CN110675267B - 一种根据实时路况进行车险预警的方法及系统 - Google Patents
一种根据实时路况进行车险预警的方法及系统 Download PDFInfo
- Publication number
- CN110675267B CN110675267B CN201810716917.XA CN201810716917A CN110675267B CN 110675267 B CN110675267 B CN 110675267B CN 201810716917 A CN201810716917 A CN 201810716917A CN 110675267 B CN110675267 B CN 110675267B
- Authority
- CN
- China
- Prior art keywords
- risk
- record
- machine learning
- learning model
- historical
- 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.)
- Active
Links
Images
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
-
- 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
-
- 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
- Y02T—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO TRANSPORTATION
- Y02T10/00—Road transport of goods or passengers
- Y02T10/10—Internal combustion engine [ICE] based vehicles
- Y02T10/40—Engine management systems
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Business, Economics & Management (AREA)
- Physics & Mathematics (AREA)
- Accounting & Taxation (AREA)
- Finance (AREA)
- Data Mining & Analysis (AREA)
- General Physics & Mathematics (AREA)
- Marketing (AREA)
- Artificial Intelligence (AREA)
- General Business, Economics & Management (AREA)
- Strategic Management (AREA)
- Economics (AREA)
- Development Economics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Technology Law (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)
- Traffic Control Systems (AREA)
Abstract
本发明提供了一种根据实时路况进行车险预警的方法及系统,所述方法包括:获取目标用户的当前行车记录及当前车辆信息,所述当前行车记录包括有出险记录的当前行车记录和无出险记录的当前行车记录;获取预设时间段内所述目标用户的历史行车记录及历史车辆信息,所述历史行车记录包括有出险记录的历史行车记录和无出险记录的历史行车记录;基于预设时间段内所述目标用户的历史行车记录及历史车辆信息,训练得到出险概率预测机器学习模型;基于目标用户当前行车记录及当前车辆信息、出险概率预测机器学习模型,预测目标用户的出险概率。出险概率信息可以提供给保险公司作为制定投保方案的参考或提供给用户作为指导用户进行车辆保养的参考。
Description
技术领域
本发明涉及数据处理技术领域,特别涉及一种根据实时路况进行车险预警的方法及系统。
背景技术
随着用车服务(例如,网约车、租车等)越来越普遍,各种车险的覆盖率也越来越广。现有的保险技术主要使用车辆静态数据来评估车辆的保费,因而现有的保险技术过于简单,计算得到的车辆的保费准确度较低。
在现有技术中,传统车险的精算仅局限于利用用户的历史数据进行方案匹配,但用户当前的行程情况及路况情况都可能对该用户的出险概率产生较大的影响。因此,实时监控用户的行程情况及路况情况并进行进一步分析,对于车险预警是非常重要的。
发明内容
针对现有技术中不能实时监控用户的行程情况及路况情况并进行进一步分析车辆出险概率的问题,本发明的目的在于提供一种通过机器学习模型进行出险概率预测的方法,基于历史数据对机器学习模型进行训练,并基于该机器学习模型对当前用户的出险概率进行预测。
第一方面,本发明披露了一种根据实时路况进行车险预警的方法。该方法包括:获取目标用户当前行车记录及当前车辆信息,所述当前行车记录包括有出险记录的当前行车记录和无出险记录的当前行车记录;获取预设时间段内所述目标用户的历史行车记录及历史车辆信息,所述历史行车记录包括有出险记录的历史行车记录和无出险记录的历史行车记录;基于预设时间段内所述目标用户的历史行车记录及历史车辆信息,训练得到出险概率预测机器学习模型;基于目标用户的当前行车记录及当前车辆信息、出险概率预测机器学习模型,预测目标用户的出险概率。
在一些实施例中,所述基于预设时间段内所述目标用户的历史行车记录及历史车辆信息,训练得到出险概率预测机器学习模型包括:基于预设时间段内的历史行车记录及历史车辆信息,确定训练样本;获取出险概率预测初始机器学习模型,所述出险概率预测初始机器学习模型包含一个或多个参数;基于训练样本及所述出险概率预测初始机器学习模型,训练得到出险概率预测机器学习模型。
在一些实施例中,所述训练样本包括:正训练样本,所述正训练样本包括一个或多个有出险记录的历史行车记录及历史车辆信息;负训练样本,所述负训练样本包括一个或多个无出险记录的历史行车记录及历史车辆信息。
在一些实施例中,所述基于训练样本及出险概率预测初始机器学习模型,训练得到所述出险概率预测机器学习模型,包括:将所述训练样本输入到所述出险概率预测初始机器学习模型;调整所述出险概率预测初始机器学习模型的所述一个或多个参数,确定训练的出险概率预测机器学习模型,其中所述训练的出险概率预测机器学习模型包括一个或多个参数;基于所述训练的出险概率预测机器学习模型和所述训练样本,确定预测出险概率;当所述预测出险概率不满足预设条件时,调整所述训练的出险概率预测机器学习模型的所述一个或多个参数;当所述预测结果满足预设条件时,确定所述训练的出险概率预测机器学习模型为所述出险概率预测机器学习模型。
在一些实施例中,所述预设条件包括:多个所述预测出险概率的方差在一定的范围内。
在一些实施例中,所述当前车辆信息或历史车辆信息包括车辆品牌、车型、零部件编号、维修记录。
在一些实施例中,所述当前行车记录或历史行车记录包括行车时间、行驶的路况占比、事故多发路段占比。
第二方面,本发明披露了一种根据实时路况进行车险预警的系统。该系统包括:获取模块、模型训练模块和出险概率预测模块;所述获取模块包括第一获取单元和第二获取单元,所述第一获取单元用于获取目标用户的当前行车记录及当前车辆信息;所述第二获取单元用于获取预设时间段内目标用户的历史行车记录及历史车辆信息;所述模型训练模块用于基于所述预设时间段内目标用户的历史行车记录及历史车辆信息,训练得到出险概率预测机器学习模型;所述出险概率预测模块用于基于目标用户的当前行车记录及当前车辆信息、出险概率预测机器学习模型,预测目标用户的出险概率。
第三方面,本发明披露了一种计算机可读存储介质。所述存储介质存储计算机指令,所述计算机指令运行时运行所述根据实时路况进行车险预警的方法。
第四方面,本发明披露了一种根据实时路况进行车险预警的装置。所述装置包括出险预测程序,所述出险预测程序运行时执行所述根据实时路况进行车险预警的方法。
与现有技术相比,本发明的有益效果表现如下:
一、安装在车辆上的记录仪能够实时采集目标用户的行车记录(行程信息及路况信息等)及车辆信息。根据预设时间段内的目标用户的历史行车记录及历史车辆信息,训练得到出险概率预测机器学习模型。根据目标用户的当前行车记录及当前车辆信息、出险概率预测机器学习模型,预测目标用户的出险概率。
二、由于历史行车记录和历史车辆信息不断更新,出险概率预测机器学习模型也可以不断更新。利用不断更新的模型预测出险概率,出险概率的预测值的准确性将会大大提高,进而能够更加有效地为保险公司或系统内部的保险部门提供参考或为用户提供保养建议。
附图说明
图1是本发明技术方案提供的车险预警系统的应用场景示意图;
图2是用于实现本发明技术方案的专用系统的示例性计算设备的框图;
图3是用于实现本发明技术方案的专用系统的示例性移动设备的框图;
图4是根据本发明技术方案的一些实施例示出的用于实现车险预警系统预测目标用户的出险概率的示例性流程示意图;
图5是根据本发明技术方案的一些实施例示出的用于实现车险预警系统确定出险概率预测机器学习模型的示例性流程示意图;
图6是根据本发明技术方案的一些实施例示出的示例性车险预警装置的结构框图。
具体实施方式
为了更清楚地说明本申请的实施例的技术方案,下面将对实施例描述中所需要使用的附图作简单的介绍。显而易见地,下面描述中的附图仅仅是本申请的一些示例或实施例,对于本领域的普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图将本申请应用于其它类似情景。除非从语言环境中显而易见或另做说明,图中相同标号代表相同结构或操作。
如本申请和权利要求书中所示,除非上下文明确提示例外情形,“一”、“一个”、“一种”和/或“该”等词并非特指单数,也可包括复数。一般说来,术语“包括”与“包含”仅提示包括已明确标识的步骤和元素,而这些步骤和元素不构成一个排它性的罗列,方法或者设备也可能包含其它的步骤或元素。
虽然本申请对根据本申请的实施例的系统中的某些模块或单元做出了各种引用,然而,任何数量的不同模块或单元可以被使用并运行在客户端和/或服务器上。所述模块仅是说明性的,并且所述系统和方法的不同方面可以使用不同模块。
本申请中使用了流程图用来说明根据本申请的实施例的系统所执行的操作。应当理解的是,前面或下面操作不一定按照顺序来精确地执行。相反,可以按照倒序或同时处理各种步骤。同时,也可以将其他操作添加到这些过程中,或从这些过程移除某一步或数步操作。
本申请的实施例可以应用于不同的运输系统,不同的运输系统包括但不限于陆地、海洋、航空、航天等中的一种或几种的组合。例如,出租车、专车、顺风车、巴士、代驾、火车、动车、高铁、船舶、飞机、热气球、无人驾驶的交通工具、收/送快递等应用了管理和/或分配的运输系统。本申请的不同实施例应用场景包括但不限于网页、浏览器插件、客户端、定制系统、企业内部分析系统、人工智能机器人等中的一种或几种的组合。应当理解的是,本申请的系统及方法的应用场景仅仅是本申请的一些示例或实施例,对于本领域的普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图将本申请应用于其它类似情景。例如,其他类似的车险预警系统。
本申请描述的“乘客”、“顾客”、“需求者”、“服务需求者”、“消费者”、“消费方”、“使用需求者”等是可以互换的,是指需要或者订购服务的一方,可以是个人,也可以是工具。同样地,本申请描述的“司机”、“提供者”、“供应者”、“服务提供者”、“服务者”、“服务方”等也是可以互换的,是指提供服务或者协助提供服务的个人、工具或者其他实体等。另外,本申请描述的“用户”可以是需要或者订购服务的一方,也可以是提供服务或者协助提供服务的一方。
图1所示的是车险预警系统的一种示例系统配置示意图。示例性车险预警系统100可以包括车险预警装置110、消费方130、存储器150、服务方140、网络120。在一些实施例中,车险预警装置110可以用于对收集的信息进行分析加工以生成分析结果的系统。车险预警装置110可以是一个服务器,也可以是一个服务器群组。一个服务器群组可以是集中式的,例如数据中心。一个服务器群组也可以是分布式的,例如一个分布式系统。车险预警装置110可以是本地的,也可以是远程的。车险预警装置110可以包括用于执行车险预警装置110的指令(程序代码)的车险预警引擎112。例如,车险预警引擎112能够执行出险预测程序的指令,进而通过一定的算法为目标用户预测出险概率。
消费方130是指发布服务订单的个人、工具或者其他实体。消费方130包括但不限于台式电脑130-1、笔记本电脑130-2、机动车的内置设备130-3、移动设备130-4(例如,手机)等中的一种或几种的组合。服务方140是执行服务订单的个人、工具或者其他实体。服务方140包括但不限于台式电脑140-1、笔记本电脑140-2、机动车的内置设备140-3、移动设备140-4(例如,手机)等中的一种或几种的组合。车险预警装置110可以直接访问存取储存在存储器150的数据信息,也可以直接通过网络120访问存取用户130/140的信息。
在一些实施例中,存储器150可以泛指具有存储功能的设备。存储器150主要用于存储从消费方130和/或服务方140收集的数据和车险预警装置110工作中产生的各种数据。存储器150可以是本地的,也可以是远程的。系统数据库与系统其他模块间的连接或通信可以是有线的,也可以是无线的。网络120可以提供信息交换的渠道。网络120可以是单一网络,也可以是多种网络组合的。网络120可以包括但不限于局域网、广域网、公用网络、专用网络、无线局域网、虚拟网络、都市城域网、公用开关电话网络等中的一种或几种的组合。网络120可以包括多种网络接入点,如有线或无线接入点、基站(如120-1,120-2)或网络交换点,通过以上接入点使数据源连接网络120并通过网络发送信息。
在具体应用中,车险预警装置110利用不断更新的模型预测出险概率,出险概率的预测值的准确性将会大大提高,进而能够更加有效地为保险公司或系统内部的保险部门提供参考或为用户提供保养建议。例如,车险预警装置110可以每天对车辆出险概率进行评估,进一步地可以将用户车辆的出险概率信息提供给保险公司或系统内部的保险部门,供其进行风险评估和成本估算,从而为用户制定未来时间(例如,下一年度)相应的投保方案。又例如,由于预测的出险概率涉及车辆的车况信息(例如,车辆维修记录、零部件信息、保养记录、行驶里程等)等因素,车险预警装置110可以每天向消费方130(例如,手机)发送车辆的出险概率信息以提醒用户,用户可以基于车辆的出险概率信息,决定是否需要对车辆进行及时的保养(例如,更换刹车片),从而降低出险概率。又例如,用户通过消费方130(例如,手机)进行约车时,车险预警装置110可以将过去一段时间内出险概率较高的车辆或者购买保险较贵的车辆在派单时派往路况较好的路段以降低出险概率。图2是用于实现本发明技术方案的专用系统的示例性计算设备200的框图。如图2所示,计算设备200可以包括处理器210、存储器220、输入/输出接口230和通信通信端口240。
处理器210可以执行计算指令(程序代码)并执行本发明描述的车险预警系统100的功能。所述计算指令可以包括程序、对象、组件、数据结构、过程、模块和功能(所述功能指本发明中描述的特定功能)。例如,处理器210可以处理从车险预警系统100的其他任何组件获得的图像或文本数据。在一些实施例中,处理器210可以包括微控制器、微处理器、精简指令集计算机(RISC)、专用集成电路(ASIC)、应用特定指令集处理器(ASIP)、中央处理器(CPU)、图形处理单元(GPU)、物理处理单元(PPU)、微控制器单元、数字信号处理器(DSP)、现场可编程门阵列(FPGA)、高级RISC机(ARM)、可编程逻辑器件以及能够执行一个或多个功能的任何电路和处理器等,或其任意组合。仅为了说明,图2中的计算设备200只描述了一个处理器,但需要注意的是本发明中的计算设备200还可以包括多个处理器。
存储器220可以存储从车险预警系统100的任何其他组件获得的数据/信息。在一些实施例中,存储器220可以包括大容量存储器、可移动存储器、易失性读取和写入存储器和只读存储器(ROM)等,或其任意组合。示例性大容量存储器可以包括磁盘、光盘和固态驱动器等。可移动存储器可以包括闪存驱动器、软盘、光盘、存储卡、压缩盘和磁带等。易失性读取和写入存储器可以包括随机存取存储器(RAM)。RAM可以包括动态RAM(DRAM)、双倍速率同步动态RAM(DDR SDRAM)、静态RAM(SRAM)、晶闸管RAM(T-RAM)和零电容(Z-RAM)等。ROM可以包括掩模ROM(MROM)、可编程ROM(PROM)、可擦除可编程ROM(PEROM)、电可擦除可编程ROM(EEPROM)、光盘ROM(CD-ROM)和数字通用盘ROM等。
输入/输出接口230可以用于输入或输出信号、数据或信息。在一些实施例中,输入/输出接口230可以使用户与车险预警系统100进行联系。在一些实施例中,输入/输出接口230可以包括输入装置和输出装置。示例性输入装置可以包括键盘、鼠标、触摸屏和麦克风等,或其任意组合。示例性输出设备可以包括显示设备、扬声器、打印机、投影仪等,或其任意组合。示例性显示装置可以包括液晶显示器(LCD)、基于发光二极管(LED)的显示器、平板显示器、曲面显示器、电视设备、阴极射线管(CRT)等,或其任意组合。通信端口240可以连接到网络以便数据通信。所述连接可以是有线连接、无线连接或两者的组合。有线连接可以包括电缆、光缆或电话线等,或其任意组合。无线连接可以包括蓝牙、Wi-Fi、WiMax、WLAN、ZigBee、移动网络(例如,3G、4G或5G等)等,或其任意组合。在一些实施例中,通信端口240可以是标准化端口,如RS232、RS485等。在一些实施例中,通信端口240可以是专门设计的端口。例如,通信端口240可以根据数字成像和医学通信协议(DICOM)进行设计。
