CN108335218A - 保险费用计算方法、装置、计算机设备及存储介质 - Google Patents
保险费用计算方法、装置、计算机设备及存储介质 Download PDFInfo
- Publication number
- CN108335218A CN108335218A CN201810145828.4A CN201810145828A CN108335218A CN 108335218 A CN108335218 A CN 108335218A CN 201810145828 A CN201810145828 A CN 201810145828A CN 108335218 A CN108335218 A CN 108335218A
- Authority
- CN
- China
- Prior art keywords
- bicycle
- shared
- data
- factor data
- input
- 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
Abstract
本申请公开了一种保险费用计算方法、装置、计算机设备及存储介质。该方法包括：若检测到共享交通工具的已激活使用指令，获取使用者身份信息、共享交通工具类型、使用行为数据；若共享交通工具类型为共享单车，获取共享单车的运营商名称及当前单车编号，将共享单车的运营商名称、使用者身份信息及使用行为数据作为筛选模型的输入，得到单车使用正面因素数据、单车使用负面因素数据；将单车使用正面因素数据、单车使用负面因素数据及当前单车编号对应的单车价值输入至共享单车保费计算模型，得到当前使用者对应的共享单车人身险保费。该方法实现根据共享交通工具具体使用者的使用行为数据作为依据，得到更精准针对每一具体使用者的保费。
Description
技术领域
本申请涉及通信技术领域，尤其涉及一种保险费用计算方法、装置、计算机设备及存储介质。
背景技术
目前，针对共享交通工具的保费计算，主要是通过公司间签署大保单完成。然而，共享交通工具的具体使用者是不固定的，也就是现有的保费计算方法无法对共享交通工具的具体使用者行为进行精细划分。即当车辆为多人共享使用时，无法区分多人对应的使用行为，因此无法对多人的保费分别进行计算。
发明内容
本申请提供了一种保险费用计算方法、装置、计算机设备及存储介质，旨在解决现有技术中现有的保费计算方法无法对共享交通工具的具体使用者行为进行精细划分以得到更精准的保险费用的问题。
第一方面，本申请提供了一种保险费用计算方法，其包括：
若检测到共享交通工具的已激活使用指令，获取使用者身份信息、共享交通工具类型、使用共享交通工具所产生的使用行为数据；
若共享交通工具类型为共享单车，获取共享单车的运营商名称及当前单车编号，将共享单车的运营商名称、使用者身份信息及使用行为数据作为预先构建的筛选模型的输入，得到单车使用正面因素数据、单车使用负面因素数据；
将单车使用正面因素数据、单车使用负面因素数据及当前单车编号对应的单车价值作为输入，输入至预先构建的共享单车保费计算模型，得到当前使用者对应的共享单车人身险保费。
第二方面，本申请提供了一种保险费用计算装置，其包括：
使用数据获取单元，用于若检测到共享交通工具的已激活使用指令，获取使用者身份信息、共享交通工具类型、使用共享交通工具所产生的使用行为数据；
第一因素筛选单元，用于若共享交通工具类型为共享单车，获取共享单车的运营商名称及当前单车编号，将共享单车的运营商名称、使用者身份信息及使用行为数据作为预先构建的筛选模型的输入，得到单车使用正面因素数据、单车使用负面因素数据；
第一保费计算单元，用于将单车使用正面因素数据、单车使用负面因素数据及当前单车编号对应的单车价值作为输入，输入至预先构建的共享单车保费计算模型，得到当前使用者对应的共享单车人身险保费。
第三方面，本申请又提供了一种计算机设备，包括存储器、处理器及存储在所述存储器上并可在所述处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现本申请提供的任一项所述的保险费用计算方法。
第四方面，本申请还提供了一种存储介质，其中所述存储介质存储有计算机程序，所述计算机程序包括程序指令，所述程序指令当被处理器执行时使所述处理器执行本申请提供的任一项所述的保险费用计算方法。
本申请提供一种保险费用计算方法、装置、计算机设备及存储介质。该方法若检测到共享交通工具的已激活使用指令，获取使用者身份信息、共享交通工具类型、使用共享交通工具所产生的使用行为数据；若共享交通工具类型为共享单车，获取共享单车的运营商名称及当前单车编号，将共享单车的运营商名称、使用者身份信息及使用行为数据作为预先构建的筛选模型的输入，得到单车使用正面因素数据、单车使用负面因素数据；将单车使用正面因素数据、单车使用负面因素数据及当前单车编号对应的单车价值作为输入，输入至预先构建的共享单车保费计算模型，得到当前使用者对应的共享单车人身险保费。该方法实现根据共享交通工具具体使用者的使用行为数据作为依据，得到更精准针对每一具体使用者的保费。
附图说明
为了更清楚地说明本申请实施例技术方案，下面将对实施例描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图是本申请的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
图1为本申请实施例提供的一种保险费用计算方法的示意流程图；
图2是本申请实施例提供的一种保险费用计算方法的子流程示意图；
图3为本申请实施例提供的一种保险费用计算方法的另一示意流程图；
图4为本申请实施例提供的一种保险费用计算装置的示意性框图；
