CN113077182B - 一种车辆维保异常监测系统及方法 - Google Patents

Abstract

本发明属于车险理赔技术领域，具体涉及一种车辆维保异常监测系统及方法，该系统包括车辆维修信息采集终端，用于采集车辆维修信息；车辆维修数据库，用于存储车辆维修信息采集终端上传的车辆维修信息；算法分析模块，用于对车辆维修数据进行算法分析，得到维修车辆簇群信息；车辆数据筛选模块，用于将在每一个簇群里车辆维修次数达到预设阈值的车辆维修数据调出；保险异常提醒模块，用于针对维修频率高的车辆信息发出保险异常提醒。本发明能够有效地防止骗保情况的发生，减少保险公司的经济损失。

Description

一种车辆维保异常监测系统及方法

技术领域

本发明属于车险理赔技术领域，具体涉及一种车辆维保异常监测系统及方法。

背景技术

车辆保险是指对机动车辆由于自然灾害或意外事故所造成的人身伤亡或财产损失负赔偿责任的一种商业保险。车险主要可分为交强险，第三者责任险，车辆损失险，全车盗抢险，划痕险等。近年来，随着社会经济的飞速发展，人们的社会活动日益频繁，城市中机动车交通量、行人交通量等急剧上升，极大地增加了人车事故、车与车事故的发生概率。另一方面，由于目前大部分城市，特别是中小型城市的交通设施建设不完善，道路规划与车流实际情况不匹配，也增加了人车事故、车与车事故的发生概率。在车辆行驶的过程中产生各种各样不可预料的情况和事故，由于事故发生后保险理赔过程存在许多漏洞，故存在一台车辆多次出现在汽车修理厂的情况，针对汽车保险骗保行为的不断发生，导致保险公司被轻易骗取理赔金，造成不必要的损失。

发明内容

为了解决现有技术中存在的缺陷，本发明的目的是提供一种车辆维保异常监测系统及方法，能够有效地防止骗保情况的发生，减少保险公司的经济损失。

为了实现上述目的，本发明采用以下的技术方案：

本发明提供了一种车辆维保异常监测系统，包括：

车辆维修信息采集终端，用于采集车辆维修信息；

车辆维修数据库，用于存储车辆维修信息采集终端上传的车辆维修信息；

算法分析模块，用于对车辆维修数据进行算法分析，得到维修车辆簇群信息；

车辆数据筛选模块，用于将在每一个簇群里车辆维修次数达到预设阈值的车辆维修数据调出；

保险异常提醒模块，用于针对维修频率高的车辆信息发出保险异常提醒。

进一步地，所述车辆维修信息采集终端设置在各汽车修理厂，车辆维修信息包括通过汽车修理厂的闸机拍照设备获取汽车的车牌号、车型和车颜色外观特征信息，以及通过维修人员登记汽车维修部位、维修时间、维修成本和车主信息。

进一步地，该系统还包括网络传输模块，设置在车辆维修信息采集终端上，用于将采集的车辆维修信息上传至车辆维修数据库。

进一步地，所述网络传输模块通过以太网、内置SIM卡或者WiFi方式连入车辆维修数据库。

进一步地，所述车辆维修数据库包括数据处理模块和数据存储模块，所述数据处理模块用于对车辆维修数据进行预处理，以供算法分析模块识别分析，数据存储模块用于存储车辆维修数据。

进一步地，所述算法分析模块对车辆维修数据进行密度簇群识别算法处理，得到维修车辆簇群跨度时间和对应车辆信息。

进一步地，所述密度簇群识别算法具体包括：

对车辆维修数据预处理，将日期时间进行归一化x＝{(M-1)*30+D}/365，其中M表示某月，D表示某日；

将维修时间和车辆信息组成一个二维数据集S＝{(x_i,,y_i)|x_i∈R,i＝1,2,……,N}，x_i表示时间点，y_i表示x_i对应的车辆信息；

采用基于快速查找密度峰值聚类算法对时间维的x_i进行聚类分析；

从得到的簇群信息中得到维修车辆簇群跨度时间和对应车辆信息。

进一步地，所述基于快速查找密度峰值聚类算法具体步骤如下：

步骤a，初始化及预处理

给定截断距离d_c；

步骤b，计算距离d_ij，

步骤c，计算x_i的局部密度ρ_i，ρ_i＝∑_jχ(d_ij-d_c)，其中若x≥0，χ(x)＝0，否则χ(x)＝1；

步骤d，确定n_i和δ_i

n_i定义为所有数据对象中局部密度ρ_i比x_i大的数据点中与x_i距离最近的数据点的编号，具体定义为：

δ_i定义为：

最后根据(ρ_i，δ_i)输出决策图；

步骤e，从决策图中查看得出聚类中心x_r，由二维数据集S＝{(x_i,,y_i)|x_i∈R,i＝1,2,……,N}对应关系，得到x_；对应的y_；；

步骤f，对非聚类中心的数据对象进行归类，按ρ_i值从大到小遍历，借助n_i逐层扩充每一个簇群。

进一步地，所述保险异常提醒模块将疑似保险异常的车辆信息推送至保险业务人员，提醒保险业务人员前往查证是否确实涉及骗保问题。

本发明还提供了一种车辆维保异常监测方法，包含以下步骤：

当汽车修理厂接收到需要维修的车辆时，通过车辆维修信息采集终端记录车辆维修信息，并暂存至本地，同时上传至车辆维修数据库；

车辆维修数据库对车辆维修数据进行预处理与存储，以供算法分析模块识别分析；

算法分析模块针对车辆维修数据进行算法分析，得到维修车辆簇群信息；

根据保险业务人员设定的阈值，车辆数据筛选模块将在每一个簇群里车辆维修次数达到预设阈值的车辆维修数据调出；

保险异常提醒模块将疑似保险异常的车辆信息推送至保险业务人员，提醒对该车辆进行查证。

与现有技术相比，本发明具有以下优点：

本发明的车辆维保异常监测方法，首先通过车辆维修信息采集终端记录车辆维修信息，并上传至车辆维修数据库，再通过算法分析模块对车辆维修数据进行算法分析得到维修车辆簇群信息，车辆数据筛选模块在每一个簇群里筛选出车辆维修次数达到预设阈值的车辆维修数据，进而可以得到疑似保险异常车辆，最后将疑似保险异常车辆信息推送至保险业务人员，提醒保险业务人员前往查证是否确实涉及骗保问题。本发明利用密度簇群识别算法检测出某一时间段维修较为频繁的车辆，算法简单可行，计算结果具有可参考性，大大提高了保险业务人员的排查工作效率，能够有效地防止骗保情况的发生，减少保险公司的经济损失。

附图说明

为了更清楚地说明本发明实施例的技术方案，下面将对实施例描述中所需要使用的附图作简单地介绍，显而易见地，对于本领域普通技术人员而言，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。

图1是本发明实施例的车辆维保异常监测系统的结构框图；

图2是本发明实施例的车辆维保异常监测方法的流程图。

具体实施方式

为了使本技术领域的人员更好地理解本发明中的技术方案，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。

如图1所示，本实施例的车辆维保异常监测系统，包括依次顺序连接的车辆维修信息采集终端11、网络传输模块12、车辆维修数据库13、算法分析模块14、车辆数据筛选模块15和保险异常提醒模块16。

车辆维修信息采集终端设置在各汽车修理厂，用于采集车辆维修信息，其中车辆维修信息包括通过汽车修理厂的闸机拍照设备获取汽车的车牌号、车型和车颜色等外观特征信息，以及通过维修人员登记汽车维修部位、维修时间、维修成本和车主信息等信息。

网络传输模块设置在车辆维修信息采集终端上，用于将采集的车辆维修信息上传至车辆维修数据库，优选的，网络传输模块可以通过以太网、内置SIM卡或者WiFi等方式连入车辆维修数据库。

车辆维修数据库用于存储车辆维修信息采集终端上传的车辆维修信息，车辆维修数据库具体包括数据处理模块和数据存储模块，数据处理模块用于对车辆维修数据进行预处理，以供算法分析模块识别分析，数据存储模块用于存储车辆维修数据。

算法分析模块用于对车辆维修数据进行密度簇群识别算法处理，得到维修车辆簇群跨度时间和对应车辆信息，具体包括以下步骤：

步骤S11，对车辆维修数据预处理，将日期时间进行归一化，假设日期是M月D日，时间归一化x＝{(M-1)*30+D}/365；

步骤S12，将维修时间和车辆信息组成一个二维数据集S＝{(x_i,,y_i)|x_i∈R,i＝1,2,……,N}，x_i表示时间点，y_i表示x_i对应的车辆信息；

步骤S13，采用基于快速查找密度峰值聚类(Fast Search and Find of DensityPeaks,FSFDP)算法对时间维的x_i进行聚类分析；

FSFDP聚类算法是基于以下的设想提出的：聚类中心被局部密度相对较低的邻近点所围绕，并且聚类中心距离其他有高局部密度的点的距离都比较大，对于每一个时间点x_i都要计算两个值：一个是局部密度ρ_i，另一个是局部密度高于该点的所有数据点与该点距离的最小值δ_i，利用这两个值来刻画聚类中心，然后对每个聚类确定其边界区域，再将其中的数据对象划分为cluster halo和cluster core，从而实现聚类方法。假设输入N个数据对象，输出得到K个类簇，步骤如下：

步骤S131，初始化及预处理

给定截断距离d_c，d_c推荐值是待聚类数据集中所有数据点之间相互距离按照升序排列的2％位置的距离数值。

步骤S132，计算距离d_ij，

步骤S133，计算x_x的局部密度ρ_i，ρ_i＝∑_jχ(d_ij-d_c)，其中若x≥0，χ(x)＝0，否则χ(x)＝1。

步骤S134，确定n_i和δ_i

n_i定义为所有数据对象中局部密度ρ_i比x_i大的数据点中与x_i距离最近的数据点的编号，具体定义为：

δ_i定义为：

最后根据(ρ_i，δ_i)输出决策图。

步骤S135，从决策图中查看得出聚类中心x_；，由二维数据集S＝{(x_i,,y_i)|x_i∈R,i＝1,2,……,N}对应关系，得到x_；对应的y_；。

步骤S136，对非聚类中心的数据对象进行归类，按ρ_i值从大到小遍历，借助n_i逐层扩充每一个簇群。

步骤S14，从得到的簇群信息中得到维修车辆簇群跨度时间和对应车辆信息。

车辆数据筛选模块可以设定任意阈值，假设阈值设置为5次，针对算法分析模块分析结果得到的维修车辆簇群信息，若在一个簇群里车辆维修次数达到5次，将其车辆以及车主信息数据调出。

保险异常提醒模块用于针对维修频率高的车辆信息发出保险异常提醒。具体是，将疑似保险异常的车辆信息通过网站、APP或者微信小程序等方式推送至保险业务人员，提醒保险业务人员前往查证是否确实涉及骗保问题。

与上述车辆维保异常监测系统相应地，如图2所示，本实施例还提出一种车辆维保异常监测方法，包含以下步骤：

步骤S21，当汽车修理厂接收到需要维修的车辆时，通过车辆维修信息采集终端记录车辆维修信息，并暂存至本地，同时上传至车辆维修数据库。

步骤S22，车辆维修数据库对车辆维修数据进行预处理与存储，以供算法分析模块识别分析。

步骤S23，算法分析模块针对车辆维修数据进行算法分析，得到维修车辆簇群信息。

步骤S24，根据保险业务人员设定的阈值，车辆数据筛选模块将在每一个簇群里车辆维修次数达到预设阈值的车辆维修数据调出。

步骤S25，保险异常提醒模块将疑似保险异常的车辆信息推送至保险业务人员，提醒对该车辆进行查证。

本发明通过密度簇群识别算法对车辆维修数据进行处理分析，得到一段时间内维修频率高的车辆信息，并将其列为疑似保险异常车辆，最后将疑似保险异常车辆信息推送至保险公司，有效地避免了骗保情况的发生，减少保险公司的经济损失。

除非另作定义，此处使用的技术术语或者科学术语应当为本发明所属领域内具有一般技能的人士所理解的通常意义。本申请说明书以及权利要求书中使用的“一个”或者“一”等类似词语也不必然表示数量限制。“包括”或者“包含”等类似的词语意指出现该词前面的元件或物件涵盖出现在该词后面列举的元件或者物件及其等同，而不排除其他元件或者物件。“连接”或者“相连”等类似词语并非现定于物理的或者机械的连接，而是可以包括电性的连接，不管是直接的还是间接的。

最后需要说明的是：以上所述仅为本发明的较佳实施例，仅用于说明本发明的技术方案，并非用于限定本发明的保护范围。凡在本发明的精神和原则之内所做的任何修改、等同替换、改进等，均包含在本发明的保护范围内。

Claims (7)

1.一种车辆维保异常监测系统，其特征在于，包括：

车辆维修信息采集终端，用于采集车辆维修信息；

车辆维修数据库，用于存储车辆维修信息采集终端上传的车辆维修信息；

算法分析模块，用于对车辆维修数据进行密度簇群识别算法处理，得到维修车辆簇群跨度时间和对应车辆信息；

车辆数据筛选模块，用于将在每一个簇群里车辆维修次数达到预设阈值的车辆维修数据调出；

保险异常提醒模块，用于针对维修频率高的车辆信息发出保险异常提醒；

所述密度簇群识别算法具体包括：

对车辆维修数据预处理，将日期时间进行归一化x＝{(M-1)*30+D}/365，其中M表示某月，D表示某日；

将维修时间和车辆信息组成一个二维数据集S＝{(x_i,y_i)|x_i∈R,i＝1,2,……,N}，x_i表示时间点，y_i表示x_i对应的车辆信息；

采用基于快速查找密度峰值聚类算法对时间维的x_i进行聚类分析；

从得到的簇群信息中得到维修车辆簇群跨度时间和对应车辆信息；

所述基于快速查找密度峰值聚类算法具体步骤如下：

步骤a，初始化及预处理

给定截断距离d_c；

步骤b，计算距离d_ij，

步骤c，计算x_i的局部密度ρ_i，ρ_i＝∑_jχ(d_ij-d_c)，其中若x≥0，χ(x)＝0，否则χ(x)＝1；

步骤d，确定n_i和δ_i

n_i定义为所有数据对象中局部密度ρ_i比x_i大的数据点中与x_i距离最近的数据点的编号，具体定义为：

δ_i定义为：

最后根据(ρ_i，δ_i)输出决策图；

步骤e，从决策图中查看得出聚类中心x_r，由二维数据集S＝{(x_i,y_i)|x_i∈R,i＝1,2,……,N}对应关系，得到x_r对应的y_r；

步骤f，对非聚类中心的数据对象进行归类，按ρ_i值从大到小遍历，借助n_i逐层扩充每一个簇群。

2.根据权利要求1所述的车辆维保异常监测系统，其特征在于，所述车辆维修信息采集终端设置在各汽车修理厂，车辆维修信息包括通过汽车修理厂的闸机拍照设备获取汽车的车牌号、车型和车颜色外观特征信息，以及通过维修人员登记汽车维修部位、维修时间、维修成本和车主信息。

3.根据权利要求1所述的车辆维保异常监测系统，其特征在于，该系统还包括网络传输模块，设置在车辆维修信息采集终端上，用于将采集的车辆维修信息上传至车辆维修数据库。

4.根据权利要求3所述的车辆维保异常监测系统，其特征在于，所述网络传输模块通过以太网、内置SIM卡或者WiFi方式连入车辆维修数据库。

5.根据权利要求1所述的车辆维保异常监测系统，其特征在于，所述车辆维修数据库包括数据处理模块和数据存储模块，所述数据处理模块用于对车辆维修数据进行预处理，以供算法分析模块识别分析，数据存储模块用于存储车辆维修数据。

6.根据权利要求1所述的车辆维保异常监测系统，其特征在于，所述保险异常提醒模块将疑似保险异常的车辆信息推送至保险业务人员，提醒保险业务人员前往查证是否确实涉及骗保问题。

7.一种车辆维保异常监测方法，其特征在于，包含以下步骤：

当汽车修理厂接收到需要维修的车辆时，通过车辆维修信息采集终端记录车辆维修信息，并暂存至本地，同时上传至车辆维修数据库；

车辆维修数据库对车辆维修数据进行预处理与存储，以供算法分析模块识别分析；

算法分析模块针对车辆维修数据进行密度簇群识别算法处理，得到维修车辆簇群跨度时间和对应车辆信息；

根据保险业务人员设定的阈值，车辆数据筛选模块将在每一个簇群里车辆维修次数达到预设阈值的车辆维修数据调出；

保险异常提醒模块将疑似保险异常的车辆信息推送至保险业务人员，提醒对该车辆进行查证；

所述密度簇群识别算法具体包括：

对车辆维修数据预处理，将日期时间进行归一化x＝{(M-1)*30+D}/365，其中M表示某月，D表示某日；

将维修时间和车辆信息组成一个二维数据集S＝{(x_i,y_i)|x_i∈R,i＝1,2,……,N}，x_i表示时间点，y_i表示x_i对应的车辆信息；

采用基于快速查找密度峰值聚类算法对时间维的x_i进行聚类分析；

从得到的簇群信息中得到维修车辆簇群跨度时间和对应车辆信息；

所述基于快速查找密度峰值聚类算法具体步骤如下：

步骤a，初始化及预处理

给定截断距离d_c；

步骤b，计算距离d_ij，

步骤c，计算x_i的局部密度ρ_i，ρ_i＝∑_jχ(d_ij-d_c)，其中若x≥0，χ(x)＝0，否则χ(x)＝1；

步骤d，确定n_i和δ_i

n_i定义为所有数据对象中局部密度ρ_i比x_i大的数据点中与x_i距离最近的数据点的编号，具体定义为：

δ_i定义为：

最后根据(ρ_i，δ_i)输出决策图；

步骤e，从决策图中查看得出聚类中心x_r，由二维数据集S＝{(x_i,y_i)|x_i∈R,i＝1,2,……,N}对应关系，得到x_r对应的y_r；

步骤f，对非聚类中心的数据对象进行归类，按ρ_i值从大到小遍历，借助n_i逐层扩充每一个簇群。

Images