CN111402065A - 一种车险诈骗团伙挖掘的方法及装置、可读存储介质 - Google Patents
一种车险诈骗团伙挖掘的方法及装置、可读存储介质 Download PDFInfo
- Publication number
- CN111402065A CN111402065A CN201911344447.XA CN201911344447A CN111402065A CN 111402065 A CN111402065 A CN 111402065A CN 201911344447 A CN201911344447 A CN 201911344447A CN 111402065 A CN111402065 A CN 111402065A
- Authority
- CN
- China
- Prior art keywords
- vehicle
- accident
- fraud
- involved
- insurance data
- 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
- 238000005065 mining Methods 0.000 title claims abstract description 34
- 238000000034 method Methods 0.000 title claims abstract description 31
- 238000010586 diagram Methods 0.000 claims abstract description 26
- 238000004891 communication Methods 0.000 claims description 46
- 238000012545 processing Methods 0.000 claims description 22
- 238000010276 construction Methods 0.000 claims description 11
- 238000004590 computer program Methods 0.000 claims description 5
- 238000004422 calculation algorithm Methods 0.000 description 10
- 230000009471 action Effects 0.000 description 3
- 230000008878 coupling Effects 0.000 description 3
- 238000010168 coupling process Methods 0.000 description 3
- 238000005859 coupling reaction Methods 0.000 description 3
- 239000012634 fragment Substances 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000009466 transformation Effects 0.000 description 2
- 239000012141 concentrate Substances 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 238000007429 general method Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 230000000977 initiatory effect Effects 0.000 description 1
- 230000002452 interceptive effect Effects 0.000 description 1
- 230000002085 persistent effect Effects 0.000 description 1
- 230000008569 process Effects 0.000 description 1
- 230000008439 repair process 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
- G06F16/90—Details of database functions independent of the retrieved data types
- G06F16/901—Indexing; Data structures therefor; Storage structures
- G06F16/9024—Graphs; Linked lists
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/90—Details of database functions independent of the retrieved data types
- G06F16/903—Querying
- G06F16/90335—Query processing
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Databases & Information Systems (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Business, Economics & Management (AREA)
- Accounting & Taxation (AREA)
- Finance (AREA)
- Data Mining & Analysis (AREA)
- General Engineering & Computer Science (AREA)
- Software Systems (AREA)
- Computational Linguistics (AREA)
- Development Economics (AREA)
- Economics (AREA)
- Marketing (AREA)
- Strategic Management (AREA)
- Technology Law (AREA)
- General Business, Economics & Management (AREA)
- Financial Or Insurance-Related Operations Such As Payment And Settlement (AREA)
Abstract
本申请提供一种车险诈骗团伙挖掘的方法及装置、可读存储介质。车险诈骗团伙挖掘的方法包括：获取待处理的车险数据，所述待处理的车险数据中包括多个车辆事故、每个车辆事故中的涉事车辆以及涉事人员；根据所述待处理的车险数据构建车辆事故连通图，所述车辆事故连通图用于代表各个所述涉事车辆之间的连通关系；基于所述车辆事故连通图确定有诈骗嫌疑的涉事车辆；根据所述有诈骗嫌疑的涉事车辆对应的涉事人员确定所述待处理的车险数据对应的诈骗团伙。该方法提高了车险诈骗团伙挖掘的准确性和效率。
Description
技术领域
本申请涉及数据处理技术领域，具体而言，涉及一种车险诈骗团伙挖掘的方法及装置、可读存储介质。
背景技术
目前中国已经进入汽车时代，每一个人的出行都离不开汽车。随着保险行业的逐渐成熟，大多数人为了驾车安全，都会为自己每一份汽车保险。与此同时，一些人也盯上了其中的巨大“商机”，利用各种手段，由投保人自行作案或与汽修厂、保险公司人员相互勾结，故意制造虚构的保险事故骗取保险赔款，或者通过某种手段使本不能索赔的案件达到索赔的标准。
目前对于车辆保险诈骗的挖掘，主要通过人工对大量数据进行分析实现。比如统计车辆、投保人、车主、驾驶员(职业撞车人)在一段时间内、在各家保险公司的出险次数，金额，频次等来寻找突破口。或者根据车辆过户和出险的时间间隔、碰撞车辆之间的碰撞部位、现场图片分析等人工确定道具车、一次事故重复索赔的案情。
可见，现有技术依赖人工分析对诈骗团伙进行挖掘，人工分析需要花大量的时间，效率较低，且得到的结果主观性较强，也不够准确。
发明内容
本申请实施例的目的在于提供一种车险诈骗团伙挖掘的方法及装置、可读存储介质，用以提高车险诈骗团伙挖掘的准确性和效率。
第一方面，本申请实施例提供一种车险诈骗团伙挖掘的方法，包括：获取待处理的车险数据，所述待处理的车险数据中包括多个车辆事故、每个车辆事故中的涉事车辆以及涉事人员；根据所述待处理的车险数据构建车辆事故连通图，所述车辆事故连通图用于代表各个所述涉事车辆之间的连通关系；基于所述车辆事故连通图确定有诈骗嫌疑的涉事车辆；根据所述有诈骗嫌疑的涉事车辆对应的涉事人员确定所述待处理的车险数据对应的诈骗团伙。
在本申请实施例中，在获取到待处理的车险数据后，根据待处理的车险数据构建车辆事故连通图，该连通图可以代表各个涉事车辆之间的连通关系，然后基于车辆事故连通图先确定有诈骗嫌疑的涉事车辆，再根据有诈骗嫌疑的车辆对应的涉事人员确定诈骗团伙。与现有技术相比，通过构建车辆事故连通图，连通图能够代表各个涉事车辆之间的连通关系，通过该连通关系能够快速的分析各个涉事车辆之间的关系，进而能够锁定到与涉事车辆相关的涉事人员。利用图算法，能够快速准确的确定出与待处理的车险数据对应的诈骗团伙，提高车险诈骗团伙挖掘的准确性和效率。
作为一种可能的实现方式，根据所述待处理的车险数据构建车辆事故连通图，包括：根据每个车辆事故中的涉事车辆确定每个车辆事故对应的小连通图；根据每个车辆事故对应的小连通图构建所述车辆事故连通图。
通过先确定每个车辆事故的小连通图，再基于小连通图构建车辆事故连通图，能够快速的完成车辆事故连通图的构建，且能够保证车辆事故连通图中的连通关系完整，进而提高车险诈骗团伙挖掘的准确性和效率。
作为一种可能的实现方式，根据每个车辆事故对应的小连通图构建所述车辆事故连通图，包括：根据每个车辆事故对应的小连通图中的相同的涉事车辆确定不同的小连通图之间的连通关系；根据不同的小连通图之间的连通关系构建所述车辆事故连通图。
在构建车辆事故连通图时，可以根据小连通图中的相同的涉事车辆确定不同的小连通图之间的连通关系，进而构建车辆事故连通图，提高连通图的构建效率。
作为一种可能的实现方式，基于所述车辆事故连通图确定有诈骗嫌疑的涉事车辆，包括：将所述车辆事故连通图中具有闭环连通关系的涉事车辆确定为有诈骗嫌疑的涉事车辆。
对于有闭环连通关系的涉事车辆，是诈骗团伙的可能性较大，可以确定为有诈骗嫌疑的涉事车辆，提高诈骗团伙挖掘的准确性。
作为一种可能的实现方式，基于所述车辆事故连通图确定有诈骗嫌疑的涉事车辆，包括：将所述车辆联通事故连通图中与多个涉事车辆均有连通关系的涉事车辆确定为有诈骗嫌疑的涉事车辆。
对于与多个涉事车辆均有连通关系的涉事车辆，也可确定为有诈骗嫌疑的涉事车辆，提高诈骗团伙挖掘的准确性。
作为一种可能的实现方式，根据所述有诈骗嫌疑的涉事车辆对应的涉事人员确定所述待处理的车险数据对应的诈骗团伙，包括：获取预先存储的诈骗嫌疑人信息，所述诈骗嫌疑人信息包括诈骗嫌疑人和所述诈骗嫌疑人对应的涉事车辆；根据所述诈骗嫌疑人、所述诈骗嫌疑人对应的涉事车辆以及所述有诈骗嫌疑的涉事车辆对所述有诈骗嫌疑的涉事车辆对应的涉事人员进行嫌疑值评分；根据所述嫌疑值评分确定所述待处理的车险数据对应的诈骗团伙。
在确定诈骗团伙时，还可以根据预先已存储有的嫌疑人信息对涉事人员进行嫌疑值评分，再根据嫌疑值评分确定诈骗团伙，进一步提高最终挖掘的诈骗团伙的准确性。
作为一种可能的实现方式，获取待处理的车险数据，包括：接收用户上传的当前车险数据；获取存储的在先车险数据，所述在先车险数据为在所述当前车险数据的之前的预设时间段内上传的车险数据；所述待处理的车险数据包括所述当前车险数据与所述在先车险数据。
在获取待处理的车险数据时，可以在接收到用户上传的当前车险数据时，获取已有的车险数据，然后基于当前车险数据和在先车险数据作为待处理的车险数据，使车险数据中的数据更多，更具有代表性，进而提高最后的挖掘结果的准确性。
第二方面，本申请实施例提供一种车险诈骗团伙挖掘的装置，该装置包括用于实现第一方面以及第一方面的任意可能的实现方式中所述的方法的各个功能模块。
第三方面，本申请实施例提供一种可读存储介质，所述可读存储介质上存储有计算机程序，所述计算机程序被计算机运行时执行如第一方面的以及第一方面的任意可能的实现方式中所述的方法。
附图说明
为了更清楚地说明本申请实施例的技术方案，下面将对本申请实施例中所需要使用的附图作简单地介绍，应当理解，以下附图仅示出了本申请的某些实施例，因此不应被看作是对范围的限定，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他相关的附图。
图1为本申请实施例提供的车险诈骗团伙挖掘的方法的流程图；
图2为本申请实施例提供的小连通图第一举例示意图；
图3为本申请实施例提供的小连通图第二举例示意图；
图4为本申请实施例提供的大连通图第一举例示意图；
图5为本申请实施例提供的大连通图第二举例示意图；
图6为本申请实施例提供的大连通图第三举例示意图；
图7为本申请实施例提供的车险诈骗团伙挖掘的装置的功能模块结构框图。
具体实施方式
下面将结合本申请实施例中的附图，对本申请实施例中的技术方案进行描述。
本申请实施例所提供的车险诈骗团伙挖掘的方法可以应用于各类保险公司的车险数据处理系统；也可以应用于各类需要进行诈骗团伙挖掘和分析的数据处理系统。此类数据处理系统可以包括客户端与服务器或者浏览器与服务器。当数据处理系统包括客户端与服务器时，客户端可作为与用户进行交互的端，接收用户的请求，然后再将请求发送给服务器，服务器根据数据库中存储的相关数据以及用户的请求中的相关数据处理用户的请求，然后反馈对应的结果给客户端，客户端再反馈给用户。例如：某保险公司的数据处理系统，工作人员将相关数据上传到客户端，客户端再发送给服务器进行存储；然后当工作人员有诈骗团伙的分析请求时，在客户端上发起该请求，客户端将请求发送给服务器，服务器进行对应的数据处理，然后反馈给客户端，客户端再反馈给工作人员。当然，对于浏览器与服务器的形式，与客户端与服务器的形式类似，只是浏览器不需要依赖于特定的客户端，在此不再重复举例。
基于上述应用场景，接下来请参照图1，为本申请实施例提供的车险诈骗团伙挖掘的方法的流程图，该方法包括：
步骤101：获取待处理的车险数据。待处理的车险数据中包括多个车辆事故、每个车辆事故中的涉事车辆以及涉事人员。
步骤102：根据待处理的车险数据构建车辆事故连通图。车辆事故连通图用于代表各个涉事车辆之间的连通关系。
步骤103：基于车辆事故连通图确定有诈骗嫌疑的涉事车辆。
步骤104：根据有诈骗嫌疑的涉事车辆对应的涉事人员确定待处理的车险数据对应的诈骗团伙。
与现有技术相比，通过构建车辆事故连通图，连通图能够代表各个涉事车辆之间的连通关系，通过该连通关系能够快速的分析各个涉事车辆之间的关系，进而能够锁定到与涉事车辆相关的涉事人员。利用图算法，能够快速准确的确定出与待处理的车险数据对应的诈骗团伙，提高车险诈骗团伙挖掘的准确性和效率。
接下来基于该方法的应用场景对步骤101-步骤104的详细实施流程进行介绍。
在步骤101中，获取待处理的车险数据。结合前述实施例中的应用场景可以理解，可以是实时上传的待处理的车险数据，也可以是预先就存储有的待处理的车险数据。对于预先存储的待处理的车险数据来说，在步骤 101中，直接获取存储的待处理的车险数据即可，在这种方式中，一般是批量对数据进行处理，而步骤101的实施条件可以是基于用户发起的数据处理请求，即当接收到用户发起的数据处理请求时，获取待处理的车险数据。
对于实时上传的待处理的车险数据，可以是用户一次性批量将多个车险数据进行上传，作为待处理的车险数据。除了这种实施方式，考虑到骗保行为可能是持续性的，如果只依靠实时的车险数据，可能并不能对诈骗团伙进行更全面的挖掘。在这种情况下，假设用户当前上传了车险数据，数据库中也存储了之前的车险数据，此时待处理的数据可以同时包括当前上传的数据和存储的车险数据，因此，作为另一种可选的实施方式，步骤 101可以包括：接收用户上传的当前车险数据；获取存储的在先车险数据，在先车险数据为在当前车险数据的之前的预设时间段内上传的车险数据；待处理的车险数据包括当前车险数据与在先车险数据。
在这种实施方式中，预设时间段内可以是一个月，一个星期或者更短的时间，该预设时间段可以根据数据处理系统具体的数据处理量进行设置，例如数据处理量较大的情况下，该预设时间段就可以设置的较短；数据处理量较小的情况下，该预设时间段就可以设置的较长。
在获取待处理的车险数据时，可以在接收到用户上传的当前车险数据时，获取已有的车险数据，然后基于当前车险数据和在先车险数据作为待处理的车险数据，使车险数据中的数据更多，更具有代表性，进而提高最后的挖掘结果的准确性。
进一步的，在待处理的车险数据中，包括多个车辆事故和每个车辆事故中的涉事车辆以及涉事人员。例如：车辆事故一，涉事车辆A和涉事车辆B，涉事人员张某和李某。车辆事故二，涉事车辆B和涉事车辆C，涉事人员李某和王某。可以理解，一个涉事车辆可能对应一个或者多个涉事人员，但是当对应多个涉事人员时，可能有的涉事人员只是第三方人员，例如乘坐涉事车辆的人员，而涉事车辆的车主可作为当事人员。因为车险数据会对与保险相关的所有信息都进行记录，所以这些信息都可以包含在车险数据中。
其中，涉事车辆可以由车辆的车牌号码进行标识，例如：川AXXXX；涉事人员可以通过姓名以及身份证号等信息进行标识，例如：张某某；身份证号：XXXXXXX(仅作示意性的表示)。车辆事故可以根据事故发生的时间或者事故编号等进行标识，例如：0020190102，代表2019年1月2号发生的车辆事故。
进一步的，基于获取到的待处理的车险数据，在步骤102中，可以基于待处理的车险数据构建车辆事故连通图，该车辆事故连通图用于代表各个涉事车辆之间的连通关系。
对于连通图，属于图的一种。图(Graph)是由顶点的有穷非空集合和顶点之间边的集合组成，通常表示为：G(V,E)，其中，G表示一个图，V是图G中顶点的集合，E是图G中边的集合。无向图(Undirected graphs)：如果图中任意两个顶点之间的边都是无向边(简而言之就是没有方向的边)，则称该图为无向图(Undirected graphs)。有向图(Directedgraphs)：如果图中任意两个顶点之间的边都是有向边(简而言之就是有方向的边)，则称该图为有向图(Directed graphs)。连通图(Connected Graph)：在图论中，连通图基于连通的概念。在一个无向图G中，若从顶点i到顶点j有路径相连(当然从j到i也一定有路径)，则称i和j是连通的。如果G是有向图，那么连接i和j的路径中所有的边都必须同向。如果图中任意两点都是连通的，那么图被称作连通图。图的连通性是图的基本性质。强连通图(StronglyConnected Graph)：是指在有向图G中，如果对于每一对vi、 vj，vi≠vj，从vi到vj和从vj到vi都存在路径，则称G是强连通图。有向图中的极大强连通子图称做有向图的强连通分量。
在本申请实施例中，应用的是连通图，连通图中的顶点可以是各个涉事车辆，如果两个涉事车辆之间是连通的，代表这两个涉事车辆在同一个车辆事故中出现过。因此，构建各个车辆事故之间的连通图，可以基于各个涉事车辆之间存在的关系进行构建。
基于此，步骤102的一种可选的实施方式：根据每个车辆事故中的涉事车辆确定每个车辆事故对应的小连通图；根据每个车辆事故对应的小连通图构建车辆事故连通图。
在这种实施方式中，对于小连通图，就是每个车辆事故中涉事车辆之间的关系，举例来说，请参见图2和图3，为小连通图的举例示意图，在图 2所示的车辆事故一的小连通图中，包括涉事车辆A和涉事车辆B，由于涉事车辆A与涉事车辆B相撞，导致了车辆事故一，因此，涉事车辆A到涉事车辆B有一个路径。在图3所示的车辆事故二的小连通图中，包括涉事车辆B、涉事车辆C以及涉事车辆D，由于涉事车辆B的问题，涉事车辆 B与涉事车辆C和涉事车辆D都相撞，导致了车辆事故二，因此，涉事车辆B到涉事车辆C和涉事车辆D都有一个路径。
进一步的，根据每个车辆事故对应的小连通图构建车辆事故连通图，包括：根据每个车辆事故对应的小连通图中的相同的涉事车辆确定不同的小连通图之间的连通关系；根据不同的小连通图之间的连通关系构建车辆事故连通图。
可以理解，要根据不同的小连通图得到大连通图，就要挖掘不同的小连通图之间的关系，此时，相同的涉事车辆就成为了连接纽带。因此，可以基于连接纽带进行大连通图的构建。以图2和图3为例来说，要合并这两个连通图，它们都包括涉事车辆B，这两个连通图可以基于涉事车辆B 进行搭建，基于图2和图3得到的大连通图可以如图4所示。当有多个小连通图时，按照相同的方式即可将不同的连通图汇聚为一个或者多个总的连通图。此外，假设最后将有关系的小连通图都进行组合后，还剩下有小连通图，此时该小连通图可以作为一个大的连通图，可以代表该车辆事故与其他车辆事故都没有共同点。那么可以理解，最后构建的总的连通图可以不止包括一个，可以是多个。
举例来说，假设有涉事车辆集合：A、B、C、D、E、F、G、H，对应的车辆事故集合：A->B、B->C、C->A、B->D、C->E、F->G、F->H，通过连通图的构建，将会得到如图5和图6分别所示的ABCDE和FGH两个最大连通图。
此外，基于上述连通图的构建逻辑，在实际应用时，可以直接基于 ConnectedComponents(连通分量)算法完成连通图的构建。
进一步的，在实际应用时，由于数据很多，因此会涉及到大量的数据的处理，在实际应用时，可以利用一些大数据处理算法或者处理工具，实现数据的处理。例如：ApacheSpark计算引擎，是专为大规模数据处理而设计的快速通用的计算引擎。它提供的高级API(Application Programming Interface,应用程序接口)剥离了对分布式集群本身的关注，使得Spark应用开发者可以专注于应用所要做的计算本身，是目前大数据批处理的首选。RDD(Resilient Distributed Dataset)叫做弹性的分布式数据集合，是Spark 中最基本的数据抽象，它代表一个不可变、只读的，被分区的数据集。操作RDD就像操作本地集合一样，有很多的方法可以调用，使用方便，而无需关心底层的调度细节。在Spark中，DataFrame是一种以RDD为基础的分布式数据集，类似于传统数据库中的二维表格。DataFrame带有schema 元信息，即DataFrame所表示的二维表数据集的每一列都带有名称和类型。这使得Spark SQL(Structured Query Language，结构化查询语言)得以洞察更多的结构信息，从而对藏于DataFrame背后的数据源以及作用于DataFrame之上的变换进行了针对性的优化，最终达到大幅提升运行时效率的目标。
在具体利用这些算法工具时，可以按照本申请实施例的实现逻辑去设置算法对应的逻辑，然后将数据输入设置好的算法工具中，进而可以实现对大量的数据进行分析。
在本申请实施例中，通过先确定每个车辆事故的小连通图，再基于小连通图构建车辆事故连通图，能够快速的完成车辆事故连通图的构建，且能够保证车辆事故连通图中的连通关系完整，在构建车辆事故连通图时，可以根据小连通图中的相同的涉事车辆确定不同的小连通图之间的连通关系，进而构建车辆事故连通图，提高连通图的构建效率。
进一步的，在得到车辆事故连通图后，可以执行步骤103，基于车辆事故连通图确定有诈骗嫌疑的涉事车辆。在实施步骤103时，可以通过不同的确定规则对车辆事故连通图进行分析，确定有诈骗嫌疑的涉事车辆。
步骤103的第一种可选的实施方式：将车辆事故连通图中具有闭环连通关系的涉事车辆确定为有诈骗嫌疑的涉事车辆。
在第一种可选的实施方式中，可以理解，出现闭环者，有重大嫌疑。一般而言，在实际中，排除多方事故的情况，车辆A和B相撞，间隔一段时间后B和C相撞，间隔一段时间后C和A又相撞，如此行成闭环，或者涉及更多的车辆后形成闭环者，虽不能完全排除此种巧合，但可能性较小。凡出现此类闭环者，可初步预判为嫌疑团伙。例如在图5中，涉事车辆A、涉事车辆B以及涉事车辆C就构成了闭环，进而涉事车辆A、涉事车辆B 以及涉事车辆C可被确定为具有闭环关系的涉事车辆，为有诈骗嫌疑的涉事车辆。
对于有闭环连通关系的涉事车辆，是诈骗团伙的可能性较大，可以确定为有诈骗嫌疑的涉事车辆，提高诈骗团伙挖掘的准确性。
步骤103的第二种可选的实施方式：将车辆联通事故连通图中与多个涉事车辆均有连通关系的涉事车辆确定为有诈骗嫌疑的涉事车辆。
在第二种实施方式中，可以理解，在一个诈骗团伙中，各个诈骗嫌疑人也可能分开作案，与不同的车辆制造事故，以进行骗保，此时它们可能在一个闭环中，也可能不在一个闭环中，但不排除是一个诈骗团伙进行集体诈骗的可能性。继续以图5和图6为例，在图5中，涉事车辆A、涉事车辆B以及涉事车辆C均与多个涉事车辆具有连通关系；同时在图6中，涉事车辆F与涉事车辆G和涉事车辆H都有连通关系；那么涉事车辆A、涉事车辆B、涉事车辆C以及涉事车辆F都可被确定为有诈骗嫌疑的涉事车辆。
对于与多个涉事车辆均有连通关系的涉事车辆，也可确定为有诈骗嫌疑的涉事车辆，提高诈骗团伙挖掘的准确性。
上述的两种实施方式都是对连通图中的涉事车辆之间的关系进行分析和挖掘，在具体实施时，可以通过各类大数据处理算法实现。例如：Page Rank (网页排名)算法，又称佩奇排名算法。谷歌的两位创始人，佩奇(Larry Page) 和布林(Sergey Brin)对网页排序问题进行研究，借鉴了学术界评判学术论文重要性的通用方法，那就是看论文的引用次数。由此想到网页的重要性也可以根据这种方法来评价。于是Page Rank的核心思想就诞生了，非常简单：如果一个网页被很多其他网页链接到的话说明这个网页比较重要，也就是PageRank值会相对较高；如果一个PageRank值很高的网页链接到一个其他的网页，那么被链接到的网页的PageRank值会相应地因此而提高。因此，基于该算法，可以分析连通图中的各个涉事车辆被链接到其他涉事车辆的情况，进而确定是否具有闭环关系或者是否与多个涉事车辆具有连通关系。
进一步的，在步骤103中确定了有诈骗嫌疑的涉事车辆后，在步骤104 中可以根据有诈骗嫌疑的涉事车辆对应的涉事人员确定待处理的车险数据对应的诈骗团伙。
作为一种可选的实施方式，最后确定出的对应的涉事人员可直接作为待处理的车险数据对应的诈骗团伙。此外，由于同一个涉事人员可能对应多个涉事车辆，在确实诈骗团伙时，还可以对涉事人员进行去重，即当出现多个相同的涉事人员时，仅保留一个涉事人员，并且将该涉事人员对应的多个涉事车辆都列在该涉事人员下。
作为另一种可选的实施方式，最后确定出的对应的涉事人员还可以进行进一步的评估，进而最终确定诈骗团伙，此时步骤104包括：获取预先存储的诈骗嫌疑人信息，诈骗嫌疑人信息包括诈骗嫌疑人和诈骗嫌疑人对应的涉事车辆；根据诈骗嫌疑人、诈骗嫌疑人对应的涉事车辆以及有诈骗嫌疑的涉事车辆对有诈骗嫌疑的涉事车辆对应的涉事人员进行嫌疑值评分；根据嫌疑值评分确定待处理的车险数据对应的诈骗团伙。
在这种实施方式中，在数据库已经存储有诈骗嫌疑人信息，包括诈骗嫌疑人和诈骗嫌疑人对应的涉事车辆，该诈骗嫌疑人信息可能是用户输入的，也可能是从其他途径获取到并进行存储的信息，例如一些信息平台发布的嫌疑人信息。基于已有的诈骗嫌疑人信息，可以进一步的对有诈骗嫌疑的涉事车辆对应的涉事人员进行进一步的筛选。在进行嫌疑值评分时，可以同时参考诈骗嫌疑人和诈骗嫌疑人对应的涉事车辆。
举例来说，如果有诈骗嫌疑的涉事车辆和对应的涉事人员都没有在诈骗嫌疑人信息中，那么该有诈骗嫌疑的涉事车辆对应的涉事人员的嫌疑值评分就较低。如果有诈骗嫌疑的涉事车辆对应的涉事人员存在于诈骗嫌疑人信息中，但是有诈骗嫌疑的涉事车辆没有在诈骗嫌疑人信息中，该有诈骗嫌疑的涉事车辆对应的涉事人员的嫌疑值评分较高。如果有诈骗嫌疑的涉事车辆在诈骗嫌疑人信息中，但是有诈骗嫌疑的涉事车辆对应的涉事人员没有在诈骗嫌疑人信息中，该有诈骗嫌疑的涉事车辆对应的涉事人员的嫌疑值评分也较高。如果有诈骗嫌疑的涉事车辆和对应的涉事人员都在诈骗嫌疑人信息中，那么该有诈骗嫌疑的涉事车辆对应的涉事人员的嫌疑值评分就更高。
基于上述举例中的四种不同的情况可以进行不同的嫌疑值评分，然后可以将嫌疑值评分大于阈值的涉事人员作为待处理的车险数据对应的诈骗团伙。当然，上述嫌疑值评分的举例只是其中一种实施方式，可以根据具体的情况设置不同的嫌疑值评分标准或者规则，在此不作限定。
在本申请实施例中，在确定诈骗团伙时，还可以根据预先已存储有的嫌疑人信息对涉事人员进行嫌疑值评分，再根据嫌疑值评分确定诈骗团伙，进一步提高最终挖掘的诈骗团伙的准确性。
此外，在确定诈骗团伙后，还可以将诈骗团伙中的每个涉事人员与涉事车辆对应起来，生成诈骗团伙信息输出，进而反馈给用户。需要注意的是，对于涉事人员和涉事车辆的对应，一个涉事人员可以对应多个涉事车辆，一个涉事车辆也可以对应多个涉事人员，但是这些涉事车辆和涉事人员都属于该诈骗团伙，因此可以将这些信息都反馈给用户。
当然，还可以将诈骗团伙中的每一个涉事人员的嫌疑值评分也一并反馈给用户，使用户还可以基于反馈结果进行进一步的确认，提高诈骗团伙挖掘的准确性。
基于同一发明构思，请参照图7，本申请实施例中还提供一种车险诈骗团伙挖掘的装置200，包括：获取模块201，构建模块202和确定模块203。
获取模块201用于：获取待处理的车险数据，所述待处理的车险数据中包括多个车辆事故、每个车辆事故中的涉事车辆以及涉事人员。构建模块202用于：根据所述待处理的车险数据构建车辆事故连通图，所述车辆事故连通图用于代表各个所述涉事车辆之间的连通关系。确定模块203用于：基于所述车辆事故连通图确定有诈骗嫌疑的涉事车辆；根据所述有诈骗嫌疑的涉事车辆对应的涉事人员确定所述待处理的车险数据对应的诈骗团伙。
可选的，构建模块202具体用于：根据每个车辆事故中的涉事车辆确定每个车辆事故对应的小连通图；根据每个车辆事故对应的小连通图构建所述车辆事故连通图。
可选的，构建模块202具体还用于：根据每个车辆事故对应的小连通图中的相同的涉事车辆确定不同的小连通图之间的连通关系；根据不同的小连通图之间的连通关系构建所述车辆事故连通图。
可选的，确定模块203具体用于：将所述车辆事故连通图中具有闭环连通关系的涉事车辆确定为有诈骗嫌疑的涉事车辆。
可选的，确定模块203具体还用于：将所述车辆联通事故连通图中与多个涉事车辆均有连通关系的涉事车辆确定为有诈骗嫌疑的涉事车辆。
可选的，确定模块203具体还用于：获取预先存储的诈骗嫌疑人信息，所述诈骗嫌疑人信息包括诈骗嫌疑人和所述诈骗嫌疑人对应的涉事车辆；根据所述诈骗嫌疑人、所述诈骗嫌疑人对应的涉事车辆以及所述有诈骗嫌疑的涉事车辆对所述有诈骗嫌疑的涉事车辆对应的涉事人员进行嫌疑值评分；根据所述嫌疑值评分确定所述待处理的车险数据对应的诈骗团伙。
可选的，获取模块201具体用于：接收用户上传的当前车险数据；获取存储的在先车险数据，所述在先车险数据为在所述当前车险数据的之前的预设时间段内上传的车险数据；所述待处理的车险数据包括所述当前车险数据与所述在先车险数据。
前述实施例中的车险诈骗团伙挖掘的方法中的各实施方式和具体实例同样适用于图7的装置，通过前述对车险诈骗团伙挖掘的方法的详细描述，本领域技术人员可以清楚的知道图7中的车险诈骗团伙挖掘的装置200的实施方式，所以为了说明书的简洁，在此不再详述。
基于同一发明构思，本申请实施例还提供了一种可读存储介质，该计算机可读存储介质上存储有计算机程序，该计算机程序被计算机运行时执行上述任一实施方式的车险诈骗团伙挖掘的方法。
在本申请所提供的实施例中，应该理解到，所揭露装置和方法，可以通过其它的方式实现。以上所描述的装置实施例仅仅是示意性的，例如，所述单元的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，又例如，多个单元或组件可以结合或者可以集成到另一个系统，或一些特征可以忽略，或不执行。另一点，所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些通信接口，装置或单元的间接耦合或通信连接，可以是电性，机械或其它的形式。
另外，作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。
再者，在本申请各个实施例中的各功能模块可以集成在一起形成一个独立的部分，也可以是各个模块单独存在，也可以两个或两个以上模块集成形成一个独立的部分。
在本文中，诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来，而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。
以上所述仅为本申请的实施例而已，并不用于限制本申请的保护范围，对于本领域的技术人员来说，本申请可以有各种更改和变化。凡在本申请的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本申请的保护范围之内。
Claims (10)
1.一种车险诈骗团伙挖掘的方法，其特征在于，包括：
获取待处理的车险数据，所述车险数据中包括多个车辆事故、每个车辆事故中的涉事车辆以及涉事人员；
根据所述待处理的车险数据构建车辆事故连通图，所述车辆事故连通图用于代表各个所述涉事车辆之间的连通关系；
基于所述车辆事故连通图确定有诈骗嫌疑的涉事车辆；
根据所述有诈骗嫌疑的涉事车辆对应的涉事人员确定所述待处理的车险数据对应的诈骗团伙。
2.根据权利要求1所述的方法，其特征在于，根据所述待处理的车险数据构建车辆事故连通图，包括：
根据每个车辆事故中的涉事车辆确定每个车辆事故对应的小连通图；
根据每个车辆事故对应的小连通图构建所述车辆事故连通图。
3.根据权利要求2所述的方法，其特征在于，根据每个车辆事故对应的小连通图构建所述车辆事故连通图，包括：
根据每个车辆事故对应的小连通图中的相同的涉事车辆确定不同的小连通图之间的连通关系；
根据不同的小连通图之间的连通关系构建所述车辆事故连通图。
4.根据权利要求1所述的方法，其特征在于，基于所述车辆事故连通图确定有诈骗嫌疑的涉事车辆，包括：
将所述车辆事故连通图中具有闭环连通关系的涉事车辆确定为有诈骗嫌疑的涉事车辆。
5.根据权利要求1所述的方法，其特征在于，基于所述车辆事故连通图确定有诈骗嫌疑的涉事车辆，包括：
将所述车辆联通事故连通图中与多个涉事车辆均有连通关系的涉事车辆确定为有诈骗嫌疑的涉事车辆。
6.根据权利要求1所述的方法，其特征在于，根据所述有诈骗嫌疑的涉事车辆对应的涉事人员确定所述待处理的车险数据对应的诈骗团伙，包括：
获取预先存储的诈骗嫌疑人信息，所述诈骗嫌疑人信息包括诈骗嫌疑人和所述诈骗嫌疑人对应的涉事车辆；
根据所述诈骗嫌疑人、所述诈骗嫌疑人对应的涉事车辆以及所述有诈骗嫌疑的涉事车辆对所述有诈骗嫌疑的涉事车辆对应的涉事人员进行嫌疑值评分；
根据所述嫌疑值评分确定所述待处理的车险数据对应的诈骗团伙。
7.根据权利要求1所述的方法，其特征在于，获取待处理的车险数据，包括：
接收用户上传的当前车险数据；
获取存储的在先车险数据，所述在先车险数据为在所述当前车险数据的之前的预设时间段内上传的车险数据；所述待处理的车险数据包括所述当前车险数据与所述在先车险数据。
8.一种车险诈骗团伙挖掘的装置，其特征在于，包括：
获取模块，用于获取待处理的车险数据，所述待处理的车险数据中包括多个车辆事故、每个车辆事故中的涉事车辆以及涉事人员；
构建模块，用于根据所述待处理的车险数据构建车辆事故连通图，所述车辆事故连通图用于代表各个所述涉事车辆之间的连通关系；
确定模块，用于：基于所述车辆事故连通图确定有诈骗嫌疑的涉事车辆；根据所述有诈骗嫌疑的涉事车辆对应的涉事人员确定所述待处理的车险数据对应的诈骗团伙。
9.根据权利要求8所述的装置，其特征在于，所述确定模块具体用于：
将所述车辆事故连通图中具有闭环连通关系的涉事车辆确定为有诈骗嫌疑的涉事车辆。
10.一种可读存储介质，其特征在于，所述可读存储介质上存储有计算机程序，所述计算机程序被计算机运行时执行如权利要求1-7任一项所述的方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201911344447.XA CN111402065A (zh) | 2019-12-23 | 2019-12-23 | 一种车险诈骗团伙挖掘的方法及装置、可读存储介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201911344447.XA CN111402065A (zh) | 2019-12-23 | 2019-12-23 | 一种车险诈骗团伙挖掘的方法及装置、可读存储介质 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN111402065A true CN111402065A (zh) | 2020-07-10 |
Family
ID=71413160
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201911344447.XA Pending CN111402065A (zh) | 2019-12-23 | 2019-12-23 | 一种车险诈骗团伙挖掘的方法及装置、可读存储介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN111402065A (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111861763A (zh) * | 2020-07-28 | 2020-10-30 | 贵州力创科技发展有限公司 | 一种基于大数据管理的车辆保险反欺诈系统及方法 |
Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20100094664A1 (en) * | 2007-04-20 | 2010-04-15 | Carfax, Inc. | Insurance claims and rate evasion fraud system based upon vehicle history |
| CN103810637A (zh) * | 2013-12-17 | 2014-05-21 | 深圳市般若计算机系统有限公司 | 机动车保险欺诈检测方法及系统 |
| CN108491821A (zh) * | 2018-04-02 | 2018-09-04 | 深圳市亚来科技有限公司 | 基于图像处理和深度学习的车险事故鉴别方法、系统及存储介质 |
| CN109658260A (zh) * | 2018-12-10 | 2019-04-19 | 泰康保险集团股份有限公司 | 基于区块链的欺诈行为确定方法及装置、介质和电子设备 |
| CN110428337A (zh) * | 2019-06-14 | 2019-11-08 | 南京泛函智能技术研究院有限公司 | 车险欺诈团伙的识别方法及装置 |
| CN110458718A (zh) * | 2019-08-09 | 2019-11-15 | 泰康保险集团股份有限公司 | 车险欺诈识别方法、装置、介质及电子设备 |
-
2019
- 2019-12-23 CN CN201911344447.XA patent/CN111402065A/zh active Pending
Patent Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20100094664A1 (en) * | 2007-04-20 | 2010-04-15 | Carfax, Inc. | Insurance claims and rate evasion fraud system based upon vehicle history |
| CN103810637A (zh) * | 2013-12-17 | 2014-05-21 | 深圳市般若计算机系统有限公司 | 机动车保险欺诈检测方法及系统 |
| CN108491821A (zh) * | 2018-04-02 | 2018-09-04 | 深圳市亚来科技有限公司 | 基于图像处理和深度学习的车险事故鉴别方法、系统及存储介质 |
| CN109658260A (zh) * | 2018-12-10 | 2019-04-19 | 泰康保险集团股份有限公司 | 基于区块链的欺诈行为确定方法及装置、介质和电子设备 |
| CN110428337A (zh) * | 2019-06-14 | 2019-11-08 | 南京泛函智能技术研究院有限公司 | 车险欺诈团伙的识别方法及装置 |
| CN110458718A (zh) * | 2019-08-09 | 2019-11-15 | 泰康保险集团股份有限公司 | 车险欺诈识别方法、装置、介质及电子设备 |
Non-Patent Citations (2)
| Title |
|---|
| 喻炜等: "机动车辆保险欺诈检测系统及团伙识别研究" * |
| 汤俊;莫依雯;: "基于数据挖掘技术的车险反欺诈系统构建" * |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111861763A (zh) * | 2020-07-28 | 2020-10-30 | 贵州力创科技发展有限公司 | 一种基于大数据管理的车辆保险反欺诈系统及方法 |
| CN111861763B (zh) * | 2020-07-28 | 2024-03-22 | 贵州力创科技发展有限公司 | 一种基于大数据管理的车辆保险反欺诈系统及方法 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| US8843487B2 (en) | Process and method for data assurance management by applying data assurance metrics | |
| US20230274279A1 (en) | System and method for identity chaining | |
| US20110238566A1 (en) | System and methods for determining and reporting risk associated with financial instruments | |
| US20090204517A1 (en) | Intercompany accounting data analytics | |
| US8706587B1 (en) | Statistical prioritization and detection of potential financial crime events | |
| WO2021254027A1 (zh) | 一种可疑社团的识别方法、装置、存储介质和计算机设备 | |
| US9495639B2 (en) | Determining document classification probabilistically through classification rule analysis | |
| US20220237620A1 (en) | Systems and methods for outlier detection of transactions | |
| US20140316960A1 (en) | Merchant bank tool | |
| CN112419030B (zh) | 财务舞弊风险评估的方法、系统及设备 | |
| CN112418859B (zh) | 区块链的共识方法及装置、电子设备和可读存储介质 | |
| US20240095734A1 (en) | Embedded data transaction exchange platform | |
| CN102870110A (zh) | 文档登记系统 | |
| CN113095647B (zh) | 一种车辆审查系统 | |
| CN111402065A (zh) | 一种车险诈骗团伙挖掘的方法及装置、可读存储介质 | |
| CN114187082A (zh) | 一种财务记账及报销方法及系统 | |
| CN112232656A (zh) | 一种业务数据的监测预警方法、设备、终端以及可读介质 | |
| CN114971642A (zh) | 基于知识图谱的异常识别方法、装置、设备及存储介质 | |
| US20180204289A1 (en) | Computer-Implemented Method, Computer Program Product and System for Facilitating Remote Transfer of Financial Information and File Creation | |
| Alles et al. | Process mining: A new research methodology for AIS | |
| CN111932131A (zh) | 业务数据处理方法及装置 | |
| CN111831904A (zh) | 一种旅客行为数据分析方法及系统 | |
| RU2697963C1 (ru) | Способ оценки сделки клиента с контрагентом на предмет конфликта интересов | |
| CN109584029B (zh) | 一种电子发票的稽核方法、装置、介质及电子设备 | |
| Altobello et al. | Development of a Structure for a MIRE Management Information System |
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: 20210915 Address after: 100000 room 650, 6th floor, building 11, Huashan Garden Cultural Media Industrial Park, 1376 folk culture street, Gaobeidian village, Gaobeidian Township, Chaoyang District, Beijing Applicant after: Beijing Zhizhi Heshu Technology Co.,Ltd. Address before: No.310, building 4, courtyard 8, Dongbei Wangxi Road, Haidian District, Beijing Applicant before: MININGLAMP SOFTWARE SYSTEMS Co.,Ltd. |
|
| TA01 | Transfer of patent application right | ||
| WD01 | Invention patent application deemed withdrawn after publication |
Application publication date: 20200710 |
|
| WD01 | Invention patent application deemed withdrawn after publication |