CN107845039A - 一种无尺度自适应的车联网车险评分模型 - Google Patents
一种无尺度自适应的车联网车险评分模型 Download PDFInfo
- Publication number
- CN107845039A CN107845039A CN201610836103.0A CN201610836103A CN107845039A CN 107845039 A CN107845039 A CN 107845039A CN 201610836103 A CN201610836103 A CN 201610836103A CN 107845039 A CN107845039 A CN 107845039A
- Authority
- CN
- China
- Prior art keywords
- driving
- duration
- mrow
- scoring
- vehicle
- 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
Landscapes
- Business, Economics & Management (AREA)
- Accounting & Taxation (AREA)
- Finance (AREA)
- Engineering & Computer Science (AREA)
- Development Economics (AREA)
- Economics (AREA)
- Marketing (AREA)
- Strategic Management (AREA)
- Technology Law (AREA)
- Physics & Mathematics (AREA)
- General Business, Economics & Management (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Financial Or Insurance-Related Operations Such As Payment And Settlement (AREA)
Abstract
本发明公开了一种无尺度自适应的车联网车险评分模型，包括建立基于驾驶行为的车险费率厘定模式以及车险费率的综合评定方式，基于驾驶行为的车险费率厘定模式采用综合评定方式，评定的参考因子包括车辆与驾驶人属性因素、驾驶员的驾驶行为表现；车险费率的综合评定方式将费率分成基础费率与费率调整系数两部分，其中，基础费率参照传统费率厘定模式进行评定，费率调整系数与驾驶员的驾驶行为评分挂钩，最后将两部分相乘得到基于驾驶行为的车险费率；做到通过评分因子衡量风险的高与低或者驾驶者的好与差，继而精确评估车辆的风险并进行合理的定价，数据提取简单、评价精准，能有效降低保险公司的理赔风险，具有极强的市场应用前景。
Description
技术领域
本发明涉及物联网技术领域，具体是一种无尺度自适应的车联网车险评分模型，旨在基于车联网技术采集的行车数据为新兴的车联网车险UBI提供数据模型。
背景技术
车联网是物联网在汽车领域的一个分支，是移动互联网在汽车领域的一个重要应用，更是未来信息通信、智能管理、安全、节能等融合发展的必经之路，它通过信息传感技术、网络通信技术、GPS定位技术以及数据处理技术等，实现V2X，即车-X，X为车、路、行人或互联网的无线通讯与信息交换；通过对车辆、环境等动静态信息的搜集、分析与处理，实现智能交通管理、移动互联应用、动态信息服务等目的，最终提高交通、生产效率，并为人们的生活提供便利。
近年来，我国的车险业务得到了长足发展，然而多数年份车险的赔付率却超过50％，车险业务经营效果不佳，损失风险控制不足和费率不合理导致车险赔付过高的情况，说明我国车险费率需要向科学化、精细化、差异化的保险费率模式改革；在不断改革的道路上，驾驶人实际驾驶行为、车辆维修保养情况、车辆行驶实时路况、外界环境等因素都将影响最终的车险保费定价，利用数据挖掘技术，将车联网与车险业务融合创新，进一步完善车险保费定价机制，提供车险增值服务，实现车联网与车险行业的双赢局面，是目前的研究方向；车险UBI(Usage Based Insurance)是基于驾驶员驾驶行为的保险，即根据采集的驾驶员驾驶信息，比如地点、时间、里程、驾驶行为习惯等，分析判断驾驶员驾驶车辆的危险等级，进而为不同驾驶危险等级的驾驶员提供不同的保费收取标准，最终达到安全的驾驶员将得到保费优惠、危险的驾驶员需要支付更高保费的效果。简单来讲，利用车载传感器记录驾驶员的驾驶行为习惯，从而不断调整保单价格。对驾驶习惯较好的驾驶员，降低其下一期的保费；对驾驶习惯较差的驾驶员，增加其下一期的保费。
发明内容
本发明的目的在于提供一种基于车联网技术采集的行车数据为新兴的车联网车险UBI提供数据模型的无尺度自适应的车联网车险评分模型，以解决上述背景技术中提出的问题。
为实现上述目的，本发明提供如下技术方案：
一种无尺度自适应的车联网车险评分模型，包括建立基于驾驶行为的车险费率厘定模式以及车险费率的综合评定方式，基于驾驶行为的车险费率厘定模式采用综合评定方式，评定的参考因子包括车辆与驾驶人属性因素、驾驶员的驾驶行为表现；车险费率的综合评定方式将费率分成基础费率与费率调整系数两部分，其中，基础费率参照传统费率厘定模式进行评定，费率调整系数与驾驶员的驾驶行为评分挂钩，最后将两部分相乘得到基于驾驶行为的车险费率。
作为本发明进一步的方案：所述基础费率的厘定方式参照传统费率厘定方式，参考车辆与驾驶员的自然属性因素，车辆属性因素包括车辆种类、型号、价格、用途、驾驶年限、行驶区域以及生产厂商；驾驶员属性因素包括驾驶员的性别、年龄、驾龄、婚否、职业；使用纯保费法、广义线性模型法计算得到基础费率，基础费率由保险监管协会根据传统的费率因子统一厘定，作为保险行业内的标准。
作为本发明再进一步的方案：所述费率调整系数的厘定方式为：在厘定的过程中分析驾驶员的驾驶行为表现，其开车危险评定分数越高，费率调整系数越高；首先，通过车联网的车载终端收集驾驶员的驾驶行为信息，包括驾驶里程、驾驶时间、驾驶速度、疲劳驾驶时间、驾驶区域、超速驾驶时间；然后利用数据挖掘方法建立驾驶行为评分模型为驾驶员的驾驶危险系数评分；最后建立联动模型将驾驶员的驾驶行为评分转换成费率调整系数。
作为本发明再进一步的方案：所述驾驶行为评分模型是基于驾驶行为的车险费率厘定的核心部分，通过车联网的车载终端T-BOX采集到驾驶员驾驶行为信息，首先确定评分因子选取准则，并对驾驶行为信息进行筛选，建立评分因子体系；然后对比不同的赋权法，对已筛选出的评分因子设定不同的权重；最后根据评分因子确定评分模型形式，在对其附加不同权重的基础上，得到最终的驾驶行为评分模型。
作为本发明再进一步的方案：所述驾驶员行为评分通过联动模型转换为车险调整系数，联动模型的建立方法包括以下步骤：
1)使用数据挖掘方法分析驾驶行为评分同出险次数、赔付金额之间的关联关系，确定基准评分分值S0和基准评分区间[S0-c，S0+c]；
2)使用聚类方法将风险相近的驾驶行为归为一类，确定该分类所在的评分分值区间[Si-1，Si]，将行为评分划定为几个区间；
3)使用关联分析方法、多元统计分析方法建立评分区间与费率调整系数之间的对应关系，得到费率调整系数表。
作为本发明再进一步的方案：所述评分因子包括基于车联网数据提取得到的与驾驶行为相关的时间、里程、速度、非常规操作次数数据；针对每一类别，再细分评分因子，时间类别内的评分因子包括行车总时长、白天行车时长、黑夜行车时长、早高峰行车时长、晚高峰行车时长、深夜事故高发时段行车时长、疲劳驾驶行车时长、超速总时长、单次超速最长时长、单次超速最短时长、移动时长、驻车时长、低速行车时长、中速行车时长、快速行车时长、高速行车时长、急加速时长和急减速时长；里程类别内的评分因子包括总里程、白天行车里程、黑夜行车里程、早高峰行车里程、晚高峰行车里程和深夜事故高发时段行车里程；速度类别内的评分因子包括平均速度和最大速度；非常规操作次数类别内的评分因子包括急加速次数、急减速次数、超速次数及故障次数。
作为本发明再进一步的方案：对评分因子进行定义，行车总时长为总行车时长；白天行车时长为行车当天日出至日落之间的行车时长；黑夜行车时长为非白天行车时长；早高峰行车时长为7：00-9：00时间段内的行车时长；晚高峰行车时长为17：00-20：00时间段内的行车时长；深夜事故高发时段行车时长为2：00-5：00时间段内的行车时长；疲劳驾驶行车时长为连续驾驶4小时以上的行车时长；超速总时长为速度超过120km/h的行车时长；单次超速最长时长为速度超过120km/h的单次最长时长；单次超速最短时长为速度超过120km/h的单次最短时长；移动时长为行车过程中车辆移动时的行车时长；驻车时长为行车过程中车辆停滞时的行车时长；低速行车时长为时速在0-30km/h低速行车的时长；中速行车时长为时速在30-60km/h中速行车的时长；快速行车时长为时速在60-90km/h快速行车的时长；高速行车时长为时速在90-120km/h高速行车的时长；急加速时长为急加速过程中的行车时长；急减速时长为急减速过程中的行车时长；总里程为总行车里程；白天行车里程为行车当天日出至日落之间的行车里程；黑夜行车里程为非白天行车里程；早高峰行车里程为7：00-9：00时间段内的行车里程；晚高峰行车里程为17：00-20：00时间段内的行车里程；深夜事故高发时段行车里程为2：00-5：00时间段内的行车里程；平均速度为行车过程中的平均速度；最大速度为行车过程中的最大速度；急加速次数为行车过程中的急加速总次数；急减速次数为行车过程中的急减速总次数；超速次数为速度超过120km/H的次数；故障次数为行车过程中，车辆出现故障的次数。
作为本发明再进一步的方案：所述评分因子数据采集后进行数据处理，包括统一度量、归一化、异常数据处理及特征选取。
作为本发明再进一步的方案：所述权重的计算基于信息熵，通过对评分因子数据采集后进行预处理，决定各评分因子的权重；通过对评分因子进行设定线性归一化函数，使得归一化后的新值在[0.1，1.0]之间以保证评分权重的准确计算，计算公式如下：
评分因子的权重基于信息熵，根据数据本身的差异性提供权重，进一步突出信息增益高的因子，降低信息增益低的因子，公式如下：
作为本发明再进一步的方案：计算评分后，通过线性归一化函数对评分进行调整以区分驾驶员驾驶习惯的好坏。
与现有技术相比，本发明的有益效果是：本发明利用车联网数据能提取与驾驶行为相关的时间、里程、速度、非常规操作次数等数据，并针对每一类别细分出多个评分因子，通过对评分因子进行处理，基于处理后的车联网评分因子以及车辆相应时段内的理赔数据建立模型，本发明认为UBI模型的核心在于区分度，即做到通过评分因子衡量风险的高与低或者驾驶者的好与差，继而精确评估车辆的风险并进行合理的定价，数据提取简单、评价精准，能有效降低保险公司的理赔风险，具有极强的市场应用前景。
附图说明
