CN110751567A - 车辆信息处理方法、装置、计算机设备和存储介质 - Google Patents

Abstract

本申请涉及大数据领域，具体涉及一种车辆信息处理方法、装置、计算机设备和存储介质。所述方法包括：接收终端发送的车辆信息，车辆信息携带有用户标识；从数据库中提取与用户标识对应的行车路线和事故位置；从行车路线中提取出与第三方公信平台中存储的监控位置对应的地理位置，监控位置是根据交通信号探头拍摄的事故图像确定的事故发生率高于预设值的位置；判断事故位置与地理位置是否重叠，若是，则获取用户标识对应的用户理赔记录；将用户理赔记录输入至行车风险模型得到与车辆信息对应的车辆保证价值，并将车辆保证价值返回给终端。采用本方法能够增加提高保证价值的计算准确率，提高服务器运算速度和处理性能。

Description

车辆信息处理方法、装置、计算机设备和存储介质

技术领域

本申请涉及大数据技术领域，特别是涉及一种车辆信息处理方法、装置、计算机设备和存储介质。

背景技术

理赔记录通常，服务器通过对用户的车辆信息进行分析得到车辆的保证价值，再根据得到的保证价值进一步进行产品信息推荐。但是仅对车辆信息进行分析容易受到外因的影响，使得得到的保证价值计算错误或者准确率较低，从而导致产品信息推荐成功率较低，引发服务器对无效信息进行响应，降低了服务器运算速度和处理性能。

发明内容

基于此，有必要针对上述技术问题，提供一种能够提高保证价值的计算准确率的车辆信息处理方法、装置、计算机设备和存储介质。

一种车辆信息处理方法，所述方法包括：

接收终端发送的车辆信息，所述车辆信息携带有用户标识；

从数据库中提取与所述用户标识对应的行车路线和事故位置；

从所述行车路线中提取出与第三方公信平台中存储的监控位置对应的地理位置，所述监控位置是根据交通信号探头拍摄的事故图像确定的事故发生率高于预设值的位置；

判断所述事故位置与所述地理位置是否重叠，若是，则获取所述用户标识对应的用户理赔记录；

将所述用户理赔记录输入至行车风险模型得到与所述车辆信息对应的车辆保证价值，并将所述车辆保证价值返回给所述终端。

在其中一个实施例中，行车风险模型的生成方法，包括：

获取样本人员的分类标签、驾驶年限、预设周期内的样本理赔记录及样本保证价值；

根据所述分类标签及所述驾驶年限对所述样本理赔记录进行归纳，构建样本历史行车风险值与样本人数的关系分布图；

根据所述关系分布图构建所述样本理赔记录、所述样本保证价值、所述驾驶年限与所述分类标签对应的映射关系，得到行车风险模型。

在其中一个实施例中，根据所述分类标签及所述驾驶年限对所述样本理赔记录进行归纳，构建样本历史行车风险值与样本人数的关系分布图，包括：

根据各分类标签对所述样本理赔记录进行分类；

从分类后的所述样本理赔记录中根据所述驾驶年限依次提取所述样本人员的样本历史行车风险值；

统计与所述样本历史行车风险值对应的样本人数；

根据所述样本人数与所述样本历史行车风险值绘制针对所述驾驶年限的关系分布图。

在其中一个实施例中，根据所述关系分布图构建所述样本理赔记录、所述样本保证价值、所述驾驶年限与所述分类标签对应的映射关系，得到行车风险模型，包括：

计算各所述关系分布图的平均值和标准偏差；

根据所述平均值和所述标准偏差得到与所述关系分布图对应的样本历史行车风险范围；

建立所述样本历史行车风险范围、与所述驾驶年限和所述分类标签对应的映射关系；

将建立的所述映射关系与所述样本保证价值进行训练，构建行车风险模型。

在其中一个实施例中，将所述用户理赔记录输入至行车风险模型得到与所述车辆信息对应的车辆保证价值，包括：

从所述用户理赔记录中提取用户历史行车风险值；

对所述用户历史行车风险值进行分析，得到所述用户的分类标签；

根据所述用户的所述分类标签获取样本历史行车风险范围；

根据所述用户历史行车风险值和所述样本历史行车风险范围得到所述用户的用户预估行车风险值；

根据所述用户预估行车风险值得到所述车辆信息的车辆保证价值。

在其中一个实施例中，判断所述事故位置与所述地理位置是否重叠之后，包括：

当判断为否时，从所述用户理赔记录中提取用户理赔次数；

获取预设理赔阈值；

当所述用户理赔次数不大于所述预设理赔阈值时，执行将所述用户理赔记录输入至行车风险模型得到与所述车辆信息对应的车辆保证价值。

一种车辆信息处理装置，所述装置包括：

指令接收模块，用于接收终端发送的车辆信息，所述车辆信息携带有用户标识；

行车记录获取模块，用于从数据库中提取与所述用户标识对应的行车路线和事故位置；

地理位置获取模块，用于从所述行车路线中提取出与第三方公信平台中存储的监控位置对应的地理位置，所述监控位置是根据交通信号探头拍摄的事故图像确定的事故发生率高于预设值的位置；

