CN107123054B - 车险理赔数据分析方法和系统 - Google Patents
车险理赔数据分析方法和系统 Download PDFInfo
- Publication number
- CN107123054B CN107123054B CN201710225328.7A CN201710225328A CN107123054B CN 107123054 B CN107123054 B CN 107123054B CN 201710225328 A CN201710225328 A CN 201710225328A CN 107123054 B CN107123054 B CN 107123054B
- Authority
- CN
- China
- Prior art keywords
- danger
- place
- vehicle
- license plate
- vehicle insurance
- 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.)
- Active
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
Abstract
本发明涉及一种车险理赔数据分析方法和系统,所述方法应用于行业服务器,包括:接收多个理赔服务器上传的车险理赔数据,所述车险理赔数据至少包括出险车辆的车牌号和出险地点;对所述车险理赔数据进行大数据风险分析,得到车险对应的高风险车牌号、高风险出险地点;将所述高风险车牌号和高风险出险地点分别返回至多个理赔服务器,以使得所述理赔服务器在接收到携带所述高风险车牌号和/或高风险出险地点的车险报案信息时,生成核实是否骗保的提示信息,并将所述提示信息发送至理赔终端。采用本方法能够车险的理赔数据进行全面的风险分析进而有效防范骗保。
Description
技术领域
本发明涉及计算机技术领域,特别是涉及一种车险理赔数据分析方法和系统。
背景技术
随着汽车的普及,车险也逐渐融入到人们的生活中。当被保险的车辆发生交通事故时,保险公司会对出险车辆进行理赔。面对每天数以万计的交通事故,每家保险公司都会产生大量的理赔数据。目前,不同的保险公司理赔数据是没有相互公开的。因此,每家保险公司在对理赔数据进行风险分析时,只能针对自己的理赔数据进行分析。也就是说,每家保险公司只是对部分交通事故产生的理赔数据进行分析,所做出的骗保防范措施很可能存在漏洞。因此,如何对车险的理赔数据进行全面的风险分析从而进行有效防范骗保成为一个待解决的技术问题。
发明内容
基于此,有必要针对上述技术问题,提供一种能够车险的理赔数据进行全面的风险分析进而有效防范骗保的车险理赔数据分析方法和系统。
一种车险理赔数据分析方法,应用于行业服务器,包括:
接收多个理赔服务器上传的车险理赔数据,所述车险理赔数据至少包括出险车辆的车牌号和出险地点;
对所述车险理赔数据进行大数据风险分析,得到车险对应的高风险车牌号、高风险出险地点;
将所述高风险车牌号和高风险出险地点分别返回至多个理赔服务器,以使得所述理赔服务器在接收到携带所述高风险车牌号和/或高风险出险地点的车险报案信息时,生成核实是否骗保的提示信息,并将所述提示信息发送至理赔终端。
在其中一个实施例中,所述车险理赔数据包括出险车辆的车牌号和出险时间;所述对所述车险理赔数据进行大数据风险分析的步骤,包括:
获取所述车险理赔数据中的车牌号和对应的出险时间;
对多个车牌号和出险时间进行大数据分析;
若同一个车牌号在预设时间段内的出险次数超过第一预设出险次数,则将所述车牌号记录为高风险车牌号。
在其中一个实施例中,所述对所述车险理赔数据进行大数据风险分析的步骤,包括:
获取所述车险理赔数据中的车牌号、出险地点和出险原因;
对多个车牌号对应的出险地点和出险原因进行大数据分析;所述出险原因包括故意制造现场;
获取出险原因为故意制造现场的车险案件所对应的出险地点的特征;
若具有相同特征的出险地点且出险原因为故意制造现场的车险案件数量大于预设案件量时,则记录所述出险地点的特征,并将具有所述特征的出险地点记录为高风险出险地点。
在其中一个实施例中,所述对所述车险理赔数据进行大数据风险分析的步骤,还包括:
获取所述车险理赔数据中的出险地点;
对多个出险地点进行大数据分析;
若在同一个出险地点的出险次数超过第二预设出险次数,则将所述出险地点记录为事故高发地点。
在其中一个实施例中,在所述接收多个理赔服务器上传的车险理赔数据之前,还包括:
接收交警服务器发送的事故责任认定数据,并对所述事故责任认定数据进行保存;
接收理赔服务器发送的事故责任查询请求,所述事故责任查询请求中携带了出险时间和出险车辆的车牌号;
根据所述出险时间和出险车辆的车牌号在所述事故责任认定数据中进行查询,得到所述车牌号对应的事故责任;
将所述车牌号对应的事故责任返回至理赔服务器,以使得所述理赔服务器根据所述车牌号对应的事故责任对所述出险车辆进行定损计算。
一种车险理赔数据分析方法,应用于理赔服务器,包括:
获取车险理赔数据,所述车险理赔数据至少包括出险车辆的车牌号和出险地点;
将所述车险理赔数据上传至行业服务器,以使得所述行业服务器对所述车险理赔数据进行大数据风险分析,得到车险对应的高风险车牌号、高风险出险地点;
接收所述行业服务器返回的高风险车牌号、高风险出险地点;
当接收到携带所述高风险车牌号和/或高风险出险地点的车险理赔请求时,生成核实是否骗保的提示信息。
在其中一个实施例中,在所述获取车险理赔数据的步骤之前,还包括:
接收客户终端上传的车险报案信息;所述车险报案信息中包括出险时间和出险车辆的车牌号;
根据所述出险时间和所述出险车辆的车牌号生成事故责任查询请求,将所述事故责任查询请求发送至行业服务器,以使得所述行业服务器在已保存的事故责任认定数据中进行查询;
接收所述行业服务器返回的所述车牌号对应的事故责任,根据所述事故责任对所述出险车辆进行定损计算。
