CN106447139A - 一种基于车辆驾驶行为的保险精算方法及装置 - Google Patents
一种基于车辆驾驶行为的保险精算方法及装置 Download PDFInfo
- Publication number
- CN106447139A CN106447139A CN201611110217.3A CN201611110217A CN106447139A CN 106447139 A CN106447139 A CN 106447139A CN 201611110217 A CN201611110217 A CN 201611110217A CN 106447139 A CN106447139 A CN 106447139A
- Authority
- CN
- China
- Prior art keywords
- vehicle
- indemnity
- danger
- rate
- case
- 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
- G06Q10/00—Administration; Management
- G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
-
- 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
Landscapes
- Business, Economics & Management (AREA)
- Engineering & Computer Science (AREA)
- Economics (AREA)
- Strategic Management (AREA)
- General Business, Economics & Management (AREA)
- Human Resources & Organizations (AREA)
- Marketing (AREA)
- Finance (AREA)
- Development Economics (AREA)
- Physics & Mathematics (AREA)
- Accounting & Taxation (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Game Theory and Decision Science (AREA)
- Technology Law (AREA)
- Entrepreneurship & Innovation (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Tourism & Hospitality (AREA)
- Financial Or Insurance-Related Operations Such As Payment And Settlement (AREA)
Abstract
本发明实施例公开了一种基于车辆驾驶行为的保险精算方法及装置。该方法包括:依据目标车辆的行驶轨迹确定所述目标车辆的运营特征;依据所述目标车辆的静态数据、运营特征、预先构建的出险率预测模型以及预先构建的案均赔款预测模型,确定所述目标车辆的出险率和案均赔款;依据所述目标车辆的出险率和案均赔款,确定所述目标车辆的投保方案。本发明实施例通过出险率和案均赔款确定目标车辆的投保方案,解决了现有技术中保险技术过于简单,导致车辆的保费准确度不高的问题,使得车辆的保费计算更加科学化,提高了车辆保险精算的精确度。
Description
技术领域
本发明实施例涉及数据处理技术领域,尤其涉及一种基于车辆驾驶行为的保险精算方法及装置。
背景技术
车联网大数据在物流,金融保险等领域有着广泛应用,其中应用最为迫切且易于实现的一种实现方式就是车辆保险的应用。
现有的保险技术主要使用车辆静态数据来评估车辆的保费,例如车辆的载重,厂家,发动机,车龄等。但真实的出险因子则是车辆的驾驶习惯和车辆的运行规律。因而现有的保险技术过于简单,计算得到的车辆的保费准确度较低。
发明内容
本发明实施例提供一种基于车辆驾驶行为的保险精算方法及装置,以提高车辆的保费准确度。
第一方面,本发明实施例提供了一种基于车辆驾驶行为的保险精算方法,包括:
依据目标车辆的行驶轨迹确定所述目标车辆的运营特征;
依据所述目标车辆的静态数据、运营特征、预先构建的出险率预测模型以及预先构建的案均赔款预测模型,确定所述目标车辆的出险率和案均赔款;