理赔记录获取模块，用于判断所述事故位置与所述地理位置是否重叠，若是，则获取所述用户标识对应的用户理赔记录；

保证价值生成模块，将所述用户理赔记录输入至行车风险模型得到与所述车辆信息对应的车辆保证价值，并将所述车辆保证价值返回给所述终端。

在其中一个实施例中，风险模型获取模块，包括：

样本信息获取单元，用于获取样本人员的分类标签、驾驶年限、预设周期内的样本理赔记录及样本保证价值；

分布图构建单元，用于根据所述分类标签及所述驾驶年限对所述样本理赔记录进行归纳，构建样本历史行车风险值与样本人数的关系分布图；

风险模型构建单元，用于根据所述关系分布图构建所述样本理赔记录、所述样本保证价值、所述驾驶年限与所述分类标签对应的映射关系，得到行车风险模型。

一种计算机设备，包括存储器和处理器，所述存储器存储有计算机程序，所述处理器执行所述计算机程序时实现上述方法的步骤。

一种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上述方法的步骤。

上述车辆信息处理方法、装置、计算机设备和存储介质，服务器将车辆信息提取行车路线和事故位置，再将事故位置与行车路线上的监控位置进行比对，当事故位置与监控位置重叠时，通过对用户理赔记录进行分析，生成车辆的保证价值，不仅对用户事故位置进行筛查避免因外因造成的用户理赔记录不准确，而且通过行车风险模型既对筛查后的用户行车行为进行横向概括，又对用户行车行为进行纵向概括，增加车辆保证价值的准确性，以便提高产品推荐成功率，避免服务器对无效信息进行响应，提升了服务器运算速度和处理性能。

附图说明

图1为一个实施例中车辆信息处理方法的应用场景图；

图2为一个实施例中车辆信息处理方法的流程示意图；

图3为一个实施例中行车风险模型生成方法的流程示意图；

图4为另一个实施例中行车风险模型生成步骤的流程示意图；

图5为另一个实施例中预估行车风险值生成步骤的流程示意图；

图6为一个实施例中车辆信息处理装置的结构框图；

图7为一个实施例中计算机设备的内部结构图。

具体实施方式

为了使本申请的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本申请进行进一步详细说明。应当理解，此处描述的具体实施例仅仅用以解释本申请，并不用于限定本申请。

本申请提供的车辆信息处理方法，可以应用于如图1所示的应用环境中。其中，终端102通过网络与服务器104进行通信，服务器104通过另一网络与第三方公信平台106通信。终端102将携带有用户标识的车辆信息发送给服务器104，服务器104接收车辆信息，并从数据库中提取与用户标识对应的行车路线和事故位置；服务器104从行车路线中提取出与第三方公信平台106中存储的监控位置对应的地理位置，监控位置是根据交通信号探头拍摄的事故图像确定的事故发生率高于预设值的位置；服务器104判断事故位置与地理位置是否重叠，若是，则服务器104获取用户标识对应的用户理赔记录；服务器104将用户理赔记录输入至行车风险模型得到与车辆信息对应的车辆保证价值，并将车辆保证价值返回给终端102。其中，终端102可以但不限于是各种个人计算机、笔记本电脑、智能手机、平板电脑和便携式智能设备，服务器104和第三方公信平台106均可以用独立的服务器或者是多个服务器组成的服务器集群来实现。

在一个实施例中，如图2所示，提供了一种车辆信息处理方法，以该方法应用于图1中的服务器为例进行说明，包括以下步骤：

步骤202，接收终端发送的车辆信息，所述车辆信息携带有用户标识。

服务器104接收终端102发送的车辆信息。车辆信息携带有用户标识。车辆信息用于指示用户车辆的状态，可以包含车辆标识和对应的用户标识，也可以包含车辆标识、类型标识、能源标识和用户标识等。

步骤204，从数据库中提取与所述用户标识对应的行车路线和事故位置。

服务器104从数据库中提取与用户标识对应的行车路线和事故位置。数据库可以设置在服务器104上，也可以设置在与服务器104通信连接的另一服务器上，在本实施例中，数据库设置在服务器上。数据库存储有各用户的行车路线以及事故位置。行车路线是根据用户的历史行车行为生成的路线。事故位置是用户发生事故的地理位置。数据库根据各用户的理赔或出险记录实时更新各用户的行车路线以及事故位置。

步骤206，从所述行车路线中提取出与第三方公信平台中存储的监控位置对应的地理位置，所述监控位置是根据交通信号探头拍摄的事故图像确定的事故发生率高于预设值的位置。

服务器104从行车路线中提取出与第三方公信平台中存储的监控位置对应的地理位置。监控位置是根据交通信号探头拍摄的事故图像确定的事故发生率高于预设值的位置，预设值是根据路面、天气等因素确定的。交通信号探头将拍摄的路面图像上传到第三方公信平台，第三方公信平台对路面图像进行排查，筛选出事故图像，并根据事故图像确定事故发生率，第三方公信平台将事故发生率高于预设值的位置设定为监控位置。服务器可以对第三方公信平台中存储的监控位置的地址与行车路线的地址逐个进行比对，确定行车路线上与监控位置对应的地理位置；服务器也可以比对监控位置的经纬度和行车路线的经纬度，确定并提取行车路线上的地理位置。

步骤208，判断所述事故位置与所述地理位置是否重叠，若是，则获取所述用户标识对应的用户理赔记录。

服务器判断事故位置与地理位置是否重叠，若是，则服务器获取所述用户标识对应的用户理赔记录。通过事故位置与地理位置的比对判断，服务器可以对用户的行车行为进行排查，减少其他非客观因素对理赔记录的影响。用户理赔记录中可以包含预定历史周期内用户的违章次数、理赔次数、理赔金额、出险次数等的各类理赔数据，用户理赔记录还可以包含用户的驾驶年限、车辆使用年限等数据信息。例如，用户理赔记录可以是“在2016年中，用户标识为“00001”的用户的违章次数为1次、理赔次数为0次、理赔金额为0元、出险次数为1次”；用户理赔记录可以是“用户标识为“00001”的用户，驾龄2年，在2016年中，违章次数为1次、理赔次数为0次、理赔金额为0元、出险次数为1次”；用户理赔记录可以是“用户标识为“00001”的用户，驾龄2年，车辆使用年限3年，在2016年中的违章次数为1次、理赔次数为0次、理赔金额为0元、出险次数为1次；在2017年中的违章次数为0次、理赔次数为0次、理赔金额为0元、出险次数为1次”。服务器104可以根据用户标识从服务器104的理赔记录数据库中获取，也可以通过网络从其他服务器处获取用户的用户理赔记录。

