CN113743815A - 运营车辆的风险监控方法、装置、存储介质及计算机设备 - Google Patents
运营车辆的风险监控方法、装置、存储介质及计算机设备 Download PDFInfo
- Publication number
- CN113743815A CN113743815A CN202111071044.XA CN202111071044A CN113743815A CN 113743815 A CN113743815 A CN 113743815A CN 202111071044 A CN202111071044 A CN 202111071044A CN 113743815 A CN113743815 A CN 113743815A
- Authority
- CN
- China
- Prior art keywords
- vehicle
- data
- monitored
- risk
- value
- 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
- 238000012544 monitoring process Methods 0.000 title claims abstract description 102
- 238000000034 method Methods 0.000 title claims abstract description 49
- 238000013058 risk prediction model Methods 0.000 claims abstract description 22
- 230000006399 behavior Effects 0.000 claims description 37
- 238000004422 calculation algorithm Methods 0.000 claims description 19
- 238000012545 processing Methods 0.000 claims description 13
- 238000007637 random forest analysis Methods 0.000 claims description 12
- 238000012549 training Methods 0.000 claims description 11
- 238000004590 computer program Methods 0.000 claims description 10
- 238000012806 monitoring device Methods 0.000 claims description 4
- 230000000875 corresponding effect Effects 0.000 description 23
- 230000002159 abnormal effect Effects 0.000 description 10
- 238000004891 communication Methods 0.000 description 4
- 238000004364 calculation method Methods 0.000 description 3
- 230000001186 cumulative effect Effects 0.000 description 2
- 238000003066 decision tree Methods 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 230000010365 information processing Effects 0.000 description 2
- 230000008439 repair process Effects 0.000 description 2
- 238000000926 separation method Methods 0.000 description 2
- 230000005856 abnormality Effects 0.000 description 1
- 238000013145 classification model Methods 0.000 description 1
- 230000002596 correlated effect Effects 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- PCHJSUWPFVWCPO-UHFFFAOYSA-N gold Chemical compound [Au] PCHJSUWPFVWCPO-UHFFFAOYSA-N 0.000 description 1
- 239000010931 gold Substances 0.000 description 1
- 229910052737 gold Inorganic materials 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000002372 labelling Methods 0.000 description 1
- 238000007477 logistic regression Methods 0.000 description 1
- 238000010801 machine learning Methods 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
- 230000011218 segmentation Effects 0.000 description 1
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
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
- G06F16/25—Integrating or interfacing systems involving database management systems
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- 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
- G06Q30/06—Buying, selling or leasing transactions
- G06Q30/0645—Rental transactions; Leasing transactions
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Human Resources & Organizations (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Strategic Management (AREA)
- Economics (AREA)
- Accounting & Taxation (AREA)
- Databases & Information Systems (AREA)
- Marketing (AREA)
- Entrepreneurship & Innovation (AREA)
- General Business, Economics & Management (AREA)
- General Engineering & Computer Science (AREA)
- Finance (AREA)
- Development Economics (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Educational Administration (AREA)
- Evolutionary Computation (AREA)
- Game Theory and Decision Science (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Tourism & Hospitality (AREA)
- Traffic Control Systems (AREA)
Abstract
本发明公开了一种运营车辆的风险监控方法、装置、存储介质及计算机设备。其中方法包括:周期性获取待监测车辆在各维度上的属性数据,其中,属性数据包括轨迹数据、驻停数据、设备报警数据、保证金数据、车辆价值数据和驾驶行为数据中的至少一种数据;根据待监测车辆在各维度上的属性数据,得到待监测车辆在各维度上的风险监测值;根据待监测车辆在各维度上的风险监测值,通过预先训练的风险预测模型,得到待监测车辆的风险监测结果。上述方法通过从各个维度采集运营车辆的属性数据,并根据各种属性数据评判出车辆在各个维度上承受的风险值以及待监测车辆实际的风险监测结果,可以有效的提高运营车辆的风险监测的时效性和准确性。
Description
技术领域
本发明涉及大数据处理领域,尤其是涉及一种运营车辆的风险监控方法、装置、存储介质及计算机设备。
背景技术
随着我国汽车工业的迅猛发展以及国民生活水平的不断提高,汽车逐渐成为居民生活中一项非常重要的交通工具。在此背景下,汽车租赁服务也因为迎合了部分用户临时用车的需求而越来越受到市场的欢迎。
通常来说,运营车辆(被租赁的车辆)根据业务类型的不同可以划分为多种类型,如长租型、短租型、网约经租型和网约自营型等等。各种类型的运营车辆在运行的过程中都可能会出现多种多样的问题,如丢失、改装和损坏等等,为了避免此类问题,出租方通常会在运营车辆上安装GPS装置,然后通过GPS装置对运营车辆的行驶轨迹和车辆位置进行实时监控。
在现有技术中,车辆出租方通常是通过监测运营车辆的轨迹是否经常进入危险路段,运营车辆是否经常停驻在二手车市场或修车店附近,以及运营车辆是否行驶至过远的距离等指标来判断运营车辆是否存在运营风险。但是,这种简单的监测方法无法帮助车辆出租方及时准确的了解运到运营车辆的实际运营风险,最终造成车辆出租方的财产受到损失。
发明内容
有鉴于此,本申请提供了一种运营车辆的风险监控方法、装置、存储介质及计算机设备,主要目的在于解决运营车辆的风险监测时效性差且不够准确的技术问题。
根据本发明的第一个方面,提供了一种运营车辆的风险监控方法,该方法包括:
周期性获取待监测车辆在各维度上的属性数据,其中,属性数据包括轨迹数据、驻停数据、设备报警数据、保证金数据、车辆价值数据和驾驶行为数据中的至少一种数据;
根据待监测车辆在各维度上的属性数据,得到待监测车辆在各维度上的风险监测值;
根据待监测车辆在各维度上的风险监测值,通过预先训练的风险预测模型,得到待监测车辆的风险监测结果。
根据本发明的第二个方面,提供了一种运营车辆的风险监控装置,该装置包括:
数据获取模块,用于周期性获取待监测车辆在各维度上的属性数据,其中,属性数据包括轨迹数据、驻停数据、设备报警数据、保证金数据、车辆价值数据和驾驶行为数据中的至少一种数据;
数据处理模块,用于根据待监测车辆在各维度上的属性数据,得到待监测车辆在各维度上的风险监测值;
结果输出模块,用于根据待监测车辆在各维度上的风险监测值,通过预先训练的风险预测模型,得到待监测车辆的风险监测结果。
根据本发明的第三个方面,提供了一种存储介质,其上存储有计算机程序,所述程序被处理器执行时实现上述运营车辆的风险监控方法。
根据本发明的第四个方面,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上述运营车辆的风险监控方法。
本发明提供的一种运营车辆的风险监控方法、装置、存储介质及计算机设备,首先周期性获取待监测车辆在各维度上的属性数据,包括轨迹数据、驻停数据、设备报警数据、保证金数据、车辆价值数据和驾驶行为数据等等,然后根据上述各种属性数据得到每一种属性数据对应的风险监测值,最后通过预先训练的风险预测模型对上述各维度的风险监测值进行处理,得到待监测车辆的风险监测结果。上述方法通过从各个维度采集运营车辆的属性数据,并根据各种属性数据评判出车辆在各个维度上承受的风险值,以及根据各维度的风险监测值评判出运营车辆的风险监测结果,可以有效的提高运营车辆风险监测的时效性和准确性,从而避免车辆运营方的财产受到损失。
上述说明仅是本申请技术方案的概述,为了能够更清楚了解本申请的技术手段,而可依照说明书的内容予以实施,并且为了让本申请的上述和其它目的、特征和优点能够更明显易懂,以下特举本申请的具体实施方式。
附图说明
此处所说明的附图用来提供对本发明的进一步理解,构成本申请的一部分,本发明的示意性实施例及其说明用于解释本发明,并不构成对本发明的不当限定。在附图中:
图1示出了本发明实施例提供的一种运营车辆的风险监控方法的流程示意图;
图2示出了本发明实施例提供的一种运营车辆的风险监控装置的结构示意图。
具体实施方式
下文中将参考附图并结合实施例来详细说明本发明。需要说明的是,在不冲突的情况下,本申请中的实施例及实施例中的特征可以相互组合。
在一个实施例中,如图1所示,提供了一种运营车辆的风险监控方法,以该方法应用于服务器等计算机设备为例进行说明,包括以下步骤:
101、周期性获取待监测车辆在各维度上的属性数据,其中,属性数据包括轨迹数据、驻停数据、设备报警数据、保证金数据、车辆价值数据和驾驶行为数据中的至少一种数据。
其中,待监测车辆指的是需要进行风险监测的运营车辆,运营车辆指的是由车辆运营方或由车辆出租方以出租、经租、自营等方式提供给车辆承租方或提供给个体司机的车辆。在本实施例中,计算机设备可以周期性的(如每隔半小时)通过安装在待监测车辆上的GPS装置实时采集待监测车辆的轨迹数据、驻停数据和设备报警数据,以及可以根据待监测车辆的车辆标识(如车牌号)在数据库中获取待监测车辆当前的保证金数据、车辆价值数据和驾驶行为数据。可以理解的是,待监测车辆的数量可以为一台或多台,待监测车辆的轨迹数据、驻停数据、设备报警数据、保证金数据、车辆价值数据和驾驶行为数据均会随着时间的推移而不断更新,例如,保证金数据可以随着欠租等情况的发生而减少,车辆价值可以随着车辆年限的增加而减少等等。
在本实施例中,GPS装置指的是汽车租赁方安装在车辆上进行位置监控的设备,一般分为有源和无源两种,有源GPS需要连接车辆电瓶,无源GPS则不需要;行驶轨迹指的是车辆行驶过程中形成的轨迹路线,即汽车在每个时刻上的位置构成的连线;轨迹数据指的是从行驶轨迹中抽取出的多个定位点坐标值组成的数据;驻停数据指的是车辆速度小于3KM/H且时间超过30分钟以上时产生的位置数据;设备报警数据指的是GPS装置被拆除、有源GPS和无源GPS设备分离、GPS信号丢失等异常情况发生时产生的报警数据;保证金数据指的是租赁方提供给出租方的车辆押金;车辆价值数据指的是车辆的资产和品牌价值的集合;驾驶行为数据指的是车辆行驶的轨迹、速度、违章、事故等数据的集合。需要说明的是,轨迹数据、驻停数据、设备报警数据、保证金数据、车辆价值数据和驾驶行为数据的定义可以不限于此,每一种数据均可以根据实际情况进行调整,且在获取属性数据时,可以仅获取以上多种数据中的一种或多种。
102、根据待监测车辆在各维度上的属性数据,得到待监测车辆在各维度上的风险监测值。
具体的,计算机设备可以分别根据监测车辆的轨迹数据、驻停数据、设备报警数据、保证金数据、车辆价值数据和驾驶行为数据,通过预训练的数据处理模型或者通过预设的规则和对照表格,得到每种数据对应的风险监测值。在本实施例中,每种数据的处理方式均可以根据待监测车辆的业务类型的不同而有所不同,例如,对于轨迹数据来说,不同业务类型的运营车辆可以采用不同的轨迹预测模型进行预测,从而得到对应的轨迹风险值。通过这种差异化的数据处理方式,可以有效的提高运营车辆的风险监测准确性。一般来说,运营车辆根据其出租、经租、自营方式的不同可以划分为多种不同的业务类型,如长租、短租、网约经租和网约自营等等。
在本实施例中,长租指的是车辆租赁合同超过6个月以上,承租方以企事业单位为主,在合同执行期间作为企事业单位公务用车,司机由其自行安排,与出租方无关。短租指的是车辆租赁合同不超过60天,承租方以个人客户为主,在合同执行期间由承租方客户自行使用。网约经租指的是车辆归属出租方,个体司机在网约车平台租赁车辆,进行网约车业务获取报酬支付租金。网约自营指的是车辆归属于网约车平台,平台自行招聘司机、培训,司机开展网约车业务,平台支付司机报酬。需要说明的是,除上述几种业务类型之外,运营车辆还可以有其他的业务类型,本实施例在此不再一一列举。
进一步的,对于轨迹数据来说,可以将轨迹数据输入到待监测车辆的业务类型对应的轨迹预测模型中,得到待监测车辆的轨迹风险值,即得到轨迹出现异常的概率值,其中,轨迹预测模型可以基于孤立森林算法和随机森林算法训练得到,孤立森林算法可以分离出样本中的正常轨迹和异常轨迹,从而为随机森林算法提供充足的预判后的样本数据,而随机森林算法可以根据预判后的样本数据,对轨迹数据的异常概率进行准确的预测,从而及时准确的监测出运营车辆出现轨迹异常的概率,进而有效的提高运营车辆的行驶轨迹监测的时效性和准确性。对于驻停数据来说,可以根据待监测车辆的驻停位置和驻停时间的不同而赋予不同的驻停风险值;对于设备报警数据来说,可以根据待监测车辆当前的报警类型而赋予不同的设备报警风险值;对于保证金数据来说,可以根据待监测车辆当前的保证金金额和车辆采购价之间的比值而赋予不同的保证金风险值;对于车辆价值数据来说,可以根据待监测车辆的品牌价值和当前售价的集合而赋予不同的价值风险值;对于驾驶行为数据来说,可以根据待监测车辆当前的交通违章情况和保险出险情况而赋予不同的驾驶行为风险值。
103、根据待监测车辆在各维度上的风险监测值,通过预先训练的风险预测模型,得到待监测车辆的风险监测结果。
具体的,风险预测模型可以基于轨迹数据、驻停数据、设备报警数据、保证金数据、车辆价值数据和驾驶行为数据等各个纬度的数据共同建立。与现有技术中单一的轨迹预测方法相比,本实施例提出的风险预测模型可以有效的提高风险预测的准确性,从而做到风险的提前预警。在本实施例中,风险预测模型可以基于机器学习模型、评分卡模型和逻辑回归模型等各类模型建立,且风险预测模型中的每一种数据均可以根据其风险预测所占比重的不同而赋予不同的权值。具体的,通过将待监测车辆的轨迹风险值、驻停风险值、设备报警风险值、保证金风险值、车辆价值风险值和驾驶行为风险值中的至少一种数据分别输入到预先训练好的风险预测模型中,即可得到待监测车辆的风险监测结果,其中,风险监测结果可以用一个风险数值来表示。
本实施例提供的运营车辆的风险监控方法,首先周期性获取待监测车辆在各维度上的属性数据,包括轨迹数据、驻停数据、设备报警数据、保证金数据、车辆价值数据和驾驶行为数据等等,然后根据上述各种属性数据得到每一种属性数据对应的风险监测值,最后通过预先训练的风险预测模型对上述各维度的风险监测值进行处理,得到待监测车辆的风险监测结果。上述方法通过从各个维度采集运营车辆的属性数据,并根据各种属性数据评判出车辆在各个维度上承受的风险值,以及根据各维度的风险监测值评判出运营车辆的风险监测结果,可以有效的提高运营车辆风险监测的时效性和准确性,从而避免车辆运营方的财产受到损失。
在一个实施例中,步骤101可以通过以下方式实现:首先通过安装在待监测车辆上的GPS装置,实时采集待监测车辆的位置数据和设备报警数据,并将设备报警数据保存至数据库中,然后根据实时采集的待监测车辆的位置数据,生成待监测车辆的轨迹数据和驻停数据,并将轨迹数据和驻停数据保存至数据库中,最后周期性的从数据库中获取待监测车辆在上一时间周期内的轨迹数据、驻停数据、设备报警数据、保证金数据、车辆价值数据和驾驶行为数据中的至少一种数据。在本实施例中,数据的获取周期可以根据实际情况进行设定,例如设定为每半小时采集一次等等。进一步的,对于实时采集到的待监测车辆的位置数据和设备报警数据,可以首先对其进行预处理,然后将预处理后的数据存储在数据库中,进而定时的从数据库中读取当前时间周期内的各类数据。可以理解的是,对于轨迹数据、驻停数据、设备报警数据、保证金数据、车辆价值数据和驾驶行为数据中的任一种数据,都可以根据时间的推移而产生变化,因此,计算机设备需要采集到最新的数据,才能够准确的预估待监测车辆的运营风险。本实施例通过周期性的从数据库中获取待监测车辆当前的运营数据,可以提高数据获取的效率,从而提高风险预测的时效性。
在一个实施例中,步骤102中得到轨迹风险值的方法可以通过以下方式实现:首先获取待监测车辆的业务类型,然后根据待监测车辆的业务类型,确定待监测车辆对应的轨迹预测模型,其中,轨迹预测模型基于孤立森林算法和随机森林算法训练得到,最后将待监测车辆的轨迹数据输入到轨迹预测模型中,得到待监测车辆的轨迹风险值。在本实施例中,轨迹预测模型指的是对运营车辆的轨迹进行预测的模型,该模型的输入为运营车辆的轨迹数据,输出为运营车辆的轨迹风险值,通过轨迹风险值,可以获知待监测车辆的轨迹发生异常的概率,即轨迹风险值越高,待监测车辆的运营风险越高,反之则待监测车辆的运营风险越低。
在上述实施例中,轨迹预测模型可以根据运营车辆类型的不同而不同,即每一种业务类型都对应了一个相应的轨迹预测模型,通过这种方式,可以提高不同业务类型的运营车辆轨迹监测的准确性。在本实施例中,在模型训练之前,可以首先将样本数据进行分类,然后根据分类后的各个业务类型对应的数据样本训练相应的轨迹预测模型,从而得到每种业务类型对应的轨迹预测模型。此外,针对每一种业务类型对应的轨迹预测模型,均可以通过孤立森林算法和随机森林算法进行训练后得到。其中,孤立森林算法是一种适用于连续数据的无监督异常检测方法,即不需要有标记的样本即可将样本中的异常数据分离出去;随机森林算法是一种通过集成学习的方式将多棵决策树集成为一个分类模型的算法。具体的,可以通过孤立森林算法的随机切分样本策略,准确的查找出大量数据中被孤立的异常样本数据,即查到到大量的历史轨迹数据中异常的轨迹数据,然后通过训练好的孤立森林模型,对大量的历史轨迹样本进行二分类,即将历史轨迹数据划分为正常轨迹和异常轨迹,最后利用分类好的历史轨迹数据作为随机森林的样本,对随机森林中的多颗决策树进行训练,最后得到能够预测出轨迹异常概率值的轨迹预测模型。
在上述实施例中,轨迹预测模型的训练方法可以通过以下方式实现:首先获取多个运营车辆的多条历史轨迹数据,并根据每个运营车辆的业务类型对多条历史轨迹数据进行分类,得到每种业务类型的多条历史轨迹数据,然后根据每种业务类型的多条历史轨迹数据,通过孤立森林算法,训练得到每种业务类型对应的轨迹判断模型,进而将每种业务类型的每条历史轨迹数据分别输入到对应业务类型的轨迹判断模型中,得到每条历史轨迹数据的轨迹判断结果,其中,轨迹判断结果包括正常和异常,最后根据每种业务类型的多条历史轨迹数据和每条历史轨迹数据的轨迹判断结果,通过随机森林算法,训练得到每种业务类型对应的轨迹预测模型。上述实施例通过对历史轨迹数据进行分类,可以有效的提高每种业务类型下的车辆轨迹监测准确度,此外,本实施例通过先训练孤立森林,再训练随机森林的方式得到轨迹预测模型,也可以有效的减少为样本数据打标签的工作量,从而提高模型训练的速度。
在一个实施例中,步骤102中得到驻停风险值和设备报警风险值的方法可以通过以下方式实现:利用预设的驻停评分规则,根据待监测车辆的驻停数据中的驻停位置和驻停时间,得到待监测车辆的驻停风险值,根据待监测车辆的设备报警数据中的当前设备报警类别和预设的报警类别评分表,得到待监测车辆的设备报警风险值。在本实施例中,驻停评分规则可以根据实际情况进行设定,例如,可以设定以车辆停驻点为圆心,100米为半径的圈内,如果有二手车市场,则驻停风险值记40分;如果有汽修店,则驻停风险值记30分;如果停驻没有超过30分钟,则驻停风险值分20分等等。进一步的,当前设备报警类别可以根据车辆上安装的GPS装置发出的信息作为计算依据,即对于不同的报警类别可以设定不同的设备报警风险值。例如,当车辆安装的GPS设备任一被拆除时,设备报警风险值记100分;当同一车上两个GPS设备的位置大于1公里时,判断设备分离,设备分离距离超过10公里时设备报警风险值记100分,不超过10公里大于1公里设备报警风险值记90分;当GPS装置显示位置在同一地点超过5天时,设备报警风险值记100分,未超过则设备报警风险值记0;当GPS信号丢失超过2小时时,设备报警风险值记100分,超过1小时设备报警风险值记80分,没有实时上报设备报警风险值记60分。可以理解的是,上述定义仅作为举例,并不作为对本实施例的一种限定。
在一个实施例中,步骤102中得到保证金风险值、车辆价值风险值和驾驶行为风险值的方法可以通过以下方式实现:根据待监测车辆的保证金数据中的当前保证金数额与保证金总额之间的比值,得到待监测车辆的保证金风险值,根据待监测车辆的车辆价值数据中的车辆品牌价值和车辆残值,得到待监测车辆的车辆价值风险值,根据待监测车辆的驾驶行为数据中的一个记分周期内的违章次数和/或扣分分数,以及一个保险周期内的出险次数和/或出险金额,得到待监测车辆的驾驶行为风险值。在本实施例中,保证金风险值的参考计算公式为:保证金风险值=1-当前保证金数额/保证金总额,即保证金金额越小,保证金风险越高,其中,当前保证金数额可以在车辆欠租或违章罚款未缴纳时自动减小,即当前保证金数额=保证金总额-欠租费用-违章费用。进一步的,车辆价值风险值的参考计算公式为:车辆价值风险值=车辆品牌风险分+车辆残值风险分,即车辆价值风险值与车辆品牌价值与车辆残值(即车辆当前的市场售价)正相关,其中,车辆残值风险分可以随车辆年限增加而减少。例如,高端车辆车辆品牌风险分记50分,中端车辆车辆品牌风险分记40分,中低端车辆车辆品牌风险分记30分;低端车辆车辆品牌风险分记20分;车辆残值50万以上车辆残值风险分记50分,车辆残值30万-50万车辆残值风险分记40分,车辆残值20万-30万车辆残值风险分记30分,车辆残值10万-20万车辆残值风险分记20分等等。进一步的,驾驶行为风险值的参考计算公式为:驾驶行为风险值=违章风险分+出险风险分。例如,一个记分周期内违章次数大于等于3次或者累计扣分达12分违章风险分记100分,其它依据违章次数/3或者累计扣分/12进行线性得分;一个保险周期内,主责出险次数大于等于3次或者累计出险金额10000元,出险风险分记100,其它依据主责出险次数/3或者累计主责出险金额/10000进行线性得分等等。可以理解的是,上述定义仅作为举例,并不作为对本实施例的一种限定。
在一个实施例中,步骤103可以通过以下方式实现:首先根据预先训练的风险预测模型,确定待监测车辆在各维度上的风险监测值分别对应的权值,然后根据待监测车辆在各维度上的风险监测值分别对应的权值,对待监测车辆的轨迹风险值、驻停风险值、设备报警风险值、保证金风险值、车辆价值风险值和驾驶行为风险值进行加权求和,得到待监测车辆的风险监测结果。在本实施例中,风险预测模型可以根据评分表模型建立。例如,风险预测模型的公式可以表示为如下形式:待监测车辆的风险监测结果=轨迹风险值*权重a+驻停风险值*权重b+设备报警风险值*权重c+保证金风险值*权重d+车辆价值风险值*权重e+驾驶行为风险值*权重f。在本实施例中,六个维度的风险值均为百分制,且各个维度的权重值也可以根据实际业务情况(例如维度减少时)进行调整。可以理解的是,风险预测模型的表达公式也可以不限于此,本实施例在此不再一一列举。
在一个实施例中,步骤103之后还可以包括以下方法:利用预设组件,对待监测车辆的轨迹风险值、驻停风险值、设备报警风险值、保证金风险值、车辆价值风险值、驾驶行为风险值和风险监测结果中的任一种风险监测结果进行展示,和/或接收用户发送的数据查询请求,并根据数据查询请求,查询出待监测车辆的轨迹数据、驻停数据、设备报警数据、保证金数据、车辆价值数据和驾驶行为数据中的任一种数据,展示给用户进行查看。在本实施例中,计算机设备可以对各类风险值和风险监测结果进行展示或输出,并支持用户进行查询,从而使用户可以及时获知待监测车辆的实际运营风险。另外,计算机设备也可以设定一个报警阈值,并在待监测车辆的风险监测结果超过该报警阈值时自动发出报警提示,或在待监测车辆的风险监测结果连续升高的情况下自动发出报警提示等等。可以理解的是,风险监测结果的应用场景还可以有很多,本实施在此不再一一举例,现有技术中常规的数据输出方式,均可适用于本实施例。
进一步的,作为图1所示方法的具体实现,本实施例提供了一种运营车辆的风险监控装置,如图2所示,该装置包括:数据获取模块21、数据处理模块22和结果输出模块23。
数据获取模块21,可用于周期性获取待监测车辆在各维度上的属性数据,其中,所述属性数据包括轨迹数据、驻停数据、设备报警数据、保证金数据、车辆价值数据和驾驶行为数据中的至少一种数据;
数据处理模块22,可用于根据待监测车辆在各维度上的属性数据,得到待监测车辆在各维度上的风险监测值;
结果输出模块23,可用于根据待监测车辆在各维度上的风险监测值,通过预先训练的风险预测模型,得到待监测车辆的风险监测结果。
在具体的应用场景中,所述数据获取模块21,具体可用于通过安装在待监测车辆上的GPS装置,实时采集待监测车辆的位置数据和设备报警数据,并将设备报警数据保存至数据库中;根据实时采集的待监测车辆的位置数据,生成待监测车辆的轨迹数据和驻停数据,并将轨迹数据和驻停数据保存至数据库中;周期性的从数据库中获取待监测车辆在上一时间周期内的轨迹数据、驻停数据、设备报警数据、保证金数据、车辆价值数据和驾驶行为数据中的至少一种数据。
在具体的应用场景中,所述数据处理模块22,具体可用于获取待监测车辆的业务类型;根据待监测车辆的业务类型,确定待监测车辆对应的轨迹预测模型,其中,轨迹预测模型基于孤立森林算法和随机森林算法训练得到;将待监测车辆的轨迹数据输入到轨迹预测模型中,得到待监测车辆的轨迹风险值。
在具体的应用场景中,所述数据处理模块22,具体可用于利用预设的驻停评分规则,根据待监测车辆的驻停数据中的驻停位置和驻停时间,得到待监测车辆的驻停风险值;和/或根据待监测车辆的设备报警数据中的当前设备报警类别和预设的报警类别评分表,得到待监测车辆的设备报警风险值。
在具体的应用场景中,所述数据处理模块22,具体可用于根据待监测车辆的保证金数据中的当前保证金数额与保证金总额之间的比值,得到待监测车辆的保证金风险值;根据待监测车辆的车辆价值数据中的车辆品牌价值和车辆残值,得到待监测车辆的车辆价值风险值;根据待监测车辆的驾驶行为数据中的一个记分周期内的违章次数和/或扣分分数,以及一个保险周期内的出险次数和/或出险金额,得到待监测车辆的驾驶行为风险值。
在具体的应用场景中,所述结果输出模块23,具体可用于根据预先训练的风险预测模型,确定待监测车辆在各维度上的风险监测值分别对应的权值;根据待监测车辆在各维度上的风险监测值分别对应的权值,对待监测车辆在各维度上的风险监测值进行加权求和,得到待监测车辆的风险监测结果。
在具体的应用场景中,本装置还包括结果展示模块34和数据查询模块35,结果展示模块34,可用于利用预设组件,对待监测车辆在各维度上的风险监测值和风险监测结果进行展示;所述数据查询模块35,可用于接收用户发送的数据查询请求,并根据数据查询请求,查询出待监测车辆在各维度上的属性数据,展示给用户进行查看。
需要说明的是,本实施例提供的一种运营车辆的风险监控装置所涉及各功能单元的其它相应描述,可以参考图1中的对应描述,在此不再赘述。
基于上述如图1所示方法,相应的,本实施例还提供了一种存储介质,其上存储有计算机程序,该程序被处理器执行时实现上述如图1所示的运营车辆的风险监控方法。
基于这样的理解,本申请的技术方案可以以软件产品的形式体现出来,该待识别软件产品可以存储在一个非易失性存储介质(可以是CD-ROM,U盘,移动硬盘等)中,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)执行本申请各个实施场景所述的方法。
基于上述如图1所示的方法,以及图2所示的运营车辆的风险监控装置实施例,为了实现上述目的,本实施例还提供了一种运营车辆的风险监控的实体设备,具体可以为个人计算机、服务器、智能手机、平板电脑、智能手表、或者其它网络设备等,该实体设备包括存储介质和处理器;存储介质,用于存储计算机程序;处理器,用于执行计算机程序以实现上述如图1所示的方法。
可选的,该实体设备还可以包括用户接口、网络接口、摄像头、射频(RadioFrequency,RF)电路,传感器、音频电路、WI-FI模块等等。用户接口可以包括显示屏(Display)、输入单元比如键盘(Keyboard)等,可选用户接口还可以包括USB接口、读卡器接口等。网络接口可选的可以包括标准的有线接口、无线接口(如WI-FI接口)等。
本领域技术人员可以理解,本实施例提供的一种运营车辆的风险监控的实体设备结构并不构成对该实体设备的限定,可以包括更多或更少的部件,或者组合某些部件,或者不同的部件布置。
存储介质中还可以包括操作系统、网络通信模块。操作系统是管理上述实体设备硬件和待识别软件资源的程序,支持信息处理程序以及其它待识别软件和/或程序的运行。网络通信模块用于实现存储介质内部各组件之间的通信,以及与信息处理实体设备中其它硬件和软件之间通信。
通过以上的实施方式的描述,本领域的技术人员可以清楚地了解到本申请可以借助软件加必要的通用硬件平台的方式来实现,也可以通过硬件实现。通过应用本申请的技术方案,首先周期性获取待监测车辆在各维度上的属性数据,包括轨迹数据、驻停数据、设备报警数据、保证金数据、车辆价值数据和驾驶行为数据等等,然后根据上述各种属性数据得到每一种属性数据对应的风险监测值,最后通过预先训练的风险预测模型对上述各维度的风险监测值进行处理,得到待监测车辆的风险监测结果。与现有技术相比,上述方法通过从各个维度采集运营车辆的属性数据,并根据各种属性数据评判出车辆在各个维度上承受的风险值,以及根据各维度的风险监测值评判出运营车辆的风险监测结果,可以有效的提高运营车辆风险监测的时效性和准确性,从而避免车辆运营方的财产受到损失。
本领域技术人员可以理解附图只是一个优选实施场景的示意图,附图中的模块或流程并不一定是实施本申请所必须的。本领域技术人员可以理解实施场景中的装置中的模块可以按照实施场景描述进行分布于实施场景的装置中,也可以进行相应变化位于不同于本实施场景的一个或多个装置中。上述实施场景的模块可以合并为一个模块,也可以进一步拆分成多个子模块。
上述本申请序号仅仅为了描述,不代表实施场景的优劣。以上公开的仅为本申请的几个具体实施场景,但是,本申请并非局限于此,任何本领域的技术人员能思之的变化都应落入本申请的保护范围。
Claims (10)
1.一种运营车辆的风险监控方法,其特征在于,所述方法包括:
周期性获取待监测车辆在各维度上的属性数据,其中,所述属性数据包括轨迹数据、驻停数据、设备报警数据、保证金数据、车辆价值数据和驾驶行为数据中的至少一种数据;
根据所述待监测车辆在各维度上的属性数据,得到待监测车辆在各维度上的风险监测值;
根据所述待监测车辆在各维度上的风险监测值,通过预先训练的风险预测模型,得到待监测车辆的风险监测结果。
2.根据权利要求1所述的方法,其特征在于,所述周期性获取待监测车辆在各维度上的属性数据,包括:
通过安装在所述待监测车辆上的GPS装置,实时采集所述待监测车辆的位置数据和设备报警数据,并将所述设备报警数据保存至数据库中;
根据所述实时采集的待监测车辆的位置数据,生成所述待监测车辆的轨迹数据和驻停数据,并将所述轨迹数据和驻停数据保存至数据库中;
周期性的从所述数据库中获取待监测车辆在上一时间周期内的轨迹数据、驻停数据、设备报警数据、保证金数据、车辆价值数据和驾驶行为数据中的至少一种数据。
3.根据权利要求1所述的方法,其特征在于,所述属性数据包括轨迹数据,所述风险监测值包括轨迹风险值;则所述根据待监测车辆在各维度上的属性数据,得到待监测车辆在各维度上的风险监测值,包括:
获取所述待监测车辆的业务类型;
根据所述待监测车辆的业务类型,确定所述待监测车辆对应的轨迹预测模型,其中,所述轨迹预测模型基于孤立森林算法和随机森林算法训练得到;
将所述待监测车辆的轨迹数据输入到所述轨迹预测模型中,得到所述待监测车辆的轨迹风险值。
4.根据权利要求1所述的方法,其特征在于,所述属性数据包括驻停数据和/或设备报警数据,所述风险监测值包括驻停风险值和设备报警风险值;则所述根据待监测车辆在各维度上的属性数据,得到待监测车辆在各维度上的风险监测值,包括:
利用预设的驻停评分规则,根据所述待监测车辆的驻停数据中的驻停位置和驻停时间,得到所述待监测车辆的驻停风险值;
和/或根据所述待监测车辆的设备报警数据中的当前设备报警类别和预设的报警类别评分表,得到所述待监测车辆的设备报警风险值。
5.根据权利要求1所述的方法,其特征在于,所述属性数据包括保证金数据、车辆价值数据和驾驶行为数据,所述风险监测值包括保证金风险值、车辆价值风险值和驾驶行为风险值;则所述根据待监测车辆在各维度上的属性数据,得到待监测车辆在各维度上的风险监测值,包括:
根据所述待监测车辆的保证金数据中的当前保证金数额与保证金总额之间的比值,得到所述待监测车辆的保证金风险值;
根据所述待监测车辆的车辆价值数据中的车辆品牌价值和车辆残值,得到所述待监测车辆的车辆价值风险值;
根据所述待监测车辆的驾驶行为数据中的一个记分周期内的违章次数和/或扣分分数,以及一个保险周期内的出险次数和/或出险金额,得到所述待监测车辆的驾驶行为风险值。
6.根据权利要求1所述的方法,其特征在于,所述根据待监测车辆在各维度上的风险监测值,通过预先训练的风险预测模型,得到待监测车辆的风险监测结果,包括:
根据所述预先训练的风险预测模型,确定所述待监测车辆在各维度上的风险监测值分别对应的权值;
根据所述待监测车辆在各维度上的风险监测值分别对应的权值,对所述待监测车辆在各维度上的风险监测值进行加权求和,得到所述待监测车辆的风险监测结果。
7.根据权利要求1所述的方法,其特征在于,所述方法还包括:
利用预设组件,对所述待监测车辆在各维度上的风险监测值和风险监测结果进行展示;
和/或接收用户发送的数据查询请求,并根据所述数据查询请求,查询出所述待监测车辆在各维度上的属性数据,展示给用户进行查看。
8.一种运营车辆的风险监控装置,其特征在于,所述装置包括:
数据获取模块,用于周期性获取待监测车辆在各维度上的属性数据,其中,所述属性数据包括轨迹数据、驻停数据、设备报警数据、保证金数据、车辆价值数据和驾驶行为数据中的至少一种数据;
数据处理模块,用于根据所述待监测车辆在各维度上的属性数据,得到待监测车辆在各维度上的风险监测值;
结果输出模块,用于根据所述待监测车辆在各维度上的风险监测值,通过预先训练的风险预测模型,得到待监测车辆的风险监测结果。
9.一种存储介质,其上存储有计算机程序,其特征在于,所述计算机程序被处理器执行时实现权利要求1至7中任一项所述的方法的步骤。
10.一种计算机设备,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,所述计算机程序被处理器执行时实现权利要求1至7中任一项所述的方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111071044.XA CN113743815A (zh) | 2021-09-13 | 2021-09-13 | 运营车辆的风险监控方法、装置、存储介质及计算机设备 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111071044.XA CN113743815A (zh) | 2021-09-13 | 2021-09-13 | 运营车辆的风险监控方法、装置、存储介质及计算机设备 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN113743815A true CN113743815A (zh) | 2021-12-03 |
Family
ID=78738408
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111071044.XA Pending CN113743815A (zh) | 2021-09-13 | 2021-09-13 | 运营车辆的风险监控方法、装置、存储介质及计算机设备 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113743815A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114092267A (zh) * | 2022-01-18 | 2022-02-25 | 成都车晓科技有限公司 | 基于机器学习的高风险车辆保险客户车险评估方法及系统 |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109934457A (zh) * | 2019-01-31 | 2019-06-25 | 长安大学 | 一种基于网约车行程中的风险评估方法 |
CN110827088A (zh) * | 2019-11-07 | 2020-02-21 | 深圳鼎然信息科技有限公司 | 基于大数据的用车成本预测方法、装置及存储介质 |
CN111126144A (zh) * | 2019-11-20 | 2020-05-08 | 浙江工业大学 | 一种基于机器学习的车辆轨迹异常检测方法 |
CN111160089A (zh) * | 2019-11-22 | 2020-05-15 | 南京航空航天大学 | 一种基于不同车辆类型的轨迹预测系统及方法 |
CN111310583A (zh) * | 2020-01-19 | 2020-06-19 | 中国科学院重庆绿色智能技术研究院 | 一种基于改进的长短期记忆网络的车辆异常行为识别方法 |
CN112183245A (zh) * | 2020-09-11 | 2021-01-05 | 广州宸祺出行科技有限公司 | 一种监测网约车司机异常行为并告警的方法、装置及电子设备 |
CN112967497A (zh) * | 2021-02-01 | 2021-06-15 | 吉林大学 | 共享汽车监管系统及监管方法 |
-
2021
- 2021-09-13 CN CN202111071044.XA patent/CN113743815A/zh active Pending
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109934457A (zh) * | 2019-01-31 | 2019-06-25 | 长安大学 | 一种基于网约车行程中的风险评估方法 |
CN110827088A (zh) * | 2019-11-07 | 2020-02-21 | 深圳鼎然信息科技有限公司 | 基于大数据的用车成本预测方法、装置及存储介质 |
CN111126144A (zh) * | 2019-11-20 | 2020-05-08 | 浙江工业大学 | 一种基于机器学习的车辆轨迹异常检测方法 |
CN111160089A (zh) * | 2019-11-22 | 2020-05-15 | 南京航空航天大学 | 一种基于不同车辆类型的轨迹预测系统及方法 |
CN111310583A (zh) * | 2020-01-19 | 2020-06-19 | 中国科学院重庆绿色智能技术研究院 | 一种基于改进的长短期记忆网络的车辆异常行为识别方法 |
CN112183245A (zh) * | 2020-09-11 | 2021-01-05 | 广州宸祺出行科技有限公司 | 一种监测网约车司机异常行为并告警的方法、装置及电子设备 |
CN112967497A (zh) * | 2021-02-01 | 2021-06-15 | 吉林大学 | 共享汽车监管系统及监管方法 |
Non-Patent Citations (1)
Title |
---|
王春华: "《基于Spark的下一代机器学习》", 机械工业出版社, pages: 182 * |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114092267A (zh) * | 2022-01-18 | 2022-02-25 | 成都车晓科技有限公司 | 基于机器学习的高风险车辆保险客户车险评估方法及系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US9053590B1 (en) | System and method for monitoring and predicting vehicle attributes | |
US20190344672A1 (en) | System and method for electric vehicle mobile payment | |
US7400268B2 (en) | System and method for utilizing RFID tags to manage automotive parts | |
US20130144805A1 (en) | Geospatial data based measurement of risk associated with a vehicular security interest in a vehicular loan portfolio | |
CN110599353A (zh) | 一种车辆出险和赔付率预测方法、装置、设备及介质 | |
CN106846153A (zh) | 一种车险赔付方法及系统 | |
CN113792782A (zh) | 运营车辆的轨迹监测方法、装置、存储介质及计算机设备 | |
CN115034821A (zh) | 一种车辆估值方法、装置、计算机设备及存储介质 | |
CN114841712B (zh) | 网约车巡游违规运营状态的确定方法和装置及电子设备 | |
US9799058B2 (en) | Vehicle valuation system and method | |
CN115384516A (zh) | 运输车的轮胎磨损里程计算方法、装置及设备 | |
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 | |
US20210019759A1 (en) | Method for reporting incidents involving vehicles | |
CN107507413A (zh) | 车辆位置预测方法及装置 | |
JP2011013719A (ja) | 運送事業用自動車保険料決定装置および運送事業用自動車保険料決定プログラム | |
KR20220111235A (ko) | 사고 성향에 기반하여 운전자를 평가하는 방법, 장치 및 프로그램 | |
US20210357913A1 (en) | Wallet server, wallet system, and program | |
JP6464053B2 (ja) | 管理装置、管理システムおよび車両情報提供方法 | |
Chaba | Influence of telematics of ubi insurance on the management of the fleet of company vehicles | |
CN112419049A (zh) | 额度确定方法和装置 | |
US20160313878A1 (en) | Apparatus and method for providing a digital garage | |
Bertini et al. | Technology considerations for the implementation of a statewide road user fee system | |
US20230133248A1 (en) | Utilization-specific vehicle selection and parameter adjustment | |
CN114238422B (zh) | 一种基于移动互联网的车辆召回跟踪系统 | |
US20240020609A1 (en) | System and method to facilitate autonomous machine risk relationships |
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 |