CN110827088A - 基于大数据的用车成本预测方法、装置及存储介质 - Google Patents
基于大数据的用车成本预测方法、装置及存储介质 Download PDFInfo
- Publication number
- CN110827088A CN110827088A CN201911084263.4A CN201911084263A CN110827088A CN 110827088 A CN110827088 A CN 110827088A CN 201911084263 A CN201911084263 A CN 201911084263A CN 110827088 A CN110827088 A CN 110827088A
- Authority
- CN
- China
- Prior art keywords
- data
- vehicle
- cost
- prediction
- maintenance
- 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
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
- G06Q30/00—Commerce
- G06Q30/02—Marketing; Price estimation or determination; Fundraising
- G06Q30/0201—Market modelling; Market analysis; Collecting market data
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
-
- 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
- G06Q10/0635—Risk analysis of enterprise or organisation activities
-
- 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
- G06Q10/20—Administration of product repair or maintenance
-
- 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
- G06Q30/00—Commerce
- G06Q30/02—Marketing; Price estimation or determination; Fundraising
- G06Q30/0201—Market modelling; Market analysis; Collecting market data
- G06Q30/0206—Price or cost determination based on market factors
-
- 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)
- Engineering & Computer Science (AREA)
- Strategic Management (AREA)
- Accounting & Taxation (AREA)
- Development Economics (AREA)
- Finance (AREA)
- Entrepreneurship & Innovation (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Human Resources & Organizations (AREA)
- Economics (AREA)
- General Physics & Mathematics (AREA)
- General Business, Economics & Management (AREA)
- Marketing (AREA)
- Game Theory and Decision Science (AREA)
- Data Mining & Analysis (AREA)
- Tourism & Hospitality (AREA)
- Quality & Reliability (AREA)
- Operations Research (AREA)
- Life Sciences & Earth Sciences (AREA)
- Computational Linguistics (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Biophysics (AREA)
- Educational Administration (AREA)
- Biomedical Technology (AREA)
- Artificial Intelligence (AREA)
- Health & Medical Sciences (AREA)
- Technology Law (AREA)
- Financial Or Insurance-Related Operations Such As Payment And Settlement (AREA)
Abstract
本发明公开一种基于大数据的用车成本预测方法、装置及存储介质。该方法包括:获取驾驶员社会属性相关数据、车辆行驶数据、车辆维护保养数据、车辆的保险金融数据及车辆行驶中的额外支出费用数据;依据驾驶员社会属性相关数据、车辆行驶数据、车辆维护保养数据、车辆的保险金融数据及车辆行驶中的额外支出费用数据,进行大数据分析处理;输出与车辆相关的用户驾驶评分结果、用户驾驶危险等级信息、车辆本身磨损情况信息以及各项预定的风险成本信息;依据预先建立的预测数据模型进行评估输出用车成本的预测结果。本发明可以预测车辆使用的风险情况,实施差异化定价及风险管理,将车企、销售渠道以及用户有机连接,成本更加透明、合理和公平。
Description
技术领域
本发明涉及车辆金融技术领域,尤其涉及一种基于大数据的用车成本预测方法、装置及存储介质。
背景技术
随着智能交通行业的快速发展和智能网联的发展,其物联网、车联网技术的应用趋于成熟,车联网的数据越来越丰富多样化;如何能通过相关海量大数据进行精准应用,尤其是结合用户驾驶行为数据、驾驶车辆数据、驾驶环境相关数据等相关数据融合准确地定位用户用车成本方面的研究较少。而且近年来,用户用车成本无法精准预测方面已经受到大众广泛关注,车企对于已出售的车辆质量未能全程跟踪及未能实时获取车辆零部件失效概率等原因,导致未能及时更换不合格的零部件或未进行相关风险配件进行质量提升而导致质保成本增加,车企信誉受损。而对车主而言,4S店或维修店的车辆维修保养成本较高且未透明化,导致车主不得不支付额外的用车成本。因此一种准确预测用车成本的方案就非常具有实用性。
发明内容
有鉴于此,本发明的主要目的在于提出一种基于大数据的用车成本预测方法、装置及存储介质,用于解决现有技术中车辆在使用中用车成本计算不够科学、不够透明等技术问题。
作为本发明的第一方面,本发明提供一种基于大数据的用车成本预测方法,其中,所述方法包括:
获取驾驶员社会属性相关数据、车辆行驶数据、车辆维护保养数据、车辆的保险金融数据及车辆行驶中的额外支出费用数据;
依据所述驾驶员社会属性相关数据、车辆行驶数据、车辆维护保养数据、车辆的保险金融数据及车辆行驶中的额外支出费用数据,进行大数据分析处理;
处理后输出与所述车辆相关的用户驾驶评分结果、用户驾驶危险等级信息、车辆本身磨损情况信息以及各项预定的风险成本信息;
依据预先建立的预测数据模型进行评估输出用车成本的预测结果。
优选地,所述方法在所述获取驾驶员社会属性相关数据、车辆行驶数据、车辆维护保养数据、车辆的保险金融数据及车辆行驶中的额外支出费用数据之前,还包括:
采集样本数据,根据原始基础数据的收集整理,确定初始输入变量中的分类变量、区间型变量,依据应用需要确定目标变量数据,并对目标变量数据进行分拆;
对数据进行探索分析,删除无关变量;
对数据进行修正,基于数据情况,完成数据变量转换、合并,同时完成初始变量的选择和修正。
优选地,所述预测数据模型包括:决策树、回归算法、神经网络算法中的一种或者多种,或者所述决策树、回归算法、神经网络算法进行加权处理后形成的算法构建的数据模型。
优选地,所述依据预先建立的预测数据模型进行评估输出用车成本的预测结果包括:
分别构建所述决策树、回归算法、神经网络算法的预测模型;
分别对所述决策树、回归算法、神经网络算法进行模型训练;
通过验证数据集、测试数据集评估三类评估预测结果;
依据预测结果选取最优的数据模型;
基于最优的数据模型,输入预测数据集,完成目标变量的预测结果,以评估出用车成本的预测结果。
优选地,所述依据预先建立的预测数据模型进行评估输出用车成本的预测结果还包括:
预测指定车辆的维修成本,所述维修成本包括:根据所有车辆平均维修成本数据、车辆所在车系平均维修成本数据、所述指定车辆的历史维修成本数据,为所述维修成本的各项分配不同的权重值,通过加权得到所述指令车辆的用车成本的预测结果。
优选地,所述用车成本包括:事故类风险服务成本、非事故类风险服务成本;其中,事故类风险服务成本=保费-(佣金+赔付率分成);非事故类风险服务成本=小型配件成本+核心配件成本;所述小型配件成本=维修发生率*维修单均成本;所述核心配件成本为保险公司定价或渠道商定价。
优选地,所述方法还包括:用车成本定价策略,所述定价策略包括:首年定价策略:为一个基础性的统一价格,基于保险成本、维修保养成本、其它用车成本采购成本实现统一标准定价;次年定价策略:为差异化定价预测,结合上年用户数据结果进行用车成本预测,实现差异化定价;服务运营定价策略:随着车辆动态数据的收集,基于风险状况所采取的差异化措施。
优选地,所述方法还包括:用车成本控制步骤,主要包括:
构建上、中、下三层数据控制模型;
对应各个数据控制模型建立用车成本监控系统。
优选地,所述构建上、中、下三层数据控制模型包括:
构建上层数据控制模型,主要包括:
售前:准确预测风险程度及发生率;
售中:根据用户行为采取预警及干预措施,引导用户改善驾驶行为;
售后:根据用户既往服务数据及驾驶评测结果,精准定价;
构建中层数据控制模型,主要包括:
构建零部件磨损监控系统:按预定频次调取车辆传感器数据和用户使用维修保养服务数据及车辆磨损情况,引导用户合理进行易损部件的保养时段或周期,降低事故风险;
构建运营监控系统:通过历史行车数据有效识别其它用车成本的无效清单,优化服务规则;
构建服务预警系统:进行已服务项与事故发生率对比,及时预警并干预,正面引导用户改善驾驶行为,降低潜在风险;
构建底层数据控制模型,主要包括:
获取车辆的动态数据,大数据分析准确预测用车成本。
作为本发明的第二方面,本发明还提供一种基于大数据的用车成本预测装置,其中,所述装置包括:
至少一个处理器;以及,
与所述至少一个处理器通信连接的存储器;其中,
所述存储器存储有可被所述至少一个处理器执行的指令,所述指令被所述至少一个处理器执行,以使至少一个所述处理器能够执行如前面任一项所述的方法。
作为本发明第三方面,本发明实施例还提供一种计算机存储介质,包括计算机程序指令,其特征在于,其特征在于,当所述指令在计算机设备或处理器上运行时,使得所述计算机设备或所述处理器执行如前面任一项所述的方法。
本发明提供的基于大数据的用车成本预测方法、装置及存储介质具有以下有益效果:
1.可以预测各车辆用户的风险情况,实施差异化定价及风险管理;
2.将车企、销售渠道以及用户有机连接起来,增强了相互之间的粘性;
3.缔造透明、合理、公平的车辆使用成本,提高用户对品牌的认可度及品牌的影响力。
4.通过使用本方法能非常方便直观的评估综合用车成本,也能准确的评估维修、保养、续保、出险、洗车、代驾等细项用车成本。
5.本方法对保险公司的车险定价有重要指导意义,尤其是涉及到行车安全相关的风险预测,例如:车损风险、车损附加风险等。也可用于对不同客户实现区别定价。对保险公司评估单一车型的平均保险成本也有重要参考意义。
6.使用本方法可用于4S店的营收分析、营收预测、用户运营。
7.使用本方法预测的维修成本、故障成本等数据对整车厂的零部件质量把控有参考意义。
附图说明
图1为本发明实施例中提供一种基于大数据的用车成本预测方法的流程示意图。
图2为本发明实施例中提供一种基于大数据的用车成本预测方法的数据处理流程示意图。
图3为本发明实施例中的基于大数据的用车成本预测装置的结构示意图。
本发明目的的实现、功能特点及优点将结合实施例,参照附图做进一步说明。
具体实施方式
应当理解,此处所描述的具体实施例仅仅用以解释本发明,并不用于限定本发明。
在后续的描述中,使用用于表示元件的诸如“模块”、“部件”或“单元”的后缀仅为了有利于本发明的说明,其本身没有特定的意义。因此,“模块”、“部件”或“单元”可以混合地使用。
实施例1
请参见图1,本发明实施例1提供一种基于大数据的用车成本预测方法,主要包括以下步骤:
S1、获取驾驶员社会属性相关数据、车辆行驶数据、车辆维护保养数据、车辆的保险金融数据及车辆行驶中的额外支出费用数据;其中,车辆行驶数据包超速数据、违章相关数据、长时间驾驶数据、高速通行数据、雨天、夜间驾驶数据等;该高速通行数据包括:存储于ETC卡中所包含的所有通勤数据。驾驶员社会属性相关数据包括驾驶员的年龄、性别、职业、受教育程度等。驾驶员社会属性数据、车辆静态数据、行驶数据、出险数据、保单数据。当然这里的驾驶员是以自然人来描述,实际上随着无人驾驶技术的日益成熟,也可以是智能机器人,为智能机器人的社会属性相关数据则就是制造其的厂商、运营其的运营商的社会属性相关数据,如生产年份日期、生产厂商的生产数据,运营商的运营身份等。通常用户社会属性数据、车辆静态数据、行驶数据、出险数据(车辆的保险金融数据)、保单数据(车辆的保险金融数据)作为用车风险数据的主要指标。车辆维护保养数据包括:车辆零部件磨损数据、维修记录、保养记录、召回记录。其它用车数据包括:洗车消费、加油消费、高速收费、代驾费等数据。结合车辆维修保养数据、驾驶员的社会属性数据、车辆静态数据、车辆理赔数据、车辆行驶数据、用户驾驶评分、用户驾驶风险等级、车辆零部件磨损情况、其它用车成本使用分析和预测每个用户风险成本数据。用户风险数据包括驾驶行为风险、车辆事故风险、保险出险风险、零部件损坏风险、车辆故障风险、其它用车成本。
S2、依据所述驾驶员社会属性相关数据、车辆行驶数据、车辆维护保养数据、车辆的保险金融数据及车辆行驶中的额外支出费用数据,进行大数据分析处理;
S3、处理后输出与所述车辆相关的用户驾驶评分结果、用户驾驶危险等级信息、车辆本身磨损情况信息以及各项预定的风险成本信息;
S4、依据预先建立的预测数据模型进行评估输出用车成本的预测结果。本发明实施例的基于大数据的用车成本预测方法具有以下有益效果:
(1)通过使用本方法能非常方便直观的评估综合用车成本,也能准确的评估维修、保养、续保、出险、洗车、代驾等细项用车成本。
(2)本方法对保险公司的车险定价有重要指导意义,尤其是涉及到行车安全相关的风险预测,例如:车损风险、车损附加风险等。也可用于对不同客户实现区别定价。对保险公司评估单一车型的平均保险成本也有重要参考意义。
(3)使用本方法可用于4S店的营收分析、营收预测、用户运营。
(4)使用本方法预测的维修成本、故障成本等数据对整车厂的零部件质量把控有参考意义。
还有,本发明实施例通过大数据及精算模型分析预测每个用户风险情况及实施差异化定价及风险管理。通过技术手段将车企、4S店(渠道)、用户有机的连接起来。缔造透明、合理、公平的车辆使用成本,提高用户对品牌的认可度及品牌的影响力。
优选地,所述方法在所述获取驾驶员社会属性相关数据、车辆行驶数据、车辆维护保养数据、车辆的保险金融数据及车辆行驶中的额外支出费用数据之前,还包括:
采集样本数据,根据原始基础数据的收集整理,确定初始输入变量中的分类变量、区间型变量,依据应用需要确定目标变量数据,并对目标变量数据进行分拆;
对数据进行探索分析,删除无关变量;
对数据进行修正,基于数据情况,完成数据变量转换、合并,同时完成初始变量的选择和修正。
优选地,所述预测数据模型包括:决策树、回归算法、神经网络算法中的一种或者多种,或者所述决策树、回归算法、神经网络算法进行加权处理后形成的算法构建的数据模型。
优选地,所述依据预先建立的预测数据模型进行评估输出用车成本的预测结果包括:
分别构建所述决策树、回归算法、神经网络算法的预测模型;
分别对所述决策树、回归算法、神经网络算法进行模型训练;
通过验证数据集、测试数据集评估三类评估预测结果;
依据预测结果选取最优的数据模型;
基于最优的数据模型,输入预测数据集,完成目标变量的预测结果,以评估出用车成本的预测结果。
优选地,所述依据预先建立的预测数据模型进行评估输出用车成本的预测结果还包括:
预测指定车辆的维修成本,所述维修成本包括:根据所有车辆平均维修成本数据、车辆所在车系平均维修成本数据、所述指定车辆的历史维修成本数据,为所述维修成本的各项分配不同的权重值,通过加权得到所述指令车辆的用车成本的预测结果。
优选地,所述用车成本包括:事故类风险服务成本、非事故类风险服务成本;其中,事故类风险服务成本=保费-(佣金+赔付率分成);非事故类风险服务成本=小型配件成本+核心配件成本;所述小型配件成本=维修发生率*维修单均成本;所述核心配件成本为保险公司定价或渠道商定价。
优选地,所述方法还包括:用车成本定价策略,所述定价策略包括:首年定价策略:为一个基础性的统一价格,基于保险成本、维修保养成本、其它用车成本采购成本实现统一标准定价;次年定价策略:为差异化定价预测,结合上年用户数据结果进行用车成本预测,实现差异化定价;服务运营定价策略:随着车辆动态数据的收集,基于风险状况所采取的差异化措施。
优选地,所述方法还包括:用车成本控制步骤,主要包括:
构建上、中、下三层数据控制模型;
对应各个数据控制模型建立用车成本监控系统。
优选地,所述构建上、中、下三层数据控制模型包括:
构建上层数据控制模型,主要包括:
售前:准确预测风险程度及发生率;
售中:根据用户行为采取预警及干预措施,引导用户改善驾驶行为;
售后:根据用户既往服务数据及驾驶评测等,精准定价;
构建中层数据控制模型,主要包括:
构建零部件磨损监控系统:按预定频次调取车辆传感器数据和用户使用维修保养服务数据及车辆磨损情况,引导用户合理进行易损部件的保养时段或周期,降低事故风险;
构建运营监控系统:通过历史行车数据有效识别其它用车成本的无效清单,优化服务规则,避免“薅羊毛”行为,降低用车成本;
构建服务预警系统:进行已服务项与事故发生率对比,及时预警并干预,正面引导用户改善驾驶行为,降低潜在风险;
构建底层数据控制模型,主要包括:
获取车辆的动态数据,大数据分析准确预测用车成本。
实施例2
请参见图3,本发明对应于上述实施例1的方法还相应提供一种基于大数据的用车成本预测装置,该装置主要包括:
至少一个处理器401;以及,
与所述至少一个处理器通信连接的存储器402;
其中,所述存储器402存储有可被所述至少一个处理器401执行的指令,所述指令被至少一个处理器执行,以使至少一个所述处理器能够执行前面实施例1中所述的方法。
在一个示例中,基于大数据的用车成本预测装置还可包括通信接口403和总线410。其中,如图3所示,处理器401、存储器402、通信接口403通过总线410连接并完成相互间的通信。
通信接口403,主要用于实现本发明实施例中各模块、装置、单元和/或设备之间的通信。
总线410包括硬件、软件或两者,将基于大数据的用车成本预测装置的部件彼此耦接在一起。举例来说而非限制,总线可包括加速图形端口(AGP)或其他图形总线、增强工业标准架构(EISA)总线、前端总线(FSB)、超传输(HT)互连、工业标准架构(ISA)总线、无限带宽互连、低引脚数(LPC)总线、存储器总线、微信道架构(MCA)总线、外围组件互连(PCI)总线、PCI-Express(PCI-X)总线、串行高级技术附件(SATA)总线、视频电子标准协会局部(VLB)总线或其他合适的总线或者两个或更多个以上这些的组合。在合适的情况下,总线410可包括一个或多个总线。尽管本发明实施例描述和示出了特定的总线,但本发明考虑任何合适的总线或互连。
另外,结合上述实施例中的基于大数据的用车成本预测方法,本发明实施例可提供一种计算机可读存储介质来实现。该计算机可读存储介质上存储有计算机程序指令;该计算机程序指令被处理器执行时实现上述实施例中的任意一种基于大数据的用车成本预测方法。
以上是对本发明实施例的基于大数据的用车成本预测方法、装置及存储介质的详细说明。需要说明的是,在本文中,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、物品或者打印机小车防撞不仅包括那些要素,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、物品所固有的要素。在没有更多限制的情况下,由语句“包括一个……”限定的要素,并不排除在包括该要素的过程、方法、物品还存在另外的相同要素。
上述本发明实施例序号仅仅为了描述,不代表实施例的优劣。
上面结合附图对本发明的实施例进行了描述,但是本发明并不局限于上述的具体实施方式,上述的具体实施方式仅仅是示意性的,而不是限制性的,本领域的普通技术人员在本发明的启示下,在不脱离本发明宗旨和权利要求所保护的范围情况下,还可做出很多形式,这些均属于本发明的保护之内。
Claims (11)
1.一种基于大数据的用车成本预测方法,其特征在于,所述方法包括:
获取驾驶员社会属性相关数据、车辆行驶数据、车辆维护保养数据、车辆的保险金融数据及车辆行驶中的额外支出费用数据;
依据所述驾驶员社会属性相关数据、车辆行驶数据、车辆维护保养数据、车辆的保险金融数据及车辆行驶中的额外支出费用数据,进行大数据分析处理;
处理后输出与所述车辆相关的用户驾驶评分结果、用户驾驶危险等级信息、车辆本身磨损情况信息以及各项预定的风险成本信息;
依据预先建立的预测数据模型进行评估输出用车成本的预测结果。
2.根据权利要求1所述的方法,其特征在于,所述方法在所述获取驾驶员社会属性相关数据、车辆行驶数据、车辆维护保养数据、车辆的保险金融数据及车辆行驶中的额外支出费用数据之前,还包括:
采集样本数据,根据原始基础数据的收集整理,确定初始输入变量中的分类变量、区间型变量,依据应用需要确定目标变量数据,并对目标变量数据进行分拆;
对数据进行探索分析,删除无关变量;
对数据进行修正,基于数据情况,完成数据变量转换、合并,同时完成初始变量的选择和修正。
3.根据权利要求1所述的方法,其特征在于,所述预测数据模型包括:决策树、回归算法、神经网络算法中的一种或者多种,或者所述决策树、回归算法、神经网络算法进行加权处理后形成的算法构建的数据模型。
4.根据权利要求3所述的方法,其特征在于,所述依据预先建立的预测数据模型进行评估输出用车成本的预测结果包括:
分别构建所述决策树、回归算法、神经网络算法的预测模型;
分别对所述决策树、回归算法、神经网络算法进行模型训练;
通过验证数据集、测试数据集评估三类评估预测结果;
依据预测结果选取最优的数据模型;
基于最优的数据模型,输入预测数据集,完成目标变量的预测结果,以评估出用车成本的预测结果。
5.根据权利要求1所述的方法,其特征在于,所述依据预先建立的预测数据模型进行评估输出用车成本的预测结果还包括:
预测指定车辆的维修成本,所述维修成本包括:根据所有车辆平均维修成本数据、车辆所在车系平均维修成本数据、所述指定车辆的历史维修成本数据,为所述维修成本的各项分配不同的权重值,通过加权得到所述指令车辆的用车成本的预测结果。
6.根据权利要求1至5任一项所述的方法,其特征在于,所述用车成本包括:事故类风险服务成本、非事故类风险服务成本;其中,事故类风险服务成本=保费-(佣金+赔付率分成);非事故类风险服务成本=小型配件成本+核心配件成本;所述小型配件成本=维修发生率*维修单均成本;所述核心配件成本为保险公司定价或渠道商定价。
7.根据权利要求6所述的方法,其特征在于,所述方法还包括:用车成本定价策略,所述定价策略包括:
首年定价策略:为一个基础性的统一价格,基于保险成本、维修保养成本、其它用车成本采购成本实现统一标准定价;
次年定价策略:为差异化定价预测,结合上年用户数据结果进行用车成本预测,实现差异化定价;
服务运营定价策略:随着车辆动态数据的收集,基于风险状况所采取的差异化措施。
8.根据权利要求6所述的方法,其特征在于,所述方法还包括:用车成本控制步骤,主要包括:
构建上、中、下三层数据控制模型;
对应各个数据控制模型建立用车成本监控系统。
9.根据权利要求8所述的方法,其特征在于,所述构建上、中、下三层数据控制模型包括:
构建上层数据控制模型,主要包括:
售前:准确预测风险程度及发生率;
售中:根据用户行为采取预警及干预措施,引导用户改善驾驶行为;
售后:根据用户既往服务数据及驾驶评测结果,精准定价;
构建中层数据控制模型,主要包括:
构建零部件磨损监控系统:按预定频次调取车辆传感器数据和用户使用维修保养服务数据及车辆磨损情况,引导用户合理进行易损部件的保养时段或周期,降低事故风险;
构建运营监控系统:通过历史行车数据有效识别其它用车成本的无效清单,优化服务规则;
构建服务预警系统:进行已服务项与事故发生率对比,及时预警并干预,正面引导用户改善驾驶行为,降低潜在风险;
构建底层数据控制模型,主要包括:
获取车辆的动态数据,大数据分析准确预测用车成本。
10.一种基于大数据的用车成本预测装置,其特征在于,所述装置包括:
至少一个处理器;以及,
与所述至少一个处理器通信连接的存储器;其中,
所述存储器存储有可被所述至少一个处理器执行的指令,所述指令被所述至少一个处理器执行,以使至少一个所述处理器能够执行权利要求1-9任一项所述的方法。
11.一种计算机存储介质,包括计算机程序指令,其特征在于,其特征在于,当所述指令在计算机设备或处理器上运行时,使得所述计算机设备或所述处理器执行如权利要求1-9中任一项所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911084263.4A CN110827088A (zh) | 2019-11-07 | 2019-11-07 | 基于大数据的用车成本预测方法、装置及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911084263.4A CN110827088A (zh) | 2019-11-07 | 2019-11-07 | 基于大数据的用车成本预测方法、装置及存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN110827088A true CN110827088A (zh) | 2020-02-21 |
Family
ID=69553481
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201911084263.4A Pending CN110827088A (zh) | 2019-11-07 | 2019-11-07 | 基于大数据的用车成本预测方法、装置及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110827088A (zh) |
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111414874A (zh) * | 2020-03-26 | 2020-07-14 | 中国平安财产保险股份有限公司 | 基于人脸的驾驶风险预测方法、装置、设备和存储介质 |
CN112149844A (zh) * | 2020-09-18 | 2020-12-29 | 一汽解放汽车有限公司 | 维修金额的预测方法、装置、设备和介质 |
CN112184486A (zh) * | 2020-09-30 | 2021-01-05 | 深圳供电局有限公司 | 一种电力用户成本管理方法 |
CN113743815A (zh) * | 2021-09-13 | 2021-12-03 | 一汽出行科技有限公司 | 运营车辆的风险监控方法、装置、存储介质及计算机设备 |
CN114299633A (zh) * | 2021-12-28 | 2022-04-08 | 中国电信股份有限公司 | 汽车驾驶事故预测方法、装置、电子设备及存储介质 |
CN114936942A (zh) * | 2022-07-21 | 2022-08-23 | 深圳市绽放工场科技有限公司 | 一种面向保险用户的计算机网络数据处理分析系统及方法 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
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 |
CN106022846A (zh) * | 2016-06-17 | 2016-10-12 | 深圳市慧动创想科技有限公司 | 车险定价及二手车定价方法和装置 |
CN106156871A (zh) * | 2015-03-23 | 2016-11-23 | 同济大学 | 一种基于全生命周期拥有成本的电动汽车车型选择方法 |
CN107292528A (zh) * | 2017-06-30 | 2017-10-24 | 阿里巴巴集团控股有限公司 | 车险风险预测方法、装置及服务器 |
-
2019
- 2019-11-07 CN CN201911084263.4A patent/CN110827088A/zh active Pending
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106156871A (zh) * | 2015-03-23 | 2016-11-23 | 同济大学 | 一种基于全生命周期拥有成本的电动汽车车型选择方法 |
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 |
CN106022846A (zh) * | 2016-06-17 | 2016-10-12 | 深圳市慧动创想科技有限公司 | 车险定价及二手车定价方法和装置 |
CN107292528A (zh) * | 2017-06-30 | 2017-10-24 | 阿里巴巴集团控股有限公司 | 车险风险预测方法、装置及服务器 |
Cited By (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111414874A (zh) * | 2020-03-26 | 2020-07-14 | 中国平安财产保险股份有限公司 | 基于人脸的驾驶风险预测方法、装置、设备和存储介质 |
CN112149844A (zh) * | 2020-09-18 | 2020-12-29 | 一汽解放汽车有限公司 | 维修金额的预测方法、装置、设备和介质 |
CN112184486A (zh) * | 2020-09-30 | 2021-01-05 | 深圳供电局有限公司 | 一种电力用户成本管理方法 |
CN113743815A (zh) * | 2021-09-13 | 2021-12-03 | 一汽出行科技有限公司 | 运营车辆的风险监控方法、装置、存储介质及计算机设备 |
CN114299633A (zh) * | 2021-12-28 | 2022-04-08 | 中国电信股份有限公司 | 汽车驾驶事故预测方法、装置、电子设备及存储介质 |
CN114936942A (zh) * | 2022-07-21 | 2022-08-23 | 深圳市绽放工场科技有限公司 | 一种面向保险用户的计算机网络数据处理分析系统及方法 |
CN114936942B (zh) * | 2022-07-21 | 2022-11-01 | 深圳市绽放工场科技有限公司 | 一种面向保险用户的计算机网络数据处理分析系统及方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110827088A (zh) | 基于大数据的用车成本预测方法、装置及存储介质 | |
US20210312567A1 (en) | Automobile Monitoring Systems and Methods for Loss Reserving and Financial Reporting | |
Huang et al. | Automobile insurance classification ratemaking based on telematics driving data | |
Tselentis et al. | Innovative insurance schemes: pay as/how you drive | |
US8731977B1 (en) | System and method for analyzing and using vehicle historical data | |
CN110009508A (zh) | 一种车险自动赔付方法和系统 | |
Al-Haji | Road safety development index: Theory, philosophy and practice | |
CN106022787A (zh) | 一种基于大数据的人车多因子评估方法及系统 | |
CN105931068A (zh) | 一种持卡人消费画像的生成方法及装置 | |
CN109345117B (zh) | 一种多维数据驱动的交通运输主体综合画像方法 | |
CN106022929A (zh) | 基于专家系统的碰撞事故定损方法及系统 | |
CN111105110A (zh) | 驾驶风险确定方法、装置、介质和计算设备 | |
Jamil et al. | A study of multicriteria decision making for supplier selection in automotive industry | |
Yoon et al. | A systematic approach to prioritizing R&D projects based on customer-perceived value using opinion mining | |
Verma et al. | Avoiding stress driving: Online trip recommendation from driving behavior prediction | |
Asghar et al. | Used cars price prediction using machine learning with optimal features | |
CN107463941A (zh) | 一种车主身份识别方法及装置 | |
CN114493895A (zh) | 一种车辆的保险赔付率定价方法、系统、设备及存储介质 | |
James et al. | Analyzing barriers for implementing new vehicle scrap policy in India | |
CN109670916A (zh) | 一种车辆信息大数据服务平台及其服务方法 | |
CN117094781A (zh) | 一种智能车险定价和理赔处理方法及系统 | |
CN111915368A (zh) | 汽车行业客户id识别系统、方法及介质 | |
Gleue et al. | Decision support for the automotive industry: Forecasting residual values using artificial neural networks | |
Zhao et al. | Individual driver crash risk classification based on iov data and offline consumer behavior data | |
CN116541786A (zh) | 基于驾驶行为的网约车识别方法、装置及系统 |
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 |