依据所述目标车辆的出险率和案均赔款,确定所述目标车辆的投保方案。
第二方面,本发明实施例还提供了一种基于车辆驾驶行为的保险精算的装置,包括:
运营特征确定模块,用于依据目标车辆的行驶轨迹确定所述目标车辆的运营特征;
出险率和案均赔款确定模块,用于依据所述目标车辆的静态数据、运营特征、预先构建的出险率预测模型以及预先构建的案均赔款预测模型,确定所述目标车辆的出险率和案均赔款;
投保方案确定模块,用于依据所述目标车辆的出险率和案均赔款,确定所述目标车辆的投保方案。
本发明实施例提供了一种基于车辆驾驶行为的保险精算方法及装置,依据目标车辆的行驶轨迹与静态数据确定所述目标车辆的出险率和案均赔款,通过出险率和案均赔款确定目标车辆的投保方案,解决了现有技术中保险技术过于简单,导致车辆的保费准确度不高的问题,使得车辆的保费计算更加科学化,提高了车辆保险精算的精确度。
附图说明
图1是本发明实施例一中的一种基于车辆驾驶行为的保险精算方法的流程图;
图2是本发明实施例二中的一种基于车辆驾驶行为的保险精算装置的结构图;
图3是本发明实施例三中的一种基于车辆驾驶行为的保险精算装置的结构图。
具体实施方式
下面结合附图和实施例对本发明作进一步的详细说明。可以理解的是,此处所描述的具体实施例仅仅用于解释本发明,而非对本发明的限定。另外还需要说明的是,为了便于描述,附图中仅示出了与本发明相关的部分而非全部结构。
实施例一
图1为本发明实施例一提供的一种基于车辆驾驶行为的保险精算方法的流程图,本实施例可适用于基于各种车辆驾驶行为的保险精算的情况,该方法可以由本发明实施例提供的基于车辆驾驶行为的保险精算装置来执行,该装置可采用软件和/或硬件的方式实现,该装置可集成在任何提供基于车辆驾驶行为的保险精算功能的设备中,例如可以是电脑,如图1所示,具体包括:
S110、依据目标车辆的行驶轨迹确定所述目标车辆的运营特征。
随着人们生活水平的提高,越来越多的人购买汽车作为代步工具,相应的,发生交通事故的概率也有所提高,因此,一个合理的保险精算方法至关重要。由于每辆车在行驶的过程中都会有行驶轨迹,因此可以根据每辆车的行驶轨迹确定每辆车的运营特征。
其中,目标车辆可以为轿车、SUV(Sport Utility Vehicle,即运动型多用途汽车)汽车、公共汽车、面包车以及货车等,优选为货车等营运车辆。由于目标车辆在行驶的过程中会产生位移,因此可以通过在车上安装车载终端定位系统或者行车记录仪来记录目标车辆的行驶轨迹。然后,根据目标车辆的行驶轨迹确定该目标车辆的运营特征。其中,运营特征包括以下特征中的至少一个特征:
报点天数:车辆上装载的车机在一个月中有报点的天数,即车机上报轨迹数据的天数;
运行天数:一辆车在一个月中有运行里程的天数;
里程表里程:车辆的里程表在一个月的月末的里程读数减去上一个月的月末里程读数,表明该车在一个月中的行驶里程;
总时长:车辆在一个月中行驶的总时间;
高速里程占比:车辆在高速道路上行驶的里程占车辆行驶总里程的比例;
国道里程占比:车辆在国道上行驶的里程占车辆行驶的总里程的比例;
省道里程占比:车辆在省道上行驶的总里程占车辆行驶的总里程的比例;
早晨行驶时间:车辆在早晨6点到8点行驶的时长;
黄昏行驶时间:车辆在黄昏6点到8点的行驶时长;
夜间行驶里程:车辆在一个月中夜间行驶的里程的总和;
高速超速里程:车辆在高速上超速行驶的里程数;
非高速超速里程:车辆在非高速道路上行驶时候的超速里程;
高速疲劳里程:车辆在高速上行驶时,疲劳驾驶的里程数;
非高速疲劳里程:车辆在非高速上行驶时,疲劳驾驶的里程数;
危险路段:车辆通过gis地图中标记为危险路段的道路的次数;
最大运营距离:车辆在一个月中运行的最大范围,即最大经纬度和最小经纬度构成的最大矩形的对角线距离;
常跑城市数量:车辆经常运行的城市的数量;
转向速度:包括左转速度、右转速度与掉头速度,分别为车辆在左转向、右转向与掉头时的平均速度;
转向次数:包括左转次数、右转次数与掉头次数,分别为车辆左转、右转与掉头的次数;
速度变化指标数据:包括加速度、加速时间、减速度、减速时间、超速里程、超速时间、严重超速里程、疲劳时间、疲劳里程、严重疲劳时间以及严重疲劳里程。其中,加速度为统计车辆的速度变化情况,分析出车辆的急加速;加速时间,为车辆急加速的时长;减速度,为统计车辆的速度变化情况,分析出车辆的急减速;减速时间,为车辆急减速的时长;超速里程,为车辆超速的总里程;超速时间,为统计车辆超速时长;严重超速里程,为统计车辆的严重超速的里程;严重超速时间,为统计车辆的严重超速的时间;疲劳时间,为司机疲劳驾驶的时长;疲劳里程,为司机疲劳驾驶的里程;严重疲劳时间,为统计车辆的严重疲劳的时长;严重疲劳里程,为统计车辆的严重疲劳的里程。