图1为本发明基于驾驶行为的车险费率厘定流程示意图。
图2为本发明驾驶行为评分模型具体建立流程示意图。
图3为本发明中联动模型建立流程图。
具体实施方式
下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
请参阅图1～3，本发明实施例中，一种无尺度自适应的车联网车险评分模型，基于驾驶行为的车险费率厘定模式采用综合评定方式，评定的参考因子既包括传统厘定模式中采用的车辆与驾驶人属性因素，又包括驾驶员的驾驶行为表现，车险费率的综合评定方式将费率分成基础费率与费率调整系数两部分，其中基础费率参照传统费率厘定模式进行评定、费率调整系数与驾驶员的驾驶行为评分挂钩，最后再将两部分相乘得到基于驾驶行为的车险费率。
所述基础费率的厘定参照传统费率厘定方式，参考车辆与驾驶员的自然属性因素，比如：车辆种类、型号、价格、用途、驾驶年限、行驶区域以及生产厂商等车辆属性因素，驾驶员的性别、年龄、驾龄、婚否、职业等驾驶人属性因素，使用纯保费法、广义线性模型法等计算得到基础费率。其一般由保险监管协会根据传统的费率因子统一厘定，作为保险行业内的标准。
所述费率调整系数的厘定方式为：在厘定的过程中分析驾驶员的驾驶行为表现，其开车危险评定分数越高，费率调整系数越高。首先，通过车联网的车载终端收集驾驶员的驾驶行为信息，包括驾驶里程、驾驶时间、驾驶速度、疲劳驾驶时间、驾驶区域、超速驾驶时间等；然后利用数据挖掘方法建立驾驶行为评分模型为驾驶员的驾驶危险系数评分；最后建立联动模型将驾驶员的驾驶行为评分转换成费率调整系数。
所述驾驶行为评分模型是基于驾驶行为的车险费率厘定的核心部分，通过车联网的车载终端T-BOX采集到的驾驶员驾驶行为信息多种多样，很多行为信息可能对驾驶评分影响较小或者行为信息的高度相关性使建立的驾驶行为评分模型并不准确，另外，对驾驶评分影响程度不同的因素，其在建立模型时的权重也应不同；因此，首先要确定评分因子选取准则，并对驾驶行为信息进行合理、有效的筛选，建立评分因子体系；然后对比不同的赋权法，对已筛选出的评分因子设定合适的权重；最后根据评分因子确定合适的评分模型形式，在对其附加不同权重的基础上，得到最终的驾驶行为评分模型。
所述驾驶员行为评分通过联动模型转换为车险调整系数，在得到驾驶员行为评分之后，需要将其转换成车险调整系数，该转换过程便用到了联动模型；联动模型的建立步骤包括：
1)使用数据挖掘方法分析驾驶行为评分同出险次数、赔付金额之间的关联关系，确定基准评分分值S0和基准评分区间[S0-c，S0+c]；
2)使用聚类方法将风险相近的驾驶行为归为一类，确定该分类所在的评分分值区间[Si-1，Si]，将行为评分划定为几个区间；
3)使用关联分析方法、多元统计分析方法等建立评分区间与费率调整系数之间的对应关系，并得到费率调整系数表。
所述评分因子包括基于车联网数据提取得到的与驾驶行为相关的时间、里程、速度、非常规操作次数等数据，针对每一类别，又可以细分出多个评分因子，其具体描述如表1所示：
表1评分因子详细描述
为了方便计算驾驶行为评分，需要对上述评分因子进行一系列的处理，包括统一度量，归一化、异常数据处理以及特征选取。这一系列处理相对比较成熟，都有现成的方法可供参考，比如按里程或时间统一因子，使用主成分分析或者相关系数选取特征子集，因此不在文中赘述。
所述权重的计算基于信息熵，通过对评分因子数据采集后进行预处理，决定各评分因子的权重；基于处理后的车联网评分因子以及车辆相应时段内的理赔数据可以尝试不同方法建立模型，从而精确评估车辆的风险并进行合理的定价。
为了有效的解决UBI项目冷启动的难点，本发明提出了一种基于信息熵的计算权重的方法，结合特定的数据预处理方法，对车辆数量，因子数量，数据数量三点都做到了不敏感；通过对评分因子进行设定线性归一化函数，使得归一化后的新值在[0.1，1.0]之间以保证评分权重的准确计算，计算公式如下：
评分因子的权重基于信息熵，根据数据本身的差异性提供权重，进一步突出信息增益高的因子，降低信息增益低的因子，公式如下：
计算评分后，通过线性归一化函数对评分进行调整以区分驾驶员驾驶习惯的好坏。分数评定与常见的分段评分方式不同，本发明认为UBI模型的核心在于区分度，也即可以衡量风险的高与低或者驾驶者的好与差。一个绝对的分数是没有意义的，相对的分数可能意义更大，上述评分权重的计算方式决定了，所有权重的和并非是1，因此，在计算得到评分之后，还要进行适当的分数调整，比如再次考虑线性归一化函数；如此一来，好与坏的驾驶者将被清楚的区分开来。
本发明无尺度自适应的车联网车险评分模型具有以下两个显著创新点：
一是对评估车辆的数量不敏感，适用于不同规模的车辆风险的评估，而且评估结果将基本符合正态分布，便于实际商业应用；
二是很好的解决了车联网车险评分模型的冷启动难题，在不依赖车辆出险数据的情况下，先行完成车辆风险的评估，为保险公司启动车联网车险项目提供了可能性。
对于本领域技术人员而言，显然本发明不限于上述示范性实施例的细节，而且在不背离本发明的精神或基本特征的情况下，能够以其他的具体形式实现本发明。因此，无论从哪一点来看，均应将实施例看作是示范性的，而且是非限制性的，本发明的范围由所附权利要求而不是上述说明限定，因此旨在将落在权利要求的等同要件的含义和范围内的所有变化囊括在本发明内。不应将权利要求中的任何附图标记视为限制所涉及的权利要求。