一种车险理赔数据分析系统,所述系统包括多个理赔服务器和行业服务器,其中:
理赔服务器,用于获取车险理赔数据,所述车险理赔数据至少包括出险车辆的车牌号和出险地点;
行业服务器,用于接收多个理赔服务器上传的车险理赔数据,对所述车险理赔数据进行大数据风险分析,得到车险对应的高风险车牌号、高风险出险地点;
所述理赔服务器还用于接收所述行业服务器返回的高风险车牌号、高风险出险地点,当接收到携带所述高风险车牌号和/或高风险出险地点的车险报案信息时,生成核实是否骗保的提示信息,并将所述提示信息发送至理赔终端。
在其中一个实施例中,所述系统还包括:
客户终端,用于向理赔服务器上传的车险报案信息;所述车险报案信息中包括出险时间和出险车辆的车牌号;
交警服务器,用于获取车险案件的事故责任认定数据,将所述事故责任认定数据发送至所述行业服务器;
所述理赔服务器还用于根据所述出险时间和所述出险车辆的车牌号生成事故责任查询请求,将所述事故责任查询请求发送至所述行业服务器;
所述行业服务器还用于根据所述出险时间和出险车辆的车牌号在所述事故责任认定数据中进行查询,得到所述车牌号对应的事故责任;
所述理赔服务器还用于接收所述行业服务器返回的所述车牌号对应的事故责任,根据所述事故责任对所述出险车辆进行定损计算。
在其中一个实施例中,所述行业服务器还用于获取所述车险理赔数据中的出险地点;对多个出险地点进行大数据分析;若在同一个出险地点的出险次数超过第二预设出险次数,则将所述出险地点记录为事故高发地点;
所述系统还包括:
车载终端,用于实时捕捉车辆位置,将车辆位置上传至行业服务器;
当车辆行驶至所述事故高发地点时,所述行业服务器还用于向所述车载终端发送事故高发地点的提示信息;
所述车载终端还用于接收所述事故高发地点的提示信息,并将所述提示信息进行语音播放。
上述车险理赔数据分析方法和系统,多个保险公司的理赔服务器将各自的车险理赔数据发送至行业服务器,行业服务器对多个保险公司的车险理赔数据进行大数据风险分析,得到车险对应的高风险车牌号以及高风险出险地点。由于大数据风险分析是基于多个保险公司的车险理赔数据进行的,因此高风险车牌号和高风险出险地点是经过全面的分析得出的。如果车险报案信息中携带了高风险车牌号和/或高风险出险地点,则意味着存在骗保的可能。行业服务器将高风险车牌号以及高风险出险地点发送至多个理赔服务器。当理赔服务器接收到的车险报案信息中包括高风险车牌号和/或高风险出险地点时,则生成核验是否骗保的提示信息,并将提示信息发送至理赔终端。由此能够提示理赔人员对该车险案件要加强核验,以便及时发现骗保的车险案件,降低保险公司的车险损失。
附图说明
图1为一个实施例中的车险理赔数据分析方法应用环境图;
图2为一个实施例中车险理赔数据分析方法的流程图;
图3为一个实施例中行业服务器的结构示意图;
图4为又一个实施例中车险理赔数据分析方法的流程图;
图5为一个实施例中车险理赔数据分析系统的结构示意图。
具体实施方式
为了使本发明的目的、技术方案及优点更加清楚明白,以下结合附图及实施例,对本发明进行进一步详细说明。应当理解,此处描述的具体实施例仅仅用以解释本发明,并不用于限定本发明。
本发明实施例中所提供的车险理赔数据分析方法,可以应用于如图1所示的应用环境中。理赔服务器102通过网络与行业服务器104建立连接。理赔服务器102通过网络与理赔终端建立连接。理赔服务器102存储了车险理赔数据。车险理赔数据包括出险车辆的车牌号、出险时间、出险地点以及出险原因等。所述理赔服务器102可以隶属于不同的保险公司。多个保险公司的理赔服务器102将车险理赔数据上传至行业服务器104。行业服务器104对车险理赔数据进行大数据风险分析,得到车险对应的高风险车牌号和高风险出险地点。行业服务器104将高风险车牌号和高风险出险地点分别返回至多个理赔服务器102。如果在车险报案信息中出险高风险车牌号和/或高风险出险地点,则意味着存在骗保的可能性。当理赔服务器102在接收到携带高风险车牌号和/或高风险出险地点的车险报案信息时,生成核实是否骗保的提示信息,并将提示信息发送至理赔终端106。
在一个实施例中,如图2所示,提供了一种车险理赔数据分析方法,以该方法应用于行业服务器为例进行说明,具体包括以下步骤:
步骤202,接收多个理赔服务器上传的车险理赔数据,车险理赔数据至少包括出险车辆的车牌号和出险地点。
步骤204,对车险理赔数据进行大数据风险分析,得到车险对应的高风险车牌号和高风险出险地点。
步骤206,将高风险车牌号和高风险出险地点分别返回至多个理赔服务器,以使得理赔服务器在接收到携带高风险车牌号和/或高风险出险地点的车险报案信息时,生成核实是否骗保的提示信息,并将提示信息发送至理赔终端。
理赔服务器上部署了数据库,数据库中存储了车险理赔数据。车险理赔数据包括出险车辆的车牌号、出险时间、出险地点以及出险原因等。不同保险公司的理赔服务器上所存储的车险理赔数据不同。多个保险公司的理赔服务器将车险理赔数据上传至行业服务器。行业服务器将接收到的车险理赔数据进行保存。
行业服务器按照预设频率对车险理赔数据进行大数据风险分析。预设频率可以是一个月一次,也可以一个季度一次,也可以是一年一次。行业服务器的风险分析包括高风险车牌号分析和高风险出险地点分析。
在其中一个实施例中,对车险理赔数据进行大数据风险分析的步骤,包括:获取车险理赔数据中的车牌号和对应的出险时间;对多个车牌号和出险时间进行大数据分析;若同一个车牌号在预设时间段内的出险次数超过第一预设出险次数,则将车牌号记录为高风险车牌号。
行业服务器按照预设频率获取车险理赔数据中的车牌号和对应的出险时间。行业服务器对获取到的多个车牌号和出险时间进行大数据分析。若同一个车牌号在预设时间段内的出险次数超过第一预设出险次数,则行业服务器将车牌号记录为高风险车牌号。如果在车险报案信息中出险高风险车牌号,则意味着存在骗保的可能性。
在其中一个实施例中,对车险理赔数据进行大数据风险分析的步骤,包括:获取车险理赔数据中的车牌号、出险地点和出险原因;对多个车牌号对应的出险地点和出险原因进行大数据分析;出险原因包括故意制造现场;获取出险原因为故意制造现场的车险案件所对应的出险地点的特征;若具有相同特征的出险地点且出险原因为故意制造现场的车险案件数量大于预设案件量时,则记录出险地点的特征,并将具有特征的出险地点记录为高风险出险地点。
行业服务器对车险理赔数据中的车牌号、出险地点和出险原因,对多个车牌号对应的出险地点和出险原因进行大数据分析。行业服务器获取出险原因为故意制造现场的车险案件所对应的出险地点的特征。特征包括:路牙、路肩、路桩和柱子等。由于部分骗保的车险理赔会在具有上述特征的地点故意制造事故现场。因此,如果具有相同特征的出险地点且出险原因为故意制造现场的车险案件的数量大于预设案件量时,行业服务器记录该出险地点的特征,并且将具有该特征的出险地点记录为高风险出险地点。如果在车险报案信息中出险高风险出险地点,则意味着存在骗保的可能性。
行业服务器将大数据分析得到的高风险车牌号和高风险出险地点分别发送至多个理赔服务器。理赔服务器接收高风险车牌号和高风险出险地点,并进行保存。当理赔服务器接收到车险报案信息中携带了高风险车牌号和/或高风险出险地点时,理赔服务器生成核验是否骗保的提示信息,并将提示信息发送至理赔终端。由此使得理赔人员对该起车险案件进行核验,以便及时发现骗保的虚假车险案件,从而减少保险公司的车险损失。
本实施例中,多个保险公司的理赔服务器将各自的车险理赔数据发送至行业服务器,行业服务器对多个保险公司的车险理赔数据进行大数据风险分析,得到车险对应的高风险车牌号以及高风险出险地点。具体的,行业服务器可以采用K-means算法(一种聚类分析算法),以车牌号作为数据对象进行迭代计算,识别出高风险车牌号,以及以出险地点的经纬度作为数据对象进行迭代计算,识别出高风险地点。
由于大数据风险分析是基于多个保险公司的车险理赔数据进行的,因此高风险车牌号和高风险出险地点是经过全面的分析得出的。如果车险报案信息中携带了高风险车牌号和/或高风险出险地点,则意味着存在骗保的可能。行业服务器将高风险车牌号以及高风险出险地点发送至多个理赔服务器。当理赔服务器接收到的车险报案信息中包括高风险车牌号和/或高风险出险地点时,则生成核验是否骗保的提示信息,并将提示信息发送至理赔终端。由此能够提示理赔人员对该车险案件要加强核验,以便及时发现骗保的车险案件,降低保险公司的车险损失。
在一个实施例中,对车险理赔数据进行大数据风险分析的步骤,还包括:获取车险理赔数据中的出险地点;对多个出险地点进行大数据分析;若在同一个出险地点的出险次数超过第二预设出险次数,则将出险地点记录为事故高发地点。
本实施例中,行业服务器对车险理赔数据的大数据风险分析除了会得到高风险车牌号与高风险出险地点之外,还可以分析得到事故高发地点。具体的,行业服务器在海量的车险理赔数据中获取出险地点,对多个出险地点进行大数据分析。其中,在同一路段的预设范围内的两个或两个以上的出险地点可以视为同一个出险地点。例如,预设范围可以是1公里。如果在同一个出险地点的出险次数超过第二预设出险次数,则行业服务器将该出险地点记录为事故高发地点。行业服务器可以将事故高发地点的语音提示信息进行保存,还可以发送至多个保险公司的理赔服务器。
车辆上安装了车载终端,车载终端可以通过网络与行业服务器建立连接,或者与其投保车险的保险公司的理赔服务器建立连接。车载行驶过程中,车载终端实时获取车辆的位置信息,并且将其位置信息上传至行业服务器或理赔服务器。行业服务器或理赔服务器将车辆的位置信息与事故高发地点的位置信息进行比对,当确认车辆行驶至事故高发地点时,行业服务器或理赔服务器向车载终端发送语音提示信息,以使得车载终端进行实时语音提示。以此提示驾驶员谨慎驾驶,避免事故发生。
此外,为了能够有效节省网络流量,车载终端还可以从行业服务器或者理赔服务器下载事故高发地点对应的位置信息以及语言提示信息。车辆行驶过程中,车载终端实时获取车辆的位置信息,当车辆行驶至事故高发地点时,车载终端进行语音提示。
在一个实施例中,在接收多个理赔服务器上传的车险理赔数据之前,还包括:接收交警服务器发送的事故责任认定数据,并对事故责任认定数据进行保存;接收理赔服务器发送的事故责任查询请求,事故责任查询请求中携带了出险时间和出险车辆的车牌号;根据出险时间和出险车辆的车牌号在事故责任认定数据中进行查询,得到车牌号对应的事故责任;将车牌号对应的事故责任返回至理赔服务器,以使得理赔服务器根据车牌号对应的事故责任对出险车辆进行定损计算。
本实施例中,行业服务器与交警服务器建立连接。如果车险案件中的事故责任不清晰,需要交警来事故现场进行事故责任认定。交警通过交警终端将事故责任认定数据上传至交警服务器。交警服务器获取车险案件对应的事故责任认定数据发送至行业服务器。行业服务器对车险案件对应的事故责任认定数据进行保存。
当保险公司对车险案件进行理赔处理时,对于事故责任不清晰的车险案件需要查询交警认定的事故责任。理赔服务器生成事故责任查询请求,并且将事故责任查询请求发送至行业服务器。行业服务器根据事故责任查询请求中携带了出险时间和出险车辆的车牌号在事故责任认定数据中进行查询,得到车牌号在该车险案件中对应的事故责任,并且将其事故责任返回至理赔服务器。理赔服务器根据车牌号在该车险案件中对应的事故责任对出险车辆进行定损计算。
本实施例中,通过交警服务器与行业服务器之间进行事故责任认定数据共享,方便各个保险公司在进行车险理赔时能够及时获取到车牌号在车险案件中对应的事故责任,以此方便各个保险公司能够快速有效的进行定损计算。
在一个实施例中,如图3所示,行业服务器包括通过系统总线连接的处理器301、内存储器302、非易失性存储介质303和网络接口304。其中,行业服务器的非易失性存储介质303中存储有操作系统3031和操作系统和计算机可执行指令,该计算机可执行指令用于实现一种车险理赔数据分析方法。行业服务器300的处理器301用于提供计算和控制能力,支撑整个行业服务器的运行。行业服务器300的网络接口304用于据以与外部的理赔服务器通过网络连接通信,比如接收理赔服务器上传的车险理赔数据,向理赔服务器发送高风险车牌号等。行业服务器300可以用独立的服务器或者是多个服务器组成的服务器集群来实现。本领域技术人员可以理解,图3中示出的结构,仅仅是与本申请方案相关的部分结构的框图,并不构成对本申请方案所应用于其上的行业服务器的限定,具体的行业服务器可以包括比图中所示更多或更少的部件,或者组合某些部件,或者具有不同的部件布置。
在一个实施例中,如图4所示,提供了一种车险理赔数据分析方法,以该方法应用于理赔服务器为例进行说明,具体包括以下步骤:
步骤402,获取车险理赔数据,车险理赔数据至少包括出险车辆的车牌号和出险地点。
步骤404,将车险理赔数据上传至行业服务器,以使得行业服务器对车险理赔数据进行大数据风险分析,得到车险对应的高风险车牌号、高风险出险地点。
步骤406,接收行业服务器返回的高风险车牌号、高风险出险地点。
步骤408,当接收到携带高风险车牌号和/或高风险出险地点的车险理赔请求时,生成核实是否骗保的提示信息。
本实施例中,理赔服务器获取车险理赔数据,包括出险车辆的车牌号、出险时间、出险地点以及出险原因等。不同保险公司的理赔服务器上所存储的车险理赔数据不同。多个保险公司的理赔服务器将车险理赔数据上传至行业服务器。行业服务器将接收到的车险理赔数据进行保存。
行业服务器按照预设频率对车险理赔数据进行大数据风险分析。行业服务器的风险分析包括高风险车牌号分析和高风险出险地点分析。具体的,行业服务器获取车险理赔数据中的车牌号和对应的出险时间,对多个车牌号和出险时间进行大数据分析,若同一个车牌号在预设时间段内的出险次数超过第一预设出险次数,则将车牌号记录为高风险车牌号。行业服务器还可以获取车险理赔数据中的车牌号、出险地点和出险原因,对多个车牌号对应的出险地点和出险原因进行大数据分析,出险原因包括故意制造现场。行业服务器获取出险原因为故意制造现场的车险案件所对应的出险地点的特征,若具有相同特征的出险地点且出险原因为故意制造现场的车险案件数量大于预设案件量时,则记录出险地点的特征,并将具有特征的出险地点记录为高风险出险地点。
行业服务器将大数据分析得到的高风险车牌号和高风险出险地点分别发送至多个理赔服务器。理赔服务器接收高风险车牌号和高风险出险地点,并进行保存。当理赔服务器接收到车险报案信息中携带了高风险车牌号和/或高风险出险地点时,理赔服务器生成核验是否骗保的提示信息,并将提示信息发送至理赔终端。由此使得理赔人员对该起车险案件进行核验,以便及时发现骗保的虚假车险案件。从而减少保险公司的车险损失。
本实施例中,多个保险公司的理赔服务器将各自的车险理赔数据发送至行业服务器,行业服务器对多个保险公司的车险理赔数据进行大数据风险分析,得到车险对应的高风险车牌号以及高风险出险地点。由于大数据风险分析是基于多个保险公司的车险理赔数据进行的,因此高风险车牌号和高风险出险地点是经过全面的分析得出的。如果车险报案信息中携带了高风险车牌号和/或高风险出险地点,则意味着存在骗保的可能。行业服务器将高风险车牌号以及高风险出险地点发送至多个理赔服务器。当理赔服务器接收到的车险报案信息中包括高风险车牌号和/或高风险出险地点时,则生成核验是否骗保的提示信息,并将提示信息发送至理赔终端。由此能够提示理赔人员对该车险案件要加强核验,以便及时发现骗保的车险案件,降低保险公司的车险损失。
在一个实施例中,在获取车险理赔数据的步骤之前,还包括:接收客户终端上传的车险报案信息;车险报案信息中包括出险时间和出险车辆的车牌号;根据出险时间和出险车辆的车牌号生成事故责任查询请求,将事故责任查询请求发送至行业服务器,以使得行业服务器在已保存的事故责任认定数据中进行查询;接收行业服务器返回的车牌号对应的事故责任,根据事故责任对出险车辆进行定损计算。
本实施例中,当发送车险事故时,客户可以通过客户终端上传车险报案信息。客户终端中安装的车险应用程序可以是保险公司提供的应用程序,也可以是保险公司之外的第三方应用程序,例如,微信。客户可以通过微信公众号进入车险报案页面,继而上传车险报案信息。
当客户终端上传车险报案信息时,为了便于客户快速完成报案。在客户终端登录车险应用程序后,车险应用程序获取客户基本信息,例如,姓名、车牌号等,应用程序可以直接将客户基本信息输入至报案页面中。客户终端还可以捕捉其所在位置,根据其位置信息获取相应的路段名称,并将路段名称输入至报案页面中。在报案过程中,可以通过应用程序对部分车险报案信息进行自动输入,无需客户逐一进行输入,为客户快速报案提供了方便。
理赔服务器接收到报案信息之后,会生成车险任务,并且将车险任务发送至对应的理赔终端。理赔人员会通过理赔终端进行现场查勘和定损等理赔处理。当保险公司对车险案件进行理赔处理时,对于事故责任不清晰的车险案件需要查询交警认定的事故责任。理赔服务器生成事故责任查询请求,并且将事故责任查询请求发送至行业服务器。行业服务器根据事故责任查询请求中携带了出险时间和出险车辆的车牌号在事故责任认定数据中进行查询,得到车牌号在该车险案件中对应的事故责任,并且将其事故责任返回至理赔服务器。理赔服务器根据车牌号在该车险案件中对应的事故责任对出险车辆进行定损计算。
本实施例中,通过交警服务器与行业服务器之间进行事故责任认定数据共享,方便各个保险公司在进行车险理赔时能够及时获取到车牌号在车险案件中对应的事故责任,以此方便各个保险公司能够快速有效的进行定损计算。
在一个实施例中,如图5所示,提供了一种车险理赔数据分析系统,包括多个理赔服务器502和行业服务器504,其中:
理赔服务器502,用于获取车险理赔数据,车险理赔数据至少包括出险车辆的车牌号和出险地点。
行业服务器504,用于接收多个理赔服务器上传的车险理赔数据,对车险理赔数据进行大数据风险分析,得到车险对应的高风险车牌号、高风险出险地点。
理赔服务器502还用于接收行业服务器504返回的高风险车牌号、高风险出险地点,当接收到携带高风险车牌号和/或高风险出险地点的车险报案信息时,生成核实是否骗保的提示信息,并将提示信息发送至理赔终端。
