CN111507848B - 一种基于大数据的车辆保险反欺诈检测方法 - Google Patents
一种基于大数据的车辆保险反欺诈检测方法 Download PDFInfo
- Publication number
- CN111507848B CN111507848B CN202010206882.2A CN202010206882A CN111507848B CN 111507848 B CN111507848 B CN 111507848B CN 202010206882 A CN202010206882 A CN 202010206882A CN 111507848 B CN111507848 B CN 111507848B
- Authority
- CN
- China
- Prior art keywords
- vehicle
- analyzed
- insurance
- survey
- detection method
- 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
- 238000001514 detection method Methods 0.000 title claims abstract description 53
- 238000011835 investigation Methods 0.000 claims description 14
- 238000010586 diagram Methods 0.000 claims description 13
- 238000004458 analytical method Methods 0.000 abstract description 9
- 238000000034 method Methods 0.000 abstract description 9
- 238000010801 machine learning Methods 0.000 abstract description 4
- 230000007547 defect Effects 0.000 abstract description 3
- 230000006399 behavior Effects 0.000 description 1
- 230000004069 differentiation Effects 0.000 description 1
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
Landscapes
- Business, Economics & Management (AREA)
- Accounting & Taxation (AREA)
- Finance (AREA)
- Engineering & Computer Science (AREA)
- Development Economics (AREA)
- Economics (AREA)
- Marketing (AREA)
- Strategic Management (AREA)
- Technology Law (AREA)
- Physics & Mathematics (AREA)
- General Business, Economics & Management (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Financial Or Insurance-Related Operations Such As Payment And Settlement (AREA)
Abstract
本发明涉及一种基于大数据的车辆保险反欺诈检测方法,针对目前车辆保险理赔领域存在的数据和技术问题,摒弃以往保险公司只针对自己公司个案进行分析的缺点,从大数据角度利用关系网络、数理统计、机器学习和图像处理等技术手段,整合各保险公司的车辆保险数据,以及全部车辆事故协商处理记录进行协同分析,解决了信息孤岛导致的反欺诈难度,同时应用警务平台上的人员社会关系数据,诸如通讯录、户籍地、报案记录等相关数据,为保险欺诈提供了切实的证据,如此,针对保险理赔存在的技术问题,摒弃以往的单一分析方法,从人车风险维度、逻辑风险维度、事故风险维度、内部秩序风险维度四个维度出发进行分析,有效提高了车辆保险反欺诈的准确性与效率,拓展了保险反欺诈的方法和范围。
Description
技术领域
本发明涉及一种基于大数据的车辆保险反欺诈检测方法,属于保险反欺诈技术领域。
背景技术
车辆保险反欺诈是指各保险公司针对在其公司所投保标、且在保单有效期内发生有责事故理赔情况进行分析的行为,目前各保险公司主要是针对案值高的大案,派本公司员工或交给第三方公估公司进行人工介入调查,主要调查手段包括痕迹比对、当面谈话、话单分析和卡口比对等。
从技术层面上看,现有调查手段只能针对单一案件进行人工分析,经验方法缺乏系统化和规范化,主要原因在于业务人员和技术人员之间的两极分化;从数据层面上看,各家保险公司单纯的只能看到自己公司的理赔数据,很难接触到交警的事故数据,如果骗保人员利用多家保险公司系统之间的数据不联通,在几家保险公司之间进行骗保操作,现有调查手段很难发现。
发明内容
本发明所要解决的技术问题是提供一种基于大数据的车辆保险反欺诈检测方法,从大数据角度应用关系网络、数理统计、机器学习和图像处理等技术手段,能够有效提高车辆保险反欺诈的准确性与效率,拓展了保险反欺诈的方法和范围。
本发明为了解决上述技术问题采用以下技术方案:本发明设计了一种基于大数据的车辆保险反欺诈检测方法,用于实现车辆保险欺诈嫌疑人员的查找,整合预设指定各保险公司的车辆保险数据,构成车辆保险数据库,同时获得全部车辆事故协商处理记录;车辆保险反欺诈检测方法包括人车风险维度检测方法,包括如下步骤:
步骤I1.由车辆保险数据库,判断是否存在车辆在两家不同保险公司进行出险,是则将满足该条件的各个车辆作为各个原始待分析车辆,并进入步骤I2;否则排除车辆保险数据库中各车辆的保险欺诈嫌疑,人车风险维度检测方法结束;
步骤I2.针对全部原始待分析车辆,判断其中是否存在分别在两家不同保险公司出险时间间隔小于预设天数的原始待分析车辆,是则将满足该条件的各个原始待分析车辆作为各个初级待分析车辆,并进入步骤I3;否则排除全部原始待分析车辆的保险欺诈嫌疑,人车风险维度检测方法结束;
步骤I3.针对各初级待分析车辆分别所对应在两家不同保险公司的出险,判断其中是否存在第一次出险为标的方出险、且第二次出险为三责方出险的初级待分析车辆,是则将满足该条件的各个初级待分析车辆作为各个中级待分析车辆,并进入步骤I4;否则排除全部初级待分析车辆的保险欺诈嫌疑,人车风险维度检测方法结束;
步骤I4.针对各中级待分析车辆分别所对应在两家不同保险公司的出险,判断其中是否存在车辆两次碰撞痕迹一致、或第二次车辆碰撞痕迹为第一次车辆碰撞痕迹的扩大的中级待分析车辆,是则将满足该条件的各个中级待分析车辆作为各个终级待分析车辆,并进入步骤I5;否则排除全部中级待分析车辆的保险欺诈嫌疑,人车风险维度检测方法结束;
步骤I5.获得各个终级待分析车辆分别所关联的驾驶员,即为车辆保险欺诈嫌疑人员,实现车辆保险欺诈嫌疑人员的查找。
作为本发明的一种优选技术方案,车辆保险反欺诈检测方法还包括逻辑风险维度检测方法,包括如下步骤:
步骤II1.由车辆保险数据库中,统计获得相同两个驾驶员之间至少碰撞2次的全部驾驶员,构成原始待分析驾驶员集合,然后进入步骤II2;
步骤II2.基于车辆保险数据库,针对原始待分析驾驶员集合,判断其中是否存在与单个其他驾驶员之间碰撞至少3次的驾驶员、或者与至少2个其他驾驶员之间分别碰撞至少2次的驾驶员,是则获得满足该条件的各个驾驶员,并构成初级待分析驾驶员集合,然后进入步骤II3;否则排除原始待分析驾驶员集合中各个驾驶员的车辆保险欺诈嫌疑,逻辑风险维度检测方法结束;
步骤II3.应用警务平台上的人员社会关系数据库,针对初级待分析驾驶员集合中的所有驾驶员进行团伙划分,获得初级待分析驾驶员集合所对应的各个团伙,然后进入步骤II4;
步骤II4.分别针对初级待分析驾驶员集合所对应的各个团伙,由原始待分析驾驶员集合中获得与团伙之间发生碰撞的各个驾驶员;然后根据各个团伙、以及与团伙之间发生碰撞的各个驾驶员,绘制待核查驾驶员关系网络图,待核查驾驶员关系网络图中各个驾驶员,即为车辆保险欺诈嫌疑人员,实现车辆保险欺诈嫌疑人员的查找。
作为本发明的一种优选技术方案,还包括事故风险维度检测方法,包括如下步骤:
步骤III1.将车辆保险数据库中的数据与全部车辆事故协商处理记录进行关联,获得在车辆保险数据库有记录,但是在全部车辆事故协商处理记录中没记录的预设理赔金额以下的各个车辆出险记录,作为各个待分析车辆出险记录,然后进入步骤III2;