此外，应当理解，虽然本说明书按照实施方式加以描述，但并非每个实施方式仅包含一个独立的技术方案，说明书的这种叙述方式仅仅是为清楚起见，本领域技术人员应当将说明书作为一个整体，各实施例中的技术方案也可以经适当组合，形成本领域技术人员可以理解的其他实施方式。
Claims (10)
1.一种无尺度自适应的车联网车险评分模型，包括建立基于驾驶行为的车险费率厘定模式以及车险费率的综合评定方式，其特征在于：基于驾驶行为的车险费率厘定模式采用综合评定方式，评定的参考因子包括车辆与驾驶人属性因素、驾驶员的驾驶行为表现；车险费率的综合评定方式将费率分成基础费率与费率调整系数两部分，其中，基础费率参照传统费率厘定模式进行评定，费率调整系数与驾驶员的驾驶行为评分挂钩，最后将两部分相乘得到基于驾驶行为的车险费率。
2.根据权利要求1所述的无尺度自适应的车联网车险评分模型，其特征在于，所述基础费率的厘定方式参照传统费率厘定方式，参考车辆与驾驶员的自然属性因素，车辆属性因素包括车辆种类、型号、价格、用途、驾驶年限、行驶区域以及生产厂商；驾驶员属性因素包括驾驶员的性别、年龄、驾龄、婚否、职业；使用纯保费法、广义线性模型法计算得到基础费率，基础费率由保险监管协会根据传统的费率因子统一厘定，作为保险行业内的标准。
3.根据权利要求1所述的无尺度自适应的车联网车险评分模型，其特征在于，所述费率调整系数的厘定方式为：在厘定的过程中分析驾驶员的驾驶行为表现，其开车危险评定分数越高，费率调整系数越高；首先，通过车联网的车载终端收集驾驶员的驾驶行为信息，包括驾驶里程、驾驶时间、驾驶速度、疲劳驾驶时间、驾驶区域、超速驾驶时间；然后利用数据挖掘方法建立驾驶行为评分模型为驾驶员的驾驶危险系数评分；最后建立联动模型将驾驶员的驾驶行为评分转换成费率调整系数。
4.根据权利要求3所述的无尺度自适应的车联网车险评分模型，其特征在于，所述驾驶行为评分模型是基于驾驶行为的车险费率厘定的核心部分，通过车联网的车载终端T-BOX采集到驾驶员驾驶行为信息，首先确定评分因子选取准则，并对驾驶行为信息进行筛选，建立评分因子体系；然后对比不同的赋权法，对已筛选出的评分因子设定不同的权重；最后根据评分因子确定评分模型形式，在对其附加不同权重的基础上，得到最终的驾驶行为评分模型。
5.根据权利要求3所述的无尺度自适应的车联网车险评分模型，其特征在于，所述驾驶员行为评分通过联动模型转换为车险调整系数，联动模型的建立方法包括以下步骤：
1)使用数据挖掘方法分析驾驶行为评分同出险次数、赔付金额之间的关联关系，确定基准评分分值S0和基准评分区间[S0-c，S0+c]；
2)使用聚类方法将风险相近的驾驶行为归为一类，确定该分类所在的评分分值区间[Si-1，Si]，将行为评分划定为几个区间；
3)使用关联分析方法、多元统计分析方法建立评分区间与费率调整系数之间的对应关系，得到费率调整系数表。
6.根据权利要求4所述的无尺度自适应的车联网车险评分模型，其特征在于，所述评分因子包括基于车联网数据提取得到的与驾驶行为相关的时间、里程、速度、非常规操作次数数据；针对每一类别，再细分评分因子，时间类别内的评分因子包括行车总时长、白天行车时长、黑夜行车时长、早高峰行车时长、晚高峰行车时长、深夜事故高发时段行车时长、疲劳驾驶行车时长、超速总时长、单次超速最长时长、单次超速最短时长、移动时长、驻车时长、低速行车时长、中速行车时长、快速行车时长、高速行车时长、急加速时长和急减速时长；里程类别内的评分因子包括总里程、白天行车里程、黑夜行车里程、早高峰行车里程、晚高峰行车里程和深夜事故高发时段行车里程；速度类别内的评分因子包括平均速度和最大速度；非常规操作次数类别内的评分因子包括急加速次数、急减速次数、超速次数及故障次数。
7.根据权利要求6所述的无尺度自适应的车联网车险评分模型，其特征在于，对评分因子进行定义，行车总时长为总行车时长；白天行车时长为行车当天日出至日落之间的行车时长；黑夜行车时长为非白天行车时长；早高峰行车时长为7：00-9：00时间段内的行车时长；晚高峰行车时长为17：00-20：00时间段内的行车时长；深夜事故高发时段行车时长为2：00-5：00时间段内的行车时长；疲劳驾驶行车时长为连续驾驶4小时以上的行车时长；超速总时长为速度超过120km/h的行车时长；单次超速最长时长为速度超过120km/h的单次最长时长；单次超速最短时长为速度超过120km/h的单次最短时长；移动时长为行车过程中车辆移动时的行车时长；驻车时长为行车过程中车辆停滞时的行车时长；低速行车时长为时速在0-30km/h低速行车的时长；中速行车时长为时速在30-60km/h中速行车的时长；快速行车时长为时速在60-90km/h快速行车的时长；高速行车时长为时速在90-120km/h高速行车的时长；急加速时长为急加速过程中的行车时长；急减速时长为急减速过程中的行车时长；总里程为总行车里程；白天行车里程为行车当天日出至日落之间的行车里程；黑夜行车里程为非白天行车里程；早高峰行车里程为7：00-9：00时间段内的行车里程；晚高峰行车里程为17：00-20：00时间段内的行车里程；深夜事故高发时段行车里程为2：00-5：00时间段内的行车里程；平均速度为行车过程中的平均速度；最大速度为行车过程中的最大速度；急加速次数为行车过程中的急加速总次数；急减速次数为行车过程中的急减速总次数；超速次数为速度超过120km/H的次数；故障次数为行车过程中，车辆出现故障的次数。
8.根据权利要求4所述的无尺度自适应的车联网车险评分模型，其特征在于，所述评分因子数据采集后进行数据处理，包括统一度量、归一化、异常数据处理及特征选取。