需要说明的是,上述“疲劳时间”与“疲劳里程”中“疲劳”的定义可以采用系统默认的静态值,如驾车行驶4小时以上,或者采用根据实际情况而设定的动态值;同样的,上述“严重疲劳时间”与“严重疲劳里程”中“严重疲劳”的定义也可以采用系统默认的静态值,如驾车行驶6小时以上,或者采用根据实际情况而设定的动态值。
S120、依据所述目标车辆的静态数据、运营特征、预先构建的出险率预测模型以及预先构建的案均赔款预测模型,确定所述目标车辆的出险率和案均赔款。
其中,目标车辆的静态数据包括车辆品牌、车辆类型号、车辆的驱动型式、车辆类型,车辆的注册省份,车辆的载重/总牵引力以及车辆的车龄;目标车辆的出险率,统称为“出险次数”,指在一定时期内(通常为1年),共计发生汽车保险理赔的频率,一般出险1次,出险率记为1,出险2次,出险率记为2,以此类推;目标车辆的案均赔款为根据目标车辆出险的历史数据计算出每案赔款额的平均数。
目标车辆的出险率预测模型和案均赔款预测模型用于预测用户在使用目标车辆期间发生交通事故与每次发生交通事故的案均赔款情况。
示例性的,出险率预测模型和案均赔款预测模的构建包括:
A、依据多个历史车辆的行驶轨迹,确定所述多个历史车辆的运营特征。具体的,采集多个历史车辆的行驶轨迹,其中,历史车辆的具体车辆品牌、车辆类型号等不作限定。
示例性的,依据多个历史车辆的行驶轨迹,确定是多个历史车辆的运营特征之后,可以包括:针对每一项运营特征,若该项运营特征与其他项运营特征之间的相关度大于预设的相关度阈值,则保留该项运营特征与其他项运营特征中的一项。即对历史车辆的运营特征之间的相关性分析,如果两项运营特征的相关系数比较大,则保留其中的一项运营特征。其中,相关度阈值可以设定为默认的固定值,如0.75;也可以为根据车辆具体情况而设定的动态值。例如,将相关度阈值设定为固定值0.75,据分析上述所有与里程相关的运营特征与所有与时间相关的运营特征之间的相关度阈值大于0.75,那么即可以只保留所有与里程相关的运营特征,或者只保留所有与时间相关的运营特征。
B、依据所述多个历史车辆的保险数据,确定所述多个历史车辆的出险率和案均赔款。
其中,保险数据包括满期保费、赔付率、满期车年、赔案件数、理赔金额、实赔金额与单均保费。具体的,满期保费为从保单生效之日起到报告期止已满期的那部分保费,即保险公司已赚保费,基于以下公式计算:
满期保费(365分法)=(已满期天数/365)*保费收入
赔付率为一定期间赔款支出与保费收入的百分比,计算公式如下:
赔付率=(赔款支出÷保费收入)×100%)
满期车年为已满期天数占365天的比例;赔案件数为历史车辆发生交通事故的总件数;理赔金额为每次出险理赔的金额;实赔金额为实际情况赔付的金额;单均保费为每保险单赔款额的平均数。
C,依据多个历史车辆的运营特征、静态数据、出险率和案均赔款,构建出险率预测模型和出险率预测模型。
具体的,将上述统计的多个历史车辆的运营特征与多个历史车辆的保险数据以车牌照进行区分,结合车辆的静态数据,共同导入sas(Statistical Analysis System,数据分析软件)数据表库。通过该数据分析软件,建立车辆的运营特征与保险数据之间的关系。
示例性的,依据所述多个历史车辆的运营特征、静态数据、出险率和案均赔款,构建所述出险率预测模型和所述案均赔款预测模型,可以包括:将运营特征和静态数据相同的历史车辆合并为同类历史车辆;确定每类历史车辆的运营特征等级、静态数据等级、出险率和案均赔款;依据每类历史车辆的运营特征等级、静态数据等级、出险率和案均赔款,构建所述出险率预测模型和所述案均赔款预测模型。
具体的,分别对sas数据表库中的各个车辆的运营特征与静态数据进行统计,将车辆运营特征和静态数据相同的历史车辆合并为同类历史车辆,确定每类历史车辆的运营特征等级、静态数据等级、出险率和案均赔款。其中,每类历史车辆的所有运营特征都要划分不同的等级,例如根据历史车辆的里程划分为三档或者五档,每档包含历史车辆行驶过的不同公里数范围;或者,根据历史车辆的运行天数划分为三档或者五档,每档包含历史车辆行驶过的不同的天数范围等。并且,每类历史车辆的静态数据等级也要进行划分等级,具体可以将每类历史车辆的静态数据汇总为一个参考值,对参考值进行划分等级,也可以对每类历史车辆的静态数据中包含的各类数据进行划分等级。在对每类历史车辆的运营特征等级与静态数据等级确定后,再使用数学建模方法对各类历史车辆的出险率和案均赔款进行建模。其中,各类历史车辆的出险率使用泊松回归方法建模;各类历史车辆的案均赔款使用gamma回归方法建模,计算出出与出险率与案均赔款相关的系数。
