CN116070909A - 识别代驾风险的方法、装置、设备和存储介质 - Google Patents
识别代驾风险的方法、装置、设备和存储介质 Download PDFInfo
- Publication number
- CN116070909A CN116070909A CN202310027380.7A CN202310027380A CN116070909A CN 116070909 A CN116070909 A CN 116070909A CN 202310027380 A CN202310027380 A CN 202310027380A CN 116070909 A CN116070909 A CN 116070909A
- Authority
- CN
- China
- Prior art keywords
- driver
- risk
- matching
- determining
- order
- 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
- 238000000034 method Methods 0.000 title claims abstract description 52
- 230000008569 process Effects 0.000 description 7
- 206010039203 Road traffic accident Diseases 0.000 description 6
- 230000006399 behavior Effects 0.000 description 6
- 238000010586 diagram Methods 0.000 description 4
- 238000012545 processing Methods 0.000 description 4
- 238000004891 communication Methods 0.000 description 3
- 230000000694 effects Effects 0.000 description 3
- 230000006870 function Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 238000003491 array Methods 0.000 description 1
- 238000013473 artificial intelligence Methods 0.000 description 1
- 238000004590 computer program Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000012502 risk assessment Methods 0.000 description 1
- 238000006467 substitution reaction Methods 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
- 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
- G06Q30/0601—Electronic shopping [e-shopping]
- G06Q30/0633—Lists, e.g. purchase orders, compilation or processing
- G06Q30/0635—Processing of requisition or of purchase orders
-
- 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
- G06Q30/0601—Electronic shopping [e-shopping]
- G06Q30/0639—Item locations
-
- 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
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/40—Business processes related to the transportation industry
Landscapes
- Business, Economics & Management (AREA)
- Engineering & Computer Science (AREA)
- Human Resources & Organizations (AREA)
- Economics (AREA)
- Strategic Management (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- General Business, Economics & Management (AREA)
- Finance (AREA)
- Marketing (AREA)
- Accounting & Taxation (AREA)
- Theoretical Computer Science (AREA)
- Development Economics (AREA)
- Tourism & Hospitality (AREA)
- Entrepreneurship & Innovation (AREA)
- Educational Administration (AREA)
- Quality & Reliability (AREA)
- Operations Research (AREA)
- Game Theory and Decision Science (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Primary Health Care (AREA)
- Financial Or Insurance-Related Operations Such As Payment And Settlement (AREA)
Abstract
本申请涉及一种识别代驾风险方法、装置、设备和存储介质,该方法包括:将客户的订单请求与已上线工作的代驾司机进行匹配,并确定匹配成功时的司乘匹配时差;根据所述订单请求的类型、所述代驾司机的身份信息和所述司乘匹配时差,确定订单的行前骗保风险;根据在所述匹配成功时所述代驾司机的位置与所述订单请求中起始点位置的距离确定司乘匹配距离;根据报险位置与所述订单请求中起始点位置的距离确定行驶里程;根据所述行前骗保风险、所述司乘匹配距离和所述行驶里程确定所述订单的最终骗保风险。本申请通过考虑行前骗保风险和行中骗保风险,可以有效且低成本地识别出某一订单可能实施骗保的风险。
Description
技术领域
本申请涉及计算机技术领域,特别是涉及一种识别代驾风险的方法、装置、设备和存储介质。
背景技术
当前,代驾业务和平台服务发展迅速。为了保障乘客财产安全以及司乘人身安全,在代驾业务中都会为订单投保。但是,在系统识别代驾司机的保险订单时,往往存在风险。通过对过往出险记录分析可知,目前有几种常见的骗保风险场景:第一,司机走私单,出险后线下报单,伪造现场骗保;第二,代驾司机出了险,车主把不是本次事故造成的损坏处算成本次事故责任,要求赔偿;第三,车主的车本身就有问题或车主自己刚刚把车撞坏,然后叫了代驾,跟代驾司机商量私下给多少钱,由司机报保险;第四,定损员定损金额高于正常金额本。
一旦风险发生,会造成很大的损失。现有技术中,识别代驾订单的风险的方式为:一方面是线下安全员人工核实,但是代驾订单一般发生在夜晚或者凌晨,安全员的到场率比较低,不能有效识别骗保风险;二是线上人工听录音,查出险时间、查事故订单行程、查出险地点、查现场录像,人力成本投入比较大。因此,如何高效、准确识别代驾订单风险是亟需解决的问题。
发明内容
基于此,本申请提供了一种识别代驾风险的方法、装置、设备和存储介质,以解决现有技术中存在的问题。
第一方面,提供一种识别代驾风险的方法,该方法包括:
将客户的订单请求与已上线工作的代驾司机进行匹配,并确定匹配成功时的司乘匹配时差;
根据所述订单请求的类型、所述代驾司机的身份信息和所述司乘匹配时差,确定订单的行前骗保风险;
根据在所述匹配成功时所述代驾司机的位置与所述订单请求中起始点位置的距离确定司乘匹配距离;
根据报险位置与所述订单请求中起始点位置的距离确定行驶里程;
根据所述行前骗保风险、所述司乘匹配距离和所述行驶里程确定所述订单的最终骗保风险。
根据本申请实施例中一种可实现的方式,所述将客户的订单请求与已上线工作的代驾司机进行匹配,并确定匹配成功时的司乘匹配时差,具体包括:
接收客户的所述订单请求;
将所述订单请求与已上线工作的代驾司机进行匹配并确定匹配成功时间;
确定所述代驾司机上线工作的时间点到所述匹配成功时间的时间间隔作为司乘匹配时差。
根据本申请实施例中一种可实现的方式,所述根据所述订单请求的类型、所述代驾司机的身份信息和所述司乘匹配时差,确定订单的行前骗保风险,具体包括:
根据所述代驾司机的身份信息获取所述代驾司机的历史记录;
根据所述订单请求的类型、所述代驾司机的历史记录和所述司乘匹配时差执行规则运算,确定订单的行前骗保风险为低风险还是中风险。
根据本申请实施例中一种可实现的方式,所述根据报险位置与所述订单请求中起始点位置的距离确定行驶里程,具体包括:
接收所述代驾司机报险的信息;
根据所述信息确定报险位置;
根据所述报险位置与所述订单请求中起始点位置的距离确定行驶里程。
根据本申请实施例中一种可实现的方式,所述根据所述行前骗保风险、所述司乘匹配距离和所述行驶里程确定所述订单的最终骗保风险,具体包括:
将所述司乘匹配距离和所述行驶里程输入判断模型中确定所述订单的行中骗保风险为第一风险或者第二风险;
若所述行前骗保风险为低风险,则所述订单的最终骗保风险不为高风险;
若所述行前骗保风险为中风险,而所述行中骗保风险为第一风险,则所述订单的最终骗保风险不为高风险;
若所述行前骗保风险为中风险,而所述行中骗保风险为第二风险,则所述订单的最终骗保风险为高风险。
根据本申请实施例中一种可实现的方式,在判断所述订单的行前骗保风险为中风险时,向所述代驾司机发出第一指令。
根据本申请实施例中一种可实现的方式,在所述订单的最终骗保风险为高风险时,采取第一措施。
第二方面,提供了一种识别代驾风险的装置,该装置包括:
司乘匹配时差确定模块:用于将客户的订单请求与已上线工作的代驾司机进行匹配,并确定匹配成功时的司乘匹配时差;
行前骗保风险确定模块:用于根据所述订单请求的类型和所述司乘匹配时差,确定订单的行前骗保风险;
司乘匹配距离确定模块:用于根据在所述匹配成功时所述代驾司机的位置与所述订单请求中起始点位置的距离确定司乘匹配距离;
行驶里程确定模块:用于根据报险位置与所述订单请求中起始点位置的距离确定行驶里程;
最终骗保风险确定模块:用于根据所述行前骗保风险、所述司乘匹配距离和所述行驶里程确定所述订单的最终骗保风险。
第三方面,提供了一种计算机设备,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计算机指令,所述计算机指令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第一方面中涉及的方法。
第四方面,提供了一种计算机可读存储介质,其上存储有计算机指令,其特征在于,所述计算机指令用于使计算机执行上述第一方面中涉及的方法。
根据本申请实施例所提供的技术内容,本申请通过将客户的订单请求与已上线工作的代驾司机进行匹配,并确定匹配成功时的司乘匹配时差;根据订单请求的类型、代驾司机的身份信息和司乘匹配时差,确定订单的行前骗保风险;根据在匹配成功时代驾司机的位置与订单请求中起始点位置的距离确定司乘匹配距离;根据报险位置与订单请求中起始点位置的距离确定行驶里程;根据行前骗保风险、司乘匹配距离和行驶里程确定订单的最终骗保风险。由此,本申请提供了一种通过考虑订单行前骗保风险和行中骗保风险的识别代驾订单风险的方法,可以有效且低成本地识别出某一订单可能实施骗保操作的可能性,高效、准确识别代驾订单的风险。同时根据对应的判断结果发出相应的指令或者执行相应的操作,从而实现降低骗保的成功率。
附图说明
图1为一个实施例中识别代驾风险的方法的流程示意图;
图2为判断订单行前风险和基于风险发出指令的流程图;
图3一个实施例中识别代驾风险的装置的结构框图;
图4一个实施例中计算机设备的示意性结构图。
具体实施方式
以下结合附图及实施例,对本申请进行进一步详细说明。应当理解,此处描述的具体实施例仅仅用以解释本申请,并不用于限定本申请。
图1为本申请实施例提供的一种识别代驾风险的方法的流程图,如图1所示,该方法可以包括以下步骤:
步骤101:将客户的订单请求与已上线工作的代驾司机进行匹配,并确定匹配成功时的司乘匹配时差。
具体地,若接收到用户端发来的的代驾请求,则将请求与已经在登陆在线的且可以进行匹配的代驾司机进行匹配。在完成匹配之后,计算代驾司机登陆上线的时间与订单完成匹配的时间的时间差,并将这一时间差记为司乘匹配时差。用户端可以是手机、平板电脑、台式电脑等电子终端。司机上线工作可以为上线登录某代驾平台或程序,如APP等。
步骤102:根据订单请求的类型、代驾司机的身份信息和司乘匹配时差,确定订单的行前骗保风险。
具体地,接收到客户端的代驾请求有两种情形,一种是客户在代驾软件上下单,由软件将数据发送给对应的服务器,服务器根据预设的算法匹配对应的可以工作的代驾司机。一种是客户与代驾司机通过线下沟通,确定某一个代驾司机为其服务,由代驾司机从司机端软件中输入客户手机号促成订单,这样可以避免系统随机匹配代驾司机,而达到指定代驾司机的目的。由于两种匹配方式的不同,导致两种情形之下的,客户和代驾司机之间达成合意的几率存在显著差别。采用由司机端输入客户手机号,意味着二者是相识之人,而熟人之间达成骗保的合意比陌生人之间更为方便。由于人的行为具有一定的连续性,因此,通过获取代驾司机的身份信息可以获取代驾司机历史上的行为数据,进而判断其进行骗保行为的风险系数。而司乘匹配时差意味着客户是突发找到代驾司机还是二者达成一致后,通过代驾系统进行骗保。由于,上述行为都只是发生在订单匹配成功时,因此只是将上述三组数据进行综合判断之后得出一个行前骗保风险。
步骤103:根据在匹配成功时代驾司机的位置与订单请求中起始点位置的距离确定司乘匹配距离。
具体地,由于骗保存在被揭穿的可能性,因此,代驾司机和客户在达成一致时往往需要衡量已经存在的交通事故造成的损伤,通过判断代驾司机在订单匹配成功时代驾司机的位置与订单请求中出发点的位置之间的距离,判断二者之间的串谋的可能性。
步骤104:根据报险位置与订单请求中起始点位置的距离确定行驶里程。
具体地,由于在我国,路上的摄像头很多,车辆在路上行使,会被多个摄像头拍中,而如果车辆的损害是之前的交通事故造成的,那么在车辆行使过程中可能被拍到,因此,为了避免被拍到的概率,代驾司机和客户极可能选择缩短行使路程,就故意制造交通事故或者其他情形,然后出险。因此,保险位置与订单请求中起始位置之间的距离是进行骗保的一个重要指标或参数。
步骤105:根据行前骗保风险、司乘匹配距离和行驶里程确定订单的最终骗保风险。
具体地,通过行前骗保风险判断二者达成预谋的可能性,通过司乘匹配距离和行使里程判断二者在订单履行过程中的实现串谋的可能性,进而可以根据上述两个可能性,判断本次订单被骗保的风险。
可以看出,本申请实施例通过将客户的订单请求与已上线工作的代驾司机进行匹配,并确定匹配成功时的司乘匹配时差;根据订单请求的类型、代驾司机的身份信息和司乘匹配时差,确定订单的行前骗保风险;根据在匹配成功时代驾司机的位置与订单请求中起始点位置的距离确定司乘匹配距离;根据报险位置与订单请求中起始点位置的距离确定行驶里程;根据行前骗保风险、司乘匹配距离和行驶里程确定订单的最终骗保风险。由此,本申请提供了一种考虑订单的行前骗保风险和行中骗保风险的识别代驾订单风险的方法,可以有效且低成本地识别出某一订单可能实施骗保操作的可能性。
下面结合实施例对上述步骤101即“将客户的订单请求与已上线工作的代驾司机进行匹配,并确定匹配成功时的司乘匹配时差,具体包括:接收客户的订单请求;将订单请求与已上线工作的代驾司机进行匹配并确定匹配成功时间;确定代驾司机上线工作的时间点到匹配成功时间的时间间隔作为司乘匹配时差。”进行详细描述。
在本申请的一个实施例中,步骤101包括两种情形,一种是客户从客户端下单,系统服务器在已经上线的可工作的代驾司机之间进行匹配,这种方式称为线上订单。还有一种方式是,客户直接与代驾司机联系确定代驾需求,由代驾司机在司机端将客户的联系方式输入至系统中,完成订单的匹配,这种方式称为线下订单。在完成匹配之后,根据司机已经上线的时间点和本次订单的匹配的时间点的时间间隔确定司乘匹配时差。司乘匹配时差是反映客户和代驾司机之间达成骗保合意的一个重要指标。同时,线下订单中客户与代驾司机达成合意的可能性更大。
下面结合实施例对上述步骤102即“根据订单请求的类型、代驾司机的身份信息和司乘匹配时差,确定订单的行前骗保风险,具体包括:根据代驾司机的身份信息获取代驾司机的历史记录;根据订单请求的类型、代驾司机的历史记录和司乘匹配时差执行规则运算,确定订单的行前骗保风险为低风险或者中风险。”进行详细描述。
在本申请的一个实施例中,根据代驾司机的身份信息,可以查询数据库中司机的历史信息尤其是否存在骗保的历史信息。进而结合前述的订单类型和司乘匹配时差确定初步判断存在骗保的风险度。如果订单的类型为线上订单,由于客户和代驾司机的随机匹配性,并出于降低整个流程的整体成本考虑,不将这种情形下产生的订单列为中风险,而是作为低风险予以标注。本申请重点关注的是线下订单的匹配和履行过程。如果订单是线下达成,则意味着本次订单本身即具有相应的较高风险性,进而结合司机的历史信息和司乘匹配时差通过规则运算确定本次订单的风险度是否达到预定的阈值,若达到则定为中风险,若未达到则定为低风险。
下面结合实施例对上述步骤104即“根据报险位置与订单请求中起始点位置的距离确定行驶里程,具体包括:接收代驾司机报险的信息;根据信息确定报险位置;根据报险位置与订单请求中起始点位置的距离确定行驶里程。”进行详细描述。
在本申请的一个实施例中,一方面,若接收到用户通过终端发送的报险数据,将终端当前的位置信息作为订单生成位置具体可以为:读取用户在利用终端发送订单数据的终端位置信息,并将终端位置信息确定为报险生成位置。其中,获取终端位置信息的方式包括但不限于全球卫星定位系统(GlobalPositioningSystem,GPS)、移动位置基站系统(LocationBasedService,LBS)或者其结合等等。例如,通过移动位置基站系统(LocationBasedService,LBS)获取终端位置信息。另一方面,可以根据用户端或者司机端报告的位置进行判断。
进一步,本申请根据行前骗保风险、司乘匹配距离和行驶里程确定订单的最终骗保风险,具体包括:将司乘匹配距离和行驶里程输入判断模型中确定订单的行中骗保风险为第一风险或者第二风险;若行前骗保风险为低风险,则订单的最终骗保风险不为高风险;若行前骗保风险为中风险,而行中骗保风险为第一风险,则订单的最终骗保风险不为高风险;若若行前骗保风险为中风险,而行中骗保风险为第二风险,则订单的最终骗保风险为高风险。”进行详细描述。
在本申请的一个实施例中,进一步判断行中骗保的风险,若将司乘匹配距离和行驶里程输入判断模型中,得出行中骗保分险为第一风险还是第二风险,其中第一风险可以为低分险,第二风险为中风险,判断模型可以为BI规则引擎。因此,本申请只有在行前骗保风险为中风险,以及行中骗保风险为中风险的情况下,才将最终骗保风险定为高风险,并基于高风险采取对应的措施。
进一步,结合图2所示,本申请在判断订单的行前骗保风险为中风险时,向代驾司机发出第一指令。对此,进行详细描述:
在本申请的一个实施例中,判断订单的类型,计算司机开始上线工作的时间和司机接到订单的时间的时间间隔(下称司乘匹配时差);如果订单是司机端APP主动输入乘客手机号促成的订单,且司乘匹配时被风控模型命中,则可以判定该订单有骗保中风险。
服务端会将中风险返回给司机端,司机在开始行程前,必须进行车辆拍照,包括车辆左前45度照片,车辆右后45度照片,以及其他角度补充照片。通过行前拍照,一方面可以对司机起到警示作用,增加骗保难度;另一方面一旦报险,行前照片可以作为判责的依据.同时服务端会给该订单打上骗保风险标签,在服务管理后台透给工作人员。
具体地,结合图2可知,用户端201发送携带订单类型信息和代驾司机的身份信息组成的询问信息202至风控服务器203,分控服务器203封装部分特征204询问BI规则引擎服务205。BI规则引擎服务205先发送司机身份信息206至数据库207查询司机的历史信息尤其是骗保历史信息208,数据库207将查询结果数据208发送给B1规则引擎服务205。BI规则引擎服务205根据查询到的信息、订单类型信息和确定的司乘匹配时差执行相应的规则计算司机骗保的风险209,并发送给风控服务器203,由发送给风控服务器203产生相应的指令210至司机端,司机端210的司机看到相应指令之后,执行拍照等动作。
当然,在最终确定本次司机确实存在骗保行为之后,将相应的数据存入数据库207是一种常规操作。
进一步,本申请在订单的最终骗保风险为高风险时,采取第一措施。
在本申请的一个实施例中,如果在行驶过程中司机报险,司机端会实时请求服务端进行骗保风险评估.服务端计算司乘匹配距离以及行驶里程.如果订单在命中中风险的基础上,且司乘匹配距离和行驶里程都在一定阈值范围内,可以判断该订单有骗保高风险;服务端会返回司机端该订单有骗保高风险,司机端收到请求后会播报骗保法律责任,同时限制司机线上出险,只允许电话联系安全员,提高骗保的难度。
司机在服务过程中,如果点击司机端APP上的”报险”按钮,APP会先向服务端发送请求,询问该次报险有无骗保风险;服务端会计算司机接到订单时司机位置和乘客位置的距离(下称司乘匹配距离)以及司机开始服务的位置和报险时的位置的距离(下称行驶里程),如果订单在命中中风险的基础上,且司乘匹配距离和行驶里程被风控模型命中,则可以判定该订单有骗保高风险;然后服务端会返回司机端该订单有骗保高风险。司机端收到请求后会播报骗保法律责任,同时限制司机线上报险功能,只允许电话联系安全保险,提高骗保的难度.
本申请的实施例通过对司机行为数据和行驶轨迹数据进行特征提取,建立骗保风险模型,识别骗保风险且对司机行为进行干预;行前拍照,对司机起到警示作用,提高骗保难度,降低了报险率;出现前关闭线上报险入口,提高骗保难度,且能第一时间通知安全员到场识别,能更好判断是否骗保。
应该理解的是,虽然图1的流程图中的各个步骤按照箭头的指示依次显示,但是这些步骤并不是必然按照箭头指示的顺序依次执行。除非本申请中有明确的说明,这些步骤的执行并没有严格的顺序限制,这些步骤可以以其它的顺序执行。而且,图1中的至少一部分步骤可以包括多个子步骤或者多个阶段,这些子步骤或者阶段并不必然是在同一时刻执行完成,而是可以在不同的时刻执行,这些子步骤或者阶段的执行顺序也不必然是依次进行,而是可以与其它步骤或者其它步骤的子步骤或者阶段的至少一部分轮流或者交替地执行。
图3为本申请实施例提供的一种识别代驾风险的装置的结构示意图,如图3所示,该装置可以包括:司乘匹配时差确定模块301、行前骗保风险确定模块302、司乘匹配距离确定模块303、行驶里程确定模块304和最终骗保风险确定模块305。其中各组成模块的主要功能如下:
司乘匹配时差确定模块301:用于将客户的订单请求与已上线工作的代驾司机进行匹配,并确定匹配成功时的司乘匹配时差;
行前骗保风险确定模块302:用于根据订单请求的类型、代驾司机的身份信息和司乘匹配时差,确定订单的行前骗保风险;
司乘匹配距离确定模块303:用于根据在匹配成功时代驾司机的位置与订单请求中起始点位置的距离确定司乘匹配距离;
行驶里程确定模块304:用于根据报险位置与订单请求中起始点位置的距离确定行驶里程;
最终骗保风险确定模块305:用于根据行前骗保风险、司乘匹配距离和行驶里程确定订单的最终骗保风险。
司乘匹配时差确定模块301具体用于若接收到用户端发来的的代驾请求,则将请求与已经在登陆在线的且可以进行匹配的代驾司机进行匹配。在完成匹配之后,计算代驾司机当日初次登陆在线的时间与完成匹配的时间的时间差,并将这一时间差记为司乘匹配时差。用户端可以是手机、平板电脑、台式电脑等电子终端。
行前骗保风险确定模块302具体用于接收到客户端的代驾请求有两种情形,一种是客户在代驾软件上下单,由软件将数据发送给对应的服务器,服务器根据预设的算法匹配对应的可以工作的代驾司机。一种是客户与代驾司机通过线下沟通,确定某一个代驾司机为其服务,由代驾司机从司机端软件中输入客户手机号促成订单,这样可以避免系统随机匹配代驾司机,而达到指定代驾司机的目的。由于两种匹配方式的不同,导致两种情形之下的,客户和代驾司机之间达成共谋的几率存在显著差别。采用由司机端输入客户手机号,意味着二者是相识之人,而熟人之间达成骗保的合意比陌生人之间更为方便。由于人的行为具有一定的连续性,因此,通过获取代驾司机的身份信息可以获取代驾司机历史上的行为数据,进而判断其进行骗保行为的风险系数。而司乘匹配时差意味着客户是突发找到代驾司机还是二者达成一致后,通过代驾系统进行骗保。由于,上述行为都只是发生在订单匹配成功时,因此只是将上述三组数据进行综合判断之后得出一个行前骗保风险。
司乘匹配距离确定模块303具体用于由于骗保存在被揭穿的可能性,因此,代驾司机和客户在达成一致时往往需要衡量已经存在的交通事故造成的损伤,通过判断代驾司机在订单匹配成功时代驾司机的位置与订单请求中出发点的位置之间的距离,判断二者之间的串谋的可能性。
行驶里程确定模块304具体用于由于在我国,路上的摄像头很多,车辆在路上行使,会被多个摄像头拍中,而如果车辆的损害是之前的交通事故造成的,那么在车辆行使过程中可能被拍到,因此,为了避免被拍到的概率,代驾司机和客户极可能选择缩短行使路程,就故意制造交通事故或者其他情形,然后出险。因此,保险位置与订单请求中起始位置之间的距离是进行骗保的一个重要指标或参数。
最终骗保风险确定模块305具体用于通过行前骗保风险判断二者达成预谋的可能性,通过司乘匹配距离和行使里程判断二者在订单履行过程中的实现串谋的可能性,进而可以根据上述两个可能性,判断本次订单被骗保的风险。
根据本申请提供的具体实施例,本申请所提供的技术方案可以具备以下优点:
可以看出,本申请实施例通过将客户的订单请求与已上线工作的代驾司机进行匹配,并确定匹配成功时的司乘匹配时差;根据订单请求的类型、代驾司机的身份信息和司乘匹配时差,确定订单的行前骗保风险;根据在匹配成功时代驾司机的位置与订单请求中起始点位置的距离确定司乘匹配距离;根据报险位置与订单请求中起始点位置的距离确定行驶里程;根据行前骗保风险、司乘匹配距离和行驶里程确定订单的最终骗保风险。由此本申请提供了一种通过考虑行前骗保风险和行中骗保风险的技术方案,可以有效地识别出某一订单可能实施骗保操作的可能性。
上述各个实施例之间相同相似的部分互相参见即可,每个实施例重点说明的都是与其他实施例的不同之处。尤其,对于装置实施例而言,由于其基本相似于方法实施例,所以描述的比较简单,相关之处参见方法实施例的部分说明即可。
需要说明的是,本申请实施例中可能会涉及到对用户数据的使用,在实际应用中,可以在符合所在国的适用法律法规要求的情况下(例如用户明确同意,对用户切实通知,用户明确授权等),在适用法律法规允许的范围内在本文描述的方案中使用用户特定的个人数据。
根据本申请的实施例,本申请还提供了一种计算机设备、一种计算机可读存储介质。本申请还提供了一种计算机设备,包括至少一个处理器,以及与至少一个处理器通信连接的存储器;其中,存储器存储有可被至少一个处理器执行的计算机指令,计算机指令被至少一个处理器执行,以使至少一个处理器能够执行上述任一实施例识别代驾风险的方法。
如图4所示,是根据本申请实施例的计算机设备的框图。计算机设备旨在表示各种形式的数字计算机或移动装置。其中数字计算机可以包括台式计算机、便携式计算机、工作台、个人数字助理、服务器、大型计算机和其它适合的计算机。移动装置可以包括平板电脑、智能电话、可穿戴式设备等。
如图4所示,计算机设备400包括计算单元401、ROM402、RAM403、总线404以及输入/输出(I/O)接口405,计算单元401、ROM402以及RAM403通过总线404彼此相连。输入/输出(I/O)接口405也连接至总线404。
计算单元401可以根据存储在只读存储器(ROM)402中的计算机指令或者从存储单元408加载到随机访问存储器(RAM)403中的计算机指令,来执行本申请方法实施例中的各种处理。计算单元401可以是各种具有处理和计算能力的通用和/或专用处理组件。计算单元401可以包括但不限于中央处理单元(CPU)、图形处理单元(GPU)、各种专用的人工智能(AI)计算芯片、各种运行机器学习模型算法的计算单元、数字信号处理器(DSP)、以及任何适当的处理器、控制器、微控制器等。在一些实施例中,本申请实施例提供的方法可被实现为计算机软件程序,其被有形地包含于计算机可读存储介质,例如存储单元408。
RAM403还可存储设备400操作所需的各种程序和数据。计算机程序的部分或者全部可以经由ROM402和/或通信单元409而被载入和/或安装到设备400上。
计算机设备400中的输入单元406、输出单元407、存储单元408和通信单元409可以连接至I/O接口405。其中,输入单元406可以是诸如键盘、鼠标、触摸屏、麦克风等;输出单元407可以是诸如显示器、扬声器、指示灯等。设备400能够通过通信单元409与其他设备进行信息、数据等的交换。
需要说明的是,该设备还可以包括实现正常运行所必需的其他组件。也可以仅包含实现本申请方案所必需的组件,而不必包含图中所示的全部组件。
此处描述的系统和技术的各种实施方式可以在数字电子电路系统、集成电路系统、场可编程门阵列(FPGA)、专用集成电路(ASIC)、专用标准产品(ASSP)、芯片上系统的系统(SOC)、负载可编程逻辑设备(CPLD)、计算机硬件、固件、软件和/或它们的组合中实现。
用于实施本申请的方法的计算机指令可以采用一个或多个编程语言的任何组合来编写。这些计算机指令可以提供给计算单元401,使得计算机指令当由诸如处理器等计算单元401执行时使执行本申请方法实施例中涉及的各步骤。
本申请还提供了一种计算机可读存储介质,其上存储有计算机指令,所述计算机指令用于使计算机执行上述任一实施例所述识别代驾风险的方法。
本申请提供的计算机可读存储介质可以是有形的介质,其可以包含或存储计算机指令,用以执行本申请方法实施例中涉及的各步骤。计算机可读存储介质可以包括但不限于电子的、磁性的、光学的、电磁的等形式的存储介质。
上述具体实施方式,并不构成对本申请保护范围的限制。本领域技术人员应该明白的是,根据设计要求和其他因素,可以进行各种修改、组合、子组合和替代。任何在本申请的精神和原则之内所作的修改、等同替换和改进等,均应包含在本申请保护范围之内。
Claims (10)
1.一种识别代驾风险的方法,其特征在于,该方法包括:
将客户的订单请求与已上线工作的代驾司机进行匹配,并确定匹配成功时的司乘匹配时差;
根据所述订单请求的类型、所述代驾司机的身份信息和所述司乘匹配时差,确定订单的行前骗保风险;
根据所述匹配成功时所述代驾司机的位置与所述订单请求中起始点位置的距离确定司乘匹配距离;
根据报险位置与所述订单请求中起始点位置的距离确定行驶里程;
根据所述行前骗保风险、所述司乘匹配距离和所述行驶里程确定所述订单的最终骗保风险。
2.根据权利要求1所述的识别代驾风险的方法,其特征在于,所述将客户的订单请求与已上线工作的代驾司机进行匹配,并确定匹配成功时的司乘匹配时差,具体包括:
接收客户的所述订单请求;
将所述订单请求与已上线工作的代驾司机进行匹配并确定匹配成功时间点;
确定所述代驾司机上线工作的时间点到所述匹配成功时间的时间点的时间间隔作为司乘匹配时差。
3.根据权利要求1或2所述的识别代驾风险的方法,其特征在于,所述根据所述订单请求的类型、所述代驾司机的身份信息和所述司乘匹配时差,确定订单的行前骗保风险,具体包括:
根据所述代驾司机的身份信息获取所述代驾司机的历史记录;
根据所述订单请求的类型、所述代驾司机的历史记录和所述司乘匹配时差执行规则运算,确定订单的行前骗保风险为低风险或者中风险。
4.根据权利要求1或2所述的识别代驾风险的方法,其特征在于,所述根据报险位置与所述订单请求中起始点位置的距离确定行驶里程,具体包括:
接收所述代驾司机报险的信息;
根据所述信息确定报险位置;
根据所述报险位置与所述订单请求中起始点位置的距离确定行驶里程。
5.根据权利要求所述3的识别代驾风险的方法,其特征在于,所述根据所述行前骗保风险、所述司乘匹配距离和所述行驶里程确定所述订单的最终骗保风险,具体包括:
将所述司乘匹配距离和所述行驶里程输入判断模型中确定所述订单的行中骗保风险为第一风险或者第二风险;
若所述行前骗保风险为低风险,则所述订单的最终骗保风险不为高风险;
若所述行前骗保风险为中风险,而所述行中骗保风险为第一风险,则所述订单的最终骗保风险不为高风险;
若所述行前骗保风险为中风险,而所述行中骗保风险为第二风险,则所述订单的最终骗保风险为高风险。
6.根据权利要求3所述的识别代驾风险的方法,其特征在于,在判断所述订单的行前骗保风险为中风险时,向所述代驾司机发出第一指令。
7.根据权利要求5所述的识别代驾风险的方法,其特征在于,在所述订单的最终骗保风险为高风险时,采取第一措施。
8.一种识别代驾风险的装置,其特征在于,该装置包括:
司乘匹配时差确定模块:用于将客户的订单请求与已上线工作的代驾司机进行匹配,并确定匹配成功时的司乘匹配时差;
行前骗保风险确定模块:用于根据所述订单请求的类型、所述代驾司机的身份信息和所述司乘匹配时差,确定订单的行前骗保风险;
司乘匹配距离确定模块:用于根据所述匹配成功时所述代驾司机的位置与所述订单请求中起始点位置的距离确定司乘匹配距离;
行驶里程确定模块:用于根据报险位置与所述订单请求中起始点位置的距离确定行驶里程;
最终骗保风险确定模块:用于根据所述行前骗保风险、所述司乘匹配距离和所述行驶里程确定所述订单的最终骗保风险。
9.一种计算机设备,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计算机指令,所述计算机指令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权利要求1-7中任一项所述的方法。
10.一种计算机可读存储介质,其上存储有计算机指令,其特征在于,所述计算机指令用于使计算机执行权利要求1至7中任一项所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310027380.7A CN116070909A (zh) | 2023-01-09 | 2023-01-09 | 识别代驾风险的方法、装置、设备和存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310027380.7A CN116070909A (zh) | 2023-01-09 | 2023-01-09 | 识别代驾风险的方法、装置、设备和存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN116070909A true CN116070909A (zh) | 2023-05-05 |
Family
ID=86183262
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310027380.7A Pending CN116070909A (zh) | 2023-01-09 | 2023-01-09 | 识别代驾风险的方法、装置、设备和存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116070909A (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117853305A (zh) * | 2024-03-07 | 2024-04-09 | 中国标准化研究院 | 基于大数据的汽车代驾服务质量监控方法及系统 |
CN118469311A (zh) * | 2024-07-12 | 2024-08-09 | 广东车卫士信息科技有限公司 | 基于代驾服务的监控预警方法及系统 |
-
2023
- 2023-01-09 CN CN202310027380.7A patent/CN116070909A/zh active Pending
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117853305A (zh) * | 2024-03-07 | 2024-04-09 | 中国标准化研究院 | 基于大数据的汽车代驾服务质量监控方法及系统 |
CN118469311A (zh) * | 2024-07-12 | 2024-08-09 | 广东车卫士信息科技有限公司 | 基于代驾服务的监控预警方法及系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US11669911B1 (en) | Automated accident detection, fault attribution, and claims processing | |
CN116070909A (zh) | 识别代驾风险的方法、装置、设备和存储介质 | |
CN106651602A (zh) | 一种基于adas智能车载终端的车险管理服务系统 | |
WO2019178769A1 (zh) | 车辆评估方法、装置及设备 | |
US9019092B1 (en) | Determining whether a vehicle is parked for automated accident detection, fault attribution, and claims processing | |
US20130144805A1 (en) | Geospatial data based measurement of risk associated with a vehicular security interest in a vehicular loan portfolio | |
CN206684779U (zh) | 一种基于adas智能车载终端的车险管理服务系统 | |
CN109214258B (zh) | 失驾人员违规驾驶的检测方法及装置 | |
CN111953789A (zh) | 基于语音识别的网约车异常驾驶环境监督系统及方法 | |
TWM602258U (zh) | 車體定損輔助系統 | |
CN110956567A (zh) | 一种基于物联网的智能物流的实现方法、装置及系统 | |
US11631100B2 (en) | Apparatus and method for providing ICT-based driver-specific evaluation analysis and reward platform for two-wheeled vehicle driving | |
CN113781454A (zh) | 一种车辆损伤检测方法、装置、设备及存储介质 | |
KR20220010510A (ko) | 차량 운전자의 책임을 계산하기 위한 시스템 및 방법 | |
CN110689443A (zh) | 出险数据处理方法、装置及存储介质、服务器 | |
CN112241127B (zh) | 自动驾驶安全评分方法、装置、计算机设备和存储介质 | |
CN109345395A (zh) | 一种保险理赔的反欺诈系统及方法 | |
CN115907595A (zh) | 货运车辆运营合规监测方法、装置及电子设备 | |
CN110136012A (zh) | 一种基于区块链技术的事故辅助定责方法 | |
CN116630031A (zh) | 一种车辆防拆解预警方法、装置、设备和可读存储介质 | |
CN111192150A (zh) | 车辆出险代理业务的处理方法、装置、设备及存储介质 | |
CN116311901A (zh) | 一种智能交通实时监控系统 | |
CN115829512A (zh) | 一种车载交通事故处理方法、装置、终端设备及存储介质 | |
CN115456812A (zh) | 一种智慧工地管理方法、装置、设备及介质 | |
CN115186993A (zh) | 司机评估方法、装置、设备及存储介质 |
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 |