9.根据权利要求4所述的无尺度自适应的车联网车险评分模型，其特征在于，所述权重的计算基于信息熵，通过对评分因子数据采集后进行预处理，决定各评分因子的权重；通过对评分因子进行设定线性归一化函数，使得归一化后的新值在[0.1，1.0]之间以保证评分权重的准确计算，计算公式如下：
<mrow>
<mi>N</mi>
<mi>e</mi>
<mi>w</mi>
<mo>_</mo>
<mi>V</mi>
<mi>a</mi>
<mi>l</mi>
<mi>u</mi>
<mi>e</mi>
<mo>=</mo>
<mfrac>
<mrow>
<mi>v</mi>
<mo>-</mo>
<msub>
<mi>v</mi>
<mi>min</mi>
</msub>
</mrow>
<mrow>
<msub>
<mi>v</mi>
<mi>max</mi>
</msub>
<mo>-</mo>
<msub>
<mi>v</mi>
<mi>min</mi>
</msub>
</mrow>
</mfrac>
<mo>;</mo>
</mrow>
评分因子的权重基于信息熵，根据数据本身的差异性提供权重，进一步突出信息增益高的因子，降低信息增益低的因子，公式如下：
<mrow>
<msub>
<mi>w</mi>
<mi>j</mi>
</msub>
<mo>=</mo>
<mn>1</mn>
<mo>+</mo>
<mfrac>
<mn>1</mn>
<mrow>
<mi>ln</mi>
<mrow>
<mo>(</mo>
<mi>K</mi>
<mo>)</mo>
</mrow>
</mrow>
</mfrac>
<mo>*</mo>
<mrow>
<mo>(</mo>
<munderover>
<mo>&Sigma;</mo>
<mrow>
<mi>i</mi>
<mo>=</mo>
<mn>1</mn>
</mrow>
<mi>K</mi>
</munderover>
<mfrac>
<msub>
<mi>x</mi>
<mrow>
<mi>i</mi>
<mi>j</mi>
</mrow>
</msub>
<mrow>
<msubsup>
<mo>&Sigma;</mo>
<mrow>
<mi>i</mi>
<mo>=</mo>
<mn>1</mn>
</mrow>
<mi>K</mi>
</msubsup>
<msub>
<mi>x</mi>
<mrow>
<mi>i</mi>
<mi>j</mi>
</mrow>
</msub>
</mrow>
</mfrac>
<mo>*</mo>
<mi>ln</mi>
<mo>(</mo>
<mfrac>
<msub>
<mi>x</mi>
<mrow>
<mi>i</mi>
<mi>j</mi>
</mrow>
</msub>
<mrow>
<msubsup>
<mo>&Sigma;</mo>
<mrow>
<mi>i</mi>
<mo>=</mo>
<mn>1</mn>
</mrow>
<mi>K</mi>
</msubsup>
<msub>
<mi>x</mi>
<mrow>
<mi>i</mi>
<mi>j</mi>
</mrow>
</msub>
</mrow>
</mfrac>
<mo>)</mo>
<mo>)</mo>
</mrow>
<mo>.</mo>
</mrow>
10.根据权利要求4所述的无尺度自适应的车联网车险评分模型，其特征在于，计算评分后，通过线性归一化函数对评分进行调整以区分驾驶员驾驶习惯的好坏。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201610836103.0A CN107845039A (zh) | 2016-09-20 | 2016-09-20 | 一种无尺度自适应的车联网车险评分模型 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201610836103.0A CN107845039A (zh) | 2016-09-20 | 2016-09-20 | 一种无尺度自适应的车联网车险评分模型 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN107845039A true CN107845039A (zh) | 2018-03-27 |
Family
ID=61656695
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201610836103.0A Pending CN107845039A (zh) | 2016-09-20 | 2016-09-20 | 一种无尺度自适应的车联网车险评分模型 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN107845039A (zh) |
Cited By (25)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN108734592A (zh) * | 2018-05-11 | 2018-11-02 | 深圳市图灵奇点智能科技有限公司 | 车辆保险业务数据分析方法和系统 |
| CN109064002A (zh) * | 2018-07-26 | 2018-12-21 | 阿里巴巴集团控股有限公司 | 车辆风险评估方法、装置及设备 |
| CN109377386A (zh) * | 2018-09-06 | 2019-02-22 | 青岛元合网络科技有限公司 | 一种车辆等级计算方法及车辆保费计算方法 |
| CN109584090A (zh) * | 2018-11-28 | 2019-04-05 | 深圳启福数字科技有限公司 | 一种基于智能穿戴自动推送保险业务的方法及装置 |
| 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 |
| CN109617942A (zh) * | 2018-10-22 | 2019-04-12 | 平安科技（深圳）有限公司 | 产品数据推送方法、装置、计算机设备及存储介质 |
| CN109886439A (zh) * | 2019-04-24 | 2019-06-14 | 辽宁工业大学 | 电控车辆远程诊断系统及其诊断方法 |
| CN110084534A (zh) * | 2019-05-13 | 2019-08-02 | 南京江行联加智能科技有限公司 | 一种基于驾驶行为画像的驾驶风险因子量化方法 |
| 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 |
| CN110675625A (zh) * | 2019-09-27 | 2020-01-10 | 合肥未来计算机技术开发有限公司 | 智慧交通大数据方法及系统 |
| CN110751567A (zh) * | 2019-09-03 | 2020-02-04 | 深圳壹账通智能科技有限公司 | 车辆信息处理方法、装置、计算机设备和存储介质 |
| CN111144706A (zh) * | 2019-12-05 | 2020-05-12 | 东南大学 | 一种网约车驾驶员评分和类别划分方法 |
| CN111191957A (zh) * | 2020-01-07 | 2020-05-22 | 深圳广联赛讯有限公司 | Ubi评分方法、ubi评分装置及可读存储介质 |
| 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 |
| CN111341106A (zh) * | 2020-03-11 | 2020-06-26 | 北京汽车集团有限公司 | 交通预警方法、装置和设备 |
| CN111833194A (zh) * | 2020-06-20 | 2020-10-27 | 南京易科姆智能科技有限公司 | 基于保险期限内额定使用量进行计费的车险模式 |
| 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 |
| CN112884592A (zh) * | 2019-11-29 | 2021-06-01 | 泰康保险集团股份有限公司 | 一种确定车险保费的方法、装置、计算设备及存储介质 |
| CN113034293A (zh) * | 2019-12-25 | 2021-06-25 | 长城汽车股份有限公司 | 一种车险类别的确定方法及装置 |
| CN113077348A (zh) * | 2020-01-06 | 2021-07-06 | 泰康保险集团股份有限公司 | 基于驾驶行为的风险获取系统 |
| CN113689083A (zh) * | 2021-07-29 | 2021-11-23 | 中国银行保险信息技术管理有限公司 | 新能源车保险风险因子的处理方法、装置及计算机设备 |
| CN114092267A (zh) * | 2022-01-18 | 2022-02-25 | 成都车晓科技有限公司 | 基于机器学习的高风险车辆保险客户车险评估方法及系统 |
| US11341525B1 (en) | 2020-01-24 | 2022-05-24 | BlueOwl, LLC | Systems and methods for telematics data marketplace |
| CN115297146A (zh) * | 2022-08-04 | 2022-11-04 | 上海移为通信技术股份有限公司 | 驾驶行为的监控装置、驾驶行为的评估和保费的确定方法 |
| US12026729B1 (en) | 2021-10-04 | 2024-07-02 | BlueOwl, LLC | Systems and methods for match evaluation based on change in telematics inferences via a telematics marketplace |
-
2016
- 2016-09-20 CN CN201610836103.0A patent/CN107845039A/zh active Pending
Cited By (33)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN108734592A (zh) * | 2018-05-11 | 2018-11-02 | 深圳市图灵奇点智能科技有限公司 | 车辆保险业务数据分析方法和系统 |
| 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 |