步骤210，将所述用户理赔记录输入至行车风险模型得到与所述车辆信息对应的车辆保证价值，并将所述车辆保证价值返回给所述终端。

行车风险模型是通过对样本人员的样本理赔记录进行分析得到的，是对具有不同分类标签的人群发生的违章次数、理赔次数、理赔金额、出险次数及曾获得的样本保证价值进行分析而构建的，可以是样本理赔记录、保证价值与分类标签对应的关系模型，也可以是根据样本理赔记录中的各违章次数、理赔次数、理赔金额、出险次数计算得到的函数与保证价值、分类标签的对应模型。

服务器104将用户理赔记录输入行车风险模型中，得到与车辆信息对应的车辆保证价值，并将车辆保证价值返回给终端。车辆保证价值用于表征与车辆信息对应的价值，可以是与钱款对应，例如车辆的保费或者保额等，也可以与物品对应。服务器将用户理赔记录输入行车风险模型，可以先通过行车风险模型得到用户的分类标签，再通过行车风险模型中的函数关系得到车辆信息的车辆保证价值；服务器也可以先通过行车风险模型得到用户的分类标签，再根据分类标签得到用户在预估时间内的预估行车风险值，并根据预估行车风险值得到车辆信息的车辆保证价值。服务器将车辆保证价值发送给终端后，还可以根据车辆保证价值向终端进行信息推送，或接收与车辆保证价值对应的推荐信息进行响应并发送给终端。

上述车辆信息处理方法中，将车辆信息提取行车路线和事故位置，再将事故位置与行车路线上的监控位置进行比对，当事故位置与监控位置重叠时，通过对用户理赔记录进行分析，生成车辆的保证价值，不仅对用户事故位置进行筛查避免因外因造成的用户理赔记录不准确，而且通过行车风险模型既对筛查后的用户行车行为进行横向概括，又对用户行车行为进行纵向概括，增加车辆保证价值的准确性，以便提高产品推荐成功率，避免服务器对无效信息进行响应，提升了服务器运算速度和处理性能。

在另一个实施例中，如图3所示，行车风险模型的生成方法，包括以下步骤：

步骤302，获取样本人员的分类标签、驾驶年限、预设周期内的样本理赔记录及样本保证价值。

服务器104获取样本人员的分类标签、驾驶年限、预设周期内的样本理赔记录及样本保证价值。分类标签可以是由系统或用户设置，可以根据样本人员的职业或是其他信息设置，例如，分类标签可以是根据知识层次、职业特点、职务高低、职场地位及薪酬厚薄而划分的“蓝领、灰领、白领、粉领、金领”，分类标签也可以是样本人员的职业。驾驶年限可以是样本人员实际开车的年限，也可以是样本人员拥有驾照的年限。样本理赔记录可以包含多个保险周期内样本人员的违章次数、理赔次数、理赔金额、出险次数。保险周期可以是按月或者季度或者年计算。样本保证价值用于表征样本汽车信息的价值。

步骤304，根据所述分类标签及所述驾驶年限对所述样本理赔记录进行归纳，构建样本历史行车风险值与样本人数的关系分布图。

服务器104根据分类标签和驾驶年限对样本理赔记录进行归纳，构建样本历史行车风险值与样本人数的关系分布图。服务器104可以根据分类标签提取出对应的样本理赔记录，并从样本理赔记录中提取出对应的样本历史行车风险值，再统计与各样本历史行车风险值对应的样本人数和驾驶年限，而后根据样本人数、驾驶年限与样本历史行车风险值绘制在三维坐标系中的关系分布图，其中，x轴可以指代样本人数，y轴可以指代样本历史行车风险值，z轴可以指代驾驶年限。服务器104也可以在四维坐标系中绘制关系分布图，其中，x轴可以指代样本人数，y轴可以指代样本历史行车风险值，z轴可以指代驾驶年限，w轴可以指代分类标签。

步骤306，根据所述关系分布图构建所述样本理赔记录、所述样本保证价值、所述驾驶年限与所述分类标签对应的映射关系，得到行车风险模型。

服务器104根据关系分布图构建样本理赔记录、样本保证价值、驾驶年限与分类标签对应的映射关系，得到行车风险模型。服务器可以获取理赔记录占比阈值，根据理赔记录占比阈值从关系分布图得到与分类标签、驾驶年限对应的样本历史行车风险范围，再构建分类标签、驾驶年限、样本保证价值与样本历史行车风险范围对应的映射关系，得到行车风险模型。理赔记录占比阈值是样本历史行车风险值位于样本历史行车风险范围内的所有样本人数在样本总人数中的最大占比阈值，一般取值在70％～95％中。

上述车辆信息处理方法中，通过样本人员的分类标签、驾驶年限及预设周期内的样本理赔记录得到分类标签、驾驶年限与样本历史行车风险范围对应的映射关系，从而实现样本人员的样本行车行为与用户行车行为进行横向比较，增加车辆保证价值的准确性。