图5为本申请实施例提供的一种保险费用计算装置的子单元示意性框图；
图6为本申请实施例提供的一种保险费用计算装置的另一示意性框图；
图7为本申请实施例提供的一种计算机设备的示意性框图。
具体实施方式
下面将结合本申请实施例中的附图，对本申请实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本申请一部分实施例，而不是全部的实施例。基于本申请中的实施例，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，都属于本申请保护的范围。
应当理解，当在本说明书和所附权利要求书中使用时，术语“包括”和“包含”指示所描述特征、整体、步骤、操作、元素和/或组件的存在，但并不排除一个或多个其它特征、整体、步骤、操作、元素、组件和/或其集合的存在或添加。
还应当理解，在此本申请说明书中所使用的术语仅仅是出于描述特定实施例的目的而并不意在限制本申请。如在本申请说明书和所附权利要求书中所使用的那样，除非上下文清楚地指明其它情况，否则单数形式的“一”、“一个”及“该”意在包括复数形式。
还应当进一步理解，在本申请说明书和所附权利要求书中使用的术语“和/或”是指相关联列出的项中的一个或多个的任何组合以及所有可能组合，并且包括这些组合。
请参阅图1，图1是本申请实施例提供的一种保险费用计算方法的示意流程图。该方法应用于台式电脑、手提电脑、平板电脑等终端中。如图1所示，该方法包括步骤S101～S103。
S101、若检测到共享交通工具的已激活使用指令，获取使用者身份信息、共享交通工具类型、使用共享交通工具所产生的使用行为数据。
在本实施例中，是保费计算服务器实时检测共享交通工具后台数据库是否上传已激活使用指令。当用户通过扫二维码等方式解锁共享交通工具时会产生已激活使用指令，并先传输至共享交通工具后台数据库，再由共享交通工具后台数据库传输至保费计算服务器。一旦用户激活了共享交通工具的使用，就要开始对使用者的人身险，产险等保险费用进行计算，这一过程是保险费用基于用户使用行为数据的实时精准计算，而不是根据事先签署公司大保单来进行保费计算。
在一实施例中，使用者身份信息至少包括使用者姓名、使用者年龄、使用者性别、使用者联系号码等信息；共享交通工具类型至少包括共享单车，共享汽车，共享游艇，共享轮船，共享飞机等共享交通工具。
使用行为数据至少包括用车时长、用车时间、用车路线、用车事故记录和异常行为记录(如使用共享单车时用前篮载人，如使用共享汽车时不注意节约能源等)。上述行为数据为使用者的历史数据，也即在此次使用之前的所有历史数据，是基于用户的历史使用习惯来作为保费计算的依据。
即，当用户使用智能手机的APP通过扫描共享交通工具上设置的二维码，或是与共享交通工具上的智能锁蓝牙连接后极速开锁后，智能锁会向共享交通工具后台数据库发送已激活使用指令。
此时共享交通工具后台数据库会将已激活使用指令上传至保险公司后台服务器。保险公司后台服务器为了准确的对共享交通工具当前的使用者进行保费的计算，则需要获取当前使用者的一些信息，例如使用者身份信息(包括使用者姓名、使用者年龄、使用者性别、使用者联系号码等信息)、使用行为数据(包括用车时长、用车时间、用车路线、用车事故记录和其他异常行为记录)。而这些数据，就可以作为保费计算的基础。
S102、若共享交通工具类型为共享单车，获取共享单车的运营商名称及当前单车编号，将共享单车的运营商名称、使用者身份信息及使用行为数据作为预先构建的筛选模型的输入，得到单车使用正面因素数据、单车使用负面因素数据。
如图2所示，所述步骤S102中将共享单车的运营商名称、使用者身份信息及使用行为数据作为预先构建的筛选模型的输入，得到单车使用正面因素数据、单车使用负面因素数据，包括以下子步骤：
S1021、获取根据朴素贝叶斯算法对历史数据进行模型训练所构建的筛选模型；所述筛选模型用于判断输入数据是正面因素或是负面因素；
S1022、将共享单车的运营商名称、使用者身份信息所包括子信息、使用行为数据所包括子数据均作为筛选模型的输入，得到评价结果为正面因素的单车使用正面因素数据、及评价结果为负面因素的单车使用负面因素数据。
在一实施例中，所述将单车使用正面因素数据、单车使用负面因素数据及当前单车编号对应的单车价值作为输入中，选取单车使用正面因素数据权重值排在前N1位的正面因素数据，及选取单车使用负面因素数据权重值排在前N2位的负面因素数据作为输入；其中N1和N2均为正整数。
具体的，本申请中所采用的朴素贝叶斯算法的模型如下：
其中，
Nck表示训练集中ck类文档的数目，N表示训练集中文档总数，P(ck)表示ck类文档在训练集中文档所占比例；Tjk表示词项tj在类别ck中出现的次数，V是所有类别的词项集合，P(tj|ck)表示词项tj出现在类别ck中的概率。
通过上述模型作为共享单车的运营商名称、使用者身份信息中的每一子信息、及使用行为数据中的每一子数据的分类器，就能筛选出单车使用正面因素数据、单车使用负面因素数据。例如，将共享单车的运营商名称、使用者身份信息中的每一子信息、及使用行为数据中的每一子数据输入这些数据中的每一数据一一输入至朴素贝叶斯算法的模型中，当该数据出现在正面因素类别的概率大于或等于50％则可将该数据视为正面因素数据，当该数据出现在正面因素类别的概率小于50％则可将该数据视为负面因素数据。
例如，保险公司可以对每一共享单车的运营商进行信用监控，有不良记录的共享单车的运营商，其对应的共享单车的运营商名称就可能被筛选模型识别为单车使用负面因素数据，就会影响对其确定高一些的保险费。其他的输入参数也是可以参考上述举例的共享单车的运营商名称判断过程，这样就能一一得到单车使用正面因素数据、单车使用负面因素数据。
此时通过筛选模型得到单车使用正面因素数据、单车使用负面因素数据是针对当前的单车使用者的。当换成另外一个单车使用者时，根据筛选模型得到单车使用正面因素数据、单车使用负面因素数据又是与此单车使用者相对应。也就是每一单车使用者的使用信息作为筛选模型的输入，最后得到的筛选结果都是因人而异，也就是本申请实现了对每一共享交通工具的使用者有针对性的对其进行评级(就是评判使用者的信用好坏，使用习惯好坏等)。
S103、将单车使用正面因素数据、单车使用负面因素数据及当前单车编号对应的单车价值作为输入，输入至预先构建的共享单车保费计算模型，得到当前使用者对应的共享单车人身险保费。
在一实施例中，所述根将单车使用正面因素数据、单车使用负面因素数据及当前单车编号对应的单车价值作为输入，输入至预先构建的共享单车保费计算模型中，所述共享单车保费计算模型为：
其中，单车使用正面因素数据权重值排在前N1位的正面因素数据记为Pf1-PfN1，单车使用负面因素数据权重值排在前N2位的正面因素数据记为Nf1-NfN1。
在本实施例中，由于该单车编号的共享单车每多一个新的使用者，此时保险公司后台服务器就会实时根据获取的共享单车的运营商名、使用者身份信息及使用行为数据，带入筛选模型和共享单车保费计算模型进行处理后，得到与当前使用者对应的共享单车人身险保费。而与单车的历史使用者一一对应的共享单车人身险保费则是作为历史数据存储在保险公司后台服务器。这样针对同一辆共享单车的每一使用者都分别计算了保费，则该共享单车的总保费就是该车所有使用者的保费累加求总和。
如图3所示，所述步骤S103之后还包括：
S104、若共享交通工具类型为共享汽车，获取共享汽车的运营商名称及当前汽车编号，将共享汽车的运营商名称、使用者身份信息及使用行为数据作为预先构建的筛选模型的输入，得到汽车使用正面因素数据、汽车使用负面因素数据。
S105、将汽车使用正面因素数据、汽车使用负面因素数据及前汽车编号对应的汽车价值作为输入，输入至预先构建的共享汽车保费计算模型，得到当前使用者对应的共享汽车险保费。
本实施例中，判断共享交通工具的类型是共享单车还是共享汽车，是因为针对共享单车进行投保时，保险公司只能承接人身险投保。而针对共享汽车投保时，保险公司则能承接产险、人身险等多种保险投保。此时，共享交通工具类型为共享汽车时能使用与共享单车的筛选模型完全相同的模型。处理过程则可以参考步骤S102。
共享汽车保费计算模型的计算过程也可参考步骤S103，但是汽车使用正面因素数据、汽车使用负面因素数据作为输入时，肯定与单车使用正面因素数据、单车使用负面因素数据是不同的，故产生的结果是不同的。
例如共享汽车保费计算模型可以分别计算出共享汽车产险险保费、共享汽车人身险险保费等，而共享单车保费计算模型只能计算共享单车人身险保费。
可见，该方法实现根据共享交通工具具体使用者的使用行为数据作为依据，得到更精准针对每一具体使用者的保费。
本申请实施例还提供一种保险费用计算装置，该保险费用计算装置用于执行前述任一项保险费用计算方法。具体地，请参阅图4，图4是本申请实施例提供的一种保险费用计算装置的示意性框图。保险费用计算装置100可以安装于台式电脑、平板电脑、手提电脑、等终端中。
如图4所示，保险费用计算装置100包括使用数据获取单元101、第一因素筛选单元102、第一保费计算单元103。
使用数据获取单元101，用于若检测到共享交通工具的已激活使用指令，获取使用者身份信息、共享交通工具类型、使用共享交通工具所产生的使用行为数据。
在本实施例中，是保费计算服务器实时检测共享交通工具后台数据库是否上传已激活使用指令。当用户通过扫二维码等方式解锁共享交通工具时会产生已激活使用指令，并先传输至共享交通工具后台数据库，再由共享交通工具后台数据库传输至保费计算服务器。一旦用户激活了共享交通工具的使用，就要开始对使用者的人身险，产险等保险费用进行计算，这一过程是保险费用基于用户使用行为数据的实时精准计算，而不是根据事先签署公司大保单来进行保费计算。
在一实施例中，使用者身份信息至少包括使用者姓名、使用者年龄、使用者性别、使用者联系号码等信息；共享交通工具类型至少包括共享单车，共享汽车，共享游艇，共享轮船，共享飞机等共享交通工具。
使用行为数据至少包括用车时长、用车时间、用车路线、用车事故记录和异常行为记录(如使用共享单车时用前篮载人，如使用共享汽车时不注意节约能源等)。上述行为数据为使用者的历史数据，也即在此次使用之前的所有历史数据，是基于用户的历史使用习惯来作为保费计算的依据。
即，当用户使用智能手机的APP通过扫描共享交通工具上设置的二维码，或是与共享交通工具上的智能锁蓝牙连接后极速开锁后，智能锁会向共享交通工具后台数据库发送已激活使用指令。
此时共享交通工具后台数据库会将已激活使用指令上传至保险公司后台服务器。保险公司后台服务器为了准确的对共享交通工具当前的使用者进行保费的计算，则需要获取当前使用者的一些信息，例如使用者身份信息(包括使用者姓名、使用者年龄、使用者性别、使用者联系号码等信息)、使用行为数据(包括用车时长、用车时间、用车路线、用车事故记录和其他异常行为记录)。而这些数据，就可以作为保费计算的基础。
第一因素筛选单元102，用于若共享交通工具类型为共享单车，获取共享单车的运营商名称及当前单车编号，将共享单车的运营商名称、使用者身份信息及使用行为数据作为预先构建的筛选模型的输入，得到单车使用正面因素数据、单车使用负面因素数据。
如图5所示，所述第一因素筛选单元102中，包括以下子单元；
筛选模型获取单元1021，用于获取根据朴素贝叶斯算法对历史数据进行模型训练所构建的筛选模型；所述筛选模型用于判断输入数据是正面因素或是负面因素；
