CN111861766A - 基于etc大数据的车辆投保风险评估方法和系统 - Google Patents
基于etc大数据的车辆投保风险评估方法和系统 Download PDFInfo
- Publication number
- CN111861766A CN111861766A CN202010744229.1A CN202010744229A CN111861766A CN 111861766 A CN111861766 A CN 111861766A CN 202010744229 A CN202010744229 A CN 202010744229A CN 111861766 A CN111861766 A CN 111861766A
- Authority
- CN
- China
- Prior art keywords
- insurance
- vehicle
- data
- risk
- assessment 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.)
- Pending
Links
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
Abstract
本发明涉及一种基于ETC大数据的车辆投保风险评估方法及系统,属于计算机技术领域。该方法首先根据投保车辆的ETC数据获取该投保车辆的历史行为数据;而后利用该历史行为数据计算所述投保车辆的风险指数;最后利用所述投保车辆的风险指数及风险控制模型进行计算,获得所述的投保车辆的投保风险评估数据。从而使得风险评估数据能够反映出车辆行驶习惯,对于车辆投保风险的参考价值高,同时,由于ETC数据难以篡改,因此,该投保风险评估的可靠性更高,而且,随着ETC的普及,本发明的评估方法可以应用于所有安装ETC的车辆,覆盖面极广。
Description
技术领域
本发明涉及计算机技术领域,特别涉及投保风险评估技术领域,具体是指一种基于ETC大数据的车辆投保风险评估方法和系统。
背景技术
车辆保险的种类繁多,大致可分为强制险和其它商业险。保险机构在销售保险产品时往往需要对于车辆的风险进行评估,根据评估结果提供不同的保险产品或在活动区间内确定保险产品的价格。
目前,风险评估的主要依据是投保车辆之前的出现次数和理赔金额。然后这些数据仅以出险作为基础,无法体现与车辆的行驶习惯等于风险关联更紧密的参考因素。同时,车险机构及服务商在投保风险评估环节也难以获得准确的车辆行驶数据,无从判断车辆行驶习惯,因此,评估的准确性不强,参考价值较低。
因此,如何提供一种更为准确可靠的车辆投保风险评估方法成为本领域亟待解决的问题。
发明内容
本发明的目的是克服了上述现有技术中的缺点,提供一种基于难以篡改的ETC数据,获取车辆行驶习惯,并参考行驶习惯进行风险评价的,可靠性更高的基于ETC大数据的车辆投保风险评估方法和系统。
为了实现上述的目的,本发明的基于ETC大数据的车辆投保风险评估方法包括以下步骤:
(1)根据投保车辆的ETC数据获取该投保车辆的历史行为数据;
(2)利用所述的投保车辆的历史行为数据计算所述投保车辆的风险指数;
(3)利用所述投保车辆的风险指数及风险控制模型进行计算,获得所述的投保车辆的投保风险评估数据。
该基于ETC大数据的车辆投保风险评估方法中,所述的步骤(1)具体为:
根据投保车辆在ETC数据获取该投保车辆在多个时间段内的历史行为数据,所述的历史行为数据包括:载重情况、通行里程、耗费时间、位置信息和速度。
该基于ETC大数据的车辆投保风险评估方法中,所述的多个时间段包括三天、一周、半个月、一个月、三个月、半年和一年。
该基于ETC大数据的车辆投保风险评估方法中,所述的步骤(2)具体为:
利用所述的投保车辆的多个时间段内的历史行为数据计算所述投保车辆的风险指数,所述的风险指数包括:平均运力、空载率、平均耗时、出行时间偏好、城市偏好、出行目的、节假日出行偏好和出行周期。
该基于ETC大数据的车辆投保风险评估方法中,所述的步骤(3)具体为:
建立风险控制模型回归方程,利用所述投保车辆的风险指数,计算所述的投保车辆在未来保险期间的出险概率作为所述投保风险评估数据。
本发明还提供一种车牌信息采集修复系统,其包括处理器和存储器,所述的存储器存储应用程序,当所述处理器读取并运行该应用程序时,实现上述的基于ETC大数据的车辆投保风险评估方法。
本发明还提供一种计算机可读存储介质,其存储有应用程序,当该应用程序被处理器读取并运行时,实现上述的基于ETC大数据的车辆投保风险评估方法。
采用了该发明的基于ETC大数据的车辆投保风险评估方法及系统,其首先根据投保车辆的ETC数据获取该投保车辆的历史行为数据;而后利用该历史行为数据计算所述投保车辆的风险指数;最后利用所述投保车辆的风险指数及风险控制模型进行计算,获得所述的投保车辆的投保风险评估数据。从而使得风险评估数据能够反映出车辆行驶习惯,对于车辆投保风险的参考价值高,同时,由于ETC数据难以篡改,因此,该投保风险评估的可靠性更高,而且,随着ETC的普及,本发明的评估方法可以应用于所有安装ETC的车辆,覆盖面极广。
附图说明
图1为本发明的基于ETC大数据的车辆投保风险评估方法的步骤流程图。
图2为本发明的基于ETC大数据的车辆投保风险评估方法在实际应用中的流程示意图。
图3为本发明的基于ETC大数据的车辆投保风险评估方法在实际应用中的参数获取过程示意图。
具体实施方式
为了能够更清楚地理解本发明的技术内容,特举以下实施例详细说明。
请参阅图1所示,为本发明的基于ETC大数据的车辆投保风险评估方法的步骤流程图。
在一种实施方式中,该基于ETC大数据的车辆投保风险评估方法,可以包括以下步骤:
(1)根据投保车辆的ETC数据获取该投保车辆的历史行为数据;
(2)利用所述的投保车辆的历史行为数据计算所述投保车辆的风险指数;
(3)利用所述投保车辆的风险指数及风险控制模型进行计算,获得所述的投保车辆的投保风险评估数据。
在一种较优选的实施方式中,所述的步骤(1)具体为:
根据投保车辆在ETC数据获取该投保车辆在多个时间段内的历史行为数据,所述的历史行为数据包括:载重情况、通行里程、耗费时间、位置信息和速度。其中,所述的多个时间段包括三天、一周、半个月、一个月、三个月、半年和一年。
在进一步优选的实施方式中,所述的步骤(2)具体为:
利用所述的投保车辆的多个时间段内的历史行为数据计算所述投保车辆的风险指数,所述的风险指数包括:平均运力、空载率、平均耗时、出行时间偏好、城市偏好、出行目的、节假日出行偏好和出行周期。
在更优选的实施方式中,所述的步骤(3)具体为:
建立风险控制模型回归方程,利用所述投保车辆的风险指数,计算所述的投保车辆在未来保险期间的出险概率作为所述投保风险评估数据。
本发明还提供一种车牌信息采集修复系统,该系统包括处理器和存储器,所述的存储器存储应用程序,当所述处理器读取并运行该应用程序时,实现上述的基于ETC大数据的车辆投保风险评估方法。
本发明还提供一种计算机可读存储介质,其上存储有应用程序,当该应用程序被处理器读取并运行时,实现上述的基于ETC大数据的车辆投保风险评估方法。
在实际应用中,本发明的目的在于,基于ETC大数据实现对于车险投保风险的准确预测,同时避免现有技术中预测基础不能体现车辆行驶习惯或司机驾驶习惯,GPS数据、里程表数据可靠性低,预测结果参考性不强等缺点。
另一方面,随着ETC高速公路电子付费系统的普及,安装ETC的车辆越来越多。特别是长途客车、长途运输货车等对于高速公路利用率高的车辆,基本实现了100%的ETC安装利用率。因此,利用ETC大数据对车辆的投保风险进行判断成为可能。
以我国高速公路网络为例,通过对全国两万个卡口记录的货车进出卡口的卡口节点及时间,可以统计出该货车在近期多个时间段内,如360天、180天、90天、30天、15天、7天及3天内的载重情况、通行总里程、耗费总时间、通行城市列表及次数、通行频次、通行平均速度等维度。进一步衍生平均运力能力、空载率情况、平均耗时、出行时间偏好、城市偏好、出行目的、节假日出行偏好、出行周期等维度。实现对货车外部数据及车险公司历史数据的匹对验证及建模需求。
具体而言,如图2及图3所示,基于ETC大数据取得真实样本数据,产生分析值X1、X2、X3…Xk分别用以表示近360天、180天、90天、30天、15天、7天及3天内的载重情况、通行总里程、耗费总时间、通行城市列表及次数、通行频次、通行平均速度等维度。
进一步建立以下总体回归方程:
E(Y|X1,X2,…,Xk)=β0+β1X1+β2X2+…+βkXk
建立样本回归方程:
采用了该发明的基于ETC大数据的车辆投保风险评估方法及系统,其首先根据投保车辆的ETC数据获取该投保车辆的历史行为数据;而后利用该历史行为数据计算所述投保车辆的风险指数;最后利用所述投保车辆的风险指数及风险控制模型进行计算,获得所述的投保车辆的投保风险评估数据。从而使得风险评估数据能够反映出车辆行驶习惯,对于车辆投保风险的参考价值高,同时,由于ETC数据难以篡改,因此,该投保风险评估的可靠性更高,而且,随着ETC的普及,本发明的评估方法可以应用于所有安装ETC的车辆,覆盖面极广。
在此说明书中,本发明已参照其特定的实施例作了描述。但是,很显然仍可以作出各种修改和变换而不背离本发明的精神和范围。因此,说明书和附图应被认为是说明性的而非限制性的。
Claims (7)
1.一种基于ETC大数据的车辆投保风险评估方法,其特征在于,该方法包括以下步骤:
(1)根据投保车辆的ETC数据获取该投保车辆的历史行为数据;
(2)利用所述的投保车辆的历史行为数据计算所述投保车辆的风险指数;
(3)利用所述投保车辆的风险指数及风险控制模型进行计算,获得所述的投保车辆的投保风险评估数据。
2.根据权利要求1所述的基于ETC大数据的车辆投保风险评估方法,其特征在于,所述的步骤(1)具体为:
根据投保车辆在ETC数据获取该投保车辆在多个时间段内的历史行为数据,所述的历史行为数据包括:载重情况、通行里程、耗费时间、位置信息和速度。
3.根据权利要求2所述的基于ETC大数据的车辆投保风险评估方法,其特征在于,所述的多个时间段包括三天、一周、半个月、一个月、三个月、半年和一年。
4.根据权利要求2所述的基于ETC大数据的车辆投保风险评估方法,其特征在于,所述的步骤(2)具体为:
利用所述的投保车辆的多个时间段内的历史行为数据计算所述投保车辆的风险指数,所述的风险指数包括:平均运力、空载率、平均耗时、出行时间偏好、城市偏好、出行目的、节假日出行偏好和出行周期。
5.根据权利要求4所述的基于ETC大数据的车辆投保风险评估方法,其特征在于,所述的步骤(3)具体为:
建立风险控制模型回归方程,利用所述投保车辆的风险指数,计算所述的投保车辆在未来保险期间的出险概率作为所述投保风险评估数据。
6.一种车牌信息采集修复系统,其特征在于,包括处理器和存储器,所述的存储器存储应用程序,当所述处理器读取并运行该应用程序时,实现权利要求1至5中任一项所述的基于ETC大数据的车辆投保风险评估方法。
7.一种计算机可读存储介质,其特征在于,其存储有应用程序,当该应用程序被处理器读取并运行时,实现权利要求1至5中任一项所述的基于ETC大数据的车辆投保风险评估方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010744229.1A CN111861766A (zh) | 2020-07-29 | 2020-07-29 | 基于etc大数据的车辆投保风险评估方法和系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010744229.1A CN111861766A (zh) | 2020-07-29 | 2020-07-29 | 基于etc大数据的车辆投保风险评估方法和系统 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN111861766A true CN111861766A (zh) | 2020-10-30 |
Family
ID=72946047
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010744229.1A Pending CN111861766A (zh) | 2020-07-29 | 2020-07-29 | 基于etc大数据的车辆投保风险评估方法和系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111861766A (zh) |
Cited By (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 |
CN113140111A (zh) * | 2021-04-30 | 2021-07-20 | 贵州数据宝网络科技有限公司 | 一种交通车辆行为预警装置及方法 |
-
2020
- 2020-07-29 CN CN202010744229.1A patent/CN111861766A/zh active Pending
Cited By (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 |
CN113140111A (zh) * | 2021-04-30 | 2021-07-20 | 贵州数据宝网络科技有限公司 | 一种交通车辆行为预警装置及方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US20230259986A1 (en) | System and method for analysis and presentation of used vehicle pricing data | |
Wee et al. | Do electric vehicle incentives matter? Evidence from the 50 US states | |
Ashenfelter et al. | Using mandated speed limits to measure the value of a statistical life | |
Oliva | Environmental regulations and corruption: Automobile emissions in Mexico City | |
Wilson | Estimating the travel and parking demand effects of employer-paid parking | |
Husnjak et al. | Telematics system in usage based motor insurance | |
Paefgen et al. | Multivariate exposure modeling of accident risk: Insights from Pay-as-you-drive insurance data | |
Schmalensee et al. | Household gasoline demand in the United States | |
Paefgen et al. | Evaluation and aggregation of pay-as-you-drive insurance rate factors: A classification analysis approach | |
Feng et al. | Vehicle choices, miles driven, and pollution policies | |
US20100030586A1 (en) | Systems & methods of calculating and presenting automobile driving risks | |
CN111861766A (zh) | 基于etc大数据的车辆投保风险评估方法和系统 | |
Kalahasthi et al. | Joint modeling of arrivals and parking durations for freight loading zones: Potential applications to improving urban logistics | |
Gao et al. | What can we learn from telematics car driving data: A survey | |
CN113838303B (zh) | 停车场推荐方法、装置、电子设备及存储介质 | |
Li | Leveraging explainable artificial intelligence and big trip data to understand factors influencing willingness to ridesharing | |
Yeow et al. | Comparing commercial vehicle fuel consumption models using real-world data under calibration constraints | |
WO2023246391A1 (zh) | 风险特征描述的提取 | |
CN111695767A (zh) | 高速公路路网通行效率评估方法、电子设备、存储介质 | |
Wang et al. | What prompts the adoption of car restriction policies among Chinese cities | |
US20110251750A1 (en) | Vehicle emission manager and credits bank | |
Montero et al. | Using GPS tracking data to validate route choice in OD trips within dense urban networks | |
CN109934233B (zh) | 一种运输业务识别方法和系统 | |
Tian et al. | Break‐taking behaviour pattern of long‐distance freight vehicles based on GPS trajectory data | |
KR20220051775A (ko) | 물류 유통 관리 장치 및 이를 포함하는 물류 유통 시스템 |
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 |