在一些实施例中，根据所述分类标签及所述驾驶年限对所述样本理赔记录进行归纳，构建样本历史行车风险值与样本人数的关系分布图，包括以下步骤：根据各分类标签对所述样本理赔记录进行分类；从分类后的所述样本理赔记录中根据所述驾驶年限依次提取所述样本人员的样本历史行车风险值；统计与所述样本历史行车风险值对应的样本人数；根据所述样本人数与所述样本历史行车风险值绘制针对所述驾驶年限的关系分布图。

服务器104根据各分类标签对样本理赔记录进行分类，将属于同一分类标签的样本人员的样本理赔记录归为一类。服务器104基于分类标签从分类后的样本理赔记录中根据驾驶年限依次提取各样本人员的样本历史行车风险值。服务器104统计与各样本历史行车风险值对应的样本人数，样本人数与分类标签和驾驶年限均对应。服务器104可以在二维坐标系中根据样本人数与样本历史行车风险值绘制针对驾驶年限的关系分布图，其中，x轴可以指代样本历史行车风险值，y轴可以指代样本人数。每张关系分布图都是与一个驾驶年限、一个分类标签对应的。在同一分类标签下，服务器针对各驾驶年限均生成了关系分布图。

上述车辆信息处理方法中，根据分类标签、驾驶年限、样本理赔记录生成样本历史行车风险值与样本人数的关系分布图，简单明了地体现了各分类标签下样本人员出现风险的概率，便于后续快速对样本历史行车风险范围进行归纳。

在一个实施例中，如图4所示，根据所述关系分布图构建所述样本理赔记录、所述样本保证价值、所述驾驶年限与所述分类标签对应的映射关系，得到行车风险模型，具有以下步骤：

步骤402，计算各所述关系分布图的平均值和标准偏差。

当关系分布图为二维坐标系中的关系图，且x轴指代样本人数，y轴指代样本历史行车风险值时，服务器104可以计算各关系分布图中样本历史行车风险值的平均值和标准偏差。当关系分布图为三维坐标系中的关系图，且x轴指代样本人数，y轴指代样本历史行车风险值，z轴指代驾驶年限时，服务器104可以基于驾驶年限计算各关系分布图中样本历史行车风险值对应的平均值和标准偏差。

步骤404，根据所述平均值和所述标准偏差得到与所述关系分布图对应的样本历史行车风险范围。

服务器104可以采用3σ准则根据计算得到的样本历史行车风险值的平均值和标准偏差确定样本历史行车风险范围。3σ原则为：数值分布在(μ-σ,μ+σ)中的概率为0.6827；数值分布在(μ-2σ,μ+2σ)中的概率为0.9545；数值分布在(μ-3σ,μ+3σ)中的概率为0.9973，其中μ为平均值，σ为标准偏差。样本历史行车风险范围可以为(μ-3σ,μ+3σ)、(μ-2σ,μ+2σ)或者(μ-σ,μ+σ)。

步骤406，建立所述样本历史行车风险范围、与所述驾驶年限和所述分类标签对应的映射关系。

服务器104建立样本历史行车风险范围、与驾驶年限和分类标签对应的映射关系。服务器可以建立分类标签-驾驶年限-样本历史行车风险范围的映射关系，服务器通过驾驶年限和行车风险值可以获取映射的分类标签，通过分类标签和驾驶年限可以获取映射的样本历史行车风险范围。

步骤408，将建立的所述映射关系与所述样本保证价值进行训练，构建行车风险模型。

服务器104将建立的映射关系与样本保证价值进行训练，构建行车风险模型。服务器可以从映射关系中提取出与分类标签和驾驶年限对应的样本历史行车风险范围，找出各样本历史行车风险范围与分类标签和驾驶年限的对应关系，并找出各样本历史行车风险范围与样本保证价值之间的对应关系，通过对应关系构建行车风险模型。样本历史行车风险范围与分类标签和驾驶年限的对应关系可以是样本历史行车风险范围与分类标签和驾驶年限之间的一一对应关系，也可以是先将样本历史行车风险范围进行概括，概括的内容与分类标签和驾驶年限之间的对应关系。服务器将用户历史行车风险值输入行车风险模型，行车风险模型就可以通过对应关系确定分类标签，进而输出车辆保证价值。

在另一实施例中，如图5所示，将所述用户理赔记录输入至行车风险模型得到与所述车辆信息对应的车辆保证价值，包括以下步骤：

步骤502，从所述用户理赔记录中提取用户历史行车风险值。

服务器104从用户理赔记录中提取用户历史行车风险值，用户历史行车风险值可以为预定历史周期内用户的违章次数、理赔次数、理赔金额、出险次数，也可以为根据预定历史周期内用户的违章次数、理赔次数、理赔金额、出险次数概括得到的数值，该数值可随着违章次数、理赔次数、理赔金额、出险次数的增加而增加，可以是各行车理赔的数据叠加或是通过特定的公式换算得到。例如，用户理赔记录可以是“用户标识为“00001”的用户，驾龄2年，在2016年中，违章次数为1次、理赔次数为0次、理赔金额为0元、出险次数为1次”，服务器提取的历史行车风险值可以为“违章次数为1次、理赔次数为0次、理赔金额为0元、出险次数为1次”，也可以为“历史行车风险值为2”。

步骤504，对所述用户历史行车风险值进行分析，得到所述用户的分类标签。

服务器104通过行车风险模型对用户历史行车风险值进行分析，得到用户的分类标签。

步骤506，根据所述用户的所述分类标签获取样本历史行车风险范围。

服务器104根据用户的分类标签获取样本历史行车风险范围。服务器可以根据用户的分类标签获取各驾驶年限下的样本历史行车风险范围，服务器还可以根据用户理赔记录中的用户的驾驶年限选择对应的样本历史行车风险范围。例如，用户的驾驶年限为M年，服务器可以根据分类标签和驾驶年限获取第M年和第M+1年的样本历史行车风险范围。