S130、依据所述目标车辆的出险率和案均赔款,确定所述目标车辆的投保方案。
具体的,当用户对目标车辆上保险时,可以将目标车辆的各种运营特征与静态数据输入建模后的出险率预测模型和出险率预测模型,计算出属于该目标车辆的出险率和案均赔款。最后,根据该目标车辆的出险率和案均赔款,对该目标车辆进行数据分析,确定目标车辆的投保方案。
本发明实施例依据目标车辆的行驶轨迹与静态数据确定所述目标车辆的出险率和案均赔款,通过出险率和案均赔款确定目标车辆的投保方案,解决了现有技术中车辆的保费准确度不高的问题,使得车辆的保费计算更加科学化,提高了车辆保险精算的精确度。
实施例二
图2为本发明实施例二提供的一种基于车辆驾驶行为的保险精算装置的结构示意图,本实施例可适用于基于各种车辆驾驶行为的保险精算的情况,该方法可以由本发明实施例提供的基于车辆驾驶行为的保险精算装置来执行,该装置可采用软件和/或硬件的方式实现,该装置可集成在任何提供基于车辆驾驶行为的保险精算功能的设备中,例如可以是电脑,如图2所示,具体包括:运营特征确定模块21、出险率和案均赔款确定模块22和投保方案确定模块23。
运营特征确定模块21,用于依据目标车辆的行驶轨迹确定所述目标车辆的运营特征;
出险率和案均赔款确定模块22,用于依据所述目标车辆的静态数据、运营特征、预先构建的出险率预测模型以及预先构建的案均赔款预测模型,确定所述目标车辆的出险率和案均赔款;
投保方案确定模块23,用于依据所述目标车辆的出险率和案均赔款,确定所述目标车辆的投保方案。
本实施例所述基于车辆驾驶行为的保险精算装置用于执行上述各实施例所述的基于车辆驾驶行为的保险精算方法,其技术原理和产生的技术效果类似,这里不再赘述。
实施例三
图3所示为本发明实施例三提供的一种基于车辆驾驶行为的保险精算装置的结构示意图。如图3所示:
在上述实施例的基础上,还包括预测模型构建模块31,所述预测模型构建模块31包括:运营特征确定单元32、出险率和案均赔款确定单元33和模型确定单元34。
运营特征确定单元32,用于依据多个历史车辆的行驶轨迹,确定所述多个历史车辆的运营特征;
出险率和案均赔款确定单元33,用于依据所述多个历史车辆的保险数据,确定所述多个历史车辆的出险率和案均赔款;
模型确定单元34,用于依据所述多个历史车辆的运营特征、静态数据、出险率和案均赔款,构建所述出险率预测模型和所述案均赔款预测模型。
在上述实施例的基础上,所述模型确定单元33具体用于:将运营特征和静态数据相同的历史车辆合并为同类历史车辆;确定每类历史车辆的运营特征等级、静态数据等级、出险率和案均赔款;依据每类历史车辆的运营特征等级、静态数据等级、出险率和案均赔款,构建所述出险率预测模型和所述案均赔款预测模型。
在上述实施例的基础上,所述预测模型构建模块31还包括:保留单元35。
保留单元35,用于在依据多个历史车辆的行驶轨迹,确定是多个历史车辆的运营特征之后,针对每一项运营特征,若该项运营特征与其他项运营特征之间的相关度大于预设的相关度阈值,则保留该项运营特征与其他项运营特征中的一项。
在上述实施例的基础上,所述运营特征包括报点天数、运行天数、里程表里程、总时长、高速里程占比、国道里程占比、省道里程占比、早晨行驶时间、黄昏行驶时间、夜间行驶里程、高速超速里程、非高速超速里程、高速疲劳里程、非高速疲劳里程、危险路段、最大运营距离、常跑城市数量、转向速度、转向次数和速度变化指标数据中的至少一种。
本实施例所述基于车辆驾驶行为的保险精算装置用于执行上述各实施例所述的基于车辆驾驶行为的保险精算方法,其技术原理和产生的技术效果类似,这里不再赘述。
注意,上述仅为本发明的较佳实施例及所运用技术原理。本领域技术人员会理解,本发明不限于这里所述的特定实施例,对本领域技术人员来说能够进行各种明显的变化、重新调整和替代而不会脱离本发明的保护范围。因此,虽然通过以上实施例对本发明进行了较为详细的说明,但是本发明不仅仅限于以上实施例,在不脱离本发明构思的情况下,还可以包括更多其他等效实施例,而本发明的范围由所附的权利要求范围决定。
Claims (10)
1.一种基于车辆驾驶行为的保险精算方法,其特征在于,包括:
依据目标车辆的行驶轨迹确定所述目标车辆的运营特征;
依据所述目标车辆的静态数据、运营特征、预先构建的出险率预测模型以及预先构建的案均赔款预测模型,确定所述目标车辆的出险率和案均赔款;
