CN109543909A - 车辆案件数量的预测方法、装置和计算机设备 - Google Patents
车辆案件数量的预测方法、装置和计算机设备 Download PDFInfo
- Publication number
- CN109543909A CN109543909A CN201811422695.7A CN201811422695A CN109543909A CN 109543909 A CN109543909 A CN 109543909A CN 201811422695 A CN201811422695 A CN 201811422695A CN 109543909 A CN109543909 A CN 109543909A
- Authority
- CN
- China
- Prior art keywords
- grid
- vehicle case
- vehicle
- unit time
- prediction
- 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.)
- Granted
Links
- 238000000034 method Methods 0.000 title claims abstract description 43
- 238000012549 training Methods 0.000 claims description 90
- 238000004422 calculation algorithm Methods 0.000 claims description 24
- 238000010801 machine learning Methods 0.000 claims description 16
- 238000004590 computer program Methods 0.000 claims description 10
- 238000004364 calculation method Methods 0.000 claims description 2
- 230000006870 function Effects 0.000 description 8
- 238000010586 diagram Methods 0.000 description 7
- 238000004891 communication Methods 0.000 description 6
- 230000005291 magnetic effect Effects 0.000 description 6
- 230000008569 process Effects 0.000 description 6
- 238000012545 processing Methods 0.000 description 6
- 230000003287 optical effect Effects 0.000 description 5
- 238000001514 detection method Methods 0.000 description 4
- 230000004044 response Effects 0.000 description 4
- 238000000638 solvent extraction Methods 0.000 description 4
- 238000010168 coupling process Methods 0.000 description 3
- 238000005859 coupling reaction Methods 0.000 description 3
- 230000002093 peripheral effect Effects 0.000 description 3
- 238000013528 artificial neural network Methods 0.000 description 2
- 230000008878 coupling Effects 0.000 description 2
- 238000007477 logistic regression Methods 0.000 description 2
- 239000000463 material Substances 0.000 description 2
- 206010039203 Road traffic accident Diseases 0.000 description 1
- 230000001133 acceleration Effects 0.000 description 1
- 238000013473 artificial intelligence Methods 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 238000003066 decision tree Methods 0.000 description 1
- 238000000151 deposition Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000005611 electricity Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 239000000686 essence Substances 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 239000013307 optical fiber Substances 0.000 description 1
- 238000005192 partition Methods 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 238000012706 support-vector machine Methods 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
- G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
-
- 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
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/10—Services
- G06Q50/26—Government or public services
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02A—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
- Y02A90/00—Technologies having an indirect contribution to adaptation to climate change
- Y02A90/10—Information and communication technologies [ICT] supporting adaptation to climate change, e.g. for weather forecasting or climate simulation
Landscapes
