CN113077179A - 一种车辆虚假索赔识别方法、系统、设备及存储介质 - Google Patents
一种车辆虚假索赔识别方法、系统、设备及存储介质 Download PDFInfo
- Publication number
- CN113077179A CN113077179A CN202110432312.XA CN202110432312A CN113077179A CN 113077179 A CN113077179 A CN 113077179A CN 202110432312 A CN202110432312 A CN 202110432312A CN 113077179 A CN113077179 A CN 113077179A
- Authority
- CN
- China
- Prior art keywords
- vehicle
- data
- verification
- false
- determining
- 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
- 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
- G06Q30/00—Commerce
- G06Q30/018—Certifying business or products
- G06Q30/0185—Product, service or business identity fraud
Landscapes
- Business, Economics & Management (AREA)
- Human Resources & Organizations (AREA)
- Engineering & Computer Science (AREA)
- Entrepreneurship & Innovation (AREA)
- Economics (AREA)
- Strategic Management (AREA)
- Theoretical Computer Science (AREA)
- Development Economics (AREA)
- Marketing (AREA)
- Physics & Mathematics (AREA)
- General Business, Economics & Management (AREA)
- General Physics & Mathematics (AREA)
- Finance (AREA)
- Accounting & Taxation (AREA)
- Educational Administration (AREA)
- Game Theory and Decision Science (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Tourism & Hospitality (AREA)
- Traffic Control Systems (AREA)
Abstract
本发明公开了一种车辆虚假索赔识别方法、系统、设备及存储介质。该方法包括：获取车辆索赔登记数据，查找所述车辆索赔登记数据相关的目标车联网数据；根据所述目标车联网数据对所述车辆索赔登记数据进行验证，确定所述车辆索赔登记数据的虚假索赔风险级别；基于所述虚假索赔风险级别，生成对应的虚假索赔风险报告。本发明解决了目前靠人工识别虚假索赔订单，效率低且容易出错的问题，实现了快速比对车辆索赔登记数据与车联网数据，分析验证登记数据的真实合理性，可以快速准确定位到虚假索赔风险高的索赔事件，辅助业务人员及时挽回虚假索赔造成的利益损失。
Description
技术领域
本发明实施例涉及信息处理技术，尤其涉及一种车辆虚假索赔识别方法、系统、设备及存储介质。
背景技术
目前，很多车辆销售公司都处于数字化转型的阶段，虚假索赔识别作为车辆销售公司数字化转型的前瞻性试验田，旨在利用数据甄别所有在售车辆的索赔业务、自费保养业务、免费保养业务是否存在虚假索赔风险，从而有效打击行业中存在的欺诈行为，提高风险和欺诈防范的能力，保护车辆销售公司的利益。
发明内容
本发明提供一种车辆虚假索赔识别方法、系统、设备及存储介质，以实现快速准确定位到虚假索赔风险高的索赔事件，及时挽回虚假索赔造成的利益损失。
第一方面，本发明实施例提供了一种车辆虚假索赔识别方法，包括：
获取车辆索赔登记数据，查找所述车辆索赔登记数据相关的目标车联网数据；
根据所述目标车联网数据对所述车辆索赔登记数据进行验证，确定所述车辆索赔登记数据的虚假索赔风险级别；
基于所述虚假索赔风险级别，生成对应的虚假索赔风险报告。
可选的，所述查找所述车辆索赔登记数据相关的目标车联网数据，包括：
提取所述车辆索赔登记数据中的进厂时间和车辆编号，根据所述进厂时间确定数据获取时间段；
将所述数据获取时间段内所述车辆编号对应的车联网数据确定为目标车联网数据。
可选的，所述根据所述目标车联网数据对所述车辆索赔登记数据进行验证，确定所述车辆索赔登记数据的虚假索赔风险级别，包括：
根据所述车辆索赔登记数据和所述目标车联网数据，确定验证类别对应的登记类别验证数据和车联网类别验证数据，并进行数据验证，得到所述验证类别的类别索赔合理性；
基于各所述验证类别的类别索赔合理性，确定所述车辆索赔登记数据的虚假索赔风险级别。
可选的，所述验证类别包括距离验证；
相应的，所述根据所述车辆索赔登记数据和所述目标车联网数据，确定验证类别对应的登记类别验证数据和车联网类别验证数据，并进行数据验证，得到所述验证类别的类别索赔合理性，包括：
从所述车辆索赔登记数据中提取经销商位置信息；
根据所述目标车联网数据，确定车辆行驶轨迹，结合所述经销商位置信息，得到最近离店距离；
获取最大离店阈值，如果所述最近离店距离小于等于所述最大离店阈值，则确定所述距离验证的类别索赔合理性为合理索赔；否则，
确定所述类别索赔合理性为非合理索赔。
可选的，所述验证类别包括里程验证；
相应的，所述根据所述车辆索赔登记数据和所述目标车联网数据，确定验证类别对应的登记类别验证数据和车联网类别验证数据，并进行数据验证，得到所述验证类别的类别索赔合理性，包括：
从所述车辆索赔登记数据中提取工单登记里程和进厂时间；
查找所述目标车联网数据中与所述进厂时间最接近的里程车联网数据，提取所述里程车联网数据中的车联网里程，结合所述工单登记里程，得到里程偏差值；
获取里程偏差阈值，如果所述里程偏差值小于等于所述里程偏差阈值，则确定所述里程验证的类别索赔合理性为合理索赔；否则，
确定所述类别索赔合理性为非合理索赔。
可选的，所述验证类别包括时长验证；
相应的，所述根据所述车辆索赔登记数据和所述目标车联网数据，确定验证类别对应的登记类别验证数据和车联网类别验证数据，并进行数据验证，得到所述验证类别的类别索赔合理性，包括：
从所述车辆索赔登记数据中提取经销商位置信息和进厂时间；
根据所述目标车联网数据，结合所述经销商位置信息，确定车辆在店累计时长；
获取在店时长阈值，如果所述车辆在店累计时长大于所述在店时长阈值，则确定所述时长验证的类别索赔合理性为合理索赔；否则，
确定所述类别索赔合理性为非合理索赔。
可选的，所述基于各所述验证类别的类别索赔合理性，确定所述车辆索赔登记数据的虚假索赔风险级别，包括：
将所述类别索赔合理性为非合理索赔的验证类别确定为风险类别，并确定所述风险类别的风险类别数量；
根据所述风险类别数量确定所述车辆索赔登记数据的虚假索赔风险级别，其中，所述虚假索赔风险级别与所述风险类别数量成正比。
第二方面，本发明实施例还提供了一种车辆虚假索赔识别系统，该系统包括：
索赔数据获取模块，用于获取车辆索赔登记数据，查找所述车辆索赔登记数据相关的目标车联网数据；
风险级别验证模块，用于根据所述目标车联网数据对所述车辆索赔登记数据进行验证，确定所述车辆索赔登记数据的虚假索赔风险级别；
风险报告生成模块，用于基于所述虚假索赔风险级别，生成对应的虚假索赔风险报告。
第三方面，本发明实施例还提供了一种计算机设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述程序时实现如本发明任意实施例所述的车辆虚假索赔识别方法。
第四方面，本发明实施例还提供了一种包含计算机可执行指令的存储介质，所述计算机可执行指令在由计算机处理器执行时用于执行如本发明任意实施例所述的车辆虚假索赔识别方法。
本发明通过获取车辆索赔登记数据，查找车辆索赔登记数据相关的目标车联网数据，根据目标车联网数据对车辆索赔登记数据进行验证，确定车辆索赔登记数据的虚假索赔风险级别，基于虚假索赔风险级别，生成对应的虚假索赔风险报告，解决了目前靠人工识别虚假索赔订单，效率低且容易出错的问题，实现了快速比对车辆索赔登记数据与车联网数据，分析验证登记数据的真实合理性，可以快速准确定位到虚假索赔风险高的索赔事件，辅助业务人员及时挽回虚假索赔造成的利益损失。
附图说明
图1是本发明实施例一提供的一种车辆虚假索赔识别方法的流程图；
图2是本发明实施例二提供的一种车辆虚假索赔识别方法的流程图；
图3是本发明实施例三提供的一种车辆虚假索赔识别系统的结构框图；
图4是本发明实施例四提供的一种计算机设备的结构框图。
具体实施方式
下面结合附图和实施例对本发明作进一步的详细说明。可以理解的是，此处所描述的具体实施例仅仅用于解释本发明，而非对本发明的限定。另外还需要说明的是，为了便于描述，附图中仅示出了与本发明相关的部分而非全部结构，此外，在不冲突的情况下，本发明中的实施例及实施例中的特征可以相互组合。
实施例一
图1为本发明实施例一提供的一种车辆虚假索赔识别方法的流程图，本实施例可适用于对车辆索赔工单进行真实性验证的情况，该方法可以由车辆虚假索赔识别装置来执行，该装置可以通过软件和/或硬件实现。
如图1所示，该方法具体包括如下步骤：
步骤110、获取车辆索赔登记数据，查找所述车辆索赔登记数据相关的目标车联网数据。
其中，车辆索赔登记数据可以理解为在车辆进行维修保养等服务时，由汽车4S店或者汽车维修店等服务方记录的有关本次服务的相关信息。车联网数据可以理解为在车辆运行时产生的记录车辆动态信息的数据。目标车联网数据则可以理解为与车辆索赔登记数据有关的车联网数据。
在本实施例中，车辆索赔登记数据可以从汽车经销商管理系统(DMS)、营销管理系统(TDS)中获取，可以包括某次服务的工单号、车辆VIN号、经销商名称、经销商地址、车辆的进店时间、车辆进店时的里程数、服务范围等信息。目标车联网数据可以从车联网数据库中获取。
具体的，在需要对车辆索赔订单进行真实性验证时，可以获取车辆索赔订单中的车辆索赔登记数据，根据车辆索赔登记数据查找车辆索赔订单中的车辆在该车辆索赔订单进行前后的目标车联网数据。例如获取车辆的编号，以及该订单创建的时间等，根据车辆的编号查找该车辆在该订单创建一定时间范围内产生的车联网数据，将查找到的车联网数据确定为目标车联网数据。
步骤120、根据所述目标车联网数据对所述车辆索赔登记数据进行验证，确定所述车辆索赔登记数据的虚假索赔风险级别。
其中，虚假索赔风险级别可以理解为车辆索赔登记数据是虚假数据的可能性，是虚假数据的可能性高，虚假索赔风险级别的等级就高。
具体的，由于目标车联网数据是在车辆索赔订单创建前后由车辆生成并自动上传至相关服务器中的，因此可以认为目标车联网数据是真实无误的。因此，可以用目标车联网数据对车辆索赔登记数据进行验证，检验车辆索赔登记数据的真实性，例如对车辆的里程数据、位置信息等进行验证。可以理解的是，车辆索赔登记数据与相应的目标车联网数据并非完全一致才能认为是真实的，二者之间存在一定的偏差也是可以被允许的，但是偏差值需要在一定的阈值范围内，而阈值可以根据不同车型、不同地区、不同场景等进行调整。当车辆索赔登记数据与目标车联网数据中有较多的数据信息都不相符时，可以认为该车辆索赔登记数据的真实性较低，极有可能是虚假索赔订单，因此可以确定为相对较高的虚假索赔风险级别；反之，当车辆索赔登记数据与目标车联网数据基本一致时，可以认为该车辆索赔登记数据的真实性较高，基本没有虚假索赔的可能性，因此可以确定为相对较低的虚假索赔风险级别。
步骤130、基于所述虚假索赔风险级别，生成对应的虚假索赔风险报告。
具体的，虚假索赔风险报告可以展示车辆索赔登记数据与目标车联网数据的对比信息，以及经过分析后的虚假索赔风险级别等信息。另外，在虚假索赔风险报告中，还可以标注出哪些车辆索赔登记数据的真实性较低，通过报告的形式，可以用实际数据反映出车辆索赔登记数据与目标车联网数据之间的偏差，方便业务人员直观的了解车辆索赔订单，更加快速展开调查。
本实施例的技术方案，通过获取车辆索赔登记数据，查找车辆索赔登记数据相关的目标车联网数据，根据目标车联网数据对车辆索赔登记数据进行验证，确定车辆索赔登记数据的虚假索赔风险级别，基于虚假索赔风险级别，生成对应的虚假索赔风险报告，解决了目前靠人工识别虚假索赔订单，效率低且容易出错的问题，实现了快速比对车辆索赔登记数据与车联网数据，分析验证登记数据的真实合理性，可以快速准确定位到虚假索赔风险高的索赔事件，辅助业务人员及时挽回虚假索赔造成的利益损失。
实施例二
图2为本发明实施例二提供的一种车辆虚假索赔识别方法的流程图。本实施例在上述实施例的基础上，进一步优化了上述车辆虚假索赔识别方法。
如图2所示，该方法具体包括：
步骤210、获取车辆索赔登记数据。
步骤220、提取车辆索赔登记数据中的进厂时间和车辆编号，根据进厂时间确定数据获取时间段。
其中，进厂时间可以理解为车辆索赔订单的创建时间。车辆编号可以理解为用于识别车辆的唯一标识编码，例如车辆VIN号。数据获取时间段可以理解为与车辆索赔订单相关的车联网数据生成时间段。
具体的，可以在车辆索赔登记数据中查找该车辆索赔订单服务车辆的车辆编号，以及该车辆到达经销商处的进厂时间，然后根据车辆的进厂时间确定与本次车辆索赔订单相关的数据获取时间段，用于获取指定时间范围的车联网数据。在本实施例中，可以取车辆进厂时间前后4小时的时间段为数据获取时间段，例如，车辆的进厂时间是12:00，那么可以确定8:00-16:00为数据获取时间段。
步骤230、将数据获取时间段内车辆编号对应的车联网数据确定为目标车联网数据。
具体的，可以在车联网数据库中查找该车辆编号在数据获取时间段内的车联网数据，将查找到的车联网数据确定为目标车联网数据。
步骤240、根据车辆索赔登记数据和目标车联网数据，确定验证类别对应的登记类别验证数据和车联网类别验证数据，并进行数据验证，得到验证类别的类别索赔合理性。
其中，验证类别可以包括距离验证、里程验证和/或时长验证，即验证类别可以理解为进行验证时主要考虑的数据表示含义，如里程验证时主要是对里程类数据进行检验。登记类别验证数据和车联网类别验证数据可以理解为用于某种验证类别时所需的车辆索赔登记数据和目标车联网数据。类别索赔合理性则可以理解为某验证类别的数据是否真实合理。
具体的，在对车辆索赔登记数据进行验证时，可以对车辆索赔登记数据中的各数据进行验证类别的划分，并从目标车联网数据中确定出对应类别的数据信息，用同一验证类别的目标车联网数据和车辆索赔登记数据进行比对，更加准确的得到该验证类别的类别索赔合理性。
可选的，进行距离验证时，可以通过以下步骤实现：
S11、从车辆索赔登记数据中提取经销商位置信息。
S12、根据目标车联网数据，确定车辆行驶轨迹，结合经销商位置信息，得到最近离店距离。
具体的，目标车联网数据是车辆索赔订单创建前后车辆生成的车联网数据，因此可以根据目标车联网数据，还原车辆索赔订单创建前后的车辆行驶轨迹，计算轨迹上每个点到经销商位置的物理距离，得到与经销商位置距离最短的点，将这个最短距离作为最近离店距离。
S13、获取最大离店阈值，如果最近离店距离小于等于最大离店阈值，则确定距离验证的类别索赔合理性为合理索赔；否则，确定类别索赔合理性为非合理索赔。
具体的，由于车辆定位装置采集的数据可能出现偏差，因此可以设置一个最大离店阈值，如1km，当车辆在数据获取时间段内的最近离店距离小于等于最大离店阈值，就认为车辆在该时间段内到店过，也就是从距离角度验证了该车辆索赔订单是合理的；如果车辆在数据获取时间段内的最近离店距离大于最大离店阈值，就认为车辆在该时间段内没有到店过，也就是从距离角度验证了该车辆索赔订单是不合理的。
可选的，进行里程验证时，可以通过以下步骤实现：
S21、从车辆索赔登记数据中提取工单登记里程和进厂时间。
其中，工单登记里程可以理解为经销商在进行车辆索赔订单创建时人为填报的里程数据。
S22、查找目标车联网数据中与进厂时间最接近的里程车联网数据，提取里程车联网数据中的车联网里程，结合工单登记里程，得到里程偏差值。
具体的，可以从目标车联网数据中查找最接近进厂时间的一条车联网数据，称为里程车联网数据。在里程车联网数据中提取当时车辆的里程信息，与工单登记里程做差值，得到里程偏差值。
S23、获取里程偏差阈值，如果里程偏差值小于等于里程偏差阈值，则确定里程验证的类别索赔合理性为合理索赔；否则，确定类别索赔合理性为非合理索赔。
具体的，在人为查看和登记车辆里程时，允许出现一定的偏差，因此可以设置一个里程偏差阈值，如10km，当里程偏差值小于等于里程偏差阈值，就认为工单登记里程是真实的，也就是从车辆里程角度验证了该车辆索赔订单是合理的；如果里程偏差值大于里程偏差阈值，就认为工单登记里程不是真实的，也就是从车辆里程角度验证了该车辆索赔订单是不合理的。
可选的，进行时长验证时，可以通过以下步骤实现：
S31、从所述车辆索赔登记数据中提取经销商位置信息和进厂时间。
S32、根据目标车联网数据，结合经销商位置信息，确定车辆在店累计时长。
具体的，只通过车辆在数据获取时间段内的最近离店距离小于最大离店阈值，不足以确定车辆到店进行过维修和保养，存在车辆在该时间段内路过经销商的可能，因此，还可以通过目标车联网数据识别车辆在经销商辐射范围内车辆的静默时间和运动时间，二者时间累加求和即为在店累计时长。
S33、获取在店时长阈值，如果车辆在店累计时长大于在店时长阈值，则确定时长验证的类别索赔合理性为合理索赔；否则，确定类别索赔合理性为非合理索赔。
具体的，由于给车辆维修或保养都是需要一定时长的，因此可以设置一个在店时长阈值，如2h，如果车辆的在店累计时长大于在店时长阈值，就认为车辆在经销商处进行车辆维修或保养，也就是从在店时长角度验证了该车辆索赔订单是合理的；如果车辆的在店累计时长小于等于在店时长阈值，就认为车辆没有在经销商处进行车辆维修或保养，只是从经销商附近路过，也就是从在店时长角度验证了该车辆索赔订单是不合理的。
在实际应用时，可以根据场景或数据的不同，进行其他类别的验证。
步骤250、基于各验证类别的类别索赔合理性，确定车辆索赔登记数据的虚假索赔风险级别。
具体的，当有较多个验证类别的类别索赔合理性为合理索赔，较少个验证类别的类别索赔合理性为非合理索赔，那么可以认为该车辆索赔登记数据是相对真实的，可以将车辆索赔登记数据的虚假索赔风险级别确定的较低一些；如果有较少个验证类别的类别索赔合理性为合理索赔，较多个验证类别的类别索赔合理性为非合理索赔，那么可以认为该车辆索赔登记数据是相对虚假的，可以将车辆索赔登记数据的虚假索赔风险级别确定的较高一些。
可选的，步骤250可以通过以下步骤实现：
将类别索赔合理性为非合理索赔的验证类别确定为风险类别，并确定风险类别的风险类别数量；根据风险类别数量确定车辆索赔登记数据的虚假索赔风险级别，其中，虚假索赔风险级别与风险类别数量成正比。
步骤260、基于虚假索赔风险级别，生成对应的虚假索赔风险报告。
本实施例的技术方案，通过获取车辆索赔登记数据，提取车辆索赔登记数据中的进厂时间和车辆编号，根据进厂时间确定数据获取时间段，将数据获取时间段内车辆编号对应的车联网数据确定为目标车联网数据，根据车辆索赔登记数据和目标车联网数据，确定验证类别对应的登记类别验证数据和车联网类别验证数据，并进行数据验证，得到验证类别的类别索赔合理性，基于各验证类别的类别索赔合理性，确定车辆索赔登记数据的虚假索赔风险级别，基于虚假索赔风险级别，生成对应的虚假索赔风险报告，解决了目前靠人工识别虚假索赔订单，效率低且容易出错的问题，实现了根据不同的验证类别快速比对车辆索赔登记数据与车联网数据，分析检验索赔登记数据的真实合理性，可以快速准确定位到虚假索赔风险高的索赔事件，辅助业务人员及时挽回虚假索赔造成的利益损失。
实施例三
本发明实施例所提供的车辆虚假索赔识别系统可执行本发明任意实施例所提供的车辆虚假索赔识别方法，具备执行方法相应的功能模块和有益效果。图3是本发明实施例三提供的一种车辆虚假索赔识别系统的结构框图，如图3所示，该系统包括：索赔数据获取模块310、风险级别验证模块320和风险报告生成模块330。
索赔数据获取模块310，用于获取车辆索赔登记数据，查找所述车辆索赔登记数据相关的目标车联网数据。
风险级别验证模块320，用于根据所述目标车联网数据对所述车辆索赔登记数据进行验证，确定所述车辆索赔登记数据的虚假索赔风险级别。
风险报告生成模块330，用于基于所述虚假索赔风险级别，生成对应的虚假索赔风险报告。
本实施例的技术方案，通过获取车辆索赔登记数据，查找车辆索赔登记数据相关的目标车联网数据，根据目标车联网数据对车辆索赔登记数据进行验证，确定车辆索赔登记数据的虚假索赔风险级别，基于虚假索赔风险级别，生成对应的虚假索赔风险报告，解决了目前靠人工识别虚假索赔订单，效率低且容易出错的问题，实现了快速比对车辆索赔登记数据与车联网数据，分析验证索赔登记数据的真实合理性，可以快速准确定位到虚假索赔风险高的索赔事件，辅助业务人员及时挽回虚假索赔造成的利益损失。
可选的，所述索赔数据获取模块310，包括：
登记数据获取单元，用于获取车辆索赔登记数据；
时间段确定单元，用于提取所述车辆索赔登记数据中的进厂时间和车辆编号，根据所述进厂时间确定数据获取时间段；
车联网数据获取单元，用于将所述数据获取时间段内所述车辆编号对应的车联网数据确定为目标车联网数据。
可选的，所述风险级别验证模块320，包括：
索赔合理性确定单元，用于根据所述车辆索赔登记数据和所述目标车联网数据，确定验证类别对应的登记类别验证数据和车联网类别验证数据，并进行数据验证，得到所述验证类别的类别索赔合理性；
风险级别确定单元，用于基于各所述验证类别的类别索赔合理性，确定所述车辆索赔登记数据的虚假索赔风险级别。
可选的，所述验证类别包括距离验证；
相应的，所述索赔合理性确定单元，具体用于：
从所述车辆索赔登记数据中提取经销商位置信息；
根据所述目标车联网数据，确定车辆行驶轨迹，结合所述经销商位置信息，得到最近离店距离；
获取最大离店阈值，如果所述最近离店距离小于等于所述最大离店阈值，则确定所述距离验证的类别索赔合理性为合理索赔；否则，
确定所述类别索赔合理性为非合理索赔。
可选的，所述验证类别包括里程验证；
相应的，所述索赔合理性确定单元，具体用于：
从所述车辆索赔登记数据中提取工单登记里程和进厂时间；
查找所述目标车联网数据中与所述进厂时间最接近的里程车联网数据，提取所述里程车联网数据中的车联网里程，结合所述工单登记里程，得到里程偏差值；
获取里程偏差阈值，如果所述里程偏差值小于等于所述里程偏差阈值，则确定所述里程验证的类别索赔合理性为合理索赔；否则，
确定所述类别索赔合理性为非合理索赔。
可选的，所述验证类别包括时长验证；
相应的，所述索赔合理性确定单元，具体用于：
从所述车辆索赔登记数据中提取经销商位置信息和进厂时间；
根据所述目标车联网数据，结合所述经销商位置信息，确定车辆在店累计时长；
获取在店时长阈值，如果所述车辆在店累计时长大于所述在店时长阈值，则确定所述时长验证的类别索赔合理性为合理索赔；否则，
确定所述类别索赔合理性为非合理索赔。
可选的，风险级别确定单元，具体用于：
将所述类别索赔合理性为非合理索赔的验证类别确定为风险类别，并确定所述风险类别的风险类别数量；
根据所述风险类别数量确定所述车辆索赔登记数据的虚假索赔风险级别，其中，所述虚假索赔风险级别与所述风险类别数量成正比。
本实施例的技术方案，通过获取车辆索赔登记数据，提取车辆索赔登记数据中的进厂时间和车辆编号，根据进厂时间确定数据获取时间段，将数据获取时间段内车辆编号对应的车联网数据确定为目标车联网数据，根据车辆索赔登记数据和目标车联网数据，确定验证类别对应的登记类别验证数据和车联网类别验证数据，并进行数据验证，得到验证类别的类别索赔合理性，基于各验证类别的类别索赔合理性，确定车辆索赔登记数据的虚假索赔风险级别，基于虚假索赔风险级别，生成对应的虚假索赔风险报告，解决了目前靠人工识别虚假索赔订单，效率低且容易出错的问题，实现了根据不同的验证类别快速比对车辆索赔登记数据与车联网数据，分析检验索赔登记数据的真实合理性，可以快速准确定位到虚假索赔风险高的索赔事件，辅助业务人员及时挽回虚假索赔造成的利益损失。
实施例四
图4为本发明实施例四提供的一种计算机设备的结构框图，如图4所示，该计算机设备包括处理器410、存储器420、输入装置430和输出装置440；计算机设备中处理器410的数量可以是一个或多个，图4中以一个处理器410为例；计算机设备中的处理器410、存储器420、输入装置430和输出装置440可以通过总线或其他方式连接，图4中以通过总线连接为例。
存储器420作为一种计算机可读存储介质，可用于存储软件程序、计算机可执行程序以及模块，如本发明实施例中的车辆虚假索赔识别方法对应的程序指令/模块(例如，车辆虚假索赔识别系统中的索赔数据获取模块310、风险级别验证模块320和风险报告生成模块330)。处理器410通过运行存储在存储器420中的软件程序、指令以及模块，从而执行计算机设备的各种功能应用以及数据处理，即实现上述的车辆虚假索赔识别方法。
存储器420可主要包括存储程序区和存储数据区，其中，存储程序区可存储操作系统、至少一个功能所需的应用程序；存储数据区可存储根据终端的使用所创建的数据等。此外，存储器420可以包括高速随机存取存储器，还可以包括非易失性存储器，例如至少一个磁盘存储器件、闪存器件、或其他非易失性固态存储器件。在一些实例中，存储器420可进一步包括相对于处理器410远程设置的存储器，这些远程存储器可以通过网络连接至计算机设备。上述网络的实例包括但不限于互联网、企业内部网、局域网、移动通信网及其组合。
输入装置430可用于接收输入的数字或字符信息，以及产生与计算机设备的用户设置以及功能控制有关的键信号输入。输出装置440可包括显示屏等显示设备。
实施例五
本发明实施例五还提供一种包含计算机可执行指令的存储介质，所述计算机可执行指令在由计算机处理器执行时用于执行一种车辆虚假索赔识别方法，该方法包括：
获取车辆索赔登记数据，查找所述车辆索赔登记数据相关的目标车联网数据；
根据所述目标车联网数据对所述车辆索赔登记数据进行验证，确定所述车辆索赔登记数据的虚假索赔风险级别；
基于所述虚假索赔风险级别，生成对应的虚假索赔风险报告。
当然,本发明实施例所提供的一种包含计算机可执行指令的存储介质,其计算机可执行指令不限于如上所述的方法操作,还可以执行本发明任意实施例所提供的车辆虚假索赔识别方法中的相关操作。
通过以上关于实施方式的描述，所属领域的技术人员可以清楚地了解到，本发明可借助软件及必需的通用硬件来实现，当然也可以通过硬件实现，但很多情况下前者是更佳的实施方式。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来，该计算机软件产品可以存储在计算机可读存储介质中，如计算机的软盘、只读存储器(Read-Only Memory,ROM)、随机存取存储器(RandomAccess Memory,RAM)、闪存(FLASH)、硬盘或光盘等，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行本发明各个实施例所述的方法。
值得注意的是，上述车辆虚假索赔识别装置的实施例中，所包括的各个单元和模块只是按照功能逻辑进行划分的，但并不局限于上述的划分，只要能够实现相应的功能即可；另外，各功能单元的具体名称也只是为了便于相互区分，并不用于限制本发明的保护范围。
注意，上述仅为本发明的较佳实施例及所运用技术原理。本领域技术人员会理解，本发明不限于这里所述的特定实施例，对本领域技术人员来说能够进行各种明显的变化、重新调整和替代而不会脱离本发明的保护范围。因此，虽然通过以上实施例对本发明进行了较为详细的说明，但是本发明不仅仅限于以上实施例，在不脱离本发明构思的情况下，还可以包括更多其他等效实施例，而本发明的范围由所附的权利要求范围决定。
Claims (10)
1.一种车辆虚假索赔识别方法，其特征在于，包括：
获取车辆索赔登记数据，查找所述车辆索赔登记数据相关的目标车联网数据；
根据所述目标车联网数据对所述车辆索赔登记数据进行验证，确定所述车辆索赔登记数据的虚假索赔风险级别；
基于所述虚假索赔风险级别，生成对应的虚假索赔风险报告。
2.根据权利要求1所述的车辆虚假索赔识别方法，其特征在于，所述查找所述车辆索赔登记数据相关的目标车联网数据，包括：
提取所述车辆索赔登记数据中的进厂时间和车辆编号，根据所述进厂时间确定数据获取时间段；
将所述数据获取时间段内所述车辆编号对应的车联网数据确定为目标车联网数据。
3.根据权利要求1所述的车辆虚假索赔识别方法，其特征在于，所述根据所述目标车联网数据对所述车辆索赔登记数据进行验证，确定所述车辆索赔登记数据的虚假索赔风险级别，包括：
根据所述车辆索赔登记数据和所述目标车联网数据，确定验证类别对应的登记类别验证数据和车联网类别验证数据，并进行数据验证，得到所述验证类别的类别索赔合理性；
基于各所述验证类别的类别索赔合理性，确定所述车辆索赔登记数据的虚假索赔风险级别。
4.根据权利要求3所述的车辆虚假索赔识别方法，其特征在于，所述验证类别包括距离验证；
相应的，所述根据所述车辆索赔登记数据和所述目标车联网数据，确定验证类别对应的登记类别验证数据和车联网类别验证数据，并进行数据验证，得到所述验证类别的类别索赔合理性，包括：
从所述车辆索赔登记数据中提取经销商位置信息；
根据所述目标车联网数据，确定车辆行驶轨迹，结合所述经销商位置信息，得到最近离店距离；
获取最大离店阈值，如果所述最近离店距离小于等于所述最大离店阈值，则确定所述距离验证的类别索赔合理性为合理索赔；否则，
确定所述类别索赔合理性为非合理索赔。
5.根据权利要求3所述的车辆虚假索赔识别方法，其特征在于，所述验证类别包括里程验证；
相应的，所述根据所述车辆索赔登记数据和所述目标车联网数据，确定验证类别对应的登记类别验证数据和车联网类别验证数据，并进行数据验证，得到所述验证类别的类别索赔合理性，包括：
从所述车辆索赔登记数据中提取工单登记里程和进厂时间；
查找所述目标车联网数据中与所述进厂时间最接近的里程车联网数据，提取所述里程车联网数据中的车联网里程，结合所述工单登记里程，得到里程偏差值；
获取里程偏差阈值，如果所述里程偏差值小于等于所述里程偏差阈值，则确定所述里程验证的类别索赔合理性为合理索赔；否则，
确定所述类别索赔合理性为非合理索赔。
6.根据权利要求3所述的车辆虚假索赔识别方法，其特征在于，所述验证类别包括时长验证；
相应的，所述根据所述车辆索赔登记数据和所述目标车联网数据，确定验证类别对应的登记类别验证数据和车联网类别验证数据，并进行数据验证，得到所述验证类别的类别索赔合理性，包括：
从所述车辆索赔登记数据中提取经销商位置信息和进厂时间；
根据所述目标车联网数据，结合所述经销商位置信息，确定车辆在店累计时长；
获取在店时长阈值，如果所述车辆在店累计时长大于所述在店时长阈值，则确定所述时长验证的类别索赔合理性为合理索赔；否则，
确定所述类别索赔合理性为非合理索赔。
7.根据权利要求3所述的车辆虚假索赔识别方法，其特征在于，所述基于各所述验证类别的类别索赔合理性，确定所述车辆索赔登记数据的虚假索赔风险级别，包括：
将所述类别索赔合理性为非合理索赔的验证类别确定为风险类别，并确定所述风险类别的风险类别数量；
根据所述风险类别数量确定所述车辆索赔登记数据的虚假索赔风险级别，其中，所述虚假索赔风险级别与所述风险类别数量成正比。
8.一种车辆虚假索赔识别系统，其特征在于，包括：
索赔数据获取模块，用于获取车辆索赔登记数据，查找所述车辆索赔登记数据相关的目标车联网数据；
风险级别验证模块，用于根据所述目标车联网数据对所述车辆索赔登记数据进行验证，确定所述车辆索赔登记数据的虚假索赔风险级别；
风险报告生成模块，用于基于所述虚假索赔风险级别，生成对应的虚假索赔风险报告。
9.一种计算机设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，其特征在于，所述处理器执行所述程序时实现如权利要求1-7中任一所述的车辆虚假索赔识别方法。
10.一种包含计算机可执行指令的存储介质，其特征在于，所述计算机可执行指令在由计算机处理器执行时用于执行如权利要求1-7中任一所述的车辆虚假索赔识别方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110432312.XA CN113077179A (zh) | 2021-04-21 | 2021-04-21 | 一种车辆虚假索赔识别方法、系统、设备及存储介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110432312.XA CN113077179A (zh) | 2021-04-21 | 2021-04-21 | 一种车辆虚假索赔识别方法、系统、设备及存储介质 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN113077179A true CN113077179A (zh) | 2021-07-06 |
Family
ID=76618320
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202110432312.XA Pending CN113077179A (zh) | 2021-04-21 | 2021-04-21 | 一种车辆虚假索赔识别方法、系统、设备及存储介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN113077179A (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113672990A (zh) * | 2021-07-31 | 2021-11-19 | 深圳鼎然信息科技有限公司 | 车联网数据校验方法、装置、设备及存储介质 |
Citations (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN107784251A (zh) * | 2016-08-25 | 2018-03-09 | 大连楼兰科技股份有限公司 | 基于图像识别技术对驾驶行为评价的方法 |
| CN108961070A (zh) * | 2018-02-07 | 2018-12-07 | 上海小娜汽车技术有限公司 | 一种基于前装车联网功能的车辆防盗保险系统 |
| CN109285075A (zh) * | 2017-07-19 | 2019-01-29 | 腾讯科技（深圳）有限公司 | 一种理赔风险评估方法、装置及服务器 |
| CN109829601A (zh) * | 2018-12-07 | 2019-05-31 | 深圳大学 | 一种驾驶员驾驶车辆风险行为的预测方法及系统 |
| CN110148058A (zh) * | 2018-12-26 | 2019-08-20 | 华晨宝马汽车有限公司 | 识别可疑汽车售后索赔保单的方法和系统 |
| CN110599355A (zh) * | 2019-09-12 | 2019-12-20 | 腾讯科技（深圳）有限公司 | 基于区块链的车险信息系统、保单登记方法及理赔方法 |
| 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 |
| CN111881314A (zh) * | 2020-09-27 | 2020-11-03 | 北京智科车联科技有限公司 | 判断车辆维修服务单真实性的方法、装置及存储介质 |
-
2021
- 2021-04-21 CN CN202110432312.XA patent/CN113077179A/zh active Pending
Patent Citations (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN107784251A (zh) * | 2016-08-25 | 2018-03-09 | 大连楼兰科技股份有限公司 | 基于图像识别技术对驾驶行为评价的方法 |
| CN109285075A (zh) * | 2017-07-19 | 2019-01-29 | 腾讯科技（深圳）有限公司 | 一种理赔风险评估方法、装置及服务器 |
| CN108961070A (zh) * | 2018-02-07 | 2018-12-07 | 上海小娜汽车技术有限公司 | 一种基于前装车联网功能的车辆防盗保险系统 |
| CN109829601A (zh) * | 2018-12-07 | 2019-05-31 | 深圳大学 | 一种驾驶员驾驶车辆风险行为的预测方法及系统 |
| CN110148058A (zh) * | 2018-12-26 | 2019-08-20 | 华晨宝马汽车有限公司 | 识别可疑汽车售后索赔保单的方法和系统 |
| CN110599355A (zh) * | 2019-09-12 | 2019-12-20 | 腾讯科技（深圳）有限公司 | 基于区块链的车险信息系统、保单登记方法及理赔方法 |
| 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 |
| CN111881314A (zh) * | 2020-09-27 | 2020-11-03 | 北京智科车联科技有限公司 | 判断车辆维修服务单真实性的方法、装置及存储介质 |
Non-Patent Citations (1)
| Title |
|---|
| 段云峰等: "汽车保险中车联网大数据智能分析及应用", 信息通信技术与政策, no. 08, pages 34 - 39 * |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113672990A (zh) * | 2021-07-31 | 2021-11-19 | 深圳鼎然信息科技有限公司 | 车联网数据校验方法、装置、设备及存储介质 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN106384273B (zh) | 恶意刷单检测系统及方法 | |
| CN109816397B (zh) | 一种欺诈判别方法、装置及存储介质 | |
| CN110533912B (zh) | 基于区块链的驾驶行为检测方法及装置 | |
| CN105448103A (zh) | 车辆套牌检测方法与系统 | |
| CN110781381B (zh) | 基于神经网络的数据验证方法、装置、设备及存储介质 | |
| CN111369801B (zh) | 车辆识别方法、装置、设备和存储介质 | |
| CN112733045B (zh) | 用户行为的分析方法、装置及电子设备 | |
| CN113177660B (zh) | 驾驶意图预测与处理方法、装置、设备及存储介质 | |
| CN109544014B (zh) | 基于历史数据回放的反欺诈方法及装置 | |
| CN111461266B (zh) | 一种车辆定损异常识别方法、装置、服务器以及存储介质 | |
| CN113077179A (zh) | 一种车辆虚假索赔识别方法、系统、设备及存储介质 | |
| CN110796060B (zh) | 高速行车路线确定方法、装置、设备和存储介质 | |
| CN112651733A (zh) | 渠道路由选择方法、装置、设备及存储介质 | |
| CN114022151A (zh) | 区块链数据可视化方法、系统、电子设备和存储介质 | |
| CN108038550A (zh) | 工单信息上报方法、装置及电子设备 | |
| KR102576281B1 (ko) | 허위 중고차 매물 진단시스템 | |
| CN113743815A (zh) | 运营车辆的风险监控方法、装置、存储介质及计算机设备 | |
| CN106709757A (zh) | 交易信息处理方法及交易平台 | |
| CN113487109A (zh) | 群体识别方法、装置、电子设备及存储介质 | |
| CN111860412A (zh) | 基于历史数据的车牌信息修复方法及系统 | |
| CN113327336B (zh) | 人车关系的识别方法、装置和电子设备 | |
| CN115866529A (zh) | 清分模型结果验证方法、装置、设备及存储介质 | |
| CN112488562B (zh) | 一种业务实现方法及装置 | |
| CN114780591B (zh) | 一种检测行程车牌识别错误的计算方法和系统 | |
| CN114943479A (zh) | 业务事件的风险识别方法、装置、设备及计算机可读介质 |
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 |