CN111813823A - 保险服务策略调整系统、车载记录设备和服务器 - Google Patents

Abstract

本发明实施例公开了一种保险服务策略调整系统。所述系统包括：车载记录设备采集用户的用户数据，并将所述用户数据发送给所述概率识别服务器；概率识别服务器根据所述用户数据，采用出险分类模型识别所述用户出险的出险概率和所述用户不出险的不出险概率，并将所述出险概率和不出险概率发送给所述策略调整服务器；策略调整服务器根据所述出险概率和不出险概率以及预设调整规则，调整所述用户的保险服务策略，使得利用机器学习自动根据用户的用户数据，分析出用户出险的概率和不出险的概率，并据此调整保险的服务或费用，有效控制成本，而且能间接督促用户保持良好的驾驶行为，减少事故的发生，继而降低赔付率。

Description

保险服务策略调整系统、车载记录设备和服务器

技术领域

本发明涉及数据处理技术领域，特别是涉及一种保险服务策略调整系统、一种车载记录设备、一种概率识别服务器及一种策略调整服务器。

背景技术

近年来，随着汽车保有量大幅上升，驾驶人及驾驶行为导致交通事故频繁发生，保险公司的赔付率居高不下，当前事故发生后，查勘、定损、赔付环节，业务、技术层面并没有考核驾驶人、驾驶行为等因素。

发明内容

鉴于上述问题，提出了一种保险服务策略调整系统、车载记录设备、概率识别服务器及策略调整服务器，以解决人工处理耗时长、以及繁琐的操作过程中易出错，导致无法查询到所需内容的问题。

依据本发明的一个方面，提供了一种保险服务策略调整系统，包括车载记录设备、概率识别服务器和策略调整服务器；

所述车载记录设备，用于采集用户的用户数据，并将所述用户数据发送给所述概率识别服务器；

所述概率识别服务器，用于根据所述用户数据，采用出险分类模型识别所述用户出险的出险概率和所述用户不出险的不出险概率，并将所述出险概率和不出险概率发送给所述策略调整服务器；

所述策略调整服务器，用于根据所述出险概率和不出险概率以及预设调整规则，调整所述用户的保险服务策略。

可选地，所述系统还包括：

模型训练模块，用于在所述根据所述用户数据，采用出险分类模型识别所述用户出险的出险概率和所述用户不出险的不出险概率之前，基于多个用户历史上的用户数据样本和对应标记的出险标签，通过训练得到所述出险分类模型。

可选地，所述出险分类模型包括朴素贝叶斯分类器，所述模型训练模块包括：

样本获取子模块，用于从多个用户的行车记录设备和保单数据中获取所述多个用户在历史上的用户数据样本；

标记子模块，用于根据所述多个用户的出险记录，对所述用户数据样本标记出险标签；所述出险标签包括出险用户和不出险用户；

训练子模块，用于将所述用户数据样本和对应标记的出险标签输入朴素贝叶斯分类器，通过训练确定所述朴素贝叶斯分类器的模型参数，得到训练过的朴素贝叶斯分类器。

可选地，所述预设调整规则包括预设比较规则，所述策略调整服务器包括：

概率比较模块，用于比较所述出险概率和不出险概率；

比较调整模块，用于根据所述出险概率和不出险概率的差值以及所述预设比较规则，调整所述用户的保险服务策略。

可选地，所述比较调整模块包括：

第一调整子模块，用于若所述出险概率大于不出险概率，则根据所述出险概率和不出险概率的差值以及所述预设比较规则，确定调整保险报价的提高比例；

第二调整子模块，用于若所述出险概率不大于不出险概率，则根据所述出险概率和不出险概率的差值以及所述预设比较规则，确定调整保险保额的提升比例或增加保险服务的服务标识。

