CN111178452B - 驾驶风险识别方法、电子装置及可读存储介质 - Google Patents

驾驶风险识别方法、电子装置及可读存储介质 Download PDF

Info

Publication number
CN111178452B
CN111178452B CN202010002162.4A CN202010002162A CN111178452B CN 111178452 B CN111178452 B CN 111178452B CN 202010002162 A CN202010002162 A CN 202010002162A CN 111178452 B CN111178452 B CN 111178452B
Authority
CN
China
Prior art keywords
user
risk
driving
characteristic factor
preset
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
Application number
CN202010002162.4A
Other languages
English (en)
Other versions
CN111178452A (zh
Inventor
史良洵
喻宁
朱园丽
陈克炎
朱艳乔
陈皓云
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Ping An Technology Shenzhen Co Ltd
Ping An Property and Casualty Insurance Company of China Ltd
Original Assignee
Ping An Technology Shenzhen Co Ltd
Ping An Property and Casualty Insurance Company of China Ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Ping An Technology Shenzhen Co Ltd, Ping An Property and Casualty Insurance Company of China Ltd filed Critical Ping An Technology Shenzhen Co Ltd
Priority to CN202010002162.4A priority Critical patent/CN111178452B/zh
Publication of CN111178452A publication Critical patent/CN111178452A/zh
Application granted granted Critical
Publication of CN111178452B publication Critical patent/CN111178452B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
    • G06F18/2415—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on parametric or probabilistic models, e.g. based on likelihood ratio or false acceptance rate versus a false rejection rate
    • 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

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • Evolutionary Computation (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Artificial Intelligence (AREA)
  • General Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Biophysics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Probability & Statistics with Applications (AREA)
  • Health & Medical Sciences (AREA)
  • Biomedical Technology (AREA)
  • Evolutionary Biology (AREA)
  • Computational Linguistics (AREA)
  • General Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本发明涉及智能决策技术领域，揭露了一种驾驶风险识别方法，该方法包括：对预设用户群中每个用户的第一驾驶数据执行第一、第二处理，得到每个用户的第一特征因子序列，对每个用户的风险数据执行第三处理，得到每个用户的历史风险值，将第一特征因子与历史风险值输入基于预设排序算法的神经网络模型进行训练，得到驾驶风险识别模型，将指定用户的第二特征因子序列输入驾驶风险识别模型，得到指定用户的驾驶风险等级。本发明还提出一种电子装置以及一种计算机可读存储介质。本发明可提高驾驶风险识别准确度。

Description

驾驶风险识别方法、电子装置及可读存储介质
技术领域
本发明涉及智能决策技术领域，尤其涉及一种驾驶风险识别方法、电子装置及可读存储介质。
背景技术
驾驶风险识别是道路交通安全领域中的一个重要课题，在对驾驶行为进行针对性提醒、驾驶行为改善及道路交通事故预防等方面有着重要的意义。
当前的驾驶风险识别体系通常是基于选定的驾驶风险因子，通过简单规则或建立线性回归模型来实现风险识别的。业内通常基于传统从人因子和从车因子来选定驾驶风险因子，如驾驶员性别、年龄，驾驶车辆的车型、车龄，而一些隐性因子，例如，驾驶员的行为特征(习惯急加速、急减速、急转弯，经常夜间行车等)同样对驾驶风险有一定的影响，且业内通常采用简单规则或传统的线性模型建模来对驾驶风险进行识别，故而当前驾驶风险因子选择不够充分，模型过于简单，导致驾驶风险识别准确度不高，亟需一种可提高驾驶风险识别准确度的方法。
发明内容
鉴于以上内容，有必要提供一种驾驶风险识别方法，旨在提高驾驶风险识别准确度。
本发明提供的驾驶风险识别方法，包括：
获取步骤：获取预设用户群中每个用户在第一预设时间段内的第一驾驶数据及风险数据，对所述第一驾驶数据执行第一处理，得到每个用户的第一特征因子及第二特征因子；
处理步骤：对所述每个用户的第一特征因子及第二特征因子执行第二处理，得到每个用户的第一特征因子序列，对所述风险数据执行第三处理，得到每个用户的历史风险值；
训练步骤：将所述每个用户的第一特征因子序列及历史风险值输入基于预设排序算法的神经网络模型进行训练，得到驾驶风险识别模型；
识别步骤：响应客户端发送的某一指定用户的驾驶风险识别请求，获取所述指定用户在第二预设时间段内的第二驾驶数据，对所述第二驾驶数据执行所述第一、第二处理，得到所述指定用户的第二特征因子序列，将所述第二特征因子序列输入所述驾驶风险识别模型，得到所述指定用户的驾驶风险等级。
可选的，所述第一驾驶数据包括行驶轨迹信息，所述行驶轨迹信息包括各个地理位置的经纬度、速度、角度、高度、时间戳，对所述行驶轨迹信息执行第一处理包括：
计算所述预设用户群中每个用户的急加速次数、急减速次数、急转弯次数；
计算所述每个用户在高风险区域出现的次数；
计算所述每个用户的用车时段风险度；
计算所述每个用户的用车规律度；
将所述每个用户的急加速次数、急减速次数、急转弯次数、在高风险区域出现的次数、用车时段风险度、用车规律度作为所述每个用户的行驶轨迹特征。
可选的，所述对所述每个用户的第一特征因子及第二特征因子执行第二处理包括：
将所述第一、第二特征因子进行拼接，并对空值进行默认值填充，得到第一序列；
将所述第一序列中离散型数据转换为数值型数据，得到第二序列；
对所述第二序列中的数据执行归一化处理，得到第三序列；
将所述第一、第二特征因子对应的权重分别与所述第三序列中所述第一、第二特征因子对应的数据相乘，得到第一特征因子序列；
所述对所述风险数据执行第三处理包括：
根据所述风险数据统计所述每个用户的出险次数；
对所述出险次数执行归一化处理，得到所述每个用户的历史风险值。
可选的，所述预设排序算法为LambdaRank算法，所述基于预设排序算法的神经网络模型的训练过程包括：
将所述预设用户群中的用户两两组合，得到
Figure BDA0002353873390000021
个组合对，n为所述预设用户群中用户的总数量；
将每个组合对中各个用户的第一特征因子序列及历史风险值输入所述基于预设排序算法的神经网络模型中，得到各个组合对中第一个用户的驾驶风险高于第二个用户的真实概率及预测概率；
基于所述预测概率对所述预设用户群中的用户排序，根据所述真实概率、预测概率、优化的损失函数梯度对所述基于预设排序算法的神经网络模型进行迭代，得到驾驶风险识别模型。
可选的，所述真实概率的计算公式为：
Figure BDA0002353873390000031
其中，qij为组合对(i,j)中用户i的驾驶风险高于用户j的真实概率，hi为用户i的历史风险值，hj为用户j的历史风险值，hij为用户i与用户j的相关性参数；
所述预测概率的计算公式为：
Figure BDA0002353873390000032
其中，pij为组合对(i,j)中用户i的驾驶风险高于用户j的预测概率，σ为风险参数，si为用户i的预测风险值，sj为用户j的预测风险值；
所述优化的损失函数梯度的计算公式为：
Figure BDA0002353873390000033
其中，yij为组合对(i,j)的优化的损失函数梯度，wk为第一特征因子序列中第k个特征因子的权重参数，ΔNDCGij为组合对(i,j)的评价参数差值，n为预设用户群中用户的总数量；
所述评价参数的计算公式为：
Figure BDA0002353873390000034
其中，NDCGi为用户i的评价参数，vi为用户i在预设用户群中的预测降序排名，hi为用户i的历史风险值，ui为用户i在预设用户群中的真实降序排名。
此外，为实现上述目的，本发明还提供一种电子装置，该电子装置包括：存储器、处理器，所述存储器中存储有可在所述处理器上运行的驾驶风险识别程序，所述驾驶风险识别程序被所述处理器执行时实现如下步骤：
获取步骤：获取预设用户群中每个用户在第一预设时间段内的第一驾驶数据及风险数据，对所述第一驾驶数据执行第一处理，得到每个用户的第一特征因子及第二特征因子；
处理步骤：对所述每个用户的第一特征因子及第二特征因子执行第二处理，得到每个用户的第一特征因子序列，对所述风险数据执行第三处理，得到每个用户的历史风险值；
训练步骤：将所述每个用户的第一特征因子序列及历史风险值输入基于预设排序算法的神经网络模型进行训练，得到驾驶风险识别模型；
识别步骤：响应客户端发送的某一指定用户的驾驶风险识别请求，获取所述指定用户在第二预设时间段内的第二驾驶数据，对所述第二驾驶数据执行所述第一、第二处理，得到所述指定用户的第二特征因子序列，将所述第二特征因子序列输入所述驾驶风险识别模型，得到所述指定用户的驾驶风险等级。
可选的，所述第一驾驶数据包括行驶轨迹信息，所述行驶轨迹信息包括各个地理位置的经纬度、速度、角度、高度、时间戳，对所述行驶轨迹信息执行第一处理包括：
计算所述预设用户群中每个用户的急加速次数、急减速次数、急转弯次数；
计算所述每个用户在高风险区域出现的次数；
计算所述每个用户的用车时段风险度；
计算所述每个用户的用车规律度；
将所述每个用户的急加速次数、急减速次数、急转弯次数、在高风险区域出现的次数、用车时段风险度、用车规律度作为所述每个用户的行驶轨迹特征。
可选的，所述对所述每个用户的第一特征因子及第二特征因子执行第二处理包括：
将所述第一、第二特征因子进行拼接，并对空值进行默认值填充，得到第一序列；
将所述第一序列中离散型数据转换为数值型数据，得到第二序列；
对所述第二序列中的数据执行归一化处理，得到第三序列；
将所述第一、第二特征因子对应的权重分别与所述第三序列中所述第一、第二特征因子对应的数据相乘，得到第一特征因子序列；
所述对所述风险数据执行第三处理包括：
根据所述风险数据统计所述每个用户的出险次数；
对所述出险次数执行归一化处理，得到所述每个用户的历史风险值。
可选的，所述预设排序算法为LambdaRank算法，所述基于预设排序算法的神经网络模型的训练过程包括：
将所述预设用户群中的用户两两组合，得到
Figure BDA0002353873390000051
个组合对，n为所述预设用户群中用户的总数量；
将每个组合对中各个用户的第一特征因子序列及历史风险值输入所述基于预设排序算法的神经网络模型中，得到各个组合对中第一个用户的驾驶风险高于第二个用户的真实概率及预测概率；
基于所述预测概率对所述预设用户群中的用户排序，根据所述真实概率、预测概率、优化的损失函数梯度对所述基于预设排序算法的神经网络模型进行迭代，得到驾驶风险识别模型。
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驾驶风险识别程序，所述驾驶风险识别程序可被一个或者多个处理器执行，以实现上述驾驶风险识别方法的步骤。
相较现有技术，本发明通过对预设用户群中每个用户的第一特征因子及第二特征因子执行第二处理，得到每个用户的第一特征因子序列，本发明中第一特征因子为显性因子，第二特征因子为隐性因子，通过引入隐性因子作为特征因子，使得特征提取得更充分；然后，将第一特征因子序列及历史风险值输入基于预设排序算法的神经网络模型进行训练，得到驾驶风险识别模型，有别于现有技术中的线性模型，本发明的识别模型为神经网络模型，通过机器学习的方式建立特征因子与驾驶风险等级的关联关系，使得模型的识别准确度更高，故而本发明提高了驾驶风险识别准确度。
附图说明
图1为本发明电子装置一实施例的示意图；
图2为图1中的驾驶风险识别程序一实施例的程序模块图；
图3为本发明驾驶风险识别方法一实施例的流程图。
具体实施方式
为了使本发明的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本发明进行进一步详细说明。应当理解，此处所描述的具体实施例仅用以解释本发明，并不用于限定本发明。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
需要说明的是，在本发明中涉及“第一”、“第二”等的描述仅用于描述目的，而不能理解为指示或暗示其相对重要性或者隐含指明所指示的技术特征的数量。由此，限定有“第一”、“第二”的特征可以明示或者隐含地包括至少一个该特征。另外，各个实施例之间的技术方案可以相互结合，但是必须是以本领域普通技术人员能够实现为基础，当技术方案的结合出现相互矛盾或无法实现时应当认为这种技术方案的结合不存在，也不在本发明要求的保护范围之内。
如图1所示，为本发明电子装置1一实施例的示意图。电子装置1是一种能够按照事先设定或者存储的指令，自动进行数值计算和/或信息处理的设备。所述电子装置1可以是计算机、也可以是单个网络服务器、多个网络服务器组成的服务器组或者基于云计算的由大量主机或者网络服务器构成的云，其中云计算是分布式计算的一种，由一群松散耦合的计算机集组成的一个超级虚拟计算机。
在本实施例中，电子装置1包括，但不仅限于，可通过系统总线相互通信连接的存储器11、处理器12、网络接口13，该存储器11中存储有驾驶风险识别程序10，所述驾驶风险识别程序10可被所述处理器12执行。图1仅示出了具有组件11-13以及驾驶风险识别程序10的电子装置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电子装置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。
其中，存储器11包括内存及至少一种类型的可读存储介质。内存为电子装置1的运行提供缓存；可读存储介质可为如闪存、硬盘、多媒体卡、卡型存储器(例如，SD或DX存储器等)、随机访问存储器(RAM)、静态随机访问存储器(SRAM)、只读存储器(ROM)、电可擦除可编程只读存储器(EEPROM)、可编程只读存储器(PROM)、磁性存储器、磁盘、光盘等的非易失性存储介质。在一些实施例中，可读存储介质可以是电子装置1的内部存储单元，例如该电子装置1的硬盘；在另一些实施例中，该非易失性存储介质也可以是电子装置1的外部存储设备，例如电子装置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。本实施例中，存储器11的可读存储介质通常用于存储安装于电子装置1的操作系统和各类应用软件，例如存储本发明一实施例中的驾驶风险识别程序10的代码等。此外，存储器11还可以用于暂时地存储已经输出或者将要输出的各类数据。
处理器12在一些实施例中可以是中央处理器(Central Processing Unit，CPU)、控制器、微控制器、微处理器、或其他数据处理芯片。该处理器12通常用于控制所述电子装置1的总体操作，例如执行与其他设备进行数据交互或者通信相关的控制和处理等。本实施例中，所述处理器12用于运行所述存储器11中存储的程序代码或者处理数据，例如运行驾驶风险识别程序10等。
网络接口13可包括无线网络接口或有线网络接口，该网络接口13用于在所述电子装置1与客户端(图中未画出)之间建立通信连接。
可选的，所述电子装置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。可选的，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，用于显示在电子装置1中处理的信息以及用于显示可视化的用户界面。
在本发明的一实施例中，所述驾驶风险识别程序10被所述处理器12执行时实现如下获取步骤、处理步骤、训练步骤及识别步骤。
获取步骤：获取预设用户群中每个用户在第一预设时间段内的第一驾驶数据及风险数据，对所述第一驾驶数据执行第一处理，得到每个用户的第一特征因子及第二特征因子。
所述风险数据为从各保险平台收集的用户申请车险理赔数据。
所述驾驶数据包括用户的身份信息、车辆信息、行驶轨迹信息等。
所述身份信息包括用户的年龄、性别、驾龄、信用、财富等。
所述车辆信息包括车型、车龄、车辆物理参数、车辆维修记录等。
所述车辆物理参数包括车长、车宽、车高、能源类型、是否安装ABS等。通常车辆尺寸越大，驾驶风险越高；新能源车辆的驾驶风险更高，传统能源车辆的驾驶风险较低；安装了ABS的车辆的驾驶风险更低。
所述第一驾驶数据包括行驶轨迹信息，所述行驶轨迹信息包括各个地理位置的经纬度、速度、角度、高度、时间戳。
本实施例中，对所述行驶轨迹信息执行第一处理包括：
A1、计算所述预设用户群中每个用户的急加速次数、急减速次数、急转弯次数；
根据各个地理位置的速度、角度可分析出速度、角度的变化趋势，得到第一预设时间段内每个用户的急加速次数、急减速次数、急转弯次数。
急加速、急减速、急转弯的驾驶行为通常会导致驾驶风险增加，且会对车辆造成损耗。
A2、计算所述每个用户在高风险区域出现的次数；
本发明通过对历史事故信息汇总，加工得到历史高事故发生率地点，将车辆行驶轨迹与所述历史高事故发生率地点进行匹配，统计其在商场、公园等人流密度大的高风险区域出现次数。通常出现次数越多，车辆发生事故的概率也越高。
A3、计算所述每个用户的用车时段风险度；
本实施例中，通过行驶轨迹信息中的时间戳确认车辆是否高峰期出行、是否夜间出行，再判断用户的用车时段风险度，通常高峰期出行、夜间出行的驾驶风险更高。
A4、计算所述每个用户的用车规律度；
一般来说，规律的用车行为，表明用户对于路段、路况、行驶时间等相对熟悉，驾驶风险相对较低；而不规律的用车行为则意味着用户对于路途熟悉度不足，驾驶风险较高。
A5、将所述每个用户的急加速次数、急减速次数、急转弯次数、在高风险区域出现的次数、用车时段风险度、用车规律度作为所述每个用户的行驶轨迹特征。
本实施例中，第一特征因子为显性因子，包括：用户的年龄、性别、驾龄、车型、车龄。所述第二特征因子为隐性因子，包括：用户的信用、财富、车辆物理参数、车辆维修记录、行驶轨迹特征。
通常情况下，对用户的驾驶风险等级进行识别时，只会根据用户的显性因子进行分析、识别，本发明引入了隐性因子，使得获取的特征更为全面，识别准确度会更高。
处理步骤：对所述每个用户的第一特征因子及第二特征因子执行第二处理，得到每个用户的第一特征因子序列，对所述风险数据执行第三处理，得到每个用户的历史风险值。
所述对所述每个用户的第一特征因子及第二特征因子执行第二处理包括：
B1、将所述第一、第二特征因子进行拼接，并对空值进行默认值填充，得到第一序列；
当某个用户的一个特征因子为空时，取默认值对其进行赋值，本实施例中，默认值可以是其他用户在所述特征因子上的均值。
B2、将所述第一序列中离散型数据转换为数值型数据，得到第二序列；
本实施例采用one-hot编码将离散型数据转换为数值型数据，从而使得特征之间的距离计算更加合理，例如，性别可转换为(男：1，女：2)。
B3、对所述第二序列中的数据执行归一化处理，得到第三序列；
B4、将所述第一、第二特征因子对应的权重分别与所述第三序列中所述第一、第二特征因子对应的数据相乘，得到第一特征因子序列。
所述对所述风险数据执行第三处理包括：
根据所述风险数据统计所述每个用户的出险次数；
对所述出险次数执行归一化处理，得到所述每个用户的历史风险值。
训练步骤：将所述每个用户的第一特征因子序列及历史风险值输入基于预设排序算法的神经网络模型进行训练，得到驾驶风险识别模型。
本实施例中，所述预设排序算法为LambdaRank算法。
本实施例采用基于LambdaRank算法的神经网络模型代替传统的线性模型，通过机器学习的方式建立特征因子序列与驾驶风险之间的关联关系，对驾驶风险等级的识别更为精确。
LambdaRank算法是一种listwise的Learning to Rank算法，它从概率的角度来解决排序问题。LambdaRank通过概率损失函数来学习Ranking Function，并应用RankingFunction进行排序。
所述基于预设排序算法的神经网络模型的训练过程包括：
C1、将所述预设用户群中的用户两两组合，得到
Figure BDA0002353873390000091
个组合对，n为所述预设用户群中用户的总数量；
C2、将每个组合对中各个用户的第一特征因子序列及历史风险值输入所述基于预设排序算法的神经网络模型中，得到各个组合对中第一个用户的驾驶风险高于第二个用户的真实概率及预测概率；
所述真实概率的计算公式为：
Figure BDA0002353873390000101
其中，qij为组合对(i,j)中用户i的驾驶风险高于用户j的真实概率，hi为用户i的历史风险值，hj为用户j的历史风险值，hij为用户i与用户j的相关性参数；
所述预测概率的计算公式为：
Figure BDA0002353873390000102
其中，pij为组合对(i,j)中用户i的驾驶风险高于用户j的预测概率，σ为风险参数，si为用户i的预测风险值，sj为用户j的预测风险值；
预测风险值的计算公式为：
sm＝f(xm)
其中，sm为用户m的预测风险值，xm为用户m的第一特征因子序列，f(x)为风险等级识别函数。
C3、基于所述预测概率对所述预设用户群中的用户排序，根据所述真实概率、预测概率、优化的损失函数梯度对所述基于预设排序算法的神经网络模型进行迭代，得到驾驶风险识别模型。
本发明通过将交叉熵损失函数与评价参数相结合，并使用梯度下降算法来优化模型，进一步提升模型精度。
交叉熵损失函数的计算公式为：
Figure BDA0002353873390000103
其中，C为交叉熵损失函数值，qij为组合对(i,j)中用户i的驾驶风险高于用户j的真实概率，pij为组合对(i,j)中用户i的驾驶风险高于用户j的预测概率，hij为用户i与用户j的相关性参数，σ为风险参数，si为用户i的预测风险值，sj为用户j的预测风险值。
NDCG为评价参数，用来衡量模型的效果，常用于作为对rank的评价指标，当我们通过模型得出预设用户群中用户的风险度排序的时候，便可以通过NDCG来测评这个排序的准确度。
所述评价参数的计算公式为：
Figure BDA0002353873390000111
其中，NDCGi为用户i的评价参数，vi为用户i在预设用户群中的预测降序排名，hi为用户i的历史风险值，ui为用户i在预设用户群中的真实降序排名。
由于NDCG不可导，考虑使用交叉熵梯度乘以NDCG指标变动的绝对值作为优化的损失函数梯度进行迭代，来优化模型。
所述优化的损失函数梯度的计算公式为：
Figure BDA0002353873390000112
其中，yij为组合对(i,j)的优化的损失函数梯度，wk为第一特征因子序列中第k个特征因子的权重参数，ΔNDCGij为组合对(i,j)的评价参数差值，n为预设用户群中用户的总数量。
识别步骤：响应客户端发送的某一指定用户的驾驶风险识别请求，获取所述指定用户在第二预设时间段内的第二驾驶数据，对所述第二驾驶数据执行所述第一、第二处理，得到所述指定用户的第二特征因子序列，将所述第二特征因子序列输入所述驾驶风险识别模型，得到所述指定用户的驾驶风险等级。
本实施例中，所述驾驶风险识别程序10被所述处理器12执行时还实现如下步骤：
若所述指定用户的驾驶风险等级为高风险等级，则向所述客户端发送预警信息。
由上述实施例可知，本发明提出的电子装置1，首先，通过对预设用户群中每个用户的第一特征因子及第二特征因子执行第二处理，得到每个用户的第一特征因子序列，本发明中第一特征因子为显性因子，第二特征因子为隐性因子，通过引入隐性因子作为特征因子，使得特征提取得更充分；然后，将第一特征因子序列及历史风险值输入基于预设排序算法的神经网络模型进行训练，得到驾驶风险识别模型，有别于现有技术中的线性模型，本发明的识别模型为神经网络模型，通过机器学习的方式建立特征因子与驾驶风险等级的关联关系，使得模型的识别准确度更高，故而本发明提高了驾驶风险识别准确度。
在其他实施例中，驾驶风险识别程序10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，用于描述驾驶风险识别程序10在电子装置1中的执行过程。
如图2所示，为图1中的驾驶风险识别程序10一实施例的程序模块图。
在本发明的一个实施例中，驾驶风险识别程序10包括获取模块110、处理模块120、训练模块130及识别模块140，示例性地：
所述获取模块110，用于获取预设用户群中每个用户在第一预设时间段内的第一驾驶数据及风险数据，对所述第一驾驶数据执行第一处理，得到每个用户的第一特征因子及第二特征因子；
所述处理模块120，用于对所述每个用户的第一特征因子及第二特征因子执行第二处理，得到每个用户的第一特征因子序列，对所述风险数据执行第三处理，得到每个用户的历史风险值；
所述训练模块130，用于将所述每个用户的第一特征因子序列及历史风险值输入基于预设排序算法的神经网络模型进行训练，得到驾驶风险识别模型；
所述识别模块140，用于响应客户端发送的某一指定用户的驾驶风险识别请求，获取所述指定用户在第二预设时间段内的第二驾驶数据，对所述第二驾驶数据执行所述第一、第二处理，得到所述指定用户的第二特征因子序列，将所述第二特征因子序列输入所述驾驶风险识别模型，得到所述指定用户的驾驶风险等级。
上述获取模块110、处理模块120、训练模块130及识别模块140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。
如图3所示，为本发明驾驶风险识别方法一实施例的流程图，该驾驶风险识别方法包括步骤S1-S4。
S1、获取预设用户群中每个用户在第一预设时间段内的第一驾驶数据及风险数据，对所述第一驾驶数据执行第一处理，得到每个用户的第一特征因子及第二特征因子。
所述风险数据为从各保险平台收集的用户申请车险理赔数据。
所述驾驶数据包括用户的身份信息、车辆信息、行驶轨迹信息等。
所述身份信息包括用户的年龄、性别、驾龄、信用、财富等。
所述车辆信息包括车型、车龄、车辆物理参数、车辆维修记录等。
所述车辆物理参数包括车长、车宽、车高、能源类型、是否安装ABS等。通常车辆尺寸越大，驾驶风险越高；新能源车辆的驾驶风险更高，传统能源车辆的驾驶风险较低；安装了ABS的车辆的驾驶风险更低。
所述第一驾驶数据包括行驶轨迹信息，所述行驶轨迹信息包括各个地理位置的经纬度、速度、角度、高度、时间戳。
本实施例中，对所述行驶轨迹信息执行第一处理包括：
A1、计算所述预设用户群中每个用户的急加速次数、急减速次数、急转弯次数；
根据各个地理位置的速度、角度可分析出速度、角度的变化趋势，得到第一预设时间段内每个用户的急加速次数、急减速次数、急转弯次数。
急加速、急减速、急转弯的驾驶行为通常会导致驾驶风险增加，且会对车辆造成损耗。
A2、计算所述每个用户在高风险区域出现的次数；
本发明通过对历史事故信息汇总，加工得到历史高事故发生率地点，将车辆行驶轨迹与所述历史高事故发生率地点进行匹配，统计其在商场、公园等人流密度大的高风险区域出现次数。通常出现次数越多，车辆发生事故的概率也越高。
A3、计算所述每个用户的用车时段风险度；
本实施例中，通过行驶轨迹信息中的时间戳确认车辆是否高峰期出行、是否夜间出行，再判断用户的用车时段风险度，通常高峰期出行、夜间出行的驾驶风险更高。
A4、计算所述每个用户的用车规律度；
一般来说，规律的用车行为，表明用户对于路段、路况、行驶时间等相对熟悉，驾驶风险相对较低；而不规律的用车行为则意味着用户对于路途熟悉度不足，驾驶风险较高。
A5、将所述每个用户的急加速次数、急减速次数、急转弯次数、在高风险区域出现的次数、用车时段风险度、用车规律度作为所述每个用户的行驶轨迹特征。
本实施例中，第一特征因子为显性因子，包括：用户的年龄、性别、驾龄、车型、车龄。所述第二特征因子为隐性因子，包括：用户的信用、财富、车辆物理参数、车辆维修记录、行驶轨迹特征。
通常情况下，对用户的驾驶风险等级进行识别时，只会根据用户的显性因子进行分析、识别，本发明引入了隐性因子，使得获取的特征更为全面，识别准确度会更高。
S2、对所述每个用户的第一特征因子及第二特征因子执行第二处理，得到每个用户的第一特征因子序列，对所述风险数据执行第三处理，得到每个用户的历史风险值。
所述对所述每个用户的第一特征因子及第二特征因子执行第二处理包括：
B1、将所述第一、第二特征因子进行拼接，并对空值进行默认值填充，得到第一序列；
当某个用户的一个特征因子为空时，取默认值对其进行赋值，本实施例中，默认值可以是其他用户在所述特征因子上的均值。
B2、将所述第一序列中离散型数据转换为数值型数据，得到第二序列；
本实施例采用one-hot编码将离散型数据转换为数值型数据，从而使得特征之间的距离计算更加合理，例如，性别可转换为(男：1，女：2)。
B3、对所述第二序列中的数据执行归一化处理，得到第三序列；
B4、将所述第一、第二特征因子对应的权重分别与所述第三序列中所述第一、第二特征因子对应的数据相乘，得到第一特征因子序列。
所述对所述风险数据执行第三处理包括：
根据所述风险数据统计所述每个用户的出险次数；
对所述出险次数执行归一化处理，得到所述每个用户的历史风险值。
S3、将所述每个用户的第一特征因子序列及历史风险值输入基于预设排序算法的神经网络模型进行训练，得到驾驶风险识别模型。
本实施例中，所述预设排序算法为LambdaRank算法。
本实施例采用基于LambdaRank算法的神经网络模型代替传统的线性模型，通过机器学习的方式建立特征因子序列与驾驶风险之间的关联关系，对驾驶风险等级的识别更为精确。
LambdaRank算法是一种listwise的Learning to Rank算法，它从概率的角度来解决排序问题。LambdaRank通过概率损失函数来学习Ranking Function，并应用RankingFunction进行排序。
所述基于预设排序算法的神经网络模型的训练过程包括：
C1、将所述预设用户群中的用户两两组合，得到
Figure BDA0002353873390000151
个组合对，n为所述预设用户群中用户的总数量；
C2、将每个组合对中各个用户的第一特征因子序列及历史风险值输入所述基于预设排序算法的神经网络模型中，得到各个组合对中第一个用户的驾驶风险高于第二个用户的真实概率及预测概率；
所述真实概率的计算公式为：
Figure BDA0002353873390000152
其中，qij为组合对(i,j)中用户i的驾驶风险高于用户j的真实概率，hi为用户i的历史风险值，hj为用户j的历史风险值，hij为用户i与用户j的相关性参数；
所述预测概率的计算公式为：
Figure BDA0002353873390000153
其中，pij为组合对(i,j)中用户i的驾驶风险高于用户j的预测概率，σ为风险参数，si为用户i的预测风险值，sj为用户j的预测风险值；
预测风险值的计算公式为：
sm＝f(xm)
其中，sm为用户m的预测风险值，xm为用户m的第一特征因子序列，f(x)为风险等级识别函数。
C3、基于所述预测概率对所述预设用户群中的用户排序，根据所述真实概率、预测概率、优化的损失函数梯度对所述基于预设排序算法的神经网络模型进行迭代，得到驾驶风险识别模型。
本发明通过将交叉熵损失函数与评价参数相结合，并使用梯度下降算法来优化模型，进一步提升模型精度。
交叉熵损失函数的计算公式为：
Figure BDA0002353873390000161
其中，C为交叉熵损失函数值，qij为组合对(i,j)中用户i的驾驶风险高于用户j的真实概率，pij为组合对(i,j)中用户i的驾驶风险高于用户j的预测概率，hij为用户i与用户j的相关性参数，σ为风险参数，si为用户i的预测风险值，sj为用户j的预测风险值。
NDCG为评价参数，用来衡量模型的效果，常用于作为对rank的评价指标，当我们通过模型得出预设用户群中用户的风险度排序的时候，便可以通过NDCG来测评这个排序的准确度。
所述评价参数的计算公式为：
Figure BDA0002353873390000162
其中，NDCGi为用户i的评价参数，vi为用户i在预设用户群中的预测降序排名，hi为用户i的历史风险值，ui为用户i在预设用户群中的真实降序排名。
由于NDCG不可导，考虑使用交叉熵梯度乘以NDCG指标变动的绝对值作为优化的损失函数梯度进行迭代，来优化模型。
所述优化的损失函数梯度的计算公式为：
Figure BDA0002353873390000163
其中，yij为组合对(i,j)的优化的损失函数梯度，wk为第一特征因子序列中第k个特征因子的权重参数，ΔNDCGij为组合对(i,j)的评价参数差值，n为预设用户群中用户的总数量。
S4、响应客户端发送的某一指定用户的驾驶风险识别请求，获取所述指定用户在第二预设时间段内的第二驾驶数据，对所述第二驾驶数据执行所述第一、第二处理，得到所述指定用户的第二特征因子序列，将所述第二特征因子序列输入所述驾驶风险识别模型，得到所述指定用户的驾驶风险等级。
本实施例中，所述驾驶风险识别方法还包括如下步骤：
若所述指定用户的驾驶风险等级为高风险等级，则向所述客户端发送预警信息。
由上述实施例可知，本发明提出的驾驶风险识别方法，首先，通过对预设用户群中每个用户的第一特征因子及第二特征因子执行第二处理，得到每个用户的第一特征因子序列，本发明中第一特征因子为显性因子，第二特征因子为隐性因子，通过引入隐性因子作为特征因子，使得特征提取得更充分；然后，将第一特征因子序列及历史风险值输入基于预设排序算法的神经网络模型进行训练，得到驾驶风险识别模型，有别于现有技术中的线性模型，本发明的识别模型为神经网络模型，通过机器学习的方式建立特征因子与驾驶风险等级的关联关系，使得模型的识别准确度更高，故而本发明提高了驾驶风险识别准确度。
此外，本发明实施例还提出一种计算机可读存储介质，计算机可读存储介质可以是硬盘、多媒体卡、SD卡、闪存卡、SMC、只读存储器(ROM)、可擦除可编程只读存储器(EPROM)、便携式紧致盘只读存储器(CD-ROM)、USB存储器等中的任意一种或者几种的任意组合。计算机可读存储介质中包括驾驶风险识别程序10，所述驾驶风险识别程序10被处理器执行时实现如下操作：
获取预设用户群中每个用户在第一预设时间段内的第一驾驶数据及风险数据，对所述第一驾驶数据执行第一处理，得到每个用户的第一特征因子及第二特征因子；
对所述每个用户的第一特征因子及第二特征因子执行第二处理，得到每个用户的第一特征因子序列，对所述风险数据执行第三处理，得到每个用户的历史风险值；
将所述每个用户的第一特征因子序列及历史风险值输入基于预设排序算法的神经网络模型进行训练，得到驾驶风险识别模型；
响应客户端发送的某一指定用户的驾驶风险识别请求，获取所述指定用户在第二预设时间段内的第二驾驶数据，对所述第二驾驶数据执行所述第一、第二处理，得到所述指定用户的第二特征因子序列，将所述第二特征因子序列输入所述驾驶风险识别模型，得到所述指定用户的驾驶风险等级。
本发明之计算机可读存储介质的具体实施方式与上述驾驶风险识别方法以及电子装置1的具体实施方式大致相同，在此不再赘述。
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。
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、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，空调器，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 (4)

1.一种驾驶风险识别方法，应用于电子装置，其特征在于，所述方法包括：
获取步骤：获取预设用户群中每个用户在第一预设时间段内的第一驾驶数据及风险数据，对所述第一驾驶数据执行第一处理，得到每个用户的第一特征因子及第二特征因子，所述第一特征因子为显性因子，包括：用户的年龄、性别、驾龄、车型和车龄，所述第二特征因子为隐性因子，包括：用户的信用、财富、车辆的物理参数、车辆维修记录和行驶轨迹特征，所述车辆物理参数包括车长、车宽、车高、能源类型和是否安装ABS；
处理步骤：对所述每个用户的第一特征因子及第二特征因子执行第二处理，得到每个用户的第一特征因子序列，对所述风险数据执行第三处理，得到每个用户的历史风险值；
训练步骤：将所述每个用户的第一特征因子序列及历史风险值输入基于预设排序算法的神经网络模型进行训练，得到驾驶风险识别模型；
识别步骤：响应客户端发送的某一指定用户的驾驶风险识别请求，获取所述指定用户在第二预设时间段内的第二驾驶数据，对所述第二驾驶数据执行所述第一、第二处理，得到所述指定用户的第二特征因子序列，将所述第二特征因子序列输入所述驾驶风险识别模型，得到所述指定用户的驾驶风险等级；
所述第一驾驶数据包括行驶轨迹信息，所述行驶轨迹信息包括各个地理位置的经纬度、速度、角度、高度和时间戳，对所述行驶轨迹信息执行第一处理包括：
计算所述预设用户群中每个用户的急加速次数、急减速次数、急转弯次数；
计算所述每个用户在高风险区域出现的次数；
计算所述每个用户的用车时段风险度；
计算所述每个用户的用车规律度；
将所述每个用户的急加速次数、急减速次数、急转弯次数、在高风险区域出现的次数、用车时段风险度、用车规律度作为所述每个用户的行驶轨迹特征；
所述对所述每个用户的第一特征因子及第二特征因子执行第二处理包括：
将所述第一、第二特征因子进行拼接，并对空值进行默认值填充，得到第一序列；
将所述第一序列中离散型数据转换为数值型数据，得到第二序列；
对所述第二序列中的数据执行归一化处理，得到第三序列；
将所述第一、第二特征因子对应的权重分别与所述第三序列中所述第一、第二特征因子对应的数据相乘，得到第一特征因子序列；
所述对所述风险数据执行第三处理包括：
根据所述风险数据统计所述每个用户的出险次数；
对所述出险次数执行归一化处理，得到所述每个用户的历史风险值；
所述预设排序算法为LambdaRank算法，所述基于预设排序算法的神经网络模型的训练过程包括：
将所述预设用户群中的用户两两组合，得到
Figure FDA0002628611360000021
个组合对，n为所述预设用户群中用户的总数量；
将每个组合对中各个用户的第一特征因子序列及历史风险值输入所述基于预设排序算法的神经网络模型中，得到各个组合对中第一个用户的驾驶风险高于第二个用户的真实概率及预测概率；
基于所述预测概率对所述预设用户群中的用户排序，根据所述真实概率、预测概率、优化的损失函数梯度对所述基于预设排序算法的神经网络模型进行迭代，得到驾驶风险识别模型。
2.如权利要求1所述的驾驶风险识别方法，其特征在于，所述真实概率的计算公式为：
Figure FDA0002628611360000022
其中，qij为组合对(i,j)中用户i的驾驶风险高于用户j的真实概率，hi为用户i的历史风险值，hj为用户j的历史风险值，hij为用户i与用户j的相关性参数；
所述预测概率的计算公式为：
Figure FDA0002628611360000031
其中，pij为组合对(i,j)中用户i的驾驶风险高于用户j的预测概率，σ为风险参数，si为用户i的预测风险值，sj为用户j的预测风险值；
所述优化的损失函数梯度的计算公式为：
Figure FDA0002628611360000032
其中，yij为组合对(i,j)的优化的损失函数梯度，wk为第一特征因子序列中第k个特征因子的权重参数，ΔNDCGij为组合对(i,j)的评价参数差值，n为预设用户群中用户的总数量；
所述评价参数的计算公式为：
Figure FDA0002628611360000033
其中，NDCGi为用户i的评价参数，vi为用户i在预设用户群中的预测降序排名，hi为用户i的历史风险值，ui为用户i在预设用户群中的真实降序排名。
3.一种电子装置，其特征在于，该电子装置包括：存储器、处理器，所述存储器上存储有可在所述处理器上运行的驾驶风险识别程序，所述驾驶风险识别程序被所述处理器执行时实现如下步骤：
获取步骤：获取预设用户群中每个用户在第一预设时间段内的第一驾驶数据及风险数据，对所述第一驾驶数据执行第一处理，得到每个用户的第一特征因子及第二特征因子，所述第一特征因子为显性因子，包括：用户的年龄、性别、驾龄、车型和车龄，所述第二特征因子为隐性因子，包括：用户的信用、财富、车辆的物理参数、车辆维修记录和行驶轨迹特征，所述车辆物理参数包括车长、车宽、车高、能源类型和是否安装ABS；
处理步骤：对所述每个用户的第一特征因子及第二特征因子执行第二处理，得到每个用户的第一特征因子序列，对所述风险数据执行第三处理，得到每个用户的历史风险值；
训练步骤：将所述每个用户的第一特征因子序列及历史风险值输入基于预设排序算法的神经网络模型进行训练，得到驾驶风险识别模型；
识别步骤：响应客户端发送的某一指定用户的驾驶风险识别请求，获取所述指定用户在第二预设时间段内的第二驾驶数据，对所述第二驾驶数据执行所述第一、第二处理，得到所述指定用户的第二特征因子序列，将所述第二特征因子序列输入所述驾驶风险识别模型，得到所述指定用户的驾驶风险等级；
所述第一驾驶数据包括行驶轨迹信息，所述行驶轨迹信息包括各个地理位置的经纬度、速度、角度、高度和时间戳，对所述行驶轨迹信息执行第一处理包括：
计算所述预设用户群中每个用户的急加速次数、急减速次数、急转弯次数；
计算所述每个用户在高风险区域出现的次数；
计算所述每个用户的用车时段风险度；
计算所述每个用户的用车规律度；
将所述每个用户的急加速次数、急减速次数、急转弯次数、在高风险区域出现的次数、用车时段风险度、用车规律度作为所述每个用户的行驶轨迹特征；
所述对所述每个用户的第一特征因子及第二特征因子执行第二处理包括：
将所述第一、第二特征因子进行拼接，并对空值进行默认值填充，得到第一序列；
将所述第一序列中离散型数据转换为数值型数据，得到第二序列；
对所述第二序列中的数据执行归一化处理，得到第三序列；
将所述第一、第二特征因子对应的权重分别与所述第三序列中所述第一、第二特征因子对应的数据相乘，得到第一特征因子序列；
所述对所述风险数据执行第三处理包括：
根据所述风险数据统计所述每个用户的出险次数；
对所述出险次数执行归一化处理，得到所述每个用户的历史风险值；
所述预设排序算法为LambdaRank算法，所述基于预设排序算法的神经网络模型的训练过程包括：
将所述预设用户群中的用户两两组合，得到
Figure FDA0002628611360000051
个组合对，n为所述预设用户群中用户的总数量；
将每个组合对中各个用户的第一特征因子序列及历史风险值输入所述基于预设排序算法的神经网络模型中，得到各个组合对中第一个用户的驾驶风险高于第二个用户的真实概率及预测概率；
基于所述预测概率对所述预设用户群中的用户排序，根据所述真实概率、预测概率、优化的损失函数梯度对所述基于预设排序算法的神经网络模型进行迭代，得到驾驶风险识别模型。
4.一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驾驶风险识别程序，所述驾驶风险识别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2任一项所述的驾驶风险识别方法的步骤。
CN202010002162.4A 2020-01-02 2020-01-02 驾驶风险识别方法、电子装置及可读存储介质 Active CN111178452B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010002162.4A CN111178452B (zh) 2020-01-02 2020-01-02 驾驶风险识别方法、电子装置及可读存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010002162.4A CN111178452B (zh) 2020-01-02 2020-01-02 驾驶风险识别方法、电子装置及可读存储介质

Publications (2)

Publication Number Publication Date
CN111178452A CN111178452A (zh) 2020-05-19
CN111178452B true CN111178452B (zh) 2020-10-13

Family

ID=70654430

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010002162.4A Active CN111178452B (zh) 2020-01-02 2020-01-02 驾驶风险识别方法、电子装置及可读存储介质

Country Status (1)

Country Link
CN (1) CN111178452B (zh)

Families Citing this family (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
TWI758915B (zh) * 2020-10-22 2022-03-21 中華電信股份有限公司 行車風險分析設備及方法
CN112906139A (zh) * 2021-04-08 2021-06-04 平安科技（深圳）有限公司 车辆故障风险评估方法、装置、电子设备及存储介质
CN113178071B (zh) * 2021-04-22 2022-04-29 深圳壹账通智能科技有限公司 驾驶风险等级识别方法、装置、电子设备及可读存储介质
CN112849156B (zh) * 2021-04-25 2021-07-30 北京三快在线科技有限公司 一种行驶风险识别方法及装置
CN113177660B (zh) * 2021-04-28 2022-07-15 平安科技（深圳）有限公司 驾驶意图预测与处理方法、装置、设备及存储介质

Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108205784A (zh) * 2016-12-20 2018-06-26 邹红星 智能交通管控服务方法和平台
CN108444486A (zh) * 2017-02-16 2018-08-24 高德信息技术有限公司 一种导航路线排序方法和装置

Family Cites Families (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US7870078B2 (en) * 2002-11-01 2011-01-11 Id Insight Incorporated System, method and computer program product for assessing risk of identity theft
CN107784587B (zh) * 2016-08-25 2021-09-14 大连楼兰科技股份有限公司 一种驾驶行为评价系统
CN107862321A (zh) * 2016-09-22 2018-03-30 千寻位置网络有限公司 自动识别行车状态的方法及其系统
CN108596410B (zh) * 2017-03-09 2021-01-22 创新先进技术有限公司 一种风控事件自动处理方法及装置
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
CN107909678A (zh) * 2017-11-29 2018-04-13 思建科技有限公司 一种行车风险评价方法及系统
CN109840612A (zh) * 2018-07-24 2019-06-04 上海赢科信息技术有限公司 用户驾驶行为分析方法及系统
CN109726942A (zh) * 2019-03-01 2019-05-07 北京汽车研究总院有限公司 一种驾驶环境风险评估方法及系统
WO2021006398A1 (ko) * 2019-07-11 2021-01-14 엘지전자 주식회사 자율주행시스템에서 차량의 서비스 제공방법 및 이를 위한 장치
CN110489616A (zh) * 2019-07-19 2019-11-22 南京邮电大学 一种基于Ranknet和Lambdamart算法的搜索排序方法

Patent Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108205784A (zh) * 2016-12-20 2018-06-26 邹红星 智能交通管控服务方法和平台
CN108444486A (zh) * 2017-02-16 2018-08-24 高德信息技术有限公司 一种导航路线排序方法和装置

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
from ranknet to lambdarank to lambdamart:an overview;Christopher J. C. Burges;《https://www.researchgate.net/publication/228936665》;20140521;第1-20页 *

Also Published As

Publication number Publication date
CN111178452A (zh) 2020-05-19

Similar Documents

Publication Publication Date Title
CN111178452B (zh) 驾驶风险识别方法、电子装置及可读存储介质
TWI746814B (zh) 電腦可讀介質、車險風險預測裝置及伺服器
Carfora et al. A “pay-how-you-drive” car insurance approach through cluster analysis
CN108416198B (zh) 人机识别模型的建立装置、方法及计算机可读存储介质
CN110516910B (zh) 基于大数据的保单核保模型训练方法和核保风险评估方法
CN110866181B (zh) 资源推荐的方法、装置及存储介质
CN111402579A (zh) 道路拥堵程度预测方法、电子装置及可读存储介质
JP2021519980A (ja) テレマティクスデータに基づく車両分類
CN113688923B (zh) 订单异常智能检测方法、装置、电子设备及存储介质
CN112509317B (zh) 基于机器学习算法的公交实时到站预测方法、装置和设备
CN109543710B (zh) 一种模型训练方法及相关设备
CN113178071B (zh) 驾驶风险等级识别方法、装置、电子设备及可读存储介质
WO2022105496A1 (zh) 智能回访方法、装置、电子设备及可读存储介质
CN114612194A (zh) 产品推荐方法、装置、电子设备及存储介质
CN116662839A (zh) 基于多维智能采集的关联大数据聚类分析方法及装置
CN111401690A (zh) 车队风险识别方法、电子装置及可读存储介质
CN115034315A (zh) 基于人工智能的业务处理方法、装置、计算机设备及介质
EP3482367A1 (en) Systems and methods for georeferencing and scoring vehicle data in communities
CN113343306A (zh) 基于差分隐私的数据查询方法、装置、设备及存储介质
CN115830870A (zh) 收费站数据处理方法、装置、计算机设备和存储介质
CN113610580B (zh) 产品推荐方法、装置、电子设备及可读存储介质
CN111163425B (zh) 基于lbs轨迹的身份识别方法、电子装置及可读存储介质
CN113515591B (zh) 文本不良信息识别方法、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
CN110751567A (zh) 车辆信息处理方法、装置、计算机设备和存储介质

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
GR01 Patent grant
GR01 Patent grant