| CN109064002A (zh) * | 2018-07-26 | 2018-12-21 | 阿里巴巴集团控股有限公司 | 车辆风险评估方法、装置及设备 |
| CN109377386A (zh) * | 2018-09-06 | 2019-02-22 | 青岛元合网络科技有限公司 | 一种车辆等级计算方法及车辆保费计算方法 |
| CN109617942B (zh) * | 2018-10-22 | 2022-05-17 | 平安科技（深圳）有限公司 | 产品数据推送方法、装置、计算机设备及存储介质 |
| CN109617942A (zh) * | 2018-10-22 | 2019-04-12 | 平安科技（深圳）有限公司 | 产品数据推送方法、装置、计算机设备及存储介质 |
| 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 |
| CN109584090A (zh) * | 2018-11-28 | 2019-04-05 | 深圳启福数字科技有限公司 | 一种基于智能穿戴自动推送保险业务的方法及装置 |
| 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 |
| CN109886439A (zh) * | 2019-04-24 | 2019-06-14 | 辽宁工业大学 | 电控车辆远程诊断系统及其诊断方法 |
| CN109886439B (zh) * | 2019-04-24 | 2021-10-08 | 深圳富士伟业科技有限公司 | 电控车辆远程诊断系统及其诊断方法 |
| CN110084534B (zh) * | 2019-05-13 | 2023-03-24 | 南京江行联加智能科技有限公司 | 一种基于驾驶行为画像的驾驶风险因子量化方法 |
| CN110084534A (zh) * | 2019-05-13 | 2019-08-02 | 南京江行联加智能科技有限公司 | 一种基于驾驶行为画像的驾驶风险因子量化方法 |
| CN110751567A (zh) * | 2019-09-03 | 2020-02-04 | 深圳壹账通智能科技有限公司 | 车辆信息处理方法、装置、计算机设备和存储介质 |
| CN110675625B (zh) * | 2019-09-27 | 2020-11-13 | 合肥未来计算机技术开发有限公司 | 智慧交通大数据方法及系统 |
| CN110675625A (zh) * | 2019-09-27 | 2020-01-10 | 合肥未来计算机技术开发有限公司 | 智慧交通大数据方法及系统 |
| CN112884592A (zh) * | 2019-11-29 | 2021-06-01 | 泰康保险集团股份有限公司 | 一种确定车险保费的方法、装置、计算设备及存储介质 |
| CN111144706A (zh) * | 2019-12-05 | 2020-05-12 | 东南大学 | 一种网约车驾驶员评分和类别划分方法 |
| CN113034293A (zh) * | 2019-12-25 | 2021-06-25 | 长城汽车股份有限公司 | 一种车险类别的确定方法及装置 |
| CN113077348B (zh) * | 2020-01-06 | 2024-05-17 | 泰康保险集团股份有限公司 | 基于驾驶行为的风险获取系统 |
| CN113077348A (zh) * | 2020-01-06 | 2021-07-06 | 泰康保险集团股份有限公司 | 基于驾驶行为的风险获取系统 |
| CN111191957A (zh) * | 2020-01-07 | 2020-05-22 | 深圳广联赛讯有限公司 | Ubi评分方法、ubi评分装置及可读存储介质 |
| CN111191957B (zh) * | 2020-01-07 | 2023-09-22 | 深圳广联赛讯股份有限公司 | Ubi评分方法、ubi评分装置及可读存储介质 |
| US11341525B1 (en) | 2020-01-24 | 2022-05-24 | BlueOwl, LLC | Systems and methods for telematics data marketplace |
| CN111341106B (zh) * | 2020-03-11 | 2021-11-19 | 北京汽车集团有限公司 | 交通预警方法、装置和设备 |
| CN111341106A (zh) * | 2020-03-11 | 2020-06-26 | 北京汽车集团有限公司 | 交通预警方法、装置和设备 |
| CN111833194A (zh) * | 2020-06-20 | 2020-10-27 | 南京易科姆智能科技有限公司 | 基于保险期限内额定使用量进行计费的车险模式 |
| 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 |
| CN113689083A (zh) * | 2021-07-29 | 2021-11-23 | 中国银行保险信息技术管理有限公司 | 新能源车保险风险因子的处理方法、装置及计算机设备 |
| US12026729B1 (en) | 2021-10-04 | 2024-07-02 | BlueOwl, LLC | Systems and methods for match evaluation based on change in telematics inferences via a telematics marketplace |