图3是用于实现本发明技术方案的专用系统的示例性移动设备300的框图。如图3所示,所述移动设备300可以包括通信平台310、显示器320、图形处理器(GPU)330、中央处理器(CPU)340、输入/输出接口350、内存360、存储器370等。在一些实施例中,操作系统361(如,iOS,Android,Windows Phone等)和应用程序362可以从存储器370加载到内存360中,以便由CPU 340执行。应用程序362可以包括浏览器或用于从车险预警系统100接收成像、图形处理、音频或其他相关信息的应用程序。
为了实现在本发明中描述的各种模块、单元及其功能,计算设备或移动设备可以用作本发明所描述的一个或多个组件的硬件平台。这些计算机或移动设备的硬件元件、操作系统和编程语言本质上是常规的,并且本领域技术人员熟悉这些技术后可将这些技术适应于本发明所描述的车险预警系统。具有用户界面元件的计算机可以用于实现个人计算机(PC)或其他类型的工作站或终端设备,如果适当地编程,计算机也可以充当服务器。
图4是根据本发明技术方案的一些实施例示出的用于实现车险预警系统100预测目标用户的出险概率的示例性流程示意图。所述方法包括:
步骤410,获取目标用户当前的行车记录及当前车辆信息。
具体地,在一些实施例中,目标用户的车辆中安装有记录仪,所述记录仪可以实时采集车辆的行车记录和车辆信息。所述记录仪通过通信端口(如,通信端口240)与车险预警系统100相连,并能够通过通信端口将采集到的行车记录和车辆信息发送到车险预警系统100的一个或多个部件(如,车险预警引擎112、车险预警装置110、存储器150等)中。在一些实施例中,车险预警引擎112可以从车险预警系统100的存储设备(如,存储器150等)中获取存储在所述存储设备的行车记录和车辆信息。
在一些实施例中,所述当前行车记录包括有出险记录的当前行车记录和无出险记录的当前行车记录。当前行车记录包括行车时间、行车里程、行车速度、行车路况占比、出险的次数、距离上次出险的时间、事故多发路段占比等。所述行车路况占比包括高速占比、省道占比、乡道占比、巷道占比等。当前车辆信息包括车辆品牌、车型、零部件编号、维修记录等。
进一步,在步骤410中,进一步获取目标用户的用车习惯(例如,习惯用车时间(例如,早晚高峰、周末))。
步骤420,确定出险概率预测机器学习模型。所述出险概率预测机器学习模型是由目标用户的历史行车记录及历史车辆信息训练得到,示例性具体步骤包括:
获取预设时间段内(例如,一次保险时间范围内(例如,1年))目标用户的历史行车记录及历史车辆信息,所述历史行车记录包括有出险记录的历史行车记录和无出险记录的历史行车记录;
基于预设时间段内目标用户的历史行车记录及历史车辆信息,确定训练样本,所述训练样本包括正训练样本和负训练样本;
获取出险概率预测初始机器学习模型,所述出险概率预测初始机器学习模型包含一个或多个参数;
基于训练样本及出险概率预测初始机器学习模型,训练得到出险概率预测机器学习模型。
在上述步骤420中,所述历史行车记录和历史车辆信息由安装在目标用户的车辆中的记录仪获取,并通过通信端口(如,通信端口240)保存到车险预警系统100的存储设备(如,存储器150等)。在模型训练过程中,车险预警装置110的获取模块610从车险预警系统100的存储设备中获取记录仪在过去时间点(如,三天前,一周前,一个月前,一年前等)采集得行车记录和车辆信息,组成历史行车记录和历史车辆信息。所历史行车记录包括行车时间、行车里程、行车速度、行车路况占比、出险的次数、距离上次出险的时间、事故多发路段占比等。所述行车路况占比包括高速占比、省道占比、乡道占比、巷道占比、事故多发路段占比等。所述历史车辆信息包括车辆品牌、车型、零部件编号、维修记录等。
在一些实施例中,所述出险概率预测初始机器学习模型可以是分类模型,所述分类模型是包含一个或多个的参数的函数。该分类模型分为两类:一类的训练样本是正训练样本;一类的训练样本是负训练样本。所述正训练样本包括一个或多个有出险记录的历史行车记录及历史车辆信息;所述负训练样本包括一个或多个无出险记录的历史行车记录及历史车辆信息。经过训练后,得到出险概率预测机器学习模型,该出险概率预测机器学习模型也是分类模型。在使用该出险概率预测机器学习模型预测目标用户的出险概率的步骤之前,首先判断获取的当前行车记录是否是有出险记录的当前行车记录,若是,则用由正训练样本训练得到那一类模型预测目标车辆的出险概率;否则,用由负训练样本训练得到那一类模型确定目标用户的出险概率。
步骤430,基于目标用户当前的行车记录及当前车辆信息、出险概率预测机器学习模型,预测目标用户的出险概率。
具体地,将当前行车记录和当前车辆信息输入在步骤420中确定的出险概率预测机器学习模型中,得到出险概率预测值。例如,将该目标用户当前(当日)的行程记录(例如,行车时间、路况、当日之前近三天的行车记录等)输入该出险概率预测机器学习模型,输出值是目标用户的出险概率。输出值越接近1,则说明出险概率越高;输出值越接近0,则说明出险概率较低。在一些实施例中,当在步骤420中确定的出险概率预测机器学习模型为分类模型时,在将当前行车记录和当前车辆信息输入出险概率预测机器学习模型前,车险预警系统100首先判断当前行车记录是否是有出险记录的当前行车记录,若是,则用由正训练样本训练得到那一类模型预测目标用户的出险概率;否则,用由负训练样本训练得到那一类模型确定目标用户的出险概率。
进一步地,车险预警系统100可以将步骤430预测得到的出险概率以信息的形式提供给保险公司或内部保险部门,供其进行风险评估和成本估算。例如,在上一年度中,用户每天用车的出险概率比较高(例如,用户经常走事故多发路段,则预测出的出险概率将提高),保险公司可以制定下一年度相应的投保方案(例如,考虑是否要提高保险费用或增加其他保险条款等)。另外,系统还可以将步骤430预测得到的出险概率在显示设备(未示出)中显示出来或以短信的形式发送给用户,以提醒用户及时进行车辆保养。例如,当用户长时间不保养,出险概率将提高,用户可以考虑是否要进行车辆保养。例如,车险预警系统100可以将车况差的车辆或者购买保险较贵的车辆在派单时派往路况较好的路段降低出险概率。由于历史行车记录和历史车辆信息不断更新,该出险概率预测机器学习模型也可以不断更新(例如,可以以一定时间间隔(例如,每天)更新出险概率预测机器学习模型)。利用不断更新的模型预测出险概率,出险概率的预测值的准确性将会大大提高。
图5是根据本发明技术方案的一些实施例示出的用于实现车险预警系统100确定出险概率预测机器学习模型的示例性流程示意图。所述确定出险概率预测机器模型的方法包括:
步骤510,获取预设时间段内目标用户的历史行车记录及历史车辆信息,所述目标用户的历史行车记录包括有出险记录的历史行车记录和无出险记录的历史行车记录。所述预设时间段可以是近三天、近七天、近一个月、近一年。所以所述预设时间段内目标用户的历史行车记录及历史车辆信息可以是目标用户近三天的行车记录及车辆信息、近七天的行车记录及车辆信息、近一个月的行车记录及车辆信息、近一年的行车记录及车辆信息等。
步骤520,基于预设时间段内的目标用户的历史行车记录及历史车辆信息,确定训练样本。
具体地,所述训练样本可以是正训练样本和负训练样本。其中,所述正训练样本可以包括一个或多个有出险记录的历史行车记录及历史车辆信息。所述有出险记录的历史行车记录可以包括本次行车记录信息(例如,行车时间、路况等)、距离上次出险的时间、距离上次出险的行车记录、近三天的行车记录、近七天的行车记录、近一个月的行车记录等。
负训练样本可以负训练样本包括一个或多个无出险记录的历史行车记录及车辆信息。所述无出险记录的历史行车记录可以包括本次行车记录信息(例如,行车时间、路况等)、近三天的行车记录、近七天的行车记录、近一个月的行车记录等。
步骤530,获取出险概率预测初始机器学习模型。所述出险概率预测初始机器学习模型包含多个初始模型参数。在一些实施例中,所述出险概率预测初始机器学习模型可以是分类模型。所述分类模型是包含一个或多个的参数的函数。该分类模型分为两类:一类的训练样本是正训练样本;一类的训练样本是负训练样本。经过训练后,得到出险概率预测机器学习模型,该出险概率预测机器学习模型也是分类模型。
步骤540,基于训练样本及出险概率预测初始机器学习模型,训练得到出险概率预测机器学习模型。
具体地,将部分所述训练样本(包括正训练样本和负训练样本)输入到所述出险概率预测初始机器学习模型;调整所述出险概率预测初始机器学习模型的所述一个或多个参数,确定训练的出险概率预测机器学习模型,其中所述训练的出险概率预测机器学习模型也包括一个或多个参数;基于所述训练的出险概率预测机器学习模型和所述训练样本,确定预测出险概率;当所述预测出险概率不满足预设条件时,再次将另一部分训练样本输入所述训练的出险概率预测机器学习模型,不断调整所述训练的出险概率预测机器学习模型的所述一个或多个参数;当所述预测结果满足预设条件时,模型训练完成,确定所述训练的出险概率预测机器学习模型为所述出险概率预测机器学习模型。所述预设条件包括:多个所述预测出险概率的方差在一定的范围内。例如,所述预设条件可以是利用当前训练出的出险概率机器学习模型预测出的目标用户的多次出险概率的方差在一定的范围内(如,小于1)。
在一些实施例中,经过训练得到出险概率预测机器学习模型可以是分类模型。在使用该出险概率预测机器学习模型预测目标用户的出险概率的步骤之前,首先判断获取的当前行车记录是否是有出险记录的当前行车记录,若是,则用由正训练样本训练得到那一类模型预测目标车辆的出险概率;否则,用由负训练样本训练得到那一类模型确定目标用户的出险概率。
进一步,随着目标用户历史出行记录和车辆信息的不断更新,该出险概率预测机器学习模型也可以不断更新。例如,可以以一定时间间隔(例如,每天)更新一次模型。
基于相同的技术构思,本发明实施例进一步提供了一种车险预警装置110,该装置包括:获取模块610、模型训练模块620和出险概率预测模块630,车险预警装置的结构示意图如图6所示。
获取模块610,用于获取目标用户的行车记录及车辆信息。所述目标用户的行车记录及车辆信息包括目标用户当前的行车记录及当前车辆信息、以及预设时间段内目标用户的历史行车记录及历史车辆信息。获取模块610可以包括第一获取单元和第二获取单元,其中第一获取单元用于获取目标用户的当前行车记录及当前车辆信息;第二获取单元用于获取预设时间段内目标用户的历史行车记录及历史车辆信息。
模型训练模块620,用于基于所述预设时间段内目标用户的历史行车记录及历史车辆信息,训练出险概率预测机器学习模型。
出险概率预测模块630,用于基于目标用户的当前行车记录及当前车辆信息和出险概率预测机器学习模型,预测目标用户的出险概率。基于预测的目标用户的出险概率,系统将该出险概率信息提供给保险公司或内部保险部门,供其进行风险评估和成本估算。另外,系统还可以将该出险概率信息发送给用户,以提醒用户及时进行车辆保养。
所述车险预警装置110可以进一步包括出险预测程序,所述出险预测程序运行时执行本发明实施例提供的根据实时路况进行车险预警的方法。所述出险预测程序可以以计算机指令的形式存储在计算机可读存储介质中。
上文所描述的各个模块和单元并不是必须的,对于本领域的专业人员来说,在了解本申请内容和原理后,都可能在不背离本技术原理、结构的情况下,对该系统进行形式和细节上的各种修正和改变,各个模块可以任意组合,或者构成子系统与其它模块连接,而这些修正和改变仍在本申请的权利要求保护范围之内。
本领域技术人员应明白,本申请的实施例可提供为方法、系统或计算机程序产品。因此,本申请可采用完全硬件实施例、完全软件实施例或结合软件和硬件方面的实施例的形式。而且,本申请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。
以上所述为本申请的基本构思,仅以实施例形式呈现,显而易见地,本领域的技术人员依据本申请作出相应变化、改进或修正。这些变化、改进和修正已被本申请所暗示或间接提出,均包含在本申请实施例的精神或范围之内。
对于描述本申请的术语,例如“一个实施例”、“一些实施例”或“某些实施例”,表示与它们相关的至少一个特征、结构或特点是包含在本申请的实施例之中的。
另外,对于本领域的技术人员来说,本申请中的实施例可能涉及到一些新的流程、方法、机器、产品或者与它们相关的改进。因此,本申请的实施例可以在纯硬件或纯软件中实施,其中软件包括但不限于操作系统、常驻软件或微代码等;也可以在同时包含硬件和软件的“系统”、“模块”、“子模块”、“单元”等中实施。另外,本申请的实施例可以以计算机程序的形式存在,它们可以承载在计算机可读取的媒介中。
Claims (9)
1.一种根据实时路况进行车险预警的方法,其特征在于,所述方法包括:
获取目标用户的当前行车记录及当前车辆信息,所述当前行车记录包括有出险记录的当前行车记录和无出险记录的当前行车记录,所述当前行车记录至少包括行车路况占比,所述行车路况占比至少包括高速占比、省道占比、乡道占比、巷道占比、事故多发路段占比中至少一个;
获取预设时间段内所述目标用户的历史行车记录及历史车辆信息,所述历史行车记录包括有出险记录的历史行车记录和无出险记录的历史行车记录;
基于预设时间段内所述目标用户的历史行车记录及历史车辆信息,训练得到出险概率预测机器学习模型;
基于所述目标用户的当前行车记录及当前车辆信息和所述出险概率预测机器学习模型,预测目标用户的出险概率,包括:
判断所述当前行车记录是否有出险记录;
响应于所述当前行车记录有出险记录,基于由正训练样本训练得到的所述出险概率预测机器学习模型,预测目标用户的出险记录,所述正训练样本为包括有出险记录的历史行车记录及历史车辆信息;
响应于所述当前行车记录无出险记录,基于由负训练样本训练得到的所述出险概率预测机器学习模型,预测目标用户的出险记录,所述负训练样本为无出险记录的历史行车记录及历史车辆信息。
2.根据权利要求1所述的方法,其特征在于,所述基于预设时间段内所述目标用户的历史行车记录及历史车辆信息,训练得到出险概率预测机器学习模型包括:
基于所述预设时间段内目标用户的历史行车记录及历史车辆信息,确定训练样本;
获取出险概率预测初始机器学习模型,所述出险概率预测初始机器学习模型包含一个或多个参数;
基于所述训练样本及所述出险概率预测初始机器学习模型,训练得到所述出险概率预测机器学习模型。
3.根据权利要求2所述的方法,其特征在于,所述基于所述训练样本及出险概率预测初始机器学习模型,训练得到所述出险概率预测机器学习模型,包括:
将所述训练样本输入到所述出险概率预测初始机器学习模型;
调整所述出险概率预测初始机器学习模型的所述一个或多个参数,确定训练的出险概率预测机器学习模型,其中所述训练的出险概率预测机器学习模型包括一个或多个参数;
基于所述训练的出险概率预测机器学习模型和所述训练样本,确定预测出险概率;
当所述预测出险概率不满足预设条件时,调整所述训练的出险概率预测机器学习模型的所述一个或多个参数;
当预测结果满足预设条件时,确定所述训练的出险概率预测机器学习模型为所述出险概率预测机器学习模型。
4.根据权利要求3所述的方法,其特征在于,所述预设条件包括:多个所述预测出险概率的方差在一定的范围内。
5.根据权利要求1所述的方法,其特征在于,所述当前车辆信息或历史车辆信息包括车辆品牌、车型、零部件编号、维修记录。
6.根据权利要求1所述的方法,其特征在于,所述当前行车记录或历史行车记录包括行车时间、行驶的路况占比、事故多发路段占比。
7.一种根据实时路况进行车险预警的系统,其特征在于,所述系统包括:获取模块、模型训练模块和出险概率预测模块;
所述获取模块,包括第一获取单元和第二获取单元;
所述第一获取单元用于获取目标用户的当前行车记录及当前车辆信息,所述当前行车记录包括有出险记录的当前行车记录和无出险记录的当前行车记录,所述当前行车记录至少包括行车路况占比,所述行车路况占比至少包括高速占比、省道占比、乡道占比、巷道占比、事故多发路段占比中至少一个;
所述第二获取单元用于获取预设时间段内目标用户的历史行车记录及历史车辆信息;
所述模型训练模块用于基于所述预设时间段内目标用户的历史行车记录及历史车辆信息,训练得到出险概率预测机器学习模型;
所述出险概率预测模块用于基于目标用户的当前行车记录及当前车辆信息、出险概率预测机器学习模型,预测目标用户的出险概率,包括:
判断所述当前行车记录是否有出险记录;
响应于所述当前行车记录有出险记录,基于由正训练样本训练得到的所述出险概率预测机器学习模型,预测目标用户的出险记录,所述正训练样本为包括有出险记录的历史行车记录及历史车辆信息;
响应于所述当前行车记录无出险记录,基于由负训练样本训练得到的所述出险概率预测机器学习模型,预测目标用户的出险记录,所述负训练样本为无出险记录的历史行车记录及历史车辆信息。
8.一种计算机可读存储介质,其特征在于,所述存储介质存储计算机指令,所述计算机指令运行时运行如权利要求1-6任一所述根据实时路况进行车险预警的方法。
9.一种根据实时路况进行车险预警的装置,其特征在于,所述装置包括出险预测程序,所述出险预测程序运行时执行如权利要求1-6任一所述根据实时路况进行车险预警的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810716917.XA CN110675267B (zh) | 2018-07-03 | 2018-07-03 | 一种根据实时路况进行车险预警的方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810716917.XA CN110675267B (zh) | 2018-07-03 | 2018-07-03 | 一种根据实时路况进行车险预警的方法及系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110675267A CN110675267A (zh) | 2020-01-10 |
CN110675267B true CN110675267B (zh) | 2023-05-12 |
Family
ID=69065757
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201810716917.XA Active CN110675267B (zh) | 2018-07-03 | 2018-07-03 | 一种根据实时路况进行车险预警的方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110675267B (zh) |
Families Citing this family (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111301404B (zh) * | 2020-02-06 | 2022-02-18 | 北京小马慧行科技有限公司 | 车辆的控制方法及装置、存储介质及处理器 |
CN111582589A (zh) * | 2020-05-12 | 2020-08-25 | 上海新共赢信息科技有限公司 | 一种租车出险预测方法、装置、设备及存储介质 |
CN111813823A (zh) * | 2020-05-25 | 2020-10-23 | 泰康保险集团股份有限公司 | 保险服务策略调整系统、车载记录设备和服务器 |
CN112348224A (zh) * | 2020-09-10 | 2021-02-09 | 小灵狗出行科技有限公司 | 一种车辆电瓶寿命的预测方法、装置、电子设备和存储介质 |
CN112232581B (zh) * | 2020-10-26 | 2024-04-12 | 腾讯科技(深圳)有限公司 | 驾驶风险的预测方法、装置、电子设备及存储介质 |
CN112767179B (zh) * | 2021-01-11 | 2022-07-19 | 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 |
CN112862621A (zh) * | 2021-01-15 | 2021-05-28 | 广州亚美信息科技有限公司 | 车险风险评估方法、装置和计算机设备 |
CN113095889A (zh) * | 2021-04-28 | 2021-07-09 | 中国第一汽车股份有限公司 | 一种保险定价方法、装置、服务器及存储介质 |
CN113255842B (zh) * | 2021-07-05 | 2021-11-02 | 平安科技(深圳)有限公司 | 车辆置换预测方法、装置、设备及存储介质 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106447139A (zh) * | 2016-12-06 | 2017-02-22 | 北京中交兴路信息科技有限公司 | 一种基于车辆驾驶行为的保险精算方法及装置 |
CN107499231A (zh) * | 2016-12-23 | 2017-12-22 | 上海闻泰电子科技有限公司 | 基于行车轨迹实时预警出险率的系统及方法 |
CN107867295A (zh) * | 2017-11-08 | 2018-04-03 | 广东翼卡车联网服务有限公司 | 基于车辆出险概率的事故预警方法、存储设备及车载终端 |
Family Cites Families (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US9558520B2 (en) * | 2009-12-31 | 2017-01-31 | Hartford Fire Insurance Company | System and method for geocoded insurance processing using mobile devices |
CN106610818A (zh) * | 2015-10-16 | 2017-05-03 | 阿里巴巴集团控股有限公司 | 一种属性确定的方法及装置 |
CN106022787A (zh) * | 2016-04-25 | 2016-10-12 | 王琳 | 一种基于大数据的人车多因子评估方法及系统 |
CN106017496A (zh) * | 2016-05-25 | 2016-10-12 | 南京信息职业技术学院 | 一种基于路况的实时导航方法 |
CN106408423A (zh) * | 2016-11-25 | 2017-02-15 | 泰康保险集团股份有限公司 | 用于风险评估的方法、系统及构建风险评估系统的方法 |
CN106952002A (zh) * | 2017-04-05 | 2017-07-14 | 南京人人保网络技术有限公司 | 基于驾驶行为的驾驶风险评估方法及装置 |
-
2018
- 2018-07-03 CN CN201810716917.XA patent/CN110675267B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106447139A (zh) * | 2016-12-06 | 2017-02-22 | 北京中交兴路信息科技有限公司 | 一种基于车辆驾驶行为的保险精算方法及装置 |
CN107499231A (zh) * | 2016-12-23 | 2017-12-22 | 上海闻泰电子科技有限公司 | 基于行车轨迹实时预警出险率的系统及方法 |
CN107867295A (zh) * | 2017-11-08 | 2018-04-03 | 广东翼卡车联网服务有限公司 | 基于车辆出险概率的事故预警方法、存储设备及车载终端 |
Non-Patent Citations (2)
Title |
---|
Ian J.Reagan等."Observed activation status of lane departure warning and forward collision warning of Honda vehicles at dealership service centers".《Traffic Injury prevention》.2016,第827-832页. * |
胡伊."基于多源数据的车险风险分析与保险定价模型研究".《中国博士学位论文全文数据库 经济与管理科学辑》.2016,(第12期),J161-6页. * |
Also Published As
Publication number | Publication date |
---|---|
CN110675267A (zh) | 2020-01-10 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110675267B (zh) | 一种根据实时路况进行车险预警的方法及系统 | |
WO2021135653A1 (zh) | 一种识别车辆的异常停留的方法和系统 | |
US20230256984A1 (en) | Electronics to remotely monitor and control a machine via a mobile personal communication device | |
CN110288096B (zh) | 预测模型训练及预测方法、装置、电子设备、存储介质 | |
CN110633593A (zh) | 一种恶性事件预测方法及系统 | |
US20150294422A1 (en) | Assessing asynchronous authenticated data sources for use in driver risk management | |
CN108242149A (zh) | 一种基于交通数据的大数据分析方法 | |
US20170178044A1 (en) | Data analysis using traceable identification data for forecasting transportation information | |
US20220260380A1 (en) | System and Method for Estimating and Predicting Vehicle Trip Energy Consumption | |
US20160253924A1 (en) | Fuel Savings Training Needs Prediction and Alert System | |
Li et al. | A dynamic simulation model of passenger flow distribution on schedule-based rail transit networks with train delays | |
Feng et al. | Towards big data analytics and mining for UK traffic accident analysis, visualization & prediction | |
Hu et al. | Advancing usage‐based insurance–a contextual driving risk modelling and analysis approach | |
Tang et al. | Multi-stage deep learning approaches to predict boarding behaviour of bus passengers | |
Ma et al. | Public transportation big data mining and analysis | |
CN110070718A (zh) | 高速公路服务区服务质量动态评估方法、系统及设备 | |
Ghaffarpasand et al. | Vehicle telematics for safer, cleaner and more sustainable urban transport: A review | |
CN114005297B (zh) | 一种基于车联网的车队协调行驶方法 | |
Sun et al. | Economic assessment of a dynamic autonomous road transit system for Singapore | |
CN112669595B (zh) | 一种基于深度学习的网约车流量预测方法 | |
Wang et al. | ASPIRES: Airport Shuttle Planning and Improved Routing Event-driven Simulation | |
US20230221134A1 (en) | Machine Learning Platform for Dynamic Device and Sensor Quality Evaluation | |
CN112837201A (zh) | 一种精准数据驱动的资源配置智能化系统 | |
Waraich et al. | Disaggregate level simulation of bus transit emissions in a large urban region | |
Han et al. | Modeling System-Wide Urban Rail Transit Energy Consumption: A Case Study of Boston |
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 |