CN110838070A - 智能车险理赔概率预测方法、装置及计算机可读存储介质 - Google Patents
智能车险理赔概率预测方法、装置及计算机可读存储介质 Download PDFInfo
- Publication number
- CN110838070A CN110838070A CN201910975813.5A CN201910975813A CN110838070A CN 110838070 A CN110838070 A CN 110838070A CN 201910975813 A CN201910975813 A CN 201910975813A CN 110838070 A CN110838070 A CN 110838070A
- Authority
- CN
- China
- Prior art keywords
- insurance
- vehicle
- driving
- acceleration
- vehicle insurance
- 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
- 238000000034 method Methods 0.000 title claims abstract description 31
- 230000001133 acceleration Effects 0.000 claims description 72
- 238000006243 chemical reaction Methods 0.000 claims description 36
- 238000005259 measurement Methods 0.000 claims description 18
- 230000007704 transition Effects 0.000 claims description 14
- 230000008859 change Effects 0.000 claims description 8
- 238000013473 artificial intelligence Methods 0.000 abstract description 2
- 238000001514 detection method Methods 0.000 description 6
- 230000008569 process Effects 0.000 description 5
- 238000004891 communication Methods 0.000 description 4
- 238000010586 diagram Methods 0.000 description 4
- 230000008901 benefit Effects 0.000 description 3
- 238000004364 calculation method Methods 0.000 description 3
- 238000003066 decision tree Methods 0.000 description 2
- 238000012417 linear regression Methods 0.000 description 2
- 239000004973 liquid crystal related substance Substances 0.000 description 2
- 230000007246 mechanism Effects 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 238000012545 processing Methods 0.000 description 2
- 238000010276 construction Methods 0.000 description 1
- 238000013480 data collection Methods 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
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
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
- G06F16/24—Querying
- G06F16/245—Query processing
- G06F16/2458—Special types of queries, e.g. statistical queries, fuzzy queries or distributed queries
- G06F16/2462—Approximate or statistical queries
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
- G06F17/10—Complex mathematical operations
- G06F17/18—Complex mathematical operations for evaluating statistical data, e.g. average values, frequency distributions, probability functions, regression analysis
-
- 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
- G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Human Resources & Organizations (AREA)
- Strategic Management (AREA)
- Economics (AREA)
- Data Mining & Analysis (AREA)
- Mathematical Physics (AREA)
- General Business, Economics & Management (AREA)
- Entrepreneurship & Innovation (AREA)
- Operations Research (AREA)
- Probability & Statistics with Applications (AREA)
- Marketing (AREA)
- Development Economics (AREA)
- General Engineering & Computer Science (AREA)
- Computational Mathematics (AREA)
- Accounting & Taxation (AREA)
- Pure & Applied Mathematics (AREA)
- Databases & Information Systems (AREA)
- Mathematical Optimization (AREA)
- Finance (AREA)
- Software Systems (AREA)
- Game Theory and Decision Science (AREA)
- Mathematical Analysis (AREA)
- Quality & Reliability (AREA)
- Tourism & Hospitality (AREA)
- Educational Administration (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Life Sciences & Earth Sciences (AREA)
- Evolutionary Biology (AREA)
- Fuzzy Systems (AREA)
- Computational Linguistics (AREA)
- Technology Law (AREA)
- Algebra (AREA)
- Financial Or Insurance-Related Operations Such As Payment And Settlement (AREA)
Abstract
本发明涉及一种人工智能技术，揭露了一种智能车险理赔概率预测方法，包括：接收车辆的驾驶数据集，对所述驾驶数据集进行驾驶风险评级得到驾驶风险评级结果；查询所述车辆的出险金额及出险次数的记录；若未查询到所述记录，则根据所述驾驶风险评级结果构建车险理赔模型PA，并基于所述车险理赔模型PA确定所述车辆的车险理赔概率；若查询到所述记录，则根据所述驾驶风险评级结果、所述出险金额及所述出险次数构建车险理赔模型PB，并基于所述车险理赔模型PB确定所述车辆的车险理赔概率。本发明还提出一种智能车险理赔概率预测装置以及一种计算机可读存储介质。本发明可以实现精准高效的智能车险理赔概率预测功能。
Description
技术领域
本发明涉及人工智能技术领域，尤其涉及一种智能车险理赔概率预测的方法、装置及计算机可读存储介质。
背景技术
目前业内的传统车险理赔模式都是基于线性回归方法或决策树方法，虽然可以达到对车险理赔的概率估计，但由于车险理赔存在特征提取复杂、模型鲁棒性差等原因，因此所述线性回归方法或所述决策树方法的概率估计并不高，需要进一步提高概率估计。
发明内容
本发明提供一种智能车险理赔概率预测方法、装置及计算机可读存储介质，其主要目的在于根据车辆驾驶记录而进行车险理赔概率预测。
为实现上述目的，本发明提供的一种智能车险理赔概率预测方法，包括：
采集车辆的驾驶数据并存储至数据库的驾驶数据集中；
当所述驾驶数据集满足预设条件时，对所述驾驶数据集进行驾驶风险评级得到驾驶风险评级结果；
从所述数据库中查询所述车辆以前的出险金额及出险次数的记录；
若未查询到所述车辆以前的出险金额及出险次数的记录，则根据所述驾驶风险评级结果构建车险理赔模型PA，并基于所述车险理赔模型PA确定所述车辆的车险理赔概率；
若查询到车辆以前的所述出险金额及所述出险次数的记录，则根据所述驾驶风险评级结果、所述出险金额及所述出险次数构建车险理赔模型PB，并基于所述车险理赔模型PB确定所述车辆的车险理赔概率。
可选地，所述车辆的驾驶数据包括车辆的即时速度数据、车辆在行驶过程中线性运动的加速度数据以及车辆在行驶过程中的偏转、倾斜时的转动角速度数据。
可选地，所述驾驶风险评级包括是否正常驾驶、是否大角度变向驾驶、是否大幅度加减速、是否加速和减速的高转换频率以及是否超速驾驶。
可选地，所述是否加速和减速的高转换频率的驾驶风险评级包括：
计算所述高转换频率：
其中，f为所述高转换频率，t为测量周期，a1为所述测量周期开始时的加速度，a2为所述测量周期结束时的加速度；
当所述高转换频率f大于预设阈值时，判断所述加速和减速的高转换频率有驾驶风险；
当所述高转换频率f小于所述预设阈值时，判断所述加速和减速的高转换频率没有驾驶风险。
可选地，所述车险理赔模型PA为：
其中，b0为所述正常驾驶的系数，x1为所述大角度变向驾驶的驾驶数据数量，b1为所述大角度变向驾驶的系数，x2为所述大幅度加/减速的驾驶数据数量，b2为所述大幅度加/减速的系数，x3为所述加速和减速的高转换频率的驾驶数据数量，b3为所述加速和减速的高转换频率的系数，x4为所述超速驾驶的驾驶数据数量，b4为所述超速驾驶的系数，ε为所述车险理赔模型A的随机项，N为所述驾驶数据集的数量。
此外，为实现上述目的，本发明还提供一种智能车险理赔概率预测装置，该装置包括存储器和处理器，所述存储器中存储有可在所述处理器上运行的智能车险理赔概率预测程序，所述智能车险理赔概率预测程序被所述处理器执行时实现如下步骤：
采集车辆的驾驶数据并存储至数据库的驾驶数据集中；
当所述驾驶数据集满足预设条件时，对所述驾驶数据集进行驾驶风险评级得到驾驶风险评级结果；
从所述数据库中查询所述车辆以前的出险金额及出险次数的记录；
若未查询到所述车辆以前的出险金额及出险次数的记录，则根据所述驾驶风险评级结果构建车险理赔模型PA，并基于所述车险理赔模型PA确定所述车辆的车险理赔概率；
若查询到车辆以前的所述出险金额及所述出险次数的记录，则根据所述驾驶风险评级结果、所述出险金额及所述出险次数构建车险理赔模型PB，并基于所述车险理赔模型PB确定所述车辆的车险理赔概率。
可选地，所述车辆的驾驶数据包括车辆的即时速度数据、车辆在行驶过程中线性运动的加速度数据以及车辆在行驶过程中的偏转、倾斜时的转动角速度数据。
可选地，所述驾驶风险评级包括是否正常驾驶、是否大角度变向驾驶、是否大幅度加减速、是否加速和减速的高转换频率以及是否超速驾驶。
可选地，所述是否加速和减速的高转换频率的驾驶风险评级包括：
计算所述高转换频率：
其中，f为所述高转换频率，t为测量周期，a1为所述测量周期开始时的加速度，a2为所述测量周期结束时的加速度；
当所述高转换频率f大于预设阈值时，判断所述加速和减速的高转换频率有驾驶风险；
当所述高转换频率f小于所述预设阈值时，判断所述加速和减速的高转换频率没有驾驶风险。
此外，为实现上述目的，本发明还提供一种计算机可读存储介质，所述计算机可读存储介质上存储有智能车险理赔概率预测程序，所述智能车险理赔概率预测程序可被一个或者多个处理器执行，以实现如上所述的智能车险理赔概率预测方法的步骤。
本发明通过获取车辆的驾驶数据，并基于出险金额及出险次数的记录判断对车辆进行判断，根据判断结果选择不同的车险理赔模型进行车险理赔概率预测，因为前期对车辆已经进行一次判断，所以将不同类型的车辆用不同的车险理赔模型概率预测，提高了车险理赔的概率预测，同时由于考虑到驾驶风险评级结果、出险金额及出险次数等因素在车险理赔模型内，进一步的提高了车险理赔的概率预测。因此本发明提出的智能车险理赔概率预测方法、装置及计算机可读存储介质，可以实现精准高效的车险理赔概率预测。
附图说明
图1为本发明一实施例提供的智能车险理赔概率预测方法的流程示意图；
图2为本发明一实施例提供的智能车险理赔概率预测装置的内部结构示意图；
图3为本发明一实施例提供的智能车险理赔概率预测装置中智能车险理赔概率预测程序的模块示意图。
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。
本发明提供一种智能车险理赔概率预测方法。参照图1所示，为本发明一实施例提供的智能车险理赔概率预测方法的流程示意图。该方法可以由一个装置执行，该装置可以由软件和/或硬件实现。
在本实施例中，智能车险理赔概率预测方法包括：
S1、采集车辆的驾驶数据并存储至数据库的驾驶数据集中。
较佳地，所述车辆的驾驶数据包括车辆的即时速度、车辆在行驶过程中线性运动的加速度以及车辆在行驶过程中的偏转、倾斜时的转动角速度数据等。
本发明较佳实施例使用速度检测单元检测所述即时速度。所述即时速度即当前车辆的行使速度，所述速度检测单元根据车辆轮胎的转速检测所述车辆的即时速度。进一步地，本发明较佳实施例使用加速度传感器测量所述加速度以及使用陀螺仪测量所述转动角速度。所述转动角速度可确定车辆是否有大角度变向。其中所述速度检测单元检测的所述即时速度、所述加速度传感器测量的所述加速度、所述陀螺仪测量的所述转动角速度等都以时间为2s一个测量周期，且测量的数据都传送至预设存储空间进行统一汇总组成了所述驾驶数据。
优选地，所述驾驶数据集是每次车辆在行使过程中的驾驶数据的集合，如2019年6月5号有4次驾驶记录，每次驾驶记录会产生一份驾驶数据，所以所述驾驶数据集在2019年6月5号时会有4份驾驶数据。
S2、当所述驾驶数据集满足预设条件时，对所述驾驶数据集进行驾驶风险评级得到驾驶风险评级结果。
本发明较佳实施例，所述预设条件可按照时间条件或者所述驾驶数据集的数量条件进行设定。如所述时间条件可设定为一个月内所收集到驾驶数据，当一个月的期限已到，则所述驾驶数据集满足预设的时间条件；或者所述驾驶数据集的数量条件可设定为100条驾驶数据，当所述驾驶数据集已到100条驾驶数据时，所述驾驶数据集满足预设的数量条件。
优选地，所述驾驶风险评级结果包括是否正常驾驶、是否大角度变向驾驶、是否大幅度加/减速、是否加速和减速的高转换频率及是否超速驾驶等。
较佳地，根据所述即时速度、所述加速度及所述转动角速度进行所述驾驶风险的评级。所述超速驾驶是遍历所述驾驶数据集中每份驾驶数据的即时速度，若所述即时速度超过预设阈值A的概率大于预设百分比，则判定所述驾驶数据为超速驾驶，如车辆M的驾驶数据集包括100份驾驶数据，遍历所述100份驾驶数据的每个即时速度，发现超过所述预设阈值A的即时速度有36份，则所述超速驾驶的概率为36％。
优选地，所述加速和减速的高转换频率包括计算所述高转换频率及判断所述高转换频率和预设阈值B的大小关系。其中，所述计算高转换频率为：
其中，f为所述加速和减速的高转换频率，t为所述测量周期，一般取2s，a1为所述测量周期开始时的加速度，a2为所述测量周期结束时的加速度。
进一步地，根据预设阈值B判断所述高转换频率是否有驾驶风险，若所述高转换频率f大于所述预设阈值B，则所述加速和减速的高转换频率有驾驶风险，若所述高转换频率f小于所述预设阈值B，则所述加速和减速的高转换频率没有驾驶风险。
较佳地，所述大幅度加/减速是遍历所述驾驶数据集中每份驾驶数据的加速度，若所述加速度超过预设阈值C，则判定所述驾驶数据为大幅度加/减速，如车辆C的驾驶数据集包括100份驾驶数据，遍历所述100份驾驶数据的每个加速度，发现超过所述预设阈值C的即时速度有12份，则所述超速驾驶的概率为12％。
较佳地，所述大角度变向驾驶的评级包括计算所述大角度变向驾驶的角速度转变频率，判断所述角速度转变频率和预设阈值D的大小关系。其中，所述计算角速度转变频率为：
其中，fω为所述角速度转变频率，t为所述测量周期，一般取2s，ω1为所述测量周期开始时的角速度，ω2为所述测量周期结束时的角速度。进一步地，根据所述预设阈值D判断所述高转换频率是否有驾驶风险，若所述角速度转变频率fω大于所述预设阈值D，则所述大角度变向驾驶有驾驶风险，若所述角速度转变频率fω大于所述预设阈值D，则所述大角度变向驾驶没有驾驶风险。
汇总所述正常驾驶、所述大角度变向驾驶、所述大幅度加/减速、所述加速和减速的高转换频率及所述超速驾驶得到所述驾驶风险评级结果。
S3、从所述数据库中查询所述车辆以前的出险金额及出险次数的记录。
所述出险金额是车辆以前所有出现事故后的赔款金额，按年划分，如2016年出险金额为6千，2017年出险金额为9千，2018年出险金额为13千等。
所述出险次数是每年车辆被赔偿的总次数。
S4、若未查询到所述车辆以前的出险金额及出险次数的记录，则根据所述驾驶风险评级结果构建车险理赔模型PA，并基于所述车险理赔模型PA确定所述车辆的车险理赔概率。
优选地，未查询到车辆以前的所述出险金额及所述出险次数的记录一般是因为所述车辆并没有之前参与过车险理赔，因此在数据库中没有相关记录。
进一步地，所述车险理赔模型PA为：
其中，b0为所述正常驾驶的系数，x1为所述大角度变向驾驶的驾驶数据数量，b1为所述大角度变向驾驶的系数，x2为所述大幅度加/减速的驾驶数据数量，b2为所述大幅度加/减速的系数，x3为所述加速和减速的高转换频率的驾驶数据数量，b3为所述加速和减速的高转换频率的系数，x4为所述超速驾驶的驾驶数据数量，b4为所述超速驾驶的系数，ε为所述车险理赔模型PA的随机项，N为所述驾驶数据集的数量。优选地，所述系数b0,1,2,3,4取值在[0,1]之间。
进一步地，如车辆M之前没有参加过车险理赔，经过所述车险理赔模型PA得到车辆M的车险理赔概率为0.87，由于理赔概率较高，所以后续的理赔方案在针对车辆M时，不管从投保优惠政策、日后投保金额上都需要有所降低。
S5、若查询到车辆以前的所述出险金额及所述出险次数的记录，则根据所述驾驶风险评级结果、所述出险金额及所述出险次数构建车险理赔模型PB，并基于所述车险理赔模型PB确定所述车辆的车险理赔概率。
优选地，所述车险理赔模型PB包括三层，分别为输入层、隐藏层和输出层。首先将驾驶风险评级结果、所述出险金额及所述出险次数输入至所述输入层，然后在所述隐藏层中，运用反馈传播机制对所述车险理赔模型PB的内部参数权值、偏差不断更新调整，最后使所述车险理赔模型PB的迭代次数达到最大值或者输出层的误差平方和满足设定误差时，所述车险理赔模型PB输出车辆的理赔概率。
进一步，所述误差平方和为：
其中，N为所述驾驶数据集的数量，
为驾驶数据i在所述输出层中第j个输出点的理想值，yji为驾驶数据i在所述输出层中第j个输出点的实际值，T为所述输出层的输出点个数。
发明还提供一种智能车险理赔概率预测装置。参照图2所示，为本发明一实施例提供的智能车险理赔概率预测装置的内部结构示意图。
在本实施例中，所述智能车险理赔概率预测装置1可以是PC(Personal Computer，个人电脑)，或者是智能手机、平板电脑、便携计算机等终端设备，也可以是一种服务器等。该智能车险理赔概率预测装置1至少包括存储器11、处理器12，通信总线13，以及网络接口14。
其中，存储器11至少包括一种类型的可读存储介质，所述可读存储介质包括闪存、硬盘、多媒体卡、卡型存储器(例如，SD或DX存储器等)、磁性存储器、磁盘、光盘等。存储器11在一些实施例中可以是智能车险理赔概率预测装置1的内部存储单元，例如该智能车险理赔概率预测装置1的硬盘。存储器11在另一些实施例中也可以是智能车险理赔概率预测装置1的外部存储设备，例如智能车险理赔概率预测装置1上配备的插接式硬盘，智能存储卡(Smart Media Card，SMC)，安全数字(Secure Digital，SD)卡，闪存卡(Flash Card)等。进一步地，存储器11还可以既包括智能车险理赔概率预测装置1的内部存储单元也包括外部存储设备。存储器11不仅可以用于存储安装于智能车险理赔概率预测装置1的应用软件及各类数据，例如智能车险理赔概率预测程序01的代码等，还可以用于暂时地存储已经输出或者将要输出的数据。
处理器12在一些实施例中可以是一中央处理器(Central Processing Unit，CPU)、控制器、微控制器、微处理器或其他数据处理芯片，用于运行存储器11中存储的程序代码或处理数据，例如执行智能车险理赔概率预测程序01等。
通信总线13用于实现这些组件之间的连接通信。
网络接口14可选的可以包括标准的有线接口、无线接口(如WI-FI接口)，通常用于在该装置1与其他电子设备之间建立通信连接。
可选地，该装置1还可以包括用户接口，用户接口可以包括显示器(Display)、输入单元比如键盘(Keyboard)，可选的用户接口还可以包括标准的有线接口、无线接口。可选地，在一些实施例中，显示器可以是LED显示器、液晶显示器、触控式液晶显示器以及OLED(Organic Light-Emitting Diode，有机发光二极管)触摸器等。其中，显示器也可以适当的称为显示屏或显示单元，用于显示在智能车险理赔概率预测装置1中处理的信息以及用于显示可视化的用户界面。
图2仅示出了具有组件11-14以及智能车险理赔概率预测程序01的智能车险理赔概率预测装置1，本领域技术人员可以理解的是，图1示出的结构并不构成对智能车险理赔概率预测装置1的限定，可以包括比图示更少或者更多的部件，或者组合某些部件，或者不同的部件布置。
在图2所示的装置1实施例中，存储器11中存储有智能车险理赔概率预测程序01；处理器12执行存储器11中存储的智能车险理赔概率预测程序01时实现如下步骤：
步骤一、采集车辆的驾驶数据并存储至数据库的驾驶数据集中。
较佳地，所述车辆的驾驶数据包括车辆的即时速度、车辆在行驶过程中线性运动的加速度以及车辆在行驶过程中的偏转、倾斜时的转动角速度数据等。
本发明较佳实施例使用速度检测单元检测所述即时速度。所述即时速度即当前车辆的行使速度，所述速度检测单元根据车辆轮胎的转速检测所述车辆的即时速度。进一步地，本发明较佳实施例使用加速度传感器测量所述加速度以及使用陀螺仪测量所述转动角速度。所述转动角速度可确定车辆是否有大角度变向。其中所述速度检测单元检测的所述即时速度、所述加速度传感器测量的所述加速度、所述陀螺仪测量的所述转动角速度等都以时间为2s一个测量周期，且测量的数据都传送至预设存储空间进行统一汇总组成了所述驾驶数据。
优选地，所述驾驶数据集是每次车辆在行使过程中的驾驶数据的集合，如2019年6月5号有4次驾驶记录，每次驾驶记录会产生一份驾驶数据，所以所述驾驶数据集在2019年6月5号时会有4份驾驶数据。
步骤二、当所述驾驶数据集满足预设条件时，对所述驾驶数据集进行驾驶风险评级得到驾驶风险评级结果。
本发明较佳实施例，所述预设条件可按照时间条件或者所述驾驶数据集的数量条件进行设定。如所述时间条件可设定为一个月内所收集到驾驶数据，当一个月的期限已到，则所述驾驶数据集满足预设的时间条件；或者所述驾驶数据集的数量条件可设定为100条驾驶数据，当所述驾驶数据集已到100条驾驶数据时，所述驾驶数据集满足预设的数量条件。
优选地，所述驾驶风险评级结果包括是否正常驾驶、是否大角度变向驾驶、是否大幅度加/减速、是否加速和减速的高转换频率及是否超速驾驶等。
较佳地，根据所述即时速度、所述加速度及所述转动角速度进行所述驾驶风险的评级。所述超速驾驶是遍历所述驾驶数据集中每份驾驶数据的即时速度，若所述即时速度超过预设阈值A的概率大于预设百分比，则判定所述驾驶数据为超速驾驶，如车辆M的驾驶数据集包括100份驾驶数据，遍历所述100份驾驶数据的每个即时速度，发现超过所述预设阈值A的即时速度有36份，则所述超速驾驶的概率为36％。
优选地，所述加速和减速的高转换频率包括计算所述高转换频率及判断所述高转换频率和预设阈值B的大小关系。其中，所述计算高转换频率为：
其中，f为所述加速和减速的高转换频率，t为所述测量周期，一般取2s，a1为所述测量周期开始时的加速度，a2为所述测量周期结束时的加速度。
进一步地，根据预设阈值B判断所述高转换频率是否有驾驶风险，若所述高转换频率f大于所述预设阈值B，则所述加速和减速的高转换频率有驾驶风险，若所述高转换频率f小于所述预设阈值B，则所述加速和减速的高转换频率没有驾驶风险。
较佳地，所述大幅度加/减速是遍历所述驾驶数据集中每份驾驶数据的加速度，若所述加速度超过预设阈值C，则判定所述驾驶数据为大幅度加/减速，如车辆C的驾驶数据集包括100份驾驶数据，遍历所述100份驾驶数据的每个加速度，发现超过所述预设阈值C的即时速度有12份，则所述超速驾驶的概率为12％。
较佳地，所述大角度变向驾驶的评级包括计算所述大角度变向驾驶的角速度转变频率，判断所述角速度转变频率和预设阈值D的大小关系。其中，所述计算角速度转变频率为：
其中，fω为所述角速度转变频率，t为所述测量周期，一般取2s，ω1为所述测量周期开始时的角速度，ω2为所述测量周期结束时的角速度。进一步地，根据所述预设阈值D判断所述高转换频率是否有驾驶风险，若所述角速度转变频率fω大于所述预设阈值D，则所述大角度变向驾驶有驾驶风险，若所述角速度转变频率fω大于所述预设阈值D，则所述大角度变向驾驶没有驾驶风险。
汇总所述正常驾驶、所述大角度变向驾驶、所述大幅度加/减速、所述加速和减速的高转换频率及所述超速驾驶得到所述驾驶风险评级结果。
步骤三、从所述数据库中查询所述车辆以前的出险金额及出险次数的记录。
所述出险金额是车辆以前所有出现事故后的赔款金额，按年划分，如2016年出险金额为6千，2017年出险金额为9千，2018年出险金额为13千等。
所述出险次数是每年车辆被赔偿的总次数。
步骤四、若未查询到所述车辆以前的出险金额及出险次数的记录，则根据所述驾驶风险评级结果构建车险理赔模型PA，并基于所述车险理赔模型PA确定所述车辆的车险理赔概率。
优选地，未查询到车辆以前的所述出险金额及所述出险次数的记录一般是因为所述车辆并没有之前参与过车险理赔，因此在数据库中没有相关记录。
进一步地，所述车险理赔模型PA为：
其中，b0为所述正常驾驶的系数，x1为所述大角度变向驾驶的驾驶数据数量，b1为所述大角度变向驾驶的系数，x2为所述大幅度加/减速的驾驶数据数量，b2为所述大幅度加/减速的系数，x3为所述加速和减速的高转换频率的驾驶数据数量，b3为所述加速和减速的高转换频率的系数，x4为所述超速驾驶的驾驶数据数量，b4为所述超速驾驶的系数，ε为所述车险理赔模型PA的随机项，N为所述驾驶数据集的数量。优选地，所述系数b0,1,2,3,4取值在[0,1]之间。
进一步地，如车辆M之前没有参加过车险理赔，经过所述车险理赔模型PA得到车辆M的车险理赔概率为0.87，由于理赔概率较高，所以后续的理赔方案在针对车辆M时，不管从投保优惠政策、日后投保金额上都需要有所降低。
步骤五、若查询到车辆以前的所述出险金额及所述出险次数的记录，则根据所述驾驶风险评级结果、所述出险金额及所述出险次数构建车险理赔模型PB，并基于所述车险理赔模型PB确定所述车辆的车险理赔概率。
优选地，所述车险理赔模型PB包括三层，分别为输入层、隐藏层和输出层。首先将驾驶风险评级结果、所述出险金额及所述出险次数输入至所述输入层，然后在所述隐藏层中，运用反馈传播机制对所述车险理赔模型PB的内部参数权值、偏差不断更新调整，最后使所述车险理赔模型PB的迭代次数达到最大值或者输出层的误差平方和满足设定误差时，所述车险理赔模型PB输出车辆的理赔概率。
进一步，所述误差平方和为：
其中，N为所述驾驶数据集的数量，
为驾驶数据i在所述输出层中第j个输出点的理想值，yji为驾驶数据i在所述输出层中第j个输出点的实际值，T为所述输出层的输出点个数。
可选地，在其他实施例中，智能车险理赔概率预测程序还可以被分割为一个或者多个模块，一个或者多个模块被存储于存储器11中，并由一个或多个处理器(本实施例为处理器12)所执行以完成本发明，本发明所称的模块是指能够完成特定功能的一系列计算机程序指令段，用于描述智能车险理赔概率预测程序在智能车险理赔概率预测装置中的执行过程。
例如，参照图3所示，为本发明智能车险理赔概率预测装置一实施例中的智能车险理赔概率预测程序的程序模块示意图，该实施例中，所述智能车险理赔概率预测程序可以被分割为数据采集模块10、驾驶风险评级模块20、出险金额及出险次数查询模块30、车险理赔概率计算及输出模块40示例性地：
所述数据采集模块10用于：采集车辆的驾驶数据并存储至数据库的驾驶数据集中。
所述驾驶风险评级模块20用于：当所述驾驶数据集满足预设条件时，对所述驾驶数据集进行驾驶风险评级得到驾驶风险评级结果。
所述出险金额及出险次数查询模块30用于：从所述数据库中查询所述车辆以前的出险金额及出险次数的记录。
所述车险理赔概率计算及输出模块40用于：若未查询到所述车辆以前的出险金额及出险次数的记录，则根据所述驾驶风险评级结果构建车险理赔模型PA，并基于所述车险理赔模型PA确定所述车辆的车险理赔概率，若查询到车辆以前的所述出险金额及所述出险次数的记录，则根据所述驾驶风险评级结果、所述出险金额及所述出险次数构建车险理赔模型PB，并基于所述车险理赔模型PB确定所述车辆的车险理赔概率。
上述数据采集模块10、驾驶风险评级模块20、出险金额及出险次数查询模块30、车险理赔概率计算及输出模块40等程序模块被执行时所实现的功能或操作步骤与上述实施例大体相同，在此不再赘述。
此外，本发明实施例还提出一种计算机可读存储介质，所述计算机可读存储介质上存储有智能车险理赔概率预测程序，所述智能车险理赔概率预测程序可被一个或多个处理器执行，以实现如下操作：
采集车辆的驾驶数据并存储至数据库的驾驶数据集中。
当所述驾驶数据集满足预设条件时，对所述驾驶数据集进行驾驶风险评级得到驾驶风险评级结果。
从所述数据库中查询所述车辆以前的出险金额及出险次数的记录。
若未查询到所述车辆以前的出险金额及出险次数的记录，则根据所述驾驶风险评级结果构建车险理赔模型PA，并基于所述车险理赔模型PA确定所述车辆的车险理赔概率，若查询到车辆以前的所述出险金额及所述出险次数的记录，则根据所述驾驶风险评级结果、所述出险金额及所述出险次数构建车险理赔模型PB，并基于所述车险理赔模型PB确定所述车辆的车险理赔概率。
需要说明的是，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。并且本文中的术语“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、装置、物品或者方法不仅包括那些要素，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、装置、物品或者方法所固有的要素。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、装置、物品或者方法中还存在另外的相同要素。
通过以上的实施方式的描述，本领域的技术人员可以清楚地了解到上述实施例方法可借助软件加必需的通用硬件平台的方式来实现，当然也可以通过硬件，但很多情况下前者是更佳的实施方式。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来，该计算机软件产品存储在如上所述的一个存储介质(如ROM/RAM、磁碟、光盘)中，包括若干指令用以使得一台终端设备(可以是手机，计算机，服务器，或者网络设备等)执行本发明各个实施例所述的方法。
以上仅为本发明的优选实施例，并非因此限制本发明的专利范围，凡是利用本发明说明书及附图内容所作的等效结构或等效流程变换，或直接或间接运用在其他相关的技术领域，均同理包括在本发明的专利保护范围内。
Claims (10)
1.一种智能车险理赔概率预测方法，其特征在于，所述方法包括：
采集车辆的驾驶数据并存储至数据库的驾驶数据集中；
当所述驾驶数据集满足预设条件时，对所述驾驶数据集进行驾驶风险评级得到驾驶风险评级结果；
从所述数据库中查询所述车辆以前的出险金额及出险次数的记录；
若未查询到所述车辆以前的出险金额及出险次数的记录，则根据所述驾驶风险评级结果构建车险理赔模型PA，并基于所述车险理赔模型PA确定所述车辆的车险理赔概率；
若查询到车辆以前的所述出险金额及所述出险次数的记录，则根据所述驾驶风险评级结果、所述出险金额及所述出险次数构建车险理赔模型PB，并基于所述车险理赔模型PB确定所述车辆的车险理赔概率。
2.如权利要求1所述的智能车险理赔概率预测方法，其特征在于，所述车辆的驾驶数据包括车辆的即时速度数据、车辆在行驶过程中线性运动的加速度数据以及车辆在行驶过程中的偏转、倾斜时的转动角速度数据。
3.如权利要求1或2所述的智能车险理赔概率预测方法，其特征在于，所述驾驶风险评级包括是否正常驾驶、是否大角度变向驾驶、是否大幅度加减速、是否加速和减速的高转换频率以及是否超速驾驶。
4.如权利要求3所述的智能车险理赔概率预测方法，其特征在于，所述是否加速和减速的高转换频率的驾驶风险评级包括：
计算所述高转换频率：
其中，f为所述高转换频率，t为测量周期，a1为所述测量周期开始时的加速度，a2为所述测量周期结束时的加速度；
当所述高转换频率f大于预设阈值时，判断所述加速和减速的高转换频率有驾驶风险；
当所述高转换频率f小于所述预设阈值时，判断所述加速和减速的高转换频率没有驾驶风险。
5.如权利要求3所述的智能车险理赔概率预测方法，其特征在于，所述车险理赔模型PA为：
其中，b0为所述正常驾驶的系数，x1为所述大角度变向驾驶的驾驶数据数量，b1为所述大角度变向驾驶的系数，x2为所述大幅度加/减速的驾驶数据数量，b2为所述大幅度加/减速的系数，x3为所述加速和减速的高转换频率的驾驶数据数量，b3为所述加速和减速的高转换频率的系数，x4为所述超速驾驶的驾驶数据数量，b4为所述超速驾驶的系数，ε为所述车险理赔模型A的随机项，N为所述驾驶数据集的数量。
6.一种智能车险理赔概率预测装置，其特征在于，所述装置包括存储器和处理器，所述存储器上存储有可在所述处理器上运行的智能车险理赔概率预测程序，所述智能车险理赔概率预测程序被所述处理器执行时实现如下步骤：
采集车辆的驾驶数据并存储至数据库的驾驶数据集中；
当所述驾驶数据集满足预设条件时，对所述驾驶数据集进行驾驶风险评级得到驾驶风险评级结果；
从所述数据库中查询所述车辆以前的出险金额及出险次数的记录；
若未查询到所述车辆以前的出险金额及出险次数的记录，则根据所述驾驶风险评级结果构建车险理赔模型PA，并基于所述车险理赔模型PA确定所述车辆的车险理赔概率；
若查询到车辆以前的所述出险金额及所述出险次数的记录，则根据所述驾驶风险评级结果、所述出险金额及所述出险次数构建车险理赔模型PB，并基于所述车险理赔模型PB确定所述车辆的车险理赔概率。
7.如权利要求6所述的智能车险理赔概率预测装置，其特征在于，所述车辆的驾驶数据包括车辆的即时速度数据、车辆在行驶过程中线性运动的加速度数据以及车辆在行驶过程中的偏转、倾斜时的转动角速度数据。
8.如权利要求6或7所述的智能车险理赔概率预测装置，其特征在于，所述驾驶风险评级包括是否正常驾驶、是否大角度变向驾驶、是否大幅度加减速、是否加速和减速的高转换频率以及是否超速驾驶。
9.如权利要求8中所述的智能车险理赔概率预测装置，其特征在于，所述是否加速和减速的高转换频率的驾驶风险评级包括：
计算所述高转换频率：
其中，f为所述高转换频率，t为测量周期，a1为所述测量周期开始时的加速度，a2为所述测量周期结束时的加速度；
当所述高转换频率f大于预设阈值时，判断所述加速和减速的高转换频率有驾驶风险；
当所述高转换频率f小于所述预设阈值时，判断所述加速和减速的高转换频率没有驾驶风险。
10.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质上存储有智能车险理赔概率预测程序，所述智能车险理赔概率预测程序可被一个或者多个处理器执行，以实现如权利要求1至5中任一项所述的智能车险理赔概率预测方法的步骤。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910975813.5A CN110838070A (zh) | 2019-10-12 | 2019-10-12 | 智能车险理赔概率预测方法、装置及计算机可读存储介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910975813.5A CN110838070A (zh) | 2019-10-12 | 2019-10-12 | 智能车险理赔概率预测方法、装置及计算机可读存储介质 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN110838070A true CN110838070A (zh) | 2020-02-25 |
Family
ID=69575332
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201910975813.5A Pending CN110838070A (zh) | 2019-10-12 | 2019-10-12 | 智能车险理赔概率预测方法、装置及计算机可读存储介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN110838070A (zh) |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| 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 |
| CN116226787A (zh) * | 2023-05-04 | 2023-06-06 | 中汽信息科技(天津)有限公司 | 商用车出险概率预测方法、设备和介质 |
Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN104754011A (zh) * | 2013-12-31 | 2015-07-01 | 中国移动通信集团公司 | 一种车联网多方协同控制方法以及车联网协同平台 |
| CN106447496A (zh) * | 2015-08-06 | 2017-02-22 | 平安科技（深圳）有限公司 | 车险保单自动生成方法、车辆、电子设备及保险服务器 |
| 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 |
| CN107038860A (zh) * | 2016-11-18 | 2017-08-11 | 杭州好好开车科技有限公司 | 一种基于adas技术及回归模型的用户驾驶行为评分方法 |
| TWM549931U (zh) * | 2017-07-13 | 2017-10-01 | Shin Kong Life Insurance Co Ltd | 保單理賠風險預測系統 |
-
2019
- 2019-10-12 CN CN201910975813.5A patent/CN110838070A/zh active Pending
Patent Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN104754011A (zh) * | 2013-12-31 | 2015-07-01 | 中国移动通信集团公司 | 一种车联网多方协同控制方法以及车联网协同平台 |
| CN106447496A (zh) * | 2015-08-06 | 2017-02-22 | 平安科技（深圳）有限公司 | 车险保单自动生成方法、车辆、电子设备及保险服务器 |
| CN107038860A (zh) * | 2016-11-18 | 2017-08-11 | 杭州好好开车科技有限公司 | 一种基于adas技术及回归模型的用户驾驶行为评分方法 |
| 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 |
| TWM549931U (zh) * | 2017-07-13 | 2017-10-01 | Shin Kong Life Insurance Co Ltd | 保單理賠風險預測系統 |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| 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 |
| CN116226787A (zh) * | 2023-05-04 | 2023-06-06 | 中汽信息科技(天津)有限公司 | 商用车出险概率预测方法、设备和介质 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| TWI746814B (zh) | 電腦可讀介質、車險風險預測裝置及伺服器 | |
| CN111178452B (zh) | 驾驶风险识别方法、电子装置及可读存储介质 | |
| CN110838070A (zh) | 智能车险理赔概率预测方法、装置及计算机可读存储介质 | |
| CN111402579A (zh) | 道路拥堵程度预测方法、电子装置及可读存储介质 | |
| CN113593218A (zh) | 交通异常事件的检测方法、装置、电子设备及存储介质 | |
| CN111038476A (zh) | 车辆行驶的控制方法、装置和自动驾驶设备 | |
| CN114166312A (zh) | 一种车辆油量测量方法、装置、计算机设备及存储介质 | |
| CN106447460A (zh) | 基于购物车的物品唤醒方法和装置 | |
| CN112700006A (zh) | 网络架构搜索方法、装置、电子设备及介质 | |
| CN108763524A (zh) | 电子装置、聊天数据处理方法和计算机可读存储介质 | |
| CN111047142B (zh) | 一种基于层次分析法的汽车评分方法及系统 | |
| CN112149908A (zh) | 车辆驾驶预测方法、系统、计算机设备及可读存储介质 | |
| CN114415888B (zh) | 一种页面控制方法、装置、设备及存储介质 | |
| CN114884813B (zh) | 一种网络架构确定方法、装置、电子设备及存储介质 | |
| CN111860661B (zh) | 基于用户行为的数据分析方法、装置、电子设备及介质 | |
| CN116615772A (zh) | 生成驾驶建议的方法、装置、设备和存储介质 | |
| CN114755036A (zh) | 磁浮列车悬浮系统的故障检测方法、装置、设备及介质 | |
| CN115062240A (zh) | 一种停车场排序方法、装置、电子设备和存储介质 | |
| CN114104046A (zh) | 列车空滑的判断方法、装置、设备及计算机可读存储介质 | |
| CN114676175A (zh) | 一种道路颠簸点检测方法、装置、设备及介质 | |
| CN102929392B (zh) | 基于多传感器的用户操作识别方法和使用该方法的设备 | |
| CN103699574A (zh) | 一种对复杂检索式进行检索优化的方法及系统 | |
| CN110599622A (zh) | 应用于飞机飞行状态的参数表征方法 | |
| CN114399344B (zh) | 数据处理方法和数据处理装置 | |
| US20230267527A1 (en) | Method and system for obtaining item-based recommendations |
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 |