依据所述目标车辆的出险率和案均赔款,确定所述目标车辆的投保方案。
2.根据权利要求1所述的方法,其特征在于,所述出险率预测模型和所述案均赔款预测模型的构建包括:
依据多个历史车辆的行驶轨迹,确定所述多个历史车辆的运营特征;
依据所述多个历史车辆的保险数据,确定所述多个历史车辆的出险率和案均赔款;
依据所述多个历史车辆的运营特征、静态数据、出险率和案均赔款,构建所述出险率预测模型和所述案均赔款预测模型。
3.根据权利要求2所述的方法,其特征在于,依据所述多个历史车辆的运营特征、静态数据、出险率和案均赔款,构建所述出险率预测模型和所述案均赔款预测模型,包括:
将运营特征和静态数据相同的历史车辆合并为同类历史车辆;
确定每类历史车辆的运营特征等级、静态数据等级、出险率和案均赔款;
依据每类历史车辆的运营特征等级、静态数据等级、出险率和案均赔款,构建所述出险率预测模型和所述案均赔款预测模型。
4.根据权利要求2所述的方法,其特征在于,依据多个历史车辆的行驶轨迹,确定是多个历史车辆的运营特征之后,包括:
针对每一项运营特征,若该项运营特征与其他项运营特征之间的相关度大于预设的相关度阈值,则保留该项运营特征与其他项运营特征中的一项。
5.根据权利要求1-4任一项所述的方法,其特征在于,所述运营特征包括报点天数、运行天数、里程表里程、总时长、高速里程占比、国道里程占比、省道里程占比、早晨行驶时间、黄昏行驶时间、夜间行驶里程、高速超速里程、非高速超速里程、高速疲劳里程、非高速疲劳里程、危险路段、最大运营距离、常跑城市数量、转向速度、转向次数和速度变化指标数据中的至少一种。
6.一种基于车辆驾驶行为的保险精算装置,其特征在于,包括:
运营特征确定模块,用于依据目标车辆的行驶轨迹确定所述目标车辆的运营特征;
出险率和案均赔款确定模块,用于依据所述目标车辆的静态数据、运营特征、预先构建的出险率预测模型以及预先构建的案均赔款预测模型,确定所述目标车辆的出险率和案均赔款;
投保方案确定模块,用于依据所述目标车辆的出险率和案均赔款,确定所述目标车辆的投保方案。
7.根据权利要求6所述的装置,其特征在于,还包括预测模型构建模块,所述预测模型构建模块包括:
运营特征确定单元,用于依据多个历史车辆的行驶轨迹,确定所述多个历史车辆的运营特征;
出险率和案均赔款确定单元,用于依据所述多个历史车辆的保险数据,确定所述多个历史车辆的出险率和案均赔款;
模型确定单元,用于依据所述多个历史车辆的运营特征、静态数据、出险率和案均赔款,构建所述出险率预测模型和所述案均赔款预测模型。
8.根据权利要求7所述的装置,其特征在于,所述模型确定单元具体用于:
将运营特征和静态数据相同的历史车辆合并为同类历史车辆;
确定每类历史车辆的运营特征等级、静态数据等级、出险率和案均赔款;
依据每类历史车辆的运营特征等级、静态数据等级、出险率和案均赔款,构建所述出险率预测模型和所述案均赔款预测模型。
9.根据权利要求7所述的装置,其特征在于,所述预测模型构建模块还包括:
保留单元,用于在依据多个历史车辆的行驶轨迹,确定是多个历史车辆的运营特征之后,针对每一项运营特征,若该项运营特征与其他项运营特征之间的相关度大于预设的相关度阈值,则保留该项运营特征与其他项运营特征中的一项。
10.根据权利要求6-9任一项所述的装置,其特征在于,所述运营特征包括报点天数、运行天数、里程表里程、总时长、高速里程占比、国道里程占比、省道里程占比、早晨行驶时间、黄昏行驶时间、夜间行驶里程、高速超速里程、非高速超速里程、高速疲劳里程、非高速疲劳里程、危险路段、最大运营距离、常跑城市数量、转向速度、转向次数和速度变化指标数据中的至少一种。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201611110217.3A CN106447139A (zh) | 2016-12-06 | 2016-12-06 | 一种基于车辆驾驶行为的保险精算方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201611110217.3A CN106447139A (zh) | 2016-12-06 | 2016-12-06 | 一种基于车辆驾驶行为的保险精算方法及装置 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN106447139A true CN106447139A (zh) | 2017-02-22 |
