CN106127586A - 大数据时代下车险费率辅助决策系统 - Google Patents
大数据时代下车险费率辅助决策系统 Download PDFInfo
- Publication number
- CN106127586A CN106127586A CN201610435513.4A CN201610435513A CN106127586A CN 106127586 A CN106127586 A CN 106127586A CN 201610435513 A CN201610435513 A CN 201610435513A CN 106127586 A CN106127586 A CN 106127586A
- Authority
- CN
- China
- Prior art keywords
- data
- vehicle
- driving behavior
- car
- big data
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q40/00—Finance; Insurance; Tax strategies; Processing of corporate or income taxes
- G06Q40/08—Insurance
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
- G06F16/24—Querying
- G06F16/245—Query processing
- G06F16/2458—Special types of queries, e.g. statistical queries, fuzzy queries or distributed queries
- G06F16/2462—Approximate or statistical queries
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
- G06F16/28—Databases characterised by their database models, e.g. relational or object models
- G06F16/284—Relational databases
- G06F16/285—Clustering or classification
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/50—Context or environment of the image
- G06V20/59—Context or environment of the image inside of a vehicle, e.g. relating to seat occupancy, driver state or inner lighting conditions
- G06V20/597—Recognising the driver's state or behaviour, e.g. attention or drowsiness
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Databases & Information Systems (AREA)
- Business, Economics & Management (AREA)
- Accounting & Taxation (AREA)
- Finance (AREA)
- General Engineering & Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Probability & Statistics with Applications (AREA)
- General Business, Economics & Management (AREA)
- Technology Law (AREA)
- Strategic Management (AREA)
- Fuzzy Systems (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Computational Linguistics (AREA)
- Marketing (AREA)
- Economics (AREA)
- Development Economics (AREA)
- Multimedia (AREA)
- Financial Or Insurance-Related Operations Such As Payment And Settlement (AREA)
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
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vo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vo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vo。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
其中bo,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,…,nm个子准则,且n1+n2+…+nm=n。通过层次分析法判断矩阵求得上层准则权重B={β1,β2,…,βn},各子准则的权重D={γ1,γ2,…,γn}。
设熵权法求得各指标的权重A={α1,α2,…,αn}。
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,…,τn},其中
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
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
wi′j=βiwij(i=1,2,…,n,j=1,2,…,k,k=n1,n2,…,nm)
将θ′重新表示为θ′={w1′,w2′,…,w′n},并进行归一化处理得
w={w1,w2,…,wn},其中
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vo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。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201610435513.4A CN106127586A (zh) | 2016-06-17 | 2016-06-17 | 大数据时代下车险费率辅助决策系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201610435513.4A CN106127586A (zh) | 2016-06-17 | 2016-06-17 | 大数据时代下车险费率辅助决策系统 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN106127586A true CN106127586A (zh) | 2016-11-16 |
Family
ID=57470925
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201610435513.4A Pending CN106127586A (zh) | 2016-06-17 | 2016-06-17 | 大数据时代下车险费率辅助决策系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN106127586A (zh) |
Cited By (25)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106651307A (zh) * | 2016-12-22 | 2017-05-10 | 安徽保腾网络科技有限公司 | 用于事故现场勘查的费率折算系统 |
CN106651595A (zh) * | 2016-12-22 | 2017-05-10 | 安徽保腾网络科技有限公司 | 车险费率折算方法 |
CN106651133A (zh) * | 2016-11-18 | 2017-05-10 | 杭州好好开车科技有限公司 | 一种使用手机实现基于adas的用户驾驶行为评分方法 |
CN106651598A (zh) * | 2016-12-22 | 2017-05-10 | 安徽保腾网络科技有限公司 | 车险费率的折算系统 |
CN106777174A (zh) * | 2016-12-22 | 2017-05-31 | 安徽保腾网络科技有限公司 | 用于事故现场勘查的费率折算方法 |
CN106875511A (zh) * | 2017-03-03 | 2017-06-20 | 深圳市唯特视科技有限公司 | 一种基于自编码正则化网络学习驾驶风格的方法 |
CN107038860A (zh) * | 2016-11-18 | 2017-08-11 | 杭州好好开车科技有限公司 | 一种基于adas技术及回归模型的用户驾驶行为评分方法 |
CN107067327A (zh) * | 2017-04-11 | 2017-08-18 | 武汉华创欣网科技有限公司 | 一种车辆保险计费方法 |
CN107194762A (zh) * | 2017-05-05 | 2017-09-22 | 腾讯科技(深圳)有限公司 | 交通工具推荐方法、系统及其设备 |
CN108510400A (zh) * | 2017-09-19 | 2018-09-07 | 腾讯科技(深圳)有限公司 | 汽车保险信息处理方法及装置、服务器及可读存储介质 |
CN109242698A (zh) * | 2018-06-27 | 2019-01-18 | 江苏理工学院 | 一种大型乘用车保险费评估装置工作方法 |
CN109509047A (zh) * | 2017-09-15 | 2019-03-22 | 北京嘀嘀无限科技发展有限公司 | 网约车应用的信息提供方法、信息提供系统及计算机装置 |
CN109598539A (zh) * | 2018-11-08 | 2019-04-09 | 斑马网络技术有限公司 | 汽车租赁定价方法及设备 |
CN109754595A (zh) * | 2017-11-01 | 2019-05-14 | 阿里巴巴集团控股有限公司 | 车辆风险的评估方法、装置及接口设备 |
CN109754489A (zh) * | 2017-11-06 | 2019-05-14 | 丰田自动车株式会社 | 信息处理设备、信息处理系统和信息处理方法 |
CN110275934A (zh) * | 2019-06-28 | 2019-09-24 | 青岛无车承运服务中心有限公司 | 基于北斗定位系统的车辆行驶情况风险分析方法和系统 |
CN110363672A (zh) * | 2019-06-14 | 2019-10-22 | 惠州市德赛西威汽车电子股份有限公司 | 一种综合计算无人驾驶汽车保险金额的方法 |
CN111198673A (zh) * | 2018-11-19 | 2020-05-26 | 北京智谱微科技有限责任公司 | 字长调整方法、装置、设备及存储介质 |
WO2020107894A1 (zh) * | 2018-11-28 | 2020-06-04 | 众安信息技术服务有限公司 | 一种驾驶行为评分方法、装置及计算机可读存储介质 |
JP2020530578A (ja) * | 2018-07-19 | 2020-10-22 | ジョンアン インフォメーション テクノロジー サービシズ カンパニー リミテッド | 運転行為の採点方法及び装置 |
CN112613998A (zh) * | 2020-12-16 | 2021-04-06 | 深圳市麦谷科技有限公司 | 一种基于驾驶行为评分模型的车险保费定价方法及系统 |
CN113095713A (zh) * | 2021-04-28 | 2021-07-09 | 扬州大学 | 一种基于公交历史报警数据的驾驶员空间风险预警方法 |
CN113159975A (zh) * | 2020-07-23 | 2021-07-23 | 厦门中福门纺织有限公司 | 保险用自适应式动态推荐方法及其系统 |
CN113792970A (zh) * | 2021-08-11 | 2021-12-14 | 上海至冕伟业科技有限公司 | 一种基于消防安全评估的火灾保险纯费率核算方法 |
CN117273964A (zh) * | 2023-11-21 | 2023-12-22 | 国任财产保险股份有限公司 | 一种自适应行驶数据的智能车险策略生成系统及方法 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20140095212A1 (en) * | 2012-10-03 | 2014-04-03 | Terje Gloerstad | Systems and methods for providing quality of service for data supporting a driving performance product |
CN105448108A (zh) * | 2015-12-30 | 2016-03-30 | 上海经达信息科技股份有限公司 | 一种基于隐马尔科夫路网匹配的超速判别方法 |
CN105488046A (zh) * | 2014-09-16 | 2016-04-13 | 钛马信息网络技术有限公司 | 基于车辆保险业务的大数据分析系统 |