可选地，所述预设调整规则包括预设阈值规则，所述策略调整服务器包括：

比较模块，用于对所述出险概率和所述预设阈值规则中的预设出险阈值进行比较，得到第一比较结果；

比较模块，用于对所述不出险概率和所述预设阈值规则中的预设不出险阈值进行比较；得到第二比较结果；

调整模块，用于根据所述第一比较结果和第二比较结果，调整所述用户的保险服务策略。

可选地，所述调整模块包括：

第三调整子模块，用于若所述第一比较结果为所述出险概率大于预设出险阈值，且所述第二比较结果为所述不出险概率小于预设出险阈值，则调整所述用户的保险服务策略为提高保险报价的策略；

第四调整子模块，用于若所述第一比较结果为所述出险概率小于预设出险阈值，且所述第二比较结果为所述不出险概率大于预设出险阈值，则调整所述用户的保险服务策略为提升保险服务的策略。

依据本发明的另一个方面，提供了一种车载记录设备，包括：

数据采集模块，用于采集用户的用户数据；

数据发送模块，用于将所述用户数据发送给所述概率识别服务器，以供所述概率识别服务器根据所述用户数据，采用出险分类模型识别所述用户出险的出险概率和所述用户不出险的不出险概率，并将所述出险概率和不出险概率发送给所述策略调整服务器，再由所述策略调整服务器根据所述出险概率和不出险概率以及预设调整规则，调整所述用户的保险服务策略。

依据本发明的另一个方面，提供了一种概率识别服务器，包括：

概率识别模块，用于接收车载记录设备采集用户的用户数据，根据所述用户数据，采用出险分类模型识别所述用户出险的出险概率和所述用户不出险的不出险概率；

概率发送模块，用于将所述出险概率和不出险概率发送给所述策略调整服务器，以供所述策略调整服务器根据所述出险概率和不出险概率以及预设调整规则，调整所述用户的保险服务策略。

依据本发明的另一个方面，提供了一种策略调整服务器，包括：

概率接收模块，用于接收概率识别服务器根据用户的用户数据，采用出险分类模型识别所述用户出险的出险概率和所述用户不出险的不出险概率，其中，所述用户数据由车载记录设备采集；

策略调整模块，用于根据所述出险概率和不出险概率以及预设调整规则，调整所述用户的保险服务策略。

依据本发明实施例，通过车载记录设备采集用户的用户数据，并将所述用户数据发送给所述概率识别服务器；概率识别服务器根据所述用户数据，采用出险分类模型识别所述用户出险的出险概率和所述用户不出险的不出险概率，并将所述出险概率和不出险概率发送给所述策略调整服务器；策略调整服务器根据所述出险概率和不出险概率以及预设调整规则，调整所述用户的保险服务策略，使得利用机器学习自动根据用户的用户数据，分析出用户出险的概率和不出险的概率，并据此调整保险的服务或费用，有效控制成本，而且能间接督促用户保持良好的驾驶行为，减少事故的发生，继而降低赔付率。

附图说明

通过阅读下文优选实施方式的详细描述，各种其他的优点和益处对于本领域普通技术人员将变得清楚明了。附图仅用于示出优选实施方式的目的，而并不认为是对本发明的限制。而且在整个附图中，用相同的参考符号表示相同的部件。在附图中：

图1是本发明实施例一中的一种保险服务策略调整系统的结果框图；

图2是本发明实施例二中的一种车载记录设备的结构框图；

图3是本发明实施例三中的一种概率识别服务器的结构框图；

图4是本发明实施例四中的一种策略调整服务器的结构框图。

具体实施方式

下面将参照附图更详细地描述本公开的示例性实施例。虽然附图中显示了本公开的示例性实施例，然而应当理解，可以以各种形式实现本公开而不应被这里阐述的实施例所限制。相反，提供这些实施例是为了能够更透彻地理解本公开，并且能够将本公开的范围完整的传达给本领域的技术人员。

实施例一

参照图1，示出了本发明实施例一中的一种保险服务策略调整系统的结果框图，保险服务策略调整系统包括车载记录设备、概率识别服务器和策略调整服务器。

车载记录设备101，用于采集用户的用户数据，并将所述用户数据发送给所述概率识别服务器；

在本发明实施例中，车载记录设备是指用于采集和记录用户的驾驶行为、用户的个人信息等车载设备，包括专用的电子设备、智能手机等，或者其他任意适用的设备，本发明实施例对此不做限制。