- Business, Economics & Management (AREA)
- Engineering & Computer Science (AREA)
- Strategic Management (AREA)
- Human Resources & Organizations (AREA)
- Tourism & Hospitality (AREA)
- Economics (AREA)
- Physics & Mathematics (AREA)
- General Business, Economics & Management (AREA)
- Marketing (AREA)
- Theoretical Computer Science (AREA)
- Development Economics (AREA)
- General Physics & Mathematics (AREA)
- Educational Administration (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Primary Health Care (AREA)
- Game Theory and Decision Science (AREA)
- Entrepreneurship & Innovation (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Traffic Control Systems (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本申请提出了一种车辆案件数量的预测方法、装置和计算机设备,其中,上述车辆案件数量的预测方法包括:将目标地理区域划分为预定大小的网格;对每个网格包括的地理信息进行统计,所述每个网格包括的地理信息包括路口数量、道路信息和城市兴趣点;获取每个网格在目标预测时段之前的预定时段内发生的车辆案件的历史数据,以及所述预定时段内的历史天气数据;根据所述每个网格包括的地理信息、所述预定时段内发生的车辆案件的历史数据和所述历史天气数据,通过预先训练的预测模型,对所述每个网格在所述目标预测时段发生车辆案件的数量进行预测。本申请可以提高对目标地理区域发生的车辆案件的数量进行预测的准确度。
Description
【技术领域】
本申请涉及人工智能技术领域,尤其涉及一种车辆案件数量的预测方法、装置和计算机设备。
【背景技术】
随着社会的发展,交通车辆越来越多,车辆参加保险已经是购买车辆后第一道手续。随着车辆的增多,车辆发生交通事故的绝对数量也相应变大。当被保险的车辆发生交通事故时,保险公司需要对被保险的车辆进行理赔。因此可以对车辆案件(例如:车辆发生交通事故)的数量进行预测,从而初步预估理赔金额。
但是现有相关技术中,对车辆案件数量的预测一般基于路段级别进行,对车辆案件数量预测的准确度较低。
【发明内容】
本申请实施例提供了一种车辆案件数量的预测方法、装置和计算机设备,以实现提高对目标地理区域发生的车辆案件的数量进行预测的准确度。
第一方面,本申请实施例提供了一种车辆案件数量的预测方法,包括:将目标地理区域划分为预定大小的网格;对每个网格包括的地理信息进行统计,所述每个网格包括的地理信息包括路口数量、道路信息和城市兴趣点;获取每个网格在目标预测时段之前的预定时段内发生的车辆案件的历史数据,以及所述预定时段内的历史天气数据;根据所述每个网格包括的地理信息、所述预定时段内发生的车辆案件的历史数据和所述历史天气数据,通过预先训练的预测模型,对所述每个网格在所述目标预测时段发生车辆案件的数量进行预测。
其中一种可能的实现方式中,所述获取每个网格在目标预测时段之前的预定时段内发生的车辆案件的历史数据包括:获取每个网格在所述预定时段包括的每个单位时长内发生的车辆案件的数量;以及,根据每个单位时长内发生的车辆案件的数量,计算任意两个单位时长内发生的车辆案件的数量差。
其中一种可能的实现方式中,所述根据所述每个网格包括的地理信息、所述预定时段内发生的车辆案件的历史数据和所述历史天气数据,通过预先训练的预测模型,对所述每个网格在所述目标预测时段发生车辆案件的数量进行预测包括:将所述每个网格包括的地理信息、所述每个单位时长内发生的车辆案件的历史数据和所述历史天气数据整合为每个网格在每个单位时长的特征向量;将所述每个网格在每个单位时长的特征向量输入所述预先训练的预测模型,预测所述每个网格在所述目标预测时段发生车辆案件的数量。
其中一种可能的实现方式中,所述根据所述每个网格包括的地理信息、所述预定时段内发生的车辆案件的历史数据和所述历史天气数据,通过预先训练的预测模型,对所述每个网格在所述目标预测时段发生车辆案件的数量进行预测之前还包括:通过机器学习算法对训练模型进行训练,获得所述预测模型。
其中一种可能的实现方式中,所述通过机器学习算法对训练模型进行训练,获得所述预测模型包括:将待训练的地理区域划分为预定大小的网格;对每个网格包括的地理信息进行统计,所述每个网格包括的地理信息包括路口数量、道路信息和城市兴趣点;获取每个网格在训练指定时段包括的每个单位时长内发生的车辆案件的数量;以及根据每个单位时长内发生的车辆案件的数量,计算任意两个单位时长内发生的车辆案件的数量差;获取每个网格在所述每个单位时长内的历史天气数据;将所述每个网格包括的地理信息、所述每个网格在所述每个单位时长内发生的车辆案件的数量、所述历史天气数据和所述数量差进行整合,获得每个网格在每个单位时长内的特征向量,以每个网格在每个单位时长内的特征向量作为训练样本的特征值;从所述训练指定时段中选择预定数量的单位时长;获取每个网格在选择的单位时长内发生的车辆案件的数量,以每个网格在选择的单位时长内发生的车辆案件的数量作为所述训练样本的标签值;将所述训练样本的特征值输入训练模型,通过机器学习算法对所述训练模型进行训练;当所述训练模型的输出值与所述训练样本的标签值之间的误差小于预定阈值时,获得所述预测模型。
第二方面,本申请实施例提供了一种车辆案件数量的预测装置,包括:划分模块,用于将目标地理区域划分为预定大小的网格;统计模块,用于对每个网格包括的地理信息进行统计,所述每个网格包括的地理信息包括路口数量、道路信息和城市兴趣点;获取模块,用于获取每个网格在目标预测时段之前的预定时段内发生的车辆案件的历史数据,以及所述预定时段内的历史天气数据;预测模块,用于根据所述统计模块统计的每个网格包括的地理信息、所述获取模块获取的预定时段内发生的车辆案件的历史数据和所述历史天气数据,通过预先训练的预测模型,对所述每个网格在所述目标预测时段发生车辆案件的数量进行预测。
其中一种可能的实现方式中,所述获取模块,具体用于获取每个网格在所述预定时段包括的每个单位时长内发生的车辆案件的数量;以及,根据每个单位时长内发生的车辆案件的数量,计算任意两个单位时长内发生的车辆案件的数量差。
其中一种可能的实现方式中,所述预测模块,具体用于将所述每个网格包括的地理信息、所述每个单位时长内发生的车辆案件的历史数据和所述历史天气数据整合为每个网格在每个单位时长的特征向量;以及将所述每个网格在每个单位时长的特征向量输入所述预先训练的预测模型,预测所述每个网格在所述目标预测时段发生车辆案件的数量。
其中一种可能的实现方式中,所述装置还包括:训练模块,用于在所述预测模块对所述每个网格在所述目标预测时段发生车辆案件的数量进行预测之前,通过机器学习算法对训练模型进行训练,获得所述预测模型。