-
2016
- 2016-06-17 CN CN201610435513.4A patent/CN106127586A/zh active Pending
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20140095212A1 (en) * | 2012-10-03 | 2014-04-03 | Terje Gloerstad | Systems and methods for providing quality of service for data supporting a driving performance product |
CN105488046A (zh) * | 2014-09-16 | 2016-04-13 | 钛马信息网络技术有限公司 | 基于车辆保险业务的大数据分析系统 |
CN105448108A (zh) * | 2015-12-30 | 2016-03-30 | 上海经达信息科技股份有限公司 | 一种基于隐马尔科夫路网匹配的超速判别方法 |
Cited By (32)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107038860B (zh) * | 2016-11-18 | 2019-07-23 | 杭州好好开车科技有限公司 | 一种基于adas技术及回归模型的用户驾驶行为评分方法 |
CN106651133A (zh) * | 2016-11-18 | 2017-05-10 | 杭州好好开车科技有限公司 | 一种使用手机实现基于adas的用户驾驶行为评分方法 |
CN106651133B (zh) * | 2016-11-18 | 2020-07-10 | 杭州好好开车科技有限公司 | 一种使用手机实现基于adas的用户驾驶行为评分方法 |
CN107038860A (zh) * | 2016-11-18 | 2017-08-11 | 杭州好好开车科技有限公司 | 一种基于adas技术及回归模型的用户驾驶行为评分方法 |
CN106651595A (zh) * | 2016-12-22 | 2017-05-10 | 安徽保腾网络科技有限公司 | 车险费率折算方法 |
CN106651598A (zh) * | 2016-12-22 | 2017-05-10 | 安徽保腾网络科技有限公司 | 车险费率的折算系统 |
CN106777174A (zh) * | 2016-12-22 | 2017-05-31 | 安徽保腾网络科技有限公司 | 用于事故现场勘查的费率折算方法 |
CN106651307A (zh) * | 2016-12-22 | 2017-05-10 | 安徽保腾网络科技有限公司 | 用于事故现场勘查的费率折算系统 |
CN106875511A (zh) * | 2017-03-03 | 2017-06-20 | 深圳市唯特视科技有限公司 | 一种基于自编码正则化网络学习驾驶风格的方法 |
CN107067327A (zh) * | 2017-04-11 | 2017-08-18 | 武汉华创欣网科技有限公司 | 一种车辆保险计费方法 |
CN107194762A (zh) * | 2017-05-05 | 2017-09-22 | 腾讯科技(深圳)有限公司 | 交通工具推荐方法、系统及其设备 |
CN109509047A (zh) * | 2017-09-15 | 2019-03-22 | 北京嘀嘀无限科技发展有限公司 | 网约车应用的信息提供方法、信息提供系统及计算机装置 |
CN109509047B (zh) * | 2017-09-15 | 2021-04-02 | 北京嘀嘀无限科技发展有限公司 | 网约车应用的信息提供方法、信息提供系统及计算机装置 |
CN108510400A (zh) * | 2017-09-19 | 2018-09-07 | 腾讯科技(深圳)有限公司 | 汽车保险信息处理方法及装置、服务器及可读存储介质 |
CN108510400B (zh) * | 2017-09-19 | 2022-04-15 | 腾讯科技(深圳)有限公司 | 汽车保险信息处理方法及装置、服务器及可读存储介质 |
CN109754595B (zh) * | 2017-11-01 | 2022-02-01 | 阿里巴巴集团控股有限公司 | 车辆风险的评估方法、装置及接口设备 |
CN109754595A (zh) * | 2017-11-01 | 2019-05-14 | 阿里巴巴集团控股有限公司 | 车辆风险的评估方法、装置及接口设备 |
CN109754489A (zh) * | 2017-11-06 | 2019-05-14 | 丰田自动车株式会社 | 信息处理设备、信息处理系统和信息处理方法 |
CN109242698A (zh) * | 2018-06-27 | 2019-01-18 | 江苏理工学院 | 一种大型乘用车保险费评估装置工作方法 |
JP2020530578A (ja) * | 2018-07-19 | 2020-10-22 | ジョンアン インフォメーション テクノロジー サービシズ カンパニー リミテッド | 運転行為の採点方法及び装置 |
CN109598539A (zh) * | 2018-11-08 | 2019-04-09 | 斑马网络技术有限公司 | 汽车租赁定价方法及设备 |
CN111198673A (zh) * | 2018-11-19 | 2020-05-26 | 北京智谱微科技有限责任公司 | 字长调整方法、装置、设备及存储介质 |
WO2020107894A1 (zh) * | 2018-11-28 | 2020-06-04 | 众安信息技术服务有限公司 | 一种驾驶行为评分方法、装置及计算机可读存储介质 |
CN110363672A (zh) * | 2019-06-14 | 2019-10-22 | 惠州市德赛西威汽车电子股份有限公司 | 一种综合计算无人驾驶汽车保险金额的方法 |
CN110275934A (zh) * | 2019-06-28 | 2019-09-24 | 青岛无车承运服务中心有限公司 | 基于北斗定位系统的车辆行驶情况风险分析方法和系统 |
CN113159975A (zh) * | 2020-07-23 | 2021-07-23 | 厦门中福门纺织有限公司 | 保险用自适应式动态推荐方法及其系统 |
CN112613998A (zh) * | 2020-12-16 | 2021-04-06 | 深圳市麦谷科技有限公司 | 一种基于驾驶行为评分模型的车险保费定价方法及系统 |
CN113095713A (zh) * | 2021-04-28 | 2021-07-09 | 扬州大学 | 一种基于公交历史报警数据的驾驶员空间风险预警方法 |