在本发明实施例中，用户的用户数据包括驾驶者的性别、年龄、驾龄等基本的信息，以及是否酒驾、是否疲劳驾驶、是否超速行驶、是否拨打电话等驾驶行为的相关信息，或者其他任意适用的用户数据，本发明实施例对此不做限制。

例如，通过车联网、智能手机和OBD(On-Board Diagnostics，车载自动诊断系统)等联网设备将驾驶者的驾驶习惯、驾驶技术、车辆信息和周围环境等数据采集。

概率识别服务器102，用于根据所述用户数据，采用出险分类模型识别所述用户出险的出险概率和所述用户不出险的不出险概率，并将所述出险概率和不出险概率发送给所述策略调整服务器；

在本发明实施例中，出险分类模型是通过深度学习训练得到的对用户在是否出险这一维度进行分类的模型，将用户的用户数据输入出险分类模型，该出险分类模型可以输出用户出险的出险概率和用户不出险的不出险概率。例如，朴素贝叶斯分类器就是一种分类模型，可以用作对用户是否出险进行分类。在机器学习中，朴素贝叶斯分类器是一系列以假设特征之间强独立下运用贝叶斯定理为基础的简单概率分类器。贝叶斯分类器的分类原理是通过某对象的先验概率，利用贝叶斯公式计算出其后验概率，即该对象属于某一类的概率，选择具有最大后验概率的类作为该对象所属的类。具体可以包括其他任意适用的出险分类模型，本发明实施例对此不做限制。其中，出险概率用于表征用户发生出险的可能性大小，不出险概率用于表征用户不发生出险的可能性大小。

例如，预先基于多个用户历史上的用户数据样本和对应标记的出险标签，通过训练得到出险分类模型，然后针对当前用户，将该用户的用户数据输入到出险分类模型中，出险分类模型可以输入该用户出险的出险概率和该用户不出险的不出险概率。

策略调整服务器103，用于根据所述出险概率和不出险概率以及预设调整规则，调整所述用户的保险服务策略。

在本发明实施例中，根据用户的出险概率和不出险概率，调整用户的保险服务策略，其中，保险服务策略包括针对保险服务的保险保额、保险报价、服务条款等的策略，例如，提高保险报价的策略、增加保险服务条款的策略、提高保险保额的策略等，其中，提升保险服务包括保障的范围、理赔的金额等，具体可以包括任意适用的保险服务策略，本发明实施例对此不做限制。

在本发明实施例中，根据所述出险概率和不出险概率以及预设调整规则，调整所述用户的保险服务策略的实现方式可以包括多种，例如：比较所述出险概率和不出险概率；根据所述出险概率和不出险概率的差值以及所述预设比较规则，调整所述用户的保险服务策略，若所述出险概率大于不出险概率，则调整所述用户的保险服务策略为提高保险报价的策略，若所述出险概率不大于不出险概率，则调整所述用户的保险服务策略为提升保险服务的策略；或者对所述出险概率和所述预设阈值规则中的预设出险阈值进行比较，得到第一比较结果，对所述不出险概率和所述预设阈值规则中的预设不出险阈值进行比较；得到第二比较结果，根据所述第一比较结果和第二比较结果，调整所述用户的保险服务策略，若所述第一比较结果为所述出险概率大于预设出险阈值，且所述第二比较结果为所述不出险概率小于预设出险阈值，则调整所述用户的保险服务策略为提高保险报价的策略，若所述第一比较结果为所述出险概率小于预设出险阈值，且所述第二比较结果为所述不出险概率大于预设出险阈值，则调整所述用户的保险服务策略为提升保险服务的策略，具体可以包括任意适用的实现方式，本发明实施例对此不做限制。