其中一种可能的实现方式中,所述训练模块包括:网格划分子模块,用于将待训练的地理区域划分为预定大小的网格;地理信息统计子模块,用于对每个网格包括的地理信息进行统计,所述每个网格包括的地理信息包括路口数量、道路信息和城市兴趣点;数据获取子模块,用于获取每个网格在训练指定时段包括的每个单位时长内发生的车辆案件的数量;以及根据每个单位时长内发生的车辆案件的数量,计算任意两个单位时长内发生的车辆案件的数量差;以及获取每个网格在所述每个单位时长内的历史天气数据;整合子模块,用于将所述每个网格包括的地理信息、所述每个网格在所述每个单位时长内发生的车辆案件的数量、所述历史天气数据和所述数量差进行整合,获得每个网格在每个单位时长内的特征向量,以每个网格在每个单位时长内的特征向量作为训练样本的特征值;选择子模块,用于从所述训练指定时段中选择预定数量的单位时长;所述数据获取子模块,还用于获取每个网格在选择的单位时长内发生的车辆案件的数量,以每个网格在选择的单位时长内发生的车辆案件的数量作为所述训练样本的标签值;模型训练子模块,用于将所述训练样本的特征值输入训练模型,通过机器学习算法对所述训练模型进行训练;当所述训练模型的输出值与所述训练样本的标签值之间的误差小于预定阈值时,获得所述预测模型。
第三方面,本申请实施例提供一种计算机设备,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,实现如上所述的方法。
第四方面,本申请实施例提供一种非临时性计算机可读存储介质,其上存储有计算机程序,所述计算机程序被处理器执行时实现如上所述的方法。
以上技术方案中,将目标地理区域划分为预定大小的网格,对每个网格包括的地理信息进行统计,每个网格包括的地理信息包括路口数量、道路信息和城市兴趣点;然后,获取每个网格在目标预测时段之前的预定时段内发生的车辆案件的历史数据,以及上述预定时段内的历史天气数据,最后,根据上述每个网格包括的地理信息、上述预定时段内发生的车辆案件的历史数据和上述历史天气数据,通过预先训练的预测模型,对每个网格在上述目标预测时段发生车辆案件的数量进行预测,从而可以实现结合城市兴趣点对目标地理区域发生车辆案件的数量进行预测,提高了预测的准确度,并且可移植性强,适用度较高。
【附图说明】
为了更清楚地说明本申请实施例的技术方案,下面将对实施例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它的附图。
图1为本申请车辆案件数量的预测方法一个实施例的流程图;
图2为本申请车辆案件数量的预测方法另一个实施例的流程图;
图3为本申请车辆案件数量的预测方法再一个实施例的流程图;
图4为本申请车辆案件数量的预测方法再一个实施例的流程图;
图5为本申请车辆案件数量的预测方法再一个实施例的流程图;
图6为本申请车辆案件数量的预测装置一个实施例的结构示意图;
图7为本申请车辆案件数量的预测装置另一个实施例的结构示意图;
图8为本申请计算机设备一个实施例的结构示意图。
【具体实施方式】
为了更好的理解本申请的技术方案,下面结合附图对本申请实施例进行详细描述。
应当明确,所描述的实施例仅仅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作出创造性劳动前提下所获得的所有其它实施例,都属于本申请保护的范围。
在本申请实施例中使用的术语是仅仅出于描述特定实施例的目的,而非旨在限制本申请。在本申请实施例和所附权利要求书中所使用的单数形式的“一种”、“所述”和“该”也旨在包括多数形式,除非上下文清楚地表示其他含义。
图1为本申请车辆案件数量的预测方法一个实施例的流程图,如图1所示,上述车辆案件数量的预测方法可以包括:
步骤101,将目标地理区域划分为预定大小的网格。
其中,上述预定大小可以在具体实现时,根据系统性能和/或实现需求等自行设定,本实施例对上述预定大小不作限定,举例来说,上述预定大小可以为500m×500m。
在具体实现时,将目标地理区域划分为预定大小的网格可以为:获取目标地理区域对应的地图,然后将上述预定大小按照上述地图的比例尺进行缩小,按照缩小后的尺寸将上述地图划分为网格。
步骤102,对每个网格包括的地理信息进行统计,上述每个网格包括的地理信息包括路口数量、道路信息和城市兴趣点(Point of Interest;以下简称:POI)。
其中,上述城市POI可以为:楼宇、商铺、邮筒或公交站等。
步骤103,获取每个网格在目标预测时段之前的预定时段内发生的车辆案件的历史数据,以及上述预定时段内的历史天气数据。
其中,上述目标预测时段按照预测的时间维度可以分为当天、当前这一小时或者当月等,本实施例对此不作限定;上述预定时段为按照与上述目标预测时段的相同时间维度,在上述目标预测时段之前的包括预定数量的单位时长的时段,本实施例对上述预定数量的大小不作限定,例如:当上述目标预测时段为当天,预定数量为7时,上述预定时段为当天之前的7天。
其中,上述车辆案件可以包括车险案件或车辆的交通违章案件等,本实施例对上述车辆案件的具体类型不作限定。
步骤104,根据上述每个网格包括的地理信息、上述预定时段内发生的车辆案件的历史数据和上述历史天气数据,通过预先训练的预测模型,对每个网格在上述目标预测时段发生车辆案件的数量进行预测。
由于天气情况对发生车辆案件的数量也会有影响,因此本实施例在对发生车辆案件的数量进行预测时,需要获取历史天气数据,然后根据上述每个网格包括的地理信息、上述预定时段内发生的车辆案件的历史数据和上述历史天气数据,利用预先训练的预测模型,就可以对每个网格在上述目标预测时段发生车辆案件的数量进行预测。
上述车辆案件数量的预测方法中,将目标地理区域划分为预定大小的网格,对每个网格包括的地理信息进行统计,每个网格包括的地理信息包括路口数量、道路信息和城市兴趣点;然后,获取每个网格在目标预测时段之前的预定时段内发生的车辆案件的历史数据,以及上述预定时段内的历史天气数据,最后,根据上述每个网格包括的地理信息、上述预定时段内发生的车辆案件的历史数据和上述历史天气数据,通过预先训练的预测模型,对每个网格在上述目标预测时段发生车辆案件的数量进行预测,从而可以实现结合城市兴趣点对目标地理区域发生车辆案件的数量进行预测,提高了预测的准确度,并且可移植性强,适用度较高。
图2为本申请车辆案件数量的预测方法另一个实施例的流程图,如图2所示,本申请图1所示实施例中,步骤103可以包括:
步骤201,获取每个网格在上述预定时段包括的每个单位时长内发生的车辆案件的数量;以及,根据每个单位时长内发生的车辆案件的数量,计算任意两个单位时长内发生的车辆案件的数量差。
以时间维度为天为例,假设目标预测时段为当天,上述预定时段包括预定数量的单位时长,上述预定数量为7,因此获取每个网格在上述预定时段包括的每个单位时长内发生的车辆案件的数量可以为:获取每个网格在上述7天中的每天内发生的车辆案件的数量。
获取每个网格在上述7天中的每天内发生的车辆案件的数量之后,可以根据每天发生的车辆案件的数量,计算任意两天发生的车辆案件的数量差,例如:可以计算7天中相邻两天发生的车辆案件的数量差。
步骤202,获取上述预定时段内的历史天气数据。
图3为本申请车辆案件数量的预测方法再一个实施例的流程图,如图3所示,本申请图1所示实施例中,步骤104可以包括:
步骤301,将上述每个网格包括的地理信息、每个单位时长内发生的车辆案件的历史数据和上述历史天气数据整合为每个网格在每个单位时长的特征向量。
步骤302,将上述每个网格在每个单位时长的特征向量输入上述预先训练的预测模型,预测上述每个网格在上述目标预测时段发生车辆案件的数量。
图4为本申请车辆案件数量的预测方法再一个实施例的流程图,如图4所示,本申请图1所示实施例中,步骤104之前,还可以包括:
步骤401,通过机器学习算法对训练模型进行训练,获得上述预测模型。
其中,上述机器学习算法可以为梯度提升决策树(Gradient Boosting DecisionTree;以下简称:GBDT)算法,当然也可以采用其他的机器学习算法,例如:逻辑回归算法、支持向量机(Support Vector Machine;以下简称:SVM)算法或神经网络算法等,本实施例对此不作限定,但本实施例以GBDT为例进行说明。
图5为本申请车辆案件数量的预测方法再一个实施例的流程图,如图5所示,本申请图4所示实施例中,步骤401可以包括:
步骤501,将待训练的地理区域划分为预定大小的网格。
其中,上述预定大小可以在具体实现时,根据系统性能和/或实现需求等自行设定,本实施例对上述预定大小不作限定,举例来说,上述预定大小可以为500m×500m。
在具体实现时,将待训练的地理区域划分为预定大小的网格可以为:获取待训练的地理区域对应的地图,然后将上述预定大小按照上述地图的比例尺进行缩小,按照缩小后的尺寸将上述地图划分为网格。
步骤502,对每个网格包括的地理信息进行统计,上述每个网格包括的地理信息包括路口数量、道路信息和城市POI。
步骤503,获取每个网格在训练指定时段包括的每个单位时长内发生的车辆案件的数量;以及根据每个单位时长内发生的车辆案件的数量,计算任意两个单位时长内发生的车辆案件的数量差。
步骤504,获取每个网格在上述每个单位时长内的历史天气数据。
步骤505,将上述每个网格包括的地理信息、每个网格在每个单位时长内发生的车辆案件的数量、上述历史天气数据和上述数量差进行整合,获得每个网格在每个单位时长内的特征向量,以每个网格在每个单位时长内的特征向量作为训练样本的特征值。
步骤506,从上述训练指定时段中选择预定数量的单位时长。
步骤507,获取每个网格在选择的单位时长内发生的车辆案件的数量,以每个网格在选择的单位时长内发生的车辆案件的数量作为上述训练样本的标签值。
步骤508,将上述训练样本的特征值输入训练模型,通过机器学习算法对上述训练模型进行训练。
步骤509,当上述训练模型的输出值与上述训练样本的标签值之间的误差小于预定阈值时,获得上述预测模型。
其中,上述预定阈值可以在具体实现时,根据系统性能和/或实现需求等自行设定,本实施例对上述预定阈值的大小不作限定。
具体地,上述预定数量可以在具体实现时根据系统性能和/或实现需求等自行设定,本实施例对上述预定数量的大小不作限定。
举例来说,假设上述训练指定时段为一段长达20天的时间,时间维度为天,以每个网格在上述20天所包括的每天内的特征向量作为训练样本的特征值。
上述预定数量可以为17,也就是说,可以从20天中选择第4天-第20天作为所选择的单位时长。
然后,获取每个网格在第4天-第20天的每天内发生的车辆案件的数量,以每个网格在第4天-第20天的每天内发生的车辆案件的数量作为上述训练样本的标签值。
这样,在具体训练时,可以将每个网格在上述20天所包括的每天内的特征向量作为训练样本的特征值,输入训练模型,利用第1-3天的特征向量训练获得第4天发生的车辆案件的数量的预测值,利用第2-4天的特征向量训练获得第5天发生的车辆案件的数量的预测值,……,以此类推,这样上述训练模型的输出值为在第4天-第20天的每天内发生的车辆案件的数量的预测值。
而上述训练样本的标签值是在第4天-第20天的每天内发生的车辆案件的数量的实际值,在每次的训练过程中,都会将上述训练模型的输出值与上述训练样本的标签值进行对比,这样,当上述训练模型的输出值与上述训练样本的标签值之间的误差小于预定阈值时,说明上述训练模型的准确度符合要求,因此可以结束训练过程,以最终获得的训练模型作为预测模型。
图6为本申请车辆案件数量的预测装置一个实施例的结构示意图,本实施例中的车辆案件数量的预测装置可以实现本申请实施例提供的车辆案件数量的预测方法。如图6所示,上述车辆案件数量的预测装置可以包括:划分模块61、统计模块62、获取模块63和预测模块64;
其中,划分模块61,用于将目标地理区域划分为预定大小的网格;其中,上述预定大小可以在具体实现时,根据系统性能和/或实现需求等自行设定,本实施例对上述预定大小不作限定,举例来说,上述预定大小可以为500m×500m。
在具体实现时,将目标地理区域划分为预定大小的网格可以为:划分模块61获取目标地理区域对应的地图,然后将上述预定大小按照上述地图的比例尺进行缩小,按照缩小后的尺寸将上述地图划分为网格。
统计模块62,用于对每个网格包括的地理信息进行统计,上述每个网格包括的地理信息包括路口数量、道路信息和城市POI;其中,上述城市POI可以为:楼宇、商铺、邮筒或公交站等。
获取模块63,用于获取每个网格在目标预测时段之前的预定时段内发生的车辆案件的历史数据,以及上述预定时段内的历史天气数据;其中,上述目标预测时段按照预测的时间维度可以分为当天、当前这一小时或者当月等,本实施例对此不作限定;上述预定时段为按照与上述目标预测时段的相同时间维度,在上述目标预测时段之前的包括预定数量的单位时长的时段,本实施例对上述预定数量的大小不作限定,例如:当上述目标预测时段为当天,预定数量为7时,上述预定时段为当天之前的7天。
其中,上述车辆案件可以包括车险案件或车辆的交通违章案件等,本实施例对上述车辆案件的具体类型不作限定。
预测模块64,用于根据统计模块62统计的每个网格包括的地理信息、获取模块63获取的预定时段内发生的车辆案件的历史数据和上述历史天气数据,通过预先训练的预测模型,对上述每个网格在所述目标预测时段发生车辆案件的数量进行预测。
由于天气情况对发生车辆案件的数量也会有影响,因此预测模块64在对发生车辆案件的数量进行预测时,需要获取模块63获取历史天气数据,然后预测模块64根据上述每个网格包括的地理信息、上述预定时段内发生的车辆案件的历史数据和上述历史天气数据,利用预先训练的预测模型,就可以对每个网格在上述目标预测时段发生车辆案件的数量进行预测。
上述车辆案件数量的预测装置中,划分模块61将目标地理区域划分为预定大小的网格,统计模块62对每个网格包括的地理信息进行统计,每个网格包括的地理信息包括路口数量、道路信息和城市兴趣点;然后,获取模块63获取每个网格在目标预测时段之前的预定时段内发生的车辆案件的历史数据,以及上述预定时段内的历史天气数据,最后,预测模块64根据上述每个网格包括的地理信息、上述预定时段内发生的车辆案件的历史数据和上述历史天气数据,通过预先训练的预测模型,对每个网格在上述目标预测时段发生车辆案件的数量进行预测,从而可以实现结合城市兴趣点对目标地理区域发生车辆案件的数量进行预测,提高了预测的准确度,并且可移植性强,适用度较高。
图7为本申请车辆案件数量的预测装置另一个实施例的结构示意图,本实施例中,获取模块63,具体用于获取每个网格在上述预定时段包括的每个单位时长内发生的车辆案件的数量;以及,根据每个单位时长内发生的车辆案件的数量,计算任意两个单位时长内发生的车辆案件的数量差。
以时间维度为天为例,假设目标预测时段为当天,上述预定时段包括预定数量的单位时长,上述预定数量为7,因此获取模块63获取每个网格在上述预定时段包括的每个单位时长内发生的车辆案件的数量可以为:获取每个网格在上述7天中的每天内发生的车辆案件的数量。
获取每个网格在上述7天中的每天内发生的车辆案件的数量之后,获取模块63可以根据每天发生的车辆案件的数量,计算任意两天发生的车辆案件的数量差,例如:可以计算7天中相邻两天发生的车辆案件的数量差。
本实施例中,预测模块64,具体用于将上述每个网格包括的地理信息、上述每个单位时长内发生的车辆案件的历史数据和上述历史天气数据整合为每个网格在每个单位时长的特征向量;以及将每个网格在每个单位时长的特征向量输入预先训练的预测模型,预测上述每个网格在上述目标预测时段发生车辆案件的数量。
进一步地,上述车辆案件数量的预测装置还可以包括:训练模块65;
训练模块65,用于在预测模块64对每个网格在上述目标预测时段发生车辆案件的数量进行预测之前,通过机器学习算法对训练模型进行训练,获得上述预测模型。
其中,上述机器学习算法可以为GBDT算法,当然也可以采用其他的机器学习算法,例如:逻辑回归算法、SVM算法或神经网络算法等,本实施例对此不作限定,但本实施例以GBDT为例进行说明。
其中,训练模块65可以包括:网格划分子模块651、地理信息统计子模块652、数据获取子模块653、整合子模块654、选择子模块655和模型训练子模块656;
其中,网格划分子模块651,用于将待训练的地理区域划分为预定大小的网格;其中,上述预定大小可以在具体实现时,根据系统性能和/或实现需求等自行设定,本实施例对上述预定大小不作限定,举例来说,上述预定大小可以为500m×500m。
在具体实现时,将待训练的地理区域划分为预定大小的网格可以为:网格划分子模块651获取待训练的地理区域对应的地图,然后将上述预定大小按照上述地图的比例尺进行缩小,按照缩小后的尺寸将上述地图划分为网格。
地理信息统计子模块652,用于对每个网格包括的地理信息进行统计,上述每个网格包括的地理信息包括路口数量、道路信息和城市POI;
数据获取子模块653,用于获取每个网格在训练指定时段包括的每个单位时长内发生的车辆案件的数量;以及根据每个单位时长内发生的车辆案件的数量,计算任意两个单位时长内发生的车辆案件的数量差;以及获取每个网格在每个单位时长内的历史天气数据;
整合子模块654,用于将每个网格包括的地理信息、上述每个网格在每个单位时长内发生的车辆案件的数量、上述历史天气数据和上述数量差进行整合,获得每个网格在每个单位时长内的特征向量,以每个网格在每个单位时长内的特征向量作为训练样本的特征值;
选择子模块655,用于从上述训练指定时段中选择预定数量的单位时长;
数据获取子模块653,还用于获取每个网格在选择的单位时长内发生的车辆案件的数量,以每个网格在选择的单位时长内发生的车辆案件的数量作为上述训练样本的标签值;
模型训练子模块656,用于将上述训练样本的特征值输入训练模型,通过机器学习算法对上述训练模型进行训练;当上述训练模型的输出值与上述训练样本的标签值之间的误差小于预定阈值时,获得上述预测模型。
其中,上述预定阈值可以在具体实现时,根据系统性能和/或实现需求等自行设定,本实施例对上述预定阈值的大小不作限定。
具体地,上述预定数量可以在具体实现时根据系统性能和/或实现需求等自行设定,本实施例对上述预定数量的大小不作限定。
举例来说,假设上述训练指定时段为一段长达20天的时间,时间维度为天,以每个网格在上述20天所包括的每天内的特征向量作为训练样本的特征值。
上述预定数量可以为17,也就是说,可以从20天中选择第4天-第20天作为所选择的单位时长。
然后,获取每个网格在第4天-第20天的每天内发生的车辆案件的数量,以每个网格在第4天-第20天的每天内发生的车辆案件的数量作为上述训练样本的标签值。
这样,在具体训练时,模型训练子模块656可以将每个网格在上述20天所包括的每天内的特征向量作为训练样本的特征值,输入训练模型,利用第1-3天的特征向量训练获得第4天发生的车辆案件的数量的预测值,利用第2-4天的特征向量训练获得第5天发生的车辆案件的数量的预测值,……,以此类推,这样上述训练模型的输出值为在第4天-第20天的每天内发生的车辆案件的数量的预测值。
而上述训练样本的标签值是在第4天-第20天的每天内发生的车辆案件的数量的实际值,在每次的训练过程中,都会将上述训练模型的输出值与上述训练样本的标签值进行对比,这样,当上述训练模型的输出值与上述训练样本的标签值之间的误差小于预定阈值时,说明上述训练模型的准确度符合要求,因此可以结束训练过程,以最终获得的训练模型作为预测模型。
图8为本申请计算机设备一个实施例的结构示意图,上述计算机设备可以包括存储器、处理器及存储在上述存储器上并可在上述处理器上运行的计算机程序,上述处理器执行上述计算机程序时,可以实现本申请实施例提供的车辆案件数量的预测方法。
其中,上述计算机设备可以为服务器,例如:云端服务器;或者,上述计算机设备可以为电子设备,例如:智能手机、智能手表或平板电脑等智能设备,本实施例对上述计算机设备的具体形态不作限定。
图8示出了适于用来实现本申请实施方式的示例性计算机设备12的框图。图8显示的计算机设备12仅仅是一个示例,不应对本申请实施例的功能和使用范围带来任何限制。
如图8所示,计算机设备12以通用计算设备的形式表现。计算机设备12的组件可以包括但不限于:一个或者多个处理器或者处理单元16,系统存储器28,连接不同系统组件(包括系统存储器28和处理单元16)的总线18。
总线18表示几类总线结构中的一种或多种,包括存储器总线或者存储器控制器,外围总线,图形加速端口,处理器或者使用多种总线结构中的任意总线结构的局域总线。举例来说,这些体系结构包括但不限于工业标准体系结构(Industry StandardArchitecture;以下简称:ISA)总线,微通道体系结构(Micro Channel Architecture;以下简称:MAC)总线,增强型ISA总线、视频电子标准协会(Video Electronics StandardsAssociation;以下简称:VESA)局域总线以及外围组件互连(Peripheral ComponentInterconnection;以下简称:PCI)总线。
计算机设备12典型地包括多种计算机系统可读介质。这些介质可以是任何能够被计算机设备12访问的可用介质,包括易失性和非易失性介质,可移动的和不可移动的介质。
系统存储器28可以包括易失性存储器形式的计算机系统可读介质,例如随机存取存储器(Random Access Memory;以下简称:RAM)30和/或高速缓存存储器32。计算机设备12可以进一步包括其它可移动/不可移动的、易失性/非易失性计算机系统存储介质。仅作为举例,存储系统34可以用于读写不可移动的、非易失性磁介质(图8未显示,通常称为“硬盘驱动器”)。尽管图8中未示出,可以提供用于对可移动非易失性磁盘(例如“软盘”)读写的磁盘驱动器,以及对可移动非易失性光盘(例如:光盘只读存储器(Compact Disc Read OnlyMemory;以下简称:CD-ROM)、数字多功能只读光盘(Digital Video Disc Read OnlyMemory;以下简称:DVD-ROM)或者其它光介质)读写的光盘驱动器。在这些情况下,每个驱动器可以通过一个或者多个数据介质接口与总线18相连。存储器28可以包括至少一个程序产品,该程序产品具有一组(例如至少一个)程序模块,这些程序模块被配置以执行本申请各实施例的功能。
具有一组(至少一个)程序模块42的程序/实用工具40,可以存储在例如存储器28中,这样的程序模块42包括——但不限于——操作系统、一个或者多个应用程序、其它程序模块以及程序数据,这些示例中的每一个或某种组合中可能包括网络环境的实现。程序模块42通常执行本申请所描述的实施例中的功能和/或方法。
计算机设备12也可以与一个或多个外部设备14(例如键盘、指向设备、显示器24等)通信,还可与一个或者多个使得用户能与该计算机设备12交互的设备通信,和/或与使得该计算机设备12能与一个或多个其它计算设备进行通信的任何设备(例如网卡,调制解调器等等)通信。这种通信可以通过输入/输出(I/O)接口22进行。并且,计算机设备12还可以通过网络适配器20与一个或者多个网络(例如局域网(Local Area Network;以下简称:LAN),广域网(Wide Area Network;以下简称:WAN)和/或公共网络,例如因特网)通信。如图8所示,网络适配器20通过总线18与计算机设备12的其它模块通信。应当明白,尽管图8中未示出,可以结合计算机设备12使用其它硬件和/或软件模块,包括但不限于:微代码、设备驱动器、冗余处理单元、外部磁盘驱动阵列、RAID系统、磁带驱动器以及数据备份存储系统等。
处理单元16通过运行存储在系统存储器28中的程序,从而执行各种功能应用以及数据处理,例如实现本申请实施例提供的车辆案件数量的预测方法。
本申请实施例还提供一种非临时性计算机可读存储介质,其上存储有计算机程序,上述计算机程序被处理器执行时可以实现本申请实施例提供的车辆案件数量的预测方法。
上述非临时性计算机可读存储介质可以采用一个或多个计算机可读的介质的任意组合。计算机可读介质可以是计算机可读信号介质或者计算机可读存储介质。计算机可读存储介质例如可以是——但不限于——电、磁、光、电磁、红外线、或半导体的系统、装置或器件,或者任意以上的组合。计算机可读存储介质的更具体的例子(非穷举的列表)包括:具有一个或多个导线的电连接、便携式计算机磁盘、硬盘、随机存取存储器(RAM)、只读存储器(Read Only Memory;以下简称:ROM)、可擦式可编程只读存储器(ErasableProgrammable Read Only Memory;以下简称:EPROM)或闪存、光纤、便携式紧凑磁盘只读存储器(CD-ROM)、光存储器件、磁存储器件、或者上述的任意合适的组合。在本文件中,计算机可读存储介质可以是任何包含或存储程序的有形介质,该程序可以被指令执行系统、装置或者器件使用或者与其结合使用。
计算机可读的信号介质可以包括在基带中或者作为载波一部分传播的数据信号,其中承载了计算机可读的程序代码。这种传播的数据信号可以采用多种形式,包括——但不限于——电磁信号、光信号或上述的任意合适的组合。计算机可读的信号介质还可以是计算机可读存储介质以外的任何计算机可读介质,该计算机可读介质可以发送、传播或者传输用于由指令执行系统、装置或者器件使用或者与其结合使用的程序。
计算机可读介质上包含的程序代码可以用任何适当的介质传输,包括——但不限于——无线、电线、光缆、RF等等,或者上述的任意合适的组合。
可以以一种或多种程序设计语言或其组合来编写用于执行本申请操作的计算机程序代码,所述程序设计语言包括面向对象的程序设计语言—诸如Java、Smalltalk、C++,还包括常规的过程式程序设计语言—诸如“C”语言或类似的程序设计语言。程序代码可以完全地在用户计算机上执行、部分地在用户计算机上执行、作为一个独立的软件包执行、部分在用户计算机上部分在远程计算机上执行、或者完全在远程计算机或服务器上执行。在涉及远程计算机的情形中,远程计算机可以通过任意种类的网络——包括局域网(LocalArea Network;以下简称:LAN)或广域网(Wide Area Network;以下简称:WAN)连接到用户计算机,或者,可以连接到外部计算机(例如利用因特网服务提供商来通过因特网连接)。
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必须针对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一个或多个实施例或示例中以合适的方式结合。此外,在不相互矛盾的情况下,本领域的技术人员可以将本说明书中描述的不同实施例或示例以及不同实施例或示例的特征进行结合和组合。
此外,术语“第一”、“第二”仅用于描述目的,而不能理解为指示或暗示相对重要性或者隐含指明所指示的技术特征的数量。由此,限定有“第一”、“第二”的特征可以明示或者隐含地包括至少一个该特征。在本申请的描述中,“多个”的含义是至少两个,例如两个,三个等,除非另有明确具体的限定。
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定制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。
取决于语境,如在此所使用的词语“如果”可以被解释成为“在……时”或“当……时”或“响应于确定”或“响应于检测”。类似地,取决于语境,短语“如果确定”或“如果检测(陈述的条件或事件)”可以被解释成为“当确定时”或“响应于确定”或“当检测(陈述的条件或事件)时”或“响应于检测(陈述的条件或事件)”。
需要说明的是,本申请实施例中所涉及的终端可以包括但不限于个人计算机(Personal Computer;以下简称:PC)、个人数字助理(Personal Digital Assistant;以下简称:PDA)、无线手持设备、平板电脑(Tablet Computer)、手机、MP3播放器、MP4播放器等。
在本申请所提供的几个实施例中,应该理解到,所揭露的系统、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,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。另一点,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,可以是电性,机械或其它的形式。
另外,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单元中,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,也可以采用硬件加软件功能单元的形式实现。
上述以软件功能单元的形式实现的集成的单元,可以存储在一个计算机可读取存储介质中。上述软件功能单元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装置(可以是个人计算机,服务器,或者网络装置等)或处理器(Processor)执行本申请各个实施例所述方法的部分步骤。而前述的存储介质包括:U盘、移动硬盘、只读存储器(Read-Only Memory;以下简称:ROM)、随机存取存储器(Random Access Memory;以下简称:RAM)、磁碟或者光盘等各种可以存储程序代码的介质。
以上所述仅为本申请的较佳实施例而已,并不用以限制本申请,凡在本申请的精神和原则之内,所做的任何修改、等同替换、改进等,均应包含在本申请保护的范围之内。
Claims (10)
1.一种车辆案件数量的预测方法,其特征在于,包括:
将目标地理区域划分为预定大小的网格;
对每个网格包括的地理信息进行统计,所述每个网格包括的地理信息包括路口数量、道路信息和城市兴趣点;
获取每个网格在目标预测时段之前的预定时段内发生的车辆案件的历史数据,以及所述预定时段内的历史天气数据;
根据所述每个网格包括的地理信息、所述预定时段内发生的车辆案件的历史数据和所述历史天气数据,通过预先训练的预测模型,对所述每个网格在所述目标预测时段发生车辆案件的数量进行预测。
2.根据权利要求1所述的方法,其特征在于,所述获取每个网格在目标预测时段之前的预定时段内发生的车辆案件的历史数据包括:
获取每个网格在所述预定时段包括的每个单位时长内发生的车辆案件的数量;以及,
根据每个单位时长内发生的车辆案件的数量,计算任意两个单位时长内发生的车辆案件的数量差。
3.根据权利要求2所述的方法,其特征在于,所述根据所述每个网格包括的地理信息、所述预定时段内发生的车辆案件的历史数据和所述历史天气数据,通过预先训练的预测模型,对所述每个网格在所述目标预测时段发生车辆案件的数量进行预测包括:
将所述每个网格包括的地理信息、所述每个单位时长内发生的车辆案件的历史数据和所述历史天气数据整合为每个网格在每个单位时长的特征向量;
将所述每个网格在每个单位时长的特征向量输入所述预先训练的预测模型,预测所述每个网格在所述目标预测时段发生车辆案件的数量。
4.根据权利要求1或2所述的方法,其特征在于,所述根据所述每个网格包括的地理信息、所述预定时段内发生的车辆案件的历史数据和所述历史天气数据,通过预先训练的预测模型,对所述每个网格在所述目标预测时段发生车辆案件的数量进行预测之前还包括:
通过机器学习算法对训练模型进行训练,获得所述预测模型。
5.根据权利要求4所述的方法,其特征在于,所述通过机器学习算法对训练模型进行训练,获得所述预测模型包括:
将待训练的地理区域划分为预定大小的网格;
对每个网格包括的地理信息进行统计,所述每个网格包括的地理信息包括路口数量、道路信息和城市兴趣点;
获取每个网格在训练指定时段包括的每个单位时长内发生的车辆案件的数量;以及根据每个单位时长内发生的车辆案件的数量,计算任意两个单位时长内发生的车辆案件的数量差;
获取每个网格在所述每个单位时长内的历史天气数据;
将所述每个网格包括的地理信息、所述每个网格在所述每个单位时长内发生的车辆案件的数量、所述历史天气数据和所述数量差进行整合,获得每个网格在每个单位时长内的特征向量,以每个网格在每个单位时长内的特征向量作为训练样本的特征值;
从所述训练指定时段中选择预定数量的单位时长;
获取每个网格在选择的单位时长内发生的车辆案件的数量,以每个网格在选择的单位时长内发生的车辆案件的数量作为所述训练样本的标签值;
将所述训练样本的特征值输入训练模型,通过机器学习算法对所述训练模型进行训练;
当所述训练模型的输出值与所述训练样本的标签值之间的误差小于预定阈值时,获得所述预测模型。
6.一种车辆案件数量的预测装置,其特征在于,包括:
划分模块,用于将目标地理区域划分为预定大小的网格;
统计模块,用于对每个网格包括的地理信息进行统计,所述每个网格包括的地理信息包括路口数量、道路信息和城市兴趣点;
获取模块,用于获取每个网格在目标预测时段之前的预定时段内发生的车辆案件的历史数据,以及所述预定时段内的历史天气数据;
预测模块,用于根据所述统计模块统计的每个网格包括的地理信息、所述获取模块获取的预定时段内发生的车辆案件的历史数据和所述历史天气数据,通过预先训练的预测模型,对所述每个网格在所述目标预测时段发生车辆案件的数量进行预测。
7.根据权利要求6所述的装置,其特征在于,
所述获取模块,具体用于获取每个网格在所述预定时段包括的每个单位时长内发生的车辆案件的数量;以及,根据每个单位时长内发生的车辆案件的数量,计算任意两个单位时长内发生的车辆案件的数量差。
8.根据权利要求7所述的装置,其特征在于,
所述预测模块,具体用于将所述每个网格包括的地理信息、所述每个单位时长内发生的车辆案件的历史数据和所述历史天气数据整合为每个网格在每个单位时长的特征向量;以及将所述每个网格在每个单位时长的特征向量输入所述预先训练的预测模型,预测所述每个网格在所述目标预测时段发生车辆案件的数量。
9.一种计算机设备,其特征在于,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,实现如权利要求1-5中任一所述的方法。
10.一种非临时性计算机可读存储介质,其上存储有计算机程序,其特征在于,所述计算机程序被处理器执行时实现如权利要求1-5中任一所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811422695.7A CN109543909B (zh) | 2018-11-27 | 2018-11-27 | 车辆案件数量的预测方法、装置和计算机设备 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811422695.7A CN109543909B (zh) | 2018-11-27 | 2018-11-27 | 车辆案件数量的预测方法、装置和计算机设备 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN109543909A true CN109543909A (zh) | 2019-03-29 |
CN109543909B CN109543909B (zh) | 2023-04-18 |
Family
ID=65850639
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201811422695.7A Active CN109543909B (zh) | 2018-11-27 | 2018-11-27 | 车辆案件数量的预测方法、装置和计算机设备 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109543909B (zh) |
Cited By (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110188937A (zh) * | 2019-05-23 | 2019-08-30 | 中国移动通信集团内蒙古有限公司 | 营业厅业务规模预测方法、装置、设备及存储介质 |
CN110826820A (zh) * | 2019-11-29 | 2020-02-21 | 北京世纪高通科技有限公司 | 车辆保险案件量的预测方法及装置 |
CN110954105A (zh) * | 2019-11-26 | 2020-04-03 | 东软集团股份有限公司 | 车辆位置预测方法、装置、存储介质及电子设备 |
CN111723994A (zh) * | 2020-06-24 | 2020-09-29 | 中国平安财产保险股份有限公司 | 基于灾害性天气的车辆预警方法及系统 |
CN111832600A (zh) * | 2019-12-31 | 2020-10-27 | 北京骑胜科技有限公司 | 数据处理方法、装置、电子设备和计算机可读存储介质 |
CN111831765A (zh) * | 2020-03-10 | 2020-10-27 | 北京嘀嘀无限科技发展有限公司 | 数据处理方法、装置、电子设备和可读存储介质 |
CN112070247A (zh) * | 2020-09-01 | 2020-12-11 | 上海钧正网络科技有限公司 | 一种运维网格的管理方法、装置、介质及电子设备 |
CN114064831A (zh) * | 2021-10-27 | 2022-02-18 | 北京融信数联科技有限公司 | 一种数据栅格化显示方法、系统和存储介质 |
CN114255588A (zh) * | 2021-11-29 | 2022-03-29 | 安徽百诚慧通科技有限公司 | 区域机动车违法停车预测方法、存储介质及设备 |
