CN111401690B - 车队风险识别方法、电子装置及可读存储介质 - Google Patents
车队风险识别方法、电子装置及可读存储介质 Download PDFInfo
- Publication number
- CN111401690B CN111401690B CN202010109752.7A CN202010109752A CN111401690B CN 111401690 B CN111401690 B CN 111401690B CN 202010109752 A CN202010109752 A CN 202010109752A CN 111401690 B CN111401690 B CN 111401690B
- Authority
- CN
- China
- Prior art keywords
- vehicle
- risk
- fleet
- data
- score
- 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
Links
- 238000000034 method Methods 0.000 title claims abstract description 46
- 230000008569 process Effects 0.000 claims description 12
- 238000013507 mapping Methods 0.000 claims description 10
- 238000012163 sequencing technique Methods 0.000 claims description 2
- 230000006872 improvement Effects 0.000 description 5
- 238000010586 diagram Methods 0.000 description 4
- 238000004891 communication Methods 0.000 description 2
- 239000004973 liquid crystal related substance Substances 0.000 description 2
- 238000010606 normalization Methods 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 206010039203 Road traffic accident Diseases 0.000 description 1
- 230000006399 behavior Effects 0.000 description 1
- 230000008094 contradictory effect Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 230000010365 information processing Effects 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 230000003068 static effect 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
- 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
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/40—Business processes related to the transportation industry
Landscapes
- Business, Economics & Management (AREA)
- Human Resources & Organizations (AREA)
- Engineering & Computer Science (AREA)
- Economics (AREA)
- Strategic Management (AREA)
- Tourism & Hospitality (AREA)
- Theoretical Computer Science (AREA)
- Entrepreneurship & Innovation (AREA)
- General Physics & Mathematics (AREA)
- Marketing (AREA)
- General Business, Economics & Management (AREA)
- Physics & Mathematics (AREA)
- Educational Administration (AREA)
- Quality & Reliability (AREA)
- Operations Research (AREA)
- Game Theory and Decision Science (AREA)
- Development Economics (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Primary Health Care (AREA)
- Traffic Control Systems (AREA)
Abstract
本发明涉及风险预测技术领域，揭露了一种车队风险识别方法，该方法包括：根据第一数据、第二数据确定车队的特征因子集，对特征因子集执行第一处理得到车队中每辆车的特征因子值，对特征因子值执行第二处理，得到车队中每辆车的第一风险分值，根据第一风险分值对车队中的车辆进行分组得到多个车辆组，计算每个车辆组的第二风险分值，根据第二风险分值计算车队的风险识别分值。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。本发明可提高车队风险识别准确度。
Description
技术领域
本发明涉及风险预测技术领域，尤其涉及一种车队风险识别方法、电子装置及可读存储介质。
背景技术
车辆风险识别是道路交通安全领域中的一个重要课题，在对确保驾驶人员安全、驾驶行为改善及道路交通事故预防等多方面有着重要的意义。
当前的车辆风险识别通常是针对单个车辆进行识别，而当一个车队中包括不同车型、不同性能、不同车龄的多辆车时，如何对整个车队进行风险识别，当前通常是分别识别每辆车的风险值，然后汇总求得风险平均值，将风险平均值作为车队的风险值，这种方法得到的车队的风险值准确度不高。因此，亟需一种车队风险识别方法，以提高车队风险识别准确度。
发明内容
鉴于以上内容，有必要提供一种车队风险识别方法，旨在提高车队风险识别准确度。
本发明提供的车队风险识别方法，包括：
数据获取步骤：响应用户通过客户端发送的车队风险识别请求，获取所述车队中每辆车的第一数据、第二数据，根据所述第一数据、第二数据确定所述车队的特征因子集；
车辆分组步骤：对所述特征因子集执行第一处理得到所述车队中每辆车的特征因子值，对所述特征因子值执行第二处理，得到所述车队中每辆车的第一风险分值，根据所述第一风险分值对所述车队中的车辆进行分组得到多个车辆组；
风险识别步骤：计算所述多个车辆组中每个车辆组的第二风险分值，根据所述第二风险分值计算所述车队的风险识别分值。
可选的，所述对所述特征因子集执行第一处理得到所述车队中每辆车的特征因子值包括：
根据所述特征因子集、第一数据、第二数据确定所述车队中每辆车的各个特征因子的初始值；
从预设数据库中分别获取所述各个特征因子的初始值对应的历史出险次数；
根据所述历史出险次数、出险次数与评分之间的映射关系确定所述车队中每辆车的各个特征因子的第一分值；
根据所述第一分值及预先确定的各个特征因子对应的权重参数计算得到所述车队中每辆车的各个特征因子的第二分值；
加总所述第二分值得到所述车队中每辆车的特征因子值。
可选的，所述方法还包括：
计算所述特征因子集中每个特征因子的参考值，根据所述参考值确定所述车队的高风险因子，将所述高风险因子发送给所述客户端。
可选的，所述计算所述特征因子集中每个特征因子的参考值，根据所述参考值确定所述车队的高风险因子包括：
根据所述第一分值、预设计算公式计算所述车队中每辆车的各个特征因子的第一参考值；
根据所述第一参考值计算所述车队的各个特征因子的第二参考值；
按照从高到低的顺序对所述第二参考值进行排序，将排序靠前的预设数量的特征因子作为高风险因子。
可选的，所述预设计算公式为：
Cij＝γj*(Eij-D)
其中，Cij为车队中第i辆车的第j个特征因子的第一参考值，γj为第j个特征因子对应的权重，Eij为车队中第i辆车的第j个特征因子的的第一分值，D为常数。
可选的，所述方法还包括：
若所述车队的风险识别分值高于预设阈值，则向所述客户端发送预警信息。
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车队风险识别程序，所述车队风险识别程序被所述处理器执行时实现如下步骤：
数据获取步骤：响应用户通过客户端发送的车队风险识别请求，获取所述车队中每辆车的第一数据、第二数据，根据所述第一数据、第二数据确定所述车队的特征因子集；
车辆分组步骤：对所述特征因子集执行第一处理得到所述车队中每辆车的特征因子值，对所述特征因子值执行第二处理，得到所述车队中每辆车的第一风险分值，根据所述第一风险分值对所述车队中的车辆进行分组得到多个车辆组；
风险识别步骤：计算所述多个车辆组中每个车辆组的第二风险分值，根据所述第二风险分值计算所述车队的风险识别分值。
可选的，所述对所述特征因子集执行第一处理得到所述车队中每辆车的特征因子值包括：
根据所述特征因子集、第一数据、第二数据确定所述车队中每辆车的各个特征因子的初始值；
从预设数据库中分别获取所述各个特征因子的初始值对应的历史出险次数；
根据所述历史出险次数、出险次数与评分之间的映射关系确定所述车队中每辆车的各个特征因子的第一分值；
根据所述第一分值及预先确定的各个特征因子对应的权重参数计算得到所述车队中每辆车的各个特征因子的第二分值；
加总所述第二分值得到所述车队中每辆车的特征因子值。
可选的，所述车队风险识别程序被所述处理器执行时还实现如下步骤：
计算所述特征因子集中每个特征因子的参考值，根据所述参考值确定所述车队的高风险因子，将所述高风险因子发送给所述客户端。
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车队风险识别程序，所述车队风险识别程序可被一个或者多个处理器执行，以实现上述车队风险识别方法的步骤。
相较现有技术，本发明首先通过第一数据、第二数据确定车队的特征因子集，其中第一数据为车辆的基础数据，第二数据为车辆的运营数据，数据面很广，故而得到的特征因子集也很全面；接着，对特征因子集进行处理，得到车队中每辆车的第一风险分值，并根据第一风险分值对车队进行分组得到多个车辆组，再计算每个车辆组的第二风险分值，根据第二风险分值计算车队的风险识别分值，本发明将第一风险分值相近的车辆分入同一个车辆组使得同一个车辆组的风险度相近，这样根据各车辆组的第二风险值计算得到的车队的风险识别分值也更准确。同时，本发明还计算特征因子集中每个特征因子的参考值，根据参考值确定车队的高风险因子，以应用于后续车队风险改善。
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中的车队风险识别程序一实施例的程序模块图；
图3为本发明车队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中存储有车队风险识别程序10，所述车队风险识别程序10可被所述处理器12执行。图1仅示出了具有组件11-13以及车队风险识别程序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车队风险识别程序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，例如运行车队风险识别程序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，所述车队风险识别程序10被所述处理器12执行时实现如下数据获取步骤、车辆分组步骤及风险识别步骤。
数据获取步骤：响应用户通过客户端发送的车队风险识别请求，获取所述车队中每辆车的第一数据、第二数据，根据所述第一数据、第二数据确定所述车队的特征因子集。
本实施例中，所述第一数据为车辆的基础数据，包括如下指标：车辆种类(轿车、客车、货车、牵引车等)、使用性质(商用、公用、私用等)、顿位数、功率、能源类型(新能源、传统能源等)、车长、车宽、车高、是否安装ABS等，所述第一数据通常是固定不变的。
通常车辆尺寸越大，风险越高；车辆吨位越高，风险越高；车辆功率越高，风险越高；新能源车辆的风险更高，传统能源车辆的风险较低；安装了ABS的车辆的风险更低。
所述第二数据为车辆的运营数据，包括如下指标：总里程数、运营天数、每天运营时长、夜间运营时长、高速公路里程占比、高风险区域里程占比等，所述第二数据通常随时间推移会发生变化。
第二数据可通过每辆车的行驶轨迹信息(每隔预设时间的GPS打点数据，每个GPS打点数据包括：地理位置的经纬度、时间戳等)计算得到。
本实施例中，将所述第一数据中的第一预设参数、所述第二数据中的第二预设参数的集合作为特征因子集。
本实施例中，所述第一预设参数为第一数据中的所有指标，所述第二预设参数为第二数据中的所有指标，在其它实施例中，可选择对车辆风险影响较大的部分指标分别作为第一、第二预设参数。
车辆分组步骤：对所述特征因子集执行第一处理得到所述车队中每辆车的特征因子值，对所述特征因子值执行第二处理，得到所述车队中每辆车的第一风险分值，根据所述第一风险分值对所述车队中的车辆进行分组得到多个车辆组。
本实施例中，所述对所述特征因子集执行第一处理得到所述车队中每辆车的特征因子值包括：
A1、根据所述特征因子集、第一数据、第二数据确定所述车队中每辆车的各个特征因子的初始值；
以特征因子1为车辆种类为例，若车辆1的车辆种类为牵引车，则车辆1的特征因子1的初始值为牵引车或牵引车对应的数值型数据(例如，采用one-hot编码将离散型数据转换为数值型数据，车辆种类可转换为(轿车：01、客车:02、货车:03、牵引车:04))。
A2、从预设数据库中分别获取所述各个特征因子的初始值对应的历史出险次数；
例如，从预设数据库中获取牵引车在过去五年内的历史出险次数为40次，所述预设数据库可以是各保险公司的车险理赔系统/平台。
A3、根据所述历史出险次数、出险次数与评分之间的映射关系确定所述车队中每辆车的各个特征因子的第一分值；
例如，出险次数与评分之间的映射关系如下表1所示：
| 出险次数 | 评分 |
| 0～20 | 10 |
| 20～50 | 30 |
| 50～80 | 50 |
| 80～100 | 80 |
| 大于100 | 100 |
表1
根据表1所示的映射关系，可确定车辆1的特征因子1的第一分值为30。
A4、根据所述第一分值及预先确定的各个特征因子对应的权重参数计算得到所述车队中每辆车的各个特征因子的第二分值；
A5、加总所述第二分值得到所述车队中每辆车的特征因子值。
所述对所述特征因子值执行第二处理，包括：对所述特征因子值执行归一化处理，并保留预设位数的数值，得到所述车队中每辆车的第一风险分值。
所述根据所述第一风险分值对所述车队中的车辆进行分组得到多个车辆组，包括：
B1、按照第一风险分值从高到底的顺序对所述车队中的车辆进行排序；
B2、根据排序结果按照预设数量对所述车队中的车辆进行分组(例如，按照每个车辆组中有10辆车进行分配)。
此种分组方法已考虑了所有的特征因子对车辆风险的影响，将第一风险分值相近的车辆分入同一个车辆组使得同一车辆组中各车辆的风险度相近。
风险识别步骤：计算所述多个车辆组中每个车辆组的第二风险分值，根据所述第二风险分值计算所述车队的风险识别分值。
本实施例中，将每个车辆组中各个车辆的第一风险分值加总即可得到每个车辆组的第二风险分值，然后根据预先确定的各个车辆组的权重与第二风险值得到所述车队的风险识别分值。
所述风险识别分值的计算公式为：
其中，R为车队的风险识别分值，αi为第i个车辆组的权重参数，βi为第i个车辆组的第二风险值，T为车辆组的总数量。
本实施例中，第一个车辆组的风险度最高(因第一个车辆组中的各个车辆的第一风险值排序最靠前)，故而为第一个车辆组分配更大的权重。
在本发明的另一个实施例中，所述风险识别步骤还包括：
根据所述风险识别分值、风险分值与风险等级之间的映射关系确定所述车队的风险等级。
本实施例中，所述车队风险识别程序10被所述处理器12执行时还实现如下步骤：
计算所述特征因子集中每个特征因子的参考值，根据所述参考值确定所述车队的高风险因子，将所述高风险因子发送给所述客户端。
本实施例中，所述计算所述特征因子集中每个特征因子的参考值，根据所述参考值确定所述车队的高风险因子包括：
C1、根据所述第一分值、预设计算公式计算所述车队中每辆车的各个特征因子的第一参考值；
所述预设计算公式为：
Cij＝γj*(Eij-D)
其中，Cij为车队中第i辆车的第j个特征因子的第一参考值，γj为第j个特征因子对应的权重，Eij为车队中第i辆车的第j个特征因子的的第一分值，D为常数。
C2、根据所述第一参考值计算所述车队的各个特征因子的第二参考值；
例如，若车队共50辆车，以特征因子1为车辆种类为例，整个车队的特征因子1的第二参考值为每辆车的车辆种类对应的第一参考值加总得到的。
C3、按照从高到低的顺序对所述第二参考值进行排序，将排序靠前的预设数量的特征因子作为高风险因子。
将所述高风险因子发送给预设客户端，可便于后续车辆风险改进、车险报价等多种应用。
本实施例中，所述车队风险识别程序10被所述处理器12执行时还实现如下步骤：
若所述车队的风险识别分值高于预设阈值，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，通过第一数据、第二数据确定车队的特征因子集，其中第一数据为车辆的基础数据，第二数据为车辆的运营数据，数据面很广，故而得到的特征因子集也很全面；接着，对特征因子集进行处理，得到车队中每辆车的第一风险分值，并根据第一风险分值对车队进行分组得到多个车辆组，再计算每个车辆组的第二风险分值，根据第二风险分值计算车队的风险识别分值，本发明将第一风险分值相近的车辆分入同一个车辆组使得同一个车辆组的风险度相近，这样根据各车辆组的第二风险值计算得到的车队的风险识别分值也更准确。同时，本发明还计算特征因子集中每个特征因子的参考值，根据参考值确定车队的高风险因子，以应用于后续车队风险改善。
在其他实施例中，车队风险识别程序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，用于描述车队风险识别程序10在电子装置1中的执行过程。
如图2所示，为图1中的车队风险识别程序10一实施例的程序模块图。
在本发明的一个实施例中，车队风险识别程序10包括数据获取模块110、车辆分组模块120及风险识别模块130，示例性地：
所述数据获取模块110，用于响应用户通过客户端发送的车队风险识别请求，获取所述车队中每辆车的第一数据、第二数据，根据所述第一数据、第二数据确定所述车队的特征因子集；
所述车辆分组模块120，用于对所述特征因子集执行第一处理得到所述车队中每辆车的特征因子值，对所述特征因子值执行第二处理，得到所述车队中每辆车的第一风险分值，根据所述第一风险分值对所述车队中的车辆进行分组得到多个车辆组；
所述风险识别模块130，用于计算所述多个车辆组中每个车辆组的第二风险分值，根据所述第二风险分值计算所述车队的风险识别分值。
上述数据获取模块110、车辆分组模块120及风险识别模块130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，为本发明车队风险识别方法一实施例的流程图，该车队风险识别方法包括步骤S1-S3。
S1、响应用户通过客户端发送的车队风险识别请求，获取所述车队中每辆车的第一数据、第二数据，根据所述第一数据、第二数据确定所述车队的特征因子集。
本实施例中，所述第一数据为车辆的基础数据，包括如下指标：车辆种类(轿车、客车、货车、牵引车等)、使用性质(商用、公用、私用等)、顿位数、功率、能源类型(新能源、传统能源等)、车长、车宽、车高、是否安装ABS等，所述第一数据通常是固定不变的。
通常车辆尺寸越大，风险越高；车辆吨位越高，风险越高；车辆功率越高，风险越高；新能源车辆的风险更高，传统能源车辆的风险较低；安装了ABS的车辆的风险更低。
所述第二数据为车辆的运营数据，包括如下指标：总里程数、运营天数、每天运营时长、夜间运营时长、高速公路里程占比、高风险区域里程占比等，所述第二数据通常随时间推移会发生变化。
第二数据可通过每辆车的行驶轨迹信息(每隔预设时间的GPS打点数据，每个GPS打点数据包括：地理位置的经纬度、时间戳等)计算得到。
本实施例中，将所述第一数据中的第一预设参数、所述第二数据中的第二预设参数的集合作为特征因子集。
本实施例中，所述第一预设参数为第一数据中的所有指标，所述第二预设参数为第二数据中的所有指标，在其它实施例中，可选择对车辆风险影响较大的部分指标分别作为第一、第二预设参数。
S2、对所述特征因子集执行第一处理得到所述车队中每辆车的特征因子值，对所述特征因子值执行第二处理，得到所述车队中每辆车的第一风险分值，根据所述第一风险分值对所述车队中的车辆进行分组得到多个车辆组。
本实施例中，所述对所述特征因子集执行第一处理得到所述车队中每辆车的特征因子值包括：
A1、根据所述特征因子集、第一数据、第二数据确定所述车队中每辆车的各个特征因子的初始值；
以特征因子1为车辆种类为例，若车辆1的车辆种类为牵引车，则车辆1的特征因子1的初始值为牵引车或牵引车对应的数值型数据(例如，采用one-hot编码将离散型数据转换为数值型数据，车辆种类可转换为(轿车：01、客车:02、货车:03、牵引车:04))。
A2、从预设数据库中分别获取所述各个特征因子的初始值对应的历史出险次数；
例如，从预设数据库中获取牵引车在过去五年内的历史出险次数为40次，所述预设数据库可以是各保险公司的车险理赔系统/平台。
A3、根据所述历史出险次数、出险次数与评分之间的映射关系确定所述车队中每辆车的各个特征因子的第一分值；
例如，出险次数与评分之间的映射关系如下表1所示：
| 出险次数 | 评分 |
| 0～20 | 10 |
| 20～50 | 30 |
| 50～80 | 50 |
| 80～100 | 80 |
| 大于100 | 100 |
表1
根据表1所示的映射关系，可确定车辆1的特征因子1的第一分值为30。
A4、根据所述第一分值及预先确定的各个特征因子对应的权重参数计算得到所述车队中每辆车的各个特征因子的第二分值；
A5、加总所述第二分值得到所述车队中每辆车的特征因子值。
所述对所述特征因子值执行第二处理，包括：对所述特征因子值执行归一化处理，并保留预设位数的数值，得到所述车队中每辆车的第一风险分值。
所述根据所述第一风险分值对所述车队中的车辆进行分组得到多个车辆组，包括：
B1、按照第一风险分值从高到底的顺序对所述车队中的车辆进行排序；
B2、根据排序结果按照预设数量对所述车队中的车辆进行分组(例如，按照每个车辆组中有10辆车进行分配)。
此种分组方法已考虑了所有的特征因子对车辆风险的影响，将第一风险分值相近的车辆分入同一个车辆组使得同一车辆组中各车辆的风险度相近。
S3、计算所述多个车辆组中每个车辆组的第二风险分值，根据所述第二风险分值计算所述车队的风险识别分值。
本实施例中，将每个车辆组中各个车辆的第一风险分值加总即可得到每个车辆组的第二风险分值，然后根据预先确定的各个车辆组的权重与第二风险值得到所述车队的风险识别分值。
所述风险识别分值的计算公式为：
其中，R为车队的风险识别分值，αi为第i个车辆组的权重参数，βi为第i个车辆组的第二风险值，T为车辆组的总数量。
本实施例中，第一个车辆组的风险度最高(因第一个车辆组中的各个车辆的第一风险值排序最靠前)，故而为第一个车辆组分配更大的权重。
在本发明的另一个实施例中，所述步骤S3还包括：
根据所述风险识别分值、风险分值与风险等级之间的映射关系确定所述车队的风险等级。
本实施例中，所述车队风险识别方法还包括：
计算所述特征因子集中每个特征因子的参考值，根据所述参考值确定所述车队的高风险因子，将所述高风险因子发送给所述客户端。
本实施例中，所述计算所述特征因子集中每个特征因子的参考值，根据所述参考值确定所述车队的高风险因子包括：
C1、根据所述第一分值、预设计算公式计算所述车队中每辆车的各个特征因子的第一参考值；
所述预设计算公式为：
Cij＝γj*(Eij-D)
其中，Cij为车队中第i辆车的第j个特征因子的第一参考值，γj为第j个特征因子对应的权重，Eij为车队中第i辆车的第j个特征因子的的第一分值，D为常数。
C2、根据所述第一参考值计算所述车队的各个特征因子的第二参考值；
例如，若车队共50辆车，以特征因子1为车辆种类为例，整个车队的特征因子1的第二参考值为每辆车的车辆种类对应的第一参考值加总得到的。
C3、按照从高到低的顺序对所述第二参考值进行排序，将排序靠前的预设数量的特征因子作为高风险因子。
将所述高风险因子发送给预设客户端，可便于后续车辆风险改进、车险报价等多种应用。
本实施例中，所述车队风险识别方法还包括：
若所述车队的风险识别分值高于预设阈值，则向所述客户端发送预警信息。
由上述实施例可知，本发明提出的车队风险识别方法，首先，通过第一数据、第二数据确定车队的特征因子集，其中第一数据为车辆的基础数据，第二数据为车辆的运营数据，数据面很广，故而得到的特征因子集也很全面；接着，对特征因子集进行处理，得到车队中每辆车的第一风险分值，并根据第一风险分值对车队进行分组得到多个车辆组，再计算每个车辆组的第二风险分值，根据第二风险分值计算车队的风险识别分值，本发明将第一风险分值相近的车辆分入同一个车辆组使得同一个车辆组的风险度相近，这样根据各车辆组的第二风险值计算得到的车队的风险识别分值也更准确。同时，本发明还计算特征因子集中每个特征因子的参考值，根据参考值确定车队的高风险因子，以应用于后续车队风险改善。
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车队风险识别程序10，所述车队风险识别程序10被处理器执行时实现如下操作：
响应用户通过客户端发送的车队风险识别请求，获取所述车队中每辆车的第一数据、第二数据，根据所述第一数据、第二数据确定所述车队的特征因子集；
对所述特征因子集执行第一处理得到所述车队中每辆车的特征因子值，对所述特征因子值执行第二处理，得到所述车队中每辆车的第一风险分值，根据所述第一风险分值对所述车队中的车辆进行分组得到多个车辆组；
计算所述多个车辆组中每个车辆组的第二风险分值，根据所述第二风险分值计算所述车队的风险识别分值。
本发明之计算机可读存储介质的具体实施方式与上述车队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 (8)
1.一种车队风险识别方法，应用于电子装置，其特征在于，所述方法包括：
数据获取步骤：响应用户通过客户端发送的车队风险识别请求，获取所述车队中每辆车的第一数据、第二数据，根据所述第一数据、第二数据确定所述车队的特征因子集，所述第一数据为车辆的基础数据，包括如下指标：车辆种类、使用性质、顿位数、功率、能源类型、车长、车宽、车高、是否安装ABS，所述第二数据为车辆的运营数据，包括如下指标：总里程数、运营天数、每天运营时长、夜间运营时长、高速公路里程占比、高风险区域里程占比；
车辆分组步骤：对所述特征因子集执行第一处理得到所述车队中每辆车的特征因子值，对所述特征因子值执行第二处理，得到所述车队中每辆车的第一风险分值，根据所述第一风险分值对所述车队中的车辆进行分组得到多个车辆组；
风险识别步骤：加总每个车辆组中各个车辆的第一风险分值得到每个车辆组的第二风险分值，根据预先确定的各个车辆组的权重与第二风险值得到所述车队的风险识别分值；
其中，所述对所述特征因子集执行第一处理得到所述车队中每辆车的特征因子值包括：
根据所述特征因子集、第一数据、第二数据确定所述车队中每辆车的各个特征因子的初始值；
从预设数据库中分别获取所述各个特征因子的初始值对应的历史出险次数；
根据所述历史出险次数、出险次数与评分之间的映射关系确定所述车队中每辆车的各个特征因子的第一分值；
根据所述第一分值及预先确定的各个特征因子对应的权重参数计算得到所述车队中每辆车的各个特征因子的第二分值；
加总所述第二分值得到所述车队中每辆车的特征因子值。
2.如权利要求1所述的车队风险识别方法，其特征在于，所述方法还包括：
计算所述特征因子集中每个特征因子的参考值，根据所述参考值确定所述车队的高风险因子，将所述高风险因子发送给所述客户端。
3.如权利要求2所述的车队风险识别方法，其特征在于，所述计算所述特征因子集中每个特征因子的参考值，根据所述参考值确定所述车队的高风险因子包括：
根据所述第一分值、预设计算公式计算所述车队中每辆车的各个特征因子的第一参考值；
根据所述第一参考值计算所述车队的各个特征因子的第二参考值；
按照从高到低的顺序对所述第二参考值进行排序，将排序靠前的预设数量的特征因子作为高风险因子。
4.如权利要求3所述的车队风险识别方法，其特征在于，所述预设计算公式为：
Cij＝γj*(Eij-D)
其中，Cij为车队中第i辆车的第j个特征因子的第一参考值，γj为第j个特征因子对应的权重，Eij为车队中第i辆车的第j个特征因子的第一分值，D为常数。
5.如权利要求1-4任一项所述的车队风险识别方法，其特征在于，所述方法还包括：
若所述车队的风险识别分值高于预设阈值，则向所述客户端发送预警信息。
6.一种电子装置，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车队风险识别程序，所述车队风险识别程序被所述处理器执行时实现如下步骤：
数据获取步骤：响应用户通过客户端发送的车队风险识别请求，获取所述车队中每辆车的第一数据、第二数据，根据所述第一数据、第二数据确定所述车队的特征因子集，所述第一数据为车辆的基础数据，包括如下指标：车辆种类、使用性质、顿位数、功率、能源类型、车长、车宽、车高、是否安装ABS，所述第二数据为车辆的运营数据，包括如下指标：总里程数、运营天数、每天运营时长、夜间运营时长、高速公路里程占比、高风险区域里程占比；
车辆分组步骤：对所述特征因子集执行第一处理得到所述车队中每辆车的特征因子值，对所述特征因子值执行第二处理，得到所述车队中每辆车的第一风险分值，根据所述第一风险分值对所述车队中的车辆进行分组得到多个车辆组；
风险识别步骤：加总每个车辆组中各个车辆的第一风险分值得到每个车辆组的第二风险分值，根据预先确定的各个车辆组的权重与第二风险值得到所述车队的风险识别分值；
其中，所述对所述特征因子集执行第一处理得到所述车队中每辆车的特征因子值包括：
根据所述特征因子集、第一数据、第二数据确定所述车队中每辆车的各个特征因子的初始值；
从预设数据库中分别获取所述各个特征因子的初始值对应的历史出险次数；
根据所述历史出险次数、出险次数与评分之间的映射关系确定所述车队中每辆车的各个特征因子的第一分值；
根据所述第一分值及预先确定的各个特征因子对应的权重参数计算得到所述车队中每辆车的各个特征因子的第二分值；
加总所述第二分值得到所述车队中每辆车的特征因子值。
7.如权利要求6所述的电子装置，其特征在于，所述车队风险识别程序被所述处理器执行时还实现如下步骤：
计算所述特征因子集中每个特征因子的参考值，根据所述参考值确定所述车队的高风险因子，将所述高风险因子发送给所述客户端。
8.一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车队风险识别程序，所述车队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5任一项所述的车队风险识别方法的步骤。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010109752.7A CN111401690B (zh) | 2020-02-22 | 2020-02-22 | 车队风险识别方法、电子装置及可读存储介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010109752.7A CN111401690B (zh) | 2020-02-22 | 2020-02-22 | 车队风险识别方法、电子装置及可读存储介质 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN111401690A CN111401690A (zh) | 2020-07-10 |
| CN111401690B true CN111401690B (zh) | 2023-06-23 |
Family
ID=71428478
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202010109752.7A Active CN111401690B (zh) | 2020-02-22 | 2020-02-22 | 车队风险识别方法、电子装置及可读存储介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN111401690B (zh) |
Families Citing this family (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US11624625B2 (en) | 2021-01-28 | 2023-04-11 | Electriphi Inc | System and method for evaluation of a route score for an electric vehicle and electric vehicle fleets |
| CN113611104B (zh) * | 2021-07-06 | 2022-07-22 | 北京中交兴路车联网科技有限公司 | 货运车辆的风险识别方法、装置、存储介质及终端 |
| CN117238124B (zh) * | 2023-06-20 | 2024-06-18 | 深圳民太安智能科技有限公司 | 基于多维度风险因子的车辆安全行驶分级预警方法及系统 |
Family Cites Families (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN104978492A (zh) * | 2015-07-09 | 2015-10-14 | 彩虹无线（北京）新技术有限公司 | 一种基于车联网数据流的安全驾驶评价方法 |
| CN107153914B (zh) * | 2017-04-18 | 2021-01-26 | 交通运输部公路科学研究所 | 一种汽车运行风险的评价系统及方法 |
| CN108648447B (zh) * | 2018-05-08 | 2019-04-05 | 清华大学 | 基于行车安全场的车辆智能安全决策方法 |
-
2020
- 2020-02-22 CN CN202010109752.7A patent/CN111401690B/zh active Active
Also Published As
| Publication number | Publication date |
|---|---|
| CN111401690A (zh) | 2020-07-10 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN111401690B (zh) | 车队风险识别方法、电子装置及可读存储介质 | |
| US10262530B2 (en) | Determining customized safe speeds for vehicles | |
| CN108446824A (zh) | 一种驾驶行为的风险评估方法、装置、设备及存储介质 | |
| CN111178452A (zh) | 驾驶风险识别方法、电子装置及可读存储介质 | |
| CN110599353A (zh) | 一种车辆出险和赔付率预测方法、装置、设备及介质 | |
| CN110132293B (zh) | 一种路线推荐方法及装置 | |
| CN112214561B (zh) | 地图数据处理方法、装置、计算机设备及存储介质 | |
| WO2021169174A1 (zh) | 道路拥堵程度预测方法、装置、计算机设备及可读存储介质 | |
| CN112527936A (zh) | 灾难密度的统计方法、装置、计算机设备以及存储介质 | |
| CN114187489B (zh) | 车辆异常驾驶风险检测方法、装置、电子设备及存储介质 | |
| 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 | |
| CN114661055A (zh) | 应急物流车辆最优路径规划方法、装置、设备及存储介质 | |
| CN113918718A (zh) | 基于人工智能的车险用户分类方法、装置、设备及介质 | |
| CN113837189A (zh) | 一种单位车辆智能管理方法及系统 | |
| CN111402068A (zh) | 基于大数据的保费数据分析方法、装置及存储介质 | |
| CN111812689A (zh) | 基于gps轨迹的用户行为分析方法、装置、电子设备及介质 | |
| CN111160637B (zh) | 智能化人力分配方法、装置及计算机可读存储介质 | |
| CN108961478B (zh) | 一种车用智能识别系统的不规则电子围栏生成方法 | |
| CN112766567B (zh) | 一种城市路网规划实施效果的评价方法、系统以及存储介质 | |
| CN114840660A (zh) | 业务推荐模型训练方法、装置、设备及存储介质 | |
| CN113837582A (zh) | 城市道路交通安全关键风险识别方法、装置及电子设备 | |
| CN110458715B (zh) | 风险评分方法、装置及计算机可读存储介质 | |
| CN108985950B (zh) | 电子装置、用户骗保风险预警方法及存储介质 | |
| CN114418009A (zh) | 基于图注意力网络的分类方法、装置、设备和存储介质 | |
| 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 |