CN108492053A - 驾驶员风险评估模型训练、风险评估方法和装置 - Google Patents
驾驶员风险评估模型训练、风险评估方法和装置 Download PDFInfo
- Publication number
- CN108492053A CN108492053A CN201810319376.7A CN201810319376A CN108492053A CN 108492053 A CN108492053 A CN 108492053A CN 201810319376 A CN201810319376 A CN 201810319376A CN 108492053 A CN108492053 A CN 108492053A
- Authority
- CN
- China
- Prior art keywords
- data
- driver
- assessed
- model
- scoring
- 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
- G06Q10/06—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
- G06Q40/00—Finance; Insurance; Tax strategies; Processing of corporate or income taxes
- G06Q40/08—Insurance
Landscapes
- Business, Economics & Management (AREA)
- Engineering & Computer Science (AREA)
- Human Resources & Organizations (AREA)
- Strategic Management (AREA)
- Economics (AREA)
- Entrepreneurship & Innovation (AREA)
- General Business, Economics & Management (AREA)
- Finance (AREA)
- Development Economics (AREA)
- Marketing (AREA)
- Accounting & Taxation (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Physics & Mathematics (AREA)
- Educational Administration (AREA)
- Tourism & Hospitality (AREA)
- Quality & Reliability (AREA)
- Operations Research (AREA)
- Game Theory and Decision Science (AREA)
- Technology Law (AREA)
- Financial Or Insurance-Related Operations Such As Payment And Settlement (AREA)
- Control Of Driving Devices And Active Controlling Of Vehicle (AREA)
- Traffic Control Systems (AREA)
Abstract
本申请涉及一种驾驶员风险评估模型训练、风险评估方法和装置。由于驾驶员的模型所需维度对应的数据是从包含多种数据源中得到的,其中的数据源包括GPS数据,车载盒子数据,交通数据,天气数据,驾驶员数据,地图数据和出险数据,数据源非常丰富,基于此,用于评估的数据更加全面,训练得到的机器学习分类模型输出的驾驶员的类别以及评分,可以反映每类驾驶员的等级,又由于数据源中包含了出险数据,驾驶员的评分是通过对所述驾驶员模型的每个维度的数据赋予权重综合计算得到的,因而得到的驾驶员的类别和评分更加准确,所以据此模型而定的车险定价也更加准确。
Description
技术领域
本申请涉及驾驶员风险评估技术领域,尤其涉及一种驾驶员风险评估模型训练、风险评估方法和装置。
背景技术
随着道路车辆的增多,道路上的交通事故频繁发生。为减少损失,大多车辆都参与了车险。相关技术中,有基于驾驶员行为而定保费的车险,目前的车险定价时,由于所参考的数据源单一,如仅包含手机全球定位系统(Global Positioning System,GPS)数据,且数据采集率低,无法对车险准确定价。
发明内容
为至少在一定程度上克服相关技术中存在的问题,本申请提供一种驾驶员风险评估模型训练、风险评估方法和装置。
根据本申请实施例的第一方面,提供一种驾驶员风险评估模型训练方法,包括:
获取样本数据;所述样本数据中包含多种数据源,每种数据源中至少包含一个维度的数据;所述多种数据源包括GPS数据,车载盒子数据,交通数据,天气数据,驾驶员数据,地图数据和出险数据;
确定驾驶员模型所需维度;
从所述样本数据中筛选所述所需维度对应的数据,得到驾驶员模型;
将所述驾驶员模型的数据输入机器学习分类模型进行训练得到驾驶员风险评估模型,输出不同类别的驾驶员以及驾驶员的评分;所述驾驶员的评分反映每类驾驶员的等级,所述驾驶员的评分是通过对所述驾驶员模型的每个维度的数据赋予权重综合计算得到的。
较佳地,所述机器学习分类模型为LR模型或者GBDT模型。
根据本申请实施例的第二方面,提供一种驾驶员风险评估方法,包括:
按照预设的驾驶员模型所需维度,获取待评估驾驶员每个维度的数据,得到待评估数据;所述待评估数据的数据源包含多种数据源,每种数据源中至少包含一个维度的数据;所述多种数据源包括GPS数据,车载盒子数据,交通数据,天气数据,驾驶员数据,地图数据和出险数据;
将获取的待评估驾驶员的待评估数据输入到如以上任一项所述的方法训练的驾驶员风险评估模型中,输出待评估驾驶员的类别以及待评估驾驶员的评分。
较佳地,所述方法还包括:
根据输出的待评估驾驶员的类别以及待评估驾驶员的评分,确定所述待评估驾驶员的车险产品。
较佳地,驾驶员的评分越低,驾驶员的风险越高;所述方法还包括:当输出的所述待评估驾驶员的评分低于预设阈值时,发出报警提示。
根据本申请实施例的第三方面,提供一种驾驶员风险评估模型训练装置,包括:
样本获取模块,用于获取样本数据;所述样本数据中包含多种数据源,每种数据源中至少包含一个维度的数据;所述多种数据源包括GPS数据,车载盒子数据,交通数据,天气数据,驾驶员数据,地图数据和出险数据;
维度确定模块,用于确定驾驶员模型所需维度;
驾驶员模型建立模块,用于从所述样本数据中筛选所述所需维度对应的数据,得到驾驶员模型;
训练模块,用于将所述驾驶员模型的数据输入机器学习分类模型进行训练得到驾驶员风险评估模型,输出不同类别的驾驶员以及驾驶员的评分;所述驾驶员的评分反映每类驾驶员的等级,所述驾驶员的评分是通过对所述驾驶员模型的每个维度的数据赋予权重综合计算得到的。
较佳地,所述机器学习分类模型为LR模型或者GBDT模型。
根据本申请实施例的第四方面,提供一种驾驶员风险评估装置,包括:
数据获取模块,用于按照预设的驾驶员模型所需维度,获取待评估驾驶员每个维度的数据,得到待评估数据;所述待评估数据的数据源包含多种数据源,每种数据源中至少包含一个维度的数据;所述多种数据源包括GPS数据,车载盒子数据,交通数据,天气数据,驾驶员数据,地图数据和出险数据;
评估模块,用于将获取的待评估驾驶员的待评估数据输入到如以上任一项所述的方法建立的驾驶员风险评估模型中,输出待评估驾驶员的类别以及待评估驾驶员的评分。
较佳地,所述装置还包括:
保费确定模块,用于根据输出的待评估驾驶员的类别以及待评估驾驶员的评分,确定所述待评估驾驶员的车险产品。
较佳地,驾驶员的评分越低,驾驶员的风险越高;所述装置还包括报警模块,用于当输出的所述待评估驾驶员的评分低于预设阈值时,发出报警提示。
根据本申请实施例的第五方面,提供一种非临时性计算机可读存储介质,当所述存储介质中的指令由终端的处理器执行时,使得终端能够执行一种驾驶员风险评估模型训练方法,所述方法包括:
获取样本数据;所述样本数据中包含多种数据源,每种数据源中至少包含一个维度的数据;所述多种数据源包括GPS数据,车载盒子数据,交通数据,天气数据,驾驶员数据,地图数据和出险数据;
确定驾驶员模型所需维度;
从所述样本数据中筛选所述所需维度对应的数据,得到驾驶员模型;
将所述驾驶员模型的数据输入机器学习分类模型进行训练得到驾驶员风险评估模型,输出不同类别的驾驶员以及驾驶员的评分;所述驾驶员的评分反映每类驾驶员的等级,所述驾驶员的评分是通过对所述驾驶员模型的每个维度的数据赋予权重综合计算得到的。
较佳地,所述机器学习分类模型为LR模型或者GBDT模型。
根据本申请实施例的第六方面,提供一种驾驶员风险评估模型训练装置,包括:处理器;用于存储处理器可执行指令的存储器;其中,所述处理器被配置为:获取样本数据;所述样本数据中包含多种数据源,每种数据源中至少包含一个维度的数据;所述多种数据源包括GPS数据,车载盒子数据,交通数据,天气数据,驾驶员数据,地图数据和出险数据;
确定驾驶员模型所需维度;
从所述样本数据中筛选所述所需维度对应的数据,得到驾驶员模型;
将所述驾驶员模型的数据输入机器学习分类模型进行训练得到驾驶员风险评估模型,输出不同类别的驾驶员以及驾驶员的评分;所述驾驶员的评分反映每类驾驶员的等级,所述驾驶员的评分是通过对所述驾驶员模型的每个维度的数据赋予权重综合计算得到的。
较佳地,所述机器学习分类模型为LR模型或者GBDT模型。
根据本申请实施例的第七方面,提供一种非临时性计算机可读存储介质,当所述存储介质中的指令由终端的处理器执行时,使得终端能够执行一种驾驶员风险评估方法,所述方法包括:
按照预设的驾驶员模型所需维度,获取待评估驾驶员每个维度的数据,得到待评估数据;所述待评估数据的数据源包含多种数据源,每种数据源中至少包含一个维度的数据;所述多种数据源包括GPS数据,车载盒子数据,交通数据,天气数据,驾驶员数据,地图数据和出险数据;
将获取的待评估驾驶员的待评估数据输入到如以上任一项所述的方法训练的驾驶员风险评估模型中,输出待评估驾驶员的类别以及待评估驾驶员的评分。
较佳地,所述方法还包括:
根据输出的待评估驾驶员的类别以及待评估驾驶员的评分,确定所述待评估驾驶员的车险产品。
较佳地,驾驶员的评分越低,驾驶员的风险越高;所述方法还包括:当输出的所述待评估驾驶员的评分低于预设阈值时,发出报警提示。
根据本申请实施例的第八方面,提供一种驾驶员风险评估装置,包括:处理器;用于存储处理器可执行指令的存储器;其中,所述处理器被配置为:
按照预设的驾驶员模型所需维度,获取待评估驾驶员每个维度的数据,得到待评估数据;所述待评估数据的数据源包含多种数据源,每种数据源中至少包含一个维度的数据;所述多种数据源包括GPS数据,车载盒子数据,交通数据,天气数据,驾驶员数据,地图数据和出险数据;
将获取的待评估驾驶员的待评估数据输入到如以上任一项所述的方法训练的驾驶员风险评估模型中,输出待评估驾驶员的类别以及待评估驾驶员的评分。
较佳地,所述处理器还被配置为:
根据输出的待评估驾驶员的类别以及待评估驾驶员的评分,确定所述待评估驾驶员的车险产品。
较佳地,驾驶员的评分越低,驾驶员的风险越高;所述处理器还被配置为:当输出的所述待评估驾驶员的评分低于预设阈值时,发出报警提示。
本申请的实施例提供的技术方案可以包括以下有益效果:
本实施例中,驾驶员的模型所需维度对应的数据是从包含多种数据源中得到的,其中的数据源包括GPS数据,车载盒子数据,交通数据,天气数据,驾驶员数据,地图数据和出险数据,数据源非常丰富,基于此,用于评估的数据更加全面,训练得到的机器学习分类模型输出的驾驶员的类别以及评分,可以反映每类驾驶员的等级,又由于数据源中包含了出险数据,驾驶员的评分是通过对所述驾驶员模型的每个维度的数据赋予权重综合计算得到的,因而得到的驾驶员的类别和评分更加准确,所以据此模型而定的车险定价也更加准确。
应当理解的是,以上的一般描述和后文的细节描述仅是示例性和解释性的,并不能限制本申请。
附图说明
此处的附图被并入说明书中并构成本说明书的一部分,示出了符合本申请的实施例,并与说明书一起用于解释本申请的原理。
图1是本申请一个实施例提供的一种驾驶员风险评估模型训练方法的流程示意图。
图2是本申请另一个实施例提供的一种驾驶员风险评估方法的流程示意图。
图3是本申请一个实施例提供的一种驾驶员风险评估模型训练装置的结构示意图。
图4是本申请另一个实施例提供的一种驾驶员风险评估装置的结构示意图。
具体实施方式
这里将详细地对示例性实施例进行说明,其示例表示在附图中。下面的描述涉及附图时,除非另有表示,不同附图中的相同数字表示相同或相似的要素。以下示例性实施例中所描述的实施方式并不代表与本申请相一致的所有实施方式。相反,它们仅是与如所附权利要求书中所详述的、本申请的一些方面相一致的装置和方法的例子。
图1是本申请一个实施例提供的驾驶员风险评估模型训练方法的流程图。参见图1,本实施例的方法可以包括:
步骤11、获取样本数据;样本数据中包含多种数据源,每种数据源中至少包含一个维度的数据;多种数据源包括GPS数据,车载盒子数据,交通数据,天气数据,驾驶员数据,地图数据和出险数据;
步骤12、确定驾驶员模型所需维度;
步骤13、从样本数据中筛选所需维度对应的数据,得到驾驶员模型;
步骤14、将驾驶员模型的数据输入机器学习分类模型进行训练得到驾驶员风险评估模型,输出不同类别的驾驶员以及驾驶员的评分;驾驶员的评分反映每类驾驶员的等级,驾驶员的评分是通过对驾驶员模型的每个维度的数据赋予权重综合计算得到的。
本步骤中,假设驾驶员模型有n个维度,每个维度的数据可以通过统计学方法转化为相应的数值,具体可以参考相关技术,此处不再赘述,例如每个维度的数据对应的数值分别为V1,V2,V3,……,Vn,相应的,每个维度的数据对应的权重分别为W1,W2,W3,……,Wn,相应的,驾驶员的评分P=V1*W1+V2*W2+V3*W3+……,+Vn*Wn。
本实施例中,驾驶员的模型所需维度对应的数据是从包含多种数据源中得到的,其中的数据源包括GPS数据,车载盒子数据,交通数据,天气数据,驾驶员数据,地图数据和出险数据,数据源非常丰富,且车载盒子采集数据频率与GPS相比更大,基于此,用于评估的数据更加全面,训练得到的机器学习分类模型输出的驾驶员的类别以及评分,可以反映每类驾驶员的等级,又由于数据源中包含了出险数据,驾驶员的评分是通过对驾驶员模型的每个维度的数据赋予权重综合计算得到的,因而得到的驾驶员的类别和评分更加准确,所以据此模型而定的车险定价也更加准确。
其中,机器学习分类模型的种类有多种。例如,机器学习分类模型为逻辑回归(Logistic Regression,LR)模型或者迭代决策树(Gradient Boosting Decision Tree,GBDT)模型。
其中,车载盒子安装于车辆上,因此可以采集到驾驶数据,因此,车载盒子数据中包含驾驶数据,等等。驾驶数据包含驾驶时间、地点、驾驶行为,等等。
其中,驾驶员数据包含年龄、性别、驾龄。
其中,地图数据包含各个地点的各个区域的道路数据;道路数据包含各条道路的类型,区域ID,起始位置,道路朝向,交叉路口,交叉路口ID,地理位置,交叉口交通控制类型,等等。
其中,交通数据包含主要道路车流量,次要道路车流量,各条道路的日均车流量、年均车流量,等等。
其中,天气数据包含各个地点的各个区域的历史天气数据和实时天气数据,等等。
其中,车企数据包含车企公司销售的各种车辆数据;其中,车辆数据包含车型,产商,车辆识别码,年龄,等等。
其中,驾驶员模型所需维度可以包含驾驶数据、天气数据、交通数据、车辆数据、驾驶员数据、出险数据,等等。
图2是本申请另一个实施例提供的驾驶员风险评估方法的流程示意图。参见图2,本实施例的方法可以包括:
步骤21、按照预设的驾驶员模型所需维度,获取待评估驾驶员每个维度的数据,得到待评估数据;待评估数据的数据源包含多种数据源,每种数据源中至少包含一个维度的数据;多种数据源包括GPS数据,车载盒子数据,交通数据,天气数据,驾驶员数据,地图数据和出险数据;
步骤22、将获取的待评估驾驶员的待评估数据输入到如以上任意实施例所述的方法训练的驾驶员风险评估模型中,输出待评估驾驶员的类别以及待评估驾驶员的评分。
本实施例中,驾驶员的模型所需维度对应的数据是从包含多种数据源中得到的,其中的数据源包括GPS数据,车载盒子数据,交通数据,天气数据,驾驶员数据,地图数据和出险数据,数据源非常丰富,基于此,用于评估的数据更加全面,训练得到的机器学习分类模型输出的驾驶员的类别以及评分,可以反映每类驾驶员的等级,又由于数据源中包含了出险数据,驾驶员的评分是通过对驾驶员模型的每个维度的数据赋予权重综合计算得到的,因而得到的驾驶员的类别和评分更加准确,所以据此模型而定的车险定价也更加准确。
本实施例的方案可以但不限于用于确定车险保费的场景中。较佳地,本实施例的方法还包括:根据输出的待评估驾驶员的类别以及待评估驾驶员的评分,确定待评估驾驶员的车险产品。由于驾驶员的评分可以反映驾驶员的风险等级,对于高风险的驾驶员,为其确定车险保费费用较高的车险产品,对于低风险的驾驶员,可以为其确定车险保费优惠的产品。
