CN113178071A - 驾驶风险等级识别方法、装置、电子设备及可读存储介质 - Google Patents
驾驶风险等级识别方法、装置、电子设备及可读存储介质 Download PDFInfo
- Publication number
- CN113178071A CN113178071A CN202110440059.2A CN202110440059A CN113178071A CN 113178071 A CN113178071 A CN 113178071A CN 202110440059 A CN202110440059 A CN 202110440059A CN 113178071 A CN113178071 A CN 113178071A
- Authority
- CN
- China
- Prior art keywords
- risk level
- driving risk
- driving
- user
- data
- 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.)
- Granted
Links
- 238000000034 method Methods 0.000 title claims abstract description 46
- 239000011159 matrix material Substances 0.000 claims abstract description 32
- 238000012549 training Methods 0.000 claims abstract description 12
- 230000006399 behavior Effects 0.000 claims description 95
- 238000010219 correlation analysis Methods 0.000 claims description 24
- 230000004044 response Effects 0.000 claims description 5
- 238000012545 processing Methods 0.000 abstract description 6
- 238000004364 calculation method Methods 0.000 description 9
- 238000010586 diagram Methods 0.000 description 4
- 230000006870 function Effects 0.000 description 3
- 230000005856 abnormality Effects 0.000 description 2
- 230000001133 acceleration Effects 0.000 description 2
- 238000004891 communication Methods 0.000 description 2
- 238000004590 computer program Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 239000004973 liquid crystal related substance Substances 0.000 description 2
- 238000003062 neural network model Methods 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 238000007637 random forest analysis Methods 0.000 description 2
- 238000012706 support-vector machine Methods 0.000 description 2
- 230000005540 biological transmission Effects 0.000 description 1
- 238000004422 calculation algorithm Methods 0.000 description 1
- 230000008094 contradictory effect Effects 0.000 description 1
- 238000013500 data storage Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000010365 information processing Effects 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000008569 process Effects 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G08—SIGNALLING
- G08G—TRAFFIC CONTROL SYSTEMS
- G08G1/00—Traffic control systems for road vehicles
- G08G1/01—Detecting movement of traffic to be counted or controlled
- G08G1/0104—Measuring and analyzing of parameters relative to traffic conditions
- G08G1/0125—Traffic data processing
- G08G1/0129—Traffic data processing for creating historical data or processing based on historical data
-
- G—PHYSICS
- G08—SIGNALLING
- G08G—TRAFFIC CONTROL SYSTEMS
- G08G1/00—Traffic control systems for road vehicles
- G08G1/01—Detecting movement of traffic to be counted or controlled
- G08G1/0104—Measuring and analyzing of parameters relative to traffic conditions
- G08G1/0137—Measuring and analyzing of parameters relative to traffic conditions for specific applications
Landscapes
- Chemical & Material Sciences (AREA)
- Analytical Chemistry (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
- Financial Or Insurance-Related Operations Such As Payment And Settlement (AREA)
Abstract
本发明涉及数据处理，揭露一种驾驶风险等级识别方法，包括：获取多个用户的驾驶行为数据和理赔数据，确定初始风险等级识别模型；获取多个用户的基本信息数据，训练初始风险等级识别模型得到第一风险等级识别模型，确定基本信息数据中与驾驶风险等级相关的特征因子；当没有指定用户的驾驶行为数据时，获取指定用户的基本信息数据；基于指定用户的基本信息数据及特征因子确定指定用户对应的特征矩阵，将特征矩阵输入第一风险等级识别模型，得到指定用户的预测驾驶风险等级。本发明还提供一种驾驶风险等级识别装置、电子设备及可读存储介质。本发明实现了对缺乏驾驶行为数据的用户进行精准的驾驶风险等级识别。
Description
技术领域
本发明涉及数据处理领域，尤其涉及一种驾驶风险等级识别方法、装置、电子设备及可读存储介质。
背景技术
随着科技的发展，智能模型在人们生活中的应用越来越广泛，例如，将用户的驾驶行为数据输入风险等级识别模型得到用户的驾驶风险等级。然而，驾驶风险等级识别的准确性依赖于丰富的驾驶行为数据，对于新手车主来说，当前并没有驾驶行为数据，也就无法识别新手车主的驾驶风险等级。因此，亟需一种驾驶风险等级识别方法，以对缺乏驾驶行为数据的用户进行精准的驾驶风险等级识别。
发明内容
鉴于以上内容，有必要提供一种驾驶风险等级识别方法，旨在对缺乏驾驶行为数据的用户进行精准的驾驶风险等级识别。
本发明提供的驾驶风险等级识别方法，包括：
从第一数据库中获取多个用户的驾驶行为数据，从第二数据库中获取所述多个用户的理赔数据，基于所述理赔数据确定所述多个用户的历史驾驶风险等级，基于所述驾驶行为数据及所述历史驾驶风险等级确定初始风险等级识别模型；
从第三数据库中获取所述多个用户的基本信息数据，采用所述基本信息数据训练所述初始风险等级识别模型得到第一风险等级识别模型，并对所述基本信息数据及所述历史驾驶风险等级执行相关性分析，基于相关性分析结果确定所述基本信息数据中与驾驶风险等级相关的特征因子；
响应客户端发出的针对指定用户的驾驶风险等级识别请求，判断所述第一数据库中是否有所述指定用户的驾驶行为数据，当所述第一数据库中没有所述指定用户的驾驶行为数据时，从所述第三数据库中获取所述指定用户的基本信息数据；
基于所述指定用户的基本信息数据及所述特征因子确定所述指定用户对应的特征矩阵，将所述特征矩阵输入所述第一风险等级识别模型，得到所述指定用户的预测驾驶风险等级。
可选的，所述基于所述驾驶行为数据及所述历史驾驶风险等级确定初始风险等级识别模型包括：
将所述多个用户的驾驶行为数据分别输入多个预设模型，每个所述预设模型分别输出所述多个用户中的每个用户对应的初始驾驶风险等级；
基于所述初始驾驶风险等级及所述历史驾驶风险等级确定所述每个预设模型的预测准确率，将预测准确率最高的预设模型作为初始风险等级识别模型。
可选的，所述基本信息数据包括用户身份信息数据及用户经历过的事件数据，所述对所述基本信息数据及所述历史驾驶风险等级执行相关性分析，基于相关性分析结果确定所述基本信息数据中与驾驶风险等级相关的特征因子包括：
识别所述用户身份信息数据中的实体类别，将识别到的实体类型的集合作为初始指标集；
基于所述历史驾驶风险等级分析所述事件数据中与驾驶风险等级相关的目标事件；
将所述目标事件添加至所述初始指标集，得到目标指标集，将所述目标指标集中各个指标的稳定性参数作为与驾驶风险等级相关的特征因子。
可选的，所述基于所述历史驾驶风险等级分析所述事件数据中与驾驶风险等级相关的目标事件包括：
将每个用户对应的历史驾驶风险等级添加至每个用户对应的第一事件集合中，得到每个用户对应的第二事件集合；
将每个用户对应的第一事件集合中的每个事件与其对应的历史驾驶风险等级两两组合，得到多个组合对；
计算所述多个组合对中的每个组合对在所述第二事件集合中的支持度及置信度；
基于所述支持度及置信度确定所述事件数据中与驾驶风险等级相关的目标事件。
可选的，所述基于所述支持度及置信度确定所述事件数据中与驾驶风险等级相关的目标事件包括：
基于所述支持度及置信度计算每个组合对的相关性分值；
将相关性分值大于第一阈值的组合对的集合作为第一组合对集合；
剔除所述第一组合对集合中历史驾驶风险等级低于第二阈值的组合对，得到第二组合对集合，将所述第二组合对集合中的事件作为目标事件。
可选的，在基于所述驾驶行为数据及所述历史驾驶风险等级确定初始风险等级识别模型之后，所述方法还包括：
采用所述驾驶行为数据训练所述初始风险等级识别模型，得到第二风险等级识别模型；
在判断所述第一数据库中是否有所述指定用户的驾驶行为数据之后，所述方法还包括：
若所述第一数据库中有所述指定用户的驾驶行为数据，则将所述指定用户的驾驶行为数据输入所述第二风险等级识别模型，得到所述指定用户的预测驾驶风险等级。
可选的，在得到所述指定用户的预测驾驶风险等级之后，所述方法还包括：
若所述指定用户的预测驾驶风险等级高于第三阈值，则向预设客户端发送预警信息。
为了解决上述问题，本发明还提供一种驾驶风险等级识别装置，所述装置包括：
模型确定模块，用于从第一数据库中获取多个用户的驾驶行为数据，从第二数据库中获取所述多个用户的理赔数据，基于所述理赔数据确定所述多个用户的历史驾驶风险等级，基于所述驾驶行为数据及所述历史驾驶风险等级确定初始风险等级识别模型；
因子确定模块，用于从第三数据库中获取所述多个用户的基本信息数据，采用所述基本信息数据训练所述初始风险等级识别模型得到第一风险等级识别模型，并对所述基本信息数据及所述历史驾驶风险等级执行相关性分析，基于相关性分析结果确定所述基本信息数据中与驾驶风险等级相关的特征因子；
请求响应模块，用于响应客户端发出的针对指定用户的驾驶风险等级识别请求，判断所述第一数据库中是否有所述指定用户的驾驶行为数据，当所述第一数据库中没有所述指定用户的驾驶行为数据时，从所述第三数据库中获取所述指定用户的基本信息数据；
风险识别模块，用于基于所述指定用户的基本信息数据及所述特征因子确定所述指定用户对应的特征矩阵，将所述特征矩阵输入所述第一风险等级识别模型，得到所述指定用户的预测驾驶风险等级。
为了解决上述问题，本发明还提供一种电子设备，所述电子设备包括：
至少一个处理器；以及，
与所述至少一个处理器通信连接的存储器；其中，
所述存储器存储有可被所述至少一个处理器执行的驾驶风险等级识别程序，所述驾驶风险等级识别程序被所述至少一个处理器执行，以使所述至少一个处理器能够执行上述驾驶风险等级识别方法。
为了解决上述问题，本发明还提供一种计算机可读存储介质，所述计算机可读存储介质上存储有驾驶风险等级识别程序，所述驾驶风险等级识别程序可被一个或者多个处理器执行，以实现上述驾驶风险等级识别方法。
相较现有技术，本发明首先获取多个用户的驾驶行为数据及理赔数据，并确定所述多个用户的历史驾驶风险等级，基于驾驶行为数据及历史驾驶风险等级确定初始风险等级识别模型；接着，获取所述多个用户的基本信息数据，采用所述基本信息数据训练初始风险等级识别模型得到第一风险等级识别模型，并对基本信息数据及历史驾驶风险等级执行相关性分析，确定基本信息数据中与驾驶风险等级相关的特征因子；然后，当判断没有指定用户的驾驶行为数据时，获取指定用户的基本信息数据；最后，基于指定用户的基本信息数据及特征因子确定指定用户对应的特征矩阵，将特征矩阵输入第一风险等级识别模型，得到指定用户的驾驶风险等级。本方案在无法获取指定用户的驾驶行为数据时，获取指定用户的基本信息数据中与驾驶风险等级相关的特征因子对应的特征矩阵，基于特征矩阵确定指定用户的预测驾驶风险等级。因此，本发明实现了对缺乏驾驶行为数据的用户进行精准的驾驶风险等级识别。
附图说明
图1为本发明一实施例提供的驾驶风险等级识别方法的流程示意图；
图2为本发明一实施例提供的驾驶风险等级识别装置的模块示意图；
图3为本发明一实施例提供的实现驾驶风险等级识别方法的电子设备的结构示意图；
本发明目的的实现、功能特点及优点将结合实施例，参照附图做进一步说明。
具体实施方式
为了使本发明的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本发明进行进一步详细说明。应当理解，此处所描述的具体实施例仅用以解释本发明，并不用于限定本发明。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。
需要说明的是，在本发明中涉及“第一”、“第二”等的描述仅用于描述目的，而不能理解为指示或暗示其相对重要性或者隐含指明所指示的技术特征的数量。由此，限定有“第一”、“第二”的特征可以明示或者隐含地包括至少一个该特征。另外，各个实施例之间的技术方案可以相互结合，但是必须是以本领域普通技术人员能够实现为基础，当技术方案的结合出现相互矛盾或无法实现时应当认为这种技术方案的结合不存在，也不在本发明要求的保护范围之内。
本发明提供一种驾驶风险等级识别方法。参照图1所示，为本发明一实施例提供的驾驶风险等级识别方法的流程示意图。该方法可以由一个电子设备执行，该电子设备可以由软件和/或硬件实现。
本实施例中，驾驶风险等级识别方法包括：
S1、从第一数据库中获取多个用户的驾驶行为数据，从第二数据库中获取所述多个用户的理赔数据，基于所述理赔数据确定所述多个用户的历史驾驶风险等级，基于所述驾驶行为数据及所述历史驾驶风险等级确定初始风险等级识别模型。
本实施例中，第一数据库中存储有各个用户的驾驶行为数据，例如，行驶总里程数、急加速次数、急减速次数、急转弯次数、在高风险区域出现的频次、用车时段、用户规律度等。
第二数据库中存储有各个用户的理赔数据，本实施例通过理赔数据中的理赔次数及理赔金额确定各个用户的历史驾驶风险等级。
本实施例中，先根据理赔次数及理赔金额计算各个用户对应的理赔分值，将理赔分值划分为多个分值区间，不同的分值区间对应不同的历史驾驶风险等级。
所述理赔分值的计算公式可以是：
Si＝aMi+bNi
其中，Si为第i个用户对应的理赔分值，Mi为第i个用户的理赔总次数，Ni为第i个用户的理赔总金额，a为预先确定的理赔总次数对应的权重，b为预先确定的理赔总金额对应的权重。
例如，可以设置理赔分值在0～2000之间的用户的历史驾驶风险等级为第一等级，理赔分值在2000～5000的用户的历史驾驶风险等级为第二等级。
所述基于所述驾驶行为数据及所述历史驾驶风险等级确定初始风险等级识别模型包括：
A11、将所述多个用户的驾驶行为数据分别输入多个预设模型，每个所述预设模型分别输出所述多个用户中的每个用户对应的初始驾驶风险等级；
A12、基于所述初始驾驶风险等级及所述历史驾驶风险等级确定所述每个预设模型的预测准确率，将预测准确率最高的预设模型作为初始风险等级识别模型。
所述预设模型包括GLM(广义线性模型)、随机森林、支持向量机等模型。
本实施例中，将多个用户的驾驶行为数据分别输入各个预设模型中，每个预设模型为所述多个用户中的每个用户输出一个初始驾驶风险等级，通过比对每个用户的初始驾驶风险等级与历史驾驶风险等级是否一致，可计算出每个预设模型预测准确的用户的数量，进而可计算出每个预设模型的预测准确率。
例如，预测准确率的计算公式可以是：
Ci＝Pi/Q
其中，Ci为第i个预设模型的预测准确率，Pi为第i个预设模型输出的初始驾驶风险等级与历史驾驶风险等级一致的用户的数量，Q为用户总数量。
例如，若共有1000个用户、3个预设模型(模型A、模型B、模型C)，先将这1000个用户的驾驶行为数据输入到模型A，模型A为每个用户输出一个初始驾驶风险等级(即模型A共输出1000个结果)，比对每个用户的初始驾驶风险等级与历史驾驶风险等级是否一致，若这1000个用户中有600个用户的初始驾驶风险等级与历史驾驶风险等级一致，则模型A的预测准确率为600/1000＝60％。
同理，再将这1000个用户的驾驶行为数据输入到模型B(或模型C)，模型B(或模型C)也为这1000个用户中的每个用户输出一个初始驾驶风险等级，进而可计算出模型B(或模型C)的预测准确率。
S2、从第三数据库中获取所述多个用户的基本信息数据，采用所述基本信息数据训练所述初始风险等级识别模型得到第一风险等级识别模型，并对所述基本信息数据及所述历史驾驶风险等级执行相关性分析，基于相关性分析结果确定所述基本信息数据中与驾驶风险等级相关的特征因子。
所述基本信息数据包括用户身份信息数据及用户经历过的事件数据，所述用户身份信息数据包括用户使用过的手机号码及使用时间、用户居住过的居住地址及居住时间、用户工作过的工作单位及工作时间，所述事件数据包括用户的婚育事件、留学事件、旅游事件及固定资产(例如，车、房)买卖事件相关的数据。
所述对所述基本信息数据及所述历史驾驶风险等级执行相关性分析，基于相关性分析结果确定所述基本信息数据中与驾驶风险等级相关的特征因子包括：
B11、识别所述用户身份信息数据中的实体类别，将识别到的实体类型的集合作为初始指标集；
本实施例通过实体识别模型(例如，神经网络模型)识别用户身份信息数据中的多个实体名称及各个实体名称对应的实体类别，例如，识别得到的实体名称1为“135xxxxxxxx”、实体名称1对应的实体类别为手机号码。
本实施例中，所述初始指标集中的实体类别可以包括手机号码、居住地址及工作单位。
B12、基于所述历史驾驶风险等级分析所述事件数据中与驾驶风险等级相关的目标事件；
B13、将所述目标事件添加至所述初始指标集，得到目标指标集，将所述目标指标集中各个指标的稳定性参数作为与驾驶风险等级相关的特征因子。
实验数据表明，驾驶风险等级高的用户在稳定性上往往表现出显著异常，例如，驾驶风险等级高的用户的手机号码、居住地址、工作单位的更新频率较高，因此，本实施例将目标指标集中各个指标的稳定性参数作为与驾驶风险相关的特征因子。
以目标指标集中的手机号码为例，手机号码的稳定性参数包括手机号码总数量、手机号码的最长使用时间、手机号码的最短使用时间、最新手机号码的使用时间。
所述基于所述历史驾驶风险等级分析所述事件数据中与驾驶风险等级相关的目标事件包括：
C11、将每个用户对应的历史驾驶风险等级添加至每个用户对应的第一事件集合中，得到每个用户对应的第二事件集合；
C12、将每个用户对应的第一事件集合中的每个事件与其对应的历史驾驶风险等级两两组合，得到多个组合对；
第一事件集合包括用户经历的所有事件，例如，若用户1对应的第一事件集合为{结婚事件，购房事件}，用户2对应的第一事件集合为{留学事件}，用户3对应的第一事件集合为{购房事件}，用户1对应的历史驾驶风险等级为第四等级，用户2对应的历史驾驶风险等级为第三等级，用户3对应的历史驾驶风险等级为第四等级。
则用户1对应的第二事件集合为{结婚事件，购房事件，第四等级}，用户2对应的第二事件集合为{留学事件，第三等级}，用户3对应的第二事件集合为{购房事件，第四等级}。
组合后，可得到3个组合对(结婚事件，第四等级)、(购房事件，第四等级)、(留学事件，第三等级)。
C13、计算所述多个组合对中的每个组合对在所述第二事件集合中的支持度及置信度；
本实施例以组合对(购房事件，第四等级)为例来说明支持度及置信度的计算方法：
支持度的计算公式为支持度数量除以总因子数量，其中，上述3个第二事件集合中共5个因子，组合对(购房事件，第四等级)在上述3个第二事件集合中共出现2次(即支持度数量为2)，则组合对(购房事件，第四等级)的支持度为2/5＝0.4。
组合对(购房事件，第四等级)的置信度计算公式为：(购房事件，第四等级)的支持度数量除以(第四等级)的支持度数量，其中，(购房事件，第四等级)在上述3个第二事件集合中的支持度数量为2，(第四等级)在上述3个第二事件集合中的支持度数量也为2，则组合对(购房事件，第四等级)的置信度为1/1＝1，表示购房事件与第四等级同时发生的概率很高，那么购房事件与第四等级的关联性就很强。
C14、基于所述支持度及置信度确定所述事件数据中与驾驶风险等级相关的目标事件。
所述基于所述支持度及置信度确定所述事件数据中与驾驶风险等级相关的目标事件包括：
D11、基于所述支持度及置信度计算每个组合对的相关性分值；
本实施例中，相关性分值＝支持度*权重1+置信度*权重2，其中，权重1及权重2的数值为预先确定的。
D12、将相关性分值大于第一阈值的组合对的集合作为第一组合对集合；
D13、剔除所述第一组合对集合中历史驾驶风险等级低于第二阈值的组合对，得到第二组合对集合，将所述第二组合对集合中的事件作为目标事件。
若组合对(购房事件，第四等级)、(留学事件，第三等级)的相关性分值大于第一阈值，则第一组合对集合为{(购房事件，第四等级)、(留学事件，第三等级)}。
若共6个风险等级、第二阈值为4，则剔除第一组合对集合中的组合对(留学事件，第三等级)，得到的第二组合对集合为{(购房事件，第四等级)}，则目标事件为购房事件。
S3、响应客户端发出的针对指定用户的驾驶风险等级识别请求，判断所述第一数据库中是否有所述指定用户的驾驶行为数据，当所述第一数据库中没有所述指定用户的驾驶行为数据时，从所述第三数据库中获取所述指定用户的基本信息数据。
因第一数据库存储用户的驾驶行为数据，若第一数据库中没有指定用户的驾驶行为数据，则说明指定用户为新手车主，目前尚未产生驾驶行为数据，此时无法通过驾驶行为数据识别驾驶风险等级。
本方案已从基本信息数据中筛选出与驾驶风险等级相关的特征因子，故在指定用户没有驾驶行为数据时，获取指定用户的基本信息数据，以用于后续的驾驶风险等级识别。
S4、基于所述指定用户的基本信息数据及所述特征因子确定所述指定用户对应的特征矩阵，将所述特征矩阵输入所述第一风险等级识别模型，得到所述指定用户的预测驾驶风险等级。
假设目标指标集中的指标包括手机号码、居住地址、工作单位及购房事件，特征因子为目标指标集中各个指标的稳定性参数，则特征因子对应的特征矩阵包括下表1所示参数：
表1
根据指定用户的基本信息数据，可得到表1中各参数的数值，将各个数值放入4*4的矩阵中，得到指定用户对应的特征矩阵，将所述指定用户的特征矩阵输入到第一风险等级识别模型，可得到所述指定用户的预测驾驶风险等级。
本实施例中，在基于所述驾驶行为数据及所述历史驾驶风险等级确定初始风险等级识别模型之后，所述方法还包括：
采用所述驾驶行为数据训练所述初始风险等级识别模型，得到第二风险等级识别模型；
在判断所述第一数据库中是否有所述指定用户的驾驶行为数据之后，所述方法还包括：
若所述第一数据库中有所述指定用户的驾驶行为数据，则将所述指定用户的驾驶行为数据输入所述第二风险等级识别模型，得到所述指定用户的预测驾驶风险等级。
本方案在确定初始风险等级识别模型后，还将第一数据库中的多个用户(例如，1000个用户)的驾驶行为数据作为样本训练所述初始风险等级识别模型，得到第二风险等级识别模型。
若第一数据库中有指定用户的驾驶行为数据，则说明指定用户为老用户，直接将其的驾驶行为数据输入至第二风险等级识别模型，可得出指定用户的预测驾驶风险等级。
本实施例中，在得到所述指定用户的预测驾驶风险等级之后，所述方法还包括：
若所述指定用户的预测驾驶风险等级高于第三阈值，则向预设客户端发送预警信息。
例如，若共6个驾驶风险等级、第三阈值为第三等级，则低于或等于第三等级的用户为低风险用户，高于第三等级的用户为高风险用户。
所述预设客户端可以是保险公司的后台服务器，若指定用户的预测驾驶风险等级为第五等级，则可向预设客户端发送“指定用户为高风险用户，请谨慎审批该用户的投保单据”之类的预警信息。
由上述实施例可知，本发明提出的驾驶风险等级识别方法，首先，获取多个用户的驾驶行为数据及理赔数据，并确定所述多个用户的历史驾驶风险等级，基于驾驶行为数据及历史驾驶风险等级确定初始风险等级识别模型；接着，获取所述多个用户的基本信息数据，采用所述基本信息数据训练初始风险等级识别模型得到第一风险等级识别模型，并对基本信息数据及历史驾驶风险等级执行相关性分析，确定基本信息数据中与驾驶风险等级相关的特征因子；然后，当判断没有指定用户的驾驶行为数据时，获取指定用户的基本信息数据；最后，基于指定用户的基本信息数据及特征因子确定指定用户对应的特征矩阵，将特征矩阵输入第一风险等级识别模型，得到指定用户的驾驶风险等级。本方案在无法获取指定用户的驾驶行为数据时，获取指定用户的基本信息数据中与驾驶风险等级相关的特征因子对应的特征矩阵，基于特征矩阵确定指定用户的预测驾驶风险等级。因此，本发明实现了对缺乏驾驶行为数据的用户进行精准的驾驶风险等级识别。
如图2所示，为本发明一实施例提供的驾驶风险等级识别装置的模块示意图。
本发明所述驾驶风险等级识别装置100可以安装于电子设备中。根据实现的功能，所述驾驶风险等级识别装置100可以包括模型确定模块110、因子确定模块120、请求响应模块130及风险识别模块140。本发明所述模块也可以称之为单元，是指一种能够被电子设备处理器所执行，并且能够完成固定功能的一系列计算机程序段，其存储在电子设备的存储器中。
在本实施例中，关于各模块/单元的功能如下：
模型确定模块110，用于从第一数据库中获取多个用户的驾驶行为数据，从第二数据库中获取所述多个用户的理赔数据，基于所述理赔数据确定所述多个用户的历史驾驶风险等级，基于所述驾驶行为数据及所述历史驾驶风险等级确定初始风险等级识别模型。
本实施例中，第一数据库中存储有各个用户的驾驶行为数据，例如，行驶总里程数、急加速次数、急减速次数、急转弯次数、在高风险区域出现的频次、用车时段、用户规律度等。
第二数据库中存储有各个用户的理赔数据，本实施例通过理赔数据中的理赔次数及理赔金额确定各个用户的历史驾驶风险等级。
本实施例中，先根据理赔次数及理赔金额计算各个用户对应的理赔分值，将理赔分值划分为多个分值区间，不同的分值区间对应不同的历史驾驶风险等级。
所述理赔分值的计算公式可以是：
Si＝aMi+bNi
其中，Si为第i个用户对应的理赔分值，Mi为第i个用户的理赔总次数，Ni为第i个用户的理赔总金额，a为预先确定的理赔总次数对应的权重，b为预先确定的理赔总金额对应的权重。
例如，可以设置理赔分值在0～2000之间的用户的历史驾驶风险等级为第一等级，理赔分值在2000～5000的用户的历史驾驶风险等级为第二等级。
所述基于所述驾驶行为数据及所述历史驾驶风险等级确定初始风险等级识别模型包括：
A21、将所述多个用户的驾驶行为数据分别输入多个预设模型，每个所述预设模型分别输出所述多个用户中的每个用户对应的初始驾驶风险等级；
A22、基于所述初始驾驶风险等级及所述历史驾驶风险等级确定所述每个预设模型的预测准确率，将预测准确率最高的预设模型作为初始风险等级识别模型。
所述预设模型包括GLM(广义线性模型)、随机森林、支持向量机等模型。
本实施例中，将多个用户的驾驶行为数据分别输入各个预设模型中，每个预设模型为所述多个用户中的每个用户输出一个初始驾驶风险等级，通过比对每个用户的初始驾驶风险等级与历史驾驶风险等级是否一致，可计算出每个预设模型预测准确的用户的数量，进而可计算出每个预设模型的预测准确率。
例如，预测准确率的计算公式可以是：
Ci＝Pi/Q
其中，Ci为第i个预设模型的预测准确率，Pi为第i个预设模型输出的初始驾驶风险等级与历史驾驶风险等级一致的用户的数量，Q为用户总数量。
例如，若共有1000个用户、3个预设模型(模型A、模型B、模型C)，先将这1000个用户的驾驶行为数据输入到模型A，模型A为每个用户输出一个初始驾驶风险等级(即模型A共输出1000个结果)，比对每个用户的初始驾驶风险等级与历史驾驶风险等级是否一致，若这1000个用户中有600个用户的初始驾驶风险等级与历史驾驶风险等级一致，则模型A的预测准确率为600/1000＝60％。
同理，再将这1000个用户的驾驶行为数据输入到模型B(或模型C)，模型B(或模型C)也为这1000个用户中的每个用户输出一个初始驾驶风险等级，进而可计算出模型B(或模型C)的预测准确率。
因子确定模块，用于从第三数据库中获取所述多个用户的基本信息数据，采用所述基本信息数据训练所述初始风险等级识别模型得到第一风险等级识别模型，并对所述基本信息数据及所述历史驾驶风险等级执行相关性分析，基于相关性分析结果确定所述基本信息数据中与驾驶风险等级相关的特征因子。
所述基本信息数据包括用户身份信息数据及用户经历过的事件数据，所述用户身份信息数据包括用户使用过的手机号码及使用时间、用户居住过的居住地址及居住时间、用户工作过的工作单位及工作时间，所述事件数据包括用户的婚育事件、留学事件、旅游事件及固定资产(例如，车、房)买卖事件相关的数据。
所述对所述基本信息数据及所述历史驾驶风险等级执行相关性分析，基于相关性分析结果确定所述基本信息数据中与驾驶风险等级相关的特征因子包括：
B21、识别所述用户身份信息数据中的实体类别，将识别到的实体类型的集合作为初始指标集；
本实施例通过实体识别模型(例如，神经网络模型)识别用户身份信息数据中的多个实体名称及各个实体名称对应的实体类别，例如，识别得到的实体名称1为“135xxxxxxxx”、实体名称1对应的实体类别为手机号码。
本实施例中，所述初始指标集中的实体类别可以包括手机号码、居住地址及工作单位。
B22、基于所述历史驾驶风险等级分析所述事件数据中与驾驶风险等级相关的目标事件；
B23、将所述目标事件添加至所述初始指标集，得到目标指标集，将所述目标指标集中各个指标的稳定性参数作为与驾驶风险等级相关的特征因子。
实验数据表明，驾驶风险等级高的用户在稳定性上往往表现出显著异常，例如，驾驶风险等级高的用户的手机号码、居住地址、工作单位的更新频率较高，因此，本实施例将目标指标集中各个指标的稳定性参数作为与驾驶风险相关的特征因子。
以目标指标集中的手机号码为例，手机号码的稳定性参数包括手机号码总数量、手机号码的最长使用时间、手机号码的最短使用时间、最新手机号码的使用时间。
所述基于所述历史驾驶风险等级分析所述事件数据中与驾驶风险等级相关的目标事件包括：
C21、将每个用户对应的历史驾驶风险等级添加至每个用户对应的第一事件集合中，得到每个用户对应的第二事件集合；
C22、将每个用户对应的第一事件集合中的每个事件与其对应的历史驾驶风险等级两两组合，得到多个组合对；
第一事件集合包括用户经历的所有事件，例如，若用户1对应的第一事件集合为{结婚事件，购房事件}，用户2对应的第一事件集合为{留学事件}，用户3对应的第一事件集合为{购房事件}，用户1对应的历史驾驶风险等级为第四等级，用户2对应的历史驾驶风险等级为第三等级，用户3对应的历史驾驶风险等级为第四等级。
则用户1对应的第二事件集合为{结婚事件，购房事件，第四等级}，用户2对应的第二事件集合为{留学事件，第三等级}，用户3对应的第二事件集合为{购房事件，第四等级}。
组合后，可得到3个组合对(结婚事件，第四等级)、(购房事件，第四等级)、(留学事件，第三等级)。
C23、计算所述多个组合对中的每个组合对在所述第二事件集合中的支持度及置信度；
本实施例以组合对(购房事件，第四等级)为例来说明支持度及置信度的计算方法：
支持度的计算公式为支持度数量除以总因子数量，其中，上述3个第二事件集合中共5个因子，组合对(购房事件，第四等级)在上述3个第二事件集合中共出现2次(即支持度数量为2)，则组合对(购房事件，第四等级)的支持度为2/5＝0.4。
组合对(购房事件，第四等级)的置信度计算公式为：(购房事件，第四等级)的支持度数量除以(第四等级)的支持度数量，其中，(购房事件，第四等级)在上述3个第二事件集合中的支持度数量为2，(第四等级)在上述3个第二事件集合中的支持度数量也为2，则组合对(购房事件，第四等级)的置信度为1/1＝1，表示购房事件与第四等级同时发生的概率很高，那么购房事件与第四等级的关联性就很强。
C24、基于所述支持度及置信度确定所述事件数据中与驾驶风险等级相关的目标事件。
所述基于所述支持度及置信度确定所述事件数据中与驾驶风险等级相关的目标事件包括：
D21、基于所述支持度及置信度计算每个组合对的相关性分值；
本实施例中，相关性分值＝支持度*权重1+置信度*权重2，其中，权重1及权重2的数值为预先确定的。
D22、将相关性分值大于第一阈值的组合对的集合作为第一组合对集合；
D23、剔除所述第一组合对集合中历史驾驶风险等级低于第二阈值的组合对，得到第二组合对集合，将所述第二组合对集合中的事件作为目标事件。
若组合对(购房事件，第四等级)、(留学事件，第三等级)的相关性分值大于第一阈值，则第一组合对集合为{(购房事件，第四等级)、(留学事件，第三等级)}。
若共6个风险等级、第二阈值为4，则剔除第一组合对集合中的组合对(留学事件，第三等级)，得到的第二组合对集合为{(购房事件，第四等级)}，则目标事件为购房事件。
请求响应模块130，用于响应客户端发出的针对指定用户的驾驶风险等级识别请求，判断所述第一数据库中是否有所述指定用户的驾驶行为数据，当所述第一数据库中没有所述指定用户的驾驶行为数据时，从所述第三数据库中获取所述指定用户的基本信息数据。
因第一数据库存储用户的驾驶行为数据，若第一数据库中没有指定用户的驾驶行为数据，则说明指定用户为新手车主，目前尚未产生驾驶行为数据，此时无法通过驾驶行为数据识别驾驶风险等级。
本方案已从基本信息数据中筛选出与驾驶风险等级相关的特征因子，故在指定用户没有驾驶行为数据时，获取指定用户的基本信息数据，以用于后续的驾驶风险等级识别。
风险识别模块140，用于基于所述指定用户的基本信息数据及所述特征因子确定所述指定用户对应的特征矩阵，将所述特征矩阵输入所述第一风险等级识别模型，得到所述指定用户的预测驾驶风险等级。
假设目标指标集中的指标包括手机号码、居住地址、工作单位及购房事件，特征因子为目标指标集中各个指标的稳定性参数，则特征因子对应的特征矩阵包括上表1所示参数，根据指定用户的基本信息数据，可得到表1中各参数的数值，将各个数值放入4*4的矩阵中，得到指定用户对应的特征矩阵，将所述指定用户的特征矩阵输入到第一风险等级识别模型，可得到所述指定用户的预测驾驶风险等级。
本实施例中，在基于所述驾驶行为数据及所述历史驾驶风险等级确定初始风险等级识别模型之后，所述模型确定模块110还用于：
采用所述驾驶行为数据训练所述初始风险等级识别模型，得到第二风险等级识别模型；
在判断所述第一数据库中是否有所述指定用户的驾驶行为数据之后，所述请求响应模块130还用于：
若所述第一数据库中有所述指定用户的驾驶行为数据，则将所述指定用户的驾驶行为数据输入所述第二风险等级识别模型，得到所述指定用户的预测驾驶风险等级。
本方案在确定初始风险等级识别模型后，还将第一数据库中的多个用户(例如，1000个用户)的驾驶行为数据作为样本训练所述初始风险等级识别模型，得到第二风险等级识别模型。
若第一数据库中有指定用户的驾驶行为数据，则说明指定用户为老用户，直接将其的驾驶行为数据输入至第二风险等级识别模型，可得出指定用户的预测驾驶风险等级。
本实施例中，在得到所述指定用户的预测驾驶风险等级之后，所述风险识别模块140还用于：
若所述指定用户的预测驾驶风险等级高于第三阈值，则向预设客户端发送预警信息。
例如，若共6个驾驶风险等级、第三阈值为第三等级，则低于或等于第三等级的用户为低风险用户，高于第三等级的用户为高风险用户。
所述预设客户端可以是保险公司的后台服务器，若指定用户的预测驾驶风险等级为第五等级，则可向预设客户端发送“指定用户为高风险用户，请谨慎审批该用户的投保单据”之类的预警信息。
如图3所示，为本发明一实施例提供的实现驾驶风险等级识别方法的电子设备的结构示意图。
所述电子设备1是一种能够按照事先设定或者存储的指令，自动进行数值计算和/或信息处理的设备。所述电子设备1可以是计算机、也可以是单个网络服务器、多个网络服务器组成的服务器组或者基于云计算的由大量主机或者网络服务器构成的云，其中云计算是分布式计算的一种，由一群松散耦合的计算机集组成的一个超级虚拟计算机。
在本实施例中，电子设备1包括，但不仅限于，可通过系统总线相互通信连接的存储器11、处理器12、网络接口13，该存储器11中存储有驾驶风险等级识别程序10，所述驾驶风险等级识别程序10可被所述处理器12执行。图3仅示出了具有组件11-13以及驾驶风险等级识别程序10的电子设备1，本领域技术人员可以理解的是，图3示出的结构并不构成对电子设备1的限定，可以包括比图示更少或者更多的部件，或者组合某些部件，或者不同的部件布置。
其中，存储器11包括内存及至少一种类型的可读存储介质。内存为电子设备1的运行提供缓存；可读存储介质可为如闪存、硬盘、多媒体卡、卡型存储器(例如，SD或DX存储器等)、随机访问存储器(RAM)、静态随机访问存储器(SRAM)、只读存储器(ROM)、电可擦除可编程只读存储器(EEPROM)、可编程只读存储器(PROM)、磁性存储器、磁盘、光盘等的非易失性存储介质。在一些实施例中，可读存储介质可以是电子设备1的内部存储单元，例如该电子设备1的硬盘；在另一些实施例中，该非易失性存储介质也可以是电子设备1的外部存储设备，例如电子设备1上配备的插接式硬盘，智能存储卡(Smart Media Card,SMC)，安全数字(Secure Digital,SD)卡，闪存卡(Flash Card)等。本实施例中，存储器11的可读存储介质通常用于存储安装于电子设备1的操作系统和各类应用软件，例如存储本发明一实施例中的驾驶风险等级识别程序10的代码等。此外，存储器11还可以用于暂时地存储已经输出或者将要输出的各类数据。
处理器12在一些实施例中可以是中央处理器(Central Processing Unit，CPU)、控制器、微控制器、微处理器、或其他数据处理芯片。该处理器12通常用于控制所述电子设备1的总体操作，例如执行与其他设备进行数据交互或者通信相关的控制和处理等。本实施例中，所述处理器12用于运行所述存储器11中存储的程序代码或者处理数据，例如运行驾驶风险等级识别程序10等。
网络接口13可包括无线网络接口或有线网络接口，该网络接口13用于在所述电子设备1与客户端(图中未画出)之间建立通信连接。
可选的，所述电子设备1还可以包括用户接口，用户接口可以包括显示器(Display)、输入单元比如键盘(Keyboard)，可选的用户接口还可以包括标准的有线接口、无线接口。可选的，在一些实施例中，显示器可以是LED显示器、液晶显示器、触控式液晶显示器以及OLED(Organic Light-Emitting Diode，有机发光二极管)触摸器等。其中，显示器也可以适当的称为显示屏或显示单元，用于显示在电子设备1中处理的信息以及用于显示可视化的用户界面。
应该了解，所述实施例仅为说明之用，在专利申请范围上并不受此结构的限制。
所述电子设备1中的所述存储器11存储的驾驶风险等级识别程序10是多个指令的组合，在所述处理器12中运行时，可以实现：
从第一数据库中获取多个用户的驾驶行为数据，从第二数据库中获取所述多个用户的理赔数据，基于所述理赔数据确定所述多个用户的历史驾驶风险等级，基于所述驾驶行为数据及所述历史驾驶风险等级确定初始风险等级识别模型；
从第三数据库中获取所述多个用户的基本信息数据，采用所述基本信息数据训练所述初始风险等级识别模型得到第一风险等级识别模型，并对所述基本信息数据及所述历史驾驶风险等级执行相关性分析，基于相关性分析结果确定所述基本信息数据中与驾驶风险等级相关的特征因子；
响应客户端发出的针对指定用户的驾驶风险等级识别请求，判断所述第一数据库中是否有所述指定用户的驾驶行为数据，当所述第一数据库中没有所述指定用户的驾驶行为数据时，从所述第三数据库中获取所述指定用户的基本信息数据；
基于所述指定用户的基本信息数据及所述特征因子确定所述指定用户对应的特征矩阵，将所述特征矩阵输入所述第一风险等级识别模型，得到所述指定用户的预测驾驶风险等级。
具体地，所述处理器12对上述驾驶风险等级识别程序10的具体实现方法可参考图1对应实施例中相关步骤的描述，在此不赘述。
进一步地，所述电子设备1集成的模块/单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。所述计算机可读介质可以是非易失性的，也可以是非易失性的。所述计算机可读介质可以包括：能够携带所述计算机程序代码的任何实体或装置、记录介质、U盘、移动硬盘、磁碟、光盘、计算机存储器、只读存储器(ROM，Read-Only Memory)。
所述计算机可读存储介质上存储有驾驶风险等级识别程序10，所述驾驶风险等级识别程序10可被一个或者多个处理器执行，本发明计算机可读存储介质具体实施方式与上述驾驶风险等级识别方法各实施例基本相同，在此不作赘述。
在本发明所提供的几个实施例中，应该理解到，所揭露的设备，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，所述模块的划分，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。
所述作为分离部件说明的模块可以是或者也可以不是物理上分开的，作为模块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模块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模块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。上述集成的单元既可以采用硬件的形式实现，也可以采用硬件加软件功能模块的形式实现。
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涵括在本发明内。不应将权利要求中的任何附关联图标记视为限制所涉及的权利要求。
本发明所指区块链是分布式数据存储、点对点传输、共识机制、加密算法等计算机技术的新型应用模式。区块链(Blockchain)，本质上是一个去中心化的数据库，是一串使用密码学方法相关联产生的数据块，每一个数据块中包含了一批次网络交易的信息，用于验证其信息的有效性(防伪)和生成下一个区块。区块链可以包括区块链底层平台、平台产品服务层以及应用服务层等。
此外，显然“包括”一词不排除其他单元或步骤，单数不排除复数。系统权利要求中陈述的多个单元或装置也可以由一个单元或装置通过软件或者硬件来实现。第二等词语用来表示名称，而并不表示任何特定的顺序。
最后应说明的是，以上实施例仅用以说明本发明的技术方案而非限制，尽管参照较佳实施例对本发明进行了详细说明，本领域的普通技术人员应当理解，可以对本发明的技术方案进行修改或等同替换，而不脱离本发明技术方案的精神和范围。
Claims (10)
1.一种驾驶风险等级识别方法，其特征在于，所述方法包括：
从第一数据库中获取多个用户的驾驶行为数据，从第二数据库中获取所述多个用户的理赔数据，基于所述理赔数据确定所述多个用户的历史驾驶风险等级，基于所述驾驶行为数据及所述历史驾驶风险等级确定初始风险等级识别模型；
从第三数据库中获取所述多个用户的基本信息数据，采用所述基本信息数据训练所述初始风险等级识别模型得到第一风险等级识别模型，并对所述基本信息数据及所述历史驾驶风险等级执行相关性分析，基于相关性分析结果确定所述基本信息数据中与驾驶风险等级相关的特征因子；
响应客户端发出的针对指定用户的驾驶风险等级识别请求，判断所述第一数据库中是否有所述指定用户的驾驶行为数据，当所述第一数据库中没有所述指定用户的驾驶行为数据时，从所述第三数据库中获取所述指定用户的基本信息数据；
基于所述指定用户的基本信息数据及所述特征因子确定所述指定用户对应的特征矩阵，将所述特征矩阵输入所述第一风险等级识别模型，得到所述指定用户的预测驾驶风险等级。
2.如权利要求1所述的驾驶风险等级识别方法，其特征在于，所述基于所述驾驶行为数据及所述历史驾驶风险等级确定初始风险等级识别模型包括：
将所述多个用户的驾驶行为数据分别输入多个预设模型，每个所述预设模型分别输出所述多个用户中的每个用户对应的初始驾驶风险等级；
基于所述初始驾驶风险等级及所述历史驾驶风险等级确定所述每个预设模型的预测准确率，将预测准确率最高的预设模型作为初始风险等级识别模型。
3.如权利要求1所述的驾驶风险等级识别方法，其特征在于，所述基本信息数据包括用户身份信息数据及用户经历过的事件数据，所述对所述基本信息数据及所述历史驾驶风险等级执行相关性分析，基于相关性分析结果确定所述基本信息数据中与驾驶风险等级相关的特征因子包括：
识别所述用户身份信息数据中的实体类别，将识别到的实体类型的集合作为初始指标集；
基于所述历史驾驶风险等级分析所述事件数据中与驾驶风险等级相关的目标事件；
将所述目标事件添加至所述初始指标集，得到目标指标集，将所述目标指标集中各个指标的稳定性参数作为与驾驶风险等级相关的特征因子。
4.如权利要求3所述的驾驶风险等级识别方法，其特征在于，所述基于所述历史驾驶风险等级分析所述事件数据中与驾驶风险等级相关的目标事件包括：
将每个用户对应的历史驾驶风险等级添加至每个用户对应的第一事件集合中，得到每个用户对应的第二事件集合；
将每个用户对应的第一事件集合中的每个事件与其对应的历史驾驶风险等级两两组合，得到多个组合对；
计算所述多个组合对中的每个组合对在所述第二事件集合中的支持度及置信度；
基于所述支持度及置信度确定所述事件数据中与驾驶风险等级相关的目标事件。
5.如权利要求4所述的驾驶风险等级识别方法，其特征在于，所述基于所述支持度及置信度确定所述事件数据中与驾驶风险等级相关的目标事件包括：
基于所述支持度及置信度计算每个组合对的相关性分值；
将相关性分值大于第一阈值的组合对的集合作为第一组合对集合；
剔除所述第一组合对集合中历史驾驶风险等级低于第二阈值的组合对，得到第二组合对集合，将所述第二组合对集合中的事件作为目标事件。
6.如权利要求1所述的驾驶风险等级识别方法，其特征在于，在基于所述驾驶行为数据及所述历史驾驶风险等级确定初始风险等级识别模型之后，所述方法还包括：
采用所述驾驶行为数据训练所述初始风险等级识别模型，得到第二风险等级识别模型；
在判断所述第一数据库中是否有所述指定用户的驾驶行为数据之后，所述方法还包括：
若所述第一数据库中有所述指定用户的驾驶行为数据，则将所述指定用户的驾驶行为数据输入所述第二风险等级识别模型，得到所述指定用户的预测驾驶风险等级。
7.如权利要求6所述的驾驶风险等级识别方法，其特征在于，在得到所述指定用户的预测驾驶风险等级之后，所述方法还包括：
若所述指定用户的预测驾驶风险等级高于第三阈值，则向预设客户端发送预警信息。
8.一种驾驶风险等级识别装置，其特征在于，所述装置包括：
模型确定模块，用于从第一数据库中获取多个用户的驾驶行为数据，从第二数据库中获取所述多个用户的理赔数据，基于所述理赔数据确定所述多个用户的历史驾驶风险等级，基于所述驾驶行为数据及所述历史驾驶风险等级确定初始风险等级识别模型；
因子确定模块，用于从第三数据库中获取所述多个用户的基本信息数据，采用所述基本信息数据训练所述初始风险等级识别模型得到第一风险等级识别模型，并对所述基本信息数据及所述历史驾驶风险等级执行相关性分析，基于相关性分析结果确定所述基本信息数据中与驾驶风险等级相关的特征因子；
请求响应模块，用于响应客户端发出的针对指定用户的驾驶风险等级识别请求，判断所述第一数据库中是否有所述指定用户的驾驶行为数据，当所述第一数据库中没有所述指定用户的驾驶行为数据时，从所述第三数据库中获取所述指定用户的基本信息数据；
风险识别模块，用于基于所述指定用户的基本信息数据及所述特征因子确定所述指定用户对应的特征矩阵，将所述特征矩阵输入所述第一风险等级识别模型，得到所述指定用户的预测驾驶风险等级。
9.一种电子设备，其特征在于，所述电子设备包括：
至少一个处理器；以及，
与所述至少一个处理器通信连接的存储器；其中，
所述存储器存储有可被所述至少一个处理器执行的驾驶风险等级识别程序，所述驾驶风险等级识别程序被所述至少一个处理器执行，以使所述至少一个处理器能够执行如权利要求1至7中任一项所述的驾驶风险等级识别方法。
10.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质上存储有驾驶风险等级识别程序，所述驾驶风险等级识别程序可被一个或者多个处理器执行，以实现如权利要求1至7任一项所述的驾驶风险等级识别方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110440059.2A CN113178071B (zh) | 2021-04-22 | 2021-04-22 | 驾驶风险等级识别方法、装置、电子设备及可读存储介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110440059.2A CN113178071B (zh) | 2021-04-22 | 2021-04-22 | 驾驶风险等级识别方法、装置、电子设备及可读存储介质 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN113178071A true CN113178071A (zh) | 2021-07-27 |
| CN113178071B CN113178071B (zh) | 2022-04-29 |
Family
ID=76924244
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202110440059.2A Active CN113178071B (zh) | 2021-04-22 | 2021-04-22 | 驾驶风险等级识别方法、装置、电子设备及可读存储介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN113178071B (zh) |
Cited By (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113657488A (zh) * | 2021-08-16 | 2021-11-16 | 中国平安财产保险股份有限公司 | 基于驾驶行为的用户分级方法、装置、设备及存储介质 |
| CN113807703A (zh) * | 2021-09-18 | 2021-12-17 | 中国平安财产保险股份有限公司 | 驾驶行为评分方法、装置、电子设备及介质 |
| CN114201533A (zh) * | 2021-12-14 | 2022-03-18 | 中国平安财产保险股份有限公司 | 车辆涉水深度检测方法、装置、电子设备及存储介质 |
Citations (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20080319602A1 (en) * | 2007-06-25 | 2008-12-25 | Mcclellan Scott | System and Method for Monitoring and Improving Driver Behavior |
| CN104429047A (zh) * | 2014-03-05 | 2015-03-18 | 华为终端有限公司 | 车联网数据处理方法、服务器和终端 |
| CN106980911A (zh) * | 2017-04-05 | 2017-07-25 | 南京人人保网络技术有限公司 | 基于静态因子的驾驶风险评估方法及装置 |
| 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 |
| AU2017410523A1 (en) * | 2017-04-18 | 2019-01-17 | Beijing Didi Infinity Technology And Development Co., Ltd. | System and method for determining safety score of driver |
| CN110766826A (zh) * | 2019-09-10 | 2020-02-07 | 中国平安财产保险股份有限公司 | 一种驾驶行为分析方法 |
| CN110826848A (zh) * | 2019-09-19 | 2020-02-21 | 安徽百诚慧通科技有限公司 | 基于层次分析法的驾驶人风险评估方法 |
| CN111178452A (zh) * | 2020-01-02 | 2020-05-19 | 平安科技（深圳）有限公司 | 驾驶风险识别方法、电子装置及可读存储介质 |
| CN112183899A (zh) * | 2020-11-04 | 2021-01-05 | 北京嘀嘀无限科技发展有限公司 | 确定安全度预测模型的方法、装置、设备和存储介质 |
-
2021
- 2021-04-22 CN CN202110440059.2A patent/CN113178071B/zh active Active
Patent Citations (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20080319602A1 (en) * | 2007-06-25 | 2008-12-25 | Mcclellan Scott | System and Method for Monitoring and Improving Driver Behavior |
| CN104429047A (zh) * | 2014-03-05 | 2015-03-18 | 华为终端有限公司 | 车联网数据处理方法、服务器和终端 |
| 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 |
| CN106980911A (zh) * | 2017-04-05 | 2017-07-25 | 南京人人保网络技术有限公司 | 基于静态因子的驾驶风险评估方法及装置 |
| AU2017410523A1 (en) * | 2017-04-18 | 2019-01-17 | Beijing Didi Infinity Technology And Development Co., Ltd. | System and method for determining safety score of driver |
| CN110766826A (zh) * | 2019-09-10 | 2020-02-07 | 中国平安财产保险股份有限公司 | 一种驾驶行为分析方法 |
| CN110826848A (zh) * | 2019-09-19 | 2020-02-21 | 安徽百诚慧通科技有限公司 | 基于层次分析法的驾驶人风险评估方法 |
| CN111178452A (zh) * | 2020-01-02 | 2020-05-19 | 平安科技（深圳）有限公司 | 驾驶风险识别方法、电子装置及可读存储介质 |
| CN112183899A (zh) * | 2020-11-04 | 2021-01-05 | 北京嘀嘀无限科技发展有限公司 | 确定安全度预测模型的方法、装置、设备和存储介质 |
Cited By (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113657488A (zh) * | 2021-08-16 | 2021-11-16 | 中国平安财产保险股份有限公司 | 基于驾驶行为的用户分级方法、装置、设备及存储介质 |
| CN113657488B (zh) * | 2021-08-16 | 2023-08-25 | 中国平安财产保险股份有限公司 | 基于驾驶行为的用户分级方法、装置、设备及存储介质 |
| CN113807703A (zh) * | 2021-09-18 | 2021-12-17 | 中国平安财产保险股份有限公司 | 驾驶行为评分方法、装置、电子设备及介质 |
| CN114201533A (zh) * | 2021-12-14 | 2022-03-18 | 中国平安财产保险股份有限公司 | 车辆涉水深度检测方法、装置、电子设备及存储介质 |
| CN114201533B (zh) * | 2021-12-14 | 2024-06-25 | 中国平安财产保险股份有限公司 | 车辆涉水深度检测方法、装置、电子设备及存储介质 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN113178071B (zh) | 2022-04-29 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN113178071B (zh) | 驾驶风险等级识别方法、装置、电子设备及可读存储介质 | |
| CN113706252B (zh) | 产品推荐方法、装置、电子设备及存储介质 | |
| CN112288604A (zh) | 司法案件数据处理方法、装置、电子设备及可读存储介质 | |
| CN112597135A (zh) | 用户分类方法、装置、电子设备及可读存储介质 | |
| CN113435202A (zh) | 基于用户画像的产品推荐方法、装置、电子设备及介质 | |
| CN113485889B (zh) | 埋点数据校验方法、装置、电子设备及存储介质 | |
| CN111639857B (zh) | 订单智能审核方法、装置、电子设备及存储介质 | |
| CN113706253A (zh) | 实时产品推荐方法、装置、电子设备及可读存储介质 | |
| CN114706985A (zh) | 文本分类方法、装置、电子设备及存储介质 | |
| CN112860737A (zh) | 数据查询方法、装置、电子设备及可读存储介质 | |
| CN113850260A (zh) | 关键信息抽取方法、装置、电子设备及可读存储介质 | |
| CN113344433A (zh) | 产品匹配方法、装置、电子设备及可读存储介质 | |
| CN111652282A (zh) | 基于大数据的用户偏好分析方法、装置及电子设备 | |
| CN114862140A (zh) | 基于行为分析的潜力评估方法、装置、设备及存储介质 | |
| CN114281991A (zh) | 文本分类方法、装置、电子设备及存储介质 | |
| CN113064984A (zh) | 意图识别方法、装置、电子设备及可读存储介质 | |
| CN113065947A (zh) | 数据处理方法、装置、设备及存储介质 | |
| CN108985755B (zh) | 一种账号状态识别方法、装置及服务器 | |
| CN112511632A (zh) | 基于多源数据的对象推送方法、装置、设备及存储介质 | |
| CN112163775A (zh) | 一种评标专家抽取方法及系统 | |
| CN113157890B (zh) | 智能问答方法、装置、电子设备及可读存储介质 | |
| CN113610580B (zh) | 产品推荐方法、装置、电子设备及可读存储介质 | |
| CN113312482B (zh) | 问题分类方法、装置、电子设备及可读存储介质 | |
| CN113537806A (zh) | 异常用户识别方法、装置、电子设备及可读存储介质 | |
| CN112434631B (zh) | 目标物识别方法、装置、电子设备及可读存储介质 |
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 | ||
| REG | Reference to a national code |
Ref country code: HK Ref legal event code: DE Ref document number: 40051225 Country of ref document: HK |
|
| GR01 | Patent grant | ||
| GR01 | Patent grant |