依据本发明实施例，通过车载记录设备采集用户的用户数据，并将所述用户数据发送给所述概率识别服务器；概率识别服务器根据所述用户数据，采用出险分类模型识别所述用户出险的出险概率和所述用户不出险的不出险概率，并将所述出险概率和不出险概率发送给所述策略调整服务器；策略调整服务器根据所述出险概率和不出险概率以及预设调整规则，调整所述用户的保险服务策略，使得利用机器学习自动根据用户的用户数据，分析出用户出险的概率和不出险的概率，并据此调整保险的服务或费用，有效控制成本，而且能间接督促用户保持良好的驾驶行为，减少事故的发生，继而降低赔付率。

在本发明实施例中，可选地，保险服务策略调整系统还包括模型训练模块：

模型训练模块，用于在所述根据所述用户数据，采用出险分类模型识别所述用户出险的出险概率和所述用户不出险的不出险概率之前，基于多个用户历史上的用户数据样本和对应标记的出险标签，通过训练得到所述出险分类模型。

在本发明实施例中，出险分类模型的训练需要样本数据，用户数据样本是通过收集大量用户历史上的用户数据得到的，然后对应标记出险标签，作为标记数据，然后通过有监督学习方式进行训练，直至达到所需的性能，最终得到路况识别模型。

在本发明实施例中，可选地，出险分类模型包括朴素贝叶斯分类器，模型训练模块包括：样本获取子模块，用于从多个用户的行车记录设备和保单数据中获取所述多个用户在历史上的用户数据样本；标记子模块，用于根据所述多个用户的出险记录，对所述用户数据样本标记出险标签；所述出险标签包括出险用户和不出险用户；训练子模块，用于将所述用户数据样本和对应标记的出险标签输入朴素贝叶斯分类器，通过训练确定所述朴素贝叶斯分类器的模型参数，得到训练过的朴素贝叶斯分类器。

朴素贝叶斯分类器是根据大量已有的具有某些特征，例如：道路交通场景中，驾驶员的年龄，驾驶员的性别，驾驶员的驾龄，是否酒驾、是否疲劳驾驶、是否超速行驶、是否拨打电话等和对应的是否发生了交通事故的标签的数据，进行模型的训练，将训练出来的模型用到实际场景之中，例如，依据驾驶员的年龄、性别、驾龄、驾驶时间、车辆状况等相关特征来进行预测这一场景中出现危险的可能性有多大。

从行车电子设备及承保保单终获取往年相关数据，抽取出可以作为特征的数据项。例如年龄、性别、驾龄，是否发生车祸，发生车祸标记为1，未发生标记为0。之后将这些数据转化为计算机可以处理的数据格式。

将处理后的数据作为朴素贝叶斯分类器的输入，进行训练，得到模型参数，这里指P(Y)是指发生车祸的概率、P(X|Y)是指在Y(类别：是否发生车祸)条件下X(特征：性别、年龄、驾龄、疲劳驾驶、接打电话等)发生的概率，例如驾驶员为男性条件下发生车祸的概率、驾驶员驾驶时间超过4 个小时条件下发生车祸的概率等。依据这些数据，训练出来的朴素贝叶分类器就具有判断的能力。

朴素贝叶斯分类器的核心数学公式是：

从公式中可知，如果要计算X条件下Y发生的概率，只需要计算出后面等式的三个部分，X事件的概率P(X)，是X的先验概率、Y属于某类的概率P(Y)，是Y的先验概率、以及已知Y的某个分类下，事件X的概率 P(X|Y)，是后验概率。

例如，获取多个用户的历史上的用户数据样本，如表1所示：

采用朴素贝叶斯公式计算出险概率：

将上诉公式展示计算：

在数据量很大的时候，根据中心极限定理，频率是等于概率的，这里只是一个例子，就进行统计即可。

训练数据中，出险的样本数如表2：

姓名	性别	年龄	驾龄	是否饮酒	是否出险
						张XX	女	中年	新司机	是	是
王XX	男	青年	新司机	是	是
						李XX	男	中年	老司机	是	是
王XX	男	老年	老司机	否	是
						赵XX	女	中年	老司机	是	是
李XX	男	老年	老司机	否	是

