CN110458718A - 车险欺诈识别方法、装置、介质及电子设备 - Google Patents

Abstract

本发明实施例提供了一种车险欺诈识别方法、装置、计算机可读存储介质和电子设备，涉及计算机技术领域，包括：获取当前车险案例的地理空间信息、统计特征信息和车险案例特征信息；通过车险欺诈识别模型对所述当前车险案例的地理空间信息、统计特征信息和车险案例特征信息进行处理，获得所述当前车险案例是否存在欺诈的识别结果。本发明实施例的技术方案中，通过地理空间信息等数据和车险欺诈识别模型，识别当前车险案例是否欺诈，充分利用与车险欺诈相关性很高的地理空间相关知识，简单方便地进行车险欺诈识别。

Description

车险欺诈识别方法、装置、介质及电子设备

技术领域

本发明涉及计算机软件技术领域，具体而言，涉及一种车险欺诈识别方法、装置、计算机可读介质及电子设备。

背景技术

近年来，由于保险市场竞争激烈、保险公司保费规模压力大、社会对保险欺诈危害认识不足等原因，保险欺诈案件层出不穷，车险欺诈尤甚。

车险欺诈在运营成本、理赔成本、客户体验、公司品牌等方面给保险造成巨大损失。为了减少不合理的运营成本和理赔成本、提升客户体验、从根本上维护广大合法车主的利益，车险公司不断加大在车险欺诈识别方面的投入，提升车险欺诈识别的能力。

如何简单方便地进行车险欺诈识别是当前亟需解决的技术问题。

需要说明的是，在上述背景技术部分公开的信息仅用于加强对本发明的背景的理解，因此可以包括不构成对本领域普通技术人员已知的现有技术的信息。

发明内容

本发明实施例的目的在于提供一种车险欺诈识别方法、装置、计算机可读介质及电子设备，进而至少在一定程度上克服不能简单方便地进行车险欺诈识别的问题。

本发明的其他特性和优点将通过下面的详细描述变得显然，或部分地通过本发明的实践而习得。

根据本发明实施例的第一方面，提供了一种车险欺诈识别方法，包括：获取当前车险案例的地理空间信息、统计特征信息和车险案例特征信息；通过车险欺诈识别模型对所述当前车险案例的地理空间信息、统计特征信息和车险案例特征信息进行处理，获得所述当前车险案例是否存在欺诈的识别结果。

在一些实施例中，所述当前车险案例的地理空间信息包括所述当前车险案例对应的车险现场的路网信息、人口热力图、交通拥堵地图、交管监控摄像头位置信息、历史车险案例的特征分布信息和所述当前车险案例对应的当前车辆的行驶轨迹信息中的任意一种或者多种；其中，获取当前车险案例的地理空间信息，包括：根据所述路网信息获得所述车险现场的路网复杂度；和/或根据所述人口热力图获得所述车险现场的人口密度；和/或根据所述交通拥堵地图获得所述车险现场的交通拥堵程度；和/或根据所述交管监控摄像头位置信息获得所述车险现场与最近的监控摄像头之间的距离；和/或根据所述历史车险案例的特征分布信息获得所述车险现场的车险特征分布；和/或根据所述当前车辆的行驶轨迹信息获得所述当前车辆在所述车险现场预设范围内出现的频次；将所述车险现场的路网复杂度和/或人口密度和/或交通拥堵程度和/或与最近的监控摄像头之间的距离和/或车险特征分布和/或所述当前车辆在所述车险现场预设范围内出现的频次作为所述当前车险案例的地理空间信息。

在一些实施例中，所述通过车险欺诈识别模型对所述当前车险案例的地理空间信息、统计特征信息和车险案例特征信息进行处理之前，所述方法还包括：根据历史车险案例的地理空间信息、统计特征信息以及车险案例特征信息生成历史车险欺诈识别特征集；将所述历史车险欺诈识别特征集中的历史车险案例标注为欺诈案件或者非欺诈案件；根据经过标注的所述历史车险欺诈识别特征集训练所述车险欺诈识别模型。

在一些实施例中，所述通过车险欺诈识别模型对所述当前车险案例的地理空间信息、统计特征信息和车险案例特征信息进行处理，包括：根据所述当前车险案例的地理空间信息、统计特征信息和车险案例特征信息生成当前车险欺诈识别特征集；将所述当前车险案例的当前车险欺诈识别特征集输入所述车险欺诈识别模型，得到所述当前车险案例属于欺诈案件的概率。

在一些实施例中，所述车险欺诈识别模型包括支持向量机SVM模型或者神经网络模型。

在一些实施例中，所述当前车险案例的统计特征信息包括以下信息的任意一种或多种：所述当前车险案例的事故车辆的投保金额、保单内容是否包含第三者责任险、出险时间、是否第三方报案、报案时间与出险时间间隔、是否设定的第一时间段内报案销案再报案、出险时间与保单到期时间间隔、实际索赔金额、索赔次数、有记录罚单数量、已有出险次数、驾驶员年龄、性别、驾龄、车辆用途类别、出险时车的使用年限。

在一些实施例中，所述当前车险案例的车险案例特征信息包括以下信息的任意一种或多种：所述当前车险案例的事故车辆是否高速撞击、是否单方事故、是否包含人员伤亡、是否剐蹭以及是否连环事故。

根据本发明实施例的第二方面，提供了一种车险欺诈识别装置，包括：获取单元，用于获取当前车险案例的地理空间信息、统计特征信息和车险案例特征信息；处理单元，用于通过车险欺诈识别模型对所述当前车险案例的地理空间信息、统计特征信息和车险案例特征信息进行处理，获得所述当前车险案例是否存在欺诈的识别结果。

根据本发明实施例的第三方面，提供了一种计算机可读介质，其上存储有计算机程序，所述程序被处理器执行时实现如上述实施例中第一方面所述的车险欺诈识别方法。

根据本发明实施例的第四方面，提供了一种电子设备，包括：一个或多个处理器；存储装置，用于存储一个或多个程序，当所述一个或多个程序被所述一个或多个处理器执行时，使得所述一个或多个处理器实现如上述实施例中第一方面所述的车险欺诈识别方法。

本发明实施例提供的技术方案可以包括以下有益效果：

在本发明的一些实施例所提供的技术方案中，通过地理空间信息等数据和车险欺诈识别模型，识别当前车险案例是否欺诈，充分利用与车险欺诈相关性很高的地理空间相关知识，简单方便地进行车险欺诈识别。

应当理解的是，以上的一般描述和后文的细节描述仅是示例性和解释性的，并不能限制本发明。

附图说明

此处的附图被并入说明书中并构成本说明书的一部分，示出了符合本发明的实施例，并与说明书一起用于解释本发明的原理。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的前提下，还可以根据这些附图获得其他的附图。在附图中：

图1示意性示出了根据本发明的实施例的一种车险欺诈识别方法的流程图；

图2示意性示出了根据本发明的实施例的另一种车险欺诈识别方法的流程图；

图3示意性示出了根据本发明的实施例的又一种车险欺诈识别方法的流程图；

图4示意性示出了根据本发明的实施例的一种车险欺诈识别装置的方框图；

图5示意性示出了根据本发明的实施例的另一种车险欺诈识别装置的方框图；

图6示意性示出了适于用来实现本发明实施例的电子设备的计算机系统的结构图。

具体实施方式

现在将参考附图更全面地描述示例实施方式。然而，示例实施方式能够以多种形式实施，且不应被理解为限于在此阐述的范例；相反，提供这些实施方式使得本发明将更加全面和完整，并将示例实施方式的构思全面地传达给本领域的技术人员。

此外，所描述的特征、结构或特性可以以任何合适的方式结合在一个或更多实施例中。在下面的描述中，提供许多具体细节从而给出对本发明的实施例的充分理解。然而，本领域技术人员将意识到，可以实践本发明的技术方案而没有特定细节中的一个或更多，或者可以采用其它的方法、组元、装置、步骤等。在其它情况下，不详细示出或描述公知方法、装置、实现或者操作以避免模糊本发明的各方面。

附图中所示的方框图仅仅是功能实体，不一定必须与物理上独立的实体相对应。即，可以采用软件形式来实现这些功能实体，或在一个或多个硬件模块或集成电路中实现这些功能实体，或在不同网络和/或处理器装置和/或微控制器装置中实现这些功能实体。

附图中所示的流程图仅是示例性说明，不是必须包括所有的内容和操作/步骤，也不是必须按所描述的顺序执行。例如，有的操作/步骤还可以分解，而有的操作/步骤可以合并或部分合并，因此实际执行的顺序有可能根据实际情况改变。

相关技术中，车险欺诈在运营成本、理赔成本、客户体验、公司品牌等方面给保险造成巨大损失。在进行车险欺诈识别中，很多经验性的知识与地理空间信息相关，这些知识与车险案例自身的特征及发生欺诈的可能性是相关的，因而有助于识别车险欺诈。

在进行车险欺诈识别中，很多经验性的知识与地理空间信息相关，这些知识与车险案例自身的特征及发生欺诈的可能性是相关的，往往是核保过程中极为重要的经验性知识。例如在交通拥堵位置发生高速碰撞的概率很低，在海拔比周围环境高的位置汽车被积水浸泡的概率很低，在道路和人口都稀疏的位置发生连环事故的概率很低。地理空间信息一般以特定的地图图层体现，通常难以直接用于统计数学模型，而且很多地理空间信息是实时变化的，与时间相关，进一步增加了信息提取的难度。通常只有在核保过程中积累大量经验的理赔员才能从有限范围内的地理空间信息中得到与车险欺诈相关的信息。

车险欺诈识别模型可以挖掘保险公司可以收集的各种统计数据，但是很难融合难以直接用数字描述的地理空间信息，这就限制了地理空间信息在保险欺诈识别中的应用。

为解决上述问题，本发明实施例提供一种车险欺诈识别方法，以将地理空间信息进行处理，将其转化为可以被车险欺诈识别模型处理的信息，服务于车险欺诈的识别。

图1示意性示出了本公开的示例性实施方式的一种车险欺诈识别方法。参考图1，该车险欺诈识别方法可以包括以下步骤：

步骤S106，获取当前车险案例的地理空间信息、统计特征信息和车险案例特征信息。

步骤S108，通过车险欺诈识别模型对当前车险案例的地理空间信息、统计特征信息和车险案例特征信息进行处理，获得当前车险案例是否存在欺诈的识别结果。

在本发明实施例的车险欺诈识别方法中，通过地理空间信息等数据和车险欺诈识别模型，识别当前车险案例是否欺诈，实现了地理空间信息在保险欺诈识别中的应用，可以提高车险欺诈识别的准确性。

在示例性实施例中，所述当前车险案例的地理空间信息可以包括当前车险案例对应的车险现场的路网信息、人口热力图、交通拥堵地图、交管监控摄像头位置信息、历史车险案例的特征分布信息和当前车险案例对应的当前车辆的行驶轨迹信息中。

在步骤S106中，获取当前车险案例的地理空间信息时，地理空间信息可以包括所述当前车险案例的路网信息、人口热力图、交通拥堵地图、交管监控摄像头位置信息、历史车险案例的特征分布信息以及当前车辆的行驶轨迹信息中的一种或多种地理空间数据。

基于这些地理空间数据，采用地理空间分析方法进行分析可以得到相关地理空间信息：根据所述当前车险案例的路网信息可以获得所述当前车险案例的车险现场的路网复杂度；根据所述当前车险案例的人口热力图获得所述当前车险案例的车险现场的人口密度；根据所述当前车险案例的交通拥堵地图获得所述当前车险案例的车险现场的交通拥堵程度；根据所述当前车险案例的交管监控摄像头位置信息获得所述当前车险案例的车险现场与最近的监控摄像头之间的距离；根据历史车险案例的特征分布信息获得车险现场的车险特征分布；根据当前车辆的行驶轨迹信息获得当前车辆在车险现场预设范围内出现的频次。

这里，采用地理空间分析方法充分挖掘地理空间数据，为车险欺诈识别模型提供了更多的数据维度，增强了车险欺诈模型的识别能力。

如下表1所示，在本发明实施例中，采用不同的分析方法对地理空间数据进行处理：

表1

其中，表1中的矢量数据是用xy坐标表示地图图形或地理实体的位置的数据。矢量数据一般通过记录坐标的方式表现地理实体的空间位置。线密度分析方法可以计算每个输出栅格像素邻域内的线状要素的密度。

人口热力图是根据测得的热力值用不同颜色的区块叠加在地图上实时描述人群分布、密度的统计图形。栅格即为像素，栅格化处理就是将矢量图形转化为位图。表1中的距离案例发生地最近的点指的是与案例发生地之间欧式距离最小的点，也可以理解为栅格上最近的像素。

交通拥堵指数是根据道路通行情况设置的综合反映道路网畅通或拥堵的概念性指数值,它相当于把拥堵情况数字化。计算交通拥堵指数时，可以先设定一个统计间隔。获取一个统计间隔中公路路网中各路段的平均行程速度。再根据路段平均行程速度划分运行等级，判断各路段所处运行等级。统计各运行等级道路中处于设定级别路段里程比例，利用车公里数加权，计算区域路网拥堵里程比例，最后基于该统计间隔中交通拥堵指数与拥堵里程比例的线性转换关系，得到该统计间隔的交通拥堵指数。这里，一个统计间隔可以设置为15分钟。在表1中，进行空间连接分析时，不同类型、不同主题的数据可能放在不同的数据层中，这些数据的关联不依赖于关系数据库中的字段，而是依赖于该数据所关联的地理位置，例如经纬度。在实际处理时可以先把经纬度投影到笛卡尔坐标系。

缓冲区分析是指以点、线、面实体为基础，自动建立其周围一定宽度范围内的缓冲区多边形图层，然后建立该图层与目标图层的叠加，进行分析而得到所需结果。缓冲区分析可以用来解决邻近度问题，而邻近度描述了地理空间中两个地物距离相近的程度。缓冲区可以为案例发生地附近的区域，比如河流两岸的一定范围内的湿地等，可以理解为在地理位置上案件发生地周边的环境。

获取当前车险案例的地理空间信息时，可以将车险现场的路网复杂度和/或人口密度和/或交通拥堵程度和/或与最近的监控摄像头之间的距离和/或车险特征分布和/或当前车辆在车险现场预设范围内出现的频次作为当前车险案例的地理空间信息。

在表1中，最短路径算法是图论领域的算法，路网可以看做是点与边的集合，最短路径实际上是找到连接两个点的最短的边的集合，边可以是加权的，点可以是关注点到最近边的投影。

在表1中，事故车辆在案件发生地附近出现的频率可以为事故发生前的若干天等设定时间段内事故车辆在案件发生地出现的频率。

在步骤S106中获取的当前车险案例的统计特征信息包括：投保金额、保单内容是否包含第三者责任险、出险时间、是否第三方报案、报案时间与出险时间间隔、是否设定的第一时间段内报案销案再报案、出险时间与保单到期时间间隔、实际索赔金额、索赔次数、有记录罚单数量、已有出险次数、驾驶员年龄、性别、驾龄、车辆用途类别、出险时车的使用年限。

在步骤S106中获取的当前车险案例的车险案例特征信息包括：当前车险案例的事故车辆是否高速撞击、是否单方事故、是否包含人员伤亡、是否剐蹭以及是否连环事故中的一种或多种。

在步骤S108中，根据当前车险案例的地理空间信息、统计特征信息和车险案例特征信息生成当前车险欺诈识别特征集，并将当前车险案例的当前车险欺诈识别特征集输入车险欺诈识别模型，得到当前车险案例属于欺诈案件的概率。在当前车险案例属于欺诈案件的概率大于设定的第一阈值时，认为当前车险案例属于欺诈案件。

在本发明实施例中，车险欺诈识别模型可以SVM(Support Vector Machine，支持向量机)模型或者神经网络模型等深度学习模型，且并不局限于此。其中，神经网络模型可以是卷积神经网络模型。

在机器学习领域，SVM模型可以用来进行模式识别、分类以及回归分析。神经网络模型具有大规模并行、分布式存储和处理、自组织、自适应和自学能力，特别适合处理需要同时考虑许多因素和条件的、不精确和模糊的信息处理问题。

采用经过训练的SVM模型或者神经网络模型等深度学习模型均可以较为准确地实现车险欺诈。

如图2所示，本发明一种实施例中的车险欺诈识别方法不仅包括步骤S106和步骤S108，在步骤S106和步骤S108之前，还包括以下步骤：

步骤S102，根据历史车险案例的地理空间信息、统计特征信息以及车险案例特征信息生成历史车险欺诈识别特征集。

步骤S103，将历史车险欺诈识别特征集中的历史车险案例标注为欺诈案件或者非欺诈案件。

步骤S104，根据经过标注的历史车险欺诈识别特征集训练车险欺诈识别模型。

在步骤S104中根据经过标注的历史车险欺诈识别特征集训练车险欺诈识别模型时，使用深度学习模型作为分类器。

在步骤S102中，将收集到的与历史车险案例相关的空间信息投影到统一的地理投影坐标系中，然后借助于提取分析、叠加分析、邻域分析等地理空间分析方法提取相关信息即空间地理特征，将这些信息用有限长度的矢量表示，组成一个地理空间信息的特征集即地理空间信息集。地理空间信息集与其它可以获得的历史车险案例的统计特征信息的特征集以及历史车险案例的车险案例特征信息的特征集一起构成历史车险欺诈识别特征集。

如图3所示，本发明实施例的基本车险欺诈识别方法中，将历史车险案例的空间地理特征集与统计特征信息的特征集和车险案例特征信息的特征集一起构成历史车险欺诈识别特征集，该历史车险欺诈识别特征集可以用于评估当前车险案例的欺诈概率。

本发明实施例提供的车险欺诈识别方法，通过地理空间信息等数据和车险欺诈识别模型，识别当前车险案例是否欺诈，充分利用与车险欺诈相关性很高的地理空间相关知识，简单方便地进行车险欺诈识别。

以下介绍本发明的装置实施例，可以用于执行本发明上述的车险欺诈识别方法。如图4所示，根据本发明实施例提供的一种车险欺诈识别装置300包括：

获取单元306，可以用于获取当前车险案例的地理空间信息、统计特征信息和车险案例特征信息。

处理单元308，可以用于通过车险欺诈识别模型对当前车险案例的地理空间信息、统计特征信息和车险案例特征信息进行处理，获得当前车险案例是否存在欺诈的识别结果。

在本发明实施例的技术方案中，通过地理空间信息等数据和车险欺诈识别模型，识别当前车险案例是否欺诈，实现了地理空间信息在保险欺诈识别中的应用，可以提高车险欺诈识别的准确性。

当前车险案例的地理空间信息包括当前车险案例对应的车险现场的路网信息、人口热力图、交通拥堵地图、交管监控摄像头位置信息、历史车险案例的特征分布信息和当前车险案例对应的当前车辆的行驶轨迹信息中的任意一种或者多种。

获取单元306获取的当前车险案例的地理空间信息包括：根据路网信息获得车险现场的路网复杂度；和/或根据人口热力图获得车险现场的人口密度；和/或根据交通拥堵地图获得车险现场的交通拥堵程度；和/或根据交管监控摄像头位置信息获得车险现场与最近的监控摄像头之间的距离；和/或根据历史车险案例的特征分布信息获得车险现场的车险特征分布；和/或根据当前车辆的行驶轨迹信息获得当前车辆在车险现场预设范围内出现的频次；将车险现场的路网复杂度和/或人口密度和/或交通拥堵程度和/或与最近的监控摄像头之间的距离和/或车险特征分布和/或当前车辆在车险现场预设范围内出现的频次作为当前车险案例的地理空间信息。

处理单元308根据当前车险案例的地理空间信息、统计特征信息和车险案例特征信息生成当前车险欺诈识别特征集，并将当前车险案例的当前车险欺诈识别特征集输入车险欺诈识别模型，得到当前车险案例属于欺诈案件的概率。这里，可以直接以概率作为是否存在欺诈的参考，也可以设定阈值得到二值化判断结果，例如，可以设定在当前车险案例属于欺诈案件的概率大于设定的第一阈值时，认为当前车险案例属于欺诈案件。

在本发明实施例中，当前车险案例的统计特征信息包括以下信息的任意一种或多种：当前车险案例的事故车辆的投保金额、保单内容是否包含第三者责任险、出险时间、是否第三方报案、报案时间与出险时间间隔、是否在设定的第一时间段内报案销案再报案、出险时间与保单到期时间间隔、实际索赔金额、索赔次数、有记录罚单数量、已有出险次数、驾驶员年龄、性别、驾龄、车辆用途类别、出险时车的使用年限。

在本发明实施例中，当前车险案例的车险案例特征信息包括以下信息的任意一种或多种：当前车险案例的事故车辆是否高速撞击、是否单方事故、是否包含人员伤亡、是否剐蹭以及是否连环事故。

根据本公开的示例性实施例，参考图5，相比较车险欺诈识别装置300，车险欺诈识别装置400不仅包括获取单元306和处理单元308，还包括生成单元402、标注单元403和训练单元404。

其中，生成单元402用于根据历史车险案例的地理空间信息、统计特征信息以及车险案例特征信息生成历史车险欺诈识别特征集。

标注单元403用于将历史车险欺诈识别特征集中的历史车险案例标注为欺诈案件或者非欺诈案件。

训练单元404用于根据经过标注的历史车险欺诈识别特征集训练车险欺诈识别模型。

车险欺诈识别模型包括支持向量机模型或者卷积神经网络等神经网络模型。

由于本发明的示例实施例的车险欺诈识别装置的各个功能模块与上述车险欺诈识别方法的示例实施例的步骤对应，因此对于本发明装置实施例中未披露的细节，请参照本发明上述的车险欺诈识别方法的实施例。

本发明实施例的车险欺诈识别装置，通过地理空间信息等数据和车险欺诈识别模型，识别当前车险案例是否欺诈，充分利用与车险欺诈相关性很高的地理空间相关知识，简单方便地进行车险欺诈识别。

下面参考图6，其示出了适于用来实现本发明实施例的电子设备的计算机系统500的结构示意图。图6示出的电子设备的计算机系统500仅是一个示例，不应对本发明实施例的功能和使用范围带来任何限制。

如图6所示，计算机系统500包括中央处理单元(CPU)501，其可以根据存储在只读存储器(ROM)502中的程序或者从存储部分508加载到随机访问存储器(RAM)503中的程序而执行各种适当的动作和处理。在RAM 503中，还存储有系统操作所需的各种程序和数据。CPU501、ROM 502以及RAM 503通过总线504彼此相连。输入/输出(I/O)接口505也连接至总线504。

以下部件连接至I/O接口505：包括键盘、鼠标等的输入部分506；包括诸如阴极射线管(CRT)、液晶显示器(LCD)等以及扬声器等的输出部分507；包括硬盘等的存储部分508；以及包括诸如LAN卡、调制解调器等的网络接口卡的通信部分509。通信部分509经由诸如因特网的网络执行通信处理。驱动器510也根据需要连接至I/O接口505。可拆卸介质511，诸如磁盘、光盘、磁光盘、半导体存储器等等，根据需要安装在驱动器510上，以便于从其上读出的计算机程序根据需要被安装入存储部分508。

特别地，根据本发明的实施例，上文参考流程图描述的过程可以被实现为计算机软件程序。例如，本发明的实施例包括一种计算机程序产品，其包括承载在计算机可读介质上的计算机程序，该计算机程序包含用于执行流程图所示的方法的程序代码。在这样的实施例中，该计算机程序可以通过通信部分509从网络上被下载和安装，和/或从可拆卸介质511被安装。在该计算机程序被中央处理单元(CPU)501执行时，执行本申请的系统中限定的上述功能。

需要说明的是，本发明所示的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或者是上述两者的任意组合。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可以包括但不限于：具有一个或多个导线的电连接、便携式计算机磁盘、硬盘、随机访问存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(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。在本发明中，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。而在本发明中，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。

附图中的流程图和框图，图示了按照本发明各种实施例的系统、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上，流程图或框图中的每个方框可以代表一个模块、程序段、或代码的一部分，上述模块、程序段、或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。也应当注意，在有些作为替换的实现中，方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如，两个接连地表示的方框实际上可以基本并行地执行，它们有时也可以按相反的顺序执行，这依所涉及的功能而定。也要注意的是，框图或流程图中的每个方框、以及框图或流程图中的方框的组合，可以用执行规定的功能或操作的专用的基于硬件的系统来实现，或者可以用专用硬件与计算机指令的组合来实现。

描述于本发明实施例中所涉及到的单元可以通过软件的方式实现，也可以通过硬件的方式来实现，所描述的单元也可以设置在处理器中。其中，这些单元的名称在某种情况下并不构成对该单元本身的限定。

作为另一方面，本申请还提供了一种计算机可读介质，该计算机可读介质可以是上述实施例中描述的电子设备中所包含的；也可以是单独存在，而未装配入该电子设备中。上述计算机可读介质承载有一个或者多个程序，当上述一个或者多个程序被一个该电子设备执行时，使得该电子设备实现如上述实施例中所述的车险欺诈识别方法。

例如，所述的电子设备可以实现如图1中所示的：步骤S106，获取当前车险案例的地理空间信息、统计特征信息和车险案例特征信息；步骤S108，通过车险欺诈识别模型对所述当前车险案例的地理空间信息、统计特征信息和车险案例特征信息进行处理，获得所述当前车险案例是否存在欺诈的识别结果。

又如，所述的电子设备可以实现如图2所示的各个步骤。

应当注意，尽管在上文详细描述中提及了用于动作执行的设备的若干单元，但是这种划分并非强制性的。实际上，根据本发明的实施方式，上文描述的两个或更多单元的特征和功能可以在一个单元中具体化。反之，上文描述的一个单元的特征和功能可以进一步划分为由多个单元来具体化。

通过以上的实施方式的描述，本领域的技术人员易于理解，这里描述的示例实施方式可以通过软件实现，也可以通过软件结合必要的硬件的方式来实现。因此，根据本发明实施方式的技术方案可以以软件产品的形式体现出来，该软件产品可以存储在一个非易失性存储介质(可以是CD-ROM，U盘，移动硬盘等)中或网络上，包括若干指令以使得一台计算设备(可以是个人计算机、服务器、触控终端、或者网络设备等)执行根据本发明实施方式的方法。

本领域技术人员在考虑说明书及实践这里公开的发明后，将容易想到本发明的其它实施方案。本申请旨在涵盖本发明的任何变型、用途或者适应性变化，这些变型、用途或者适应性变化遵循本发明的一般性原理并包括本发明未公开的本技术领域中的公知常识或惯用技术手段。说明书和实施例仅被视为示例性的，本发明的真正范围和精神由下面的权利要求指出。

应当理解的是，本发明并不局限于上面已经描述并在附图中示出的精确结构，并且可以在不脱离其范围进行各种修改和改变。本发明的范围仅由所附的权利要求来限制。

Claims (10)

1.一种车险欺诈识别方法，其特征在于，包括：

获取当前车险案例的地理空间信息、统计特征信息和车险案例特征信息；

通过车险欺诈识别模型对所述当前车险案例的地理空间信息、统计特征信息和车险案例特征信息进行处理，获得所述当前车险案例是否存在欺诈的识别结果。

2.根据权利要求1所述的方法，其特征在于，所述当前车险案例的地理空间信息包括所述当前车险案例对应的车险现场的路网信息、人口热力图、交通拥堵地图、交管监控摄像头位置信息、历史车险案例的特征分布信息和所述当前车险案例对应的当前车辆的行驶轨迹信息中的任意一种或者多种；其中，获取当前车险案例的地理空间信息，包括：

根据所述路网信息获得所述车险现场的路网复杂度；和/或

根据所述人口热力图获得所述车险现场的人口密度；和/或

根据所述交通拥堵地图获得所述车险现场的交通拥堵程度；和/或

根据所述交管监控摄像头位置信息获得所述车险现场与最近的监控摄像头之间的距离；和/或

根据所述历史车险案例的特征分布信息获得所述车险现场的车险特征分布；和/或

根据所述当前车辆的行驶轨迹信息获得所述当前车辆在所述车险现场预设范围内出现的频次；

将所述车险现场的路网复杂度和/或人口密度和/或交通拥堵程度和/或与最近的监控摄像头之间的距离和/或车险特征分布和/或所述当前车辆在所述车险现场预设范围内出现的频次作为所述当前车险案例的地理空间信息。

3.根据权利要求1所述的方法，其特征在于，所述通过车险欺诈识别模型对所述当前车险案例的地理空间信息、统计特征信息和车险案例特征信息进行处理之前，所述方法还包括：

根据历史车险案例的地理空间信息、统计特征信息以及车险案例特征信息生成历史车险欺诈识别特征集；

将所述历史车险欺诈识别特征集中的历史车险案例标注为欺诈案件或者非欺诈案件；

根据经过标注的所述历史车险欺诈识别特征集训练所述车险欺诈识别模型。

4.根据权利要求3所述的方法，其特征在于，所述通过车险欺诈识别模型对所述当前车险案例的地理空间信息、统计特征信息和车险案例特征信息进行处理，包括：

根据所述当前车险案例的地理空间信息、统计特征信息和车险案例特征信息生成当前车险欺诈识别特征集；

将所述当前车险案例的当前车险欺诈识别特征集输入所述车险欺诈识别模型，得到所述当前车险案例属于欺诈案件的概率。

5.根据权利要求1所述的方法，其特征在于，所述车险欺诈识别模型包括支持向量机模型或者神经网络模型。

6.根据权利要求1至5任一项所述的方法，其特征在于，所述当前车险案例的统计特征信息包括以下信息的任意一种或多种：

所述当前车险案例的事故车辆的投保金额、保单内容是否包含第三者责任险、出险时间、是否第三方报案、报案时间与出险时间间隔、是否在设定的第一时间段内报案销案再报案、出险时间与保单到期时间间隔、实际索赔金额、索赔次数、有记录罚单数量、已有出险次数、驾驶员年龄、性别、驾龄、车辆用途类别、出险时车的使用年限。

7.根据权利要求1至5任一项所述的方法，其特征在于，所述当前车险案例的车险案例特征信息包括以下信息的任意一种或多种：

所述当前车险案例的事故车辆是否高速撞击、是否单方事故、是否包含人员伤亡、是否剐蹭以及是否连环事故。

8.一种车险欺诈识别装置，其特征在于，包括：

获取单元，用于获取当前车险案例的地理空间信息、统计特征信息和车险案例特征信息；

处理单元，用于通过车险欺诈识别模型对所述当前车险案例的地理空间信息、统计特征信息和车险案例特征信息进行处理，获得所述当前车险案例是否存在欺诈的识别结果。

9.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，所述程序被处理器执行时实现如权利要求1至7中任一项所述的车险欺诈识别方法。

10.一种电子设备，其特征在于，包括：

一个或多个处理器；

存储装置，用于存储一个或多个程序，当所述一个或多个程序被所述一个或多个处理器执行时，使得所述一个或多个处理器实现如权利要求1至7中任一项所述的车险欺诈识别方法。