在其中一个实施例中,该系统还包括:客户终端506和交警服务器508,其中:
客户终端506,用于向理赔服务器上传的车险报案信息;车险报案信息中包括出险时间和出险车辆的车牌号。
交警服务器508,用于获取车险案件的事故责任认定数据,将事故责任认定数据发送至行业服务器。
理赔服务器502还用于根据出险时间和出险车辆的车牌号生成事故责任查询请求,将事故责任查询请求发送至行业服务器504。
行业服务器504还用于根据出险时间和出险车辆的车牌号在事故责任认定数据中进行查询,得到车牌号对应的事故责任。
理赔服务器502还用于接收行业服务器504返回的车牌号对应的事故责任,根据事故责任对出险车辆进行定损计算。
在其中一个实施例中,行业服务器504还用于获取车险理赔数据中的出险地点;对多个出险地点进行大数据分析;若在同一个出险地点的出险次数超过第二预设出险次数,则将出险地点记录为事故高发地点;该系统还包括:车载终端510,用于实时捕捉车辆位置,将车辆位置上传至行业服务器504;当车辆行驶至事故高发地点时,行业服务器504还用于向车载终端510发送事故高发地点的提示信息;车载终端510还用于接收事故高发地点的提示信息,并将提示信息进行语音播放。
进一步的,行业服务器504还可以将事故高发地点的提示信息发送至各个保险公司的理赔服务器502,理赔服务器502与车载终端510建立连接。车载终端510将车辆位置实时上传至理赔服务器502,当当车辆行驶至事故高发地点时,理赔服务器502向车载终端510发送事故高发地点的提示信息;车载终端510还用于接收事故高发地点的提示信息,并将提示信息进行语音播放。以此提醒驾驶员谨慎驾驶,避免事故发生。
以上实施例的各技术特征可以进行任意的组合,为使描述简洁,未对上述实施例中的各个技术特征所有可能的组合都进行描述,然而,只要这些技术特征的组合不存在矛盾,都应当认为是本说明书记载的范围。
以上实施例仅表达了本发明的几种实施方式,其描述较为具体和详细,但并不能因此而理解为对发明专利范围的限制。应当指出的是,对于本领域的普通技术人员来说,在不脱离本发明构思的前提下,还可以做出若干变形和改进,这些都属于本发明的保护范围。因此,本发明专利的保护范围应以所附权利要求为准。
Claims (10)
1.一种车险理赔数据分析方法,应用于行业服务器,包括:
接收多个理赔服务器上传的车险理赔数据,所述车险理赔数据至少包括出险车辆的车牌号和出险地点;
对所述车险理赔数据进行大数据风险分析,得到车险对应的高风险车牌号、高风险出险地点以及事故高发地点;其中包括:获取所述车险理赔数据中的车牌号、出险地点和出险原因;对多个车牌号对应的出险地点和出险原因进行大数据分析;所述出险原因包括故意制造现场;获取出险原因为故意制造现场的车险案件所对应的出险地点的特征,所述特征包括:路牙、路肩、路桩和柱子;若具有相同特征的出险地点且出险原因为故意制造现场的车险案件数量大于预设案件量时,则记录所述出险地点的特征,并将具有所述特征的出险地点记录为高风险出险地点;以及获取所述车险理赔数据中的出险地点;对多个出险地点进行大数据分析;若在同一个出险地点的出险次数超过第二预设出险次数,则将所述出险地点记录为事故高发地点;所述同一个出险地点包括在同一路段的预设范围内的两个或两个以上的出险地点;
将所述高风险车牌号和高风险出险地点以及事故高发地点分别返回至多个理赔服务器,以使得所述理赔服务器在接收到携带所述高风险车牌号和/或高风险出险地点的车险报案信息时,生成核实是否骗保的提示信息,并将所述提示信息发送至理赔终端。
2.根据权利要求1所述的方法,其特征在于,所述车险理赔数据包括出险车辆的车牌号和出险时间;所述对所述车险理赔数据进行大数据风险分析的步骤还包括:
获取所述车险理赔数据中的车牌号和对应的出险时间;
对多个车牌号和出险时间进行大数据分析;
若同一个车牌号在预设时间段内的出险次数超过第一预设出险次数,则将所述车牌号记录为高风险车牌号。
3.根据权利要求1所述的方法,其特征在于,在所述接收多个理赔服务器上传的车险理赔数据之前,还包括:
接收交警服务器发送的事故责任认定数据,并对所述事故责任认定数据进行保存;
接收理赔服务器发送的事故责任查询请求,所述事故责任查询请求中携带了出险时间和出险车辆的车牌号;
根据所述出险时间和出险车辆的车牌号在所述事故责任认定数据中进行查询,得到所述车牌号对应的事故责任;
将所述车牌号对应的事故责任返回至理赔服务器,以使得所述理赔服务器根据所述车牌号对应的事故责任对所述出险车辆进行定损计算。
4.一种车险理赔数据分析方法,应用于理赔服务器,包括:
获取车险理赔数据,所述车险理赔数据至少包括出险车辆的车牌号和出险地点;
将所述车险理赔数据上传至行业服务器,以使得所述行业服务器对所述车险理赔数据进行大数据风险分析,得到车险对应的高风险车牌号、高风险出险地点以及事故高发地点;其中包括:获取所述车险理赔数据中的车牌号、出险地点和出险原因;对多个车牌号对应的出险地点和出险原因进行大数据分析;所述出险原因包括故意制造现场;获取出险原因为故意制造现场的车险案件所对应的出险地点的特征,所述特征包括:路牙、路肩、路桩和柱子;若具有相同特征的出险地点且出险原因为故意制造现场的车险案件数量大于预设案件量时,则记录所述出险地点的特征,并将具有所述特征的出险地点记录为高风险出险地点;以及获取所述车险理赔数据中的出险地点;对多个出险地点进行大数据分析;若在同一个出险地点的出险次数超过第二预设出险次数,则将所述出险地点记录为事故高发地点;所述同一个出险地点包括在同一路段的预设范围内的两个或两个以上的出险地点;
接收所述行业服务器返回的高风险车牌号、高风险出险地点以及事故高发地点;
当接收到携带所述高风险车牌号和/或高风险出险地点的车险理赔请求时,生成核实是否骗保的提示信息。
5.根据权利要求4所述的方法,其特征在于,在所述获取车险理赔数据的步骤之前,还包括:
接收客户终端上传的车险报案信息;所述车险报案信息中包括出险时间和出险车辆的车牌号;
