CN112288334B - 一种基于lightgbm的车联网风险因子的提取方法 - Google Patents

一种基于lightgbm的车联网风险因子的提取方法 Download PDF

Info

Publication number
CN112288334B
CN112288334B CN202011359228.1A CN202011359228A CN112288334B CN 112288334 B CN112288334 B CN 112288334B CN 202011359228 A CN202011359228 A CN 202011359228A CN 112288334 B CN112288334 B CN 112288334B
Authority
CN
China
Prior art keywords
data
vehicles
internet
lightgbm
risk factors
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
Application number
CN202011359228.1A
Other languages
English (en)
Other versions
CN112288334A (zh
Inventor
尹志武
王魁锋
周俊杰
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Shanghai Pingjia Technology Co ltd
Original Assignee
Shanghai Pingjia Technology Co ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Shanghai Pingjia Technology Co ltd filed Critical Shanghai Pingjia Technology Co ltd
Priority to CN202011359228.1A priority Critical patent/CN112288334B/zh
Publication of CN112288334A publication Critical patent/CN112288334A/zh
Application granted granted Critical
Publication of CN112288334B publication Critical patent/CN112288334B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

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
    • G06Q40/00—Finance; Insurance; Tax strategies; Processing of corporate or income taxes
    • G06Q40/08—Insurance
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04W—WIRELESS COMMUNICATION NETWORKS
    • H04W4/00—Services specially adapted for wireless communication networks; Facilities therefor
    • H04W4/30—Services specially adapted for particular environments, situations or purposes
    • H04W4/40—Services specially adapted for particular environments, situations or purposes for vehicles, e.g. vehicle-to-pedestrians [V2P]

Landscapes

  • Business, Economics & Management (AREA)
  • Engineering & Computer Science (AREA)
  • Human Resources & Organizations (AREA)
  • Economics (AREA)
  • Strategic Management (AREA)
  • Theoretical Computer Science (AREA)
  • Marketing (AREA)
  • Development Economics (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Physics & Mathematics (AREA)
  • General Business, Economics & Management (AREA)
  • General Physics & Mathematics (AREA)
  • Finance (AREA)
  • Accounting & Taxation (AREA)
  • Signal Processing (AREA)
  • Computer Networks & Wireless Communication (AREA)
  • Educational Administration (AREA)
  • Technology Law (AREA)
  • Game Theory and Decision Science (AREA)
  • Operations Research (AREA)
  • Quality & Reliability (AREA)
  • Tourism & Hospitality (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)
  • Financial Or Insurance-Related Operations Such As Payment And Settlement (AREA)

Abstract

本发明公开了一种基于lightgbm的车联网风险因子的提取方法，包括车联网数据的获取、保险数据的获取、数据预处理、生成风险因子、组合车联网风险因子和保险数据生成模型数据集、采用LightGBM进行风险因子的重要性评估、对各个风险因子重要性的评估值数据进行业务评估、根据抽取的高质量的风险因子辅助投保金额的确定。采用的LightGBM算法可进行数据模型的分布式部署和进行模型的分布式学习，更重要的是，该算法可以直接支持离散数据，可以一次性获取所有风险因子的重要性评估值。基于本发明，将大大提高现有车联网用户获取数据的有效性，以及降低进一步的业务模型训练所需的数据规模，提高业务决策的准确率。