CN113095713B (zh) * | 2021-04-28 | 2023-10-20 | 扬州大学 | 一种基于公交历史报警数据的驾驶员空间风险预警方法 |
CN113792970A (zh) * | 2021-08-11 | 2021-12-14 | 上海至冕伟业科技有限公司 | 一种基于消防安全评估的火灾保险纯费率核算方法 |
CN117273964A (zh) * | 2023-11-21 | 2023-12-22 | 国任财产保险股份有限公司 | 一种自适应行驶数据的智能车险策略生成系统及方法 |
CN117273964B (zh) * | 2023-11-21 | 2024-02-02 | 国任财产保险股份有限公司 | 一种自适应行驶数据的智能车险策略生成系统及方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN106127586A (zh) | 大数据时代下车险费率辅助决策系统 | |
Li et al. | Short-term prediction of safety and operation impacts of lane changes in oscillations with empirical vehicle trajectories | |
Chen et al. | Impact of road-surface condition on rural highway safety: A multivariate random parameters negative binomial approach | |
CN109448369B (zh) | 高速公路实时运行风险计算方法 | |
CN108492555B (zh) | 一种城市路网交通状态评价方法及装置 | |
CN106095963A (zh) | 互联网+时代下的车辆驾驶行为分析大数据公共服务平台 | |
Chen et al. | A graphical modeling method for individual driving behavior and its application in driving safety analysis using GPS data | |
Yu et al. | A latent class approach for driver injury severity analysis in highway single vehicle crash considering unobserved heterogeneity and temporal influence | |
Chen et al. | Modeling accident risks in different lane-changing behavioral patterns | |
Yu et al. | Using hierarchical Bayesian binary probit models to analyze crash injury severity on high speed facilities with real-time traffic data | |
Moghaddam et al. | Prediction of accident severity using artificial neural networks | |
Park et al. | Analysis of injury severity in traffic crashes: a case study of Korean expressways | |
CN112201038A (zh) | 一种基于单车不良驾驶行为风险的路网风险评估方法 | |
CN111785023A (zh) | 一种车辆碰撞风险预警方法及系统 | |
Rong et al. | Effects of individual differences on driving behavior and traffic flow characteristics | |
Zhou et al. | Comparing factors affecting injury severity of passenger car and truck drivers | |
Ma et al. | Active traffic management strategies for expressways based on crash risk prediction of moving vehicle groups | |
Anderson et al. | Heavy-vehicle crash rate analysis: Comparison of heterogeneity methods using Idaho crash data | |
CN116386316A (zh) | 交通风险的预测方法和装置、电子设备及存储介质 | |
Yeo et al. | The effects of rainfall on driving behaviors based on driving volatility | |
Sun et al. | A hybrid approach of random forest and random parameters logit model of injury severity modeling of vulnerable road users involved crashes | |
Wang et al. | Estimating mountainous freeway crash rate: Application of a spatial model with three-dimensional (3D) alignment parameters | |
Miqdady et al. | In search of severity dimensions of traffic conflicts for different simulated mixed fleets involving connected and autonomous vehicles | |
Xiong et al. | Traffic safety evaluation and accident prediction of freeway: evidence from China | |
Hou et al. | Modelling large vehicles operating speed characteristics on freeway alignment based on aggregated GPS data |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20161116 |
|
RJ01 | Rejection of invention patent application after publication |