如果驾驶员的评分越低,驾驶员的风险越高;本实施例的方法还包括:当输出的待评估驾驶员的评分低于预设阈值时,发出报警提示。如此,可以根据报警提示,结合实际情况,为其确定更加合理的保费的车险。
本实施例的方案在车险保费中的应用,不仅可以帮助保险公司精确营销,也可以督促驾驶员为获取车险优惠而改善驾驶行为。
图3是本申请另一个实施例提供的驾驶员风险评估装置的结构示意图。参见图3,本实施例的装置包括样本获取模块301、维度确定模块302、驾驶员模型建立模块303、训练模块304。其中:
样本获取模块,用于获取样本数据;样本数据中包含多种数据源,每种数据源中至少包含一个维度的数据;多种数据源包括GPS数据,车载盒子数据,交通数据,天气数据,驾驶员数据,地图数据和出险数据;
维度确定模块,用于确定驾驶员模型所需维度;
驾驶员模型建立模块,用于从样本数据中筛选所需维度对应的数据,得到驾驶员模型;
训练模块,用于将驾驶员模型的数据输入机器学习分类模型进行训练得到驾驶员风险评估模型,输出不同类别的驾驶员以及驾驶员的评分;驾驶员的评分反映每类驾驶员的等级,驾驶员的评分是通过对驾驶员模型的每个维度的数据赋予权重综合计算得到的。
较佳地,机器学习分类模型为LR模型或者GBDT模型。
图4是本申请另一个实施例提供的驾驶员风险评估装置的结构示意图。参见图4,本实施例的装置包括数据获取模块401、评估模块402。其中:
数据获取模块,用于按照预设的驾驶员模型所需维度,获取待评估驾驶员每个维度的数据,得到待评估数据;待评估数据的数据源包含多种数据源,每种数据源中至少包含一个维度的数据;多种数据源包括GPS数据,车载盒子数据,交通数据,天气数据,驾驶员数据,地图数据和出险数据;
评估模块,用于将获取的待评估驾驶员的待评估数据输入到如以上任意实施例所述的方法建立的驾驶员风险评估模型中,输出待评估驾驶员的类别以及待评估驾驶员的评分。
较佳地,本实施例的装置还包括:
保费确定模块,用于根据输出的待评估驾驶员的类别以及待评估驾驶员的评分,确定待评估驾驶员的车险产品。
较佳地,驾驶员的评分越低,驾驶员的风险越高;本实施例的装置还包括报警模块,用于当输出的待评估驾驶员的评分低于预设阈值时,发出报警提示。
本申请的另一个实施例还提供一种非临时性计算机可读存储介质,当存储介质中的指令由终端的处理器执行时,使得终端能够执行一种驾驶员风险评估模型训练方法,本实施例的方法包括:
获取样本数据;样本数据中包含多种数据源,每种数据源中至少包含一个维度的数据;多种数据源包括GPS数据,车载盒子数据,交通数据,天气数据,驾驶员数据,地图数据和出险数据;
确定驾驶员模型所需维度;
从样本数据中筛选所需维度对应的数据,得到驾驶员模型;
将驾驶员模型的数据输入机器学习分类模型进行训练得到驾驶员风险评估模型,输出不同类别的驾驶员以及驾驶员的评分;驾驶员的评分反映每类驾驶员的等级,驾驶员的评分是通过对驾驶员模型的每个维度的数据赋予权重综合计算得到的。
较佳地,机器学习分类模型为LR模型或者GBDT模型。
本申请的另一个实施例还提供一种驾驶员风险评估模型训练装置,包括:处理器;用于存储处理器可执行指令的存储器;其中,处理器被配置为:获取样本数据;样本数据中包含多种数据源,每种数据源中至少包含一个维度的数据;多种数据源包括GPS数据,车载盒子数据,交通数据,天气数据,驾驶员数据,地图数据和出险数据;
确定驾驶员模型所需维度;
从样本数据中筛选所需维度对应的数据,得到驾驶员模型;
将驾驶员模型的数据输入机器学习分类模型进行训练得到驾驶员风险评估模型,输出不同类别的驾驶员以及驾驶员的评分;驾驶员的评分反映每类驾驶员的等级,驾驶员的评分是通过对驾驶员模型的每个维度的数据赋予权重综合计算得到的。
较佳地,机器学习分类模型为LR模型或者GBDT模型。
本申请的另一个实施例还提供一种非临时性计算机可读存储介质,当存储介质中的指令由终端的处理器执行时,使得终端能够执行一种驾驶员风险评估方法,本实施例的方法包括:
按照预设的驾驶员模型所需维度,获取待评估驾驶员每个维度的数据,得到待评估数据;待评估数据的数据源包含多种数据源,每种数据源中至少包含一个维度的数据;多种数据源包括GPS数据,车载盒子数据,交通数据,天气数据,驾驶员数据,地图数据和出险数据;
将获取的待评估驾驶员的待评估数据输入到如以上任意实施例所述的方法训练的驾驶员风险评估模型中,输出待评估驾驶员的类别以及待评估驾驶员的评分。
较佳地,本实施例的方法还包括:
根据输出的待评估驾驶员的类别以及待评估驾驶员的评分,确定待评估驾驶员的车险产品。
较佳地,驾驶员的评分越低,驾驶员的风险越高;本实施例的方法还包括:当输出的待评估驾驶员的评分低于预设阈值时,发出报警提示。
本申请的另一个实施例还提供一种驾驶员风险评估装置,包括:处理器;用于存储处理器可执行指令的存储器;其中,处理器被配置为:
按照预设的驾驶员模型所需维度,获取待评估驾驶员每个维度的数据,得到待评估数据;待评估数据的数据源包含多种数据源,每种数据源中至少包含一个维度的数据;多种数据源包括GPS数据,车载盒子数据,交通数据,天气数据,驾驶员数据,地图数据和出险数据;
将获取的待评估驾驶员的待评估数据输入到如以上任意实施例所述的方法训练的驾驶员风险评估模型中,输出待评估驾驶员的类别以及待评估驾驶员的评分。
较佳地,处理器还被配置为:
根据输出的待评估驾驶员的类别以及待评估驾驶员的评分,确定待评估驾驶员的车险产品。
较佳地,驾驶员的评分越低,驾驶员的风险越高;处理器还被配置为:当输出的待评估驾驶员的评分低于预设阈值时,发出报警提示。
关于上述实施例中的装置,其中各个模块执行操作的具体方式已经在有关该方法的实施例中进行了详细描述,此处将不做详细阐述说明。
可以理解的是,上述各实施例中相同或相似部分可以相互参考,在一些实施例中未详细说明的内容可以参见其他实施例中相同或相似的内容。
需要说明的是,在本申请的描述中,术语“第一”、“第二”等仅用于描述目的,而不能理解为指示或暗示相对重要性。此外,在本申请的描述中,除非另有说明,“多个”的含义是指至少两个。
流程图中或在此以其他方式描述的任何过程或方法描述可以被理解为,表示包括一个或更多个用于实现特定逻辑功能或过程的步骤的可执行指令的代码的模块、片段或部分,并且本申请的优选实施方式的范围包括另外的实现,其中可以不按所示出或讨论的顺序,包括根据所涉及的功能按基本同时的方式或按相反的顺序,来执行功能,这应被本申请的实施例所属技术领域的技术人员所理解。
应当理解,本申请的各部分可以用硬件、软件、固件或它们的组合来实现。在上述实施方式中,多个步骤或方法可以用存储在存储器中且由合适的指令执行系统执行的软件或固件来实现。例如,如果用硬件来实现,和在另一实施方式中一样,可用本领域公知的下列技术中的任一项或他们的组合来实现:具有用于对数据信号实现逻辑功能的逻辑门电路的离散逻辑电路,具有合适的组合逻辑门电路的专用集成电路,可编程门阵列(PGA),现场可编程门阵列(FPGA)等。
本技术领域的普通技术人员可以理解实现上述实施例方法携带的全部或部分步骤是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,该程序在执行时,包括方法实施例的步骤之一或其组合。
此外,在本申请各个实施例中的各功能单元可以集成在一个处理模块中,也可以是各个单元单独物理存在,也可以两个或两个以上单元集成在一个模块中。上述集成的模块既可以采用硬件的形式实现,也可以采用软件功能模块的形式实现。所述集成的模块如果以软件功能模块的形式实现并作为独立的产品销售或使用时,也可以存储在一个计算机可读取存储介质中。
上述提到的存储介质可以是只读存储器,磁盘或光盘等。
在本说明书的描述中,参考术语“一个实施例”、“一些实施例”、“示例”、“具体示例”、或“一些示例”等的描述意指结合该实施例或示例描述的具体特征、结构、材料或者特点包含于本申请的至少一个实施例或示例中。在本说明书中,对上述术语的示意性表述不一定指的是相同的实施例或示例。而且,描述的具体特征、结构、材料或者特点可以在任何的一个或多个实施例或示例中以合适的方式结合。
尽管上面已经示出和描述了本申请的实施例,可以理解的是,上述实施例是示例性的,不能理解为对本申请的限制,本领域的普通技术人员在本申请的范围内可以对上述实施例进行变化、修改、替换和变型。
Claims (10)
1.一种驾驶员风险评估模型训练方法,其特征在于,包括:
获取样本数据;所述样本数据中包含多种数据源,每种数据源中至少包含一个维度的数据;所述多种数据源包括GPS数据,车载盒子数据,交通数据,天气数据,驾驶员数据,地图数据和出险数据;
确定驾驶员模型所需维度;
从所述样本数据中筛选所述所需维度对应的数据,得到驾驶员模型;
将所述驾驶员模型的数据输入机器学习分类模型进行训练得到驾驶员风险评估模型,输出不同类别的驾驶员以及驾驶员的评分;所述驾驶员的评分反映每类驾驶员的等级,所述驾驶员的评分是通过对所述驾驶员模型的每个维度的数据赋予权重综合计算得到的。
2.根据权利要求1所述的方法,其特征在于,所述机器学习分类模型为LR模型或者GBDT模型。
3.一种驾驶员风险评估方法,其特征在于,包括:
按照预设的驾驶员模型所需维度,获取待评估驾驶员每个维度的数据,得到待评估数据;所述待评估数据的数据源包含多种数据源,每种数据源中至少包含一个维度的数据;所述多种数据源包括GPS数据,车载盒子数据,交通数据,天气数据,驾驶员数据,地图数据和出险数据;
将获取的待评估驾驶员的待评估数据输入到如权利要求1~2任一项所述的方法训练的驾驶员风险评估模型中,输出待评估驾驶员的类别以及待评估驾驶员的评分。
4.根据权利要求3所述的方法,其特征在于,所述方法还包括:
根据输出的待评估驾驶员的类别以及待评估驾驶员的评分,确定所述待评估驾驶员的车险产品。
5.根据权利要求3所述的方法,其特征在于,驾驶员的评分越低,驾驶员的风险越高;所述方法还包括:当输出的所述待评估驾驶员的评分低于预设阈值时,发出报警提示。
6.一种驾驶员风险评估模型训练装置,其特征在于,包括:
样本获取模块,用于获取样本数据;所述样本数据中包含多种数据源,每种数据源中至少包含一个维度的数据;所述多种数据源包括GPS数据,车载盒子数据,交通数据,天气数据,驾驶员数据,地图数据和出险数据;
维度确定模块,用于确定驾驶员模型所需维度;
驾驶员模型建立模块,用于从所述样本数据中筛选所述所需维度对应的数据,得到驾驶员模型;
训练模块,用于将所述驾驶员模型的数据输入机器学习分类模型进行训练得到驾驶员风险评估模型,输出不同类别的驾驶员以及驾驶员的评分;所述驾驶员的评分反映每类驾驶员的等级,所述驾驶员的评分是通过对所述驾驶员模型的每个维度的数据赋予权重综合计算得到的。
7.根据权利要求6所述的装置,其特征在于,所述机器学习分类模型为LR模型或者GBDT模型。
8.一种驾驶员风险评估装置,其特征在于,包括:
数据获取模块,用于按照预设的驾驶员模型所需维度,获取待评估驾驶员每个维度的数据,得到待评估数据;所述待评估数据的数据源包含多种数据源,每种数据源中至少包含一个维度的数据;所述多种数据源包括GPS数据,车载盒子数据,交通数据,天气数据,驾驶员数据,地图数据和出险数据;
评估模块,用于将获取的待评估驾驶员的待评估数据输入到如权利要求1~2任一项所述的方法建立的驾驶员风险评估模型中,输出待评估驾驶员的类别以及待评估驾驶员的评分。
9.根据权利要求8所述的装置,其特征在于,所述装置还包括:
保费确定模块,用于根据输出的待评估驾驶员的类别以及待评估驾驶员的评分,确定所述待评估驾驶员的车险产品。
10.根据权利要求8所述的方法,其特征在于,驾驶员的评分越低,驾驶员的风险越高;所述装置还包括报警模块,用于当输出的所述待评估驾驶员的评分低于预设阈值时,发出报警提示。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810319376.7A CN108492053A (zh) | 2018-04-11 | 2018-04-11 | 驾驶员风险评估模型训练、风险评估方法和装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810319376.7A CN108492053A (zh) | 2018-04-11 | 2018-04-11 | 驾驶员风险评估模型训练、风险评估方法和装置 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN108492053A true CN108492053A (zh) | 2018-09-04 |
Family
ID=63315714
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201810319376.7A Pending CN108492053A (zh) | 2018-04-11 | 2018-04-11 | 驾驶员风险评估模型训练、风险评估方法和装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN108492053A (zh) |
Cited By (16)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109409207A (zh) * | 2018-09-10 | 2019-03-01 | 百度在线网络技术(北京)有限公司 | 无人车内乘客状态的识别方法、装置、设备及存储介质 |
CN109544351A (zh) * | 2018-10-12 | 2019-03-29 | 平安科技(深圳)有限公司 | 车辆风险评估方法、装置、计算机设备及存储介质 |
CN109785167A (zh) * | 2018-12-14 | 2019-05-21 | 中国平安财产保险股份有限公司 | 风险信息展示方法、装置、终端和计算机可读存储介质 |
CN110103822A (zh) * | 2019-05-17 | 2019-08-09 | 深圳市尼欧科技有限公司 | 一种驾驶行为习惯智能检测及安全驾驶评分的装置和方法 |
CN110135728A (zh) * | 2019-05-14 | 2019-08-16 | 南京弘道软件有限公司 | 基于ads-b技术的飞行训练动作自动识别和打分系统 |
CN110222421A (zh) * | 2019-06-06 | 2019-09-10 | 优必爱信息技术(北京)有限公司 | 一种行驶路线集中度评估方法及系统 |
CN110807930A (zh) * | 2019-11-07 | 2020-02-18 | 中国联合网络通信集团有限公司 | 危险车辆预警方法及装置 |
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 |
CN111332313A (zh) * | 2020-02-24 | 2020-06-26 | 重庆众鸿科技有限公司 | 一种车辆驾驶安全预警控制方法及系统 |
CN111523766A (zh) * | 2020-03-27 | 2020-08-11 | 中国平安财产保险股份有限公司 | 驾驶风险评估方法、装置、电子设备及可读存储介质 |
CN112508228A (zh) * | 2020-11-03 | 2021-03-16 | 北京理工大学前沿技术研究院 | 一种驾驶行为风险预测方法及系统 |
CN113673826A (zh) * | 2021-07-20 | 2021-11-19 | 中国科学技术大学先进技术研究院 | 基于驾驶人个体因素的行车风险评估方法及系统 |
CN113920732A (zh) * | 2021-10-11 | 2022-01-11 | 长安大学 | 一种针对特定驾驶人群的道路交通事故风险预警方法 |
US11341525B1 (en) | 2020-01-24 | 2022-05-24 | BlueOwl, LLC | Systems and methods for telematics data marketplace |
US11776064B2 (en) | 2021-08-24 | 2023-10-03 | Toyota Motor Engineering & Manufacturing North America, Inc. | Driver classification systems and methods for obtaining an insurance rate for a vehicle |
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 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2003150777A (ja) * | 2001-11-09 | 2003-05-23 | Dai-Ichi Mutual Life Insurance Co | ドライバー収集システム、事務量分析システム、原価計算システム、ドライバー収集方法、事務量分析方法、原価計算方法、ドライバー収集プログラム、事務量分析プログラム及び原価計算プログラム |
CN106651162A (zh) * | 2016-12-09 | 2017-05-10 | 思建科技有限公司 | 一种基于大数据的驾驶风险评估方法 |
CN106855965A (zh) * | 2016-08-16 | 2017-06-16 | 芮锶钶(上海)网络技术有限公司 | 一种基于机动车的驾驶行程数据评估其驾驶风险的方法 |
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 |
-
2018
- 2018-04-11 CN CN201810319376.7A patent/CN108492053A/zh active Pending
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2003150777A (ja) * | 2001-11-09 | 2003-05-23 | Dai-Ichi Mutual Life Insurance Co | ドライバー収集システム、事務量分析システム、原価計算システム、ドライバー収集方法、事務量分析方法、原価計算方法、ドライバー収集プログラム、事務量分析プログラム及び原価計算プログラム |
CN106855965A (zh) * | 2016-08-16 | 2017-06-16 | 芮锶钶(上海)网络技术有限公司 | 一种基于机动车的驾驶行程数据评估其驾驶风险的方法 |
CN106651162A (zh) * | 2016-12-09 | 2017-05-10 | 思建科技有限公司 | 一种基于大数据的驾驶风险评估方法 |
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 |
Cited By (22)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109409207B (zh) * | 2018-09-10 | 2022-04-12 | 阿波罗智能技术(北京)有限公司 | 无人车内乘客状态的识别方法、装置、设备及存储介质 |
CN109409207A (zh) * | 2018-09-10 | 2019-03-01 | 百度在线网络技术(北京)有限公司 | 无人车内乘客状态的识别方法、装置、设备及存储介质 |
US11315349B2 (en) | 2018-09-10 | 2022-04-26 | Apollo Intelligent Driving Technology (Beijing) Co., Ltd. | Method, apparatus and device for identifying passenger state in unmanned vehicle, and storage medium |
CN109544351A (zh) * | 2018-10-12 | 2019-03-29 | 平安科技(深圳)有限公司 | 车辆风险评估方法、装置、计算机设备及存储介质 |
CN109544351B (zh) * | 2018-10-12 | 2024-05-07 | 平安科技(深圳)有限公司 | 车辆风险评估方法、装置、计算机设备及存储介质 |
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 |
CN109785167A (zh) * | 2018-12-14 | 2019-05-21 | 中国平安财产保险股份有限公司 | 风险信息展示方法、装置、终端和计算机可读存储介质 |
CN110135728A (zh) * | 2019-05-14 | 2019-08-16 | 南京弘道软件有限公司 | 基于ads-b技术的飞行训练动作自动识别和打分系统 |
CN110103822A (zh) * | 2019-05-17 | 2019-08-09 | 深圳市尼欧科技有限公司 | 一种驾驶行为习惯智能检测及安全驾驶评分的装置和方法 |
CN110222421A (zh) * | 2019-06-06 | 2019-09-10 | 优必爱信息技术(北京)有限公司 | 一种行驶路线集中度评估方法及系统 |
CN110222421B (zh) * | 2019-06-06 | 2023-03-10 | 优必爱信息技术(北京)有限公司 | 一种行驶路线集中度评估方法及系统 |
CN110807930A (zh) * | 2019-11-07 | 2020-02-18 | 中国联合网络通信集团有限公司 | 危险车辆预警方法及装置 |
US11341525B1 (en) | 2020-01-24 | 2022-05-24 | BlueOwl, LLC | Systems and methods for telematics data marketplace |
CN111332313A (zh) * | 2020-02-24 | 2020-06-26 | 重庆众鸿科技有限公司 | 一种车辆驾驶安全预警控制方法及系统 |
CN111523766A (zh) * | 2020-03-27 | 2020-08-11 | 中国平安财产保险股份有限公司 | 驾驶风险评估方法、装置、电子设备及可读存储介质 |
CN112508228A (zh) * | 2020-11-03 | 2021-03-16 | 北京理工大学前沿技术研究院 | 一种驾驶行为风险预测方法及系统 |