CN111831765B (zh) * | 2020-03-10 | 2024-05-31 | 北京嘀嘀无限科技发展有限公司 | 数据处理方法、装置、电子设备和可读存储介质 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20160189303A1 (en) * | 2014-03-21 | 2016-06-30 | Gil Emanuel Fuchs | Risk Based Automotive Insurance Rating System |
CN108665175A (zh) * | 2018-05-16 | 2018-10-16 | 阿里巴巴集团控股有限公司 | 一种保险业务风险预测的处理方法、装置及处理设备 |
-
2018
- 2018-11-27 CN CN201811422695.7A patent/CN109543909B/zh active Active
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20160189303A1 (en) * | 2014-03-21 | 2016-06-30 | Gil Emanuel Fuchs | Risk Based Automotive Insurance Rating System |
CN108665175A (zh) * | 2018-05-16 | 2018-10-16 | 阿里巴巴集团控股有限公司 | 一种保险业务风险预测的处理方法、装置及处理设备 |
Cited By (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110188937A (zh) * | 2019-05-23 | 2019-08-30 | 中国移动通信集团内蒙古有限公司 | 营业厅业务规模预测方法、装置、设备及存储介质 |
CN110188937B (zh) * | 2019-05-23 | 2021-10-29 | 中国移动通信集团内蒙古有限公司 | 营业厅业务规模预测方法、装置、设备及存储介质 |
CN110954105A (zh) * | 2019-11-26 | 2020-04-03 | 东软集团股份有限公司 | 车辆位置预测方法、装置、存储介质及电子设备 |
CN110954105B (zh) * | 2019-11-26 | 2021-11-19 | 东软集团股份有限公司 | 车辆位置预测方法、装置、存储介质及电子设备 |
CN110826820A (zh) * | 2019-11-29 | 2020-02-21 | 北京世纪高通科技有限公司 | 车辆保险案件量的预测方法及装置 |
CN111832600A (zh) * | 2019-12-31 | 2020-10-27 | 北京骑胜科技有限公司 | 数据处理方法、装置、电子设备和计算机可读存储介质 |
CN111831765A (zh) * | 2020-03-10 | 2020-10-27 | 北京嘀嘀无限科技发展有限公司 | 数据处理方法、装置、电子设备和可读存储介质 |
CN111831765B (zh) * | 2020-03-10 | 2024-05-31 | 北京嘀嘀无限科技发展有限公司 | 数据处理方法、装置、电子设备和可读存储介质 |
CN111723994A (zh) * | 2020-06-24 | 2020-09-29 | 中国平安财产保险股份有限公司 | 基于灾害性天气的车辆预警方法及系统 |
CN112070247A (zh) * | 2020-09-01 | 2020-12-11 | 上海钧正网络科技有限公司 | 一种运维网格的管理方法、装置、介质及电子设备 |
CN114064831A (zh) * | 2021-10-27 | 2022-02-18 | 北京融信数联科技有限公司 | 一种数据栅格化显示方法、系统和存储介质 |
CN114255588A (zh) * | 2021-11-29 | 2022-03-29 | 安徽百诚慧通科技有限公司 | 区域机动车违法停车预测方法、存储介质及设备 |
Also Published As
Publication number | Publication date |
---|---|
CN109543909B (zh) | 2023-04-18 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109543909A (zh) | 车辆案件数量的预测方法、装置和计算机设备 | |
CN107038478B (zh) | 路况预测方法及装置、计算机设备与可读介质 | |
Yu et al. | k-Nearest neighbor model for multiple-time-step prediction of short-term traffic condition | |
TWI638320B (zh) | 推薦預計到達時間的系統、方法及非暫態電腦可讀儲存媒體 | |
CN104683405B (zh) | 在车联网中集群服务器分发地图匹配任务的方法和装置 | |
US10198693B2 (en) | Method of effective driving behavior extraction using deep learning | |
CN109658697A (zh) | 交通拥堵的预测方法、装置和计算机设备 | |
CN110288096B (zh) | 预测模型训练及预测方法、装置、电子设备、存储介质 | |
CN107103753A (zh) | 交通时间预测系统、交通时间预测方法以及交通模型建立方法 | |
CN105528955B (zh) | 生成道路网络的方法及其装置 | |
CN105446988B (zh) | 预测类别的方法和装置 | |
CN109543886A (zh) | 目的地的预测方法、装置、终端和存储介质 | |
CN107480028A (zh) | 磁盘可使用的剩余时长的获取方法及装置 | |
CN107133645A (zh) | 预估乘客取消订单行为的方法、设备及存储介质 | |
CN107194412A (zh) | 一种处理数据的方法、装置、设备和计算机存储介质 | |
CN110322300A (zh) | 数据处理方法及装置、电子设备、存储介质 | |
CN109087138A (zh) | 数据处理方法及系统、计算机系统和可读存储介质 | |
CN111047140A (zh) | 一种处理方法、装置及设备 | |
Yedavalli et al. | Microsimulation analysis for network traffic assignment (MANTA) at metropolitan-scale for agile transportation planning | |
CN111489568B (zh) | 交通信号灯的调控方法、装置及计算机可读存储介质 | |
CN108182240A (zh) | 兴趣点新增率预测模型训练及预测方法、装置及存储介质 | |
CN114004077A (zh) | 交通仿真转换方法、装置、计算机设备及存储介质 | |
CN113978465A (zh) | 一种变道轨迹规划方法、装置、设备以及存储介质 | |
CN111341102B (zh) | 运动基元库构建方法和装置、连接运动基元的方法和装置 | |
CN108391235A (zh) | 一种数据分析方法及装置 |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |