CN110148058A - 识别可疑汽车售后索赔保单的方法和系统 - Google Patents
识别可疑汽车售后索赔保单的方法和系统 Download PDFInfo
- Publication number
- CN110148058A CN110148058A CN201811595851.XA CN201811595851A CN110148058A CN 110148058 A CN110148058 A CN 110148058A CN 201811595851 A CN201811595851 A CN 201811595851A CN 110148058 A CN110148058 A CN 110148058A
- Authority
- CN
- China
- Prior art keywords
- declaration form
- aftermarket
- failure
- assessed
- occurs
- 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
本公开涉及识别可疑汽车售后索赔保单的方法和系统。一种识别可疑汽车售后索赔保单的方法,包括:获取与多个汽车售后索赔保单相关联的多条索赔信息数据,所述多个汽车售后索赔保单包括多个参考汽车售后索赔保单和待评估汽车售后索赔保单;以及基于所述多条索赔信息数据通过异常值检测来识别所述待评估汽车售后索赔保单是否为可疑汽车售后索赔保单。
Description
技术领域
本公开涉及数据分析,具体地,涉及识别可疑汽车售后索赔保单的方法和系统。
背景技术
汽车售后索赔保单是汽车在销售后产生售后服务范围内包含的索赔事项时,所产生的可以向销售方或者总部提出索赔请求的相关单据。汽车售后索赔保单的单据通常包括索赔保单号、索赔方相关的关键信息、车辆故障信息、以及其他相关的关键信息等。汽车售后索赔保单类似于保险保单。
在传统的汽车售后索赔服务当中,涉及对汽车售后索赔保单的合规性检验和欺诈性检验。
在合规性检验中,针对汽车售后索赔的保单,根据事先订立的一套固定规则(这些固定规则例如是根据大量的理赔流程的经验制定出来的)对售后索赔保单进行人工审计。若被审核的保单不符合固定规则的规定,则审计部门将会把保单打回,让其重新填写或者进行修改,然后再次进行审核,若审核通过,则进入理赔流程。
在理赔结束后,审计部门会进行欺诈性检验。例如审计部门根据经销商当月申请保修车辆总数、某一故障当月维修总数对理赔申请进行排序,并根据审计员的审计经验(根据大量审计结果总结出来的经验)筛选出一定比例的可疑保单,针对这些保单,基于实际的维修证据(如工单、图片、视频、电子故障报错码)来验证这些保单是否涉及欺诈行为。
发明内容
本公开旨在提供改进的识别可疑汽车售后索赔保单的方法和系统。
本公开一些实施例提供一种识别可疑汽车售后索赔保单的方法,包括:获取与多个汽车售后索赔保单相关联的多条索赔信息数据,所述多个汽车售后索赔保单包括多个参考汽车售后索赔保单和待评估汽车售后索赔保单;以及基于所述多条索赔信息数据通过异常值检测来识别所述待评估汽车售后索赔保单是否为可疑汽车售后索赔保单。
在一些实施例中,每条所述索赔信息数据包括对应汽车售后索赔保单的:(i)保单号、经销商号和故障代码;以及(ii)以下信息中的一者或多者:保单产生时间,保单产生的城市,保单产生的区域,车型,经销商集团号,车龄,指示车龄是否出保的标识数据,里程,指示里程是否即将出保的标识数据,索赔总金额和索赔项目的数量。
在一些实施例中,基于所述多条索赔信息数据通过异常值检测来识别所述待评估汽车售后索赔保单是否为可疑汽车售后索赔保单的步骤进一步包括:按照所述多条索赔信息数据中所包括的一个或多个信息将所述多条索赔信息数据进行分类;基于经分类的所述多条索赔信息数据,计算参考故障发生信息;和基于计算出的所述参考故障发生信息以及与所述待评估汽车售后索赔保单相关联的对应故障发生信息,识别所述待评估汽车售后索赔保单是否为可疑汽车售后索赔保单。
在一些实施例中,所述多条索赔信息数据中所包括的一个或多个信息包括以下中的一者或多者:经销商号、故障代码、保单产生时间、保单产生的城市、保单产生的区域。基于经分类的所述多条索赔信息数据计算参考故障发生信息的步骤包括:基于经分类的所述多条索赔信息数据,计算每类故障代码对应的故障平均发生数量、故障发生平均车龄、故障发生平均里程中的一者或多者来作为所述参考故障发生信息。
在一些实施例中,基于经分类的所述多条索赔信息数据,计算每类故障代码对应的故障发生平均次数、故障发生平均车龄、故障发生平均里程中的一者或多者来作为所述参考故障发生信息的步骤进一步包括以下中的一者或多者:针对其保单产生时间在同一时间段内的多个汽车售后索赔保单,基于对应的多条索赔信息数据,计算每类故障代码对应的第一故障发生平均次数、第一故障发生平均车龄、第一故障发生平均里程中的一者或多者;针对其保单产生时间在同一时间段内并且保单产生地点在相同城市的多个汽车售后索赔保单,基于对应的多条索赔信息数据,计算每类故障代码对应的第二故障发生平均次数、第二故障发生平均车龄、第二故障发生平均里程中的一者或多者;针对其保单产生时间在同一时间段内并且保单产生地点在相同区域的多个汽车售后索赔保单,基于对应的多条索赔信息数据,计算每类故障代码对应的第三故障发生平均次数、第三故障发生平均车龄、第三故障发生平均里程中的一者或多者;针对其保单产生时间在待评估汽车售后索赔保单的保单产生时间之前的预定时段内的多个汽车售后索赔保单,基于对应的多条索赔信息数据,计算每类故障代码对应的第四故障发生平均次数、第四故障发生平均车龄、第四故障发生平均里程中的一者或多者;针对其保单产生时间在待评估汽车售后索赔保单的保单产生时间之前的预定时段内并且保单产生地点在相同城市的多个汽车售后索赔保单,基于对应的多条索赔信息数据,计算每类故障代码对应的第五故障发生平均次数、第五故障发生平均车龄、第五故障发生平均里程中的一者或多者;和针对其保单产生时间在待评估汽车售后索赔保单的保单产生时间之前的预定时段内并且保单产生地点在相同区域的多个汽车售后索赔保单,基于对应的多条索赔信息数据,计算每类故障代码对应的第六故障发生平均次数、第六故障发生平均车龄、第六故障发生平均里程中的一者或多者。
在一些实施例中,基于计算出的所述参考故障发生信息以及与所述待评估汽车售后索赔保单相关联的对应故障发生信息,识别所述待评估汽车售后索赔保单是否为可疑汽车售后索赔保单的步骤还包括:基于计算出的所述参考故障发生信息以及与所述待评估汽车售后索赔保单相关联的对应故障发生信息,计算多个异常评估值;对所述多个异常评估值进行加权平均获得异常评估结果;和基于所述异常评估结果来识别待评估汽车售后索赔保单是否为可疑汽车售后索赔保单。
在一些实施例中,基于计算出的所述参考故障发生信息以及与所述待评估汽车售后索赔保单相关联的对应故障发生信息,计算多个异常评估值的步骤包括以下中的一者或多者:将所述待评估汽车售后索赔保单的对应经销商的每一类故障代码的故障发生次数分别除以对应的第一故障发生平均次数至第六故障发生平均次数中的一个或多个,得到与故障发生次数关联的一个或多个第一异常评估值;将所述待评估汽车售后索赔保单的对应车龄分别除以对应的第一故障发生平均车龄至第六故障发生平均车龄中的一个或多个,得到与故障发生车龄关联的一个或多个第二异常评估值;将所述待评估汽车售后索赔保单的对应里程分别除以对应的第一故障发生平均里程至第六故障发生平均里程中的一个或多个,得到与故障发生里程关联的一个或多个第三异常评估值。对所述多个异常评估值进行加权平均获得异常评估结果的步骤进一步包括:将计算得到的所述一个或多个第一异常评估值、所述一个或多个第二异常评估值和所述一个或多个第三异常评估值进行加权平均获得异常评估结果。
在一些实施例中,基于所述异常评估结果来识别待评估汽车售后索赔保单是否为可疑汽车售后索赔保单的步骤进一步包括:将所述异常评估结果的值与一预定阈值比较,和基于比较的结果来确定所述待评估汽车售后索赔保单是否为可疑汽车售后索赔保单。
在一些实施例中,基于所述异常评估结果来识别待评估汽车售后索赔保单是否为可疑汽车售后索赔保单的步骤进一步包括:将所述异常评估结果的值与一值区间比较,和基于所述异常评估结果的值是否在所述值区间内来确定所述待评估汽车售后索赔保单是否为可疑汽车售后索赔保单。
在一些实施例中,所述待评估汽车售后索赔保单是多个待评估汽车售后索赔保单中的一个,所述值区间是所述多个待评估汽车售后索赔保单的异常评估结果的集合的值区间的一部分。
在一些实施例中,基于所述多条索赔信息数据通过异常值检测来识别所述待评估汽车售后索赔保单是否为可疑汽车售后索赔保单的步骤包括:将所述待评估汽车售后索赔保单的索赔信息数据作为输入来输入支持向量机中;和基于支持向量机的输出来识别所述待评估汽车售后索赔保单是否为可疑汽车售后索赔保单。
在一些实施例中,所述支持向量机的核函数为径向量基函数。
在一些实施例中,所述多个参考汽车售后索赔保单为经人工审计的历史汽车售后索赔保单,所述支持向量机的训练和测试是通过以下步骤基于所述多个参考汽车售后索赔保单进行的:将所述多个参考汽车售后索赔保单的索赔信息数据划分为训练数据和测试数据;利用所述训练数据来训练所述支持向量机;和利用所述测试数据来测试所述支持向量机的正确率。
在一些实施例中,所述方法还包括:对获得的多条索赔信息数据进行预处理,预处理包括去重和过滤中的一者或多者。
本公开的另一些实施例提供一种计算机系统,包括:处理器,和与处理器耦接的存储器,所述存储器存储计算机可读程序指令,所述指令在被所述处理器执行时执行如上所述的方法。
本公开的另一些实施例提供一种计算机可读存储介质,其上存储计算机可读程序指令,所述指令在被所述处理器执行时执行如上所述的方法。
本公开的另一些实施例提供一种识别可疑汽车售后索赔保单的设备,包括用于实现如上所述的方法的步骤的装置。
附图说明
图1是根据本公开至少一个实施例的识别可疑汽车售后索赔保单的方法100的示例性流程图。
图2是根据本公开至少一个实施例的识别可疑汽车售后索赔保单的方法200的示例性流程图。
图3是根据本公开至少一个实施例的识别可疑汽车售后索赔保单的方法300的示例性流程图。
图4示出根据本公开至少一个实施例的识别可疑汽车售后索赔保单的方法400的示例性流程图。
图5是根据本公开至少一个实施例的识别可疑汽车售后索赔保单的方法500的示例性流程图。
图6是示出可以实现根据本公开实施例的设备的一般硬件环境600。
具体实施方式
提供以下描述以使得本领域的技术人员能够实现和使用所述实施例,并且以下描述是以特定应用程序及其要求的上下文提供的。各种修改形式对于本领域的技术人员而言将是显而易见的,并且本文中所限定的一般性原则可应用于其他实施例和应用程序,而不脱离所述实施例的实质和范围。因此,所述实施例不限于所示出的实施例,而是要被赋予符合本文所公开的原理和特征的最宽泛的范围。
本公开旨在提供改进的识别可疑汽车售后索赔保单的方法和系统。通过本公开的实施例通过采用异常值检测,能够自动地准确地识别可疑汽车售后索赔保单,大大节省了索赔流程所投入的人力成本,并且缩短了索赔流程和响应时间,提高了索赔效率。
图1是根据本公开至少一个实施例的识别可疑汽车售后索赔保单的方法100的示例性流程图。
如图1所示,该方法100包括步骤S101,在该步骤中,获取与多个汽车售后索赔保单相关联的多条索赔信息数据,所述多个汽车售后索赔保单包括多个参考汽车售后索赔保单和待评估汽车售后索赔保单。
在一些实施例中,索赔方或经销商例如通过电子索赔申请系统填写和提交汽车售后索赔保单。每个汽车售后索赔保单都具有与索赔项目相关联的多种信息。多个汽车售后索赔保单的信息可以从电子索赔申请系统批量获取。在一些实施例中,多个汽车售后索赔保单可以经由不同的途径以不同的格式提交,这多个汽车售后索赔保单的相关数据可以被处理从而获得格式一致的索赔信息数据。
在一些实施例中,索赔信息数据是经过预处理的索赔信息数据。预处理例如可以包括筛选、去重、过滤、文本处理等。例如,假设两个保单所涉及的信息完全相同,则去掉重复的保单,只保留其中一条。例如,如果保单所涉及的维修类型不是售后服务范围内的索赔类型,则去掉不是索赔类型的保单。通过预处理,有助于提供更准确的分析结果。
与每个汽车售后索赔保单对应的每条索赔信息数据可以包含对应的保单号、经销商号和故障代码。故障代码表示在车辆的哪个位置出现了何种具体故障。例如对于“节气门怠速开关不良”、“节气门满负荷开关不良”等分别有不同的故障代码。
每条索赔信息数据还可以包含以下信息中的一者或多者:保单产生时间,保单产生的城市(例如长沙、北京、上海等),保单产生的区域(例如,华北区域、华南区域等),车型,经销商集团号,车龄,指示车龄是否即将出保的标识数据(例如,可以设定1000天<车龄<=1095天且里程<=10万公里的车定义为即将出保的车辆,标识数据为1,表示即将出保;否则标识数据为0),里程,指示里程是否即将出保的标识数据(例如,可以设定车龄<=1095天且9万公里<里程<=10万公里的车定义为即将出保的车辆,标识数据为1,表示即将出保;否则标识数据为0),索赔总金额和索赔项目的数量。以上仅仅是索赔信息数据所包含的信息的一些示例,本领域技术人员可以理解,根据实际需求,索赔信息数据可以包含任何其它与索赔相关的信息。
该方法100还包括步骤S102,在该步骤中,基于所述多条索赔信息数据通过异常值检测来识别所述待评估汽车售后索赔保单是否为可疑汽车售后索赔保单。
在本文中,异常值检测是指基于所获取的多条索赔信息数据,通过数据分析来检测不正常的数据,从而为识别可疑汽车售后索赔保单提供依据。在一些实施例中,异常值检测方法可以包括针对不同的维度(例如时间段,区域等)和不同的指标(例如故障发生次数、故障发生里程、故障发生车龄等)计算不同的异常评估值,对异常评估值进行加权平均,根据加权平均的结果来进行异常判断。在另一些实施例中,异常值检测方法可以基于离群值检测方法,例如Z-Score、DBSCAN(Density-Based Spatial Clustering of Applicationswith Noise)、孤立森林(Isolation Forests)等。在另一些实施例中,异常值检测方法可以基于支持向量机、决策树等。本领域技术人员可以理解,还可以使用任何其它的异常值检测方法。
通过采用异常值检测,可疑汽车售后索赔保单(例如不合规的保单和欺诈性保单)能够被自动地识别,节省了索赔流程的人力成本。基于数据分析的异常值检测,使得可疑汽车售后索赔保单的识别不是仅仅依靠人工经验,而更多是依靠对数据的客观分析,识别的准确度更高。此外,还缩短了索赔流程和响应时间,提高了索赔效率。
图2是根据本公开至少一个实施例的识别可疑汽车售后索赔保单的方法200的示例性流程图。
如图2所示,方法200包括步骤S201,该步骤与图1中的方法100的步骤101类似,在此不再赘述。
方法200还包括步骤S202,在该步骤中,按照所述多条索赔信息数据中所包括的一个或多个信息将所述多条索赔信息数据进行分类。
在一些实施例中,可以按照经销商号和故障代码对多条索赔信息数据进行分类。例如假设获取到1000条索赔信息数据,涉及10家不同的经销商,和A、B、C、D四类不同的故障代码。首先可以先按照经销商号进行分类,然后按照故障代码分类,则1000条索赔信息数据最终可以划分到40个类别下。例如“第1家经销商的A类故障代码”为1个类别,“第2家经销商的A类故障代码”为另一个类别,……依此类推。
方法200还包括步骤S203,在该步骤中,基于经分类的所述多条索赔信息数据,计算参考故障发生信息。
例如基于以上分类的索赔信息数据,通过将每类故障代码的总数目除以经销商的总数目获知每类故障代码的平均出现次数,将其作为参考故障发生信息。
例如基于以上分类的索赔信息数据,可以确定每一个经销商的涉及A类故障的若干条索赔信息数据,每一条索赔信息数据例如包含里程,则例如通过将每一个经销商的发生A类故障代码的每个车辆的里程相加,用总和除以该经销商的A类故障代码的总数目,可以确定与该经销商的A类故障代码对应的A类故障发生平均里程。类似地,每一条索赔信息数据例如可以包含车龄,则可以确定与该经销商的A类故障代码对应的A类故障发生平均车龄。
类似地,可以针对每类故障代码进行如上计算。将计算得到的结果例如上述每类故障代码的平均出现次数、每类故障代码对应的故障发生平均里程和/或故障发生平均车龄作为参考故障发生信息。
本领域技术人员可以理解,上述分类方法和计算仅仅是示例性的。索赔信息数据中所包含的其它信息例如车型、索赔金额、保单产生时间、保单产生的城市、保单产生的区域等等均可以作为分类的依据。
方法200还包括步骤S204,在该步骤中,基于计算出的所述参考故障发生信息以及与所述待评估汽车售后索赔保单相关联的对应故障发生信息,识别所述待评估汽车售后索赔保单是否为可疑汽车售后索赔保单。
例如通过将以上计算出的参考故障发生信息与待评估汽车售后索赔保单相关联的对应故障发生信息进行比较,可以识别待评估汽车售后索赔保单是否为可疑汽车售后索赔保单。
例如,可以获取待评估汽车售后索赔保单的经销商的每一类故障代码的发生次数,将其与每类故障代码的平均出现次数进行比较,如果前者是后者的2倍以上或者前者比后者多30次,则可以确定该待评估汽车售后索赔保单为可疑汽车售后索赔保单。
例如,如待评估汽车售后索赔保单包含A类故障类型,则可以将其里程与以上计算出的与A类故障代码对应的故障发生平均里程进行比较,如果前者是后者的1/2倍以下或者前者比后者少2000公里,则可以确定该待评估汽车售后索赔保单为可疑汽车售后索赔保单。针对待评估汽车售后索赔保单包含的每一类故障类型,都可以进行类似计算。
例如,如待评估汽车售后索赔保单包含B类故障类型,则可以将其车龄与以上计算出的与B类故障代码对应的故障发生平均车龄进行比较,如果前者是后者的1/3倍以下或者前者比后者少12个月,则可以确定该待评估汽车售后索赔保单为可疑汽车售后索赔保单。针对待评估汽车售后索赔保单包含的每一类故障类型,都可以进行类似计算。
本领域技术人员可以理解,以上示例中所使用的比较结果判断关系都是示例性的而非限制性的,仅用于说明本公开的原理。本领域技术人员可以根据实际需要设定判断所依据的倍数或差值,也可以使用其它类型的比较结果(例如,0和1的判断值)。
通过从多个维度利用多种指标来计算参考故障发生信息,有助于提高异常值分析的准确度。
图3是根据本公开至少一个实施例的识别可疑汽车售后索赔保单的方法300的示例性流程图。
如图3所示,方法300包括步骤S301-S303,这些步骤与步骤S201-S203类似,在此不再赘述。
方法300还包括步骤S304,在该步骤中,基于计算出的所述参考故障发生信息以及与所述待评估汽车售后索赔保单相关联的对应故障发生信息,计算多个异常评估值。
例如与参考以上结合图2的步骤S203所描述的方法类似地,计算每类故障代码的平均出现次数、每类故障代码对应的故障发生平均里程和故障发生平均车龄作为参考故障发生信息。
与以上结合图2的步骤S204所描述的类似地,可以针对每类故障代码,计算待评估汽车售后索赔保单的经销商的该类故障代码对应的出现次数与上述每类故障代码的平均出现次数的比值,将其作为一个异常评估值。
例如,针对待评估汽车售后索赔保单的所包含的每一类故障代码,计算待评估汽车售后索赔保单的车辆的里程与该类故障代码对应的故障发生平均里程的比值,将其作为一个异常评估值。
例如,针对待评估汽车售后索赔保单的所包含的每一类故障代码,计算待评估汽车售后索赔保单的车辆的车龄与该类故障代码对应的故障发生平均车龄的比值,将其作为一个异常评估值。
如上所述,异常评估值不限于使用比值,也可以使用差值,或0和1的判断值。本领域技术人员也可以理解,异常评估值不限于以上列举的异常评估值,基于保单相关的其它信息可以计算各种异常评估值。
