CN110059952A - 车险风险评估方法、装置、设备和存储介质 - Google Patents
车险风险评估方法、装置、设备和存储介质 Download PDFInfo
- Publication number
- CN110059952A CN110059952A CN201910295424.8A CN201910295424A CN110059952A CN 110059952 A CN110059952 A CN 110059952A CN 201910295424 A CN201910295424 A CN 201910295424A CN 110059952 A CN110059952 A CN 110059952A
- Authority
- CN
- China
- Prior art keywords
- information
- training
- vehicle
- assessed
- training information
- 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
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- 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
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Theoretical Computer Science (AREA)
- Human Resources & Organizations (AREA)
- Physics & Mathematics (AREA)
- Economics (AREA)
- Strategic Management (AREA)
- General Physics & Mathematics (AREA)
- Marketing (AREA)
- Data Mining & Analysis (AREA)
- Entrepreneurship & Innovation (AREA)
- General Business, Economics & Management (AREA)
- Development Economics (AREA)
- Finance (AREA)
- Accounting & Taxation (AREA)
- Educational Administration (AREA)
- Game Theory and Decision Science (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Tourism & Hospitality (AREA)
- Technology Law (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- Financial Or Insurance-Related Operations Such As Payment And Settlement (AREA)
Abstract
本发明公开了一种车险风险评估方法、装置、设备和存储介质。所述方法包括：获取待评估车辆的第一时段的车联网信息；获取待评估车辆的历史存储记录中的业务信息和车主信息；在第一时刻向训练得到的评估模型输入所述待评估车辆的所述车联网信息、业务信息和车主信息，以获得车险风险评估结果。通过引入车联网信息、车主信息和业务信息对待评估车辆进行多维度的风险评估，从而可以提高针对待评估车辆的风险评估结果的可靠性。
Description
技术领域
本发明实施例涉及计算机技术领域，尤其涉及车险风险评估方法、装置、设备和存储介质。
背景技术
在现有技术中，对车辆保险进行风险评估时，通常是根据保险公司中的历史数据进行评估，比如，历史数据当中包括：车龄、车辆品牌、车辆型号、车辆当前估值等，进一步地，还包括车辆前一年的出险情况等，对车险风险进行评估。对各个车主、车辆的区分度不大，导致获得车险风险评估结果比较雷同，无法根据各个被保险车辆所特有的情况进行对应的车险风险评估，导致车辆风险评估结果的准确性差。
基于上述方案，需要一种能够对车险风险进行更加全面评估的方案。
发明内容
为了解决上述问题，本发明实施例提供一种车险风险评估方法、装置、设备和存储介质，用以能够对车险风险进行更加全面评估的方案。
第一方面，本发明实施例提供一种车险风险评估方法，该方法包括：
获取待评估车辆的第一时段的车联网信息；
获取待评估车辆的历史存储记录中的业务信息和车主信息；
在第一时刻向训练得到的评估模型输入所述待评估车辆的所述车联网信息、业务信息和车主信息，以获得车险风险评估结果。
进一步地，所述第一时段的截止时刻早于所述第一时刻，且所述第一时段的截止时刻与所述第一时刻为相邻或相同时刻。
进一步地，所述方法还包括：
获取多个对象的训练信息，所述训练信息包括：业务训练信息、车联网训练信息、车主训练信息；
对所述业务训练信息、所述车联网训练信息和所述车主训练信息进行筛选，获得训练样本；
输入所述训练样本对评估模型进行训练。
进一步地，获取多个对象的业务训练信息、车联网训练信息、车主训练信息之后，还包括：
分别统计所述业务训练信息、所述车联网训练信息和所述车主训练信息对应的训练信息值中的无效训练信息值的无效比例；所述无效训练信息值包括：训练信息值为空或者为零；
若所述无效比例大于预设阈值，则删除对应的训练信息。
进一步地，还包括：
若所述无效比例大于预设阈值，获取对应训练信息与待评估车辆的关联度；
若所述关联度超过预设关联阈值，则保留所述训练信息；
若所述关联度小于所述预设关联阈值，则删除所述训练信息。
进一步地，所述获得训练样本，包括：
获取多个对象的训练信息；
对所述多个对象的训练信息进行衍生变量处理，获得对应的衍生变量；
对所述训练信息和所述衍生变量进行信息价值筛选和变量相关性筛选，生成训练样本。
进一步地，所述车联网信息包括：行驶区域信息、行驶时速信息、交通违章信息、车辆保养信息；所述车主信息包括：驾龄、交通违章信息、身体健康信息。
第二方面，本发明实施例提供一种车险风险评估装置，该装置包括：
第一获取模块，获取待评估车辆的第一时段的车联网信息；
第二获取模块，获取待评估车辆的历史存储记录中的业务信息和车主信息；
风险评估模块，在第一时刻向训练得到的评估模型输入所述待评估车辆的所述车联网信息、业务信息和车主信息，以获得车险风险评估结果。
第三方面，本发明实施例提供一种电子设备，包括处理器、存储器，所述存储器用于存储一条或多条计算机指令，其中，所述一条或多条计算机指令被所述处理器执行时实现：
获取待评估车辆的第一时段的车联网信息；
获取待评估车辆的历史存储记录中的业务信息和车主信息；
在第一时刻向训练得到的评估模型输入所述待评估车辆的所述车联网信息、业务信息和车主信息，以获得车险风险评估结果。
第四方面，本发明实施例提供了一种计算机存储介质，用于储存计算机程序，所述计算机程序使计算机执行时实现上述第一方面中的车险风险评估方法。
在本发明实施例中，在对用户的车险进行风险评估时，不仅获取业务信息，还获取更加可靠的车联网信息、车主信息。具体来说，将业务信息(车辆保险相关信息)、车联网信息、车主信息输入到训练好的评估模型，得到车险风险评估结果。基于上述方案，通过引入车联网信息、车主信息和业务信息对待评估车辆进行多维度的风险评估，从而可以提高针对待评估车辆的风险评估结果的可靠性。
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为本发明实施例提供的一种车险风险评估方法的流程示意图；
图2为本发明实施例提供的一种车险风险评估装置的结构示意图；
图3为与图1所述实施例提供的一种车险风险评估方法对应的电子设备的结构示意图。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚，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做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
在本发明实施例中使用的术语是仅仅出于描述特定实施例的目的，而非旨在限制本发明。在本发明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，“多种”一般包含至少两种，但是不排除包含至少一种的情况。
应当理解，本文中使用的术语“和/或”仅仅是一种描述关联对象的关联关系，表示可以存在三种关系，例如，A和/或B，可以表示：单独存在A，同时存在A和B，单独存在B这三种情况。另外，本文中字符“/”，一般表示前后关联对象是一种“或”的关系。
还需要说明的是，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的商品或者系统不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种商品或者系统所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括所述要素的商品或者系统中还存在另外的相同要素。
图1为本发明实施例提供的一种车险风险评估方法的流程示意图，如图1所示，该方法包括以下步骤：
101：获取待评估车辆的第一时段的车联网信息。
车辆的日常行驶情况与车辆发生事故的风险息息相关。例如，若车辆在路况较好的环境中行驶，对应的发生事故的概率比较低；若经常长途行驶，而且出没在车辆拥堵或路况复杂的地区，则发生事故的概率比较高。具体的车辆的日常行驶情况可以通过车联网获得。在实际应用中，车联网信息可以通过车载传感器或者车联网服务平台获取，具体需要获取车联网信息，可以根据用户的实际需求决定。
这里所说的第一时段，可以理解为对待评估车辆最近一段时间内的车联网信息进行统计，从而获得统计结果，比如，可以获得近一年的总行驶时间、平均行驶速度、最高行驶速度等等。
102：获取待评估车辆的历史存储记录中的业务信息和车主信息。
这里所说的业务信息，可以理解为待评估车辆在保险公司投保的相关业务信息，若是新车辆其投保信息可以为空。若车辆不存在交易的情况下，车主信息基本不变。因此，这里所说的获取到的业务信息和车主信息可以是累积若干年得到的数据，数据的积累时间比前文所述的车联网信息的数据积累时间要更久。
103：在第一时刻向训练得到的评估模型输入所述待评估车辆的所述车联网信息、业务信息和车主信息，以获得车险风险评估结果。
这里所说的车联网信息、业务信息和车主信息可以评估模型的输入变量。将同一个待评估车辆的输入变量输入到评估模型中，对车辆的车险进行风险评估。
在本发明的一个或者多个实施例中，所述第一时段的截止时刻早于所述第一时刻，且所述第一时段的截止时刻与所述第一时刻为相邻或相同时刻。
为了使得车联网信息对车险风险评估起到更好的作用，需要获取到的车联网信息为最新信息。因此，可以将第一时刻或者第一时刻之前作为第一时段的截止时刻。为了实现及时获取到最新的车联网信息，可以实时或者按照一定的周期采集待评估车辆的车联网信息。
需要说明的是，将同一个待评估车辆的车联网信息、业务信息、车主信息同时输入到评估模型，以便得到更好的车险风险评估结果。
在对用户的车险进行风险评估时，不仅获取业务信息，还获取更加可靠的车联网信息、车主信息。具体来说，将业务信息(车辆保险相关信息)、车联网信息、车主信息输入到训练好的评估模型，得到车险风险评估结果。基于上述方案，通过引入车联网信息、车主信息和业务信息等更加详细的信息，能够更加准确的获得各个待评估车辆所特有的情况，增加待评估车辆之间的区别度，对待评估车辆进行多维度的风险评估更加细致、更加准确，从而可以提高针对待评估车辆的风险评估结果的可靠性。
在本发明的一个或者多个实施例中，所述方法还包括：获取多个对象的训练信息，所述训练信息包括：业务训练信息、车联网训练信息、车主训练信息；对所述业务训练信息、所述车联网训练信息和所述车主训练信息进行筛选，获得训练样本；输入所述训练样本对评估模型进行训练。
在实际应用中，对训练信息进行筛选时，可以先根据训练信息对应的信息值进行筛选，把此类训练信息中的无效值进行删除。例如，若收集到某个训练信息对应的训练信息值中有5％或2％是无效的训练信息值，那么可能会选择放弃该训练信息。当然，若该训练信息比较重要，则可能会将无效的训练信息值进行剔除。经过初步筛选，得到与有效训练信息，在对这些有效训练信息进行信息价值筛选等等，得到训练样本。进一步地，利用这些训练样本对待评估模型进行训练。
需要说明的是，对评估模型的训练过程，可以是按照一定周期(比如按季度)进行。比如，在使用一个季度之后，根据最新获取到的训练信息，对评估模型进行优化训练。因为在实际应用中，车联网信息是更新比较频繁，为了使得评估模型的评估效果更好，需要根据最新的车联网信息对评估模型进行优化训练。若业务信息或车主信息有比较大的变化，也可以在周期优化过程中作为训练信息输入到模型进行训练。
为了获得更好的训练效果，向模型输入的通常是按照对象进行分组的。比如，将同一个对象的车联网训练信息、业务训练信息、车主训练信息作为输入对模型进行训练。
在本发明的一个或者多个实施例中，获取多个对象的业务训练信息、车联网训练信息、车主训练信息之后，还可以包括：分别统计所述业务训练信息、所述车联网训练信息和所述车主训练信息对应的训练信息值中的无效训练信息值的无效比例；所述无效训练信息值包括：训练信息值为空或者为零；若所述无效比例大于预设阈值，则删除对应的训练信息。
在实际应用中，收集到的训练信息可能不是很准确，比如，有的训练信息有对应的训练信息值，有的可能为空或者零，那么都可以认为该训练信息值为无效信息。还有可能某个训练信息所对应的训练信息值不完全相同，并且不相同的训练信息值的占比达到一定的比例时，可认为该训练信息为无效的训练信息。若被认为是无效训练信息，则将该训练信息删除。
在本发明的一个或者多个实施例中，还可以包括：若所述无效比例大于预设阈值，获取对应训练信息与待评估车辆的关联度；若所述关联度超过预设关联阈值，则保留所述训练信息；若所述关联度小于所述预设关联阈值，则删除所述训练信息。
若某个训练信息中无效训练信息值的无效比例大于预设阈值后，还需要进一步对该训练信息与待评估车辆的关联度进行评估。若该训练信息与待评估车辆关联度比较高，则需要保留该训练信息，并将其中的无效训练信息值进行删除。若该训练信息与待评估对象的关联度比较小，则将该训练信息删除。只保留关联度比较高的训练信息。
在本发明的一个或者多个实施例中，所述获得训练样本，还可以包括：获取多个对象的训练信息；对所述多个对象的训练信息进行衍生变量处理，获得对应的衍生变量；对所述训练信息和所述衍生变量进行信息价值(IV，Information Value)筛选和变量相关性筛选，生成训练样本。
在实际应用中，对多个对象的训练信息进行衍生变量处理。具体来说，多个对象具有的业务训练信息、车联网训练信息和车主训练信息的种类和数据量都比较多，若直接利用个别原始训练信息对模型进行训练后，所得到的模型预测效果不是很好，因此，需要对原始的业务训练信息、车联网训练信息和车主训练信息进行衍生变量处理，能够得到对模型训练效果比较好的衍生变量。进一步地，对原始的业务训练信息、业务衍生变量、车联网训练信息、车联网衍生变量等进行信息价值筛选，得到预测能力较好的业务训练样本。还可以对其中一些业务训练样本进行哑变量处理，根据经验对业务训练样本赋予多个属性值和对应的分值。例如，假设其中一个车联网训练信息为车辆平均行驶速度，对平均行驶速度进行分组，包括高速、正常速度、低速等，对应的属性值分别为高速为0、正常速度为1、低速为2，对应分值可以为高速为0分、正常速度为2分、低速为5分等。当然，这里对车辆平均行驶速度的属性值赋值和打分是根据经验确定的，在实际应用中，用户可以根据自己的实际需求，确定训练信息和对应的属性值和分值。
在本发明的一个或者多个实施例中，所述车联网信息包括：行驶区域信息、行驶时速信息、交通违章信息、车辆保养信息；所述车主信息包括：驾龄、交通违章信息、身体健康信息。
上述的各车联网训练信息和车主训练信息等等作为举例说明，通常是根据实际经验进行选择的。在实际应用中，用户可以根据需要进行筛选和调整。以上信息类型仅作为举例说明，并不构成对本申请技术方案的限制。
基于同样的思路，如图2所示，本发明实施例还提供一种车险风险评估装置，该装置包括：
第一获取模块21，获取待评估车辆的第一时段的车联网信息；
第二获取模块22，获取待评估车辆的历史存储记录中的业务信息和车主信息；
风险评估模块23，在第一时刻向训练得到的评估模型输入所述待评估车辆的所述车联网信息、业务信息和车主信息，以获得车险风险评估结果。
进一步地，所述第一时段的截止时刻早于所述第一时刻，且所述第一时段的截止时刻与所述第一时刻为相邻或相同时刻。
进一步地，训练模块24，用于获取多个对象的训练信息，所述训练信息包括：业务训练信息、车联网训练信息、车主训练信息；
对所述业务训练信息、所述车联网训练信息和所述车主训练信息进行筛选，获得训练样本；
输入所述训练样本对评估模型进行训练。
进一步地，还包括：筛选模块25，用于分别统计所述业务训练信息、所述车联网训练信息和所述车主训练信息对应的训练信息值中的无效训练信息值的无效比例；所述无效训练信息值包括：训练信息值为空或者为零；
若所述无效比例大于预设阈值，则删除对应的训练信息。
进一步地，还包括：筛选模块25，用于若所述无效比例大于预设阈值，获取对应训练信息与待评估车辆的关联度；
若所述关联度超过预设关联阈值，则保留所述训练信息；
若所述关联度小于所述预设关联阈值，则删除所述训练信息。
进一步地，训练模块24，用于获取多个对象的训练信息；
对所述多个对象的训练信息进行衍生变量处理，获得对应的衍生变量；
对所述训练信息和所述衍生变量进行信息价值筛选和变量相关性筛选，生成训练样本。
进一步地，所述车联网信息包括：行驶区域信息、行驶时速信息、交通违章信息、车辆保养信息；所述车主信息包括：驾龄、交通违章信息、身体健康信息。
基于同样的思路，如图3所示，本发明实施例还提供一种电子设备，包括处理器31、存储器32，所述存储器32用于存储一条或多条计算机指令，其中，所述一条或多条计算机指令被所述处理器31执行时实现：
获取待评估车辆的第一时段的车联网信息；
获取待评估车辆的历史存储记录中的业务信息和车主信息；
在第一时刻向训练得到的评估模型输入所述待评估车辆的所述车联网信息、业务信息和车主信息，以获得车险风险评估结果。
另外，本发明实施例提供了一种计算机存储介质，用于服务器所用的计算机软件指令，其包含用于执行上述图1所示方法实施例中车险风险评估方法所涉及的程序。
基于上述各实施例可以了解到，在对用户的车险进行风险评估时，不仅获取业务信息，还获取更加可靠的车联网信息、车主信息。具体来说，将业务信息(车辆保险相关信息)、车联网信息、车主信息输入到训练好的评估模型，得到车险风险评估结果。基于上述方案，通过引入车联网信息、车主信息和业务信息对待评估车辆进行多维度的风险评估，从而可以提高针对待评估车辆的风险评估结果的可靠性。
以上所描述的装置实施例仅仅是示意性的，其中所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。本领域普通技术人员在不付出创造性的劳动的情况下，即可以理解并实施。
通过以上的实施方式的描述，本领域的技术人员可以清楚地了解到各实施方式可借助加必需的通用硬件平台的方式来实现，当然也可以通过硬件和软件结合的方式来实现。基于这样的理解，上述技术方案本质上或者说对现有技术做出贡献的部分可以以计算机产品的形式体现出来，本发明可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
本发明是参照根据本发明实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程资源更新设备的处理器以产生一个机器，使得通过计算机或其他可编程资源更新设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程资源更新设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程资源更新设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
在一个典型的配置中，计算设备包括一个或多个处理器(CPU)、输入/输出接口、网络接口和内存。
内存可能包括计算机可读介质中的非永久性存储器，随机存取存储器(RAM)和/或非易失性内存等形式，如只读存储器(ROM)或闪存(flash RAM)。内存是计算机可读介质的示例。
计算机可读介质包括永久性和非永久性、可移动和非可移动媒体可以由任何方法或技术来实现信息存储。信息可以是计算机可读指令、数据结构、程序的模块或其他数据。计算机的存储介质的例子包括，但不限于相变内存(PRAM)、静态随机存取存储器(SRAM)、动态随机存取存储器(DRAM)、其他类型的随机存取存储器(RAM)、只读存储器(ROM)、电可擦除可编程只读存储器(EEPROM)、快闪记忆体或其他内存技术、只读光盘只读存储器(CD-ROM)、数字多功能光盘(DVD)或其他光学存储、磁盒式磁带，磁带磁磁盘存储或其他磁性存储设备或任何其他非传输介质，可用于存储可以被计算设备访问的信息。按照本文中的界定，计算机可读介质不包括暂存电脑可读媒体(transitory media)，如调制的数据信号和载波。
最后应说明的是：以上实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。
Claims (10)
1.一种车险风险评估方法，其特征在于，所述方法包括：
获取待评估车辆的第一时段的车联网信息；
获取待评估车辆的历史存储记录中的业务信息和车主信息；
在第一时刻向训练得到的评估模型输入所述待评估车辆的所述车联网信息、业务信息和车主信息，以获得车险风险评估结果。
2.根据权利要求1所述的方法，其特征在于，所述第一时段的截止时刻早于所述第一时刻，且所述第一时段的截止时刻与所述第一时刻为相邻或相同时刻。
3.根据权利要求1所述的方法，其特征在于，所述方法还包括：
获取多个对象的训练信息，所述训练信息包括：业务训练信息、车联网训练信息、车主训练信息；
对所述业务训练信息、所述车联网训练信息和所述车主训练信息进行筛选，获得训练样本；
输入所述训练样本对评估模型进行训练。
4.根据权利要求3所述的方法，其特征在于，获取多个对象的业务训练信息、车联网训练信息、车主训练信息之后，还包括：
分别统计所述业务训练信息、所述车联网训练信息和所述车主训练信息对应的训练信息值中的无效训练信息值的无效比例；所述无效训练信息值包括：训练信息值为空或者为零；
若所述无效比例大于预设阈值，则删除对应的训练信息。
5.根据权利要求4所述的方法，其特征在于，还包括：
若所述无效比例大于预设阈值，获取对应训练信息与待评估车辆的关联度；
若所述关联度超过预设关联阈值，则保留所述训练信息；
若所述关联度小于所述预设关联阈值，则删除所述训练信息。
6.根据权利要求5所述的方法，其特征在于，所述获得训练样本，包括：
获取多个对象的训练信息；
对所述多个对象的训练信息进行衍生变量处理，获得对应的衍生变量；
对所述训练信息和所述衍生变量进行信息价值筛选和变量相关性筛选，生成训练样本。
7.根据权利要求6所述的方法，其特征在于，所述车联网信息包括：行驶区域信息、行驶时速信息、交通违章信息、车辆保养信息；所述车主信息包括：驾龄、交通违章信息、身体健康信息。
8.一种车险风险评估装置，其特征在于，所述装置包括：
第一获取模块，获取待评估车辆的第一时段的车联网信息；
第二获取模块，获取待评估车辆的历史存储记录中的业务信息和车主信息；
风险评估模块，在第一时刻向训练得到的评估模型输入所述待评估车辆的所述车联网信息、业务信息和车主信息，以获得车险风险评估结果。
9.一种计算机存储介质，用于储存计算机程序，所述计算机程序使计算机执行时实现上述如权利1至7所述的车险风险评估方法。
10.一种电子设备，其特征在于，包括处理器、存储器，所述存储器用于存储一条或多条计算机指令，其中，所述一条或多条计算机指令被所述处理器执行时实现：
获取待评估车辆的第一时段的车联网信息；
获取待评估车辆的历史存储记录中的业务信息和车主信息；
在第一时刻向训练得到的评估模型输入所述待评估车辆的所述车联网信息、业务信息和车主信息，以获得车险风险评估结果。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910295424.8A CN110059952A (zh) | 2019-04-12 | 2019-04-12 | 车险风险评估方法、装置、设备和存储介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910295424.8A CN110059952A (zh) | 2019-04-12 | 2019-04-12 | 车险风险评估方法、装置、设备和存储介质 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN110059952A true CN110059952A (zh) | 2019-07-26 |
Family
ID=67318989
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201910295424.8A Pending CN110059952A (zh) | 2019-04-12 | 2019-04-12 | 车险风险评估方法、装置、设备和存储介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN110059952A (zh) |
Cited By (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111192150A (zh) * | 2019-12-23 | 2020-05-22 | 中国平安财产保险股份有限公司 | 车辆出险代理业务的处理方法、装置、设备及存储介质 |
| CN112749721A (zh) * | 2019-10-31 | 2021-05-04 | 彩虹无线（北京）新技术有限公司 | 驾驶风险评价模型训练方法及装置 |
| CN112767179A (zh) * | 2021-01-11 | 2021-05-07 | 上海瀚之友信息技术服务有限公司 | 一种车险增值服务监控预警方法及系统 |
| CN113887741A (zh) * | 2021-11-05 | 2022-01-04 | 深圳市电子商务安全证书管理有限公司 | 基于联邦学习的数据生成方法、装置、设备及存储介质 |
| 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 |
| CN114399140A (zh) * | 2021-11-30 | 2022-04-26 | 际络科技(上海)有限公司 | 车辆安全风险评估方法及装置 |
Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN104297635A (zh) * | 2014-10-14 | 2015-01-21 | 河南理工大学 | 基于原子稀疏分解与极限学习机的配电网故障选线方法 |
| CN105956015A (zh) * | 2016-04-22 | 2016-09-21 | 四川中软科技有限公司 | 一种基于大数据的服务平台整合方法 |
| CN106548350A (zh) * | 2016-11-17 | 2017-03-29 | 腾讯科技（深圳）有限公司 | 一种数据处理方法及服务器 |
| CN106980911A (zh) * | 2017-04-05 | 2017-07-25 | 南京人人保网络技术有限公司 | 基于静态因子的驾驶风险评估方法及装置 |
| CN107203945A (zh) * | 2017-06-12 | 2017-09-26 | 清华大学苏州汽车研究院（吴江） | 车险分级评估方法及装置 |
| 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 |
| CN109064002A (zh) * | 2018-07-26 | 2018-12-21 | 阿里巴巴集团控股有限公司 | 车辆风险评估方法、装置及设备 |
-
2019
- 2019-04-12 CN CN201910295424.8A patent/CN110059952A/zh active Pending
Patent Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN104297635A (zh) * | 2014-10-14 | 2015-01-21 | 河南理工大学 | 基于原子稀疏分解与极限学习机的配电网故障选线方法 |
| CN105956015A (zh) * | 2016-04-22 | 2016-09-21 | 四川中软科技有限公司 | 一种基于大数据的服务平台整合方法 |
| CN106548350A (zh) * | 2016-11-17 | 2017-03-29 | 腾讯科技（深圳）有限公司 | 一种数据处理方法及服务器 |
| CN106980911A (zh) * | 2017-04-05 | 2017-07-25 | 南京人人保网络技术有限公司 | 基于静态因子的驾驶风险评估方法及装置 |
| CN107203945A (zh) * | 2017-06-12 | 2017-09-26 | 清华大学苏州汽车研究院（吴江） | 车险分级评估方法及装置 |
| 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 |
| CN109064002A (zh) * | 2018-07-26 | 2018-12-21 | 阿里巴巴集团控股有限公司 | 车辆风险评估方法、装置及设备 |
Cited By (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112749721A (zh) * | 2019-10-31 | 2021-05-04 | 彩虹无线（北京）新技术有限公司 | 驾驶风险评价模型训练方法及装置 |
| CN111192150A (zh) * | 2019-12-23 | 2020-05-22 | 中国平安财产保险股份有限公司 | 车辆出险代理业务的处理方法、装置、设备及存储介质 |
| CN111192150B (zh) * | 2019-12-23 | 2023-07-25 | 中国平安财产保险股份有限公司 | 车辆出险代理业务的处理方法、装置、设备及存储介质 |
| CN112767179A (zh) * | 2021-01-11 | 2021-05-07 | 上海瀚之友信息技术服务有限公司 | 一种车险增值服务监控预警方法及系统 |
| CN113887741A (zh) * | 2021-11-05 | 2022-01-04 | 深圳市电子商务安全证书管理有限公司 | 基于联邦学习的数据生成方法、装置、设备及存储介质 |
| CN113887741B (zh) * | 2021-11-05 | 2022-09-30 | 深圳市电子商务安全证书管理有限公司 | 基于联邦学习的数据生成方法、装置、设备及存储介质 |
| CN114399140A (zh) * | 2021-11-30 | 2022-04-26 | 际络科技(上海)有限公司 | 车辆安全风险评估方法及装置 |
| 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 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN110059952A (zh) | 车险风险评估方法、装置、设备和存储介质 | |
| CN112700072B (zh) | 交通状况预测方法、电子设备和存储介质 | |
| US11235774B2 (en) | Road condition predicting method and apparatus, computer device and readable medium | |
| US20210192586A1 (en) | Systems and Methods for Detecting and Responding to Anomalous Traffic Conditions | |
| CN109410577B (zh) | 基于空间数据挖掘的自适应交通控制子区划分方法 | |
| Wang et al. | Visual traffic jam analysis based on trajectory data | |
| WO2022142042A1 (zh) | 异常数据的检测方法、装置、计算机设备和存储介质 | |
| CN110097450A (zh) | 车贷风险评估方法、装置、设备和存储介质 | |
| CN110796854B (zh) | 一种校验道路限速值的方法及相关装置 | |
| CN107203774A (zh) | 对数据的归属类别进行预测的方法及装置 | |
| CN109118119A (zh) | 风控模型生成方法及装置 | |
| CN107615082A (zh) | 在分布式计算系统中自适应地管理数据收集设备的方法与装置 | |
| CN109766902A (zh) | 对同区域的车辆聚类的方法、装置和设备 | |
| CN107330464A (zh) | 数据处理方法和装置 | |
| CN106023588A (zh) | 一种基于交通大数据的行程时间提取、预测及查询方法 | |
| CN109154938A (zh) | 使用离散非踪迹定位数据将数字图中的实体分类 | |
| CN106254137A (zh) | 监管系统的告警根源分析系统及方法 | |
| CN111402583A (zh) | 一种交通事件的感知方法、设备及存储介质 | |
| CN109506672A (zh) | 一种路面标记激光点云的获取方法及装置 | |
| CN110837979B (zh) | 基于随机森林的安全驾驶风险预测方法及装置 | |
| CN109035775A (zh) | 一种突发事件识别的方法及装置 | |
| CN106909454B (zh) | 一种规则处理方法和设备 | |
| CN110517154A (zh) | 数据模型训练方法、系统及计算机设备 | |
| CN114596709B (zh) | 数据处理方法、装置、设备以及存储介质 | |
| CN114969263A (zh) | 一种城市交通知识图谱的构建方法、构建装置及应用 |
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: 20190726 |