Family
ID=58216057
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201611110217.3A Pending CN106447139A (zh) | 2016-12-06 | 2016-12-06 | 一种基于车辆驾驶行为的保险精算方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN106447139A (zh) |
Cited By (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107203945A (zh) * | 2017-06-12 | 2017-09-26 | 清华大学苏州汽车研究院(吴江) | 车险分级评估方法及装置 |
CN107292528A (zh) * | 2017-06-30 | 2017-10-24 | 阿里巴巴集团控股有限公司 | 车险风险预测方法、装置及服务器 |
CN107818513A (zh) * | 2017-11-24 | 2018-03-20 | 泰康保险集团股份有限公司 | 风险评估方法及装置、存储介质、电子设备 |
CN107862339A (zh) * | 2017-11-15 | 2018-03-30 | 百度在线网络技术(北京)有限公司 | 用于输出信息的方法和装置 |
CN107977896A (zh) * | 2017-12-21 | 2018-05-01 | 江西爱驰亿维实业有限公司 | 车辆保险费的核算方法及装置 |
CN109214930A (zh) * | 2017-07-07 | 2019-01-15 | 成都优赞网络科技有限公司 | 车辆保险计算方法、装置及服务终端 |
CN109829601A (zh) * | 2018-12-07 | 2019-05-31 | 深圳大学 | 一种驾驶员驾驶车辆风险行为的预测方法及系统 |
CN110599353A (zh) * | 2018-06-13 | 2019-12-20 | 百度在线网络技术(北京)有限公司 | 一种车辆出险和赔付率预测方法、装置、设备及介质 |
CN110675267A (zh) * | 2018-07-03 | 2020-01-10 | 北京嘀嘀无限科技发展有限公司 | 一种根据实时路况进行车险预警的方法及系统 |
CN110738574A (zh) * | 2019-09-06 | 2020-01-31 | 中国平安财产保险股份有限公司 | 数据预测方法、装置、设备及存储介质 |
CN112085437A (zh) * | 2020-08-20 | 2020-12-15 | 浙江万里学院 | 基于移动终端的智能物流投保方法 |
CN117196318A (zh) * | 2023-11-02 | 2023-12-08 | 湖南机械之家信息科技有限公司 | 大型工程车辆的风险分析方法、装置和计算机设备 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20020178033A1 (en) * | 2001-03-27 | 2002-11-28 | Tatsuo Yoshioka | Automobile insurance contents setting system, automobile insurance premium setting system, and automobile insurance premium collection system |
CN103150675A (zh) * | 2013-01-30 | 2013-06-12 | 郁佳敏 | 汽车保险的风险监测系统 |
CN105374211A (zh) * | 2015-12-09 | 2016-03-02 | 敏驰信息科技(上海)有限公司 | 基于多源数据计算驾驶风险与辅助车险定价的系统及方法 |
-
2016
- 2016-12-06 CN CN201611110217.3A patent/CN106447139A/zh active Pending
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20020178033A1 (en) * | 2001-03-27 | 2002-11-28 | Tatsuo Yoshioka | Automobile insurance contents setting system, automobile insurance premium setting system, and automobile insurance premium collection system |