Description

一种基于lightgbm的车联网风险因子的提取方法
技术领域
本发明涉及一种车联网风险因子的提取方法，具体为一种基于lightgbm的车联网风险因子的提取方法，属于传感器和数据处理技术领域。
背景技术
当前，车联网数据在保险、金融、电商、社交等领域得到了越来越广泛的应用。车联网数据包括车辆信息、行驶记录、道路信息、气候信息等种类繁多的数据，如何根据不同的业务需求选择合适的车联网数据来进行高效使用是当前产业界研究的热点之一，基于此，本申请提出一种基于lightgbm的车联网风险因子的提取方法。
发明内容
本发明的目的就在于为了解决问题而提供一种基于lightgbm的车联网风险因子的提取方法，通过结合车联网数据和保险理赔数据，采用LightGBM算法模型实现了车联网数据风险因子的快速判定和高效地抽取。同时，本发明适用于车联网数据对其它业务的风险因子重要性评估和抽取。
本发明通过以下技术方案来实现上述目的：一种基于lightgbm的车联网风险因子的提取方法，包括以下步骤：
步骤一、车联网数据的获取，根据车联网前装设备、车联网后装设备、用户手机提供的卫星定位数据等获取车联网数据；
步骤二、保险数据的获取，根据车联网中的车辆编号获取车辆的相关投保和理赔数据；
步骤三、数据预处理，对车联网数据异常值进行处理，车联网数据清洗，剔除无效行程；
步骤四、生成风险因子，根据清洗后的车联网数据，生成风险因子；
步骤五、组合车联网风险因子和保险数据生成模型数据集，以车联网风险因子作为自变量，保险理赔中赔付金额作为目标变量，根据车辆编号进行数据合并，组合形成数据模型的数据集；
步骤六、采用LightGBM进行风险因子的重要性评估；
步骤七、对各个风险因子重要性的评估值数据进行业务评估；
步骤八、根据抽取的高质量的风险因子辅助投保金额的确定。
作为本发明再进一步的方案：所述步骤一中，所获取的车联网数据包括：行程时间、行程轨迹、道路状况、车辆维修信息、行程车速、车辆急弯次数等。
作为本发明再进一步的方案：所述步骤二中，所获取的保险数据包括：保单开始时间、保单结束时间、出险率、赔付率和签单保费等。
作为本发明再进一步的方案：所述步骤三中，在对数据进行清理时，剔除有效行程距离很少的车辆数据；按照车辆行程为单元，对相关数据进行汇总。
作为本发明再进一步的方案：所述步骤四中，生产的风险因子包括：行程数、节假日行程占比、黄昏行程占比、疲劳驾驶行程数占比、超速占比、恶劣天气行程占比、活动半径等。
作为本发明再进一步的方案：所述步骤六中，LightGBM的优势在于：
1)直接支持category数据；
2)采用直方图的方式离散化样本；
3)基于标签残差迭代的学习方式；
4)根据带深度限制的Leaf-wise的叶子生长策略来进行模型的训练；
5)特征数据可以并行运行；
采用LightGBM对车联网风险因子和保险数据组合生成的数据集进行模型训练，并采用GridSearchCV网格参数搜索的方式，找到学习率、控制器学习器的数量等超参数的最佳值，当模型预测准确率满足预定期望时，得到该场景时各个车联网风险因子的重要性评估值。
作为本发明再进一步的方案：所述步骤七中，风险因子的业务评估标准为：根据当前数据集中，行程数、每天行程数、长距离行程的占比等因子进行判断。
作为本发明再进一步的方案：所述步骤八中，根据抽取的风险因子辅助投保金额的确定包括：抽取前15个重要的车联网因子，根据LightGBM将车辆用户分成10个等级。每个等级设置一个乘法因子，用于投保金额的计算。而乘法因子的确定可以根据用户保险投保的历史数据拟合学习获取。
本发明的有益效果是：该基于lightgbm的车联网风险因子的提取方法设计合理，给出了车联网数据风险因子重要性测度、风险因子抽取和风险因子效果验证的完整流程，采用的LightGBM算法可进行数据模型的分布式部署和进行模型的分布式学习，更重要的是，该算法可以直接支持离散数据，可以一次性获取所有风险因子的重要性评估值。基于本发明，将大大提高现有车联网用户获取数据的有效性，以及降低进一步的业务模型训练所需的数据规模，提高业务决策的准确率。
附图说明
图1为本发明整体流程示意图；
图2为本发明针对风险因子重要性评估和抽取的流程示意图。
具体实施方式
下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。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。
请参阅图1～2，一种基于lightgbm的车联网风险因子的提取方法，包括以下步骤：
步骤S10，车联网数据的获取。
在本实施例中，从车联网前装设备、车联网后装设备、用户手机提供的卫星定位数据等设备和系统获取车联网数据，包括：行程时间、行程轨迹、道路状况、车辆维修信息、行程车速、车辆急弯次数等。
步骤S20，保险数据的获取。
根据车联网中的车辆编号获取车辆的相关投保和理赔数据，包括：保单开始时间、保单结束时间、出险率、赔付率和签单保费等。
步骤S30，数据预处理。
车联网数据异常值处理，剔除无效行程；车联网数据清洗，剔除有效行程距离很少的车辆数据；按照车辆行程为单元，对相关数据进行汇总等。
步骤S40，车联网风险因子的生成。
根据清洗后的车联网数据，生成风险因子：行程数、节假日行程占比、黄昏行程占比、疲劳驾驶行程数占比、超速占比、恶劣天气行程占比、活动半径等。
步骤S50，组合车联网风险因子和保险数据生成数据集。
以车联网风险因子作为自变量，保险理赔中赔付金额作为目标变量，根据车辆编号进行数据合并，组合形成数据模型的数据集。
步骤S60，采用LightGBM进行风险因子的重要性评估。
合并车联网风险因子和保险理赔中的赔付金额数据形成数据集后，就可以开始进行基于LightGBM算法进行模型训练、模型验证和模型测试，获取车联网数据风险因子的重要性评估值。图2描述了本实施例中的详细步骤。
S6001：读取数据集。从数据库中读取步骤S50中生成并入库的数据集。
S6002：变量分割。将数据集分割为车联网因子和保险赔付金额。其中车联网因子作为模型的自变量，保险赔付金额作为模型的目标变量。
S6003：数据集分割。将数据集分割为训练集、验证集和测试集，其中测试集占比可设置为10％～20％。
S6004：设置LightGBM的超参数。模型超参数的设置值会影响模型的收敛速度，根据网格搜索算法GridSearchCV选取合适的学习率和子模型数量等超参数，并进行初始化设置。
S6005：模型回归。根据LightGBM的回归算法在训练集和验证集上进行模型学习。
S6006：测试集验证。判断测试集的准确率符合预期，则转到步骤S6007，否则转到步骤S6004。
S6007：保存各风险因子的重要性估值。将获取的各车联网风险因子的重要性估值保存，提供给该领域的业务专家进行评估。
S6008：保存模型。将模型参数进行保存，便于后续进行模型的迭代开发。
步骤S70，风险因子的业务评估。
判断模型分析的结果是否符合真实的业务定义。根据模型抽取结果，当前数据集中，行程数、每天行程数、长距离行程占比等因子重要性高，而节假日行程比例、后半夜行程比例、平均速度等因子重要性低，这也符合业务专家的评估：行程次数越多，行程距离越长，车子出风险的概率也越高；节假日当中车辆出风险的概率基本和平时差不多，另外由于所处路况不一致，驾驶水平不一样，速度也不是风险判定的关键性因素。
步骤S80，根据抽取的风险因子辅助投保金额的确定。
抽取前15个重要的车联网因子，根据LightGBM将车辆用户分成10个等级。每个等级设置一个乘法因子，用于投保金额的计算。而乘法因子的确定可以根据用户保险投保的历史数据进一步拟合学习获取。
对于本领域技术人员而言，显然本发明不限于上述示范性实施例的细节，而且在不背离本发明的精神或基本特征的情况下，能够以其他的具体形式实现本发明。因此，无论从哪一点来看，均应将实施例看作是示范性的，而且是非限制性的，本发明的范围由所附权利要求而不是上述说明限定，因此旨在将落在权利要求的等同要件的含义和范围内的所有变化囊括在本发明内。不应将权利要求中的任何附图标记视为限制所涉及的权利要求。
此外，应当理解，虽然本说明书按照实施方式加以描述，但并非每个实施方式仅包含一个独立的技术方案，说明书的这种叙述方式仅仅是为清楚起见，本领域技术人员应当将说明书作为一个整体，各实施例中的技术方案也可以经适当组合，形成本领域技术人员可以理解的其他实施方式。

Claims (6)

1.一种基于lightgbm的车联网风险因子的提取方法，其特征在于：包括以下步骤：
步骤一、车联网数据的获取，根据车联网前装设备、车联网后装设备、用户手机提供的卫星定位数据获取车联网数据；
步骤二、保险数据的获取，根据车联网中的车辆编号获取车辆的相关投保和理赔数据；
步骤三、数据预处理，对车联网数据异常值进行处理，车联网数据清洗，剔除无效行程；
步骤四、生成风险因子，根据清洗后的车联网数据，生成风险因子；
所述步骤四中，生成的风险因子包括：行程数、节假日行程占比、黄昏行程占比、疲劳驾驶行程数占比、超速占比、恶劣天气行程占比、活动半径；
步骤五、组合车联网风险因子和保险数据生成模型数据集，以车联网风险因子作为自变量，保险理赔中赔付金额作为目标变量，根据车辆编号进行数据合并，组合形成数据模型的数据集；
步骤六、采用LightGBM进行风险因子的重要性评估；
步骤七、对各个风险因子重要性的评估值数据进行业务评估；
步骤八、根据抽取的高质量的风险因子辅助投保金额的确定；
所述步骤八中，根据抽取的风险因子辅助投保金额的确定包括：抽取前15个重要的车联网因子，根据LightGBM将车辆用户分成10个等级，每个等级设置一个乘法因子，用于投保金额的计算，而乘法因子的确定可以根据用户保险投保的历史数据拟合学习获取。
2.根据权利要求1所述的一种基于lightgbm的车联网风险因子的提取方法，其特征在于：所述步骤一中，所获取的车联网数据包括：行程时间、行程轨迹、道路状况、车辆维修信息、行程车速、车辆急弯次数。
3.根据权利要求1所述的一种基于lightgbm的车联网风险因子的提取方法，其特征在于：所述步骤二中，所获取的保险数据包括：保单开始时间、保单结束时间、出险率、赔付率和签单保费。
4.根据权利要求1所述的一种基于lightgbm的车联网风险因子的提取方法，其特征在于：所述步骤三中，在对数据进行清理时，剔除有效行程距离很少的车辆数据；按照车辆行程为单元，对相关数据进行汇总。
5.根据权利要求1所述的一种基于lightgbm的车联网风险因子的提取方法，其特征在于：所述步骤六中，LightGBM的优势在于：
1)直接支持category数据；
2)采用直方图的方式离散化样本；
3)基于标签残差迭代的学习方式；
4)根据带深度限制的Leaf-wise的叶子生长策略来进行模型的训练；
5)特征数据可以并行运行；
采用LightGBM对车联网风险因子和保险数据组合生成的数据集进行模型训练，并采用GridSearchCV网格参数搜索的方式，找到学习率、控制器学习器的数量超参数的最佳值，当模型预测准确率满足预定期望时，得到该场景时各个车联网风险因子的重要性评估值。
6.根据权利要求1所述的一种基于lightgbm的车联网风险因子的提取方法，其特征在于：所述步骤七中，风险因子的业务评估标准为：根据当前数据集中，行程数、每天行程数、长距离行程的占比因子进行判断。
CN202011359228.1A 2020-11-27 2020-11-27 一种基于lightgbm的车联网风险因子的提取方法 Active CN112288334B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202011359228.1A CN112288334B (zh) 2020-11-27 2020-11-27 一种基于lightgbm的车联网风险因子的提取方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202011359228.1A CN112288334B (zh) 2020-11-27 2020-11-27 一种基于lightgbm的车联网风险因子的提取方法

Publications (2)

Publication Number Publication Date
CN112288334A CN112288334A (zh) 2021-01-29
CN112288334B true CN112288334B (zh) 2024-04-16

Family

ID=74425608

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202011359228.1A Active CN112288334B (zh) 2020-11-27 2020-11-27 一种基于lightgbm的车联网风险因子的提取方法

Country Status (1)

Country Link
CN (1) CN112288334B (zh)

Families Citing this family (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112906139A (zh) * 2021-04-08 2021-06-04 平安科技（深圳）有限公司 车辆故障风险评估方法、装置、电子设备及存储介质
CN113689083A (zh) * 2021-07-29 2021-11-23 中国银行保险信息技术管理有限公司 新能源车保险风险因子的处理方法、装置及计算机设备
CN114187122A (zh) * 2021-11-19 2022-03-15 泰康保险集团股份有限公司 保单理赔的处理方法、装置、电子设备及存储介质
CN117196313B (zh) * 2023-09-25 2024-07-26 华设设计集团股份有限公司 一种隧道施工塌方事故耦合风险源识别方法
CN117541403A (zh) * 2023-11-17 2024-02-09 德联易控科技(北京)有限公司 一种风险数据库构建方法、装置、电子设备和可读介质

Citations (15)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104504531A (zh) * 2014-12-30 2015-04-08 大连楼兰科技股份有限公司 一种车辆驾驶风险评估方法
WO2016028228A1 (en) * 2014-08-21 2016-02-25 Avennetz Technologies Pte Ltd System, method and apparatus for determining driving risk
CN108256714A (zh) * 2016-12-29 2018-07-06 得道车联网络科技（上海）有限公司 一种基于车联网大数据的行车轨迹实时风险评估模型
CN108446824A (zh) * 2018-02-08 2018-08-24 深圳市赛格导航科技股份有限公司 一种驾驶行为的风险评估方法、装置、设备及存储介质
CN108460685A (zh) * 2017-02-22 2018-08-28 深圳市赛格车圣智联科技有限公司 用于挖掘车险风险因子之间的关联规则的方法和装置
CN108989446A (zh) * 2018-08-02 2018-12-11 成都秦川物联网科技股份有限公司 基于车联网的车险费用生成方法与车联网系统
CN109658272A (zh) * 2018-12-26 2019-04-19 江苏数慧信息科技有限公司 驾驶行为评价系统及基于驾驶行为的保险定价系统
CN110751548A (zh) * 2019-09-04 2020-02-04 浪潮金融信息技术有限公司 一种应用于智慧银行的用户贷款风险预测方法
CN110910257A (zh) * 2019-11-15 2020-03-24 泰康保险集团股份有限公司 信息预测方法、装置、电子设备和计算机可读介质
CN111251819A (zh) * 2020-01-03 2020-06-09 武汉理工大学 一种基于车联网与大数据的车载空调智能调节方法与系统
CN111612638A (zh) * 2020-05-20 2020-09-01 上海评驾科技有限公司 一种基于车联网大数据识别保险欺诈风险的方法
CN111626879A (zh) * 2020-05-28 2020-09-04 泰康保险集团股份有限公司 数据预测方法、装置、设备及存储介质
CN111652710A (zh) * 2020-06-03 2020-09-11 北京化工大学 一种基于集成树特征提取和Logistic回归的个人信用风险评估方法
FR3094120A1 (fr) * 2019-03-19 2020-09-25 Psa Automobiles Sa Procédé de collecte de données pour la gestion d’un contrat d’assurance associé à un véhicule connecté
KR102160447B1 (ko) * 2020-07-17 2020-09-28 한화생명보험 (주) 새플리 값을 이용한 실손보험금 자동지급심사 시스템 및 그 방법

Family Cites Families (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20130046562A1 (en) * 2009-11-06 2013-02-21 Jeffrey Taylor Method for gathering, processing, and analyzing data to determine the risk associated with driving behavior
US20130006674A1 (en) * 2011-06-29 2013-01-03 State Farm Insurance Systems and Methods Using a Mobile Device to Collect Data for Insurance Premiums

Patent Citations (15)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2016028228A1 (en) * 2014-08-21 2016-02-25 Avennetz Technologies Pte Ltd System, method and apparatus for determining driving risk
CN104504531A (zh) * 2014-12-30 2015-04-08 大连楼兰科技股份有限公司 一种车辆驾驶风险评估方法
CN108256714A (zh) * 2016-12-29 2018-07-06 得道车联网络科技（上海）有限公司 一种基于车联网大数据的行车轨迹实时风险评估模型
CN108460685A (zh) * 2017-02-22 2018-08-28 深圳市赛格车圣智联科技有限公司 用于挖掘车险风险因子之间的关联规则的方法和装置
CN108446824A (zh) * 2018-02-08 2018-08-24 深圳市赛格导航科技股份有限公司 一种驾驶行为的风险评估方法、装置、设备及存储介质
CN108989446A (zh) * 2018-08-02 2018-12-11 成都秦川物联网科技股份有限公司 基于车联网的车险费用生成方法与车联网系统
CN109658272A (zh) * 2018-12-26 2019-04-19 江苏数慧信息科技有限公司 驾驶行为评价系统及基于驾驶行为的保险定价系统
FR3094120A1 (fr) * 2019-03-19 2020-09-25 Psa Automobiles Sa Procédé de collecte de données pour la gestion d’un contrat d’assurance associé à un véhicule connecté
CN110751548A (zh) * 2019-09-04 2020-02-04 浪潮金融信息技术有限公司 一种应用于智慧银行的用户贷款风险预测方法
CN110910257A (zh) * 2019-11-15 2020-03-24 泰康保险集团股份有限公司 信息预测方法、装置、电子设备和计算机可读介质
CN111251819A (zh) * 2020-01-03 2020-06-09 武汉理工大学 一种基于车联网与大数据的车载空调智能调节方法与系统
CN111612638A (zh) * 2020-05-20 2020-09-01 上海评驾科技有限公司 一种基于车联网大数据识别保险欺诈风险的方法
CN111626879A (zh) * 2020-05-28 2020-09-04 泰康保险集团股份有限公司 数据预测方法、装置、设备及存储介质
CN111652710A (zh) * 2020-06-03 2020-09-11 北京化工大学 一种基于集成树特征提取和Logistic回归的个人信用风险评估方法
KR102160447B1 (ko) * 2020-07-17 2020-09-28 한화생명보험 (주) 새플리 값을 이용한 실손보험금 자동지급심사 시스템 및 그 방법

Non-Patent Citations (4)

* Cited by examiner, † Cited by third party
Title
Research on the Features of Car Insurance Data Based on Machine Learning;Wang Huidong;Procedia Computer Science;20201110;第166卷;582-587 *
基于机器学习算法的UBI车险赔付率预测;王翌光;中国优秀硕士学位论文全文数据库 信息科技辑;20200715(第7期);I140-30 *
基于集成模型的个人信用风险评估研究;李思瑶;;时代金融;20200220(05);125-126+128 *
基于驾驶行为的UBI车险定价模型;吴祥佑;电子科技大学学报（社科版）;20200831;第22卷(第4期);67-76 *

Also Published As

Publication number Publication date
CN112288334A (zh) 2021-01-29

Similar Documents

Publication Publication Date Title
CN112288334B (zh) 一种基于lightgbm的车联网风险因子的提取方法
Gnann et al. Modelling market diffusion of electric vehicles with real world driving data–German market and policy options
US20200226502A1 (en) Travel plan recommendation method, apparatus, device and computer readable storage medium
CN107180367A (zh) 一种基于机器学习的车辆估价的方法、存储介质及装置
Abotalebi et al. Can Canadian households benefit economically from purchasing battery electric vehicles?
CN111091401A (zh) 一种网约车定价方法、系统、存储介质及设备
CN106600044B (zh) 一种车辆销售量预测模型确定的方法及装置
CN114663827A (zh) 一种判断场景内涝积水深度的方法及系统
CN106780049B (zh) 一种车辆金融授信方法及装置
CN109214827A (zh) 一种识别车辆刷单骗补行为的方法和装置
Kirtibhai Patel et al. Faster R-CNN based automatic parking space detection
CN114493256A (zh) 增程器保养方法、服务器及存储介质
CN117745079A (zh) 一种基于城市安全风险评估模型的平台系统
CN110728582B (zh) 信息处理的方法、装置、存储介质和处理器
CN116401860A (zh) 一种纯电动汽车的快充策略效益评估方法
Pamidimukkala et al. Adoption of electric vehicles: a state-of-art review
CN115718886A (zh) 纯电动汽车行驶工况的构建方法及装置
CN109544410A (zh) 小区房源价值参数估计方法以及装置
Craglia et al. The quality rebound effect in transportation
Straka et al. Use cases and introductory analysis of the dataset collected within the large network of public charging stations
Craglia The role of technical improvements in decarbonising passenger transport
Trosvik et al. Electric vehicle adoption in Sweden and the impact of local policy instruments
Ubaidilla An Econometric Analysis of Road Transport Demand in Malaysia
CN114912846B (zh) 在线学习的综合能源客户价值挖掘能效评估方法和装置
CN114013285B (zh) 一种电动汽车实际续驶里程评估方法

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