CN108460685A - 用于挖掘车险风险因子之间的关联规则的方法和装置 - Google Patents
用于挖掘车险风险因子之间的关联规则的方法和装置 Download PDFInfo
- Publication number
- CN108460685A CN108460685A CN201710096388.3A CN201710096388A CN108460685A CN 108460685 A CN108460685 A CN 108460685A CN 201710096388 A CN201710096388 A CN 201710096388A CN 108460685 A CN108460685 A CN 108460685A
- Authority
- CN
- China
- Prior art keywords
- assumptions
- risks
- correlation rule
- training sample
- sample set
- 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
- 238000000034 method Methods 0.000 title claims abstract description 19
- 238000012549 training Methods 0.000 claims abstract description 39
- 230000006855 networking Effects 0.000 claims abstract description 29
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 27
- 238000007405 data analysis Methods 0.000 claims abstract description 10
- 239000000284 extract Substances 0.000 claims abstract description 9
- 239000011159 matrix material Substances 0.000 claims description 12
- 238000013480 data collection Methods 0.000 claims description 6
- 238000003745 diagnosis Methods 0.000 claims description 6
- 238000012545 processing Methods 0.000 claims description 6
- 238000000605 extraction Methods 0.000 claims description 3
- 206010039203 Road traffic accident Diseases 0.000 description 12
- 230000006870 function Effects 0.000 description 5
- 238000007616 round robin method Methods 0.000 description 4
- 238000010586 diagram Methods 0.000 description 3
- 230000001133 acceleration Effects 0.000 description 1
- 238000009412 basement excavation Methods 0.000 description 1
- 230000015572 biosynthetic process Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000002360 preparation method Methods 0.000 description 1
- 230000001737 promoting effect Effects 0.000 description 1
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
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/063—Operations research, analysis or management
- G06Q10/0635—Risk analysis of enterprise or organisation activities
-
- 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
- G06Q30/00—Commerce
- G06Q30/02—Marketing; Price estimation or determination; Fundraising
- G06Q30/0283—Price estimation or determination
-
- 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
本发明提供了一种用于挖掘车险风险因子之间的关联规则的方法，包括以下步骤：步骤S1、根据传统风险因子和车联网新增风险因子，将驾驶者信息和车辆信息进行关联，形成训练样本集；以及步骤S2、使用Apriori算法对训练样本集进行分析，得到传统风险因子和车联网新增风险因子之间具有关联的对象的集合。在本发明中，对车险行业保险定价相关的传统风险因子和车联网新增风险因子包含的大量变量之间可能存在着的联系，基于大数据分析，应用Apriori算法，得到满足最小支持度数和最小置信度数的关联规则的对象，并提取我们感兴趣的子集用于后续业务分析。
Description
技术领域
本发明涉及汽车领域，尤其涉及一种用于挖掘车险风险因子之间的关联规则的方法和装置。
背景技术
随着城市化的不断深入和推进，城市越来越拥挤，越来越多的家庭拥有了自己的车。在汽车保险中，保险定价的风险分类主要有从人因素、从车因素和道路环境因素。由此各国汽车保险的费率模式基本上可以划分为两大类，即从车费率模式和从人费率模式。
从车费率模式是指在确定保险费率的过程中主要以被保险车辆的风险因子作为影响费率确定因素的模式。从车费率模式具有体系简单，易于操作的特点。但是，从车费率模式的缺陷是显而易见的，因为在汽车的使用过程中对于风险的影响起到决定作用的是与车辆驾驶人有关的风险因子。
从人费率模式是指在确定保险费率的过程中主要以被保险车辆驾驶人的风险因子作为影响费率确定因素的模式。在从人费率模式中，从人因素包括传统风险因子和车联网新增风险因子。传统风险因子包括：驾驶人年龄、性别、驾龄、交通违章记录等。随着车联网的发展，车辆的驾驶数据可以上传到后台服务器，车联网新增风险因子包括行驶速度的平均值和方差，急加速、急减速和急转弯次数或频率，超速驾驶里程、时长、次数，疲劳驾驶里程、时长、次数，高峰时段驾驶里程、时长、次数，深夜时段驾驶里程、时长、次数，恶劣天气驾驶里程、时长、次数，恶劣路况驾驶里程、时长、次数等。因此，如果能够挖掘两者之间的关联规则，对于保险公司精确计算客户风险、细分客户群体将大有帮助。
发明内容
本发明的目的在于提供一种用于挖掘车险风险因子之间的关联规则的方法和装置以考察各因子的组合，挖掘之间的关联规则。
一方面，本发明实施例提供一种用于挖掘车险风险因子之间的关联规则的方法，包括以下步骤：
步骤S1、根据传统风险因子和车联网新增风险因子，将驾驶者信息和车辆信息进行关联，形成训练样本集；以及
步骤S2、使用Apriori算法对所述训练样本集进行分析，得到所述传统风险因子和所述车联网新增风险因子之间具有关联的对象的集合。
优选地，所述步骤S1包括：
步骤S11、将所述驾驶者信息和所述车辆信息进行关联，进行聚合统计操作；
步骤S12、以所述驾驶者信息和所述车辆信息为单位，整合车载智能终端上报的数据集、天气数据集、交通违章记录数据集、驾驶者和车辆基本资料数据集、保险公司理赔事宜数据集，形成所述训练样本集。
优选地，在所述步骤S1和所述步骤S2之间还包括：
将数值型表示的所述训练样本集转化成布尔型，并用稀疏矩阵表示。
优选地，所述步骤S2包括：
步骤S21、设定最小支持度数和最小置信度数；
步骤S22、对表示成稀疏矩阵的训练样本集应用Apriori算法获得支持度值，得到满足所述最小支持度数的对象；
步骤S23、对满足所述最小支持度数的对象进行Apriori计算，获得置信度值，得到满足所述最小置信度数的对象，并产生相应的关联规则集合；
步骤S24、对关联规则集合的对象排序，提取感兴趣的子集进行业务分析。
相应地，本发明还提供一种用于挖掘车险风险因子之间的关联规则的装置，包括：
训练样本集形成模块，用于根据传统风险因子和车联网新增风险因子，将驾驶者信息和车辆信息进行关联，形成训练样本集；
数据分析模块，用于使用Apriori算法对所述训练样本集进行分析，得到所述传统风险因子和所述车联网新增风险因子之间具有关联的对象的集合。
优选地，所述训练样本集形成模块包括：
处理单元，用于将所述驾驶者信息和所述车辆信息进行关联，进行聚合统计操作；
分析单元，用于以所述驾驶者信息和所述车辆信息为单位，整合车载智能终端上报的数据集、天气数据集、交通违章记录数据集、驾驶者和车辆基本资料数据集、保险公司理赔事宜数据集，形成所述训练样本集。
优选地，还包括数据处理模块，用于将数值型表示的所述训练样本集转化成布尔型，并用稀疏矩阵表示。
优选地，所述数据分析模块包括：
设定单元，用于设定最小支持度数和最小置信度数；
算法应用单元，用于对表示成稀疏矩阵的训练样本集应用Apriori算法获得支持度值，得到满足所述最小支持度数的对象，还用于对满足所述最小支持度数的对象进行Apriori计算，获得置信度值，得到满足所述最小置信度数的对象，并产生相应的关联规则集合；
提取单元，用于对关联规则集合的对象排序，提取感兴趣的子集进行业务分析。
实施本发明实施例，具有如下有益效果：在本发明中，对车险行业保险定价相关的传统风险因子和车联网新增风险因子包含的大量变量之间可能存在着的联系，基于大数据分析，应用Apriori算法，得到满足最小支持度数和最小置信度数的关联规则的对象，并提取我们感兴趣的子集用于后续业务分析。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，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是本发明实施例一提供的用于挖掘车险风险因子之间的关联规则的方法的流程示意图；
图2是图1所示的步骤S1中的流程示意图；
图3是图1所示的步骤S2中的流程示意图；
图4是本发明实施例二提供的用于挖掘车险风险因子之间的关联规则的装置的原理图。