根据所述出险时间和所述出险车辆的车牌号生成事故责任查询请求,将所述事故责任查询请求发送至行业服务器,以使得所述行业服务器在已保存的事故责任认定数据中进行查询;
接收所述行业服务器返回的所述车牌号对应的事故责任,根据所述事故责任对所述出险车辆进行定损计算。
6.一种车险理赔数据分析系统,其特征在于,所述系统包括多个理赔服务器和行业服务器,其中:
理赔服务器,用于获取车险理赔数据,所述车险理赔数据至少包括出险车辆的车牌号和出险地点;
行业服务器,用于接收多个理赔服务器上传的车险理赔数据,对所述车险理赔数据进行大数据风险分析,得到车险对应的高风险车牌号、高风险出险地点以及事故高发地点;其中包括:获取所述车险理赔数据中的车牌号、出险地点和出险原因;对多个车牌号对应的出险地点和出险原因进行大数据分析;所述出险原因包括故意制造现场;获取出险原因为故意制造现场的车险案件所对应的出险地点的特征,所述特征包括:路牙、路肩、路桩和柱子;若具有相同特征的出险地点且出险原因为故意制造现场的车险案件数量大于预设案件量时,则记录所述出险地点的特征,并将具有所述特征的出险地点记录为高风险出险地点;以及获取所述车险理赔数据中的出险地点;对多个出险地点进行大数据分析;若在同一个出险地点的出险次数超过第二预设出险次数,则将所述出险地点记录为事故高发地点;所述同一个出险地点包括在同一路段的预设范围内的两个或两个以上的出险地点;
所述理赔服务器还用于接收所述行业服务器返回的高风险车牌号、高风险出险地点以及事故高发地点,当接收到携带所述高风险车牌号和/或高风险出险地点以及事故高发地点的车险报案信息时,生成核实是否骗保的提示信息,并将所述提示信息发送至理赔终端。
7.根据权利要求6所述的系统,其特征在于,所述系统还包括:
客户终端,用于向理赔服务器上传的车险报案信息;所述车险报案信息中包括出险时间和出险车辆的车牌号;
交警服务器,用于获取车险案件的事故责任认定数据,将所述事故责任认定数据发送至所述行业服务器;
所述理赔服务器还用于根据所述出险时间和所述出险车辆的车牌号生成事故责任查询请求,将所述事故责任查询请求发送至所述行业服务器;
所述行业服务器还用于根据所述出险时间和出险车辆的车牌号在所述事故责任认定数据中进行查询,得到所述车牌号对应的事故责任;
所述理赔服务器还用于接收所述行业服务器返回的所述车牌号对应的事故责任,根据所述事故责任对所述出险车辆进行定损计算。
8.根据权利要求6所述的系统,其特征在于,所述系统还包括:
车载终端,用于实时捕捉车辆位置,将车辆位置上传至行业服务器;
当车辆行驶至所述事故高发地点时,所述行业服务器还用于向所述车载终端发送事故高发地点的提示信息;
所述车载终端还用于接收所述事故高发地点的提示信息,并将所述提示信息进行语音播放。
9.一种服务器,包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,其特征在于,所述处理器执行所述计算机程序时实现权利要求1至5中任一项所述方法的步骤。
10.一种计算机可读存储介质,其上存储有计算机程序,其特征在于,所述计算机程序被处理器执行时实现权利要求1至5中任一项所述的方法的步骤。
Priority Applications (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710225328.7A CN107123054B (zh) | 2017-04-07 | 2017-04-07 | 车险理赔数据分析方法和系统 |
PCT/CN2018/081797 WO2018184539A1 (zh) | 2017-04-07 | 2018-04-04 | 车险理赔数据分析方法和系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710225328.7A CN107123054B (zh) | 2017-04-07 | 2017-04-07 | 车险理赔数据分析方法和系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN107123054A CN107123054A (zh) | 2017-09-01 |
CN107123054B true CN107123054B (zh) | 2018-06-29 |
Family
ID=59725257
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201710225328.7A Active CN107123054B (zh) | 2017-04-07 | 2017-04-07 | 车险理赔数据分析方法和系统 |
Country Status (2)
Country | Link |
---|---|
CN (1) | CN107123054B (zh) |
WO (1) | WO2018184539A1 (zh) |
Families Citing this family (18)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107123054B (zh) * | 2017-04-07 | 2018-06-29 | 平安科技(深圳)有限公司 | 车险理赔数据分析方法和系统 |
CN108009834B (zh) * | 2017-12-27 | 2021-10-15 | 上海唯链信息科技有限公司 | 一种基于区块链技术的汽车保险信息系统 |
CN110298760A (zh) * | 2018-03-21 | 2019-10-01 | 武汉东风保险经纪有限公司 | 一种保险经纪货运险理赔管理系统 |
CN109102414A (zh) * | 2018-09-13 | 2018-12-28 | 北京精友世纪软件技术有限公司 | 一种车险理赔数据统计分析方法及系统 |