方法300还包括步骤S305,在该步骤中,对所述多个异常评估值进行加权平均获得异常评估结果。
在一些实施例中,将在步骤S304中计算得到的多个异常评估值进行加权平均,将加权平均的结果作为异常评估结果。加权平均的系数可以是根据历史经验设定的。
方法300还包括步骤S306,在该步骤中,基于所述异常评估结果来识别待评估汽车售后索赔保单是否为可疑汽车售后索赔保单。
在一些实施例中,可以将异常评估结果与一预定阈值比较,根据比较结果来判断待评估汽车售后索赔保单是否为可疑汽车售后索赔保单。在一些实施例中,当异常评估结果大于一预定阈值时,将待评估汽车售后索赔保单识别为可疑汽车售后索赔保单。否则,将待评估汽车售后索赔保单识别为不可疑汽车售后索赔保单。在另一些实施例中,当异常评估结果小于一预定阈值时,将待评估汽车售后索赔保单识别为可疑汽车售后索赔保单。否则,将待评估汽车售后索赔保单识别为不可疑汽车售后索赔保单。
在一些实施例中,可以将异常评估结果与一预定值区间进行比较。在一些实施例中,当异常评估结果落在该预定值区间内时,将待评估汽车售后索赔保单识别为可疑汽车售后索赔保单。否则,将待评估汽车售后索赔保单识别为不可疑汽车售后索赔保单。在另一些实施例中,当异常评估结果落在该预定值区间外时,将待评估汽车售后索赔保单识别为可疑汽车售后索赔保单。否则,将待评估汽车售后索赔保单识别为不可疑汽车售后索赔保单。
该预定值区间可以根据经验值设定。在一些实施例中,可以将针对所述参考汽车售后索赔保单和待评估汽车售后索赔保单计算的全部异常评估结果的集合的值区间的一部分用作该预定值区间。例如,假设针对所述参考汽车售后索赔保单和待评估汽车售后索赔保单计算的全部异常评估结果的集合的值区间是[0,1],则例如可以取[0.5,1]作为该预定值区间。根据实际应用,也可以取其它值区间。
通过从多个维度利用多种指标来计算参考故障发生信息,并相应计算多个异常评估值进行加权平均,将加权平均的结果作为异常评估结果,使得异常值分析能够全面考虑有可能影响评估结果的各种因素,提供更准确的分析结果。
图4示出根据本公开至少一个实施例的识别可疑汽车售后索赔保单的方法400的示例性流程图。
如图4所示,方法400包括步骤S401,该步骤与步骤S301类似,在此不再赘述。
方法400还包括步骤S402,在该步骤中,按照所述多条索赔信息数据中所包括的一个或多个信息将所述多条索赔信息数据进行分类,其中所述多条索赔信息数据中所包括的一个或多个信息包括以下中的一者或多者:经销商号、故障代码、保单产生时间、保单产生的城市、保单产生的区域。
与步骤S302类似,可以将多条索赔信息数据按照经销商号和故障代码进行分类。此外,还可以根据保单产生时间(例如日期)、保单产生的城市(例如长沙、北京、上海等)、保单产生的区域(例如华南、华北等)将多条索赔信息数据进行分类。
方法400还包括步骤S403,在该步骤中,基于经分类的所述多条索赔信息数据,计算每类故障代码对应的故障平均发生数量、故障发生平均车龄、故障发生平均里程中的一者或多者来作为所述参考故障发生信息。
这例如可以包括以下子步骤中的一者或多者:
(1)针对其保单产生时间在同一时间段内(例如与待评估汽车售后索赔保单在同一月份或同一季度或同一年内)的多个汽车售后索赔保单,基于对应的多条索赔信息数据,计算(在该月内或该季度内或该年内)每类故障代码对应的第一故障发生平均次数、第一故障发生平均车龄、第一故障发生平均里程中的一者或多者。
(2)针对其保单产生时间在同一时间段内(例如与待评估汽车售后索赔保单在同一月份或同一季度或同一年内)并且保单产生地点在相同城市(例如与待评估汽车售后索赔保单都在上海产生)的多个汽车售后索赔保单,基于对应的多条索赔信息数据,计算(在该月内或该季度内或该年内并且在该城市(例如上海))每类故障代码对应的第二故障发生平均次数、第二故障发生平均车龄、第二故障发生平均里程中的一者或多者。
(3)针对其保单产生时间在同一时间段内(例如与待评估汽车售后索赔保单在同一月份或同一季度或同一年内)并且保单产生地点在相同区域(例如与待评估汽车售后索赔保单都在华南地区产生)的多个汽车售后索赔保单,基于对应的多条索赔信息数据,计算(在该月内或该季度内或该年内并且在该城市(例如华南地区))每类故障代码对应的第三故障发生平均次数、第三故障发生平均车龄、第三故障发生平均里程中的一者或多者。
由于在相同的时期,相同城市或地区里由于一些特殊天气情况(例如南方大水)等因素,可能引起大量相同类型的索赔(例如南方大水引起的发动机故障索赔),因此,考虑城市或区域可以提高判断的准确度。
(4)针对其保单产生时间在待评估汽车售后索赔保单的保单产生时间之前的预定时段内(例如相对于待评估汽车售后索赔保单的保单产生时间,前一年的同季度,前一年的全年等)的多个汽车售后索赔保单,基于对应的多条索赔信息数据,计算每类故障代码对应的第四故障发生平均次数、第四故障发生平均车龄、第四故障发生平均里程中的一者或多者。
例如,对于与待评估汽车售后索赔保单在待评估汽车售后索赔保单的保单产生时间之前的预定时段内(例如前一年的同季度,前一年的全年等)的多个汽车售后索赔保单,基于对应的多条索赔信息数据,计算每类故障代码对应的第四故障发生平均次数、第四故障发生平均车龄、第四故障发生平均里程等。
(5)针对其保单产生时间在待评估汽车售后索赔保单的保单产生时间之前的预定时段内(例如相对于待评估汽车售后索赔保单的保单产生时间,前一年的同季度,前一年的全年等)并且保单产生地点在相同城市(例如与待评估汽车售后索赔保单都在上海产生)的多个汽车售后索赔保单,基于对应的多条索赔信息数据,计算每类故障代码对应的第五故障发生平均次数、第五故障发生平均车龄、第五故障发生平均里程中的一者或多者。
(6)针对其保单产生时间在待评估汽车售后索赔保单的保单产生时间之前的预定时段内(例如前一年的同季度,前一年的全年等)并且保单产生地点在相同区域(例如与待评估汽车售后索赔保单都在华南地区产生)的多个汽车售后索赔保单,基于对应的多条索赔信息数据,计算每类故障代码对应的第六故障发生平均次数、第六故障发生平均车龄、第六故障发生平均里程中的一者或多者。
方法400还包括步骤S404,在该步骤中,基于计算出的所述参考故障发生信息以及与所述待评估汽车售后索赔保单相关联的对应故障发生信息,计算多个异常评估值。
相应地,这例如可以包括以下子步骤中的一者或多者:
(1)将所述待评估汽车售后索赔保单的对应经销商的每一类故障代码的故障发生次数分别除以对应的第一故障发生平均次数至第六故障发生平均次数中的一个或多个,得到与故障发生次数关联的一个或多个第一异常评估值。
例如,若待评估汽车售后索赔保单涉及A、B两类故障代码,则针对每一类故障代码,分别用待评估汽车售后索赔保单的对应经销商的该类故障代码故障发生次数除以对应的第一故障发生平均次数至第六故障发生平均次数中的一个或多个,可以相应得到一个或多个第一异常评估值。
(2)将所述待评估汽车售后索赔保单的对应车龄分别除以对应的第一故障发生平均车龄至第六故障发生平均车龄中的一个或多个,得到与故障发生车龄关联的一个或多个第二异常评估值。
例如,若待评估汽车售后索赔保单涉及A、B两类故障代码,则针对每一类故障代码,分别用待评估汽车售后索赔保单的车龄除以第一故障发生平均车龄至第六故障发生平均车龄中的一个或多个,得到与故障发生车龄关联的一个或多个第二异常评估值。
(3)将所述待评估汽车售后索赔保单的对应里程分别除以对应的第一故障发生平均里程至第六故障发生平均里程中的一个或多个,得到与故障发生里程关联的一个或多个第三异常评估值。
例如,若待评估汽车售后索赔保单涉及A、B两类故障代码,则针对每一类故障代码,分别用待评估汽车售后索赔保单的里程除以对应的第一故障发生平均里程至第六故障发生平均里程中的一个或多个,得到与故障发生里程关联的一个或多个第三异常评估值。
方法400还包括步骤S405,在该步骤中,对所述多个异常评估值进行加权平均获得异常评估结果。例如,这可以包括将以上计算得到的所述一个或多个第一异常评估值、所述一个或多个第二异常评估值和所述一个或多个第三异常评估值进行加权平均获得异常评估结果。
方法400还包括步骤S406,在该步骤中,基于所述异常评估结果来识别待评估汽车售后索赔保单是否为可疑汽车售后索赔保单。这可以包括,将所述异常评估结果的值与一预定阈值比较,以及基于比较的结果来确定所述待评估汽车售后索赔保单是否为可疑汽车售后索赔保单。
在另一些实施例中,也可以将所述异常评估结果的值与一预定值区间比较,基于所述异常评估结果的值是否在所述预定值区间内来确定所述待评估汽车售后索赔保单是否为可疑汽车售后索赔保单。该预定值区间例如可以包括参考汽车售后索赔保单和待评估汽车售后索赔保单的所有异常评估结果的集合的值区间的一部分。例如,假设计算出的所有异常评估结果的集合的值区间为0-1,则取该值区间的后半部分例如0.5-1作为该预定值区间。在一些实施例中,这样的值区间可以是根据历史经验设定的值区间。
如上所述,通过从多个维度(相同时间段、不同时间段等)利用多种指标(故障发生次数、里程、车龄等)来计算参考故障发生信息,并相应计算多个异常评估值进行加权平均,将加权平均的结果作为异常评估结果,使得异常值分析能够全面考虑有可能影响评估结果的各种因素,提供更准确的分析结果,即更准确地识别可疑保单(例如欺诈性保单)。
本领域技术人员可以理解,以上方法仅仅是示例性的。本领域技术人员可以根据实际需要在不偏离本公开的精神的情况下对以上方法进行各种修改,例如可以修改分类使用的信息,例如可以使用更多或更少的步骤和/或子步骤,可以改变步骤和/或子步骤的操作次序。这些修改或变形均在本公开的范围内。
图5是根据本公开至少一个实施例的识别可疑汽车售后索赔保单的方法500的示例性流程图。
如图5所示,方法500例如包括S501,该步骤与S101类似,在此不再赘述。
方法500还包括步骤S502,在该步骤中,将所述待评估汽车售后索赔保单的索赔信息数据作为输入来输入支持向量机中。
例如,表1示出待评估汽车售后索赔保单的索赔信息数据的示例。该索赔信息数据例如包括保单号、经销商号码、经销商集团号、车龄、指示车龄是否出保的标识数据,里程,指示里程是否即将出保的标识数据,索赔总金额、索赔项目的数量、故障代码。
表1
将索赔信息数据中的各项信息的值作为支持向量机的输入,输入支持向量机。本领域技术人员可以理解,表1的索赔信息数据仅仅是示例性的,索赔信息数据可以包括更少或更多的索赔相关的信息。
在一些实施例中,该支持向量机是基于多个参考汽车售后索赔保单经训练和测试的。所述多个参考汽车售后索赔保单为经人工审计的历史汽车售后索赔保单,即,其输入值和输出值均已知。每个参考汽车售后索赔保单的索赔信息数据例如与表1中所示出的待评估汽车售后索赔保单的索赔信息数据相似,输出值为0或1。
例如,训练和测试支持向量机可以包括:将所述多个参考汽车售后索赔保单的索赔信息数据划分为训练数据和测试数据;利用所述训练数据来训练所述支持向量机;和利用所述测试数据来测试所述支持向量机的正确率。训练支持向量机时,支持向量机获得已知的输入值和输出值,从而自动求出相应的参数。训练之后,将测试数据的输入值输入支持向量机,将支持向量机的输出与已知的输出比较,来确定所述支持向量机的正确率是否达到要求。
支持向量机可以使用各种核函数,包括但不限于,线性核(Linear Kernel)、多项式核(Polynomial Kernel)、径向基核函数(Radial Basis Function)/高斯核(GaussianKernel)、Sigmoid核(Sigmoid Kernel)等。
在一些实施例中,使用径向基核函数来作为该支持向量机的核函数。
方法500还包括步骤S503,在该步骤中,基于支持向量机的输出来识别所述待评估汽车售后索赔保单是否为可疑汽车售后索赔保单。例如,支持向量机的输出为0或1,其中0可以表示所述待评估汽车售后索赔保单为可疑汽车售后索赔保单,1表示所述待评估汽车售后索赔保单不是可疑汽车售后索赔保单。
使用基于支持向量机的异常值分析可以充分利用历史数据,并且识别过程简单高效。此外,随着历史数据的增多,支持向量机的识别准确率会进一步提高。同样地,可疑汽车售后索赔保单(例如不合规的保单)能够被自动地识别,节省了索赔流程的人力成本。基于利用历史数据构建的支持向量机的异常值检测,使得可疑汽车售后索赔保单的识别不是仅仅依靠人工经验,而更多是依靠对数据的客观分析,识别的准确度更高。此外,还缩短了索赔流程和响应时间,提高了索赔效率。
本领域技术人员可以理解,基于加权平均的异常值检测和基于支持向量机的异常值检测可以单独或结合使用,而不偏离本公开的范围。
图6是示出可以实现根据本公开实施例的设备的一般硬件环境600。
参考图6,现将描述作为本公开的各方面可应用到其的硬件设备的例子的计算设备600。计算设备600可以是被配置成执行处理和/或计算的任何机器,其可以是但不限于是工作站、服务器、桌上型计算机、膝上型计算机、平板计算机、个人数字助理、智能手机、车载计算机或者其任意组合。
计算设备600可以包括与总线602连接的或者与之通信的元件,该连接或者通信可能是经由一个或多个接口实现。例如,计算设备600可以包括总线602、一个或多个处理器604、一个或多个输入设备606及一个或多个输出设备608。一个或多个处理器604可以是任何种类的处理器,并且可以包括但不限于一个或多个通用处理器和/或一个或多个专用处理器(比如专用处理芯片)。输入设备606可以是能够将信息输入到计算设备的任何种类的设备,并且可以包括但不限于鼠标、键盘、触摸屏、麦克风和/或遥控器。输出设备608可以是能够呈现信息的任何种类的设备,并且可以包括但不限于显示器、扬声器、视频/音频输出终端、振动器和/或打印机。计算设备600还可以包括非瞬态存储设备610或者与非瞬态存储设备610连接,该非瞬态存储设备610可以是非瞬态的且能实现数据存储的任何存储设备,并且可包括但不限于磁盘驱动器、光学存储设备、固态存储器、软盘、软磁盘、硬盘、磁带或者任何其他磁介质、光盘或者任何其他光学介质、ROM(只读存储器)、RAM(随机存取存储器)、高速缓存存储器和/或任何其他存储器芯片或盒和/或计算机可以从其读取数据、指令和/或代码的任何其他介质。非瞬态存储设备610可以具有用于实现上述的方法和步骤的数据/指令/代码。计算设备还可以包括通信设备612。通信设备612可以是能实现与外部装置和/或与网络的通信的任何种类的设备,并且可以包括但不限于调制解调器、网络卡、红外通信设备、无线通信设备和/或芯片集,比如蓝牙TM设备、1302.11设备、WiFi设备、WiMax设备、蜂窝通信设施等。
计算设备600还可以包括工作存储器614,其可以是存储用于处理器604的工作的指令和/或数据的任何类型的工作存储器,工作存储器614可以包括但不限于随机存取存储器和/或只读存储设备。
软件元件可以位于工作存储器614中,包括但不限于操作系统616、一个或多个应用程序618、驱动和/或其它数据和代码。用于执行以上描述的方法和步骤的指令可以包括在一个或多个应用程序618中。软件要素的指令的可执行代码或源代码可以存储在非瞬态计算机可读存储介质中,比如上述的(一个或多个)存储设备610,并且可以被读取到工作存储器614中并可能被编译和/或安装。软件要素的指令的可执行代码或源代码也可以从远程位置下载。
总线602可以包括但不限于工业标准架构(ISA)总线、微通道架构(MCA)总线、增强ISA(EISA)总线、视频电子标准协会(VESA)局部总线及外围设备互连(PCI)总线。
计算设备600还可以包括工作存储器614,其可以是可存储对于处理器604的工作有用的指令和/或数据的任何种类的工作存储器,并且可以包括但不限于随机存取存储器和/或只读存储器设备。
可以理解,可以根据具体的需求进行各种变化。例如,还可以使用定制的硬件,并且/或者可以以硬件、软件、固件、中间件、微代码、硬件描述语言或其任意组合来实现特定元件。此外,可以采用到其它计算设备的连接,诸如网络输入/输出设备。例如,所公开的方法中的一些或全部可以通过使用根据本公开的逻辑和算法用汇编语言或硬件编程语言(诸如VERILOG,VHDL,C++)对硬件(诸如,包括线程可编程门阵列(FPGA)和/或可编程逻辑阵列(PLA)的可编程逻辑电路)进行编程来实现。
还可以理解,计算设备600的组件可以分布在网络上。例如,一些处理可以使用一个处理器执行,而其它处理可以由远离该处理器的另一处理器执行。计算设备600的其它组件也可以被类似地分布。这一,计算设备600可以解释为在多个位置执行处理的分布式计算系统。
应注意,本公开还提供了使指令存储于其上的非瞬态计算机可读介质,所述指令在被处理器执行时使得处理器执行上述方法中的每一种方法的步骤。
能够以许多种方式来实现本公开的方法和装置。例如,可以通过软件、硬件、固件或其任意组合来实现本公开的方法和装置。方法步骤的如上所述的次序仅仅意欲是说明性的,并且除非另有特别说明,否则本公开的方法的步骤不限于以上具体描述的次序。此外,在一些实施例中,本公开也可以实现为记录在记录介质中的程序,该程序包括用于实现根据本公开的方法的机器可读指令。因此,本公开还覆盖存储有用于实现根据本公开的方法的程序的记录介质。
虽然已经用例子详细描述了本公开的一些具体实施例,但是本领域的技术人员应理解,上述例子仅意欲是说明性的而不限制本公开的范围。本领域的技术人员应理解,可以在不背离本公开的精神和范围的情况下修改上述实施例。本公开的范围由随附的权利要求来限定。
Claims (17)
1.一种识别可疑汽车售后索赔保单的方法,包括:
获取与多个汽车售后索赔保单相关联的多条索赔信息数据,所述多个汽车售后索赔保单包括多个参考汽车售后索赔保单和待评估汽车售后索赔保单;以及
基于所述多条索赔信息数据通过异常值检测来识别所述待评估汽车售后索赔保单是否为可疑汽车售后索赔保单。
2.如权利要求1所述的方法,其中每条所述索赔信息数据包括对应汽车售后索赔保单的:
(i)保单号、经销商号和故障代码;以及
(ii)以下信息中的一者或多者:保单产生时间,保单产生的城市,保单产生的区域,车型,经销商集团号,车龄,指示车龄是否出保的标识数据,里程,指示里程是否即将出保的标识数据,索赔总金额和索赔项目的数量。
3.如权利要求2所述的方法,其中,基于所述多条索赔信息数据通过异常值检测来识别所述待评估汽车售后索赔保单是否为可疑汽车售后索赔保单的步骤进一步包括:
按照所述多条索赔信息数据中所包括的一个或多个信息将所述多条索赔信息数据进行分类;
基于经分类的所述多条索赔信息数据,计算参考故障发生信息;和
基于计算出的所述参考故障发生信息以及与所述待评估汽车售后索赔保单相关联的对应故障发生信息,识别所述待评估汽车售后索赔保单是否为可疑汽车售后索赔保单。
4.如权利要求3所述的方法,其中,所述多条索赔信息数据中所包括的一个或多个信息包括以下中的一者或多者:经销商号、故障代码、保单产生时间、保单产生的城市、保单产生的区域;
其中,基于经分类的所述多条索赔信息数据计算参考故障发生信息的步骤包括:
基于经分类的所述多条索赔信息数据,计算每类故障代码对应的故障平均发生数量、故障发生平均车龄、故障发生平均里程中的一者或多者来作为所述参考故障发生信息。
5.如权利要求4所述的方法,基于经分类的所述多条索赔信息数据,计算每类故障代码对应的故障发生平均次数、故障发生平均车龄、故障发生平均里程中的一者或多者来作为所述参考故障发生信息的步骤进一步包括以下中的一者或多者:
针对其保单产生时间在同一时间段内的多个汽车售后索赔保单,基于对应的多条索赔信息数据,计算每类故障代码对应的第一故障发生平均次数、第一故障发生平均车龄、第一故障发生平均里程中的一者或多者;
针对其保单产生时间在同一时间段内并且保单产生地点在相同城市的多个汽车售后索赔保单,基于对应的多条索赔信息数据,计算每类故障代码对应的第二故障发生平均次数、第二故障发生平均车龄、第二故障发生平均里程中的一者或多者;
针对其保单产生时间在同一时间段内并且保单产生地点在相同区域的多个汽车售后索赔保单,基于对应的多条索赔信息数据,计算每类故障代码对应的第三故障发生平均次数、第三故障发生平均车龄、第三故障发生平均里程中的一者或多者;
针对其保单产生时间在待评估汽车售后索赔保单的保单产生时间之前的预定时段内的多个汽车售后索赔保单,基于对应的多条索赔信息数据,计算每类故障代码对应的第四故障发生平均次数、第四故障发生平均车龄、第四故障发生平均里程中的一者或多者;
针对其保单产生时间在待评估汽车售后索赔保单的保单产生时间之前的预定时段内并且保单产生地点在相同城市的多个汽车售后索赔保单,基于对应的多条索赔信息数据,计算每类故障代码对应的第五故障发生平均次数、第五故障发生平均车龄、第五故障发生平均里程中的一者或多者;和
针对其保单产生时间在待评估汽车售后索赔保单的保单产生时间之前的预定时段内并且保单产生地点在相同区域的多个汽车售后索赔保单,基于对应的多条索赔信息数据,计算每类故障代码对应的第六故障发生平均次数、第六故障发生平均车龄、第六故障发生平均里程中的一者或多者。
6.如权利要求3至5中任一项所述的方法,其中,基于计算出的所述参考故障发生信息以及与所述待评估汽车售后索赔保单相关联的对应故障发生信息,识别所述待评估汽车售后索赔保单是否为可疑汽车售后索赔保单的步骤还包括:
基于计算出的所述参考故障发生信息以及与所述待评估汽车售后索赔保单相关联的对应故障发生信息,计算多个异常评估值;
对所述多个异常评估值进行加权平均获得异常评估结果;和
基于所述异常评估结果来识别待评估汽车售后索赔保单是否为可疑汽车售后索赔保单。
7.如权利要求6所述的方法,其中,基于计算出的所述参考故障发生信息以及与所述待评估汽车售后索赔保单相关联的对应故障发生信息,计算多个异常评估值的步骤包括以下中的一者或多者:
将所述待评估汽车售后索赔保单的对应经销商的每一类故障代码的故障发生次数分别除以对应的第一故障发生平均次数至第六故障发生平均次数中的一个或多个,得到与故障发生次数关联的一个或多个第一异常评估值;
将所述待评估汽车售后索赔保单的对应车龄分别除以对应的第一故障发生平均车龄至第六故障发生平均车龄中的一个或多个,得到与故障发生车龄关联的一个或多个第二异常评估值;
将所述待评估汽车售后索赔保单的对应里程分别除以对应的第一故障发生平均里程至第六故障发生平均里程中的一个或多个,得到与故障发生里程关联的一个或多个第三异常评估值;
其中,对所述多个异常评估值进行加权平均获得异常评估结果的步骤进一步包括:
将计算得到的所述一个或多个第一异常评估值、所述一个或多个第二异常评估值和所述一个或多个第三异常评估值进行加权平均获得异常评估结果。
8.如权利要求6所述的方法,其中,基于所述异常评估结果来识别待评估汽车售后索赔保单是否为可疑汽车售后索赔保单的步骤进一步包括:
将所述异常评估结果的值与一预定阈值比较,
基于比较的结果来确定所述待评估汽车售后索赔保单是否为可疑汽车售后索赔保单。
9.如权利要求6所述的方法,其中,基于所述异常评估结果来识别待评估汽车售后索赔保单是否为可疑汽车售后索赔保单的步骤进一步包括:
将所述异常评估结果的值与一值区间比较,
基于所述异常评估结果的值是否在所述值区间内来确定所述待评估汽车售后索赔保单是否为可疑汽车售后索赔保单。
10.如权利要求9所述的方法,其中,所述待评估汽车售后索赔保单是多个待评估汽车售后索赔保单中的一个,所述值区间是所述多个待评估汽车售后索赔保单的异常评估结果的集合的值区间的一部分。
11.如权利要求2所述的方法,其中,基于所述多条索赔信息数据通过异常值检测来识别所述待评估汽车售后索赔保单是否为可疑汽车售后索赔保单的步骤包括:
将所述待评估汽车售后索赔保单的索赔信息数据作为输入来输入支持向量机中;
基于支持向量机的输出来识别所述待评估汽车售后索赔保单是否为可疑汽车售后索赔保单。
12.如权利要求11所述的方法,其中,所述支持向量机的核函数为径向量基函数。
13.如权利要求11或12所述的方法,其中,所述多个参考汽车售后索赔保单为经人工审计的历史汽车售后索赔保单,所述支持向量机的训练和测试是通过以下步骤基于所述多个参考汽车售后索赔保单进行的:
将所述多个参考汽车售后索赔保单的索赔信息数据划分为训练数据和测试数据;
利用所述训练数据来训练所述支持向量机;和
利用所述测试数据来测试所述支持向量机的正确率。
14.如权利要求2所述的方法,其中,所述方法还包括:
对获得的多条索赔信息数据进行预处理,预处理包括以下中的一者或多者:
去重;和
过滤。
15.一种计算机系统,包括:
处理器,和
与处理器耦接的存储器,所述存储器存储计算机可读程序指令,所述指令在被所述处理器执行时执行如权利要求1-14中任一项所述的方法。
16.一种计算机可读存储介质,其上存储计算机可读程序指令,所述指令在被所述处理器执行时执行如权利要求1-14中任一项所述的方法。
17.一种识别可疑汽车售后索赔保单的设备,包括用于实现如权利要求1-14中任一项所述的方法的步骤的装置。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811595851.XA CN110148058A (zh) | 2018-12-26 | 2018-12-26 | 识别可疑汽车售后索赔保单的方法和系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811595851.XA CN110148058A (zh) | 2018-12-26 | 2018-12-26 | 识别可疑汽车售后索赔保单的方法和系统 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN110148058A true CN110148058A (zh) | 2019-08-20 |
Family
ID=67589333
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201811595851.XA Pending CN110148058A (zh) | 2018-12-26 | 2018-12-26 | 识别可疑汽车售后索赔保单的方法和系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110148058A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113077179A (zh) * | 2021-04-21 | 2021-07-06 | 中国第一汽车股份有限公司 | 一种车辆虚假索赔识别方法、系统、设备及存储介质 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR20150062018A (ko) * | 2013-11-28 | 2015-06-05 | 한국전자통신연구원 | 자동차 보험 사기 예방 시스템 및 이의 동작 방법 |
CN107657047A (zh) * | 2017-10-10 | 2018-02-02 | 民太安财产保险公估股份有限公司 | 保险欺诈侦测方法及系统 |
CN107871285A (zh) * | 2017-12-06 | 2018-04-03 | 和金在线(北京)科技有限公司 | 一种健康保险赔欺诈及滥用的侦测方法和系统 |
CN108803559A (zh) * | 2018-04-28 | 2018-11-13 | 北京汽车集团有限公司 | 车辆故障分析方法、装置和系统 |
-
2018
- 2018-12-26 CN CN201811595851.XA patent/CN110148058A/zh active Pending
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR20150062018A (ko) * | 2013-11-28 | 2015-06-05 | 한국전자통신연구원 | 자동차 보험 사기 예방 시스템 및 이의 동작 방법 |
CN107657047A (zh) * | 2017-10-10 | 2018-02-02 | 民太安财产保险公估股份有限公司 | 保险欺诈侦测方法及系统 |
CN107871285A (zh) * | 2017-12-06 | 2018-04-03 | 和金在线(北京)科技有限公司 | 一种健康保险赔欺诈及滥用的侦测方法和系统 |
CN108803559A (zh) * | 2018-04-28 | 2018-11-13 | 北京汽车集团有限公司 | 车辆故障分析方法、装置和系统 |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113077179A (zh) * | 2021-04-21 | 2021-07-06 | 中国第一汽车股份有限公司 | 一种车辆虚假索赔识别方法、系统、设备及存储介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110824270B (zh) | 结合台区线损和异常事件的窃电用户辨识方法及装置 | |
CN111128399B (zh) | 一种基于人流密度的流行病疫情风险等级评估方法 | |
CN110188198B (zh) | 一种基于知识图谱的反欺诈方法及装置 | |
US20210133490A1 (en) | System and method for unsupervised abstraction of sensitive data for detection model sharing across entities | |
CN108876188B (zh) | 一种间连服务商风险评估方法及装置 | |
CN109993652A (zh) | 一种借贷信用风险评估方法及装置 | |
CN108062674A (zh) | 基于gps的订单欺诈识别方法、系统、存储介质和电子设备 | |
CN111553563A (zh) | 企业欺诈风险的确定方法及装置 | |
CN111476653A (zh) | 一种风险信息识别、确定、模型训练方法及装置 | |
WO2019062192A1 (zh) | 业务员行为风险甄别管理方法、应用服务器及计算机可读存储介质 | |
TW202311961A (zh) | 應用程式異常偵測方法及其系統 | |
CN110866698A (zh) | 用于评定服务提供方的服务分值的装置 | |
CN113706291A (zh) | 欺诈风险预测方法、装置、设备及存储介质 | |
CN113988671A (zh) | 企业信用风险评估方法、装置及应用 | |
CN115908022A (zh) | 一种基于网络建模的异常交易风险预警方法及系统 | |
CN113434575B (zh) | 基于数据仓库的数据归因处理方法、装置及存储介质 | |
CN112634062B (zh) | 基于Hadoop的数据处理方法、装置、设备及存储介质 | |
CN110148058A (zh) | 识别可疑汽车售后索赔保单的方法和系统 | |
US20210133488A1 (en) | System and method for unsupervised abstraction of sensitive data for consortium sharing | |
US20210133783A1 (en) | System and method for unsupervised abstraction of sensitive data for detection model sharing across entities | |
US20210133586A1 (en) | System and method for unsupervised abstraction of sensitive data for realistic modeling | |
CN115641198A (zh) | 用户运营方法、装置、电子设备和存储介质 | |
CN114511409A (zh) | 用户样本处理方法、装置及电子设备 | |
US11461728B2 (en) | System and method for unsupervised abstraction of sensitive data for consortium sharing | |
CN110472827B (zh) | 系统策略预警方法、装置、服务器及可读存储介质 |
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 |