CN108734592A - 车辆保险业务数据分析方法和系统 - Google Patents
车辆保险业务数据分析方法和系统 Download PDFInfo
- Publication number
- CN108734592A CN108734592A CN201810449952.XA CN201810449952A CN108734592A CN 108734592 A CN108734592 A CN 108734592A CN 201810449952 A CN201810449952 A CN 201810449952A CN 108734592 A CN108734592 A CN 108734592A
- Authority
- CN
- China
- Prior art keywords
- data
- accident
- car
- 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.)
- 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
本发明实施例公开了一种车辆保险业务数据分析方法和系统,其中的方法包括:使用车辆保险定价分析模型获得与行车数据相对应的车险定价建议方案,获取与车辆事故相关联的事故现场数据并基于事故发生时间从行车数据中提取与此车辆事故相关联的事故前行车数据,使用车辆保险理赔辅助模型并根据事故现场数据和事故前行车数据生成理赔判定参考方案。本发明的方法和系统提供了面向智能汽车信息互联行业并基于安全多方计算系统的车辆保险数据分析方法,可为车险精准定价提供参考对车辆事前风险阈值进行计算,对事故过程及事后现场进行分析,可为精准理赔判定提供参考;采用区块链技术存储和验证数据,防止数据被恶意篡改或扰乱。
Description
技术领域
本发明涉及驾驶技术领域,尤其涉及一种车辆保险业务数据分析方法和系统。
背景技术
车辆保险即机动车辆保险,指对机动车辆由于自然灾害或意外事故所造成的人身伤亡或财产损失负赔偿责任的一种商业保险。目前,车辆保险存在两个问题:1、对车辆保险的精准化风险管理;2、出险精确评估和高效理赔。对于第一个问题,传统的保费定制方法的合理化、精细化、智能化水平较低,较少根据不同驾驶习惯、车辆历史故障情况、车辆使用情况、风险等数据设计差异化的保险方案,保费定制的精准化服务能力弱,保费成本较高。对于第二个问题,传统模式中,当客户在发生车辆事故后,传统的过程往往是拨打车辆保险电话,告知事故地点,事故事件,事故始末,险单号,车辆牌号等基础投保信息。报险人员到达现场处理完毕,给客户开具纸质回执。对于客户而言,纸质保单信息管理麻烦,报险过程和理赔过程提供信息多而且杂,报险成本过高,报险记录不能追溯,对于车辆保险机构而言,客户服务方式陈旧,客户资料追溯时间成本过高;拘于报险时间延迟,车辆事故位置移动,车主主观恶意逃避事发责任等各方面影响,传统理赔依据己经不能满足各类情况发生时的法定判断依据。因此,需要一种新的对于辆保险业务数据进行分析的技术。
发明内容
有鉴于此,本发明实施例提供一种车辆保险业务数据分析方法和系统。
根据本发明实施例的一个方面,提供一种车辆保险业务数据分析方法,包括:获取汽车数据存储装置发送的行车数据;使用车辆保险定价分析模型获得与所述行车数据相对应的车险定价建议方案;获取与车辆事故相关联的事故现场数据,基于事故发生时间从所述行车数据中提取与此车辆事故相关联的事故前行车数据;使用车辆保险理赔辅助模型并根据所述事故现场数据和所述事故前行车数据生成理赔判定参考方案。
可选地,所述事故前行车数据包括:行车状态数据、行车路径数据、驾驶行为数据;所述方法还包括:使用所述车辆保险定价分析模型获得与所述行车数据相对应的用户车险评估信息;基于所述用户车险评估信息生成对于此用户的所述车险定价建议方案。
可选地,所述使用所述车辆保险定价分析模型获得与所述行车数据相对应的用户车险评估信息包括:使用所述车辆保险定价分析模型获得分别与所述行车状态数据、所述行车路径数据、所述驾驶行为数据相对应的车辆状况评估值、行驶路径风险评估值、驾驶习惯风险评估值;所述基于所述用户车险评估信息生成对于此用户的所述车险定价建议方案包括:基于车险定价规则并根据所述车辆状况评估值、所述行驶路径风险评估值、所述驾驶习惯风险评估值生成所述车险定价建议方案。
可选地,所述汽车数据存储装置获取传感器或电子控制单元采集的所述行车状态数据并发送。
可选地,所述汽车数据存储装置获取GPS设备采集的车辆的地理位置信息以及时间信息;所述汽车数据存储装置根据所述地理位置信息和所述时间信息并结合电子地图信息获得所述行车路径数据并发送,其中,所述行车路径数据包括:车辆活动半径、长短途比例、途径道路环境。
可选地,所述汽车数据存储装置获取传感器采集的驾驶操作数据、行驶里程并获取摄像装置采集的驾驶员图像信息,其中,所述驾驶操作数据包括:油门、转动方向盘、开或关信号灯、刹车操作数据;所述汽车数据存储装置基于所述驾驶操作数据、所述行驶里程以及所述驾驶员图像信息获得所述驾驶行为数据,其中,所述驾驶行为数据包括:危险驾驶数据、违规驾驶数据、疲劳驾驶数据。
可选地,所述获取与车辆事故相关联的事故现场数据、基于事故发生时间从所述行车数据中提取与此车辆事故相关联的事故前行车数据包括:所述汽车数据存储装置将与此车辆事故相关联的所述事故现场数据并发送,其中,所述事故现场数据包括:事故时间、地点、道路环境、车辆位置、行车轨迹数据记录、车辆仪表数据记录;根据事故发生时间获取与此车辆事故相关联的所述行车状态数据、所述行车路径数据、所述驾驶行为数据。
可选地,所述使用车辆保险理赔辅助模型并根据所述事故现场数据和所述事故前行车数据生成理赔判定参考方案包括:使用所述使用车辆保险理赔辅助模型并根据所述事故现场数据和所述事故前行车数据获得车辆发生事故前的事故风险估计值,并获得对于车辆事故的事故分析信息,基于所述事故风险估计值以及所述事故分析信息生成理赔判定参考方案。
可选地,获取历史行车数据以及与所述历史行车数据对应的历史车险定价方案,生成第一训练样本集;构建所述车辆保险定价分析模型并利用所述第一训练样本集进行深度学习训练,使用训练好的所述车辆保险定价分析模型分析所述行车数据并生成所述车险定价建议方案。
可选地,获取历史事故现场数据和历史事故前行车数据、以及与所述历史事故现场数据和所述历史事故前行车数据相对应的保险理赔方案,生成第二训练样本;构建所述车辆保险理赔辅助模型并利用所述第二训练样本集进行深度学习训练,使用训练好的所述车辆保险理赔辅助模型分析所述事故现场数据和所述事故前行车数据并生成所述理赔判定参考方案。
可选地,对所述行车数据和所述事故现场数据进行处理,生成承诺凭证数据;根据所述承诺凭证数据的类型从区块链网络中确定目标区块链节点;将所述承诺凭证数据存储在与其对应的所述目标区块链节点中,用以在所述区块链网络中共享所述承诺凭证数据。
可选地,生成与所述车险定价建议方案和所述理赔判定参考方案相对应的综合运算凭证;将所述综合运算凭证存储在区块链节点中,用以在所述区块链网络中共享所述综合运算凭证,其中,当从区块链网络获取所述车险定价建议方案和所述理赔判定参考方案时,对所述综合运算凭证进行盲评价验证。
根据本发明的另一方面,提供一种车辆保险业务数据分析系统,包括:车辆数据获取装置,用于获取汽车数据存储装置发送的行车数据,获取与车辆事故相关联的事故现场数据;车险定价分析装置,用于使用车辆保险定价分析模型获得与所述行车数据相对应的车险定价建议方案;事故关联数据获取装置,用于基于事故发生时间从所述行车数据中提取与此车辆事故相关联的事故前行车数据;车险理赔分析装置,用于使用车辆保险理赔辅助模型并根据所述事故现场数据和所述事故前行车数据生成理赔判定参考方案。
可选地,所述行车数据包括:行车状态数据、行车路径数据、驾驶行为数据;所述方法还包括:所述车险定价分析装置,用于使用所述车辆保险定价分析模型获得与所述行车数据相对应的用户车险评估信息;基于所述用户车险评估信息所生成对于此用户的所述车险定价建议方案。
可选地,所述车险定价分析装置,还用于使用所述车辆保险定价分析模型获得分别与所述行车状态数据、所述行车路径数据、所述驾驶行为数据相对应的车辆状况评估值、行驶路径风险评估值、驾驶习惯风险评估值;基于车险定价规则并根据所述车辆状况评估值、所述行驶路径风险评估值、所述驾驶习惯风险评估值生成所述车险定价建议方案。