CN113673826A (zh) * | 2021-07-20 | 2021-11-19 | 中国科学技术大学先进技术研究院 | 基于驾驶人个体因素的行车风险评估方法及系统 |
CN113673826B (zh) * | 2021-07-20 | 2023-06-02 | 中国科学技术大学先进技术研究院 | 基于驾驶人个体因素的行车风险评估方法及系统 |
US11776064B2 (en) | 2021-08-24 | 2023-10-03 | Toyota Motor Engineering & Manufacturing North America, Inc. | Driver classification systems and methods for obtaining an insurance rate for a vehicle |
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 |
CN113920732A (zh) * | 2021-10-11 | 2022-01-11 | 长安大学 | 一种针对特定驾驶人群的道路交通事故风险预警方法 |
US12033176B2 (en) | 2022-04-22 | 2024-07-09 | Quanata, Llc | Systems and methods for telematics data marketplace |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108492053A (zh) | 驾驶员风险评估模型训练、风险评估方法和装置 | |
CN109459050B (zh) | 导航路线的推荐方法及其装置 | |
CN105825360A (zh) | 商户配送范围的调整方法和装置 | |
US20210192586A1 (en) | Systems and Methods for Detecting and Responding to Anomalous Traffic Conditions | |
CN105069470A (zh) | 分类模型训练方法及装置 | |
CN108346317A (zh) | 道路风险预警方法和装置 | |
CN107067781B (zh) | 一种用于先进驾驶辅助系统应用的gis道路黑点地图生成方法 | |
CN105446988A (zh) | 预测类别的方法和装置 | |
Jiménez Rios et al. | Bridge management through digital twin-based anomaly detection systems: A systematic review | |
CN104183128A (zh) | 交通状态确定方法及装置 | |
US11308741B1 (en) | Systems and methods for modeling and simulation in vehicle forensics | |
CN106030685A (zh) | 地图信息处理装置、地图信息处理方法及更新数据的调整方法 | |
JP2023527489A (ja) | モデル生成方法、オブジェクト検出方法、装置、機器、及び記憶媒体 | |
Salem et al. | AI-based cloud computing application for smart earthmoving operations | |
CN114596709B (zh) | 数据处理方法、装置、设备以及存储介质 | |
Hiller et al. | The L3Pilot Common Data Format—Enabling efficient automated driving data analysis | |
CN107924423B (zh) | 模型确定设备和模型确定方法 | |
Díaz-Lanchas et al. | A trade hierarchy of cities based on transport cost thresholds | |
CN113286984A (zh) | 在导航期间为困难机动提供附加指令 | |
CN116882701B (zh) | 一种基于零碳模式的电力物资智能调度系统及其方法 | |
KR102359902B1 (ko) | 빅데이터 및 인공지능 기반 교차로 서비스수준 예측방법, 그리고 이를 포함하는 저장매체 | |
Shah et al. | Accident risk analysis based on motorway exposure: an application of benchmarking technique for human safety | |
CN103984779A (zh) | 一种数据更新方法及装置 | |
Gettman et al. | Integrating Emerging Data Sources into Operational Practice: Opportunities for Integration of Emerging Data for Traffic Management and TMCs. | |
KR20200061805A (ko) | 도로 포장 생애주기 정보 제공 장치 및 방법 |
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 |
Application publication date: 20180904 |
|
RJ01 | Rejection of invention patent application after publication |