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作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。
实施例一
本发明实施例提供了一种用于挖掘车险风险因子之间的关联规则的方法，参见图1，该用于挖掘车险风险因子之间的关联规则的方法可以包括以下步骤：
步骤S1、根据传统风险因子和车联网新增风险因子，将驾驶者信息和车辆信息进行关联，形成训练样本集；
具体地，参见图2，在本实施例中，准备初始的训练样本的方法包括以下步骤：
步骤S11、将所述驾驶者信息和所述车辆信息进行关联，进行聚合统计操作；
步骤S12、以所述驾驶者信息和所述车辆信息为单位，整合车载智能终端上报的数据集、天气数据集、交通违章记录数据集、驾驶者和车辆基本资料数据集、保险公司理赔事宜数据集，形成所述训练样本集。
步骤S2、使用Apriori算法对所述训练样本集进行分析，得到所述传统风险因子和所述车联网新增风险因子之间具有关联的对象的集合。
Apriori算法是挖掘产生布尔关联规则所需频繁项集的基本算法，该算法利用了一个层次顺序搜索的循环方法来完成频繁项集的挖掘工作。这一循环方法就是利用k-项集来产生(k+1)-项集。Apriori算法利用了一个重要性质，又称为Apriori性质来帮助有效缩小频繁项集的搜索空间。
若将传统风险因子和车联网新增风险因子包含的各项因子设为一个集合，每个因子均为一个布尔值(真/假)的变量以描述该因子是否对发生交通事故有影响。因此所有因子针对每次交通事故的产生都能用一个布尔向量来表示。分析相应的布尔向量就可以获得哪些因子是伴随(关联)发生的。
因此，在步骤S1和S2之间还包括：
将数值型表示的所述训练样本集转化成布尔型，并用稀疏矩阵表示。
进一步地，参见图3，在本实施例中，应用Apriori算法进行分析的方法包括以下步骤：
步骤S21、设定最小支持度数和最小置信度数；
支持度：支持度是指风险因子在所有交通事故中发生的频率。比如传统风险因子A(驾驶人性别女)和车联网新增风险因子B(疲劳驾驶里程达到100公里)在200次交通事故中有同时发生的记录，而分析总共牵涉到1000次交通事故，那么传统风险因子A(驾驶人性别女)和车联网新增风险因子B(疲劳驾驶里程达到100公里)同时发生这一关系的支持度是20％。
支持度阈值：支持度阈值就是规定了挖掘结果所要求达到的最小支持度。支持度阈值定的越低，条件越宽容，应该有较多挖掘结果。如果结果低于置信度阀值，将没有挖掘结果可输出。
置信度：置信度是指不同风险因子同时发生的频率。比如存在传统风险因子A(驾驶人性别女)所在的交通事故中80％同时发生存在车联网新增风险因子B(疲劳驾驶里程达到100公里)，那么传统风险因子A(驾驶人性别女)和车联网新增风险因子B(疲劳驾驶里程达到100公里)同时存在这一关系的置信度是80％。
置信度阈值：置信度阈值就是规定了挖掘结果所要求达到的最小置信度。置信度阈值定的越低，条件越宽容，应该有较多挖掘结果。如果结果低于置信度阀值，将没有挖掘结果可输出。
步骤S22、对表示成稀疏矩阵的训练样本集应用Apriori算法获得支持度值，得到满足所述最小支持度数的对象；
步骤S23、对满足所述最小支持度数的对象进行Apriori计算，获得置信度值，得到满足所述最小置信度数的对象，并产生相应的关联规则集合；
步骤S24、对关联规则集合的对象排序，提取感兴趣的子集进行业务分析。
本实施例对车险行业保险定价相关的传统风险因子和车联网新增风险因子包含的大量变量之间可能存在着的联系，基于大数据分析，应用Apriori算法，得到满足最小支持度数和最小置信度数的关联规则的对象，并提取我们感兴趣的子集用于后续业务分析。
实施例二
图4是本发明实施例二提供的用于挖掘车险风险因子之间的关联规则的装置的原理图。具体地，参见图4，用于挖掘车险风险因子之间的关联规则的装置包括：
训练样本集形成模块10，用于根据传统风险因子和车联网新增风险因子，将驾驶者信息和车辆信息进行关联，形成训练样本集；
所述训练样本集形成模块10包括：
处理单元，用于将所述驾驶者信息和所述车辆信息进行关联，进行聚合统计操作；
分析单元，用于以所述驾驶者信息和所述车辆信息为单位，整合车载智能终端上报的数据集、天气数据集、交通违章记录数据集、驾驶者和车辆基本资料数据集、保险公司理赔事宜数据集，形成所述训练样本集。
数据分析模块20，用于使用Apriori算法对所述训练样本集进行分析，得到所述传统风险因子和所述车联网新增风险因子之间具有关联的对象的集合。
Apriori算法是挖掘产生布尔关联规则所需频繁项集的基本算法，该算法利用了一个层次顺序搜索的循环方法来完成频繁项集的挖掘工作。这一循环方法就是利用k-项集来产生(k+1)-项集。Apriori算法利用了一个重要性质，又称为Apriori性质来帮助有效缩小频繁项集的搜索空间。
若将传统风险因子和车联网新增风险因子包含的各项因子设为一个集合，每个因子均为一个布尔值(真/假)的变量以描述该因子是否对发生交通事故有影响。因此所有因子针对每次交通事故的产生都能用一个布尔向量来表示。分析相应的布尔向量就可以获得哪些因子是伴随(关联)发生的。
因此，还包括数据处理模块，用于将数值型表示的所述训练样本集转化成布尔型，并用稀疏矩阵表示。
所述数据分析模块包括：
设定单元，用于设定最小支持度数和最小置信度数；
算法应用单元，用于对表示成稀疏矩阵的训练样本集应用Apriori算法获得支持度值，得到满足所述最小支持度数的对象，还用于对满足所述最小支持度数的对象进行Apriori计算，获得置信度值，得到满足所述最小置信度数的对象，并产生相应的关联规则集合；
提取单元，用于对关联规则集合的对象排序，提取感兴趣的子集进行业务分析。
支持度：支持度是指风险因子在所有交通事故中发生的频率。比如传统风险因子A(驾驶人性别女)和车联网新增风险因子B(疲劳驾驶里程达到100公里)在200次交通事故中有同时发生的记录，而分析总共牵涉到1000次交通事故，那么传统风险因子A(驾驶人性别女)和车联网新增风险因子B(疲劳驾驶里程达到100公里)同时发生这一关系的支持度是20％。
支持度阈值：支持度阈值就是规定了挖掘结果所要求达到的最小支持度。支持度阈值定的越低，条件越宽容，应该有较多挖掘结果。如果结果低于置信度阀值，将没有挖掘结果可输出。
置信度：置信度是指不同风险因子同时发生的频率。比如存在传统风险因子A(驾驶人性别女)所在的交通事故中80％同时发生存在车联网新增风险因子B(疲劳驾驶里程达到100公里)，那么传统风险因子A(驾驶人性别女)和车联网新增风险因子B(疲劳驾驶里程达到100公里)同时存在这一关系的置信度是80％。
置信度阈值：置信度阈值就是规定了挖掘结果所要求达到的最小置信度。置信度阈值定的越低，条件越宽容，应该有较多挖掘结果。如果结果低于置信度阀值，将没有挖掘结果可输出。
本实施例对车险行业保险定价相关的传统风险因子和车联网新增风险因子包含的大量变量之间可能存在着的联系，基于大数据分析，应用Apriori算法，得到满足最小支持度数和最小置信度数的关联规则的对象，并提取我们感兴趣的子集用于后续业务分析。
需要说明的是：上述实施例提供的用于挖掘车险风险因子之间的关联规则的装置在实现用于挖掘车险风险因子之间的关联规则的方法时，仅以上述各功能模块的划分进行举例说明，实际应用中，可以根据需要而将上述功能分配由不同的功能模块完成，即将设备的内部结构划分成不同的功能模块，以完成以上描述的全部或者部分功能。另外，上述实施例提供的用于挖掘车险风险因子之间的关联规则的装置与用于挖掘车险风险因子之间的关联规则的方法实施例属于同一构思，其具体实现过程详见方法实施例，这里不再赘述。
本领域普通技术人员可以理解实现上述实施例的全部或部分步骤可以通过硬件来完成，也可以通过程序来指令相关的硬件完成，所述的程序可以存储于一种计算机可读存储介质中，上述提到的存储介质可以是只读存储器，磁盘或光盘等。
以上所揭露的仅为本发明一种较佳实施例而已，当然不能以此来限定本发明之权利范围，本领域普通技术人员可以理解实现上述实施例的全部或部分流程，并依本发明权利要求所作的等同变化，仍属于发明所涵盖的范围。
Claims (8)
1.一种用于挖掘车险风险因子之间的关联规则的方法，其特征在于，包括以下步骤：
步骤S1、根据传统风险因子和车联网新增风险因子，将驾驶者信息和车辆信息进行关联，形成训练样本集；以及
步骤S2、使用Apriori算法对所述训练样本集进行分析，得到所述传统风险因子和所述车联网新增风险因子之间具有关联的对象的集合。
2.根据权利要求1所述的用于挖掘车险风险因子之间的关联规则的方法，其特征在于，所述步骤S1包括：
步骤S11、将所述驾驶者信息和所述车辆信息进行关联，进行聚合统计操作；
步骤S12、以所述驾驶者信息和所述车辆信息为单位，整合车载智能终端上报的数据集、天气数据集、交通违章记录数据集、驾驶者和车辆基本资料数据集、保险公司理赔事宜数据集，形成所述训练样本集。
3.根据权利要求2所述的用于挖掘车险风险因子之间的关联规则的方法，其特征在于，在所述步骤S1和所述步骤S2之间还包括：
将数值型表示的所述训练样本集转化成布尔型，并用稀疏矩阵表示。
4.根据权利要求3所述的用于挖掘车险风险因子之间的关联规则的方法，其特征在于，所述步骤S2包括：
步骤S21、设定最小支持度数和最小置信度数；
步骤S22、对表示成稀疏矩阵的训练样本集应用Apriori算法获得支持度值，得到满足所述最小支持度数的对象；
步骤S23、对满足所述最小支持度数的对象进行Apriori计算，获得置信度值，得到满足所述最小置信度数的对象，并产生相应的关联规则集合；
步骤S24、对关联规则集合的对象排序，提取感兴趣的子集进行业务分析。
5.一种用于挖掘车险风险因子之间的关联规则的装置，其特征在于，包括：
训练样本集形成模块，用于根据传统风险因子和车联网新增风险因子，将驾驶者信息和车辆信息进行关联，形成训练样本集；
数据分析模块，用于使用Apriori算法对所述训练样本集进行分析，得到所述传统风险因子和所述车联网新增风险因子之间具有关联的对象的集合。
6.根据权利要求5所述的用于挖掘车险风险因子之间的关联规则的装置，其特征在于，所述训练样本集形成模块包括：
处理单元，用于将所述驾驶者信息和所述车辆信息进行关联，进行聚合统计操作；
分析单元，用于以所述驾驶者信息和所述车辆信息为单位，整合车载智能终端上报的数据集、天气数据集、交通违章记录数据集、驾驶者和车辆基本资料数据集、保险公司理赔事宜数据集，形成所述训练样本集。
7.根据权利要求6所述的用于挖掘车险风险因子之间的关联规则的装置，其特征在于，还包括数据处理模块，用于将数值型表示的所述训练样本集转化成布尔型，并用稀疏矩阵表示。
8.根据权利要求7所述的用于挖掘车险风险因子之间的关联规则的装置，其特征在于，所述数据分析模块包括：
设定单元，用于设定最小支持度数和最小置信度数；
