CN110766288A - 理赔查勘员的分配方法和装置、电子设备 - Google Patents
理赔查勘员的分配方法和装置、电子设备 Download PDFInfo
- Publication number
- CN110766288A CN110766288A CN201910911126.7A CN201910911126A CN110766288A CN 110766288 A CN110766288 A CN 110766288A CN 201910911126 A CN201910911126 A CN 201910911126A CN 110766288 A CN110766288 A CN 110766288A
- Authority
- CN
- China
- Prior art keywords
- investigator
- target
- accident
- investigation
- assignable
- 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.)
- Granted
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
- 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
- G06Q10/0631—Resource planning, allocation, distributing or scheduling for enterprises or organisations
- G06Q10/06311—Scheduling, planning or task assignment for a person or group
- G06Q10/063112—Skill-based matching of a person or a group to a task
-
- 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
- G06Q10/0631—Resource planning, allocation, distributing or scheduling for enterprises or organisations
- G06Q10/06311—Scheduling, planning or task assignment for a person or group
- G06Q10/063114—Status monitoring or status determination for a person or group
-
- 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)
- Human Resources & Organizations (AREA)
- Engineering & Computer Science (AREA)
- Economics (AREA)
- Strategic Management (AREA)
- Entrepreneurship & Innovation (AREA)
- Theoretical Computer Science (AREA)
- Educational Administration (AREA)
- Marketing (AREA)
- Physics & Mathematics (AREA)
- General Business, Economics & Management (AREA)
- General Physics & Mathematics (AREA)
- Development Economics (AREA)
- Finance (AREA)
- Accounting & Taxation (AREA)
- Game Theory and Decision Science (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Tourism & Hospitality (AREA)
- Technology Law (AREA)
- Financial Or Insurance-Related Operations Such As Payment And Settlement (AREA)
Abstract
本说明书一个或多个实施例提供一种理赔查勘员的分配方法和装置、电子设备,所述方法包括:采集与车祸事故对应的理赔发起用户的用户特征;将所述用户特征输入至预测模型,以由所述预测模型基于所述用户特征预测与所述车祸事故匹配的目标理赔查勘员特征;其中,所述预测模型为将理赔案件数据样本中的用户特征作为自变量,并将所述理赔案件数据样本中的查勘员特征作为因变量训练得到的机器学习模型;基于所述目标理赔查勘员特征,从可分配理赔查勘员集合中确定与所述车祸事故匹配的目标理赔查勘员;将所述目标理赔查勘员分配给所述车祸事故,以由所述目标理赔查勘员对所述车祸事故进行查勘。
Description
技术领域
本说明书一个或多个实施例涉及计算机应用技术领域,尤其涉及一种理赔查勘员的分配方法和装置、电子设备。
背景技术
现如今,在发生了车祸事故,收到用户针对该车祸事故发起的理赔之后,通常需要由保险公司指派查勘员去到该车祸事故的事故现场进行查勘,以对该车祸事故的相关信息进行调查,为后续针对该车祸事故的理赔处理提供依据。在这种情况下,如何为发生的车祸事故分配较为合适的查勘员,以提高查勘员效率,同时提升发起理赔的用户的体验,成为亟待解决的问题。
发明内容
本说明书提出一种理赔查勘员的分配方法,所述方法包括:
采集与车祸事故对应的理赔发起用户的用户特征;
将所述用户特征输入至预测模型,以由所述预测模型基于所述用户特征预测与所述车祸事故匹配的目标理赔查勘员特征;其中,所述预测模型为将理赔案件数据样本中的用户特征作为自变量,并将所述理赔案件数据样本中的理赔查勘员特征作为因变量训练得到的机器学习模型;
基于所述目标理赔查勘员特征,从可分配理赔查勘员集合中确定与所述车祸事故匹配的目标理赔查勘员;
将所述目标理赔查勘员分配给所述车祸事故,以由所述目标理赔查勘员对所述车祸事故进行查勘。
可选地,所述用户特征包括以下特征中的一种或者多种的组合:
性别、年龄、用户信用、历史报案次数;
所述理赔查勘员特征包括以下特征中的一种或者多种的组合:
性别、年龄、理赔查勘员的性格特点、抵达事故现场的平均时长。
可选地,所述机器学习模型为回归模型。
可选地,所述基于所述目标理赔查勘员特征,从可分配理赔查勘员集合中确定与所述车祸事故匹配的目标理赔查勘员,包括:
分别计算所述目标理赔查勘员特征与可分配理赔查勘员集合中的各个理赔查勘员的理赔查勘员特征之间的相似度;
基于所述相似度,从所述可分配理赔查勘员集合中确定与所述车祸事故匹配的目标理赔查勘员。
可选地,所述基于所述相似度,从所述可分配理赔查勘员集合中确定与所述车祸事故匹配的目标理赔查勘员,包括:
将所述可分配理赔查勘员集合中,所述相似度最高的理赔查勘员特征对应的理赔查勘员确定为与所述车祸事故匹配的目标理赔查勘员。