CN103150675A (zh) * | 2013-01-30 | 2013-06-12 | 郁佳敏 | 汽车保险的风险监测系统 |
CN105374211A (zh) * | 2015-12-09 | 2016-03-02 | 敏驰信息科技(上海)有限公司 | 基于多源数据计算驾驶风险与辅助车险定价的系统及方法 |
Cited By (18)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107203945A (zh) * | 2017-06-12 | 2017-09-26 | 清华大学苏州汽车研究院(吴江) | 车险分级评估方法及装置 |
US11244402B2 (en) | 2017-06-30 | 2022-02-08 | Advanced New Technologies Co., Ltd. | Prediction algorithm based attribute data processing |
CN107292528A (zh) * | 2017-06-30 | 2017-10-24 | 阿里巴巴集团控股有限公司 | 车险风险预测方法、装置及服务器 |
CN109214930A (zh) * | 2017-07-07 | 2019-01-15 | 成都优赞网络科技有限公司 | 车辆保险计算方法、装置及服务终端 |
CN107862339A (zh) * | 2017-11-15 | 2018-03-30 | 百度在线网络技术(北京)有限公司 | 用于输出信息的方法和装置 |
CN107862339B (zh) * | 2017-11-15 | 2022-04-29 | 百度在线网络技术(北京)有限公司 | 用于输出信息的方法和装置 |
CN107818513A (zh) * | 2017-11-24 | 2018-03-20 | 泰康保险集团股份有限公司 | 风险评估方法及装置、存储介质、电子设备 |
CN107977896A (zh) * | 2017-12-21 | 2018-05-01 | 江西爱驰亿维实业有限公司 | 车辆保险费的核算方法及装置 |
CN110599353A (zh) * | 2018-06-13 | 2019-12-20 | 百度在线网络技术(北京)有限公司 | 一种车辆出险和赔付率预测方法、装置、设备及介质 |
CN110675267A (zh) * | 2018-07-03 | 2020-01-10 | 北京嘀嘀无限科技发展有限公司 | 一种根据实时路况进行车险预警的方法及系统 |
CN110675267B (zh) * | 2018-07-03 | 2023-05-12 | 北京嘀嘀无限科技发展有限公司 | 一种根据实时路况进行车险预警的方法及系统 |
CN109829601B (zh) * | 2018-12-07 | 2021-03-23 | 深圳大学 | 一种驾驶员驾驶车辆风险行为的预测方法及系统 |
CN109829601A (zh) * | 2018-12-07 | 2019-05-31 | 深圳大学 | 一种驾驶员驾驶车辆风险行为的预测方法及系统 |
CN110738574A (zh) * | 2019-09-06 | 2020-01-31 | 中国平安财产保险股份有限公司 | 数据预测方法、装置、设备及存储介质 |
CN112085437A (zh) * | 2020-08-20 | 2020-12-15 | 浙江万里学院 | 基于移动终端的智能物流投保方法 |
CN112085437B (zh) * | 2020-08-20 | 2023-09-26 | 浙江万里学院 | 基于移动终端的智能物流投保方法 |
CN117196318A (zh) * | 2023-11-02 | 2023-12-08 | 湖南机械之家信息科技有限公司 | 大型工程车辆的风险分析方法、装置和计算机设备 |
CN117196318B (zh) * | 2023-11-02 | 2024-01-30 | 湖南机械之家信息科技有限公司 | 大型工程车辆的风险分析方法、装置和计算机设备 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN106447139A (zh) | 一种基于车辆驾驶行为的保险精算方法及装置 | |
Tselentis et al. | Innovative insurance schemes: pay as/how you drive | |
Guillen et al. | Can automobile insurance telematics predict the risk of near-miss events? | |
CN107161153A (zh) | 一种驾驶行为评分方法及装置 | |
US9082072B1 (en) | Method for applying usage based data | |
US20220188856A1 (en) | Systems and methods for providing carbon offsets | |
EP3430590A1 (en) | Telematics system and corresponding method thereof | |
Hickman et al. | Efficacy of roll stability control and lane departure warning systems using carrier-collected data | |
DE102012218129A1 (de) | Effizienzbewertungs-Nachführungseinrichtung für Fahrzeugoperationen | |
CN108806018A (zh) | 一种数据处理方法、数据处理设备和智能汽车 | |
CN106097709A (zh) | 基于智能车载终端的驾驶行为识别方法 | |
CN108363381A (zh) | 基于车联网的车辆管理系统 | |
US20170344924A1 (en) | Method and system for dynamically calculating reimbursement for vehicle usage | |
CN105427620A (zh) | 一种基于出租车运行数据的非法营运车辆识别方法 | |
CN114509081B (zh) | 基于差异化收费计算车辆通行成本的方法以及装置 | |
Vavouranakis et al. | Smartphone-based telematics for usage based insurance | |
EP3374242B1 (de) | Verfahren und vorrichtung zum analysieren einer fahrweise eines fahrers eines fahrzeugs | |
CN111862587B (zh) | 一种出行引导策略生成方法及装置 | |
CN106780049B (zh) | 一种车辆金融授信方法及装置 | |
CN111862589A (zh) | 一种高容量车道确定方法及装置 | |
Venigalla et al. | Impact of electronic toll collection and electronic screening on heavy-duty vehicle emissions | |
Chaba | Influence of telematics of ubi insurance on the management of the fleet of company vehicles | |
Doecke et al. | Cost benefit analysis of intelligent speed assist | |
DE102017209817A1 (de) | Verfahren zur Manipulationssicherung eines Kilometerstandes eines Fahrzeugs | |
Pitera et al. | Economic analysis of onboard monitoring systems in commercial vehicles |
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: 20170222 |
|
RJ01 | Rejection of invention patent application after publication |