步骤508，根据所述用户历史行车风险值和所述样本历史行车风险范围得到所述用户的用户预估行车风险值。

服务器104根据用户历史行车风险值和样本历史行车风险范围得到用户的用户预估行车风险值。例如，用户的驾驶年限为M年，服务器可以将第M年的样本历史行车风险范围与用户历史行车风险值进行比较分析，并得到用户历史行车风险值与样本历史行车风险范围内最大值和/或最小值之间的函数关系，服务器根据该函数关系根据第M+1年的样本历史行车风险范围得到用户预估行车风险值。预估行车风险值可以是在预估时间内用户预估发生的违章次数、理赔次数、理赔金额、出险次数，也可以是根据在预估时间内用户预估发生的违章次数、理赔次数、理赔金额、出险次数生成的数值，该数值可随着违章次数、理赔次数、理赔金额、出险次数的增加而增加，可以是各行车理赔的数据叠加或是通过特定的公式换算得到，且违章次数、理赔次数、理赔金额、出险次数对数值的影响系数从小到大可以为违章次数＞理赔次数≥理赔金额＞出险次数。

步骤510，根据所述用户预估行车风险值得到所述车辆信息的车辆保证价值。

服务器可以根据用户预估行车风险值和车辆信息得到与车辆信息对应的车辆保证价值，也可以根据用户预估行车风险值得到与车辆信息对应的车辆保证价值。

上述车辆信息处理方法中，通过用户历史行车风险值和样本历史行车风险范围得到用户的预估行车风险值，使得最终得到的预估行车风险值更贴近用户的实际行车风险值，提高车辆保证价值的准确性。

在另一实施例中，判断所述事故位置与所述地理位置是否重叠之后，方法还包括以下步骤：当判断为否时，从所述用户理赔记录中提取用户理赔次数；获取预设理赔阈值；当所述用户理赔次数不大于所述预设理赔阈值时，执行将所述用户理赔记录输入至行车风险模型得到与所述车辆信息对应的车辆保证价值。

当判断为否时，服务器104可以从用户理赔记录中提取用户理赔次数。服务器获取预设理赔阈值，并将用户理赔次数与预设理赔阈值进行比较判断。当用户理赔次数不大于预设理赔阈值时，服务器执行将用户理赔记录输入至行车风险模型得到与车辆信息对应的车辆保证价值。当用户理赔次数大于预设理赔阈值时，服务器生成高危标识，并将用户理赔记录输入至行车风险模型得到与车辆信息对应的初始车辆保证价值，服务器还根据高危标识对初始车辆保证价值进行调整。

上述车辆信息处理方法中，根据用户理赔次数对用户理赔记录进行二次筛选，不仅提取出用户理赔记录，还对高危车辆的用户理赔记录进行标识并生成对应的车辆保证价值，保证了不同情况下车辆保证价值的准确性，以便提高产品推荐成功率。

应该理解的是，虽然图2-5的流程图中的各个步骤按照箭头的指示依次显示，但是这些步骤并不是必然按照箭头指示的顺序依次执行。除非本文中有明确的说明，这些步骤的执行并没有严格的顺序限制，这些步骤可以以其它的顺序执行。而且，图2-5中的至少一部分步骤可以包括多个子步骤或者多个阶段，这些子步骤或者阶段并不必然是在同一时刻执行完成，而是可以在不同的时刻执行，这些子步骤或者阶段的执行顺序也不必然是依次进行，而是可以与其它步骤或者其它步骤的子步骤或者阶段的至少一部分轮流或者交替地执行。

在一个实施例中，如图6所示，提供了一种车辆信息处理装置，包括：指令接收模块602、行车记录获取模块604、地理位置获取模块606、理赔记录获取模块608和保证价值生成模块610，其中：

指令接收模块602，用于接收终端发送的车辆信息，所述车辆信息携带有用户标识。

行车记录获取模块604，用于从数据库中提取与所述用户标识对应的行车路线和事故位置。

地理位置获取模块606，用于从所述行车路线中提取出与第三方公信平台中存储的监控位置对应的地理位置，所述监控位置是根据交通信号探头拍摄的事故图像确定的事故发生率高于预设值的位置。

理赔记录获取模块608，用于判断所述事故位置与所述地理位置是否重叠，若是，则获取所述用户标识对应的用户理赔记录。

保证价值生成模块610，将所述用户理赔记录输入至行车风险模型得到与所述车辆信息对应的车辆保证价值，并将所述车辆保证价值返回给所述终端。

在一个实施例中，保证价值生成模块610包括样本信息获取单元、分布图构建单元和风险模型构建单元，其中：

样本信息获取单元，用于获取样本人员的分类标签、驾驶年限及预设周期内的样本理赔记录及样本保证价值。

分布图构建单元，用于根据所述分类标签及所述驾驶年限对所述样本理赔记录进行归纳，构建样本历史行车风险值与样本人数的关系分布图。

模型构建单元，用于根据所述关系分布图构建所述样本理赔记录、所述样本保证价值、所述驾驶年限与所述分类标签对应的映射关系，得到行车风险模型。

在另一个实施例中，保证价值生成模块610包括记录分类单元、风险值提取单元、样本人数统计单元和关系分布图绘制单元，其中：

记录分类单元，用于根据各分类标签对所述样本理赔记录进行分类。

风险值提取单元，用于从分类后的所述样本理赔记录中根据所述驾驶年限依次提取所述样本人员的样本历史行车风险值。

样本人数统计单元，用于统计与所述样本历史行车风险值对应的样本人数。

关系分布图绘制单元，用于根据所述样本人数与所述样本历史行车风险值绘制针对所述驾驶年限的关系分布图。

在一些实施例中，保证价值生成模块610包括分布图计算单元、行车风险范围提取单元、映射关系建立单元和风险模型构建单元，其中：

分布图计算单元，用于计算各所述关系分布图的平均值和标准偏差。

行车风险范围提取单元，用于根据所述平均值和所述标准偏差得到与所述关系分布图对应的样本历史行车风险范围。

映射关系建立单元，用于建立所述样本历史行车风险范围、与所述驾驶年限和所述分类标签对应的映射关系。

风险模型构建单元，用于将建立的所述映射关系与所述样本保证价值进行训练，构建行车风险模型。

在另一实施例中，保证价值生成模块610包括用户行车风险值提取单元、用户行车风险值分析单元、样本历史行车风险范围获取单元、用户预估行车风险值生成单元和保证价值生成单元，其中：

用户行车风险值提取单元，用于从所述用户理赔记录中提取用户历史行车风险值。

用户行车风险值分析单元，用于对所述用户历史行车风险值进行分析，得到所述用户的分类标签。

样本历史行车风险范围获取单元，用于根据所述用户的所述分类标签获取样本历史行车风险范围。

用户预估行车风险值生成单元，用于根据所述用户历史行车风险值和所述样本历史行车风险范围得到所述用户的用户预估行车风险值。

保证价值生成单元，用于根据所述用户预估行车风险值得到所述车辆信息的车辆保证价值。

在一些实施例中，理赔记录获取模块包括理赔次数提取单元、理赔阈值获取单元和执行单元，其中：

理赔次数提取单元，用于当判断为否时，从所述用户理赔记录中提取用户理赔次数；

理赔阈值获取单元，用于获取预设理赔阈值；

执行单元，用于当所述用户理赔次数不大于所述预设理赔阈值时，执行将所述用户理赔记录输入至行车风险模型得到与所述车辆信息对应的车辆保证价值。

关于车辆信息处理装置的具体限定可以参见上文中对于车辆信息处理方法的限定，在此不再赘述。上述车辆信息处理装置中的各个模块可全部或部分通过软件、硬件及其组合来实现。上述各模块可以硬件形式内嵌于或独立于计算机设备中的处理器中，也可以以软件形式存储于计算机设备中的存储器中，以便于处理器调用执行以上各个模块对应的操作。

在一个实施例中，提供了一种计算机设备，该计算机设备可以是服务器，其内部结构图可以如图7所示。该计算机设备包括通过系统总线连接的处理器、存储器、网络接口和数据库。其中，该计算机设备的处理器用于提供计算和控制能力。该计算机设备的存储器包括非易失性存储介质、内存储器。该非易失性存储介质存储有操作系统、计算机程序和数据库。该内存储器为非易失性存储介质中的操作系统和计算机程序的运行提供环境。该计算机设备的数据库用于存储车辆信息处理数据，例如样本理赔记录、保费生成规则等。该计算机设备的网络接口用于与外部的终端通过网络连接通信。该计算机程序被处理器执行时以实现一种车辆信息处理方法。

本领域技术人员可以理解，图7中示出的结构，仅仅是与本申请方案相关的部分结构的框图，并不构成对本申请方案所应用于其上的计算机设备的限定，具体的计算机设备可以包括比图中所示更多或更少的部件，或者组合某些部件，或者具有不同的部件布置。

在一个实施例中，提供了一种计算机设备，包括存储器和处理器，该存储器存储有计算机程序，该处理器执行计算机程序时实现以下步骤：

接收终端发送的车辆信息，所述车辆信息携带有用户标识；

从数据库中提取与所述用户标识对应的行车路线和事故位置；

从所述行车路线中提取出与第三方公信平台中存储的监控位置对应的地理位置，所述监控位置是根据交通信号探头拍摄的事故图像确定的事故发生率高于预设值的位置；

判断所述事故位置与所述地理位置是否重叠，若是，则获取所述用户标识对应的用户理赔记录；

将所述用户理赔记录输入至行车风险模型得到与所述车辆信息对应的车辆保证价值，并将所述车辆保证价值返回给所述终端。

在一个实施例中，处理器执行计算机程序时实现行车风险模型的生成方法的步骤时，还用于：获取样本人员的分类标签、驾驶年限、预设周期内的样本理赔记录及样本保证价值；根据所述分类标签及所述驾驶年限对所述样本理赔记录进行归纳，构建样本历史行车风险值与样本人数的关系分布图；根据所述关系分布图构建所述样本理赔记录、所述样本保证价值、所述驾驶年限与所述分类标签对应的映射关系，得到行车风险模型。

在一个实施例中，处理器执行计算机程序时实现根据所述分类标签及所述驾驶年限对所述样本理赔记录进行归纳，构建样本历史行车风险值与样本人数的关系分布图的步骤时，还用于：根据各分类标签对所述样本理赔记录进行分类；从分类后的所述样本理赔记录中根据所述驾驶年限依次提取所述样本人员的样本历史行车风险值；统计与所述样本历史行车风险值对应的样本人数；根据所述样本人数与所述样本历史行车风险值绘制针对所述驾驶年限的关系分布图。

在一个实施例中，处理器执行计算机程序时实现根据所述关系分布图构建所述样本理赔记录、所述样本保证价值、所述驾驶年限与所述分类标签对应的映射关系，得到行车风险模型的步骤时，还用于：计算各所述关系分布图的平均值和标准偏差；根据所述平均值和所述标准偏差得到与所述关系分布图对应的样本历史行车风险范围；建立所述样本历史行车风险范围、与所述驾驶年限和所述分类标签对应的映射关系；将建立的所述映射关系与所述样本保证价值进行训练，构建行车风险模型。

在一个实施例中，处理器执行计算机程序时实现将所述用户理赔记录输入至行车风险模型得到与所述车辆信息对应的车辆保证价值的步骤时，还用于：从所述用户理赔记录中提取用户历史行车风险值；对所述用户历史行车风险值进行分析，得到所述用户的分类标签；根据所述用户的所述分类标签获取样本历史行车风险范围；根据所述用户历史行车风险值和所述样本历史行车风险范围得到所述用户的用户预估行车风险值；根据所述用户预估行车风险值得到所述车辆信息的车辆保证价值。

在一个实施例中，处理器执行计算机程序时实现判断所述事故位置与所述地理位置是否重叠的步骤之后，还用于：当判断为否时，从所述用户理赔记录中提取用户理赔次数；获取预设理赔阈值；当所述用户理赔次数不大于所述预设理赔阈值时，执行将所述用户理赔记录输入至行车风险模型得到与所述车辆信息对应的车辆保证价值。

在一个实施例中，提供了一种计算机可读存储介质，其上存储有计算机程序，计算机程序被处理器执行时实现以下步骤：

接收终端发送的车辆信息，所述车辆信息携带有用户标识；

从数据库中提取与所述用户标识对应的行车路线和事故位置；

从所述行车路线中提取出与第三方公信平台中存储的监控位置对应的地理位置，所述监控位置是根据交通信号探头拍摄的事故图像确定的事故发生率高于预设值的位置；

判断所述事故位置与所述地理位置是否重叠，若是，则获取所述用户标识对应的用户理赔记录；

将所述用户理赔记录输入至行车风险模型得到与所述车辆信息对应的车辆保证价值，并将所述车辆保证价值返回给所述终端。

在一个实施例中，计算机程序被处理器执行时实现行车风险模型的生成方法的步骤时还用于：获取样本人员的分类标签、驾驶年限、预设周期内的样本理赔记录及样本保证价值；根据所述分类标签及所述驾驶年限对所述样本理赔记录进行归纳，构建样本历史行车风险值与样本人数的关系分布图；根据所述关系分布图构建所述样本理赔记录、所述样本保证价值、所述驾驶年限与所述分类标签对应的映射关系，得到行车风险模型。

在一个实施例中，计算机程序被处理器执行时实现根据所述分类标签及所述驾驶年限对所述样本理赔记录进行归纳，构建样本历史行车风险值与样本人数的关系分布图的步骤时还用于：根据各分类标签对所述样本理赔记录进行分类；从分类后的所述样本理赔记录中根据所述驾驶年限依次提取所述样本人员的样本历史行车风险值；统计与所述样本历史行车风险值对应的样本人数；根据所述样本人数与所述样本历史行车风险值绘制针对所述驾驶年限的关系分布图。

在一个实施例中，计算机程序被处理器执行时实现根据所述关系分布图构建所述样本理赔记录、所述样本保证价值、所述驾驶年限与所述分类标签对应的映射关系，得到行车风险模型的步骤时还用于：计算各所述关系分布图的平均值和标准偏差；根据所述平均值和所述标准偏差得到与所述关系分布图对应的样本历史行车风险范围；建立所述样本历史行车风险范围、与所述驾驶年限和所述分类标签对应的映射关系；将建立的所述映射关系与所述样本保证价值进行训练，构建行车风险模型。

在一个实施例中，计算机程序被处理器执行时实现将所述用户理赔记录输入至行车风险模型得到与所述车辆信息对应的车辆保证价值的步骤时还用于：从所述用户理赔记录中提取用户历史行车风险值；对所述用户历史行车风险值进行分析，得到所述用户的分类标签；根据所述用户的所述分类标签获取样本历史行车风险范围；根据所述用户历史行车风险值和所述样本历史行车风险范围得到所述用户的用户预估行车风险值；根据所述用户预估行车风险值得到所述车辆信息的车辆保证价值。

在一个实施例中，计算机程序被处理器执行时实现根据判断所述事故位置与所述地理位置是否重叠的步骤之后还用于：当判断为否时，从所述用户理赔记录中提取用户理赔次数；获取预设理赔阈值；当所述用户理赔次数不大于所述预设理赔阈值时，执行将所述用户理赔记录输入至行车风险模型得到与所述车辆信息对应的车辆保证价值。

本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程，是可以通过计算机程序来指令相关的硬件来完成，所述的计算机程序可存储于一非易失性计算机可读取存储介质中，该计算机程序在执行时，可包括如上述各方法的实施例的流程。其中，本申请所提供的各实施例中所使用的对存储器、存储、数据库或其它介质的任何引用，均可包括非易失性和/或易失性存储器。非易失性存储器可包括只读存储器(ROM)、可编程ROM(PROM)、电可编程ROM(EPROM)、电可擦除可编程ROM(EEPROM)或闪存。易失性存储器可包括随机存取存储器(RAM)或者外部高速缓冲存储器。作为说明而非局限，RAM以多种形式可得，诸如静态RAM(SRAM)、动态RAM(DRAM)、同步DRAM(SDRAM)、双数据率SDRAM(DDRSDRAM)、增强型SDRAM(ESDRAM)、同步链路(Synchlink)DRAM(SLDRAM)、存储器总线(Rambus)直接RAM(RDRAM)、直接存储器总线动态RAM(DRDRAM)、以及存储器总线动态RAM(RDRAM)等。

以上实施例的各技术特征可以进行任意的组合，为使描述简洁，未对上述实施例中的各个技术特征所有可能的组合都进行描述，然而，只要这些技术特征的组合不存在矛盾，都应当认为是本说明书记载的范围。

以上所述实施例仅表达了本申请的几种实施方式，其描述较为具体和详细，但并不能因此而理解为对发明专利范围的限制。应当指出的是，对于本领域的普通技术人员来说，在不脱离本申请构思的前提下，还可以做出若干变形和改进，这些都属于本申请的保护范围。因此，本申请专利的保护范围应以所附权利要求为准。

Claims (10)

1.一种车辆信息处理方法，所述方法包括：

接收终端发送的车辆信息，所述车辆信息携带有用户标识；

从数据库中提取与所述用户标识对应的行车路线和事故位置；

从所述行车路线中提取出与第三方公信平台中存储的监控位置对应的地理位置，所述监控位置是根据交通信号探头拍摄的事故图像确定的事故发生率高于预设值的位置；

判断所述事故位置与所述地理位置是否重叠，若是，则获取所述用户标识对应的用户理赔记录；

将所述用户理赔记录输入至行车风险模型得到与所述车辆信息对应的车辆保证价值，并将所述车辆保证价值返回给所述终端。

2.根据权利要求1所述的方法，其特征在于，所述行车风险模型的生成方法，包括：

获取样本人员的分类标签、驾驶年限、预设周期内的样本理赔记录及样本保证价值；

根据所述分类标签及所述驾驶年限对所述样本理赔记录进行归纳，构建样本历史行车风险值与样本人数的关系分布图；

根据所述关系分布图构建所述样本理赔记录、所述样本保证价值、所述驾驶年限与所述分类标签对应的映射关系，得到行车风险模型。

3.根据权利要求2所述的方法，其特征在于，所述根据所述分类标签及所述驾驶年限对所述样本理赔记录进行归纳，构建样本历史行车风险值与样本人数的关系分布图，包括：

根据各分类标签对所述样本理赔记录进行分类；

从分类后的所述样本理赔记录中根据所述驾驶年限依次提取所述样本人员的样本历史行车风险值；

统计与所述样本历史行车风险值对应的样本人数；

根据所述样本人数与所述样本历史行车风险值绘制针对所述驾驶年限的关系分布图。

4.根据权利要求2所述的方法，其特征在于，所述根据所述关系分布图构建所述样本理赔记录、所述样本保证价值、所述驾驶年限与所述分类标签对应的映射关系，得到行车风险模型，包括：

计算各所述关系分布图的平均值和标准偏差；

根据所述平均值和所述标准偏差得到与所述关系分布图对应的样本历史行车风险范围；

建立所述样本历史行车风险范围、与所述驾驶年限和所述分类标签对应的映射关系；

将建立的所述映射关系与所述样本保证价值进行训练，构建行车风险模型。

5.根据权利要求1所述的方法，其特征在于，所述将所述用户理赔记录输入至行车风险模型得到与所述车辆信息对应的车辆保证价值，包括：

从所述用户理赔记录中提取用户历史行车风险值；

对所述用户历史行车风险值进行分析，得到所述用户的分类标签；

根据所述用户的所述分类标签获取样本历史行车风险范围；

根据所述用户历史行车风险值和所述样本历史行车风险范围得到所述用户的用户预估行车风险值；

根据所述用户预估行车风险值得到所述车辆信息的车辆保证价值。

6.根据权利要求1所述的方法，其特征在于，所述判断所述事故位置与所述地理位置是否重叠之后，包括：

当判断为否时，从所述用户理赔记录中提取用户理赔次数；

获取预设理赔阈值；

当所述用户理赔次数不大于所述预设理赔阈值时，执行将所述用户理赔记录输入至行车风险模型得到与所述车辆信息对应的车辆保证价值。

7.一种车辆信息处理装置，其特征在于，所述装置包括：

指令接收模块，用于接收终端发送的车辆信息，所述车辆信息携带有用户标识；

行车记录获取模块，用于从数据库中提取与所述用户标识对应的行车路线和事故位置；

地理位置获取模块，用于从所述行车路线中提取出与第三方公信平台中存储的监控位置对应的地理位置，所述监控位置是根据交通信号探头拍摄的事故图像确定的事故发生率高于预设值的位置；

理赔记录获取模块，用于判断所述事故位置与所述地理位置是否重叠，若是，则获取所述用户标识对应的用户理赔记录；

保证价值生成模块，将所述用户理赔记录输入至行车风险模型得到与所述车辆信息对应的车辆保证价值，并将所述车辆保证价值返回给所述终端。

8.根据权利要求7所述的装置，其特征在于，所述保证价值生成模块，包括：

样本信息获取单元，用于获取样本人员的分类标签、驾驶年限、预设周期内的样本理赔记录及样本保证价值；

分布图构建单元，用于根据所述分类标签及所述驾驶年限对所述样本理赔记录进行归纳，构建样本历史行车风险值与样本人数的关系分布图；

风险模型构建单元，用于根据所述关系分布图构建所述样本理赔记录、所述样本保证价值、所述驾驶年限与所述分类标签对应的映射关系，得到行车风险模型。

9.一种计算机设备，包括存储器和处理器，所述存储器存储有计算机程序，其特征在于，所述处理器执行所述计算机程序时实现权利要求1至6中任一项所述方法的步骤。

10.一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，所述计算机程序被处理器执行时实现权利要求1至6中任一项所述的方法的步骤。

Images