数据筛选获取单元1022，用于将共享单车的运营商名称、使用者身份信息所包括子信息、使用行为数据所包括子数据均作为筛选模型的输入，得到评价结果为正面因素的单车使用正面因素数据、及评价结果为负面因素的单车使用负面因素数据。
在一实施例中，所述将单车使用正面因素数据、单车使用负面因素数据及当前单车编号对应的单车价值作为输入中，选取单车使用正面因素数据权重值排在前N1位的正面因素数据，及选取单车使用负面因素数据权重值排在前N2位的负面因素数据作为输入；其中N1和N2均为正整数。
具体的，本申请中所采用的朴素贝叶斯算法的模型如下：
其中，
Nck表示训练集中ck类文档的数目，N表示训练集中文档总数，P(ck)表示ck类文档在训练集中文档所占比例；Tjk表示词项tj在类别ck中出现的次数，V是所有类别的词项集合，P(tj|ck)表示词项tj出现在类别ck中的概率。
通过上述模型作为共享单车的运营商名称、使用者身份信息中的每一子信息、及使用行为数据中的每一子数据的分类器，就能筛选出单车使用正面因素数据、单车使用负面因素数据。例如，将共享单车的运营商名称、使用者身份信息中的每一子信息、及使用行为数据中的每一子数据输入这些数据中的每一数据一一输入至朴素贝叶斯算法的模型中，当该数据出现在正面因素类别的概率大于或等于50％则可将该数据视为正面因素数据，当该数据出现在正面因素类别的概率小于50％则可将该数据视为负面因素数据。
例如，保险公司可以对每一共享单车的运营商进行信用监控，有不良记录的共享单车的运营商，其对应的共享单车的运营商名称就可能被筛选模型识别为单车使用负面因素数据，就会影响对其确定高一些的保险费。其他的输入参数也是可以参考上述举例的共享单车的运营商名称判断过程，这样就能一一得到单车使用正面因素数据、单车使用负面因素数据。
此时通过筛选模型得到单车使用正面因素数据、单车使用负面因素数据是针对当前的单车使用者的。当换成另外一个单车使用者时，根据筛选模型得到单车使用正面因素数据、单车使用负面因素数据又是与此单车使用者相对应。也就是每一单车使用者的使用信息作为筛选模型的输入，最后得到的筛选结果都是因人而异，也就是本申请实现了对每一共享交通工具的使用者有针对性的对其进行评级(就是评判使用者的信用好坏，使用习惯好坏等)。
第一保费计算单元103，用于将单车使用正面因素数据、单车使用负面因素数据及当前单车编号对应的单车价值作为输入，输入至预先构建的共享单车保费计算模型，得到当前使用者对应的共享单车人身险保费。
在一实施例中，所述共享单车保费计算模型为：
其中，单车使用正面因素数据权重值排在前N1位的正面因素数据记为Pf1-PfN1，单车使用负面因素数据权重值排在前N2位的正面因素数据记为Nf1-NfN1。
在本实施例中，由于该单车编号的共享单车每多一个新的使用者，此时保险公司后台服务器就会实时根据获取的共享单车的运营商名、使用者身份信息及使用行为数据，带入筛选模型和共享单车保费计算模型进行处理后，得到与当前使用者对应的共享单车人身险保费。而与单车的历史使用者一一对应的共享单车人身险保费则是作为历史数据存储在保险公司后台服务器。这样针对同一辆共享单车的每一使用者都分别计算了保费，则该共享单车的总保费就是该车所有使用者的保费累加求总和。
如图6所示，所述保险费用计算装置100还包括：
第二因素筛选单元104，用于若共享交通工具类型为共享汽车，获取共享汽车的运营商名称及当前汽车编号，将共享汽车的运营商名称、使用者身份信息及使用行为数据作为预先构建的筛选模型的输入，得到汽车使用正面因素数据、汽车使用负面因素数据。
第二保费计算单元，用于将汽车使用正面因素数据、汽车使用负面因素数据及前汽车编号对应的汽车价值作为输入，输入至预先构建的共享汽车保费计算模型，得到当前使用者对应的共享汽车险保费。
本实施例中，判断共享交通工具的类型是共享单车还是共享汽车，是因为针对共享单车进行投保时，保险公司只能承接人身险投保。而针对共享汽车投保时，保险公司则能承接产险、人身险等多种保险投保。此时，共享交通工具类型为共享汽车时能使用与共享单车的筛选模型完全相同的模型。
共享汽车保费计算模型的计算过程也可参考共享单车人身险保费的计算过程，但是汽车使用正面因素数据、汽车使用负面因素数据作为输入时，肯定与单车使用正面因素数据、单车使用负面因素数据是不同的，故产生的结果是不同的。
例如共享汽车保费计算模型可以分别计算出共享汽车产险险保费、共享汽车人身险险保费等，而共享单车保费计算模型只能计算共享单车人身险保费。
可见，该装置实现根据共享交通工具具体使用者的使用行为数据作为依据，得到更精准针对每一具体使用者的保费。
上述保险费用计算装置可以实现为一种计算机程序的形式，该计算机程序可以在如图7所示的计算机设备上运行。
请参阅图7，图7是本申请实施例提供的一种计算机设备的示意性框图。该计算机设备500设备可以是终端。该终端可以是平板电脑、笔记本电脑、台式电脑、个人数字助理等电子设备。
参阅图7，该计算机设备500包括通过系统总线501连接的处理器502、存储器和网络接口505，其中，存储器可以包括非易失性存储介质503和内存储器504。
该非易失性存储介质503可存储操作系统5031和计算机程序5032。该计算机程序5032包括程序指令，该程序指令被执行时，可使得处理器502执行一种保险费用计算方法。
该处理器502用于提供计算和控制能力，支撑整个计算机设备500的运行。
该内存储器504为非易失性存储介质503中的计算机程序5032的运行提供环境，该计算机程序5032被处理器502执行时，可使得处理器502执行一种保险费用计算方法。
该网络接口505用于进行网络通信，如发送分配的任务等。本领域技术人员可以理解，图7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计算机设备500的限定，具体的计算机设备500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。
其中，所述处理器502用于运行存储在存储器中的计算机程序5032，以实现如下功能：若检测到共享交通工具的已激活使用指令，获取使用者身份信息、共享交通工具类型、使用共享交通工具所产生的使用行为数据；若共享交通工具类型为共享单车，获取共享单车的运营商名称及当前单车编号，将共享单车的运营商名称、使用者身份信息及使用行为数据作为预先构建的筛选模型的输入，得到单车使用正面因素数据、单车使用负面因素数据；将单车使用正面因素数据、单车使用负面因素数据及当前单车编号对应的单车价值作为输入，输入至预先构建的共享单车保费计算模型，得到当前使用者对应的共享单车人身险保费。
在一实施例中，处理器502还执行如下操作：若共享交通工具类型为共享汽车，获取共享汽车的运营商名称及当前汽车编号，将共享汽车的运营商名称、使用者身份信息及使用行为数据作为预先构建的筛选模型的输入，得到汽车使用正面因素数据、汽车使用负面因素数据；将汽车使用正面因素数据、汽车使用负面因素数据及前汽车编号对应的汽车价值作为输入，输入至预先构建的共享汽车保费计算模型，得到当前使用者对应的共享汽车险保费。
在一实施例中，处理器502还执行如下操作：获取根据朴素贝叶斯算法对历史数据进行模型训练所构建的筛选模型；所述筛选模型用于判断输入数据是正面因素或是负面因素；将共享单车的运营商名称、使用者身份信息所包括子信息、使用行为数据所包括子数据均作为筛选模型的输入，得到评价结果为正面因素的单车使用正面因素数据、及评价结果为负面因素的单车使用负面因素数据；其中，所述使用行为数据包括用车时长、用车时间、用车路线、用车事故记录和异常行为记录。
在一实施例中，所述将单车使用正面因素数据、单车使用负面因素数据及当前单车编号对应的单车价值作为输入中，选取单车使用正面因素数据权重值排在前N1位的正面因素数据，及选取单车使用负面因素数据权重值排在前N2位的负面因素数据作为输入；其中N1和N2均为正整数。
在一实施例中，所述共享单车保费计算模型为：
其中，单车使用正面因素数据权重值排在前N1位的正面因素数据记为Pf1-PfN1，单车使用负面因素数据权重值排在前N2位的正面因素数据记为Nf1-NfN1。
本领域技术人员可以理解，图7中示出的计算机设备的实施例并不构成对计算机设备具体构成的限定，在其他实施例中，计算机设备可以包括比图示更多或更少的部件，或者组合某些部件，或者不同的部件布置。例如，在一些实施例中，计算机设备可以仅包括存储器及处理器，在这样的实施例中，存储器及处理器的结构及功能与图7所示实施例一致，在此不再赘述。
应当理解，在本申请实施例中，处理器502可以是中央处理单元(CentralProcessing Unit，CPU)，该处理器502还可以是其他通用处理器、数字信号处理器(DigitalSignal Processor，DSP)、专用集成电路(Application Specific Integrated Circuit，ASIC)、现成可编程门阵列(Field-Programmable GateArray，FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。其中，通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。
在本申请的另一实施例中提供一种存储介质。该存储介质可以为存储介质。该存储介质存储有计算机程序，其中计算机程序包括程序指令。该程序指令被处理器执行时实现：若检测到共享交通工具的已激活使用指令，获取使用者身份信息、共享交通工具类型、使用共享交通工具所产生的使用行为数据；若共享交通工具类型为共享单车，获取共享单车的运营商名称及当前单车编号，将共享单车的运营商名称、使用者身份信息及使用行为数据作为预先构建的筛选模型的输入，得到单车使用正面因素数据、单车使用负面因素数据；将单车使用正面因素数据、单车使用负面因素数据及当前单车编号对应的单车价值作为输入，输入至预先构建的共享单车保费计算模型，得到当前使用者对应的共享单车人身险保费。
在一实施例中，该程序指令被处理器执行时实现：若共享交通工具类型为共享汽车，获取共享汽车的运营商名称及当前汽车编号，将共享汽车的运营商名称、使用者身份信息及使用行为数据作为预先构建的筛选模型的输入，得到汽车使用正面因素数据、汽车使用负面因素数据；将汽车使用正面因素数据、汽车使用负面因素数据及前汽车编号对应的汽车价值作为输入，输入至预先构建的共享汽车保费计算模型，得到当前使用者对应的共享汽车险保费。
在一实施例中，该程序指令被处理器执行时实现：获取根据朴素贝叶斯算法对历史数据进行模型训练所构建的筛选模型；所述筛选模型用于判断输入数据是正面因素或是负面因素；将共享单车的运营商名称、使用者身份信息所包括子信息、使用行为数据所包括子数据均作为筛选模型的输入，得到评价结果为正面因素的单车使用正面因素数据、及评价结果为负面因素的单车使用负面因素数据；其中，所述使用行为数据包括用车时长、用车时间、用车路线、用车事故记录和异常行为记录。
在一实施例中，所述将单车使用正面因素数据、单车使用负面因素数据及当前单车编号对应的单车价值作为输入中，选取单车使用正面因素数据权重值排在前N1位的正面因素数据，及选取单车使用负面因素数据权重值排在前N2位的负面因素数据作为输入；其中N1和N2均为正整数。
在一实施例中，所述共享单车保费计算模型为：
其中，单车使用正面因素数据权重值排在前N1位的正面因素数据记为Pf1-PfN1，单车使用负面因素数据权重值排在前N2位的正面因素数据记为Nf1-NfN1。
所述存储介质可以是前述设备的内部存储单元，例如设备的硬盘或内存。所述存储介质也可以是所述设备的外部存储设备，例如所述设备上配备的插接式硬盘，智能存储卡(Smart Media Card,SMC)，安全数字(Secure Digital,SD)卡，闪存卡(Flash Card)等。进一步地，所述存储介质还可以既包括所述设备的内部存储单元也包括外部存储设备。
所属领域的技术人员可以清楚地了解到，为了描述的方便和简洁，上述描述的设备、装置和单元的具体工作过程，可以参考前述方法实施例中的对应过程，在此不再赘述。本领域普通技术人员可以意识到，结合本文中所公开的实施例描述的各示例的单元及算法步骤，能够以电子硬件、计算机软件或者二者的结合来实现，为了清楚地说明硬件和软件的可互换性，在上述说明中已经按照功能一般性地描述了各示例的组成及步骤。这些功能究竟以硬件还是软件方式来执行取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能，但是这种实现不应认为超出本发明的范围。
在本申请所提供的几个实施例中，应该理解到，所揭露的设备、装置和方法，可以通过其它的方式实现。例如，以上所描述的装置实施例仅仅是示意性的，例如，所述单元的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，也可以将具有相同功能的单元集合成一个单元，例如多个单元或组件可以结合或者可以集成到另一个系统，或一些特征可以忽略，或不执行。另外，所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口、装置或单元的间接耦合或通信连接，也可以是电的，机械的或其它的形式连接。
所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本发明实施例方案的目的。
另外，在本发明各个实施例中的各功能单元可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以是两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现，也可以采用软件功能单元的形式实现。
所述集成的单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个存储介质中。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分，或者该技术方案的全部或部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行本发明各个实施例所述方法的全部或部分步骤。而前述的存储介质包括：U盘、移动硬盘、只读存储器(ROM，Read-Only Memory)、磁碟或者光盘等各种可以存储程序代码的介质。
以上所述，仅为本发明的具体实施方式，但本发明的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，可轻易想到各种等效的修改或替换，这些修改或替换都应涵盖在本发明的保护范围之内。因此，本发明的保护范围应以权利要求的保护范围为准。
Claims (10)
1.一种保险费用计算方法，其特征在于，包括：
若检测到共享交通工具的已激活使用指令，获取使用者身份信息、共享交通工具类型、使用共享交通工具所产生的使用行为数据；
若共享交通工具类型为共享单车，获取共享单车的运营商名称及当前单车编号，将共享单车的运营商名称、使用者身份信息及使用行为数据作为预先构建的筛选模型的输入，得到单车使用正面因素数据、单车使用负面因素数据；
将单车使用正面因素数据、单车使用负面因素数据及当前单车编号对应的单车价值作为输入，输入至预先构建的共享单车保费计算模型，得到当前使用者对应的共享单车人身险保费。
2.根据权利要求1所述的保险费用计算方法，其特征在于，所述将单车使用正面因素数据、单车使用负面因素数据及单车编号对应的单车价值作为输入，输入至预先构建的共享单车保费计算模型，得到当前使用者对应的共享单车人身险保费之后，还包括：
若共享交通工具类型为共享汽车，获取共享汽车的运营商名称及当前汽车编号，将共享汽车的运营商名称、使用者身份信息及使用行为数据作为预先构建的筛选模型的输入，得到汽车使用正面因素数据、汽车使用负面因素数据；
将汽车使用正面因素数据、汽车使用负面因素数据及前汽车编号对应的汽车价值作为输入，输入至预先构建的共享汽车保费计算模型，得到当前使用者对应的共享汽车险保费。
3.根据权利要求1所述的保险费用计算方法，其特征在于，所述使用行为数据包括用车时长、用车时间、用车路线、用车事故记录和异常行为记录；
所述将共享单车的运营商名称、使用者身份信息及使用行为数据作为预先构建的筛选模型的输入，得到单车使用正面因素数据、单车使用负面因素数据，包括：
获取根据朴素贝叶斯算法对历史数据进行模型训练所构建的筛选模型；所述筛选模型用于判断输入数据是正面因素或是负面因素；
将共享单车的运营商名称、使用者身份信息所包括子信息、使用行为数据所包括子数据均作为筛选模型的输入，得到评价结果为正面因素的单车使用正面因素数据、及评价结果为负面因素的单车使用负面因素数据。
4.根据权利要求1所述的保险费用计算方法，其特征在于，所述将单车使用正面因素数据、单车使用负面因素数据及当前单车编号对应的单车价值作为输入中，选取单车使用正面因素数据权重值排在前N1位的正面因素数据，及选取单车使用负面因素数据权重值排在前N2位的负面因素数据作为输入；其中N1和N2均为正整数。
5.根据权利要求4所述的保险费用计算方法，其特征在于，所述根将单车使用正面因素数据、单车使用负面因素数据及当前单车编号对应的单车价值作为输入，输入至预先构建的共享单车保费计算模型中，所述共享单车保费计算模型为：
其中，单车使用正面因素数据权重值排在前N1位的正面因素数据记为Pf1-PfN1，单车使用负面因素数据权重值排在前N2位的正面因素数据记为Nf1-NfN1。
6.一种保险费用计算装置，其特征在于，包括：
使用数据获取单元，用于若检测到共享交通工具的已激活使用指令，获取使用者身份信息、共享交通工具类型、使用共享交通工具所产生的使用行为数据；
第一因素筛选单元，用于若共享交通工具类型为共享单车，获取共享单车的运营商名称及当前单车编号，将共享单车的运营商名称、使用者身份信息及使用行为数据作为预先构建的筛选模型的输入，得到单车使用正面因素数据、单车使用负面因素数据；
第一保费计算单元，用于将单车使用正面因素数据、单车使用负面因素数据及当前单车编号对应的单车价值作为输入，输入至预先构建的共享单车保费计算模型，得到当前使用者对应的共享单车人身险保费。
7.根据权利要求6所述的保险费用计算装置，其特征在于，还包括：
第二因素筛选单元，用于若共享交通工具类型为共享汽车，获取共享汽车的运营商名称及当前汽车编号，将共享汽车的运营商名称、使用者身份信息及使用行为数据作为预先构建的筛选模型的输入，得到汽车使用正面因素数据、汽车使用负面因素数据；
第二保费计算单元，用于将汽车使用正面因素数据、汽车使用负面因素数据及前汽车编号对应的汽车价值作为输入，输入至预先构建的共享汽车保费计算模型，得到当前使用者对应的共享汽车险保费。
8.根据权利要求6所述的保险费用计算装置，其特征在于，所述使用行为数据包括用车时长、用车时间、用车路线、用车事故记录和异常行为记录；
所述第一因素筛选单元包括：
筛选模型获取单元，用于获取根据朴素贝叶斯算法对历史数据进行模型训练所构建的筛选模型；所述筛选模型用于判断输入数据是正面因素或是负面因素；
数据筛选获取单元，用于将共享单车的运营商名称、使用者身份信息所包括子信息、使用行为数据所包括子数据均作为筛选模型的输入，得到评价结果为正面因素的单车使用正面因素数据、及评价结果为负面因素的单车使用负面因素数据。
9.一种计算机设备，包括存储器、处理器及存储在所述存储器上并可在所述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如权利要求1-5中任一项所述的保险费用计算方法。
10.一种存储介质，其特征在于，所述存储介质存储有计算机程序，所述计算机程序包括程序指令，所述程序指令当被处理器执行时使所述处理器执行如权利要求1-5任一项所述的保险费用计算方法。
Priority Applications (2)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201810145828.4A CN108335218A (zh) | 2018-02-12 | 2018-02-12 | 保险费用计算方法、装置、计算机设备及存储介质 |
| PCT/CN2018/084793 WO2019153534A1 (zh) | 2018-02-12 | 2018-04-27 | 保险费用计算方法、装置、计算机设备及存储介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201810145828.4A CN108335218A (zh) | 2018-02-12 | 2018-02-12 | 保险费用计算方法、装置、计算机设备及存储介质 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN108335218A true CN108335218A (zh) | 2018-07-27 |
Family
ID=62929297
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201810145828.4A Pending CN108335218A (zh) | 2018-02-12 | 2018-02-12 | 保险费用计算方法、装置、计算机设备及存储介质 |
Country Status (2)
| Country | Link |
|---|---|
| CN (1) | CN108335218A (zh) |
| WO (1) | WO2019153534A1 (zh) |
Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN103617450A (zh) * | 2013-11-22 | 2014-03-05 | 杭州车厘子智能科技有限公司 | 一种汽车共享方法及系统 |
| CN105631731A (zh) * | 2015-12-28 | 2016-06-01 | 广东顺德中山大学卡内基梅隆大学国际联合研究院 | 网络租车平台的车辆匹配系统 |
| US9396494B1 (en) * | 2013-03-14 | 2016-07-19 | Liberty Mutual Insurance Company | Carsharing peril analysis |
| CN106408420A (zh) * | 2016-02-24 | 2017-02-15 | 深圳嘟嘟智能科技有限公司 | 基于用户驾驶习惯的保险理赔评估方法及系统 |
| CN106952141A (zh) * | 2017-03-15 | 2017-07-14 | 杭州行我行网络有限公司 | 一种自行车租赁管理和清算系统及方法 |
| CN107527292A (zh) * | 2017-08-16 | 2017-12-29 | 芜湖恒天易开软件科技股份有限公司 | 下单购买保险系统 |
Family Cites Families (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN107483581B (zh) * | 2017-08-16 | 2020-02-14 | 珠海格力电器股份有限公司 | 共享设备的密码验证方法、共享设备、云端服务器及系统 |
-
2018
- 2018-02-12 CN CN201810145828.4A patent/CN108335218A/zh active Pending
- 2018-04-27 WO PCT/CN2018/084793 patent/WO2019153534A1/zh active Application Filing
Patent Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US9396494B1 (en) * | 2013-03-14 | 2016-07-19 | Liberty Mutual Insurance Company | Carsharing peril analysis |
| CN103617450A (zh) * | 2013-11-22 | 2014-03-05 | 杭州车厘子智能科技有限公司 | 一种汽车共享方法及系统 |
| CN105631731A (zh) * | 2015-12-28 | 2016-06-01 | 广东顺德中山大学卡内基梅隆大学国际联合研究院 | 网络租车平台的车辆匹配系统 |
| CN106408420A (zh) * | 2016-02-24 | 2017-02-15 | 深圳嘟嘟智能科技有限公司 | 基于用户驾驶习惯的保险理赔评估方法及系统 |
| CN106952141A (zh) * | 2017-03-15 | 2017-07-14 | 杭州行我行网络有限公司 | 一种自行车租赁管理和清算系统及方法 |
| CN107527292A (zh) * | 2017-08-16 | 2017-12-29 | 芜湖恒天易开软件科技股份有限公司 | 下单购买保险系统 |
Also Published As
| Publication number | Publication date |
|---|---|
| WO2019153534A1 (zh) | 2019-08-15 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN107798390B (zh) | 一种机器学习模型的训练方法、装置以及电子设备 | |
| CN107944772B (zh) | 基于区块链的车贷风险信息处理方法及装置 | |
| CN105678125B (zh) | 一种用户认证方法、装置 | |
| CN108062629A (zh) | 交易事件的处理方法、终端设备及介质 | |
| CN107784434A (zh) | 一种坐席任务的分配方法、存储介质和服务器 | |
| CN108256809A (zh) | 一种附加险的投保请求审核方法和装置 | |
| CN105187599B (zh) | 一种联系人信息管理方法及终端 | |
| CN109685336A (zh) | 催收任务分配方法、装置、计算机设备及存储介质 | |
| CN109816532B (zh) | 一种基于区块链技术的资产数字化锚定系统 | |
| CN108876522A (zh) | 车辆监控方法、装置和计算机可读存储介质 | |
| CN109600336A (zh) | 存储设备、验证码应用方法和装置 | |
| CN108109275A (zh) | 一种共享单车的控制方法、装置和系统 | |
| CN106953738A (zh) | 风险控制方法及装置 | |
| CN110245875A (zh) | 欺诈风险评估方法、装置、设备及存储介质 | |
| CN107392184A (zh) | 人脸识别验证方法和装置 | |
| CN108230159A (zh) | 一种理赔请求处理方法和装置 | |
| CN109191180A (zh) | 评价的获取方法及装置 | |
| CN109242501A (zh) | 启动支付方法、装置、可穿戴设备及计算机可读存储介质 | |
| CN105632181B (zh) | 停车场管理方法及装置 | |
| CN108629014A (zh) | 一种数据处理方法、装置、计算机设备及存储介质 | |
| CN108335191A (zh) | 金融账户的开户方法、金融服务系统端及计算机存储介质 | |
| CN104704521B (zh) | 多因素简档和安全指纹分析 | |
| CN107944873A (zh) | 一种移动支付方法及装置 | |
| CN108108974A (zh) | 支付方法及装置和电子设备 | |
| CN110991837A (zh) | 一种网约车交易数据处理方法、装置及系统 |
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 | ||
| RJ01 | Rejection of invention patent application after publication | ||
| RJ01 | Rejection of invention patent application after publication |
Application publication date: 20180727 |