CN109377361A (zh) * | 2018-09-18 | 2019-02-22 | 中国平安财产保险股份有限公司 | 基于大数据分析的保险理赔监管库的建设方法及装置 |
CN109658260A (zh) * | 2018-12-10 | 2019-04-19 | 泰康保险集团股份有限公司 | 基于区块链的欺诈行为确定方法及装置、介质和电子设备 |
CN109712006A (zh) * | 2018-12-13 | 2019-05-03 | 平安医疗健康管理股份有限公司 | 一种车险核责数据处理方法、服务器及计算机可读介质 |
CN109741226A (zh) * | 2018-12-29 | 2019-05-10 | 百度在线网络技术(北京)有限公司 | 基于区块链的交通事故处理方法、装置、服务器和介质 |
TWI709935B (zh) * | 2019-01-08 | 2020-11-11 | 新光產物保險股份有限公司 | 自動理賠申請方法及系統 |
CN110428337B (zh) * | 2019-06-14 | 2023-01-20 | 南京极谷人工智能有限公司 | 车险欺诈团伙的识别方法及装置 |
CN112150296A (zh) * | 2019-06-26 | 2020-12-29 | 上海默创信息科技有限公司 | 一种信息数据处理和分析方法 |
CN110706121B (zh) * | 2019-10-10 | 2022-07-29 | 望海康信(北京)科技股份公司 | 确定医保欺诈结果的方法、装置、电子设备及存储介质 |
CN110826732A (zh) * | 2019-10-24 | 2020-02-21 | 郑秀美 | 指定维修延时保险投保理赔方法及平台 |
CN111242787B (zh) * | 2019-11-26 | 2023-08-22 | 泰康保险集团股份有限公司 | 一种车险数据的处理方法和装置 |
CN111507848B (zh) * | 2020-03-23 | 2024-03-15 | 南京金盾公共安全技术研究院有限公司 | 一种基于大数据的车辆保险反欺诈检测方法 |
CN112270609B (zh) * | 2020-11-18 | 2024-03-01 | 德联易控科技(北京)有限公司 | 车险分析方法及装置、电子设备 |
CN113077182B (zh) * | 2021-04-23 | 2023-01-24 | 郑州大学 | 一种车辆维保异常监测系统及方法 |
CN116051297A (zh) * | 2023-02-10 | 2023-05-02 | 北京智车睿控信息技术有限公司 | 一种基于互联网的车险风险识别系统 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104754011A (zh) * | 2013-12-31 | 2015-07-01 | 中国移动通信集团公司 | 一种车联网多方协同控制方法以及车联网协同平台 |
CN106448215A (zh) * | 2016-08-18 | 2017-02-22 | 深圳市永兴元科技股份有限公司 | 车险理赔预警方法及装置 |
Family Cites Families (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
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 |
CN104361744A (zh) * | 2014-11-18 | 2015-02-18 | 昆明融致升贸易有限公司 | 一种获取汽车交通事故处理建议的方法及系统 |
CN106131206A (zh) * | 2016-08-01 | 2016-11-16 | 深圳市永兴元科技有限公司 | 车辆事故现场勘查方法和装置 |
CN106530093A (zh) * | 2016-08-29 | 2017-03-22 | 惠州市沛宸信息技术有限公司 | 交通事故保险理赔案件质量的评估系统 |
CN106548404A (zh) * | 2016-11-10 | 2017-03-29 | 上海最会保网络科技有限公司 | 一种基于互联网的车险比价交易方法及装置 |
CN106504173A (zh) * | 2016-12-19 | 2017-03-15 | 东软集团股份有限公司 | 交通事故处理的方法、装置及系统 |
CN107123054B (zh) * | 2017-04-07 | 2018-06-29 | 平安科技(深圳)有限公司 | 车险理赔数据分析方法和系统 |
-
2017
- 2017-04-07 CN CN201710225328.7A patent/CN107123054B/zh active Active
-
2018
- 2018-04-04 WO PCT/CN2018/081797 patent/WO2018184539A1/zh active Application Filing
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104754011A (zh) * | 2013-12-31 | 2015-07-01 | 中国移动通信集团公司 | 一种车联网多方协同控制方法以及车联网协同平台 |
CN106448215A (zh) * | 2016-08-18 | 2017-02-22 | 深圳市永兴元科技股份有限公司 | 车险理赔预警方法及装置 |
Non-Patent Citations (2)
Title |
---|
"CP保险公司反欺诈预警指标研究";唐甄智;《中国优秀硕士学位论文全文数据库 经济与管理科学辑》;20140115;第3.2.2节,第4章 * |
"庄河市交通事故处理流程的改进对策研究";潘泽葳;《中国优秀硕士学位论文全文数据库 社会科学I辑》;20160315;第2.2.3节 * |
Also Published As
Publication number | Publication date |
---|---|
CN107123054A (zh) | 2017-09-01 |
WO2018184539A1 (zh) | 2018-10-11 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN107123054B (zh) | 车险理赔数据分析方法和系统 | |
US11830079B2 (en) | Evidence oracles | |
US20210407015A1 (en) | Methods of determining accident cause and/or fault using telematics data | |
US20230080371A1 (en) | Using a Distributed Ledger to Determine Fault in Subrogation | |
US20210342946A1 (en) | Using a Distributed Ledger for Line Item Determination | |
US11657460B2 (en) | Using historical data for subrogation on a distributed ledger | |
US20140081675A1 (en) | Systems, methods, and apparatus for optimizing claim appraisals | |
CN106781436A (zh) | 交通事故处理方法及装置 | |
KR20160054541A (ko) | 자동차 교통법규 위반 실시간 알림, 확인 시스템 및 방법 | |
DE102013214383A1 (de) | Verfahren und Vorrichtung zum Bereitstellen eines Kollisionsignals hinsichtlich einer Fahrzeugkollision, Verfahren und Vorrichtung zum Verwalten von Kollisionsdaten hinsichtlich Fahrzeugkollisionen sowie Verfahren und Vorrichtung zum Steuern zumindest einer Kollisionsschutzeinrichtung eines Fahrzeugs | |
US11734773B2 (en) | System and method for telematics for tracking equipment usage | |
CN206684779U (zh) | 一种基于adas智能车载终端的车险管理服务系统 | |
CN109741482B (zh) | 一种信息共享方法及装置 | |
US11769212B2 (en) | Predictive claims platform for managing repairs | |
US20210339754A1 (en) | Data analysis method and apparatus, electronic device and computer storage medium | |
EP4020356A1 (en) | Distributed in-vehicle realtime sensor data processing as a service | |
CN107918762A (zh) | 一种公路遗撒物快速检测系统及方法 | |
KR101736296B1 (ko) | 텔레메틱스 서비스 품질 점검 시스템 | |
DE102022100240A1 (de) | Geolokalisierungsbasierte fahrzeugzugangssysteme und -verfahren | |
Sahebi et al. | Assessing public acceptance of connected vehicle systems in a new scheme of usage-based insurance | |
CN106846802B (zh) | 一种高速路数据处理方法及装置 | |
KR20200030298A (ko) | 실시간 자동 교통사고 처리 서비스 방법 | |
CN113139554A (zh) | 一种非法改装车辆监控方法、系统、设备及存储介质 | |
WO2015113873A1 (de) | Verfahren zur erhebung von informationen | |
CN115860960A (zh) | 车辆事故判定的处理方法、装置、车辆、设备及介质 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
REG | Reference to a national code |
Ref country code: HK Ref legal event code: DE Ref document number: 1238387 Country of ref document: HK |
|
GR01 | Patent grant | ||
GR01 | Patent grant | ||
REG | Reference to a national code |
Ref country code: HK Ref legal event code: GR Ref document number: 1238387 Country of ref document: HK |