车险费率是未来车险的发展方向。现有技术中，难以实时检测驾驶员的驾驶行为并进行评价。

发明内容：

本发明的目的在于提供一种大数据时代下车险费率辅助决策系统，所述的这种大数据时代下车险费率辅助决策系统要解决现有技术中难以实时检测驾驶员的驾驶行为并进行评价的技术问题。

本发明的这种大数据时代下车险费率辅助决策系统，包括数据收集和处理模块、大数据平台下的驾驶行为分析模块、车辆保险费率决策模块，所述数据收集和处理模块通过车载导航设备连接监控平台获得目标车辆的行驶数据，包括车牌号码、行驶速度、经纬度和行驶里程，通过关系数据库存储汽车行驶源数据，并利用SQL语句对原始数据进行预处理，所述大数据平台下的驾驶行为分析模块包括：超速行为分析、超载行为分析、夜间驾驶行为分析、急加速或急减速驾驶行为分析和疲劳驾驶行为分析，所述超速行为分析通过利用隐马尔科夫算法进行路网匹配，然后通过时空限速模型判定车辆是否超速，所述超载行为分析通过利用支持向量机构造判别器，判断车辆是否有超载行为，所述夜间驾驶行为分析认定汽车在夜间22:00到第二天5:00之间行驶则判定为夜间行驶，所述急加速或急减速驾驶行为分析通过对设定路段上大量汽车行驶数据进行统计并通过线性回归分析得到回归模型，最后以某一辆车的行驶速度为输入通过模型计算判断出车辆是否在该路段上发生急加速或者急减速行为，所述疲劳驾驶行为分析认定一辆车连续行驶4个小时并且期间停车时间不超过20分钟则判定为疲劳驾驶，所述车辆保险费率决策模块，通过专家、保险公司经验和熵权层次分析法得出车辆驾驶的评分模型，该模型包括车辆驾驶指标和车险费率调整系数划分，通过熵权层次分析法和询问专家的方式确定汽车不同驾驶行为的指标，根据保险公司经验给驾驶进行打分，并对不同分数段给出不同的保险费率调整系数。

进一步的，利用隐马尔科夫算法找到车辆行驶的路网路段，并通过地图找到汽车行驶的路段信息，最后将定位数据中行驶速度输入时空限速模型中，最终得出车辆是否超速的判断。

进一步的，利用大数据平台实现支持向量机的算法，其中包括，第一步、将原始数据进行标准化消除量纲的影响；第二步、通过原始数据中时间、速度和里程计算平均速度、平均加速度和启动加速度，并作为训练样本；第三步、将大量的训练样本上传到HDFS中并做分块，每个节点会启动Map任务对块中数据进行SMO训练算出每个块数据的支持向量，最后将各个节点训练处的支持向量输入到Reduce任务中交于SMO算法训练得到最终的支持向量；第四步、利用第三步中的支持向量得到分类器，并利用分类器对车辆是否超载进行判别。

进一步的，所述线性回归模型包括：第一步、利用大数据平台找到该路段内所有汽车行驶的数据，并计算出相邻两个数据之间速度差值；第二步、利用统计线性回归算法得到某段道路上汽车以某个起始车速v_o和行驶至下一时刻车速变化量Δv为输入，以汽车在该段时间内行驶距离S为输出，并统计该路段内所有行驶汽车的数据，第三步、计算回归方程，得到该路段内汽车速度变化量和行驶距离的模型S＝f(Δv，v0)，最后利用该方程判别该汽车发生急加速和急减速的概率，判断规则为第i辆汽车的距离与模型距离误差e＝||S-Sⁱ||越大则说明汽车发生急加速和急减速概率越大，越小则说明概率越低。

进一步的，利用熵权层次分析法建立评分模型，所述评分模型通过大数据平台计算出的汽车行驶违规熵权—层析分析法和询问专家方式得到驾驶行为评分标准，并将车主的驾驶行为得分引入到保险费率的确定中。

本发明和已有技术相比较，其效果是积极和明显的。本发明根据车载的北斗/GPS定位系统，采集驾驶员的行驶北斗/GPS数据，根据这些数据分析驾驶员的驾驶行为，分析驾驶员的疲劳驾驶、夜间驾驶、超速驾驶、超载驾驶和急加速与急减速。通过对这些数据的分析，来评价驾驶员的驾驶行为，对驾驶行为进行打分，从而为车险费率的制定提供信息。

附图说明：

图1是本发明的大数据时代下车险费率辅助决策系统的原理图。

具体实施方式：

实施例1:

如图1所示，本发明的大数据时代下车险费率辅助决策系统，包括数据收集和处理模块、大数据平台下的驾驶行为分析模块、车辆保险费率决策模块，所述数据收集和处理模块通过车载导航设备连接监控平台获得目标车辆的行驶数据，包括车牌号码、行驶速度、经纬度和行驶里程，通过关系数据库存储汽车行驶源数据，并利用SQL语句对原始数据进行预处理，所述大数据平台下的驾驶行为分析模块包括：超速行为分析、超载行为分析、夜间驾驶行为分析、急加速或急减速驾驶行为分析和疲劳驾驶行为分析，所述超速行为分析通过利用隐马尔科夫算法进行路网匹配，然后通过时空限速模型判定车辆是否超速，所述超载行为分析通过利用支持向量机构造判别器，判断车辆是否有超载行为，所述夜间驾驶行为分析认定汽车在夜间22:00到第二天5:00之间行驶则判定为夜间行驶，所述急加速或急减速驾驶行为分析通过对设定路段上大量汽车行驶数据进行统计并通过线性回归分析得到回归模型，最后以某一辆车的行驶速度为输入通过模型计算判断出车辆是否在该路段上发生急加速或者急减速行为，所述疲劳驾驶行为分析认定一辆车连续行驶4个小时并且期间停车时间不超过20分钟则判定为疲劳驾驶，所述车辆保险费率决策模块，通过专家、保险公司经验和熵权层次分析法得出车辆驾驶的评分模型，该模型包括车辆驾驶指标和车险费率调整系数划分，通过熵权层次分析法和询问专家的方式确定汽车不同驾驶行为的指标，根据保险公司经验给驾驶进行打分，并对不同分数段给出不同的保险费率调整系数。

进一步的，利用隐马尔科夫算法找到车辆行驶的路网路段，并通过地图找到汽车行驶的路段信息，最后将定位数据中行驶速度输入时空限速模型中，最终得出车辆是否超速的判断。

进一步的，利用大数据平台实现支持向量机的算法，其中包括，第一步、将原始数据进行标准化消除量纲的影响；第二步、通过原始数据中时间、速度和里程计算平均速度、平均加速度和启动加速度，并作为训练样本；第三步、将大量的训练样本上传到Hadoop分布式文件系统(简称HDFS)中并做分块，每个节点会启动HDFS中的Map任务对块中数据进行序列最小优化(简称SMO)训练算出每个块数据的支持向量，最后将各个节点训练处的支持向量输入到HDFS中的Reduce任务中交于SMO算法训练得到最终的支持向量；第四步、利用第三步中的支持向量得到分类器，并利用分类器对车辆是否超载进行判别。

进一步的，所述线性回归模型包括：第一步、利用大数据平台找到该路段内所有汽车行驶的数据，并计算出相邻两个数据之间速度差值；第二步、利用统计线性回归算法得到某段道路上汽车以某个起始车速v_o和行驶至下一时刻车速变化量Δv为输入，以汽车在该段时间内行驶距离S为输出，并统计该路段内所有行驶汽车的数据，第三步、计算回归方程，得到该路段内汽车速度变化量和行驶距离的模型S＝f(Δv，v₀)最后利用该方程判别该汽车发生急加速和急减速的概率，判断规则为第i辆汽车的距离与模型距离误差e＝||S-Sⁱ||越大则说明汽车发生急加速和急减速概率越大，越小则说明概率越低。

进一步的，利用熵权层次分析法建立评分模型，所述评分模型通过大数据平台计算出的汽车行驶违规熵权—层析分析法和询问专家方式得到驾驶行为评分标准，并将车主的驾驶行为得分引入到保险费率的确定中。

具体的，

所述数据收集和处理模块，通过车载导航设备连接公司平台获得目标车辆的行驶数据，包括车牌号码、行驶速度、经纬度和行驶里程等，并利用关系数据库存储汽车行驶源数据，然后用SQL语句对原始数据进行预处理。

所述大数据平台下的驾驶行为分析模块包括：超速行为分析、超载行为分析、夜间驾驶行为分析、急加速急减速驾驶行为分析和疲劳驾驶行为分析。

所述超速行为分析通过利用隐马尔科夫算法进行路网匹配，然后通过时空限速模型判定车辆是否超速；

所述超载驾驶判断，通过北斗/GPS定位数据中的瞬时速度、行驶里程，计算出平均速度、平均加速度，启动加速度。首先，通过已知的未超载和各种超载状态下的样本对SVM进行训练，找到样本中的支持向量，据此确定最优分类超平面。由于样本数量较大为了提高训练速度，将大量数据进行并发训练。利用MapReduce并行计算框架对样本数据进行训练，该框架利用Map和Reduce函数其中Map函数主要对某块样本数据利用SMO算法进行训练得到支持向量，然后Reduce函数将各个Map函数的结果收集起来再次进行利用SMO算法进行训练得到最终的支持向量，并利用改向量得到最佳分类函数。

所述夜间驾驶行为分析认定汽车在夜间22:00到第二天5:00之间行驶则判定为夜间行驶；

急加速与急减速判断，首先通过大数据平台从原始数据中找出某个路段所有时间所有车辆的行驶数据，对这些数据进行处理得出相邻两点速度的差值，接着利用回归分析方法得出回归模型。通过回归模型得出汽车在该路段发生急加速和急减速的概率。设同一个路段上两个时间点的速度差为v，汽车的每个时间点的初始速度为v_o。因为汽车在一段时间内行驶距离与速度差和初始速度成线性关系，所以可以该回归模型为

$\hat{S}=b_o+b_1\mathrm{\Δ}v+b_2{v}_0$

其中b_o,b₁,b₂为变量△v和v₀的偏回归系数。

通过训练数据和最小二乘原理得出偏回归系数的值，并利用方差分析对得出的模型进行检验，最后根据的大小得出汽车发生急加速和急减速的概率。其中S为汽车实际的行驶距离，为满足回归模型下的行驶距离。

所述疲劳驾驶行为分析认定一辆车连续行驶4个小时并且期间停车时间不超过20分钟则判定为疲劳驾驶；

所述车辆保险费率决策模块，通过专家、保险公司经验和熵权层次分析法得出车辆驾驶的评分模型，该模型包括车辆驾驶指标和车险费率调整系数划分。通过熵权层次分析法和询问专家的方式确定汽车不同驾驶行为的指标，如在不同道路上超速对汽车行驶安全的风险大小等。根据保险公司经验给驾驶进行打分，并给出不同分数段给出不同的保险费率调整系数。

熵权—层次分析法计算步骤：

设有m个上层准则，n个子准则，每个上层准则分别包含n₁,n₂,…,n_m个子准则，且n₁+n₂+…+n_m＝n。通过层次分析法判断矩阵求得上层准则权重B＝{β₁,β₂,…,β_n}，各子准则的权重D＝{γ₁,γ₂,…,γ_n}。

设熵权法求得各指标的权重A＝{α₁,α₂,…,α_n}。

对子准则权重D与熵权法求得的权重A加以综合，求得子准则指标综合权重τ＝{τ₁,τ₂,…,τ_n}，其中

${\mathrm{\τ}}_i=\frac{{\mathrm{\α}}_i{\mathrm{\γ}}_i}{\underset{i=1}{\overset{n}{\Σ}}{\mathrm{\α}}_i{\mathrm{\γ}}_i}(i=1,2,\mathrm{...},n)$

按照子准则与上层准则的对应关系，重新表示子准则综合权重

并分别对每一上层准则下的子准则综合权重归一化得其中 $w_{ij}=\frac{{\mathrm{\τ}}_{ij}}{\underset{i=1}{\overset{n}{\Σ}}{\mathrm{\τ}}_{ij}}(i=1,2,\mathrm{...},n,j=1,2,\mathrm{...},m)$

将上层准则权重B与所求得的综合权重θ对应相乘，得到权重

其中

w_i′_j＝β_iw_ij(i＝1,2,…,n,j＝1,2,…,k,k＝n₁,n₂,…,n_m)

将θ′重新表示为θ′＝{w₁′,w₂′,…,w′_n}，并进行归一化处理得

w＝{w₁,w₂,…,w_n}，其中

$w_i=\frac{w_i^{\′}}{\underset{i=1}{\overset{n}{\Σ}}{w}^{\′}}(i=1,2,\mathrm{...},n)$

建立层次结构，本发明建立的驾驶行为评分指标体系由目标层、准则层、指标层构成。

表1指标结构表

构建判断矩阵，采用熵权--层次分析法确定各指标权重，采用百分制的原则计算得到。依靠对历史样本中的驾驶行为与出险事故间的真实情况进行分析以及保险业内专家的经验进行判断确定分值，建立驾驶行为评分模型。

在计算车险费率时，先建立车险费率与驾驶行为评分的挂钩联动模型，得到费率调整系数。结合驾驶行为评分数据和行业相关专家经验，以75分为安全基准评分，参照保监会费率上下调整幅度应在范围内的相关规定，建立车险费率与驾驶行为评分的挂钩联动模型，如下表2。

表2费率调整系数

驾驶行为得分	费率调整系数
		0≤p<40	1.15
40≤p<60	1.1
		60≤p<70	1.05
70≤p<80	1
		80≤p<90	0.9
90≤p	0.85

在挂钩联动模型的基础上，车险费率的计算公式如下所示：车险费率＝基础费率*费率调整系数。

在车险费率市场化改革背景之下，本车险费率辅助决策系统采用基于UBI的车险费率厘定模式，利用高科技手段的帮助，保险公司可以根据不同车主的风险状况制定个性化保单和差别化费率，能实现车险费率的公平合理化和差异化，对于促进车险费率市场化具有重要意义。

Claims (5)

1.一种大数据时代下车险费率辅助决策系统，一种大数据时代下车险费率辅助决策系统，其特征在于，包括数据收集和处理模块、大数据平台下的驾驶行为分析模块、车辆保险费率决策模块，所述数据收集和处理模块通过车载导航设备连接监控平台获得目标车辆的行驶数据，包括车牌号码、行驶速度、经纬度和行驶里程，通过关系数据库存储汽车行驶源数据，并利用SQL语句对原始数据进行预处理，所述大数据平台下的驾驶行为分析模块包括：超速行为分析、超载行为分析、夜间驾驶行为分析、急加速或急减速驾驶行为分析和疲劳驾驶行为分析，所述超速行为分析通过利用隐马尔科夫算法进行路网匹配，然后通过时空限速模型判定车辆是否超速，所述超载行为分析通过利用支持向量机构造判别器，判断车辆是否有超载行为，所述夜间驾驶行为分析认定汽车在夜间22:00到第二天5:00之间行驶则判定为夜间行驶，所述急加速或急减速驾驶行为分析通过对设定路段上大量汽车行驶数据进行统计并通过线性回归分析得到回归模型，最后以某一辆车的行驶速度为输入通过模型计算判断出车辆是否在该路段上发生急加速或者急减速行为，所述疲劳驾驶行为分析认定一辆车连续行驶4个小时并且期间停车时间不超过20分钟则判定为疲劳驾驶，所述车辆保险费率决策模块，通过专家、保险公司经验和熵权层次分析法得出车辆驾驶的评分模型，该模型包括车辆驾驶指标和车险费率调整系数划分，通过熵权层次分析法和询问专家的方式确定汽车不同驾驶行为的指标，根据保险公司经验给驾驶进行打分，并对不同分数段给出不同的保险费率调整系数。

2.如权利要求1所述的大数据时代下车险费率辅助决策系统，其特征在于：利用隐马尔科夫算法找到车辆行驶的路网路段，并通过地图找到汽车行驶的路段信息，最后将定位数据中行驶速度输入时空限速模型中，最终得出车辆是否超速的判断。

3.如权利要求1所述的大数据时代下车险费率辅助决策系统，其特征在于：利用大数据平台实现支持向量机的算法，其中包括，第一步、将原始数据进行标准化消除量纲的影响；第二步、通过原始数据中时间、速度和里程计算平均速度、平均加速度和启动加速度，并作为训练样本；第三步、将大量的训练样本上传到Hadoop分布式文件系统中并做分块，每个节点会启动Hadoop分布式文件系统中的Map任务对块中数据进行序列最小优化训练算出每个块数据的支持向量，最后将各个节点训练处的支持向量输入到Hadoop分布式系统中的Reduce任务中交于序列最小优化算法训练得到最终的支持向量；第四步、利用第三步中的支持向量得到分类器，并利用分类器对车辆是否超载进行判别。

4.如权利要求1所述的大数据时代下车险费率辅助决策系统，其特征在于：所述线性回归模型包括：第一步、利用大数据平台找到该路段内所有汽车行驶的数据，并计算出相邻两个数据之间速度差值；第二步、利用统计线性回归算法得到某段道路上汽车以某个起始车速v_o和行驶至下一时刻车速变化量Δv为输入，以汽车在该段时间内行驶距离S为输出，并统计该路段内所有行驶汽车的数据，第三步、计算回归方程，得到该路段内汽车速度变化量和行驶距离的模型S＝f(Δv，v₀)，最后利用该方程判别该汽车发生急加速和急减速的概率，判断规则为第i辆汽车的距离与模型距离误差e＝||S-Sⁱ||越大则说明汽车发生急加速和急减速概率越大，越小则说明概率越低。

5.如权利要求1所述的大数据时代下车险费率辅助决策系统，其特征在于：利用熵权层次分析法建立评分模型，所述评分模型通过大数据平台计算出的汽车行驶违规熵权—层析分析法和询问专家方式得到驾驶行为评分标准，并将车主的驾驶行为得分引入到保险费率的确定中。