| CN114092267A (zh) * | 2022-01-18 | 2022-02-25 | 成都车晓科技有限公司 | 基于机器学习的高风险车辆保险客户车险评估方法及系统 |
| US12033176B2 (en) | 2022-04-22 | 2024-07-09 | Quanata, Llc | Systems and methods for telematics data marketplace |
| CN115297146A (zh) * | 2022-08-04 | 2022-11-04 | 上海移为通信技术股份有限公司 | 驾驶行为的监控装置、驾驶行为的评估和保费的确定方法 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN107845039A (zh) | 一种无尺度自适应的车联网车险评分模型 | |
| CN103198711B (zh) | 一种降低不同严重程度交通事故概率的车辆调控方法 | |
| CN104008278B (zh) | 一种基于特征向量和最小二乘支持向量机的pm2.5浓度预测方法 | |
| CN101789175A (zh) | 公共交通多线路静态协调调度方法 | |
| CN105679025B (zh) | 一种基于可变权重混合分布的城市干道行程时间估计方法 | |
| CN104992244A (zh) | 一种基于sarima和rbf神经网络集成组合模型的机场货运量预测分析方法 | |
| CN102360526A (zh) | 一种快速道路路段状态的实时监测方法 | |
| CN109446275A (zh) | 一种基于大数据的航空数据分析方法、设备及存储介质 | |
| CN105469602A (zh) | 一种基于ic卡数据的公交乘客候车时间范围的预测方法 | |
| CN107526083A (zh) | 一种基于天气雷达数据的强对流风力等级预测方法 | |
| CN106650959A (zh) | 一种基于改进灰色聚类的配电网抢修能力评估方法 | |
| CN103400039A (zh) | 一种基于大风气象分类的风功率爬坡预测模型切换方法 | |
| CN105678406A (zh) | 一种基于云模型的短期负荷预测方法 | |
| CN109409008A (zh) | 一种城市轨道交通工具线路典型速度-时间行驶工况构建方法 | |
| CN105679103A (zh) | 一种机场环境容许空中交通量评估方法 | |
| CN104750919B (zh) | 一种道路通行能力影响因素识别方法 | |
| CN109960889A (zh) | 轨道交通工具线路典型速度-时间行驶工况构建方法 | |
| CN104809160B (zh) | 一种基于换档行为的高油耗分析方法及设备 | |
| CN104794546A (zh) | 一种基于深度置信网络分类方法的风功率爬坡预测方法 | |
| CN106600030A (zh) | 一种基于路网行程时间可靠性的出行预留时间计算方法 | |
| CN111325649B (zh) | 一种城市轨道交通组合式站点停靠方法 | |
| CN111806443A (zh) | 一种纯电动重卡无人驾驶能耗优化方法 | |
| CN113781820B (zh) | 一种机场特种车辆保障航班效率的分析方法 | |
| CN109636125A (zh) | 一种高速公路交通事故风险评估系统 | |
| CN114255596B (zh) | 一种基于大数据的停车场车位推荐系统及方法 |
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 | ||
| TA01 | Transfer of patent application right |
Effective date of registration: 20190308 Address after: 402760 No. 50 Shuangxing Avenue, Biquan Street, Bishan District, Chongqing Applicant after: Chongqing Derun Automotive Electronics Research Institute Co., Ltd. Address before: 200233 1103, 1028 Panyu Road, Xuhui District, Shanghai Applicant before: Dedao car network technology (Shanghai) Co., Ltd. |
|
| TA01 | Transfer of patent application right | ||
| RJ01 | Rejection of invention patent application after publication |
Application publication date: 20180327 |
|
| RJ01 | Rejection of invention patent application after publication |