则p(出险)＝6/12(总样本数)＝1/2，P(女|出险)＝2/6＝1/3。

依次类推，求出：

p(出险|女、中年、新司机、饮酒)＝(1/3*1/2*1/3*2/3*1/2)/(1/2*1/2*1/4*1/2)＝16/27。

然后，采用朴素贝叶斯公式计算不出险概率：

p(不出险|女，中年，新司机，饮酒)

同上述计算规则一致，求出：

p(不出险|女、中年、新司机、饮酒)＝(2/3*1/2*1/6*1/3*1/2)/(1/2*1/2*1/4*1/2) ＝8/27。

在本发明实施例中，可选地，预设调整规则包括预设比较规则，策略调整服务器包括：概率比较模块，用于比较所述出险概率和不出险概率；比较调整模块，用于根据所述出险概率和不出险概率的差值以及所述预设比较规则，调整所述用户的保险服务策略。

在本发明实施例中，通过比较用户的出险概率和不出险概率，若出险概率大于不出险概率，则将该用户标记为不安全，若出险概率不大于不出险概率，则将该用户标记为安全。例如，p(出险|女、中年、新司机、饮酒)＞p(不出险|女、中年、新司机、饮酒)，则将该用户标记为不安全。

在本发明实施例中，预设比较规则包括在出险概率和不出险概率的不同比较结果下，具体确定的保险报价、保险保额、保险服务条款的内容等的规则，具体可以包括任意适用的规则，本发明实施例对此不做限制。

在本发明实施例中，可选地，所述比较调整模块包括：第一调整子模块，用于若所述出险概率大于不出险概率，则根据所述出险概率和不出险概率的差值以及所述预设比较规则，确定调整保险报价的提高比例；第二调整子模块，用于若所述出险概率不大于不出险概率，则根据所述出险概率和不出险概率的差值以及所述预设比较规则，确定调整保险保额的提升比例或增加保险服务的服务标识。

在本发明实施例中，若出险概率大于不出险概率，则调整用户的保险服务策略为提高保险报价的策略，即对于该用户的保险报价将高于一般的报价水平。具体可以根据出险概率和不出险概率的差值以及预设比较规则，确定调整保险报价的提高比例，例如，差值大于0.2，则保险报价的提高比例为20％，差值介于0.1至0.2之间，则保险报价的提高比例为10％。具体可以根据实际需求，设定任意适用的预设比较规则，本发明实施例对此不做限制。

在本发明实施例中，若出险概率不大于不出险概率，则调整用户的保险服务策略为提升保险服务的策略，即对于该用户的保险服务提升至高于一般的服务水平。例如，该用户的保险范围增加一个项目。具体可以根据出险概率和不出险概率的差值以及预设比较规则，确定调整保险保额的提升比例或增加保险服务的服务标识，例如，差值小于-0.2，则保险保额的提升比例为 20％，差值介于-0.1至-0.2之间，则保险保额的提升比例为10％，或者，差值小于-0.2，则增加保险服务的服务标识A，服务标识A对应于全年道路救援服务。具体可以根据实际需求，设定任意适用的预设比较规则，本发明实施例对此不做限制。

在本发明实施例中，可选地，所述预设调整规则包括预设阈值规则，所述策略调整服务器包括：比较模块，用于对所述出险概率和所述预设阈值规则中的预设出险阈值进行比较，得到第一比较结果；比较模块，用于对所述不出险概率和所述预设阈值规则中的预设不出险阈值进行比较；得到第二比较结果；调整模块，用于根据所述第一比较结果和第二比较结果，调整所述用户的保险服务策略。

除了比较出险概率和不出险概率外，预设阈值规则中包括预设出险规则，预设不出险规则，在出险概率和预设出险阈值的比较，以及不出险概率和预设不出险阈值的比较的各种情形下，具体确定的保险报价、保险保额、保险服务条款的内容等的规则，具体可以包括任意适用的规则，本发明实施例对此不做限制。还可以对出险概率和预设出险阈值进行比较，得到第一比较结果，以及对不出险概率和预设不出险阈值进行比较，得到第二比较结果，再根据第一比较结果和第二比较结果，调整用户的保险服务策略。

在本发明实施例中，可选地，调整模块包括：第三调整子模块，用于若所述第一比较结果为所述出险概率大于预设出险阈值，且所述第二比较结果为所述不出险概率小于预设出险阈值，则调整所述用户的保险服务策略为提高保险报价的策略；第四调整子模块，用于若所述第一比较结果为所述出险概率小于预设出险阈值，且所述第二比较结果为所述不出险概率大于预设出险阈值，则调整所述用户的保险服务策略为提升保险服务的策略。

依据本发明实施例，通过模型训练模块基于多个用户历史上的用户数据样本和对应标记的出险标签，通过训练得到所述出险分类模型，车载记录设备采集用户的用户数据，概率识别服务器根据所述用户数据，采用出险分类模型识别所述用户出险的出险概率和所述用户不出险的不出险概率，比较所述出险概率和不出险概率，策略调整服务器根据所述出险概率和不出险概率的差值以及所述预设比较规则，调整所述用户的保险服务策略，使得利用机器学习自动根据用户的用户数据，分析出用户出险的概率和不出险的概率，并据此调整保险的服务或费用，有效控制成本，而且能间接督促用户保持良好的驾驶行为，减少事故的发生，继而降低赔付率。

实施例二

参照图2，示出了本发明实施例二中的一种车载记录设备的结构框图，具体可以包括：

数据采集模块1011，用于采集用户的用户数据；

数据发送模块1012，用于将所述用户数据发送给所述概率识别服务器，以供所述概率识别服务器根据所述用户数据，采用出险分类模型识别所述用户出险的出险概率和所述用户不出险的不出险概率，并将所述出险概率和不出险概率发送给所述策略调整服务器，再由所述策略调整服务器根据所述出险概率和不出险概率以及预设调整规则，调整所述用户的保险服务策略。

依据本发明实施例，通过车载记录设备采集用户的用户数据，并将所述用户数据发送给所述概率识别服务器；概率识别服务器根据所述用户数据，采用出险分类模型识别所述用户出险的出险概率和所述用户不出险的不出险概率，并将所述出险概率和不出险概率发送给所述策略调整服务器；策略调整服务器根据所述出险概率和不出险概率以及预设调整规则，调整所述用户的保险服务策略，使得利用机器学习自动根据用户的用户数据，分析出用户出险的概率和不出险的概率，并据此调整保险的服务或费用，有效控制成本，而且能间接督促用户保持良好的驾驶行为，减少事故的发生，继而降低赔付率。

实施例三

参照图3，示出了本发明实施例三中的一种概率识别服务器的结构框图，具体可以包括：

概率识别模块1021，用于接收车载记录设备采集用户的用户数据，根据所述用户数据，采用出险分类模型识别所述用户出险的出险概率和所述用户不出险的不出险概率；

概率发送模块1022，用于将所述出险概率和不出险概率发送给所述策略调整服务器，以供所述策略调整服务器根据所述出险概率和不出险概率以及预设调整规则，调整所述用户的保险服务策略。

依据本发明实施例，通过车载记录设备采集用户的用户数据，并将所述用户数据发送给所述概率识别服务器；概率识别服务器根据所述用户数据，采用出险分类模型识别所述用户出险的出险概率和所述用户不出险的不出险概率，并将所述出险概率和不出险概率发送给所述策略调整服务器；策略调整服务器根据所述出险概率和不出险概率以及预设调整规则，调整所述用户的保险服务策略，使得利用机器学习自动根据用户的用户数据，分析出用户出险的概率和不出险的概率，并据此调整保险的服务或费用，有效控制成本，而且能间接督促用户保持良好的驾驶行为，减少事故的发生，继而降低赔付率。

实施例四

参照图4，示出了本发明实施例四中的一种策略调整服务器的结构框图，具体可以包括：

概率接收模块1031，用于接收概率识别服务器根据用户的用户数据，采用出险分类模型识别所述用户出险的出险概率和所述用户不出险的不出险概率，其中，所述用户数据由车载记录设备采集；

策略调整模块1032，用于根据所述出险概率和不出险概率以及预设调整规则，调整所述用户的保险服务策略。

依据本发明实施例，通过车载记录设备采集用户的用户数据，并将所述用户数据发送给所述概率识别服务器；概率识别服务器根据所述用户数据，采用出险分类模型识别所述用户出险的出险概率和所述用户不出险的不出险概率，并将所述出险概率和不出险概率发送给所述策略调整服务器；策略调整服务器根据所述出险概率和不出险概率以及预设调整规则，调整所述用户的保险服务策略，使得利用机器学习自动根据用户的用户数据，分析出用户出险的概率和不出险的概率，并据此调整保险的服务或费用，有效控制成本，而且能间接督促用户保持良好的驾驶行为，减少事故的发生，继而降低赔付率。

本公开的实施例中，所述保险服务策略调整系统包括处理器和存储器，上述模块以及子模块等均作为程序单元存储在存储器中，由处理器执行存储在存储器中的上述程序单元来实现相应的功能。

本领域内的技术人员应明白，本申请的实施例可提供为方法、系统、或计算机程序产品。因此，本申请可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本申请可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。

本申请是参照根据本申请实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。

这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。

这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。

在一个典型的配置中，计算设备包括一个或多个处理器(CPU)、输入/ 输出接口、网络接口和内存。

存储器可能包括计算机可读介质中的非永久性存储器，随机存取存储器 (RAM)和/或非易失性内存等形式，如只读存储器(ROM)或闪存(flash RAM)。存储器是计算机可读介质的示例。

计算机可读介质包括永久性和非永久性、可移动和非可移动媒体可以由任何方法或技术来实现信息存储。信息可以是计算机可读指令、数据结构、程序的模块或其他数据。计算机的存储介质的例子包括，但不限于相变内存 (PRAM)、静态随机存取存储器(SRAM)、动态随机存取存储器(DRAM)、其他类型的随机存取存储器(RAM)、只读存储器(ROM)、电可擦除可编程只读存储器(EEPROM)、快闪记忆体或其他内存技术、只读光盘只读存储器 (CD-ROM)、数字多功能光盘(DVD)或其他光学存储、磁盒式磁带，磁带磁磁盘存储或其他磁性存储设备或任何其他非传输介质，可用于存储可以被计算设备访问的信息。按照本文中的界定，计算机可读介质不包括暂存电脑可读媒体(transitory media)，如调制的数据信号和载波。

所属领域的技术人员可以清楚地了解到，为描述的方便和简洁，上述描述的系统、装置和单元的具体工作过程，可以参考前述方法实施例中的对应过程，在此不再赘述。

在本申请所提供的实施例中，应该理解到，所揭露的装置和方法，可以通过其它的方式实现。例如，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，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。

所述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。

另外，在本发明各个实施例中的各功能单元可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中。

以上所述，仅为本发明的具体实施方式，但本发明的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，可轻易想到变化或替换，都应涵盖在本发明的保护范围之内。因此，本发明的保护范围应以权利要求的保护范围为准。

Claims (10)

1.一种保险服务策略调整系统，其特征在于，包括车载记录设备、概率识别服务器和策略调整服务器；

所述车载记录设备，用于采集用户的用户数据，并将所述用户数据发送给所述概率识别服务器；

所述概率识别服务器，用于根据所述用户数据，采用出险分类模型识别所述用户出险的出险概率和所述用户不出险的不出险概率，并将所述出险概率和不出险概率发送给所述策略调整服务器；

所述策略调整服务器，用于根据所述出险概率和不出险概率以及预设调整规则，调整所述用户的保险服务策略。

2.根据权利要求1所述的系统，其特征在于，所述系统还包括：

模型训练模块，用于在所述根据所述用户数据，采用出险分类模型识别所述用户出险的出险概率和所述用户不出险的不出险概率之前，基于多个用户历史上的用户数据样本和对应标记的出险标签，通过训练得到所述出险分类模型。

3.根据权利要求2所述的系统，其特征在于，所述出险分类模型包括朴素贝叶斯分类器，所述模型训练模块包括：

样本获取子模块，用于从多个用户的行车记录设备和保单数据中获取所述多个用户在历史上的用户数据样本；

标记子模块，用于根据所述多个用户的出险记录，对所述用户数据样本标记出险标签；所述出险标签包括出险用户和不出险用户；

训练子模块，用于将所述用户数据样本和对应标记的出险标签输入朴素贝叶斯分类器，通过训练确定所述朴素贝叶斯分类器的模型参数，得到训练过的朴素贝叶斯分类器。

4.根据权利要求1所述的系统，其特征在于，所述预设调整规则包括预设比较规则，所述策略调整服务器包括：

概率比较模块，用于比较所述出险概率和不出险概率；

比较调整模块，用于根据所述出险概率和不出险概率的差值以及所述预设比较规则，调整所述用户的保险服务策略。

5.根据权利要求4所述的系统，其特征在于，所述比较调整模块包括：

第一调整子模块，用于若所述出险概率大于不出险概率，则根据所述出险概率和不出险概率的差值以及所述预设比较规则，确定调整保险报价的提高比例；

第二调整子模块，用于若所述出险概率不大于不出险概率，则根据所述出险概率和不出险概率的差值以及所述预设比较规则，确定调整保险保额的提升比例或增加保险服务的服务标识。

6.根据权利要求1所述的系统，其特征在于，所述预设调整规则包括预设阈值规则，所述策略调整服务器包括：

比较模块，用于对所述出险概率和所述预设阈值规则中的预设出险阈值进行比较，得到第一比较结果；

比较模块，用于对所述不出险概率和所述预设阈值规则中的预设不出险阈值进行比较；得到第二比较结果；

调整模块，用于根据所述第一比较结果和第二比较结果，调整所述用户的保险服务策略。

7.根据权利要求6所述的系统，其特征在于，所述调整模块包括：

第三调整子模块，用于若所述第一比较结果为所述出险概率大于预设出险阈值，且所述第二比较结果为所述不出险概率小于预设出险阈值，则调整所述用户的保险服务策略为提高保险报价的策略；

第四调整子模块，用于若所述第一比较结果为所述出险概率小于预设出险阈值，且所述第二比较结果为所述不出险概率大于预设出险阈值，则调整所述用户的保险服务策略为提升保险服务的策略。

8.一种车载记录设备，其特征在于，包括：

数据采集模块，用于采集用户的用户数据；

数据发送模块，用于将所述用户数据发送给所述概率识别服务器，以供所述概率识别服务器根据所述用户数据，采用出险分类模型识别所述用户出险的出险概率和所述用户不出险的不出险概率，并将所述出险概率和不出险概率发送给所述策略调整服务器，再由所述策略调整服务器根据所述出险概率和不出险概率以及预设调整规则，调整所述用户的保险服务策略。

9.一种概率识别服务器，其特征在于，包括：

概率识别模块，用于接收车载记录设备采集用户的用户数据，根据所述用户数据，采用出险分类模型识别所述用户出险的出险概率和所述用户不出险的不出险概率；

概率发送模块，用于将所述出险概率和不出险概率发送给所述策略调整服务器，以供所述策略调整服务器根据所述出险概率和不出险概率以及预设调整规则，调整所述用户的保险服务策略。

10.一种策略调整服务器，其特征在于，包括：

概率接收模块，用于接收概率识别服务器根据用户的用户数据，采用出险分类模型识别所述用户出险的出险概率和所述用户不出险的不出险概率，其中，所述用户数据由车载记录设备采集；

策略调整模块，用于根据所述出险概率和不出险概率以及预设调整规则，调整所述用户的保险服务策略。

Images