可选地,所述汽车数据存储装置获取传感器或电子控制单元采集所述行车状态数据并发送。
可选地,所述汽车数据存储装置获取GPS设备采集的车辆的地理位置信息以及时间信息,根据所述地理位置信息和所述时间信息并结合电子地图信息获得所述行车路径数据并发送;其中,所述行车路径数据包括:车辆活动半径、长短途比例、途径道路环境。
可选地,所述汽车数据存储装置获取传感器采集的驾驶操作数据、行驶里程并获取摄像装置采集的驾驶员图像信息,其中,所述驾驶操作数据包括:油门、转动方向盘、开或关信号灯、刹车操作数据;所述汽车数据存储装置基于所述驾驶操作数据、所述行驶里程以及所述驾驶员图像信息获得所述驾驶行为数据,其中,所述驾驶行为数据包括:危险驾驶数据、违规驾驶数据、疲劳驾驶数据。
可选地,所述汽车数据存储装置将与此车辆事故相关联的所述事故现场数据并发送,其中,所述事故现场数据包括:事故时间、地点、道路环境、车辆位置、行车轨迹数据记录、车辆仪表数据记录;所述事故关联数据获取装置,用于根据事故发生时间获取与此车辆事故相关联的所述行车状态数据、所述行车路径数据、所述驾驶行为数据。
可选地,所述车险理赔分析装置,用于使用所述使用车辆保险理赔辅助模型并根据所述事故现场数据和所述事故前行车数据获得车辆发生事故前的事故风险估计值,并获得对于车辆事故的事故分析信息,基于所述事故风险估计值以及所述事故分析信息生成理赔判定参考方案。
可选地,所述车险定价分析装置,用于获取历史行车数据以及与所述历史行车数据对应的历史车险定价方案,生成第一训练样本集;构建所述车辆保险定价分析模型并利用所述第一训练样本集进行深度学习训练,使用训练好的所述车辆保险定价分析模型分析所述行车数据并生成所述车险定价建议方案。
可选地,所述车险理赔分析装置,用于获取历史事故现场数据和历史事故前行车数据、以及与所述历史事故现场数据和所述历史事故前行车数据相对应的保险理赔方案,生成第二训练样本;构建所述车辆保险理赔辅助模型并利用所述第二训练样本集进行深度学习训练,使用训练好的所述车辆保险理赔辅助模型分析所述事故现场数据和所述事故前行车数据并生成所述理赔判定参考方案。
可选地,车辆数据分享装置,用于对所述行车数据和所述事故现场数据进行处理,生成承诺凭证数据;根据所述承诺凭证数据的类型从区块链网络中确定目标区块链节点;将所述承诺凭证数据存储在与其对应的所述目标区块链节点中,用以在所述区块链网络中共享所述承诺凭证数据。
可选地,分析结果分享装置,用于生成与所述车险定价建议方案和所述理赔判定参考方案相对应的综合运算凭证;将所述综合运算凭证存储在区块链节点中,用以在所述区块链网络中共享所述综合运算凭证;其中,当从区块链网络获取所述车险定价建议方案和所述理赔判定参考方案时,对所述综合运算凭证进行盲评价验证。
根据本发明的又一方面,提供一种车辆保险业务数据分析系统,包括:存储器;以及耦接至所述存储器的处理器,所述处理器被配置为基于存储在所述存储器中的指令,执行如上所述的车辆保险业务数据分析方法。
根据本发明的再一方面,提供一种计算机可读存储介质,其上存储有计算机程序指令,该指令被一个或多个处理器执行时实现如上所述的车辆保险业务数据分析方法的步骤。
本发明的车辆保险业务数据分析方法和系统,通过对行车数据的精确分析,得出车辆的综合性能指标以及车主的驾驶习惯指数和风险控制能力等数据信息,可为车险精准定价提供参考;通过对行车数据的全面采集和分析,对车辆事前风险域值进行计算,对事故过程及事后现场进行分析,可为精准理赔判定提供参考;采用区块链技术存储和验证数据,可有效确保在复杂网络中数据提供方数据的可靠性,避免不诚实节点,防止被恶意篡改或扰乱;
本发明实施例附加的方面和优点将在下面的描述中部分给出,这些将从下面的描述中变得明显,或通过本发明的实践了解到。
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一简单地介绍,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性的前提下,还可以根据这些附图获得其它的附图:
图1为根据本发明的车辆保险业务数据分析方法的一个实施例的流程图;
图2为根据本发明的车辆保险业务数据分析方法的一个实施例的中的进行车辆保险定价分析的数据获取示意图;
图3为根据本发明的车辆保险业务数据分析方法的一个实施例的中的进行车辆保险理赔辅助分析的数据获取示意图;
图4为根据本发明的车辆保险业务数据分析方法的一个实施例的中的进行车辆保险数据分析方法的应用场景拓扑示意图;
图5为根据本发明的车辆保险业务数据分析系统的一个实施例的模块示意图;
图6为根据本发明的车辆保险业务数据分析系统的另一个实施例的模块示意图。
具体实施方式
下面详细描述本发明的实施例,所述实施例的示例在附图中示出,其中自始至终相同或类似的标号表示相同或类似的元件或具有相同或类似功能的元件。下面通过参考附图描述的实施例是示例性的,仅用于解释本发明,而不能解释为对本发明的限制。
本技术领域技术人员可以理解,除非特意声明,这里使用的单数形式“一”、“一个”、“所述”和“该”也可包括复数形式。应该进一步理解的是,本发明的说明书中使用的措辞“包括”是指存在所述特征、整数、步骤、操作、元件和/或组件,但是并不排除存在或添加一个或多个其他特征、整数、步骤、操作、元件、组件和/或它们的组。应该理解,当我们称元件被“连接”或“耦接”到另一元件时,它可以直接连接或耦接到其他元件,或者也可以存在中间元件。此外,这里使用的“连接”或“耦接”可以包括无线连接或无线耦接。这里使用的措辞“和/或”包括一个或更多个相关联的列出项的全部或任一单元和全部组合。
本技术领域技术人员可以理解,除非另外定义,这里使用的所有术语(包括技术术语和科学术语),具有与本发明所属领域中的普通技术人员的一般理解相同的意义。还应该理解的是,诸如通用字典中定义的那些术语,应该被理解为具有与现有技术的上下文中的意义一致的意义,并且除非像这里一样被特定定义,否则不会用理想化或过于正式的含义来解释。
本技术领域技术人员可以理解,这里所使用的“终端”、“终端设备”既包括无线信号接收器的设备,其仅具备无发射能力的无线信号接收器的设备,又包括接收和发射硬件的设备,其具有能够在双向通信链路上,执行双向通信的接收和发射硬件的设备。这种设备可以包括:蜂窝或其他通信设备,其具有单线路显示器或多线路显示器或没有多线路显示器的蜂窝或其他通信设备;PCS(Personal Communications Service,个人通信系统),其可以组合语音、数据处理、传真和/或数据通信能力;PDA(Personal Digital Assistant,个人数字助理),其可以包括射频接收器、寻呼机、互联网/内联网访问、网络浏览器、记事本、日历和/或GPS(Global Positioning System,全球定位系统)接收器;常规膝上型和/或掌上型计算机或其他设备,其具有和/或包括射频接收器的常规膝上型和/或掌上型计算机或其他设备。这里所使用的“终端”、“终端设备”可以是便携式、可运输、安装在交通工具(航空、海运和/或陆地)中的,或者适合于和/或配置为在本地运行,和/或以分布形式,运行在地球和/或空间的任何其他位置运行。这里所使用的“终端”、“终端设备”还可以是通信终端、上网终端、音乐/视频播放终端,例如可以是PDA、MID(Mobile Internet Device,移动互联网设备)和/或具有音乐/视频播放功能的移动电话,也可以是智能电视、机顶盒等设备。
本技术领域技术人员可以理解,这里所使用的远端网络设备,其包括但不限于计算机、网络主机、单个网络服务器、多个网络服务器集或多个服务器构成的云。在此,云由基于云计算(Cloud Computing)的大量计算机或网络服务器构成,其中,云计算是分布式计算的一种,由一群松散耦合的计算机集组成的一个超级虚拟计算机。本发明的实施例中,远端网络设备、终端设备与WNS服务器之间可通过任何通信方式实现通信,包括但不限于,基于3GPP、LTE、WIMAX的移动通信、基于TCP/IP、UDP协议的计算机网络通信以及基于蓝牙、红外传输标准的近距无线传输方式。
本领域技术人员应当理解,本发明所称的“应用”、“应用程序”、“应用软件”以及类似表述的概念,是业内技术人员所公知的相同概念,是指由一系列计算机指令及相关数据资源有机构造的适于电子运行的计算机软件。除非特别指定,这种命名本身不受编程语言种类、级别,也不受其赖以运行的操作系统或平台所限制。理所当然地,此类概念也不受任何形式的终端所限制。
下文中的“第一”、“第二”等为描述上相区别,并没有其它特殊的含义。
图1为根据本发明的车辆保险业务数据分析方法的一个实施例的流程图,如图1所示:
步骤101,获取汽车数据存储装置发送的行车数据。
汽车数据存储装置可以为智能汽车中安装的黑匣子等智能装置,汽车数据存储装置发送行车数据采用的方式包括2G/3G/4G蜂窝移动通信网络、WiFi、WiMax等。
步骤102,使用车辆保险定价分析模型获得与行车数据相对应的车险定价建议方案。
步骤103,获取与车辆事故相关联的事故现场数据,基于事故发生时间从行车数据中提取与此车辆事故相关联的事故前行车数据。
步骤104,使用车辆保险理赔辅助模型并根据事故现场数据和事故前行车数据生成理赔判定参考方案。
在一个实施例中,行车数据可以有多种,包括:行车状态数据、行车路径数据、驾驶行为数据等。使用车辆保险定价分析模型获得与行车数据相对应的用户车险评估信息,基于用户车险评估信息所生成对于此用户的车险定价建议方案。例如,向车辆保险定价分析模型输入行车状态数据、行车路径数据、驾驶行为数据进行运算分析,使用车辆保险定价分析模型获得分别与行车状态数据、行车路径数据、驾驶行为数据相对应的车辆状况评估值、行驶路径风险评估值、驾驶习惯风险评估值。
基于车险定价规则并根据车辆状况评估值、行驶路径风险评估值、驾驶习惯风险评估值生成车险定价建议方案。车险定价规则可以有多种,例如为设置车辆状况评估值、行驶路径风险评估值、驾驶习惯风险评估值的加权系数,通过加权运算获得车险定价的上浮或下降比例。通过对车辆状况、行驶路径和驾驶习惯等各类行车数据的实时采集、深入挖掘,能够分析得出车辆的综合性能指标以及车主的驾驶习惯指数和风险控制能力,进而对车险定价提供精确参考。
在一个实施例中,汽车数据存储装置获取传感器或电子控制单元ECU采集行车状态数据并发送。行车状态数据包括:行驶里程、行驶速度、发动机转速、元器件健康数据、油门开度、灯光状态参数、用电量/耗能、胎压、水温、碳排放数据、加速踏板开度等。如图2所示,通过接收到的行车状态数据可以获得行驶里程、百公里用电量/耗能、元器件健康状况、发动机最高转速、胎压、电压、水温、碳排放等车辆状况数据,确定车辆状况评估值,对车辆的综合状况进行评估判定。例如,行驶里程高、元器件老化等情况将影响车辆状况评估值,说明车辆的状况较差。
汽车数据存储装置获取GPS设备采集的车辆的地理位置信息以及时间信息,汽车数据存储装置根据地理位置信息和时间信息并结合电子地图信息计算出行车路径数据并发送,行车路径数据包括:车辆活动半径、长短途比例、途径道路环境等。通过车辆活动半径、长短途比例、途径道路环境等行驶路径数据,确定行驶路径风险评估值,对车辆的通常行驶路径风险进行评估。例如,长途比例高、经常在山区道路行驶等情况将影响行驶路径风险评估值,说明行驶路径风险较高。
汽车数据存储装置获取传感器采集的驾驶操作数据、行驶里程并获取摄像装置采集的驾驶员图像信息,驾驶操作数据包括:油门、转动方向盘、开或关信号灯、刹车操作数据等。汽车数据存储装置基于驾驶操作数据、行驶里程以及驾驶员图像信息获得驾驶行为数据,驾驶行为数据包括:危险驾驶数据、违规驾驶数据、疲劳驾驶数据等。危险驾驶数据和违规驾驶数据包括急加速、急减速、急刹车、急转弯、下坡加油、连续驾驶等驾驶行为数据,通过危险驾驶数据、违规驾驶数据、疲劳驾驶数据,确定驾驶习惯风险评估值,对车主的不良驾驶习惯进行评估判定。
例如,汽车数据存储装置周期性采集车内摄像装置发送的驾驶员图像信息,根据驾驶员图像信息判断当前驾驶员的连续驾驶时间是否超过设定的驾驶时长阈值,连续驾车4小时以上则确定当前驾驶员为疲劳驾驶。还可以在方向盘上设置传感器,采集脉搏、心率等信号并进行分析。脉搏、心率以及包含了人体的各种生理状况,从脉搏信号中可以提取驾驶员的疲劳特征,从而反映出驾驶员的疲劳状况。根据灯光状态参数以及行车状态数据判断驾驶员是否按车灯使用规定使用车灯。对于传感器、车辆控制系统中的数据进行分析,确定是否有急加速、急减速、急刹车、急转弯、下坡加油、连续驾驶等驾驶行为数据等危险驾驶行为。
在一个实施例中,车辆保险定价分析模型综合上述车辆状况评估值、行驶路径风险评估值、驾驶习惯风险评估值,提出该车辆的保费定价建议。车辆保险定价分析模型在框架设计方面具有良好的扩展性,可以支持对输入数据品类的扩展,并支持对模型算法的更新和扩展。
获取历史行车数据以及与历史行车数据对应的历史车险定价方案,生成第一训练样本集。构建车辆保险定价分析模型并利用第一训练样本集进行深度学习训练,使用训练好的车辆保险定价分析模型分析行车数据并生成车险定价建议方案。
采用深度学习(深层结构的学习、分层学习或深度机器学习)方式处理建立的神经网络模型,即车辆保险定价分析模型。神经网络模型可以为卷积神经网络、递归神经网络等。车辆保险定价分析模型包括输入层、输出层和隐含层。输入层包括输入端,接收采集的多个行车数据参数的数值。输出层包括输出端,输出车险定价建议方案。隐含层包括多个处理单元,多个处理单元用于实现映射关系,分别与输入端、输出端连接。可以选用具有多节点的输入层、多节点的隐层、单节点的输出层结构的三层BP神经网络用于建模。
在一个实施例中,汽车数据存储装置将与此车辆事故相关联的事故现场数据并发送,如图3所示,事故现场数据包括事故时间、地点、道路环境、车辆位置、行车轨迹数据记录、车辆仪表数据记录等。根据事故发生时间获取与此车辆事故相关联的行车状态数据、行车路径数据、驾驶行为数据。
车辆保险理赔辅助模型可以依据事故现场、事故之前两类数据,对车辆事前风险域值进行计算,对事故过程及事后现场进行分析,提出理赔判定参考,提高车险理赔的智能化辅助水平。车辆保险理赔辅助模型在框架设计方面具有良好的扩展性,可以支持对输入数据品类的扩展,并支持对模型算法的更新和扩展。使用车辆保险理赔辅助模型并根据事故现场数据和事故前行车数据获得车辆发生事故前的事故风险估计值,并获得对于车辆事故的事故分析信息,基于事故风险估计值以及事故分析信息生成理赔判定参考方案。
获取历史事故现场数据和历史事故前行车数据、以及与历史事故现场数据和历史事故前行车数据相对应的保险理赔方案,生成第二训练样本。构建车辆保险理赔辅助模型并利用第二训练样本集进行深度学习训练,使用训练好的车辆保险理赔辅助模型分析事故现场数据和事故前行车数据并生成理赔判定参考方案。
采用深度学习方式处理建立的神经网络模型,即车辆保险理赔辅助模型。神经网络模型可以为卷积神经网络、递归神经网络等。车辆保险理赔辅助模型包括输入层、输出层和隐含层。输入层包括输入端,接收采集的事故现场数据和事故前行车数据。输出层包括输出端,输出理赔判定参考方案。
上述实施例中的车辆保险业务数据分析方法,提出了面向智能汽车信息互联行业、并基于安全多方计算系统的车辆保险数据分析方法,通过对车辆状况、行驶路径和驾驶习惯等各类行车数据的实时采集、深入挖掘,可有效对车险定价提供精确参考,对出险理赔提供智能辅助决策。
在一个实施例中,可以通过专有的区块链网络实现各方(数据提供方、综合运算方)行车数据的共享和见证。区块链网络是一种分布式基础架构体系,利用块链式数据结构来存储数据、利用分布式节点共识算法来生成和更新数据、利用密码学的方式保证数据传输和访问的安全、利用由自动化脚本代码组成的智能合约来编程和操作数据的。区块链网络可实现全网共享验证、抗篡改抵赖、承诺及兑现。
如图4所示,区块链的数据结构有内在的防篡改机制,是一种篡改成本比较高的技术,每一个区块都带有上一个区块的数字信息,为区块+链机制。对行车数据和事故现场数据进行处理,生成承诺凭证数据。可以利用区块链数据的不可篡改性,把车辆状况、行驶路径、驾驶习惯等行车数据以及事故现场数据进行加密、格式转换等处理后放在区块链上面,作为可以防伪的承诺凭证数据。
区块链利用块链式数据结构来验证与存储数据。块链节点共享的数据可以经过各区块链节点共识验证后,存入各区块链节点分别维护的区块链中,存入区块链的数据难以被篡改或丢失,各区块链节点维护的区块链存储的数据是同步的。存入区块链的数据是经过加密设备加密的,任何区块链节点只能直接从区块链中获取加密数据,对自身进行权限审核通过后,加密数据才会被发送给加密设备进行解密,区块链节点最终才能接收到加密设备返回的明文的数据。区块链节点可以是服务器等。
根据承诺凭证数据的类型从区块链网络中确定目标区块链节点。预先分配分别用于存储行车数据和事故现场数据的区块链节点。例如分配区块链节点A存储车辆状况数据,分配区块链节点B存储行驶路径数据等。如果判断承诺凭证数据的类型为车辆状况数据,则将此承诺凭证数据存储在区块链节点A,如果判断承诺凭证数据的类型为行驶路径数据,则将此承诺凭证数据存储在区块链节点B。将承诺凭证数据存储在与其对应的区块链节点中,用以在区块链网络中共享承诺凭证数据。
数据提供方(智能汽车的汽车数据存储装置)实时采集车辆状况、行驶路径、驾驶习惯等数据,并根据不同的应用场景,将相关行车数据通过安全多方计算系统处理,去除敏感信息和冗余数据,生成承诺凭证数据。将承诺凭证数据挂载到区块链网络,在全网进行数据共享。综合运算方对区块链网络进行监听,获取相关的承诺凭证数据,通过知识系数测试方法,对数据提供方的承诺凭证进行盲评价验证,确保输入数据通过规范方式采集,标准流程处理,且安全可靠。
在另一个实施例中,还可以包括:生成与车险定价建议方案和理赔判定参考方案相对应的综合运算凭证,将综合运算凭证存储在区块链节点中,用以在区块链网络中共享综合运算凭证,连同分析运算结果一并挂载到区块链网络进行数据共享。可以利用区块链数据的不可篡改性,把车险定价建议方案和理赔判定参考方案等数据进行加密、格式转换等处理后放在区块链上面,作为可以防伪的综合运算凭证。当从区块链网络获取车险定价建议方案和理赔判定参考方案时,对综合运算凭证进行盲评价验证。
行车数据验证系统可以通过基于单向函数的比特承诺构建可验证数据结构,通过构造简明的非交互知识论证系统,实现高效、非交互式验证计算,通过知识系数测试盲评价验证技术对验证过程进行加密保护。通过区块链网络实现数据交互;通过行车数据验证系统进行保证数据隐私保密条件下进行数据可靠性、安全性验证;通过车辆保险定价分析模型进行保费定价分析;通过车辆保险理赔辅助模型进行理赔辅助。
相关数据订阅方从区块链网络获取分析运算结果,对综合运算凭证进行盲评价验证,验证综合运算方确实按要求汇聚预定体量数据、按规范流程模型运算,确保分析结果数据的可靠可信。又有利于计算实施的目的;可有效确保在复杂不诚实网络中各数据提供方数据的可靠性,避免不诚实节点,防止被恶意篡改或扰乱;可规避综合运算方对运算过程“弄虚”、“偷懒”等情况,甚或遭受外部恶意攻击等情况;可实现在保证数据隐私保密的条件下,支持任意数据提供方进行公开的、非交互式的、高效的验证。
如图5所示,本发明提供一种车辆保险业务数据分析系统50,包括:车辆数据获取装置51、车险定价分析装置52、事故关联数据获取装置53、车险理赔分析装置54、车险理赔分析装置55和分析结果分享装置56。
车辆数据获取装置51获取汽车数据存储装置发送的行车数据,获取与车辆事故相关联的事故现场数据。车险定价分析装置52使用车辆保险定价分析模型获得与行车数据相对应的车险定价建议方案。事故关联数据获取装置53基于事故发生时间从行车数据中提取与此车辆事故相关联的事故前行车数据。车险理赔分析装置54使用车辆保险理赔辅助模型并根据事故现场数据和事故前行车数据生成理赔判定参考方案。
在一个实施例中,行车数据包括:行车状态数据、行车路径数据、驾驶行为数据等。车险定价分析装置52使用车辆保险定价分析模型获得与行车数据相对应的用户车险评估信息,基于用户车险评估信息所生成对于此用户的车险定价建议方案。车险定价分析装置52使用车辆保险定价分析模型获得分别与行车状态数据、行车路径数据、驾驶行为数据相对应的车辆状况评估值、行驶路径风险评估值、驾驶习惯风险评估值。车险定价分析装置52基于车险定价规则并根据车辆状况评估值、行驶路径风险评估值、驾驶习惯风险评估值生成车险定价建议方案。
汽车数据存储装置获取传感器或电子控制单元采集行车状态数据并发送,行车状态数据包括:行驶里程、行驶速度、发动机转速、元器件健康数据、油门开度、灯光状态参数、用电量/耗能、胎压、水温、碳排放数据等。汽车数据存储装置获取GPS设备采集的车辆的地理位置信息以及时间信息,根据地理位置信息和时间信息并结合电子地图信息获得行车路径数据并发送,行车路径数据包括:车辆活动半径、长短途比例、途径道路环境等。
汽车数据存储装置获取传感器采集的驾驶操作数据、行驶里程并获取摄像装置采集的驾驶员图像信息,驾驶操作数据包括:油门、转动方向盘、开或关信号灯、刹车操作数据;汽车数据存储装置基于驾驶操作数据、行驶里程以及驾驶员图像信息获得驾驶行为数据,驾驶行为数据包括:危险驾驶数据、违规驾驶数据、疲劳驾驶数据等。
车险定价分析装置52获取历史行车数据以及与历史行车数据对应的历史车险定价方案,生成第一训练样本集。车险定价分析装置52构建车辆保险定价分析模型并利用第一训练样本集进行深度学习训练,使用训练好的车辆保险定价分析模型分析行车数据并生成车险定价建议方案。
汽车数据存储装置将与此车辆事故相关联的事故现场数据并发送,事故现场数据包括:事故时间、地点、道路环境、车辆位置、行车轨迹数据记录、车辆仪表数据记录等。事故关联数据获取装置53根据事故发生时间获取与此车辆事故相关联的行车状态数据、行车路径数据、驾驶行为数据。
车险理赔分析装置54使用车辆保险理赔辅助模型并根据事故现场数据和事故前行车数据获得车辆发生事故前的事故风险估计值,并获得对于车辆事故的事故分析信息,基于事故风险估计值以及事故分析信息生成理赔判定参考方案。
车险理赔分析装置54获取历史事故现场数据和历史事故前行车数据、以及与历史事故现场数据和历史事故前行车数据相对应的保险理赔方案,生成第二训练样本。车险理赔分析装置54构建车辆保险理赔辅助模型并利用第二训练样本集进行深度学习训练,使用训练好的车辆保险理赔辅助模型分析事故现场数据和事故前行车数据并生成理赔判定参考方案。
车辆数据分享装置55对行车数据和事故现场数据进行处理,生成承诺凭证数据,根据承诺凭证数据的类型从区块链网络中确定目标区块链节点。车辆数据分享装置55将承诺凭证数据存储在与其对应的区块链节点中,用以在区块链网络中共享承诺凭证数据。
分析结果分享装置56生成与车险定价建议方案和理赔判定参考方案相对应的综合运算凭证。分析结果分享装置56将综合运算凭证存储在区块链节点中,用以在区块链网络中共享综合运算凭证。当从区块链网络获取车险定价建议方案和理赔判定参考方案时,对综合运算凭证进行盲评价验证。
在一个实施例中,如图6所示,提供一种车辆保险业务数据分析系统,该装置可包括存储器61和处理器62,存储器61用于存储指令,处理器62耦合到存储器61,处理器62被配置为基于存储器61存储的指令执行实现上述的车辆保险业务数据分析方法。
存储器61可以为高速RAM存储器、非易失性存储器(non-volatile memory)等,存储器61也可以是存储器阵列。存储器61还可能被分块,并且块可按一定的规则组合成虚拟卷。处理器62可以为中央处理器CPU,或专用集成电路ASIC(Application SpecificIntegrated Circuit),或者是被配置成实施本发明的车辆保险业务数据分析方法的一个或多个集成电路。
在一个实施例中,本发明提供一种计算机可读存储介质,计算机可读存储介质存储有计算机指令,指令被处理器执行时实现如上任一个实施例中的车辆保险业务数据分析方法。
上述实施例提供的一种车辆保险业务数据分析方法,使用车辆保险定价分析模型获得与行车数据相对应的车险定价建议方案,获取与车辆事故相关联的事故现场数据并基于事故发生时间从行车数据中提取与此车辆事故相关联的事故前行车数据,使用车辆保险理赔辅助模型并根据事故现场数据和事故前行车数据生成理赔判定参考方案,提供了面向智能汽车信息互联行业并基于安全多方计算系统的车辆保险数据分析方法,通过对行车数据的精确分析,得出车辆的综合性能指标以及车主的驾驶习惯指数和风险控制能力等数据信息,可为车险精准定价提供参考;通过对行车数据的全面采集和分析,对车辆事前风险域值进行计算,对事故过程及事后现场进行分析,可为精准理赔判定提供参考;采用区块链技术存储和验证数据,可有效确保在复杂网络中数据提供方数据的可靠性,避免不诚实节点,防止被恶意篡改或扰乱;
可能以许多方式来实现本发明的方法和装置、设备。例如,可通过软件、硬件、固件或者软件、硬件、固件的任何组合来实现本发明的方法和装置、设备。用于方法的步骤的上述顺序仅是为了进行说明,本发明的方法的步骤不限于以上具体描述的顺序,除非以其它方式特别说明。此外,在一些实施例中,还可将本发明实施为记录在记录介质中的程序,这些程序包括用于实现根据本发明的方法的机器可读指令。因而,本发明还覆盖存储用于执行根据本发明的方法的程序的记录介质。
本发明的描述是为了示例和描述起见而给出的,而并不是无遗漏的或者将本发明限于所公开的形式。很多修改和变化对于本领域的普通技术人员而言是显然的。选择和描述实施例是为了更好说明本发明的原理和实际应用,并且使本领域的普通技术人员能够理解本发明从而设计适于特定用途的带有各种修改的各种实施例。
本发明的实施例提供了A1、一种车辆保险业务数据分析方法,其中,包括:
获取汽车数据存储装置发送的行车数据;
使用车辆保险定价分析模型获得与所述行车数据相对应的车险定价建议方案;
获取与车辆事故相关联的事故现场数据,基于事故发生时间从所述行车数据中提取与此车辆事故相关联的事故前行车数据;
使用车辆保险理赔辅助模型并根据所述事故现场数据和所述事故前行车数据生成理赔判定参考方案。
A2、如A1所述的方法,其中,所述行车数据包括:行车状态数据、行车路径数据、驾驶行为数据;所述方法还包括:
使用所述车辆保险定价分析模型获得与所述行车数据相对应的用户车险评估信息;
基于所述用户车险评估信息所生成对于此用户的所述车险定价建议方案。
A3、如A2所述的方法,其中,所述使用所述车辆保险定价分析模型获得与所述行车数据相对应的用户车险评估信息包括:
使用所述车辆保险定价分析模型获得分别与所述行车状态数据、所述行车路径数据、所述驾驶行为数据相对应的车辆状况评估值、行驶路径风险评估值、驾驶习惯风险评估值;
所述基于所述用户车险评估信息所生成对于此用户的所述车险定价建议方案包括:
基于车险定价规则并根据所述车辆状况评估值、所述行驶路径风险评估值、所述驾驶习惯风险评估值生成所述车险定价建议方案。
A4、如A3所述的方法,其中,还包括:
所述汽车数据存储装置获取传感器或电子控制单元采集所述行车状态数据并发送。
A5、如A3所述的方法,其中,还包括:
所述汽车数据存储装置获取GPS设备采集的车辆的地理位置信息以及时间信息;
所述汽车数据存储装置根据所述地理位置信息和所述时间信息并结合电子地图信息获得所述行车路径数据并发送,其中,所述行车路径数据包括:车辆活动半径、长短途比例、途径道路环境。
A6、如A3所述的方法,其中,还包括:
所述汽车数据存储装置获取传感器采集的驾驶操作数据、行驶里程并获取摄像装置采集的驾驶员图像信息,其中,所述驾驶操作数据包括:油门、转动方向盘、开或关信号灯、刹车操作数据;
所述汽车数据存储装置基于所述驾驶操作数据、所述行驶里程以及所述驾驶员图像信息获得所述驾驶行为数据,其中,所述驾驶行为数据包括:危险驾驶数据、违规驾驶数据、疲劳驾驶数据。
A7、如A2至A6任一所述的方法,其中,所述获取与车辆事故相关联的事故现场数据、基于事故发生时间从所述行车数据中提取与此车辆事故相关联的事故前行车数据包括:
所述汽车数据存储装置将与此车辆事故相关联的所述事故现场数据并发送,其中,所述事故现场数据包括:事故时间、地点、道路环境、车辆位置、行车轨迹数据记录、车辆仪表数据记录;
根据事故发生时间获取与此车辆事故相关联的所述行车状态数据、所述行车路径数据、所述驾驶行为数据。
A8、如A7所述的方法,其中,所述使用车辆保险理赔辅助模型并根据所述事故现场数据和所述事故前行车数据生成理赔判定参考方案包括:
使用所述使用车辆保险理赔辅助模型并根据所述事故现场数据和所述事故前行车数据获得车辆发生事故前的事故风险估计值,并获得对于车辆事故的事故分析信息,基于所述事故风险估计值以及所述事故分析信息生成理赔判定参考方案。
A9、如A1至A8任一所述的方法,其中,还包括:
获取历史行车数据以及与所述历史行车数据对应的历史车险定价方案,生成第一训练样本集;
构建所述车辆保险定价分析模型并利用所述第一训练样本集进行深度学习训练,使用训练好的所述车辆保险定价分析模型分析所述行车数据并生成所述车险定价建议方案。
A10、如A1至A8任一所述的方法,其中,还包括:
获取历史事故现场数据和历史事故前行车数据、以及与所述历史事故现场数据和所述历史事故前行车数据相对应的保险理赔方案,生成第二训练样本;
构建所述车辆保险理赔辅助模型并利用所述第二训练样本集进行深度学习训练,使用训练好的所述车辆保险理赔辅助模型分析所述事故现场数据和所述事故前行车数据并生成所述理赔判定参考方案。
A11、如A1至A8任一所述的方法,其中,还包括:
对所述行车数据和所述事故现场数据进行处理,生成承诺凭证数据;
根据所述承诺凭证数据的类型从区块链网络中确定目标区块链节点;
将所述承诺凭证数据存储在与其对应的区块链节点中,用以在所述区块链网络中共享所述承诺凭证数据。
A12、如A11所述的方法,其中,还包括:
生成与所述车险定价建议方案和所述理赔判定参考方案相对应的综合运算凭证;
将所述综合运算凭证存储在区块链节点中,用以在所述区块链网络中共享所述综合运算凭证,其中,当从区块链网络获取所述车险定价建议方案和所述理赔判定参考方案时,对所述综合运算凭证进行盲评价验证。
B13、一种车辆保险业务数据分析系统,其中,包括:
车辆数据获取装置,用于获取汽车数据存储装置发送的行车数据,获取与车辆事故相关联的事故现场数据;
车险定价分析装置,用于使用车辆保险定价分析模型获得与所述行车数据相对应的车险定价建议方案;
事故关联数据获取装置,用于基于事故发生时间从所述行车数据中提取与此车辆事故相关联的事故前行车数据;
车险理赔分析装置,用于使用车辆保险理赔辅助模型并根据所述事故现场数据和所述事故前行车数据生成理赔判定参考方案。
B14、如B13所述的系统,其中,所述行车数据包括:行车状态数据、行车路径数据、驾驶行为数据;所述方法还包括:
所述车险定价分析装置,用于使用所述车辆保险定价分析模型获得与所述行车数据相对应的用户车险评估信息;基于所述用户车险评估信息所生成对于此用户的所述车险定价建议方案。
B15、如B14所述的系统,其中,
所述车险定价分析装置,还用于使用所述车辆保险定价分析模型获得分别与所述行车状态数据、所述行车路径数据、所述驾驶行为数据相对应的车辆状况评估值、行驶路径风险评估值、驾驶习惯风险评估值;基于车险定价规则并根据所述车辆状况评估值、所述行驶路径风险评估值、所述驾驶习惯风险评估值生成所述车险定价建议方案。
B16、如B15所述的系统,其中,
所述汽车数据存储装置获取传感器或电子控制单元采集所述行车状态数据并发送。
B17、如B15所述的系统,其中,
所述汽车数据存储装置获取GPS设备采集的车辆的地理位置信息以及时间信息,根据所述地理位置信息和所述时间信息并结合电子地图信息获得所述行车路径数据并发送;其中,所述行车路径数据包括:车辆活动半径、长短途比例、途径道路环境。
B18、如B17所述的系统,其中,
所述汽车数据存储装置获取传感器采集的驾驶操作数据、行驶里程并获取摄像装置采集的驾驶员图像信息,其中,所述驾驶操作数据包括:油门、转动方向盘、开或关信号灯、刹车操作数据;
所述汽车数据存储装置基于所述驾驶操作数据、所述行驶里程以及所述驾驶员图像信息获得所述驾驶行为数据,其中,所述驾驶行为数据包括:危险驾驶数据、违规驾驶数据、疲劳驾驶数据。
B19、如B14至B18任一所述的系统,其中,
所述汽车数据存储装置将与此车辆事故相关联的所述事故现场数据并发送,其中,所述事故现场数据包括:事故时间、地点、道路环境、车辆位置、行车轨迹数据记录、车辆仪表数据记录;
所述事故关联数据获取装置,用于根据事故发生时间获取与此车辆事故相关联的所述行车状态数据、所述行车路径数据、所述驾驶行为数据。
B20、如B19所述的系统,其中,
所述车险理赔分析装置,用于使用所述使用车辆保险理赔辅助模型并根据所述事故现场数据和所述事故前行车数据获得车辆发生事故前的事故风险估计值,并获得对于车辆事故的事故分析信息,基于所述事故风险估计值以及所述事故分析信息生成理赔判定参考方案。
B21、如B13至B20任一所述的系统,其中,
所述车险定价分析装置,用于获取历史行车数据以及与所述历史行车数据对应的历史车险定价方案,生成第一训练样本集;构建所述车辆保险定价分析模型并利用所述第一训练样本集进行深度学习训练,使用训练好的所述车辆保险定价分析模型分析所述行车数据并生成所述车险定价建议方案。
B22、如B13至B20任一所述的系统,其中,
所述车险理赔分析装置,用于获取历史事故现场数据和历史事故前行车数据、以及与所述历史事故现场数据和所述历史事故前行车数据相对应的保险理赔方案,生成第二训练样本;构建所述车辆保险理赔辅助模型并利用所述第二训练样本集进行深度学习训练,使用训练好的所述车辆保险理赔辅助模型分析所述事故现场数据和所述事故前行车数据并生成所述理赔判定参考方案。
B23、如B13至B20任一所述的系统,其中,还包括:
车辆数据分享装置,用于对所述行车数据和所述事故现场数据进行处理,生成承诺凭证数据;根据所述承诺凭证数据的类型从区块链网络中确定目标区块链节点;将所述承诺凭证数据存储在与其对应的区块链节点中,用以在所述区块链网络中共享所述承诺凭证数据。
B24、如B23所述的系统,其中,还包括:
分析结果分享装置,用于生成与所述车险定价建议方案和所述理赔判定参考方案相对应的综合运算凭证;将所述综合运算凭证存储在区块链节点中,用以在所述区块链网络中共享所述综合运算凭证;其中,当从区块链网络获取所述车险定价建议方案和所述理赔判定参考方案时,对所述综合运算凭证进行盲评价验证。
C25、一种车辆保险业务数据分析系统,其中,包括:
存储器;以及耦接至所述存储器的处理器,所述处理器被配置为基于存储在所述存储器中的指令,执行如A1至A12中任一项所述的车辆保险业务数据分析方法。
D26、一种计算机可读存储介质,其上存储有计算机程序指令,该指令被一个或多个处理器执行时实现A1至A12任意一项所述的车辆保险业务数据分析方法的步骤。
Claims (10)
1.一种车辆保险业务数据分析方法,其特征在于,包括:
获取汽车数据存储装置发送的行车数据;
使用车辆保险定价分析模型获得与所述行车数据相对应的车险定价建议方案;
获取与车辆事故相关联的事故现场数据,基于事故发生时间从所述行车数据中提取与此车辆事故相关联的事故前行车数据;
使用车辆保险理赔辅助模型并根据所述事故现场数据和所述事故前行车数据生成理赔判定参考方案。
2.如权利要求1所述的方法,其特征在于,所述事故前行车数据包括:行车状态数据、行车路径数据、驾驶行为数据;所述方法还包括:
使用所述车辆保险定价分析模型获得与所述行车数据相对应的用户车险评估信息;
基于所述用户车险评估信息生成对于此用户的所述车险定价建议方案。
3.如权利要求2所述的方法,其特征在于,所述使用所述车辆保险定价分析模型获得与所述行车数据相对应的用户车险评估信息包括:
使用所述车辆保险定价分析模型获得分别与所述行车状态数据、所述行车路径数据、所述驾驶行为数据相对应的车辆状况评估值、行驶路径风险评估值、驾驶习惯风险评估值;
所述基于所述用户车险评估信息生成对于此用户的所述车险定价建议方案包括:
基于车险定价规则并根据所述车辆状况评估值、所述行驶路径风险评估值、所述驾驶习惯风险评估值生成所述车险定价建议方案。
4.如权利要求3所述的方法,其特征在于,还包括:
所述汽车数据存储装置获取传感器或电子控制单元采集的所述行车状态数据并发送。
5.一种车辆保险业务数据分析系统,其特征在于,包括:
车辆数据获取装置,用于获取汽车数据存储装置发送的行车数据,获取与车辆事故相关联的事故现场数据;
车险定价分析装置,用于使用车辆保险定价分析模型获得与所述行车数据相对应的车险定价建议方案;
事故关联数据获取装置,用于基于事故发生时间从所述行车数据中提取与此车辆事故相关联的事故前行车数据;
车险理赔分析装置,用于使用车辆保险理赔辅助模型并根据所述事故现场数据和所述事故前行车数据生成理赔判定参考方案。
6.如权利要求5所述的系统,其特征在于,所述事故前行车数据包括:行车状态数据、行车路径数据、驾驶行为数据;所述方法还包括:
所述车险定价分析装置,用于使用所述车辆保险定价分析模型获得与所述行车数据相对应的用户车险评估信息;基于所述用户车险评估信息生成对于此用户的所述车险定价建议方案。
7.如权利要求6所述的系统,其特征在于,
所述车险定价分析装置,还用于使用所述车辆保险定价分析模型获得分别与所述行车状态数据、所述行车路径数据、所述驾驶行为数据相对应的车辆状况评估值、行驶路径风险评估值、驾驶习惯风险评估值;基于车险定价规则并根据所述车辆状况评估值、所述行驶路径风险评估值、所述驾驶习惯风险评估值生成所述车险定价建议方案。
8.如权利要求7所述的系统,其特征在于,
所述汽车数据存储装置获取传感器或电子控制单元采集的所述行车状态数据并发送。
9.一种车辆保险业务数据分析系统,其特征在于,包括:
存储器;以及耦接至所述存储器的处理器,所述处理器被配置为基于存储在所述存储器中的指令,执行如权利要求1至4中任一项所述的车辆保险业务数据分析方法。
10.一种计算机可读存储介质,其上存储有计算机程序指令,该指令被一个或多个处理器执行时实现权利要求1至4任意一项所述的车辆保险业务数据分析方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810449952.XA CN108734592A (zh) | 2018-05-11 | 2018-05-11 | 车辆保险业务数据分析方法和系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810449952.XA CN108734592A (zh) | 2018-05-11 | 2018-05-11 | 车辆保险业务数据分析方法和系统 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN108734592A true CN108734592A (zh) | 2018-11-02 |
Family
ID=63938188
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201810449952.XA Pending CN108734592A (zh) | 2018-05-11 | 2018-05-11 | 车辆保险业务数据分析方法和系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN108734592A (zh) |
Cited By (20)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
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 |
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 |
CN111260487A (zh) * | 2020-01-20 | 2020-06-09 | 北京中科泽达科技有限公司 | 一种车险理赔的风险控制方法及装置 |
CN111784525A (zh) * | 2020-07-10 | 2020-10-16 | 支付宝(杭州)信息技术有限公司 | 基于多方安全计算的保险理赔请求处理方法、装置和系统 |
CN112070553A (zh) * | 2020-09-15 | 2020-12-11 | 成都雅信安科技服务有限公司 | 一种基于车载数据辅助保险公司车险定价的方法及装置 |
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 |
CN113379555A (zh) * | 2021-06-07 | 2021-09-10 | 北京车与车科技有限公司 | 一种基于深度学习的车险风控定价模型方法 |
CN113570470A (zh) * | 2021-07-28 | 2021-10-29 | 车航道(吉林)科技有限公司 | 一种汽车保险用快速管理系统 |
CN113612821A (zh) * | 2021-07-14 | 2021-11-05 | 支付宝(杭州)信息技术有限公司 | 多方安全计算中的数据交互方法和装置 |
WO2021262609A1 (en) * | 2020-06-22 | 2021-12-30 | Hi.Q, Inc. | Computing system implementing a cognitive-based risk assessment service for motor vehicle risk determination |
CN114072863A (zh) * | 2019-07-08 | 2022-02-18 | 株式会社日立高新技术 | 事故风险诊断方法、事故风险诊断装置以及事故风险诊断系统 |
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 |
US11380442B2 (en) | 2014-11-14 | 2022-07-05 | Hi.Q, Inc. | Computing system predicting health using correlated health assertion library |
US11380423B2 (en) | 2014-11-14 | 2022-07-05 | Hi.Q, Inc. | Computing system implementing a health service for correlating health knowledge and activity data with predictive health outcomes |
CN114841818A (zh) * | 2022-04-18 | 2022-08-02 | 北京交通大学 | 一种基于跨链技术的隐私保护定制化车险竞价方法 |
US11494847B2 (en) | 2019-08-29 | 2022-11-08 | Toyota Motor North America, Inc. | Analysis of transport damage |
US11568364B2 (en) | 2014-11-14 | 2023-01-31 | Hi.Q, Inc. | Computing system implementing morbidity prediction using a correlative health assertion library |
US11574714B2 (en) | 2014-11-14 | 2023-02-07 | Hi. Q, Inc. | Remote health assertion verification and mortality prediction system |
US11618395B2 (en) | 2019-09-17 | 2023-04-04 | Ford Global Technologies, Llc | Vehicle data verification |
CN117094781A (zh) * | 2023-08-25 | 2023-11-21 | 国任财产保险股份有限公司 | 一种智能车险定价和理赔处理方法及系统 |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103150675A (zh) * | 2013-01-30 | 2013-06-12 | 郁佳敏 | 汽车保险的风险监测系统 |
US20150187014A1 (en) * | 2013-12-31 | 2015-07-02 | Hartford Fire Insurance Company | System and method for expectation based processing |
CN106157614A (zh) * | 2016-06-29 | 2016-11-23 | 北京奇虎科技有限公司 | 汽车事故责任确定方法及系统 |
CN106411998A (zh) * | 2016-07-15 | 2017-02-15 | 南京邮电大学 | 基于车联网大数据的ubi系统预测方法 |
CN106971343A (zh) * | 2016-01-13 | 2017-07-21 | 平安科技(深圳)有限公司 | 保险数据的风险分析方法及系统 |
CN107770159A (zh) * | 2017-09-30 | 2018-03-06 | 深圳市轱辘车联数据技术有限公司 | 一种车辆事故数据记录方法及装置 |
CN107845039A (zh) * | 2016-09-20 | 2018-03-27 | 得道车联网络科技(上海)有限公司 | 一种无尺度自适应的车联网车险评分模型 |
-
2018
- 2018-05-11 CN CN201810449952.XA patent/CN108734592A/zh active Pending
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103150675A (zh) * | 2013-01-30 | 2013-06-12 | 郁佳敏 | 汽车保险的风险监测系统 |
US20150187014A1 (en) * | 2013-12-31 | 2015-07-02 | Hartford Fire Insurance Company | System and method for expectation based processing |
CN106971343A (zh) * | 2016-01-13 | 2017-07-21 | 平安科技(深圳)有限公司 | 保险数据的风险分析方法及系统 |
CN106157614A (zh) * | 2016-06-29 | 2016-11-23 | 北京奇虎科技有限公司 | 汽车事故责任确定方法及系统 |
CN106411998A (zh) * | 2016-07-15 | 2017-02-15 | 南京邮电大学 | 基于车联网大数据的ubi系统预测方法 |
CN107845039A (zh) * | 2016-09-20 | 2018-03-27 | 得道车联网络科技(上海)有限公司 | 一种无尺度自适应的车联网车险评分模型 |
CN107770159A (zh) * | 2017-09-30 | 2018-03-06 | 深圳市轱辘车联数据技术有限公司 | 一种车辆事故数据记录方法及装置 |
Cited By (25)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US11574714B2 (en) | 2014-11-14 | 2023-02-07 | Hi. Q, Inc. | Remote health assertion verification and mortality prediction system |
US11568364B2 (en) | 2014-11-14 | 2023-01-31 | Hi.Q, Inc. | Computing system implementing morbidity prediction using a correlative health assertion library |
US11380423B2 (en) | 2014-11-14 | 2022-07-05 | Hi.Q, Inc. | Computing system implementing a health service for correlating health knowledge and activity data with predictive health outcomes |
US11380442B2 (en) | 2014-11-14 | 2022-07-05 | Hi.Q, Inc. | Computing system predicting health using correlated health assertion library |
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 |
CN114072863A (zh) * | 2019-07-08 | 2022-02-18 | 株式会社日立高新技术 | 事故风险诊断方法、事故风险诊断装置以及事故风险诊断系统 |
EP3998591A4 (en) * | 2019-07-08 | 2023-07-12 | Hitachi High-Tech Corporation | ACCIDENT RISK DIAGNOSTIC METHOD, ACCIDENT RISK DIAGNOSTIC DEVICE AND ACCIDENT RISK DIAGNOSTIC SYSTEM |
US11978123B2 (en) | 2019-08-29 | 2024-05-07 | Toyota Motor North America, Inc. | Analysis of transport damage |
US11494847B2 (en) | 2019-08-29 | 2022-11-08 | Toyota Motor North America, Inc. | Analysis of transport damage |
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 |
US11618395B2 (en) | 2019-09-17 | 2023-04-04 | Ford Global Technologies, Llc | Vehicle data verification |
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 |
CN111260487A (zh) * | 2020-01-20 | 2020-06-09 | 北京中科泽达科技有限公司 | 一种车险理赔的风险控制方法及装置 |
WO2021262609A1 (en) * | 2020-06-22 | 2021-12-30 | Hi.Q, Inc. | Computing system implementing a cognitive-based risk assessment service for motor vehicle risk determination |
CN111784525A (zh) * | 2020-07-10 | 2020-10-16 | 支付宝(杭州)信息技术有限公司 | 基于多方安全计算的保险理赔请求处理方法、装置和系统 |
CN112070553A (zh) * | 2020-09-15 | 2020-12-11 | 成都雅信安科技服务有限公司 | 一种基于车载数据辅助保险公司车险定价的方法及装置 |
CN113379555A (zh) * | 2021-06-07 | 2021-09-10 | 北京车与车科技有限公司 | 一种基于深度学习的车险风控定价模型方法 |
CN113612821A (zh) * | 2021-07-14 | 2021-11-05 | 支付宝(杭州)信息技术有限公司 | 多方安全计算中的数据交互方法和装置 |
CN113570470A (zh) * | 2021-07-28 | 2021-10-29 | 车航道(吉林)科技有限公司 | 一种汽车保险用快速管理系统 |
CN113570470B (zh) * | 2021-07-28 | 2023-10-31 | 车航道(吉林)科技有限公司 | 一种汽车保险用快速管理系统 |
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 |
CN114841818A (zh) * | 2022-04-18 | 2022-08-02 | 北京交通大学 | 一种基于跨链技术的隐私保护定制化车险竞价方法 |
CN114841818B (zh) * | 2022-04-18 | 2023-06-16 | 北京交通大学 | 一种基于跨链技术的定制化车险竞价隐私保护方法 |
CN117094781A (zh) * | 2023-08-25 | 2023-11-21 | 国任财产保险股份有限公司 | 一种智能车险定价和理赔处理方法及系统 |
CN117094781B (zh) * | 2023-08-25 | 2024-02-09 | 国任财产保险股份有限公司 | 一种智能车险理赔处理方法及系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108734592A (zh) | 车辆保险业务数据分析方法和系统 | |
CN108428340A (zh) | 道路交通状况分析方法和系统 | |
Carfora et al. | A “pay-how-you-drive” car insurance approach through cluster analysis | |
US11578990B1 (en) | Personalized driving risk modeling and estimation system and methods | |
US11948199B2 (en) | Interactive dashboard display | |
CN109690606B (zh) | 基于远程信息处理的系统及其相应的方法 | |
Castignani et al. | Driver behavior profiling using smartphones: A low-cost platform for driver monitoring | |
JP6668497B2 (ja) | テレマティクスシステム及びその対応する方法 | |
US20200134735A1 (en) | Enhancement using analytics based on vehicle kinematic data | |
EP3854650B1 (en) | Risk unit based policies | |
CA3026415C (en) | Traveling-based insurance ratings | |
JP2021168193A (ja) | テレマティックス接続サーチエンジンを使用する動的なスコアベースの危険性測定及び集約のためのインテリジェントな自己適応型車両用装置及びその対応する方法 | |
CA3035541C (en) | Generating an output based on processed sensor data | |
JP2020536317A (ja) | センシング・デバイスを用いた車両運転リスクのモニタリング | |
EP4016435A1 (en) | Risk unit based policies | |
CN109844793A (zh) | 基于智能、远程信息处理的oem线路装配系统及其对应方法,用于按比例缩放的实时风险测量/风险评分驱动信令 | |
US20100030582A1 (en) | Centrally maintained portable driving score | |
WO2018075619A1 (en) | Road frustration index risk mapping and mitigation | |
US20180268621A1 (en) | Usage-based vehicle leasing and other services with a dongle module | |
US11449950B2 (en) | Data processing systems with machine learning engines for dynamically generating risk index dashboards | |
Longhi et al. | Car telematics big data analytics for insurance and innovative mobility services | |
US20240013310A1 (en) | Fully integrated and embedded measuring system directed to a score-indexing parameter essentially based on directly measured connected motor vehicle sensory data and method thereof | |
Kumar | Driver Usage Risk Profiling by Analyzing Vehicle Driving Behavior using Machine Learning Model Based on Vehicular Cloud Telematics Data | |
US20230227046A1 (en) | Mobility index determination | |
Mahmoudzadeh et al. | Car abuse rate: A car treatment history representation |
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: 20181102 |