算法应用单元，用于对表示成稀疏矩阵的训练样本集应用Apriori算法获得支持度值，得到满足所述最小支持度数的对象，还用于对满足所述最小支持度数的对象进行Apriori计算，获得置信度值，得到满足所述最小置信度数的对象，并产生相应的关联规则集合；
提取单元，用于对关联规则集合的对象排序，提取感兴趣的子集进行业务分析。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201710096388.3A CN108460685A (zh) | 2017-02-22 | 2017-02-22 | 用于挖掘车险风险因子之间的关联规则的方法和装置 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201710096388.3A CN108460685A (zh) | 2017-02-22 | 2017-02-22 | 用于挖掘车险风险因子之间的关联规则的方法和装置 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN108460685A true CN108460685A (zh) | 2018-08-28 |
Family
ID=63220741
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201710096388.3A Pending CN108460685A (zh) | 2017-02-22 | 2017-02-22 | 用于挖掘车险风险因子之间的关联规则的方法和装置 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN108460685A (zh) |
Cited By (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109120634A (zh) * | 2018-09-05 | 2019-01-01 | 广州视源电子科技股份有限公司 | 一种端口扫描检测的方法、装置、计算机设备和存储介质 |
| CN109993661A (zh) * | 2019-04-04 | 2019-07-09 | 凯泰铭科技（北京）有限公司 | 一种保险理赔数据分析方法和系统 |
| CN112288334A (zh) * | 2020-11-27 | 2021-01-29 | 上海评驾科技有限公司 | 一种基于lightgbm的车联网风险因子的提取方法 |
| CN112579658A (zh) * | 2019-09-27 | 2021-03-30 | 深圳市赛格车圣智联科技有限公司 | 一种多进程分析车辆昼伏夜出的方法 |
| CN113178071A (zh) * | 2021-04-22 | 2021-07-27 | 深圳壹账通智能科技有限公司 | 驾驶风险等级识别方法、装置、电子设备及可读存储介质 |
| 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 |
Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN104318477A (zh) * | 2014-11-11 | 2015-01-28 | 西红柿科技（武汉）有限公司 | 一种基于大数据的车辆保险评估的方法 |
| 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 |
-
2017
- 2017-02-22 CN CN201710096388.3A patent/CN108460685A/zh active Pending
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 |
| CN104318477A (zh) * | 2014-11-11 | 2015-01-28 | 西红柿科技（武汉）有限公司 | 一种基于大数据的车辆保险评估的方法 |
Non-Patent Citations (1)
| Title |
|---|
| 陈福生;李敏;: "关联规则向量化挖掘算法及其在车险精算中的应用", vol. 20, no. 20, pages 42 - 50 * |
Cited By (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109120634A (zh) * | 2018-09-05 | 2019-01-01 | 广州视源电子科技股份有限公司 | 一种端口扫描检测的方法、装置、计算机设备和存储介质 |
| CN109120634B (zh) * | 2018-09-05 | 2021-02-05 | 广州视源电子科技股份有限公司 | 一种端口扫描检测的方法、装置、计算机设备和存储介质 |
| CN109993661A (zh) * | 2019-04-04 | 2019-07-09 | 凯泰铭科技（北京）有限公司 | 一种保险理赔数据分析方法和系统 |
| CN112579658A (zh) * | 2019-09-27 | 2021-03-30 | 深圳市赛格车圣智联科技有限公司 | 一种多进程分析车辆昼伏夜出的方法 |
| CN112288334A (zh) * | 2020-11-27 | 2021-01-29 | 上海评驾科技有限公司 | 一种基于lightgbm的车联网风险因子的提取方法 |
| CN112288334B (zh) * | 2020-11-27 | 2024-04-16 | 上海评驾科技有限公司 | 一种基于lightgbm的车联网风险因子的提取方法 |
| CN113178071A (zh) * | 2021-04-22 | 2021-07-27 | 深圳壹账通智能科技有限公司 | 驾驶风险等级识别方法、装置、电子设备及可读存储介质 |
| 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 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN108460685A (zh) | 用于挖掘车险风险因子之间的关联规则的方法和装置 | |
| US20240119536A1 (en) | Vehicle operation analytics, feedback, and enhancement | |
| CN109448369B (zh) | 高速公路实时运行风险计算方法 | |
| CN103971523B (zh) | 一种山区道路交通安全动态预警系统 | |
| CN102136190B (zh) | 城市公交客运事件应急响应调度管理系统及方法 | |
| Jiang et al. | Investigating macro-level hotzone identification and variable importance using big data: A random forest models approach | |
| CN104867327B (zh) | 一种驾驶安全监测方法及装置 | |
| CN109493566B (zh) | 一种基于gps数据的疲劳驾驶预测方法 | |
| CN113155173B (zh) | 感知性能评测方法、装置、电子装置和存储介质 | |
| CN103247091A (zh) | 一种驾驶评价系统及方法 | |
| Lv et al. | Automatic vehicle-pedestrian conflict identification with trajectories of road users extracted from roadside LiDAR sensors using a rule-based method | |
| CN110304068B (zh) | 汽车行驶环境信息的采集方法、装置、设备和存储介质 | |
| CN101465059A (zh) | 城市道路交通安全态势鉴判预警系统 | |
| CN105654574A (zh) | 基于车载设备的驾驶行为评估方法及装置 | |
| CN111144446B (zh) | 一种基于时空网格的司机身份识别方法和系统 | |
| Yuan et al. | A roadway safety sustainable approach: modeling for real-time traffic crash with limited data and its reliability verification | |
| Gitelman et al. | Exploring relationships between driving events identified by in-vehicle data recorders, infrastructure characteristics and road crashes | |
| Hosseinian et al. | Presentation of analytical methods for better decision making about the most important factor influencing rural accidents | |
| CN109360417A (zh) | 一种基于区块链的危险驾驶行为辨识与推送方法及系统 | |
| CN115797403A (zh) | 交通事故预测方法和装置、存储介质及电子设备 | |
| Mohammed et al. | A landscape of research on bus driver behavior: taxonomy, open challenges, motivations, recommendations, limitations, and pathways solution in future | |
| Yarlagadda et al. | Heterogeneity in the driver behavior: an exploratory study using real-time driving data | |
| Marukatat | Structure-based rule selection framework for association rule mining of traffic accident data | |
| CN116753938A (zh) | 车辆测试场景生成方法、装置、存储介质及设备 | |
| CN111860048A (zh) | 智能化道路信息分析方法 |
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 |