可选地,所述基于所述相似度,从所述可分配理赔查勘员集合中确定与所述车祸事故匹配的目标理赔查勘员,包括:
基于所述可分配理赔查勘员集合中,所述相似度大于预设阈值的理赔查勘员特征对应的理赔查勘员创建理赔查勘员子集合;
将所述理赔查勘员子集合中,与所述车祸事故的事故现场的距离最小的理赔查勘员确定为与所述车祸事故匹配的目标理赔查勘员。
可选地,所述方法还包括:
基于所述可分配理赔查勘员集合中,与所述车祸事故的事故现场的距离小于预设阈值的理赔查勘员创建理赔查勘员子集合;
所述分别计算所述目标理赔查勘员特征与可分配理赔查勘员集合中的各个理赔查勘员的理赔查勘员特征之间的相似度,包括:
分别计算所述目标理赔查勘员特征与所述理赔查勘员子集合中的各个理赔查勘员的理赔查勘员特征之间的相似度;
所述基于所述相似度,从所述可分配理赔查勘员集合中确定与所述车祸事故匹配的目标理赔查勘员,包括:
将所述理赔查勘员子集合中,所述相似度最高的理赔查勘员特征对应的理赔查勘员确定为与所述车祸事故匹配的目标理赔查勘员。
可选地,所述基于所述相似度,从所述可分配理赔查勘员集合中确定与所述车祸事故匹配的目标理赔查勘员,包括:
基于预设的匹配度计算规则,以及所述相似度和与所述车祸事故的事故现场的距离,分别计算所述可分配理赔查勘员集合中的各个理赔查勘员与所述车祸事故的匹配度;
将所述可分配理赔查勘员集合中,所述匹配度最高的理赔查勘员确定为与所述车祸事故匹配的目标理赔查勘员。
本说明书还提出一种理赔查勘员的分配装置,所述装置包括:
采集模块,采集与车祸事故对应的理赔发起用户的用户特征;
预测模块,将所述用户特征输入至预测模型,以由所述预测模型基于所述用户特征预测与所述车祸事故匹配的目标理赔查勘员特征;其中,所述预测模型为将理赔案件数据样本中的用户特征作为自变量,并将所述理赔案件数据样本中的理赔查勘员特征作为因变量训练得到的机器学习模型;
确定模块,基于所述目标理赔查勘员特征,从可分配理赔查勘员集合中确定与所述车祸事故匹配的目标理赔查勘员;
分配模块,将所述目标理赔查勘员分配给所述车祸事故,以由所述目标理赔查勘员对所述车祸事故进行查勘。
可选地,所述用户特征包括以下特征中的一种或者多种的组合:
性别、年龄、用户信用、历史报案次数;
所述理赔查勘员特征包括以下特征中的一种或者多种的组合:
性别、年龄、理赔查勘员的性格特点、抵达事故现场的平均时长。
可选地,所述机器学习模型为回归模型。
可选地,所述确定模块:
分别计算所述目标理赔查勘员特征与可分配理赔查勘员集合中的各个理赔查勘员的理赔查勘员特征之间的相似度;
基于所述相似度,从所述可分配理赔查勘员集合中确定与所述车祸事故匹配的目标理赔查勘员。
可选地,所述确定模块:
将所述可分配理赔查勘员集合中,所述相似度最高的理赔查勘员特征对应的理赔查勘员确定为与所述车祸事故匹配的目标理赔查勘员。
可选地,所述确定模块:
基于所述可分配理赔查勘员集合中,所述相似度大于预设阈值的理赔查勘员特征对应的理赔查勘员创建理赔查勘员子集合;
将所述理赔查勘员子集合中,与所述车祸事故的事故现场的距离最小的理赔查勘员确定为与所述车祸事故匹配的目标理赔查勘员。
可选地,所述装置还包括:
创建模块,基于所述可分配理赔查勘员集合中,与所述车祸事故的事故现场的距离小于预设阈值的理赔查勘员创建理赔查勘员子集合;
所述确定模块:
分别计算所述目标理赔查勘员特征与所述理赔查勘员子集合中的各个理赔查勘员的理赔查勘员特征之间的相似度;
将所述理赔查勘员子集合中,所述相似度最高的理赔查勘员特征对应的理赔查勘员确定为与所述车祸事故匹配的目标理赔查勘员。
可选地,所述确定模块:
基于预设的匹配度计算规则,以及所述相似度和与所述车祸事故的事故现场的距离,分别计算所述可分配理赔查勘员集合中的各个理赔查勘员与所述车祸事故的匹配度;
将所述可分配理赔查勘员集合中,所述匹配度最高的理赔查勘员确定为与所述车祸事故匹配的目标理赔查勘员。
本说明书还提出一种电子设备,包括:
处理器;
用于存储处理器可执行指令的存储器;
其中,所述处理器通过运行所述可执行指令以实现上述方法的步骤。
本说明书还提出一种计算机可读存储介质,其上存储有计算机指令,该指令被处理器执行时实现上述方法的步骤。
在上述技术方案中,可以将采集到的与车祸事故对应的理赔发起用户的用户特征,输入至预测模型以预测与该车祸事故匹配的目标理赔查勘员特征,后续可以基于该目标理赔查勘员特征,从可分配理赔查勘员集合中确定与该车祸事故匹配的目标理赔查勘员,并将该目标理赔查勘员分配给该车祸事故。采用这样的方式,在发生车祸事故时,可以由与该车祸事故匹配的理赔查勘员对该车祸事故进行查勘,从而可以有效提高查勘效率,并提升理赔发起用户的用户体验。
附图说明
图1是本说明书一示例性实施例示出的一种理赔查勘员的分配系统的示意图;
图2是本说明书一示例性实施例示出的一种理赔查勘员的分配方法的流程图;
图3是本说明书一示例性实施例示出的另一种理赔查勘员的分配方法的流程图;
图4是本说明书一示例性实施例示出的一种理赔查勘员的分配装置所在电子设备的硬件结构图;
图5是本说明书一示例性实施例示出的一种理赔查勘员的分配装置的框图。
具体实施方式
这里将详细地对示例性实施例进行说明,其示例表示在附图中。下面的描述涉及附图时,除非另有表示,不同附图中的相同数字表示相同或相似的要素。以下示例性实施例中所描述的实施方式并不代表与本说明书一个或多个实施例相一致的所有实施方式。相反,它们仅是与如所附权利要求书中所详述的、本说明书一个或多个实施例的一些方面相一致的装置和方法的例子。
在本说明书使用的术语是仅仅出于描述特定实施例的目的,而非旨在限制本说明书。在本说明书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。还应当理解,本文中使用的术语“和/或”是指并包含一个或多个相关联的列出项目的任何或所有可能组合。
应当理解,尽管在本说明书可能采用术语第一、第二、第三等来描述各种信息,但这些信息不应限于这些术语。这些术语仅用来将同一类型的信息彼此区分开。例如,在不脱离本说明书范围的情况下,第一信息也可以被称为第二信息,类似地,第二信息也可以被称为第一信息。取决于语境,如在此所使用的词语“如果”可以被解释成为“在……时”或“当……时”或“响应于确定”。
本说明书旨在提供一种针对车祸事故,基于与该车祸事故对应的理赔发起用户的用户特征,确定与该车祸事故匹配的理赔查勘员,以由该理赔查勘员对该车祸事故进行查勘的技术方案。
在具体实现时,在发生车祸事故,收到理赔发起用户针对该车祸事故发起的理赔请求时,可以先采集该理赔发起用户的用户特征,再将采集到的该用户特征输入至预测模型,以由该预测模型基于该用户特征预测与该车祸事故匹配的目标理赔查勘员特征。其中,该预测模型是将理赔案件数据样本中的用户特征作为自变量,并将所述理赔案件数据样本中的理赔查勘员特征作为因变量训练得到的机器学习模型。
在确定了该目标理赔查勘员特征之后,可以基于该目标理赔查勘员特征,从可分配理赔查勘员集合中确定与该车祸事故匹配的目标理赔查勘员。后续,即可将该目标理赔查勘员分配给该车祸事故,以由该目标理赔查勘员对该车祸事故进行查勘。
在上述技术方案中,可以将采集到的与车祸事故对应的理赔发起用户的用户特征,输入至预测模型以预测与该车祸事故匹配的目标理赔查勘员特征,后续可以基于该目标理赔查勘员特征,从可分配理赔查勘员集合中确定与该车祸事故匹配的目标理赔查勘员,并将该目标理赔查勘员分配给该车祸事故。采用这样的方式,在发生车祸事故时,可以由与该车祸事故匹配的理赔查勘员对该车祸事故进行查勘,从而可以有效提高查勘效率,并提升理赔发起用户的用户体验。
请参考图1,图1是本说明书一示例性实施例示出的一种理赔查勘员的分配系统的示意图。
在图1所示的理赔查勘员的分配系统中,在发生车祸事故后,与该车祸事故对应的理赔发起用户可以向保险公司发起理赔请求,例如:该理赔发起用户可以向保险公司报案,以请求保险公司针对该车祸事故进行理赔处理。
保险公司可以根据该理赔发起用户的用户特征,确定与该车祸事故匹配的理赔查勘员,并将该理赔查勘员分配给该车祸事故,即通知该理赔查勘员去到该车祸事故的事故现场进行查勘,以对该车祸事故的相关信息进行调查,为后续针对该车祸事故的理赔处理提供依据。
请参考图2,图2是本说明书一示例性实施例示出的一种理赔查勘员的分配方法的流程图。
该理赔查勘员的分配方法可以应用于图1所示的保险公司所使用的电子设备;其中,该电子设备可以是服务器、计算机、手机、平板设备、笔记本电脑或掌上电脑(PDAs,Personal Digital Assistants)等,本说明书对此不作限制。该理赔查勘员的分配方法可以包括以下步骤:
步骤202,采集与车祸事故对应的理赔发起用户的用户特征;
步骤204,将所述用户特征输入至预测模型,以由所述预测模型基于所述用户特征预测与所述车祸事故匹配的目标理赔查勘员特征;其中,所述预测模型为将理赔案件数据样本中的用户特征作为自变量,并将所述理赔案件数据样本中的理赔查勘员特征作为因变量训练得到的机器学习模型;
步骤206,基于所述目标理赔查勘员特征,从可分配理赔查勘员集合中确定与所述车祸事故匹配的目标理赔查勘员;
步骤208,将所述目标理赔查勘员分配给所述车祸事故,以由所述目标理赔查勘员对所述车祸事故进行查勘。
在本实施例中,在需要为某个车祸事故分配理赔查勘员时,首先可以采集与该车祸事故对应的理赔发起用户的用户特征。
需要说明的是,上述用户特征可以包括以下特征中的一种或多种的组合:性别、年龄、用户信用(具体可以是用于指示用户信用高低程度的评分)、历史报案次数(即用户发起理赔请求的累计次数)。在实际应用中,上述用户特征也可以根据实际需求包括其他特征,本说明书对此不作限制。
具体地,在该理赔用户针对该车祸事故进行报案时,可以向该理赔发起用户询问年龄、用户信用等用户信息,并从得到的该用户信息中提取用户特征,作为该理赔发起用户的用户特征。
或者,在该理赔发起用户针对该车祸事故进行报案时,可以根据该理赔发起用户的用户姓名、用户账号或电话号码等用户标识,从预存的用户特征数据库中读取与该用户标识对应的用户特征,作为该理赔发起用户的用户特征。
其中,该用户特征数据库可以是基于从各个用户在投保时填写的用户信息中提取的用户特征生成的,例如:针对某个用户,可以从该用户在投保时填写的用户信息中提取上述用户特征,并将提取出的该用户特征与该用户的用户标识的对应关系存储至该用户特征数据库。
举例来说,该用户特征数据库中存储的用户标识和用户特征可以如下表1所示:
电话号码 | 性别 | 年龄 | 信用评分 | 历史报案次数 | …… |
电话号码1 | 男 | 30 | 580 | 1 | …… |
电话号码2 | 女 | 35 | 625 | 0 | …… |
…… | …… | …… | …… | …… | …… |
表1
针对与电话号码1对应的用户1,可以基于该用户特征数据库,确定用户1的用户特征包括:男;30岁;580分;历史报案1次。针对与电话号码2对应的用户2,可以基于该用户特征数据库,确定用户2的用户特征包括:女;35岁;625分;历史报案0次。
在该理赔发起用户针对该车祸事故进行报案时,可以采集该理赔发起用户当前使用的电话号码;或者,可以向该理赔发起用户询问该理赔发起用户在投保时预留的电话号码。假设该电话号码为电话号码1,则此时,可以基于表1所示的该用户特征数据库,确定与电话号码1对应的性别、年龄、信用评分、历史报案次数等用户特征,并将该用户特征作为该理赔发起用户的用户特征。
在确定了上述理赔发起用户的用户特征之后,可以将该用户特征输入至预先训练好的预测模型,以由该预测模型基于该用户特征预测与上述车祸事故匹配的理赔查勘员特征(称为目标理赔查勘员特征)。
其中,该预测模型可以是将理赔案件数据样本中的用户特征作为自变量,并将该理赔案件数据样本中的理赔查勘员特征作为因变量训练得到的机器学习模型。在实际应用中,该预测模型可以是回归模型(regression model),回归模型描述的是因变量(目标)和自变量(预测器)之间的关系,通常用于进行预测分析。
需要说明的是,上述理赔查勘员特征可以包括以下特征中的一种或多种的组合:性别、年龄、理赔查勘员的性格特点(例如:言语温柔、工作效率高等)、抵达事故现场的平均时长。其中,假设某个查勘员到目前为止一共对3个车祸事故进行了查勘,抵达这3个车祸事故的事故现场的时长分别为T1、T2、T3,则该查勘员的抵达事故现场的平均时长=(T1+T2+T3)÷3。
在实际应用中,在完成针对某个车祸事故的理赔处理之后,可以对此次理赔过程中的数据进行整理,以创建对应的理赔案件,并将创建的该理赔案件存储至理赔案件数据库,便于后续查询。
举例来说,该理赔案件中的数据可以包括:该车祸事故的事故发生时刻、事故现场位置;该车祸事故的理赔发起用户的用户信息、该车祸事故的理赔查勘员的查勘员信息;该车祸事故的事故车辆的检修报告;针对该车祸事故的理赔处理结果等。
此外,该理赔案件中的数据还可以包括该理赔发起用户对该理赔查勘员的评价信息。其中,该评价信息可以指示该理赔发起用户对该理赔查勘员的满意程度。例如,在完成理赔处理之后,可以通知该理赔发起用户对该理赔查勘员进行评价;该理赔发起用户可以根据其对该理赔查勘员的满意程度对该理赔查勘员进行打分。该理赔发起用户对该理赔查勘员的打分较高,则说明该理赔发起用户对该理赔查勘员比较满意;相应的,该理赔发起用户对该理赔查勘员的打分较低,则说明该理赔发起用户对该理赔查勘员不满意。
在这种情况下,可以从该理赔案件数据库中,根据各个理赔案件中的理赔发起用户对理赔查勘员的评价信息,选择出理赔发起用户对理赔查勘员比较满意的理赔案件。
举例来说,假设理赔发起用户对理赔查勘员的打分范围为0分至5分;进一步假设将4分设置为阈值,即如果某个车祸事故的理赔发起用户对该车祸事故的理赔查勘员的打分小于4分,则认为该理赔发起用户对该理赔查勘员不满意,否则,认为该理赔发起用户对该理赔查勘员比较满意。此时,可以从该理赔案件数据库中,选择出其中的理赔发起用户对理赔查勘员的评价信息(即打分)不小于4分的理赔案件,即选择出理赔发起用户对理赔查勘员比较满意的理赔案件。
后续,可以基于选择出的这些理赔案件中的数据,或者其中一部分理赔案件中的数据,构造训练样本,并基于该训练样本对上述预测模型进行训练。
具体地,可以基于理赔案件中的理赔发起用户的用户信息确定对应的用户特征,并基于该理赔案件中的理赔查勘员的查勘员信息确定对应的理赔查勘员特征,从而可以基于该用户特征与该理赔查勘员特征构造用于训练该预测模型的训练样本,在该训练样本中,该用户特征是自变量,该理赔查勘员特征是因变量。
另一方面,可以由技术人员预先设置一个回归模型作为预测模型。在完成训练样本的构造之后,可以将构造的训练样本输入至该预测模型进行训练。
对于需要分配理赔查勘员的上述车祸事故而言,可以将与该车祸事故对应的上述理赔发起用户的用户特征(自变量)作为输入参数,输入至训练好的该预测模型进行计算。该预测模型在完成计算之后,可以输出与该用户特征相关的理赔查勘员特征(因变量)。此时,即可将该理赔查勘员特征确定为与该车祸事故匹配的上述目标理赔查勘员特征。
在实际应用中,保险公司通常会对其管理的理赔查勘员的工作状态进行记录,具体可以记录各个理赔查勘员的标识(例如:工作人员编号)以及工作状态之间的对应关系,例如:对于当前正在进行查勘工作的理赔查勘员,可以将其工作状态记录为查勘状态;而对于当前未进行任何查勘工作的理赔查勘员,可以将去工作状态记录为空闲状态。
在这种情况下,可以将处于空余状态的理赔查勘员确定为可分配的理赔查勘员,从而可以将这些理赔查勘员添加至可分配理赔查勘员集合,即将这些理赔查勘员的标识添加至可分配理赔查勘员集合。
除此之外,保险公司还可以记录分别为各个理赔查勘员标记的对应的理赔查勘员特征,即将各个理赔查勘员的标识与该理赔查勘员的理赔查勘员特征进行对应存储。
举例来说,针对该可分配理赔查勘员集合中的各个理赔查勘员,存储的理赔查勘员特征可以如下表2所示:
表2
针对与理赔查勘员编号1对应的理赔查勘员1,可以基于该可分配理赔查勘员集合,确定理赔查勘员编号1的理赔查勘员特征包括:男;26岁;平均12分钟抵达事故现场;性格特点1。针对与理赔查勘员编号2对应的理赔查勘员2,可以基于该可分配理赔查勘员集合,确定理赔查勘员编号2的理赔查勘员特征包括:女;28岁;平均15分钟抵达事故现场;性格特点2。
其中,性格特点1可以包括言语温柔、工作效率高等性格特点中的一种或多种的组合;同理,性格特点2也可以包括言语温柔、工作效率高等性格特点中的一种或多种的组合。
在确定了上述目标理赔查勘员特征之后,可以基于该目标理赔查勘员特征,从上述可分配理赔查勘员集合中确定与上述车祸事故匹配的目标理赔查勘员。
具体地,可以将该目标理赔查勘员特征,与该可分配理赔查勘员集合中各个理赔查勘员的理赔查勘员特征进行匹配,从而可以从该可分配理赔查勘员集合中确定适合对该车祸事故进行查勘的理赔查勘员,即与该车祸事故匹配的目标理赔查勘员。
后续,可以将该目标理赔查勘员分配给该车祸事故,即可以指派该目标理赔查勘员前往该车祸事故的事故现场,对该车祸事故进行查勘。
在实际应用中,请参考图3,可以采用以下步骤实现基于所述目标理赔查勘员特征,从可分配理赔查勘员集合中确定与所述车祸事故匹配的目标理赔查勘员(即前述步骤206):
步骤2062,分别计算所述目标理赔查勘员特征与可分配理赔查勘员集合中的各个理赔查勘员的理赔查勘员特征之间的相似度;
步骤2064,基于所述相似度,从所述可分配理赔查勘员集合中确定与所述车祸事故匹配的目标理赔查勘员。
在确定了上述目标理赔查勘员特征之后,可以分别计算该目标理赔查勘员特征,与上述可分配理赔查勘员集合中各个理赔查勘员的理赔查勘员特征之间的相似度,从而可以基于计算得到的这些相似度,从该可分配理赔查勘员集合中确定与上述车祸事故匹配的目标理赔查勘员。
具体地,针对该可分配理赔查勘员集合中的某个理赔查勘员,计算该理赔查勘员的理赔查勘员特征与该目标理赔查勘员特征之间的相似度的方法,可以参考常用的相似度计算方法,本说明书在此不再赘述。
以表2所示的可分配理赔查勘员集合中的理赔查勘员1为例,可以将理赔查勘员1的理赔查勘员特征转换为一个多维向量,并将确定的目标理赔查勘员特征也转换为一个多维向量,再计算这两个多维向量之间的距离。其中,可以将计算得到的该距离视为理赔查勘员1的理赔查勘员特征与该目标理赔查勘员特征之间的相似度。
在示出的一种实施方式中,在计算得到上述目标理赔查勘员特征,与上述可分配理赔查勘员集合中各个理赔查勘员的理赔查勘员特征之间的相似度之后,可以将其中相似度最高的理赔查勘员特征对应的理赔查勘员,确定为与上述车祸事故匹配的目标理赔查勘员。
举例来说,假设该可分配理赔查勘员集合包括理赔查勘员1、理赔查勘员2和理赔查勘员3。
进一步假设计算得到理赔查勘员1的理赔查勘员特征与该目标理赔查勘员特征之间的相似度1、理赔查勘员2的理赔查勘员特征与该目标理赔查勘员特征之间的相似度2,以及理赔查勘员3的理赔查勘员特征与该目标理赔查勘员特征之间的相似度3,其中,相似度1>相似度2>相似度3。在这种情况下,可以将相似度最高的理赔查勘员1确定为与该车祸事故匹配的目标理赔查勘员。
在示出的另一种实施方式中,可以在计算得到上述目标理赔查勘员特征,与上述可分配理赔查勘员集合中各个理赔查勘员的理赔查勘员特征之间的相似度之后,可以进一步基于其中相似度大于预设阈值的理赔查勘员特征对应的理赔查勘员,创建理赔查勘员子集合。其中,该阈值可以由技术人员预先设置。
需要说明的是,在实际应用中,还可以由各个理赔查勘员随身携带的终端设备(例如:移动终端)周期性利用GPS(Global Positioning System,全球定位系统)功能,将其当前的位置信息(例如:经度和纬度)上传至保险公司的服务器,从而使保险公司可以记录并更新各个理赔查勘员的位置信息,即将各个理赔查勘员的标识与该理赔查勘员的位置信息进行对应存储。
结合上述举例,针对该可分配理赔查勘员集合中的各个理赔查勘员,存储的理赔查勘员特征可以如下表3所示:
表3
在这种情况下,可以分别基于上述理赔查勘员子集合中的各个理赔查勘员的位置信息,计算该理赔查勘员与该车祸事故的事故现场的距离。
后续,可以将该理赔查勘员子集合中,与该车祸事故的事故现场的距离最小的理赔查勘员,确定为与该车祸事故匹配的目标理赔查勘员。
举例来说,假设该可分配理赔查勘员集合包括理赔查勘员1、理赔查勘员2和理赔查勘员3。
进一步假设计算得到理赔查勘员1的理赔查勘员特征与该目标理赔查勘员特征之间的相似度1、理赔查勘员2的理赔查勘员特征与该目标理赔查勘员特征之间的相似度2,以及理赔查勘员3的理赔查勘员特征与该目标理赔查勘员特征之间的相似度3,其中,相似度1>相似度2>预设阈值>相似度3。
此时,创建的理赔查勘员子集合可以包括理赔查勘员1和理赔查勘员2。再进一步假设计算得到理赔查勘员1与该车祸事故的事故现场的距离1,以及理赔查勘员2与该车祸事故的事故现场的距离2,其中,距离1>距离2。在这种情况下,可以将该理赔查勘员子集合中与该车祸事故的事故现场的距离最小的理赔查勘员2确定为与该车祸事故匹配的目标理赔查勘员。
在示出的另一种实施方式中,可以先分别基于上述可分配理赔查勘员集合中的各个理赔查勘员的位置信息,计算该理赔查勘员与该车祸事故的事故现场的距离,再进一步基于其中距离小于预设阈值的理赔查勘员,创建理赔查勘员子集合。其中,该阈值可以由技术人员预先设置。
后续,可以分别计算上述目标理赔查勘员特征,与该理赔查勘员子集合中各个理赔查勘员的理赔查勘员特征之间的相似度。
在这种情况下,可以将该理赔查勘员子集合中,与该目标理赔查勘员特征的相似度最高的理赔查勘员特征对应的理赔查勘员,确定为与上述车祸事故匹配的目标理赔查勘员。
举例来说,假设该可分配理赔查勘员集合包括理赔查勘员1、理赔查勘员2和理赔查勘员3。
进一步假设计算得到理赔查勘员1与该车祸事故的事故现场的距离1、理赔查勘员2与该车祸事故的事故现场的距离2,以及理赔查勘员3与该车祸事故的事故现场的距离3,其中,距离1>预设阈值>距离2>距离3。
此时,创建的理赔查勘员子集合可以包括理赔查勘员2和理赔查勘员3。再进一步假设计算得到理赔查勘员2的理赔查勘员特征与该目标理赔查勘员特征之间的相似度2,以及理赔查勘员3的理赔查勘员特征与该目标理赔查勘员特征之间的相似度3,其中,相似度2>相似度3。在这种情况下,可以将该理赔查勘员子集合中与该目标理赔查勘员特征之间的相似度最高的理赔查勘员2确定为与该车祸事故匹配的目标理赔查勘员。
在示出的另一种实施方式中,一方面,可以分别计算上述目标理赔查勘员特征,与上述可分配理赔查勘员集合中各个理赔查勘员的理赔查勘员特征之间的相似度;另一方面,可以分别基于该可分配理赔查勘员集合中的各个理赔查勘员的位置信息,计算该理赔查勘员与上述车祸事故的事故现场的距离。
后续,针对该可分配理赔查勘员集合中的某个理赔查勘员,可以进一步基于预设的匹配度计算规则,以及该理赔查勘员的理赔查勘员特征与该目标理赔查勘员特征之间的相似度,和该理赔查勘员与该车祸事故现场的距离,计算该理赔查勘员与该车祸事故的匹配度。
其中,匹配度计算规则可以由技术人员预先设置。例如,可以按照技术人员预先设置的相似度区间,确定该理赔查勘员的理赔查勘员特征与该目标理赔查勘员特征之间的相似度所属的相似度区间,并将该相似度区间对应的相似匹配度确定为该理赔查勘员与该车祸事故的相似匹配度;按照技术人员预先设置的距离区间,确定该理赔查勘员与该车祸事故现场的距离所属的距离区间,并将该距离区间对应的距离匹配度确定为该理赔查勘员与该车祸事故的距离匹配度;最后按照技术人员预先设置的权重,基于该相似匹配度和该距离匹配度计算该理赔查勘员与该车祸事故的匹配度。
举例来说,假设技术人员设置的相似度区间与相似匹配度的对应关系如下表4所示:
相似度区间 | 相似匹配度 |
[0,10%) | 1 |
[10%,20%) | 2 |
[20%,30%) | 3 |
…… | …… |
[90%,100%] | 10 |
表4
再假设技术人员设置的距离区间与距离匹配度的对应关系如下表5所示:
距离区间 | 距离匹配度 |
[0,1km) | 10 |
[1km,2km) | 9 |
[2km,3km) | 8 |
…… | …… |
[9km,10km) | 1 |
[10km,+∞] | 0 |
表5
假设该可分配理赔查勘员集合包括理赔查勘员1、理赔查勘员2和理赔查勘员3。
进一步假设计算得到理赔查勘员1的理赔查勘员特征与该目标理赔查勘员特征之间的相似度为88%,理赔查勘员2的理赔查勘员特征与该目标理赔查勘员特征之间的相似度为76%,理赔查勘员3的理赔查勘员特征与该目标理赔查勘员特征之间的相似度为92%,则可以根据表4确定理赔查勘员1与该车祸事故的相似匹配度为9,理赔查勘员2与该车祸事故的相似匹配度为8,理赔查勘员3与该车祸事故的相似匹配度为10。
再进一步假设计算得到理赔查勘员1与该车祸事故的事故现场的距离为2.5km,理赔查勘员2与该车祸事故的事故现场的距离为0.8km,理赔查勘员3与该车祸事故的事故现场的距离为4.6km,则可以根据表5确定理赔查勘员1与该车祸事故的距离匹配度为8,理赔查勘员2与该车祸事故的距离匹配度为10,理赔查勘员3与该车祸事故的距离匹配度为6。
假设技术人员为相似匹配度和距离匹配度设置的权重均为0.5,则理赔查勘员1与该车祸事故的匹配度=9×0.5+8×0.5=8.5,理赔查勘员2与该车祸事故的匹配度=8×0.5+10×0.5=9,理赔查勘员3与该车祸事故的匹配度=10×0.5+6×0.5=8。此时,可以将该可分配理赔查勘员集合中与该车祸事故的匹配度最高的理赔查勘员2确定为与该车祸事故匹配的目标理赔查勘员。
在计算得到上述可分配理赔查勘员集合中各个理赔查勘员与上述车祸事故的匹配度之后,可以将其中匹配度最高的理赔查勘员特征对应的理赔查勘员,确定为与该车祸事故匹配的目标理赔查勘员。
在上述技术方案中,可以将采集到的与车祸事故对应的理赔发起用户的用户特征,输入至预测模型以预测与该车祸事故匹配的目标理赔查勘员特征,后续可以基于该目标理赔查勘员特征,从可分配理赔查勘员集合中确定与该车祸事故匹配的目标理赔查勘员,并将该目标理赔查勘员分配给该车祸事故。采用这样的方式,在发生车祸事故时,可以由与该车祸事故匹配的理赔查勘员对该车祸事故进行查勘,从而可以有效提高查勘效率,并提升理赔发起用户的用户体验。
与前述理赔查勘员的分配方法的实施例相对应,本说明书还提供了理赔查勘员的分配装置的实施例。
本说明书理赔查勘员的分配装置的实施例可以应用在电子设备上。装置实施例可以通过软件实现,也可以通过硬件或者软硬件结合的方式实现。以软件实现为例,作为一个逻辑意义上的装置,是通过其所在电子设备的处理器将非易失性存储器中对应的计算机程序指令读取到内存中运行形成的。从硬件层面而言,如图4所示,为本说明书理赔查勘员的分配装置所在电子设备的一种硬件结构图,除了图4所示的处理器、内存、网络接口、以及非易失性存储器之外,实施例中装置所在的电子设备通常根据该理赔查勘员的分配的实际功能,还可以包括其他硬件,对此不再赘述。
请参考图5,图5是本说明书一示例性实施例示出的一种理赔查勘员的分配装置的框图。该理赔查勘员的分配装置50可以应用于图4所示的电子设备,包括:
采集模块501,采集与车祸事故对应的理赔发起用户的用户特征;
预测模块502,将所述用户特征输入至预测模型,以由所述预测模型基于所述用户特征预测与所述车祸事故匹配的目标理赔查勘员特征;其中,所述预测模型为将理赔案件数据样本中的用户特征作为自变量,并将所述理赔案件数据样本中的理赔查勘员特征作为因变量训练得到的机器学习模型;
确定模块503,基于所述目标理赔查勘员特征,从可分配理赔查勘员集合中确定与所述车祸事故匹配的目标理赔查勘员;
分配模块504,将所述目标理赔查勘员分配给所述车祸事故,以由所述目标理赔查勘员对所述车祸事故进行查勘。
在本实施例中,所述用户特征包括以下特征中的一种或者多种的组合:
性别、年龄、用户信用、历史报案次数;
所述理赔查勘员特征包括以下特征中的一种或者多种的组合:
性别、年龄、理赔查勘员的性格特点、抵达事故现场的平均时长。
在本实施例中,所述机器学习模型为回归模型。
在本实施例中,所述确定模块503:
分别计算所述目标理赔查勘员特征与可分配理赔查勘员集合中的各个理赔查勘员的理赔查勘员特征之间的相似度;
基于所述相似度,从所述可分配理赔查勘员集合中确定与所述车祸事故匹配的目标理赔查勘员。
在本实施例中,所述确定模块503:
将所述可分配理赔查勘员集合中,所述相似度最高的理赔查勘员特征对应的理赔查勘员确定为与所述车祸事故匹配的目标理赔查勘员。
在本实施例中,所述确定模块503:
基于所述可分配理赔查勘员集合中,所述相似度大于预设阈值的理赔查勘员特征对应的理赔查勘员创建理赔查勘员子集合;
将所述理赔查勘员子集合中,与所述车祸事故的事故现场的距离最小的理赔查勘员确定为与所述车祸事故匹配的目标理赔查勘员。
在本实施例中,所述装置50还可以包括:
创建模块505,基于所述可分配理赔查勘员集合中,与所述车祸事故的事故现场的距离小于预设阈值的理赔查勘员创建理赔查勘员子集合;
所述确定模块503:
分别计算所述目标理赔查勘员特征与所述理赔查勘员子集合中的各个理赔查勘员的理赔查勘员特征之间的相似度;
将所述理赔查勘员子集合中,所述相似度最高的理赔查勘员特征对应的理赔查勘员确定为与所述车祸事故匹配的目标理赔查勘员。
在本实施例中,所述确定模块503:
基于预设的匹配度计算规则,以及所述相似度和与所述车祸事故的事故现场的距离,分别计算所述可分配理赔查勘员集合中的各个理赔查勘员与所述车祸事故的匹配度;
将所述可分配理赔查勘员集合中,所述匹配度最高的理赔查勘员确定为与所述车祸事故匹配的目标理赔查勘员。
上述装置中各个模块的功能和作用的实现过程具体详见上述方法中对应步骤的实现过程,在此不再赘述。
对于装置实施例而言,由于其基本对应于方法实施例,所以相关之处参见方法实施例的部分说明即可。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模块可以是或者也可以不是物理上分开的,作为模块显示的部件可以是或者也可以不是物理模块,即可以位于一个地方,或者也可以分布到多个网络模块上。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说明书方案的目的。本领域普通技术人员在不付出创造性劳动的情况下,即可以理解并实施。
上述实施例阐明的系统、装置、模块或单元,具体可以由计算机芯片或实体实现,或者由具有某种功能的产品来实现。一种典型的实现设备为计算机,计算机的具体形式可以是个人计算机、膝上型计算机、蜂窝电话、相机电话、智能电话、个人数字助理、媒体播放器、导航设备、电子邮件收发设备、游戏控制台、平板计算机、可穿戴设备或者这些设备中的任意几种设备的组合。
在一个典型的配置中,计算机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、磁盘存储、量子存储器、基于石墨烯的存储介质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。
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过程、方法、商品或者设备不仅包括那些要素,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过程、方法、商品或者设备所固有的要素。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过程、方法、商品或者设备中还存在另外的相同要素。
上述对本说明书特定实施例进行了描述。其它实施例在所附权利要求书的范围内。在一些情况下,在权利要求书中记载的动作或步骤可以按照不同于实施例中的顺序来执行并且仍然可以实现期望的结果。另外,在附图中描绘的过程不一定要求示出的特定顺序或者连续顺序才能实现期望的结果。在某些实施方式中,多任务处理和并行处理也是可以的或者可能是有利的。
在本说明书一个或多个实施例使用的术语是仅仅出于描述特定实施例的目的,而非旨在限制本说明书一个或多个实施例。在本说明书一个或多个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。还应当理解,本文中使用的术语“和/或”是指并包含一个或多个相关联的列出项目的任何或所有可能组合。
应当理解,尽管在本说明书一个或多个实施例可能采用术语第一、第二、第三等来描述各种信息,但这些信息不应限于这些术语。这些术语仅用来将同一类型的信息彼此区分开。例如,在不脱离本说明书一个或多个实施例范围的情况下,第一信息也可以被称为第二信息,类似地,第二信息也可以被称为第一信息。取决于语境,如在此所使用的词语“如果”可以被解释成为“在……时”或“当……时”或“响应于确定”。
以上所述仅为本说明书一个或多个实施例的较佳实施例而已,并不用以限制本说明书一个或多个实施例,凡在本说明书一个或多个实施例的精神和原则之内,所做的任何修改、等同替换、改进等,均应包含在本说明书一个或多个实施例保护的范围之内。
Claims (18)
1.一种理赔查勘员的分配方法,所述方法包括:
采集与车祸事故对应的理赔发起用户的用户特征;
将所述用户特征输入至预测模型,以由所述预测模型基于所述用户特征预测与所述车祸事故匹配的目标理赔查勘员特征;其中,所述预测模型为将理赔案件数据样本中的用户特征作为自变量,并将所述理赔案件数据样本中的理赔查勘员特征作为因变量训练得到的机器学习模型;
基于所述目标理赔查勘员特征,从可分配理赔查勘员集合中确定与所述车祸事故匹配的目标理赔查勘员;
将所述目标理赔查勘员分配给所述车祸事故,以由所述目标理赔查勘员对所述车祸事故进行查勘。
2.根据权利要求1所述的方法,所述用户特征包括以下特征中的一种或者多种的组合:
性别、年龄、用户信用、历史报案次数;
所述理赔查勘员特征包括以下特征中的一种或者多种的组合:
性别、年龄、理赔查勘员的性格特点、抵达事故现场的平均时长。
3.根据权利要求1所述的方法,所述机器学习模型为回归模型。
4.根据权利要求1所述的方法,所述基于所述目标理赔查勘员特征,从可分配理赔查勘员集合中确定与所述车祸事故匹配的目标理赔查勘员,包括:
分别计算所述目标理赔查勘员特征与可分配理赔查勘员集合中的各个理赔查勘员的理赔查勘员特征之间的相似度;
基于所述相似度,从所述可分配理赔查勘员集合中确定与所述车祸事故匹配的目标理赔查勘员。
5.根据权利要求4所述的方法,所述基于所述相似度,从所述可分配理赔查勘员集合中确定与所述车祸事故匹配的目标理赔查勘员,包括:
将所述可分配理赔查勘员集合中,所述相似度最高的理赔查勘员特征对应的理赔查勘员确定为与所述车祸事故匹配的目标理赔查勘员。
6.根据权利要求4所述的方法,所述基于所述相似度,从所述可分配理赔查勘员集合中确定与所述车祸事故匹配的目标理赔查勘员,包括:
基于所述可分配理赔查勘员集合中,所述相似度大于预设阈值的理赔查勘员特征对应的理赔查勘员创建理赔查勘员子集合;
将所述理赔查勘员子集合中,与所述车祸事故的事故现场的距离最小的理赔查勘员确定为与所述车祸事故匹配的目标理赔查勘员。
7.根据权利要求4所述的方法,所述方法还包括:
基于所述可分配理赔查勘员集合中,与所述车祸事故的事故现场的距离小于预设阈值的理赔查勘员创建理赔查勘员子集合;
所述分别计算所述目标理赔查勘员特征与可分配理赔查勘员集合中的各个理赔查勘员的理赔查勘员特征之间的相似度,包括:
分别计算所述目标理赔查勘员特征与所述理赔查勘员子集合中的各个理赔查勘员的理赔查勘员特征之间的相似度;
所述基于所述相似度,从所述可分配理赔查勘员集合中确定与所述车祸事故匹配的目标理赔查勘员,包括:
将所述理赔查勘员子集合中,所述相似度最高的理赔查勘员特征对应的理赔查勘员确定为与所述车祸事故匹配的目标理赔查勘员。
8.根据权利要求4所述的方法,所述基于所述相似度,从所述可分配理赔查勘员集合中确定与所述车祸事故匹配的目标理赔查勘员,包括:
基于预设的匹配度计算规则,以及所述相似度和与所述车祸事故的事故现场的距离,分别计算所述可分配理赔查勘员集合中的各个理赔查勘员与所述车祸事故的匹配度;
将所述可分配理赔查勘员集合中,所述匹配度最高的理赔查勘员确定为与所述车祸事故匹配的目标理赔查勘员。
9.一种理赔查勘员的分配装置,所述装置包括:
采集模块,采集与车祸事故对应的理赔发起用户的用户特征;
预测模块,将所述用户特征输入至预测模型,以由所述预测模型基于所述用户特征预测与所述车祸事故匹配的目标理赔查勘员特征;其中,所述预测模型为将理赔案件数据样本中的用户特征作为自变量,并将所述理赔案件数据样本中的理赔查勘员特征作为因变量训练得到的机器学习模型;
确定模块,基于所述目标理赔查勘员特征,从可分配理赔查勘员集合中确定与所述车祸事故匹配的目标理赔查勘员;
分配模块,将所述目标理赔查勘员分配给所述车祸事故,以由所述目标理赔查勘员对所述车祸事故进行查勘。
10.根据权利要求9所述的装置,所述用户特征包括以下特征中的一种或者多种的组合:
性别、年龄、用户信用、历史报案次数;
所述理赔查勘员特征包括以下特征中的一种或者多种的组合:
性别、年龄、理赔查勘员的性格特点、抵达事故现场的平均时长。
11.根据权利要求9所述的装置,所述机器学习模型为回归模型。
12.根据权利要求9所述的装置,所述确定模块:
分别计算所述目标理赔查勘员特征与可分配理赔查勘员集合中的各个理赔查勘员的理赔查勘员特征之间的相似度;
基于所述相似度,从所述可分配理赔查勘员集合中确定与所述车祸事故匹配的目标理赔查勘员。
13.根据权利要求12所述的装置,所述确定模块:
将所述可分配理赔查勘员集合中,所述相似度最高的理赔查勘员特征对应的理赔查勘员确定为与所述车祸事故匹配的目标理赔查勘员。
14.根据权利要求12所述的装置,所述确定模块:
基于所述可分配理赔查勘员集合中,所述相似度大于预设阈值的理赔查勘员特征对应的理赔查勘员创建理赔查勘员子集合;
将所述理赔查勘员子集合中,与所述车祸事故的事故现场的距离最小的理赔查勘员确定为与所述车祸事故匹配的目标理赔查勘员。
15.根据权利要求12所述的装置,所述装置还包括:
创建模块,基于所述可分配理赔查勘员集合中,与所述车祸事故的事故现场的距离小于预设阈值的理赔查勘员创建理赔查勘员子集合;
所述确定模块:
分别计算所述目标理赔查勘员特征与所述理赔查勘员子集合中的各个理赔查勘员的理赔查勘员特征之间的相似度;
将所述理赔查勘员子集合中,所述相似度最高的理赔查勘员特征对应的理赔查勘员确定为与所述车祸事故匹配的目标理赔查勘员。
16.根据权利要求12所述的装置,所述确定模块:
基于预设的匹配度计算规则,以及所述相似度和与所述车祸事故的事故现场的距离,分别计算所述可分配理赔查勘员集合中的各个理赔查勘员与所述车祸事故的匹配度;
将所述可分配理赔查勘员集合中,所述匹配度最高的理赔查勘员确定为与所述车祸事故匹配的目标理赔查勘员。
17.一种电子设备,包括:
处理器;
用于存储处理器可执行指令的存储器;
其中,所述处理器通过运行所述可执行指令以实现如权利要求1至8中任一项所述的方法。
18.一种计算机可读存储介质,其上存储有计算机指令,该指令被处理器执行时实现如权利要求1至8中任一项所述方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910911126.7A CN110766288B (zh) | 2019-09-25 | 2019-09-25 | 理赔查勘员的分配方法和装置、电子设备 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910911126.7A CN110766288B (zh) | 2019-09-25 | 2019-09-25 | 理赔查勘员的分配方法和装置、电子设备 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110766288A true CN110766288A (zh) | 2020-02-07 |
CN110766288B CN110766288B (zh) | 2022-07-01 |
Family
ID=69330270
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910911126.7A Active CN110766288B (zh) | 2019-09-25 | 2019-09-25 | 理赔查勘员的分配方法和装置、电子设备 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110766288B (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112396325A (zh) * | 2020-11-19 | 2021-02-23 | 平安普惠企业管理有限公司 | 案件处理方法、装置、介质及电子设备 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20090125339A1 (en) * | 1999-10-25 | 2009-05-14 | Silverbrook Research Pty Ltd | Insurance Policy Management System With Wireless Pen |
CN105631600A (zh) * | 2016-01-07 | 2016-06-01 | 平安科技(深圳)有限公司 | 车险查勘任务的发布方法及系统 |
CN105847376A (zh) * | 2016-04-11 | 2016-08-10 | 深圳市永兴元科技有限公司 | 车险查勘系统及方法 |
CN106529896A (zh) * | 2016-09-26 | 2017-03-22 | 平安科技(深圳)有限公司 | 基于理赔查勘的方法及理赔服务器 |
CN106779422A (zh) * | 2016-12-22 | 2017-05-31 | 安徽保腾网络科技有限公司 | 车险查勘系统 |
CN109543947A (zh) * | 2018-10-19 | 2019-03-29 | 中国平安财产保险股份有限公司 | 基于查勘网格的任务分配的方法、装置及终端设备 |
-
2019
- 2019-09-25 CN CN201910911126.7A patent/CN110766288B/zh active Active
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20090125339A1 (en) * | 1999-10-25 | 2009-05-14 | Silverbrook Research Pty Ltd | Insurance Policy Management System With Wireless Pen |
CN105631600A (zh) * | 2016-01-07 | 2016-06-01 | 平安科技(深圳)有限公司 | 车险查勘任务的发布方法及系统 |
WO2017118435A1 (zh) * | 2016-01-07 | 2017-07-13 | 平安科技(深圳)有限公司 | 车险查勘任务的发布系统、设备、方法及可读存储介质 |
CN105847376A (zh) * | 2016-04-11 | 2016-08-10 | 深圳市永兴元科技有限公司 | 车险查勘系统及方法 |
CN106529896A (zh) * | 2016-09-26 | 2017-03-22 | 平安科技(深圳)有限公司 | 基于理赔查勘的方法及理赔服务器 |
CN106779422A (zh) * | 2016-12-22 | 2017-05-31 | 安徽保腾网络科技有限公司 | 车险查勘系统 |
CN109543947A (zh) * | 2018-10-19 | 2019-03-29 | 中国平安财产保险股份有限公司 | 基于查勘网格的任务分配的方法、装置及终端设备 |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112396325A (zh) * | 2020-11-19 | 2021-02-23 | 平安普惠企业管理有限公司 | 案件处理方法、装置、介质及电子设备 |
WO2022105137A1 (zh) * | 2020-11-19 | 2022-05-27 | 平安普惠企业管理有限公司 | 案件处理方法、装置、计算机设备和计算机可读存储介质 |
CN112396325B (zh) * | 2020-11-19 | 2022-08-26 | 平安普惠企业管理有限公司 | 案件处理方法、装置、介质及电子设备 |
Also Published As
Publication number | Publication date |
---|---|
CN110766288B (zh) | 2022-07-01 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US11315170B2 (en) | Methods and systems for order processing | |
CN109118055B (zh) | 一种驾驶行为评分方法及装置 | |
CA2968379C (en) | Parking identification and availability prediction | |
US8996033B1 (en) | Systems and methods for statistically associating mobile devices to households | |
US20210312544A1 (en) | Information processing apparatus, information processing program, and information processing system | |
CN111954175B (zh) | 一种兴趣点到访判别方法和相关装置 | |
US20120278320A1 (en) | Recommendation information providing system, recommendation information providing apparatus, recommendation information service method, and recommendation information distribution program | |
US11907864B2 (en) | Method and system for smart detection of business hot spots | |
WO2020107894A1 (zh) | 一种驾驶行为评分方法、装置及计算机可读存储介质 | |
US20190147468A1 (en) | Location evaluation | |
CN113095861A (zh) | 目标对象成交概率的预测方法、装置、设备及存储介质 | |
CN114090898A (zh) | 一种信息推荐方法、装置、终端设备及介质 | |
CN113962313A (zh) | 一种需求预测方法、系统、存储介质及电子设备 | |
CN110766288B (zh) | 理赔查勘员的分配方法和装置、电子设备 | |
CN111698332A (zh) | 业务对象的分配方法、装置、设备及存储介质 | |
CN114418009A (zh) | 基于图注意力网络的分类方法、装置、设备和存储介质 | |
US20160196697A1 (en) | Method and apparatus for vehicle usage recording | |
Lutsai et al. | Geolocation predicting of tweets using bert-based models | |
US11574350B2 (en) | Credibility evaluation device, method of evaluating credibility, and computer readable recording medium | |
CN111782955A (zh) | 兴趣点表示和推送方法、装置、电子设备及存储介质 | |
CN108256707B (zh) | 保单回访管理方法和装置 | |
US20230289586A1 (en) | Hybrid graph-based prediction machine learning frameworks | |
CN117668378A (zh) | 路线推荐方法和装置 | |
CN113688324A (zh) | 一种银行网点推荐方法及装置 | |
CN110111170B (zh) | 候选商家匹配方法、装置、电子设备及可读存储介质 |
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 | ||
TA01 | Transfer of patent application right |
Effective date of registration: 20211221 Address after: Room 610, floor 6, No. 618, Wai Road, Huangpu District, Shanghai 200010 Applicant after: Ant Shengxin (Shanghai) Information Technology Co.,Ltd. Address before: 310000 801-11 section B, 8th floor, 556 Xixi Road, Xihu District, Hangzhou City, Zhejiang Province Applicant before: Alipay (Hangzhou) Information Technology Co.,Ltd. |
|
TA01 | Transfer of patent application right | ||
GR01 | Patent grant | ||
GR01 | Patent grant |