步骤III2.获得各个待分析车辆出险记录分别所对应理赔款的收款银行卡号,然后获得其中满足至少预设次数收取理赔款的各个收款银行卡号,并关联该各个收款银行卡号的人员,作为各个待分析人员,再进入步骤III3;
步骤III3.针对各个待分析人员,判断是否存在待分析人员所对应车辆保险数据库中的事故查勘图片材料内、不包含事故责任认定材料,是则将满足该条件的各个待分析人员,作为各个终极待分析人员,并进入步骤III4,同时针对其余包含责任认定材料的车辆理赔案件进行人工审核材料真伪;否则直接针对包含责任认定材料的车辆理赔案件进行人工审核材料真伪;
步骤III4.基于车辆理赔记录中的报案电话号码与车辆理赔案件中收款银行卡号的关系网络图,针对各个终极待分析人员进行团伙划分,各个团伙即为车辆保险欺诈嫌疑人员,实现车辆保险欺诈嫌疑人员的查找。
作为本发明的一种优选技术方案,还包括内部秩序风险维度检测方法,包括如下步骤:
步骤IV1.分别针对各个查勘员,按如下公式:
获得查勘员所对应的车辆查勘得分Score1,其中,若mn*kn<2,则令mn*kn=0,N表示该查勘员所查勘车辆的总数,mn表示该查勘员对第n辆车辆的查勘次数,kn表示mn占该查勘员对各车辆总查勘次数的比例,然后进入步骤IV2;
步骤IV2.分别针对各个查勘员,按如下公式:
获得查勘员所对应的报案手机号查勘得分Score2,其中,若pi*qi<2,则令pi*qi=0,I表示该查勘员所查勘不同报案手机号的总数,pi表示该查勘员对第i个报案手机号的查勘次数,qi表示pi占该查勘员对各报案手机号总查勘次数的比例,然后进入步骤IV3;
步骤IV3.分别针对各个查勘员,获得查勘员所查勘车辆理赔案件中、可疑车辆理赔案件的数目,作为该查勘员所对应的可疑案件查勘得分Score3,然后进入步骤IV4;
步骤IV4.根据预设分别对应车辆查勘得分、报案手机号查勘得分、可疑案件查勘得分的权重,分别针对各个查勘员,针对查勘员所对应的车辆查勘得分、报案手机号查勘得分、可疑案件查勘得分进行加权处理,获得该查勘员所对应的查勘总得分Score,即获得各个查勘员分别所对应的查勘总得分Score,然后进入步骤IV5;
步骤IV5.针对各查勘员所对应的查勘总得分Score进行降序排序,将前预设数目的查勘员作为车辆保险欺诈嫌疑人员,实现车辆保险欺诈嫌疑人员的查找。
作为本发明的一种优选技术方案:所述步骤IV3中,可疑车辆理赔案件即为所述步骤III3中、事故查勘图片材料内包含责任认定材料的车辆理赔案件。
本发明所述一种基于大数据的车辆保险反欺诈检测方法,采用以上技术方案与现有技术相比,具有以下技术效果:
本发明所设计基于大数据的车辆保险反欺诈检测方法,针对目前车辆保险理赔领域存在的数据和技术问题,摒弃以往保险公司只针对自己公司个案进行分析的缺点,从大数据角度利用关系网络、数理统计、机器学习和图像处理等技术手段,整合各保险公司的车辆保险数据,以及全部车辆事故协商处理记录进行协同分析,解决了信息孤岛导致的反欺诈难度,同时应用警务平台上的人员社会关系数据,诸如通讯录、户籍地、报案记录等相关数据,为保险欺诈提供了切实的证据,如此,针对保险理赔存在的技术问题,摒弃以往的单一分析方法,从人车风险维度、逻辑风险维度、事故风险维度、内部秩序风险维度四个维度出发进行分析,有效提高了车辆保险反欺诈的准确性与效率,拓展了保险反欺诈的方法和范围。
附图说明
图1是本发明所设计基于大数据的车辆保险反欺诈检测方法的流程示意图;
图2是本发明设计中人车风险维度检测方法中的情形示意图;
图3是本发明设计中逻辑风险维度检测方法中的情形示意图;
图4是本发明设计中事故风险维度检测方法中的情形示意图;
图5是本发明设计中内部秩序风险维度检测方法中的情形示意图。
具体实施方式
下面结合说明书附图对本发明的具体实施方式作进一步详细的说明。
本发明设计了一种基于大数据的车辆保险反欺诈检测方法,用于实现车辆保险欺诈嫌疑人员的查找,整合预设指定各保险公司的车辆保险数据,构成车辆保险数据库,同时获得全部车辆事故协商处理记录;实际应用当中,诸如整合11家保险公司的车辆保险数据,构成车辆保险数据库;实际应用当中,车辆保险反欺诈检测方法具体包括人车风险维度检测方法、逻辑风险维度检测方法、事故风险维度检测方法、内部秩序风险维度检测方法。
实际应用中,诸如图2所示会出现车辆在短时间内在不同保险公司进行理赔操作,据此,本发明设计中应用人车风险维度检测方法,实际应用当中,如图1所示,具体包括如下步骤I1至步骤I5。
步骤I1.由车辆保险数据库,判断是否存在车辆在两家不同保险公司进行出险,是则将满足该条件的各个车辆作为各个原始待分析车辆,并进入步骤I2;否则排除车辆保险数据库中各车辆的保险欺诈嫌疑,人车风险维度检测方法结束。
步骤I2.针对全部原始待分析车辆,判断其中是否存在分别在两家不同保险公司出险时间间隔小于预设天数的原始待分析车辆,实际应用中,这里预设天数诸如设计为30天,是则将满足该条件的各个原始待分析车辆作为各个初级待分析车辆,并进入步骤I3;否则排除全部原始待分析车辆的保险欺诈嫌疑,人车风险维度检测方法结束。
步骤I3.针对各初级待分析车辆分别所对应在两家不同保险公司的出险,判断其中是否存在第一次出险为标的方出险、且第二次出险为三责方出险的初级待分析车辆,是则将满足该条件的各个初级待分析车辆作为各个中级待分析车辆,并进入步骤I4;否则排除全部初级待分析车辆的保险欺诈嫌疑,人车风险维度检测方法结束。
步骤I4.针对各中级待分析车辆分别所对应在两家不同保险公司的出险,判断其中是否存在车辆两次碰撞痕迹一致、或第二次车辆碰撞痕迹为第一次车辆碰撞痕迹的扩大的中级待分析车辆,是则将满足该条件的各个中级待分析车辆作为各个终级待分析车辆,并进入步骤I5;否则排除全部中级待分析车辆的保险欺诈嫌疑,人车风险维度检测方法结束。
步骤I5.获得各个终级待分析车辆分别所关联的驾驶员,即为车辆保险欺诈嫌疑人员,实现车辆保险欺诈嫌疑人员的查找。
逻辑风险维度检测方法在实际应用当中,如图1所示,具体包括如下步骤II1至步骤II4。
步骤II1.由车辆保险数据库中,统计获得相同两个驾驶员之间至少碰撞2次的全部驾驶员,构成原始待分析驾驶员集合,然后进入步骤II2。
步骤II2.基于车辆保险数据库,针对原始待分析驾驶员集合,判断其中是否存在与单个其他驾驶员之间碰撞至少3次的驾驶员、或者与至少2个其他驾驶员之间分别碰撞至少2次的驾驶员,是则获得满足该条件的各个驾驶员,并构成初级待分析驾驶员集合,然后进入步骤II3;否则排除原始待分析驾驶员集合中各个驾驶员的车辆保险欺诈嫌疑,逻辑风险维度检测方法结束。
步骤II3.应用警务平台上的人员社会关系数据库,针对初级待分析驾驶员集合中的所有驾驶员进行团伙划分,获得初级待分析驾驶员集合所对应的各个团伙,然后进入步骤II4。
步骤II4.分别针对初级待分析驾驶员集合所对应的各个团伙,由原始待分析驾驶员集合中获得与团伙之间发生碰撞的各个驾驶员,如图3所示为其中一个团伙;然后根据各个团伙、以及与团伙之间发生碰撞的各个驾驶员,绘制待核查驾驶员关系网络图,待核查驾驶员关系网络图中各个驾驶员,即为车辆保险欺诈嫌疑人员,实现车辆保险欺诈嫌疑人员的查找。
事故风险维度检测方法在实际应用当中,如图1所示,具体包括如下步骤III1至步骤III4。
步骤III1.将车辆保险数据库中的数据与全部车辆事故协商处理记录进行关联,获得在车辆保险数据库有记录,但是在全部车辆事故协商处理记录中没记录的预设理赔金额以下的各个车辆出险记录,作为各个待分析车辆出险记录,然后进入步骤III2。
步骤III2.获得各个待分析车辆出险记录分别所对应理赔款的收款银行卡号,然后获得其中满足至少预设次数收取理赔款的各个收款银行卡号,并关联该各个收款银行卡号的人员,作为各个待分析人员,再进入步骤III3。实际应用中,步骤III2中诸如设计获得其中满足5次收取理赔款的各个收款银行卡号。
步骤III3.针对各个待分析人员,判断是否存在待分析人员所对应车辆保险数据库中的事故查勘图片材料内、不包含事故责任认定材料,是则将满足该条件的各个待分析人员,作为各个终极待分析人员,并进入步骤III4,同时针对其余包含责任认定材料的车辆理赔案件进行人工审核材料真伪;否则直接针对包含责任认定材料的车辆理赔案件进行人工审核材料真伪。
步骤III4.基于车辆理赔记录中的报案电话号码与车辆理赔案件中收款银行卡号的关系网络图,针对各个终极待分析人员进行团伙划分,如图4所示为其中一个团伙,各个团伙即为车辆保险欺诈嫌疑人员,实现车辆保险欺诈嫌疑人员的查找。
内部秩序风险维度检测方法在实际应用当中,如图1所示,具体包括如下步骤IV1至步骤IV5。
步骤IV1.分别针对各个查勘员,按如下公式:
获得查勘员所对应的车辆查勘得分Score1,其中,若mn*kn<2,则令mn*kn=0,N表示该查勘员所查勘车辆的总数,mn表示该查勘员对第n辆车辆的查勘次数,kn表示mn占该查勘员对各车辆总查勘次数的比例,然后进入步骤IV2。
步骤IV2.分别针对各个查勘员,按如下公式:
获得查勘员所对应的报案手机号查勘得分Score2,其中,若pi*qi<2,则令pi*qi=0,I表示该查勘员所查勘不同报案手机号的总数,pi表示该查勘员对第i个报案手机号的查勘次数,qi表示pi占该查勘员对各报案手机号总查勘次数的比例,然后进入步骤IV3。
步骤IV3.分别针对各个查勘员,获得查勘员所查勘车辆理赔案件中、可疑车辆理赔案件的数目,作为该查勘员所对应的可疑案件查勘得分Score3,然后进入步骤IV4;其中,可疑车辆理赔案件即为所述步骤III3中、事故查勘图片材料内包含责任认定材料的车辆理赔案件。
步骤IV4.根据预设分别对应车辆查勘得分、报案手机号查勘得分、可疑案件查勘得分的权重,分别针对各个查勘员,针对查勘员所对应的车辆查勘得分、报案手机号查勘得分、可疑案件查勘得分进行加权处理,获得该查勘员所对应的查勘总得分Score,即获得各个查勘员分别所对应的查勘总得分Score,然后进入步骤IV5。
实际应用当中,诸如定义车辆查勘得分Score1的权重为0.3,报案手机号查勘得分Score2的权重为0.3,可疑案件查勘得分Score3的权重为0.4,则按如下:
Score=0.3*Score1+0.3*Score2+0.4*Score3
分别获得各查勘员所对应的查勘总得分Score。
步骤IV5.针对各查勘员所对应的查勘总得分Score进行降序排序,将前预设数目的查勘员作为车辆保险欺诈嫌疑人员,实现车辆保险欺诈嫌疑人员的查找,如图5所示为从报案手机、出险车辆、虚假材料三个维度分析出的内部问题人员。
上述技术方案所设计基于大数据的车辆保险反欺诈检测方法,针对目前车辆保险理赔领域存在的数据和技术问题,摒弃以往保险公司只针对自己公司个案进行分析的缺点,从大数据角度利用关系网络、数理统计、机器学习和图像处理等技术手段,整合各保险公司的车辆保险数据,以及全部车辆事故协商处理记录进行协同分析,解决了信息孤岛导致的反欺诈难度,同时应用警务平台上的人员社会关系数据,诸如通讯录、户籍地、报案记录等相关数据,为保险欺诈提供了切实的证据,如此,针对保险理赔存在的技术问题,摒弃以往的单一分析方法,从人车风险维度、逻辑风险维度、事故风险维度、内部秩序风险维度四个维度出发进行分析,有效提高了车辆保险反欺诈的准确性与效率,拓展了保险反欺诈的方法和范围。
上面结合附图对本发明的实施方式作了详细说明,但是本发明并不限于上述实施方式,在本领域普通技术人员所具备的知识范围内,还可以在不脱离本发明宗旨的前提下做出各种变化。
Claims (1)
1.一种基于大数据的车辆保险反欺诈检测方法,用于实现车辆保险欺诈嫌疑人员的查找,其特征在于:整合预设指定各保险公司的车辆保险数据,构成车辆保险数据库,同时获得全部车辆事故协商处理记录;车辆保险反欺诈检测方法包括人车风险维度检测方法、逻辑风险维度检测方法、事故风险维度检测方法、内部秩序风险维度检测方法,其中,人车风险维度检测方法包括如下步骤:
步骤I1.由车辆保险数据库,判断是否存在车辆在两家不同保险公司进行出险,是则将满足该条件的各个车辆作为各个原始待分析车辆,并进入步骤I2;否则排除车辆保险数据库中各车辆的保险欺诈嫌疑,人车风险维度检测方法结束;
步骤I2.针对全部原始待分析车辆,判断其中是否存在分别在两家不同保险公司出险时间间隔小于预设天数的原始待分析车辆,是则将满足该条件的各个原始待分析车辆作为各个初级待分析车辆,并进入步骤I3;否则排除全部原始待分析车辆的保险欺诈嫌疑,人车风险维度检测方法结束;
步骤I3.针对各初级待分析车辆分别所对应在两家不同保险公司的出险,判断其中是否存在第一次出险为标的方出险、且第二次出险为三责方出险的初级待分析车辆,是则将满足该条件的各个初级待分析车辆作为各个中级待分析车辆,并进入步骤I4;否则排除全部初级待分析车辆的保险欺诈嫌疑,人车风险维度检测方法结束;
步骤I4.针对各中级待分析车辆分别所对应在两家不同保险公司的出险,判断其中是否存在车辆两次碰撞痕迹一致、或第二次车辆碰撞痕迹为第一次车辆碰撞痕迹的扩大的中级待分析车辆,是则将满足该条件的各个中级待分析车辆作为各个终级待分析车辆,并进入步骤I5;否则排除全部中级待分析车辆的保险欺诈嫌疑,人车风险维度检测方法结束;
步骤I5.获得各个终级待分析车辆分别所关联的驾驶员,即为车辆保险欺诈嫌疑人员,实现车辆保险欺诈嫌疑人员的查找;
逻辑风险维度检测方法包括如下步骤:
步骤II1.由车辆保险数据库中,统计获得相同两个驾驶员之间至少碰撞2次的全部驾驶员,构成原始待分析驾驶员集合,然后进入步骤II2;
步骤II2.基于车辆保险数据库,针对原始待分析驾驶员集合,判断其中是否存在与单个其他驾驶员之间碰撞至少3次的驾驶员、或者与至少2个其他驾驶员之间分别碰撞至少2次的驾驶员,是则获得满足该条件的各个驾驶员,并构成初级待分析驾驶员集合,然后进入步骤II3;否则排除原始待分析驾驶员集合中各个驾驶员的车辆保险欺诈嫌疑,逻辑风险维度检测方法结束;
步骤II3.应用警务平台上的人员社会关系数据库,针对初级待分析驾驶员集合中的所有驾驶员进行团伙划分,获得初级待分析驾驶员集合所对应的各个团伙,然后进入步骤II4;
步骤II4.分别针对初级待分析驾驶员集合所对应的各个团伙,由原始待分析驾驶员集合中获得与团伙之间发生碰撞的各个驾驶员;然后根据各个团伙、以及与团伙之间发生碰撞的各个驾驶员,绘制待核查驾驶员关系网络图,待核查驾驶员关系网络图中各个驾驶员,即为车辆保险欺诈嫌疑人员,实现车辆保险欺诈嫌疑人员的查找;
事故风险维度检测方法包括如下步骤:
步骤III1.将车辆保险数据库中的数据与全部车辆事故协商处理记录进行关联,获得在车辆保险数据库有记录,但是在全部车辆事故协商处理记录中没记录的预设理赔金额以下的各个车辆出险记录,作为各个待分析车辆出险记录,然后进入步骤III2;
步骤III2.获得各个待分析车辆出险记录分别所对应理赔款的收款银行卡号,然后获得其中满足至少预设次数收取理赔款的各个收款银行卡号,并关联该各个收款银行卡号的人员,作为各个待分析人员,再进入步骤III3;
步骤III3.针对各个待分析人员,判断是否存在待分析人员所对应车辆保险数据库中的事故查勘图片材料内、不包含事故责任认定材料,是则将满足该条件的各个待分析人员,作为各个终极待分析人员,并进入步骤III4,同时针对其余包含责任认定材料的车辆理赔案件进行人工审核材料真伪;否则直接针对包含责任认定材料的车辆理赔案件进行人工审核材料真伪;
步骤III4.基于车辆理赔记录中的报案电话号码与车辆理赔案件中收款银行卡号的关系网络图,针对各个终极待分析人员进行团伙划分,各个团伙即为车辆保险欺诈嫌疑人员,实现车辆保险欺诈嫌疑人员的查找;
内部秩序风险维度检测方法包括如下步骤:
步骤IV1.分别针对各个查勘员,按如下公式:
获得查勘员所对应的车辆查勘得分Score1,其中,若mn*kn<2,则令mn*kn=0,N表示该查勘员所查勘车辆的总数,mn表示该查勘员对第n辆车辆的查勘次数,kn表示mn占该查勘员对各车辆总查勘次数的比例,然后进入步骤IV2;
步骤IV2.分别针对各个查勘员,按如下公式:
获得查勘员所对应的报案手机号查勘得分Score2,其中,若pi*qi<2,则令pi*qi=0,I表示该查勘员所查勘不同报案手机号的总数,pi表示该查勘员对第i个报案手机号的查勘次数,qi表示pi占该查勘员对各报案手机号总查勘次数的比例,然后进入步骤IV3;
步骤IV3.分别针对各个查勘员,获得查勘员所查勘车辆理赔案件中、可疑车辆理赔案件的数目,作为该查勘员所对应的可疑案件查勘得分Score3,然后进入步骤IV4;其中,可疑车辆理赔案件即为所述步骤III3中、事故查勘图片材料内包含责任认定材料的车辆理赔案件;
步骤IV4.根据预设分别对应车辆查勘得分、报案手机号查勘得分、可疑案件查勘得分的权重,分别针对各个查勘员,针对查勘员所对应的车辆查勘得分、报案手机号查勘得分、可疑案件查勘得分进行加权处理,获得该查勘员所对应的查勘总得分Score,即获得各个查勘员分别所对应的查勘总得分Score,然后进入步骤IV5;
步骤IV5.针对各查勘员所对应的查勘总得分Score进行降序排序,将前预设数目的查勘员作为车辆保险欺诈嫌疑人员,实现车辆保险欺诈嫌疑人员的查找。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010206882.2A CN111507848B (zh) | 2020-03-23 | 2020-03-23 | 一种基于大数据的车辆保险反欺诈检测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010206882.2A CN111507848B (zh) | 2020-03-23 | 2020-03-23 | 一种基于大数据的车辆保险反欺诈检测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111507848A CN111507848A (zh) | 2020-08-07 |
CN111507848B true CN111507848B (zh) | 2024-03-15 |
Family
ID=71875855
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010206882.2A Active CN111507848B (zh) | 2020-03-23 | 2020-03-23 | 一种基于大数据的车辆保险反欺诈检测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111507848B (zh) |
Families Citing this family (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112884567A (zh) * | 2021-01-28 | 2021-06-01 | 道和云科技(天津)有限公司 | 一种车辆etc联合风控模型构建及实现方法及系统 |
CN114170030B (zh) * | 2021-12-08 | 2023-09-26 | 北京百度网讯科技有限公司 | 用于车辆远程定损的方法、装置、电子设备和介质 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107123054A (zh) * | 2017-04-07 | 2017-09-01 | 平安科技(深圳)有限公司 | 车险理赔数据分析方法和系统 |
CN109191312A (zh) * | 2018-08-07 | 2019-01-11 | 阳光财产保险股份有限公司 | 一种理赔反欺诈风控方法及装置 |
CN110175928A (zh) * | 2019-05-14 | 2019-08-27 | 安泰保险科技(深圳)有限公司 | 一种识别故意制造车辆互碰保险事故的保险反欺诈方法 |
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 |
CN110826858A (zh) * | 2019-10-10 | 2020-02-21 | 中保车服科技服务股份有限公司 | 一种查勘定损管理平台 |
-
2020
- 2020-03-23 CN CN202010206882.2A patent/CN111507848B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107123054A (zh) * | 2017-04-07 | 2017-09-01 | 平安科技(深圳)有限公司 | 车险理赔数据分析方法和系统 |
CN109191312A (zh) * | 2018-08-07 | 2019-01-11 | 阳光财产保险股份有限公司 | 一种理赔反欺诈风控方法及装置 |
CN110175928A (zh) * | 2019-05-14 | 2019-08-27 | 安泰保险科技(深圳)有限公司 | 一种识别故意制造车辆互碰保险事故的保险反欺诈方法 |
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 |
CN110826858A (zh) * | 2019-10-10 | 2020-02-21 | 中保车服科技服务股份有限公司 | 一种查勘定损管理平台 |
Also Published As
Publication number | Publication date |
---|---|
CN111507848A (zh) | 2020-08-07 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Hajela et al. | A clustering based hotspot identification approach for crime prediction | |
US20200004754A1 (en) | System and method for asset recovery | |
Rojek et al. | The influence of driver’s race on traffic stops in Missouri | |
CN111507848B (zh) | 一种基于大数据的车辆保险反欺诈检测方法 | |
CN112053221A (zh) | 一种基于知识图谱的互联网金融团伙欺诈行为检测方法 | |
Lofstrom et al. | Lessons from the 2007 legal Arizona workers Act | |
Tillyer et al. | Best practices in vehicle stop data collection and analysis | |
US20230073717A1 (en) | Systems And Methods For Electronic Surveillance | |
Choudhary et al. | Spatial and statistical analysis of road accidents hot spots using GIS | |
CN107645709B (zh) | 一种确定人员信息的方法及装置 | |
US20150081574A1 (en) | System and method to gather, correlate, analyze, and report information | |
CN110503099B (zh) | 基于深度学习的信息识别方法及相关设备 | |
CN103871077A (zh) | 一种道路车辆监控视频中的关键帧提取方法 | |
CN112053222A (zh) | 一种基于知识图谱的互联网金融团伙欺诈行为检测方法 | |
US20230162310A1 (en) | Systems and methods for electronic signature tracking | |
CN111078973B (zh) | 基于大数据的套牌车识别方法、设备及存储介质 | |
Chung et al. | Investigating the effects of POI-based land use on traffic accidents in Suzhou Industrial Park, China | |
Simandl et al. | Making use of big data to evaluate the effectiveness of selective law enforcement in reducing crashes | |
CN111182530B (zh) | 基于手机信令数据分析目标新手机号码的方法及系统 | |
US20230073876A1 (en) | Systems And Methods For High Volume Processing Support Of Electronic Signature Tracking | |
Norris | The intensification and bifurcation of surveillance in British criminal justice policy | |
Phillips | Using a vignette research design to examine traffic stop decision making of police officers: A research note | |
CN114491156A (zh) | 基于视频图像智能推送近似对象的方法 | |
CN113163327A (zh) | 一种移动应用中定位数据真伪辨别的方法和系统 | |
CN111222587A (zh) | 基于特征融合的失证人员危险驾驶行为预测方法及系统 |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |