CN116226787A - 商用车出险概率预测方法、设备和介质 - Google Patents

商用车出险概率预测方法、设备和介质 Download PDF

Info

Publication number
CN116226787A
CN116226787A CN202310483106.0A CN202310483106A CN116226787A CN 116226787 A CN116226787 A CN 116226787A CN 202310483106 A CN202310483106 A CN 202310483106A CN 116226787 A CN116226787 A CN 116226787A
Authority
CN
China
Prior art keywords
vehicle
matrix
probability
prediction
mask
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
Application number
CN202310483106.0A
Other languages
English (en)
Other versions
CN116226787B (zh
Inventor
王晓杰
刘小康
杨杰
王华珺
田程
武翔宇
王士波
杨莹
王进
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
China Automobile Information Technology Tianjin Co ltd
Original Assignee
China Automobile Information Technology Tianjin Co ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by China Automobile Information Technology Tianjin Co ltd filed Critical China Automobile Information Technology Tianjin Co ltd
Priority to CN202310483106.0A priority Critical patent/CN116226787B/zh
Publication of CN116226787A publication Critical patent/CN116226787A/zh
Application granted granted Critical
Publication of CN116226787B publication Critical patent/CN116226787B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G06N3/084—Backpropagation, e.g. using gradient descent
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B60—VEHICLES IN GENERAL
    • B60W—CONJOINT CONTROL OF VEHICLE SUB-UNITS OF DIFFERENT TYPE OR DIFFERENT FUNCTION; CONTROL SYSTEMS SPECIALLY ADAPTED FOR HYBRID VEHICLES; ROAD VEHICLE DRIVE CONTROL SYSTEMS FOR PURPOSES NOT RELATED TO THE CONTROL OF A PARTICULAR SUB-UNIT
    • B60W50/00—Details of control systems for road vehicle drive control not related to the control of a particular sub-unit, e.g. process diagnostic or vehicle driver interfaces
    • B60W50/0097—Predicting future conditions
    • 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
    • G06Q40/00—Finance; Insurance; Tax strategies; Processing of corporate or income taxes
    • G06Q40/08—Insurance
    • G—PHYSICS
    • G07—CHECKING-DEVICES
    • G07C—TIME OR ATTENDANCE REGISTERS; REGISTERING OR INDICATING THE WORKING OF MACHINES; GENERATING RANDOM NUMBERS; VOTING OR LOTTERY APPARATUS; ARRANGEMENTS, SYSTEMS OR APPARATUS FOR CHECKING NOT PROVIDED FOR ELSEWHERE
    • G07C5/00—Registering or indicating the working of vehicles
    • G07C5/008—Registering or indicating the working of vehicles communicating information to a remotely located station
    • G—PHYSICS
    • G07—CHECKING-DEVICES
    • G07C—TIME OR ATTENDANCE REGISTERS; REGISTERING OR INDICATING THE WORKING OF MACHINES; GENERATING RANDOM NUMBERS; VOTING OR LOTTERY APPARATUS; ARRANGEMENTS, SYSTEMS OR APPARATUS FOR CHECKING NOT PROVIDED FOR ELSEWHERE
    • G07C5/00—Registering or indicating the working of vehicles
    • G07C5/08—Registering or indicating performance data other than driving, working, idle, or waiting time, with or without registering driving, working, idle or waiting time
    • G07C5/0808—Diagnosing performance data
    • G—PHYSICS
    • G07—CHECKING-DEVICES
    • G07C—TIME OR ATTENDANCE REGISTERS; REGISTERING OR INDICATING THE WORKING OF MACHINES; GENERATING RANDOM NUMBERS; VOTING OR LOTTERY APPARATUS; ARRANGEMENTS, SYSTEMS OR APPARATUS FOR CHECKING NOT PROVIDED FOR ELSEWHERE
    • G07C5/00—Registering or indicating the working of vehicles
    • G07C5/08—Registering or indicating performance data other than driving, working, idle, or waiting time, with or without registering driving, working, idle or waiting time
    • G07C5/0841—Registering performance data
    • G—PHYSICS
    • G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
    • G16Y—INFORMATION AND COMMUNICATION TECHNOLOGY SPECIALLY ADAPTED FOR THE INTERNET OF THINGS [IoT]
    • G16Y10/00—Economic sectors
    • G16Y10/40—Transportation
    • G—PHYSICS
    • G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
    • G16Y—INFORMATION AND COMMUNICATION TECHNOLOGY SPECIALLY ADAPTED FOR THE INTERNET OF THINGS [IoT]
    • G16Y10/00—Economic sectors
    • G16Y10/50—Finance; Insurance
    • G—PHYSICS
    • G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
    • G16Y—INFORMATION AND COMMUNICATION TECHNOLOGY SPECIALLY ADAPTED FOR THE INTERNET OF THINGS [IoT]
    • G16Y20/00—Information sensed or collected by the things
    • G16Y20/10—Information sensed or collected by the things relating to the environment, e.g. temperature; relating to location
    • G—PHYSICS
    • G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
    • G16Y—INFORMATION AND COMMUNICATION TECHNOLOGY SPECIALLY ADAPTED FOR THE INTERNET OF THINGS [IoT]
    • G16Y20/00—Information sensed or collected by the things
    • G16Y20/20—Information sensed or collected by the things relating to the thing itself
    • G—PHYSICS
    • G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
    • G16Y—INFORMATION AND COMMUNICATION TECHNOLOGY SPECIALLY ADAPTED FOR THE INTERNET OF THINGS [IoT]
    • G16Y40/00—IoT characterised by the purpose of the information processing
    • G16Y40/10—Detection; Monitoring
    • G—PHYSICS
    • G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
    • G16Y—INFORMATION AND COMMUNICATION TECHNOLOGY SPECIALLY ADAPTED FOR THE INTERNET OF THINGS [IoT]
    • G16Y40/00—IoT characterised by the purpose of the information processing
    • G16Y40/20—Analytics; Diagnosis
    • G—PHYSICS
    • G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
    • G16Y—INFORMATION AND COMMUNICATION TECHNOLOGY SPECIALLY ADAPTED FOR THE INTERNET OF THINGS [IoT]
    • G16Y40/00—IoT characterised by the purpose of the information processing
    • G16Y40/50—Safety; Security of things, users, data or systems
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02T—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO TRANSPORTATION
    • Y02T10/00—Road transport of goods or passengers
    • Y02T10/10—Internal combustion engine [ICE] based vehicles
    • Y02T10/40—Engine management systems

Abstract

本发明涉及数据处理技术领域，公开了一种商用车出险概率预测方法、设备和介质，该方法通过获取待预测车辆的车辆行驶数据，确定包括驾驶行为类、车辆状态类以及驾驶环境类特征的当前特征，根据当前特征以及其它车辆的参考特征构成当前预测批次特征，将其输入至预先训练的概率预测模型中，进而针对每一类特征，分别进入对应的评估模块，通过切分单元进行特征切分，通过自注意单元生成第一矩阵，通过全连接单元生成第二矩阵，并通过掩码计算单元生成第三矩阵，以得到各类特征的风险评分，进而通过全连接模块融合各类特征的第三矩阵，得到待预测车辆的出险预测概率，实现了结合驾驶行为、车辆状态以及驾驶环境的出险概率预测，提高了预测准确性。

Description

商用车出险概率预测方法、设备和介质
技术领域
本发明涉及数据处理技术领域，尤其涉及一种商用车出险概率预测方法、设备和介质。
背景技术
商用车车辆、重型载货车辆等以运营盈利为目标的车辆，一般因为风险系数高，投保后出险赔付率及赔付成本相对于乘用车来说更高，因此商用车也常被拒保或保费高昂。故有效识别商用车辆驾驶安全风险，准确预测车辆出险概率并提前进行预警干预，不仅能降低司机驾驶时的安全风险，而且对于保险公司降低赔付率、车辆运营方降低运营成本有着重要意义。
当前车辆出险概率的预测方法，主要基于司机的驾驶行为来分析安全驾驶风险，但是商用车车辆安全风险不仅受司机不规范的驾驶行为的影响，这种预测方法导致预测准确率低。
有鉴于此，特提出本发明。
发明内容
为了解决上述技术问题，本发明提供了一种商用车出险概率预测方法、设备和介质，解决现有技术预测准确率低的问题。
本发明实施例提供了一种商用车出险概率预测方法，该方法包括：
获取待预测车辆的车辆行驶数据，基于所述车辆行驶数据确定所述待预测车辆的当前特征，其中，所述当前特征包括驾驶行为类特征、车辆状态类特征以及驾驶环境类特征；
基于所述当前特征以及其它车辆的参考特征构成当前预测批次特征，将所述当前预测批次特征输入至预先训练的概率预测模型，其中，所述概率预测模型包括各类特征的评估模块和全连接模块，评估模块包括切分单元、自注意单元、全连接单元和掩码计算单元；
针对所述当前预测批次特征中每一类特征，分别进入对应的评估模块，通过切分单元进行特征切分，通过所述自注意单元生成第一矩阵，通过所述全连接单元生成第二矩阵，并通过所述掩码计算单元生成第三矩阵，其中，第三矩阵用于描述对应的类特征的风险评分；
基于所述全连接模块，对所述当前预测批次特征中每一类特征分别对应的第三矩阵进行融合，基于融合结果确定所述待预测车辆的出险预测概率。
本发明实施例提供了一种电子设备，所述电子设备包括：
处理器和存储器；
所述处理器通过调用所述存储器存储的程序或指令，用于执行任一实施例所述的商用车出险概率预测方法的步骤。
本发明实施例提供了一种计算机可读存储介质，所述计算机可读存储介质存储程序或指令，所述程序或指令使计算机执行任一实施例所述的商用车出险概率预测方法的步骤。
本发明实施例具有以下技术效果：
通过获取待预测车辆的车辆行驶数据，根据车辆行驶数据确定包括驾驶行为类特征、车辆状态类特征以及驾驶环境类特征的当前特征，根据当前特征以及其它车辆的参考特征构成当前预测批次特征，将其输入至预先训练的概率预测模型中，进而针对当前预测批次特征中的每一类特征，分别进入概率预测模型中对应的评估模块，通过其中的切分单元进行特征切分，通过自注意单元生成第一矩阵，通过全连接单元生成第二矩阵，并通过掩码计算单元生成第三矩阵，以得到对应类特征的风险评分，通过模型中的全连接模块，对每一类特征分别对应的第三矩阵进行融合，以进一步得到待预测车辆的出险预测概率，实现了结合驾驶行为、车辆状态以及驾驶环境的驾驶风险的预测，以得到车辆出险概率，解决现有技术中仅考虑驾驶行为导致的预测准确率低的问题，根据预测的概率可以进行预警干预，不仅可以降低司机驾驶时的安全风险，而且对于保险公司降低赔付率，及对于车辆运营方降低运营成本有着重要意义。
附图说明
为了更清楚地说明本发明具体实施方式或现有技术中的技术方案，下面将对具体实施方式或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图是本发明的一些实施方式，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
图1是本发明实施例提供的一种商用车出险概率预测方法的流程图；
图2是本发明实施例提供的一种概率预测模型的结构示意图；
图3是本发明实施例提供的一种电子设备的结构示意图。
具体实施方式
为使本发明的目的、技术方案和优点更加清楚，下面将对本发明的技术方案进行清楚、完整的描述。显然，所描述的实施例仅是本发明一部分实施例，而不是全部的实施例。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的前提下所得到的所有其它实施例，都属于本发明所保护的范围。
本发明实施例提供的商用车出险概率预测方法，主要适用于预测车辆的驾驶风险，即车辆的出险概率的情况，可以由平台、服务器、终端或云端等电子设备执行，例如，可以将该方法集成在模型计算服务器中，模型计算服务器执行。
图1是本发明实施例提供的一种商用车出险概率预测方法的流程图。参见图1，该商用车出险概率预测方法具体包括：
S110、获取待预测车辆的车辆行驶数据，基于车辆行驶数据确定待预测车辆的当前特征，其中，当前特征包括驾驶行为类特征、车辆状态类特征以及驾驶环境类特征。
其中，车辆行驶数据可以包括车辆法规监控数据、环境数据、路网数据以及车辆状态数据。示例性的，待预测车辆的车载控制单元可以获取车载传感器采集的数据，通过车内网关将其发送至车载自诊断系统，进而由车载自诊断系统将车载传感器采集的数据转发至车辆行驶监控云端服务器，车辆行驶监控云端服务器可以进一步将数据发送至车辆运行监控平台。
模型计算服务器可以从车辆运行监控平台获取车辆法规监控数据，从第三方天气平台和地图数据平台获取环境数据（包括天气数据和地图数据），从路网监控平台获取路网数据，从车辆出险维修记录系统和车辆运营管理系统获取车辆状态数据。
在本发明实施例中，模型计算服务器在获取到车辆行驶数据后，可以对车辆行驶数据进行预处理，如，对车辆行驶数据进行数据清洗，以去除其中的异常值。
进一步的，模型计算服务器可以根据车辆行驶数据构建驾驶行为类特征、车辆状态类特征以及驾驶环境类特征。其中，驾驶行为类特征用于描述车辆行驶数据中关于用户的驾驶行为，如，低转速（脱档）次数、激烈减速次数、高速刹车次数、夜晚开车次数、冷车启步次数等。车辆状态类特征可以用于描述车辆行驶数据中关于车辆的实际状态，如，累计运行时长、车辆故障码上报次数、车辆历史出险次数等。驾驶环境类特征用于描述车辆行驶数据中关于驾驶环境（如天气、路况等）的信息，如，不同天气情况出行分布、高频路线车流量、累计上坡行驶次数等。
示例性的，如表1-表3所示，表1展示了一种驾驶行为类特征，表2展示了一种车辆状态类特征，表3展示了一种驾驶环境类特征。
表1一种驾驶行为类特征
Figure SMS_1
表2一种车辆状态类特征
Figure SMS_2
/>
表3一种驾驶环境类特征
Figure SMS_3
S120、基于当前特征以及其它车辆的参考特征构成当前预测批次特征，将当前预测批次特征输入至预先训练的概率预测模型，其中，概率预测模型包括各类特征的评估模块和全连接模块，评估模块包括切分单元、自注意单元、全连接单元和掩码计算单元。
其中，其它车辆的参考特征可以是基于其它车辆的车辆行驶数据所确定的驾驶行为类特征、车辆状态类特征以及驾驶环境类特征。示例性的，其它车辆的参考特征可以是用于训练概率预测模型的样本特征，或者，可以是其它待预测车辆的当前特征。
如，可以在待预测车辆的数量较少时，采用其它待预测车辆的当前特征和用于训练概率预测模型的样本特征，作为其它车辆的参考特征；在待预测车辆的数量较多时，采用其它待预测车辆的当前特征作为其它车辆的参考特征。
需要说明的是，采用待预测车辆的当前特征以及其它车辆的参考特征构建当前预测批次特征，以输入至概率预测模型的目的在于：离群点是观察数据集中明显异常的数据点，或者说，离群点的数据分布与数据集的整体分布不同，离群点检测的目的是检测出与正常数据差别较大的数据点，然后根据具体的问题作进一步处理。
在本发明实施例中，可以将驾驶风险预测这一目标适用于离群点检测框架上。基于如下假设：若一个用户的驾驶行为与大部分用户的驾驶行为相似，那么其出险概率较低，反之，则较高；若一个车辆的车辆状态与大部分车辆的车辆状态相似，那么其出险概率较低，反之，则较高；若一个车辆的驾驶环境与大部分车辆的驾驶环境相似，那么其出险概率较低，反之，则较高。那么，如果将车辆所有特征量化为一个向量化的点，则所有车辆的信息可视为一个点群。由于出险为一小概率事件，因此可将出险概率的高低按照是否偏离正常特征给出，即为该点是否在点群中。这样，即使不同人群驾驶行为、车辆状态、驾驶环境不同，通过判断其特征是否位于普遍的特征点群中，即可判断其是否有较高概率出险。
因此，可以基于待预测车辆的当前特征和其它车辆的参考特征构建当前预测批次特征，以进一步通过概率预测模块确定其中每一个车辆的特征偏离当前预测批次特征的程度，即离群程度，进而得到待预测车辆的当前特征的出险预测概率。
可以理解的是，若是对多个待预测车辆进行预测，且待预测车辆的数量较多，则可以直接基于所有待预测车辆的当前特征构建当前预测批次特征，若是对一个或少数待预测车辆进行预测，则可以再选取部分样本特征共同构建当前预测批次特征，保证离群程度的评估准确性，避免点群数量过小造成预测结果不准确。
具体的，概率预测模型由各类特征的评估模块和全连接模块构成，其中，评估模块的输出作为全连接模块的输入，全连接模块的输出为模型的输出结果。类特征可以是驾驶行为类特征、车辆状态类特征以及驾驶环境类特征，因此，概率预测模型可以包括三个评估模块，各评估模块分别对当前预测批次特征中的驾驶行为类特征、车辆状态类特征以及驾驶环境类特征进行处理。
示例性的，如图2所示，图2是本发明实施例提供的一种概率预测模型的结构示意图。其中，当前预测批次特征中每个车辆的特征由驾驶行为类特征p1、车辆状态类特征p2以及驾驶环境类特征p3构成。
S130、针对当前预测批次特征中每一类特征，分别进入对应的评估模块，通过切分单元进行特征切分，通过自注意单元生成第一矩阵，通过全连接单元生成第二矩阵，并通过掩码计算单元生成第三矩阵，其中，第三矩阵用于描述对应的类特征的风险评分。
具体的，当前预测批次特征中所有车辆的驾驶行为类特征，进入对应的评估模块，当前预测批次特征中所有车辆的车辆状态类特征，进入对应的评估模块，当前预测批次特征中所有车辆的驾驶环境类特征，进入对应的评估模块。
进一步的，评估模块中的切分单元，可以对输入的类特征进行切分。切分的目的在于：以将输入的类特征划分为更多的特征，进而便于后续经过自注意层、全连接层和掩码计算层时，通过对矩阵的相乘操作，得到更多维度特征之间的相乘结果，进一步提高了模型预测准确性。
示例性的，若输入至概率预测模型的当前预测批次特征表示为P=[X1,X2,…,Xn]，其中，n为当前预测批次特征中车辆的数量，X1=[p1,p2,p3]。以驾驶行为类特征对应的评估模块为例，经过其中的切分单元进行切分后，可以得到P1=[p11,p12,…,p1m,p21,p22,…,pnm]，其中，m为切分的数量。
进一步的，可以将切分单元输出的切分后的类特征，输入至自注意单元，得到第一矩阵。
在一种具体的实施方式中，通过自注意单元生成第一矩阵，包括：将切分单元切分后的类特征输入至自注意单元，通过自注意单元中各全连接层对应的权重系数和偏置系数，生成两个全连接向量，通过自注意单元，对一个全连接向量和另一个全连接向量的转置进行相乘处理，得到第一注意力矩阵，并对第一注意力矩阵进行缩放和归一化处理，基于缩放和归一化处理后的第一注意力矩阵以及切分后的类特征得到第一矩阵。
其中，自注意单元可以包括两个全连接层，每一个全连接层分别具备对应的权重系数和偏置系数，两个全连接层可以对切分后的类型特进行处理，得到两个全连接向量。示例性的，如下式所示：
Figure SMS_4
；
Figure SMS_5
；
其中，
Figure SMS_6
、/>
Figure SMS_7
为两个全连接向量，/>
Figure SMS_8
、/>
Figure SMS_9
分别为两个全连接层的权重系数，/>
Figure SMS_10
、
Figure SMS_11
分别为两个全连接层的偏置系数。两个全连接向量的维度与切分后的类特征的维度相同，即/>
Figure SMS_12
。
进一步的，自注意单元可以将一个全连接向量与另一个全连接向量的转置相乘，得到第一注意力矩阵。如：
Figure SMS_13
；
其中，A为第一注意力矩阵，
Figure SMS_14
为全连接向量/>
Figure SMS_15
的转置。此时，第一注意力矩阵的维度为/>
Figure SMS_16
。/>
进一步的，自注意单元还可以对第一注意力矩阵进行缩放和归一化，如：
Figure SMS_17
；
其中，
Figure SMS_18
为缩放和归一化后的第一注意力矩阵，softmax()为归一化处理，d取第一注意力矩阵的维度，即nm。/>
Figure SMS_19
的维度为/>
Figure SMS_20
。
进一步的，自注意单元将缩放和归一化后的第一注意力矩阵与切分后的类特征相乘，得到第一矩阵。可参见如下公式：
Figure SMS_21
；
其中，
Figure SMS_22
为第一矩阵，/>
Figure SMS_23
为切分后的类特征。第一矩阵的维度与/>
Figure SMS_24
相同，即
Figure SMS_25
。
通过上述实施方式，将切分后的类特征中的每一个特征进行了重新表示。通过自注意单元，实现了各特征之间的交互，生成新的表示向量，其生成结果可以看作在
Figure SMS_26
上增加了一个中心向量，中心向量的值由其它向量组成，且相关度越高的向量占比越高。
在通过自注意单元得到第一矩阵后，将其输入至全连接单元，得到全连接单元输出的第二矩阵。在一种具体的实施方式中，通过全连接单元生成第二矩阵，包括：将自注意单元生成的第一矩阵输入至全连接单元，通过全连接单元对应的权重系数和偏置系数，生成第二矩阵。
示例性的，如下公式所示：
Figure SMS_27
；
其中，
Figure SMS_28
为第二矩阵，/>
Figure SMS_29
为全连接单元的权重系数，/>
Figure SMS_30
为全连接单元的偏置系数。进一步的，可以将第二矩阵输入至掩码计算单元。
在一种具体的实施方式中，通过掩码计算单元生成第三矩阵，包括：将第二矩阵输入至掩码计算单元，通过掩码计算单元，对第二矩阵和第二矩阵的转置进行相乘处理，得到第二注意力矩阵，基于预设掩码系数以及第二注意力矩阵生成掩码矩阵，对掩码矩阵和第二注意力矩阵进行相乘处理，得到第三矩阵。
具体的，掩码计算单元可以通过以下公式计算第二注意力矩阵：
Figure SMS_31
；
其中，
Figure SMS_32
为第二注意力矩阵，/>
Figure SMS_33
为第二矩阵/>
Figure SMS_34
的转置。进一步的，可以通过预设掩码系数以及第二注意力矩阵得到掩码矩阵。
可选的，基于预设掩码系数以及第二注意力矩阵生成掩码矩阵，包括：获取预设掩码系数；针对第二注意力矩阵的每一行向量，将行向量中第i个元素对应的掩码值确定为0，i等于行的标号，并按照由大到小的顺序对除第i个元素之外的其它元素排序，基于预设掩码系数将排序结果中前k个的元素对应的掩码值确定为1，将排序结果中其它元素对应的掩码值确定为0，其中，k等于预设掩码系数。
其中，第二注意力矩阵的每一行向量，其中每个元素的取值代表该元素到其它元素的距离，取值越大，代表距离越小，相似度越高。预设掩码系数用于筛选出一定数量的距离较小的元素，并将其掩码值确定为1。
将第i个元素对应的掩码值确定为0的目的在于：确定掩码矩阵是为了对距离较小的元素作进一步计算，而在第i行向量中，其中的第i个元素表示自身的相似度，相似度的取值为1，由于是对与其它元素之间的距离较小的元素进行分析，因此，可以将第i行向量中第i个元素对应的掩码值确定为0，避免后续对其进行分析。
以第一行为例，假设第一行向量的值为：[1, 0.1, 0.2, 0.3, 0.4, 0.5]，预设掩码系数为2，则可以排除第一个元素后，对剩余的5个元素进行排序，将前2名元素的掩码值确定为1，得到该行向量对应的掩码：[0,0,0,0,1,1]。通过上述方式得到掩码矩阵，可以实现取最相似的元素做距离计算。
进一步的，掩码计算单元可以将掩码矩阵与第二注意力矩阵相乘，得到第三矩阵。示例性的，参见如下公式：
Figure SMS_35
；
其中，
Figure SMS_36
为第三矩阵，/>
Figure SMS_37
为第二注意力矩阵，/>
Figure SMS_38
为基于/>
Figure SMS_39
和预设掩码系数k得到的掩码矩阵。
进一步的，每一个类特征对应的评估模块可以输出第三矩阵，第三矩阵可以描述对应的类特征的风险评分，如，驾驶行为类特征的风险评分，其中包括当前预测批次特征中每一个车辆的风险评分。
例如，驾驶行为类特征对应的第三矩阵
Figure SMS_40
的维度为/>
Figure SMS_41
，对于第j个车辆，j的取值为[1,n]，其对应的驾驶行为类的风险评分可以是第三矩阵中第（j-1）m+1行向量至第jm行向量中的所有元素的和。
S140、基于全连接模块，对当前预测批次特征中每一类特征分别对应的第三矩阵进行融合，基于融合结果确定待预测车辆的出险预测概率。
进一步的，所有评估模块分别输出的第三矩阵可以输入至全连接模块，通过全连接模块对所有第三矩阵进行融合，以融合驾驶行为类、车辆状态类以及驾驶环境类的风险评分，得到最终的融合结果。其中，融合结果包括当前预测批次特征中每一个车辆的出险预测概率。
示例性的，全连接模块对所有第三矩阵进行融合，可以参见如下公式：
Figure SMS_42
；
其中，
Figure SMS_43
为融合结果，/>
Figure SMS_44
为全连接模块对应的权重系数，/>
Figure SMS_45
为全连接模块对应的偏置系数，/>
Figure SMS_46
、/>
Figure SMS_47
、/>
Figure SMS_48
分别为三个评估模块分别输出的第三矩阵。
具体的，在得到融合结果后，可以根据融合结果确定各车辆的出险预测概率，进而得到待预测车辆的出险预测概率。例如，融合结果的维度为
Figure SMS_49
，对于第j个车辆，j的取值为[1,n]，其对应的出险预测概率可以是融合结果中第（j-1）m+1行向量至第jm行向量中的所有元素的和。
在一种具体的实施方式中，在对当前预测批次特征中每一类特征分别对应的第三矩阵进行融合之后，还包括：基于融合结果确定其它车辆的出险预测概率；按照出险预测概率从大到小的顺序对各车辆进行排序，基于排序结果得到各概率分段下的车辆列表，针对前L名预测准确率超过预设准确率阈值的概率分段，将概率分段下的车辆列表中每一个车辆确定为待预警车辆；向待预警车辆的车端设备发送预警提示信息，或，向待预警车辆的车辆管理平台发送预警提示信息，或，向待预警车辆的车辆保险平台发送预警提示信息。
例如，出险预测概率为0%~100%，可以在该区间中，按照每10%划分1个概率分段，得到10个概率分段。在按照出险预测概率降序的顺序对各其它车辆和待预测车辆进行排序后，可以得到每一个概率分段下的车辆列表。
进一步的，可以选取前3名预测准确率超过预设准确率阈值的概率分段，将3个概率分段下的车辆列表中的所有车辆确定为待预警车辆，进而通过网络节点向车端设备发送预警提示信息，以时车端设备中的语音播报系统进行提示，及时干预对应的驾驶员的驾驶行为，保证行驶安全性，或者，通过网络节点向车辆管理平台发送预警提示信息，以便于车辆管理平台分析该车辆的风险原因，或者，通过网络节点向车辆保险平台发送预警提示信息，以便于车辆保险平台更新运营策略，有效降低出险率。
其中，预测准确率可以通过如下方式计算得到：预测准确率=预测出险且实际出险的车辆数/预测出险车辆数。另外，预测召回率=预测出险且实际出险的车辆数/实际出险车辆数，通过本发明实施例提供的方法，每个概率分段下的召回率都可以在90%以上。
在上述实施方式中，通过排序并选取前L个概率分段下的车辆列表，可以实现基于动态阈值的预警策略，与采用固定阈值筛选需要预警的车辆的方式相比，该方法可以进一步提高降赔减损的效果。
针对本发明实施例中的概率预测模型，可以结合局部离群因子算法对其进行训练，无需人为设置样本的标签，在保证预测准确性的同时，还可以提高模型训练效率，减少人工成本。
并且，与局部离群因子算法相比，在动态场景下，局部离群因子算法需要迭代更新所有内容（向量），且针对驾驶行为类、驾驶环境类、车辆状态类的特征都是实时更新的，局部离群因子算法会产生大量计算量，为了避免该问题，本发明实施例提供了一种概率预测模型，对输入的特征进行动态计算。
在一种具体的实施方式中，本发明实施例提供的方法还包括如下步骤：
步骤1、获取样本库，并构建概率预测模型；从样本库中获取与当前训练批次对应的当前训练批次特征，其中，当前训练批次特征包括多个车辆的样本特征，各样本特征包括驾驶行为类特征、车辆状态类特征以及驾驶环境类特征；
步骤2、确定当前训练批次特征中各车辆的局部离群因子，并基于概率预测模型确定当前训练批次特征中各车辆的出险预测概率；
步骤3、基于各车辆的局部离群因子和各车辆的出险预测概率确定当前训练批次的损失值，根据损失值对概率预测模型中的权重系数和偏置系数进行调整。
其中，样本库可以由大量车辆的样本特征构成，可以通过采集各车辆的历史行驶数据分析得到。为了构成可迭代的训练样本数据，可以对样本库中的所有样本特征进行抽样，将抽样的结果确定为当前训练批次对应的当前训练批次特征。
进一步的，针对步骤2，可以通过局部离群因子算法确定当前训练批次特征中各车辆的局部离群因子，并通过概率预测模型确定当前训练批次特征中各车辆的出险预测概率。以对比局部离群因子与出险预测概率之间的差距，得到损失值。
其中，局部离群因子算法适用于不同类簇密度，分散情况有差异的数据。局部离群因子算法的基本思想是：根据数据点周围的数据密集情况，首先计算每个数据点的一个局部可达密度，然后通过局部可达密度进一步计算得到每个数据点的一个离群因子，该离群因子即标识了一个数据点的离群程度，因子值越大，表示离群程度越高，因子值越小，表示离群程度越低。可以将当前训练批次特征中一个车辆的样本特征定义为点p，其中p为向量，p=[p1,p2,p3]，其中p1表示驾驶环境类特征，p2表示驾驶行为类特征，p3为车辆状态特征。确定车辆的局部离群因子可参见如下过程：
获取离群系数k，该离群系数可以等于预设掩码系数。设
Figure SMS_50
是车辆A的样本特征到第k个最近邻车辆的样本特征的距离。将k个最近邻的集合表示为/>
Figure SMS_51
。定义A与B之间的可达距离如下：
Figure SMS_52
；
其中，
Figure SMS_53
车辆B的样本特征到第k个最近邻车辆的样本特征的距离，
Figure SMS_54
为车辆A的样本特征到车辆B的样本特征之间的距离，可以采用欧式距离，即
Figure SMS_55
。
进一步的，定义局部可达密度如下：
Figure SMS_56
；
其中，
Figure SMS_57
为车辆p的局部可达密度，/>
Figure SMS_58
为车辆p的k个最近邻的集合表示，
Figure SMS_59
为/>
Figure SMS_60
中车辆o与车辆p的可达距离。进一步的，定义局部离群因子如下：
Figure SMS_61
；
其中，
Figure SMS_62
为车辆p的局部离群因子，/>
Figure SMS_63
为车辆o的局部可达密度。若
Figure SMS_64
大于1，则周围密度大于局部密度，车辆p为异常因子。可以理解的是，不同离群系数k下计算得到的局部离群因子不同。
进一步的，可以根据各车辆的局部离群因子和各车辆的出险预测概率，计算当前训练批次的损失值，进而对概率预测模型中的权重系数和偏置系数进行调整。如，对自注意单元中各全连接层对应的权重系数和偏置系数、全连接单元对应的权重系数和偏置系数、以及全连接模块对应的权重系数和偏置系数，进行调整。
可选的，针对上述步骤3，基于各车辆的局部离群因子和各车辆的出险预测概率确定当前训练批次的损失值，包括：基于各车辆的局部离群因子和各车辆的出险预测概率，确定各车辆的相似度损失；根据各车辆的局部离群因子是否大于1，以及各车辆的出险预测概率是否大于1，确定各车辆的区间差异损失；基于各车辆的相似度损失、各车辆的区间差异损失以及预设放缩参数，确定各车辆的损失值，基于各车辆的损失值确定当前训练批次的损失值。
其中，可以针对当前训练批次中的每一个车辆，基于局部离群因子与出险预测概率之间的相似度，得到相似度损失，如：
Figure SMS_65
；
其中，
Figure SMS_66
为局部离群因子x与出险预测概率y之间的相似度损失，其代表cosine相似度。
并且，针对局部离群因子和出险预测概率是否均大于1，得到区间差异损失。具体的，局部离群因子大于1表示其为异常因子，区间差异损失可以通过如下公式得到：
Figure SMS_67
；
其中，
Figure SMS_68
为区间差异损失，sign表示符号函数，sign()中括号内的取值为正数，则结果为1，取值为零则结果为0，取值为负数则结果为-1。
进一步的，针对每一个车辆，可以根据相似度损失、区间差异损失以及预设放缩参数，确定损失值。示例性的：
Figure SMS_69
；
其中，
Figure SMS_70
为损失值，/>
Figure SMS_71
为相似度损失，/>
Figure SMS_72
为预设缩放参数，一般取1，/>
Figure SMS_73
为区间差异损失。/>
Figure SMS_74
、/>
Figure SMS_75
分别表示局部离群因子和出险预测概率，可以作为x、y代入至上述公式。
进一步的，可以将所有车辆的损失值相加，得到当前训练批次的损失值，以通过该损失值对模型中的权重参数和偏置参数进行反向调整。在上述实施方式中，通过相似度损失和区间差异损失，得到当前训练批次的损失值，保证了最终计算的损失结果的准确性。
在本发明实施例中，根据样本特征之间的密度动态判断可达距离，进而获取动态离群因子，并采用深度学习的对比框架，通过对比局部离群因子和模型输出的出险预测概率，学习更新出险预测概率，实现了驾驶员出险概率的动态预测。
本发明具有以下技术效果：通过获取待预测车辆的车辆行驶数据，根据车辆行驶数据确定包括驾驶行为类特征、车辆状态类特征以及驾驶环境类特征的当前特征，根据当前特征以及其它车辆的参考特征构成当前预测批次特征，将其输入至预先训练的概率预测模型中，进而针对当前预测批次特征中的每一类特征，分别进入概率预测模型中对应的评估模块，通过其中的切分单元进行特征切分，通过自注意单元生成第一矩阵，通过全连接单元生成第二矩阵，并通过掩码计算单元生成第三矩阵，以得到对应类特征的风险评分，通过模型中的全连接模块，对每一类特征分别对应的第三矩阵进行融合，以进一步得到待预测车辆的出险预测概率，实现了结合驾驶行为、车辆状态以及驾驶环境的驾驶风险的预测，以得到车辆出险概率，解决现有技术中仅考虑驾驶行为导致的预测准确率低的问题，根据预测的概率可以进行预警干预，不仅可以降低司机驾驶时的安全风险，而且对于保险公司降低赔付率，及对于车辆运营方降低运营成本有着重要意义。
与现有技术相比仅采用驾驶行为进行预测的方式相比，除了驾驶行为之外，车辆出险的概率同时也受恶劣的驾驶环境或不良的车辆运行状态等方面因素的影响，传统预测方法忽略了驾驶过程中的车辆状态、环境因素的影响，因此准确性差。本发明实施例提供的方法通过结合驾驶环境和车辆状态，得到驾驶环境、车辆状态以及驾驶行为分别对应的风险评分，并通过模型进行动态预测，保证了预测结果的准确性。
图3是本发明实施例提供的一种电子设备的结构示意图。如图3所示，电子设备400包括一个或多个处理器401和存储器402。
处理器401可以是中央处理单元（CPU）或者具有数据处理能力和/或指令执行能力的其他形式的处理单元，并且可以控制电子设备400中的其他组件以执行期望的功能。
存储器402可以包括一个或多个计算机程序产品，所述计算机程序产品可以包括各种形式的计算机可读存储介质，例如易失性存储器和/或非易失性存储器。所述易失性存储器例如可以包括随机存取存储器（RAM）和/或高速缓冲存储器（cache）等。所述非易失性存储器例如可以包括只读存储器（ROM）、硬盘、闪存等。在所述计算机可读存储介质上可以存储一个或多个计算机程序指令，处理器401可以运行所述程序指令，以实现上文所说明的本发明任意实施例的商用车出险概率预测方法以及/或者其他期望的功能。在所述计算机可读存储介质中还可以存储诸如初始外参、阈值等各种内容。
在一个示例中，电子设备400还可以包括：输入装置403和输出装置404，这些组件通过总线系统和/或其他形式的连接机构（未示出）互连。该输入装置403可以包括例如键盘、鼠标等等。该输出装置404可以向外部输出各种信息，包括预警提示信息、制动力度等。该输出装置404可以包括例如显示器、扬声器、打印机、以及通信网络及其所连接的远程输出设备等等。
当然，为了简化，图3中仅示出了该电子设备400中与本发明有关的组件中的一些，省略了诸如总线、输入/输出接口等等的组件。除此之外，根据具体应用情况，电子设备400还可以包括任何其他适当的组件。
除了上述方法和设备以外，本发明的实施例还可以是计算机程序产品，其包括计算机程序指令，所述计算机程序指令在被处理器运行时使得所述处理器执行本发明任意实施例所提供的商用车出险概率预测方法的步骤。
所述计算机程序产品可以以一种或多种程序设计语言的任意组合来编写用于执行本发明实施例操作的程序代码，所述程序设计语言包括面向对象的程序设计语言，诸如Java、C++等，还包括常规的过程式程序设计语言，诸如“C”语言或类似的程序设计语言。程序代码可以完全地在用户计算设备上执行、部分地在用户设备上执行、作为一个独立的软件包执行、部分在用户计算设备上部分在远程计算设备上执行、或者完全在远程计算设备或服务器上执行。
此外，本发明的实施例还可以是计算机可读存储介质，其上存储有计算机程序指令，所述计算机程序指令在被处理器运行时使得所述处理器执行本发明任意实施例所提供的商用车出险概率预测方法的步骤。
所述计算机可读存储介质可以采用一个或多个可读介质的任意组合。可读介质可以是可读信号介质或者可读存储介质。可读存储介质例如可以包括但不限于电、磁、光、电磁、红外线、或半导体的系统、装置或器件，或者任意以上的组合。可读存储介质的更具体的例子（非穷举的列表）包括：具有一个或多个导线的电连接、便携式盘、硬盘、随机存取存储器（RAM）、只读存储器（ROM）、可擦式可编程只读存储器（EPROM或闪存）、光纤、便携式紧凑盘只读存储器(CD-ROM)、光存储器件、磁存储器件、或者上述的任意合适的组合。
需要说明的是，本发明所用术语仅为了描述特定实施例，而非限制本申请范围。如本发明说明书中所示，除非上下文明确提示例外情形，“一”、“一个”、“一种”和/或“该”等词并非特指单数，也可包括复数。术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法或者设备所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括所述要素的过程、方法或者设备中还存在另外的相同要素。
还需说明的是，术语“中心”、“上”、“下”、“左”、“右”、“竖直”、“水平”、“内”、“外”等指示的方位或位置关系为基于附图所示的方位或位置关系，仅是为了便于描述本发明和简化描述，而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作，因此不能理解为对本发明的限制。除非另有明确的规定和限定，术语“安装”、“相连”、“连接”等应做广义理解，例如，可以是固定连接，也可以是可拆卸连接，或一体地连接；可以是机械连接，也可以是电连接；可以是直接相连，也可以通过中间媒介间接相连，可以是两个元件内部的连通。对于本领域的普通技术人员而言，可以具体情况理解上述术语在本发明中的具体含义。
最后应说明的是：以上各实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述各实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分或者全部技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案。

Claims (10)

1.一种商用车出险概率预测方法，其特征在于，包括如下步骤：
获取待预测车辆的车辆行驶数据，基于所述车辆行驶数据确定所述待预测车辆的当前特征，其中，所述当前特征包括驾驶行为类特征、车辆状态类特征以及驾驶环境类特征；
基于所述当前特征以及其它车辆的参考特征构成当前预测批次特征，将所述当前预测批次特征输入至预先训练的概率预测模型，其中，所述概率预测模型包括各类特征的评估模块和全连接模块，评估模块包括切分单元、自注意单元、全连接单元和掩码计算单元；
针对所述当前预测批次特征中每一类特征，分别进入对应的评估模块，通过切分单元进行特征切分，通过所述自注意单元生成第一矩阵，通过所述全连接单元生成第二矩阵，并通过所述掩码计算单元生成第三矩阵，其中，第三矩阵用于描述对应的类特征的风险评分；
基于所述全连接模块，对所述当前预测批次特征中每一类特征分别对应的第三矩阵进行融合，基于融合结果确定所述待预测车辆的出险预测概率。
2.根据权利要求1所述的方法，其特征在于，所述通过所述自注意单元生成第一矩阵，包括：
将所述切分单元切分后的类特征输入至所述自注意单元，通过所述自注意单元中各全连接层对应的权重系数和偏置系数，生成两个全连接向量，通过所述自注意单元，对一个全连接向量和另一个全连接向量的转置进行相乘处理，得到第一注意力矩阵，并对所述第一注意力矩阵进行缩放和归一化处理，基于缩放和归一化处理后的第一注意力矩阵以及切分后的类特征得到第一矩阵。
3.根据权利要求1所述的方法，其特征在于，所述通过所述全连接单元生成第二矩阵，包括：
将所述自注意单元生成的第一矩阵输入至所述全连接单元，通过所述全连接单元对应的权重系数和偏置系数，生成第二矩阵。
4.根据权利要求1所述的方法，其特征在于，所述通过所述掩码计算单元生成第三矩阵，包括：
将所述第二矩阵输入至所述掩码计算单元，通过所述掩码计算单元，对所述第二矩阵和所述第二矩阵的转置进行相乘处理，得到第二注意力矩阵，基于预设掩码系数以及所述第二注意力矩阵生成掩码矩阵，对所述掩码矩阵和所述第二注意力矩阵进行相乘处理，得到第三矩阵。
5.根据权利要求4所述的方法，其特征在于，所述基于预设掩码系数以及所述第二注意力矩阵生成掩码矩阵，包括：
获取预设掩码系数；
针对所述第二注意力矩阵的每一行向量，将行向量中的第i个元素对应的掩码值确定为0，i等于行的标号，并按照由大到小的顺序对除第i个元素之外的其它元素排序，基于所述预设掩码系数将排序结果中前k个的元素对应的掩码值确定为1，将排序结果中其它元素对应的掩码值确定为0，其中，k等于所述预设掩码系数。
6.根据权利要求1所述的方法，其特征在于，在所述对所述当前预测批次特征中每一类特征分别对应的第三矩阵进行融合之后，还包括：
基于融合结果确定所述其它车辆的出险预测概率；
按照出险预测概率从大到小的顺序对各车辆进行排序，基于排序结果得到各概率分段下的车辆列表，针对前L名预测准确率超过预设准确率阈值的概率分段，将概率分段下的车辆列表中每一个车辆确定为待预警车辆；
向所述待预警车辆的车端设备发送预警提示信息，或，向所述待预警车辆的车辆管理平台发送预警提示信息，或，向所述待预警车辆的车辆保险平台发送预警提示信息。
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：
获取样本库，并构建概率预测模型；
从所述样本库中获取与当前训练批次对应的当前训练批次特征，其中，所述当前训练批次特征包括多个车辆的样本特征，各所述样本特征包括驾驶行为类特征、车辆状态类特征以及驾驶环境类特征；
确定所述当前训练批次特征中各车辆的局部离群因子，并基于所述概率预测模型确定所述当前训练批次特征中各车辆的出险预测概率；
基于各车辆的局部离群因子和各车辆的出险预测概率确定当前训练批次的损失值，根据所述损失值对所述概率预测模型中的权重系数和偏置系数进行调整。
8.根据权利要求7所述的方法，其特征在于，所述基于各车辆的局部离群因子和各车辆的出险预测概率确定当前训练批次的损失值，包括：
基于各车辆的局部离群因子和各车辆的出险预测概率，确定各车辆的相似度损失；
根据各车辆的局部离群因子是否大于1，以及各车辆的出险预测概率是否大于1，确定各车辆的区间差异损失；
基于各车辆的相似度损失、各车辆的区间差异损失以及预设放缩参数，确定各车辆的损失值，基于各车辆的损失值确定当前训练批次的损失值。
9.一种电子设备，其特征在于，所述电子设备包括：
处理器和存储器；
所述处理器通过调用所述存储器存储的程序或指令，用于执行如权利要求1至8任一项所述的商用车出险概率预测方法的步骤。
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存储程序或指令，所述程序或指令使计算机执行如权利要求1至8任一项所述的商用车出险概率预测方法的步骤。
CN202310483106.0A 2023-05-04 2023-05-04 商用车出险概率预测方法、设备和介质 Active CN116226787B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202310483106.0A CN116226787B (zh) 2023-05-04 2023-05-04 商用车出险概率预测方法、设备和介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202310483106.0A CN116226787B (zh) 2023-05-04 2023-05-04 商用车出险概率预测方法、设备和介质

Publications (2)

Publication Number Publication Date
CN116226787A true CN116226787A (zh) 2023-06-06
CN116226787B CN116226787B (zh) 2023-08-01

Family

ID=86585779

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202310483106.0A Active CN116226787B (zh) 2023-05-04 2023-05-04 商用车出险概率预测方法、设备和介质

Country Status (1)

Country Link
CN (1) CN116226787B (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117391871A (zh) * 2023-12-11 2024-01-12 广东车卫士信息科技有限公司 基于车辆驾驶行为的保险费用测算方法及系统

Citations (26)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107292528A (zh) * 2017-06-30 2017-10-24 阿里巴巴集团控股有限公司 车险风险预测方法、装置及服务器
CN107742193A (zh) * 2017-11-28 2018-02-27 江苏大学 一种基于时变状态转移概率马尔可夫链的行车风险预测方法
CN107958269A (zh) * 2017-11-28 2018-04-24 江苏大学 一种基于隐马尔可夫模型的行车危险度预测方法
CN109660967A (zh) * 2019-02-18 2019-04-19 华东交通大学 一种基于车联网bsm信息融合的行车安全监控装置与方法
CN109840660A (zh) * 2017-11-29 2019-06-04 北京四维图新科技股份有限公司 一种车辆特征数据处理方法及车辆风险预测模型训练方法
CN110599353A (zh) * 2018-06-13 2019-12-20 百度在线网络技术（北京）有限公司 一种车辆出险和赔付率预测方法、装置、设备及介质
CN110838070A (zh) * 2019-10-12 2020-02-25 中国平安财产保险股份有限公司 智能车险理赔概率预测方法、装置及计算机可读存储介质
CN111081021A (zh) * 2019-12-30 2020-04-28 泰康保险集团股份有限公司 一种行车安全控制方法、行车安全装置、移动终端及支架
CN111582589A (zh) * 2020-05-12 2020-08-25 上海新共赢信息科技有限公司 一种租车出险预测方法、装置、设备及存储介质
CN111775949A (zh) * 2020-07-09 2020-10-16 中国人民解放军国防科技大学 一种人机共驾控制系统的个性化驾驶员转向行为辅助方法
CN112116158A (zh) * 2020-09-21 2020-12-22 北京嘀嘀无限科技发展有限公司 数据处理方法、数据处理装置、存储介质和电子设备
CN112249008A (zh) * 2020-09-30 2021-01-22 南京航空航天大学 针对复杂动态环境的无人驾驶汽车预警方法
CN112650064A (zh) * 2021-01-05 2021-04-13 南京航空航天大学 一种适应于混杂道路的智能汽车汇入控制系统及方法
CN114005280A (zh) * 2021-11-17 2022-02-01 同济大学 一种基于不确定性估计的车辆轨迹预测方法
CN114332520A (zh) * 2022-03-14 2022-04-12 中汽信息科技(天津)有限公司 基于深度学习的异常驾驶行为识别模型构建方法
CN114332825A (zh) * 2022-03-10 2022-04-12 中汽信息科技(天津)有限公司 基于深度学习的道路地形分布识别方法、设备和存储介质
CN114418009A (zh) * 2022-01-21 2022-04-29 平安科技（深圳）有限公司 基于图注意力网络的分类方法、装置、设备和存储介质
CN114926299A (zh) * 2022-06-20 2022-08-19 启明信息技术股份有限公司 一种基于大数据分析的预测车辆事故风险预测方法
CN114971009A (zh) * 2022-05-24 2022-08-30 车发现信息技术(厦门)有限公司 一种车险出险预测方法及计算机设备
CN115035491A (zh) * 2022-05-27 2022-09-09 深圳季连科技有限公司 一种基于联邦学习的驾驶行为路况预警方法
CN115179959A (zh) * 2022-07-18 2022-10-14 福州大学 基于行驶道路自适应更新阈值的智能驾驶车辆行为预测方法
CN115510990A (zh) * 2022-10-10 2022-12-23 上海汽车集团股份有限公司 一种模型训练方法和相关装置
CN115545958A (zh) * 2022-10-31 2022-12-30 中国平安财产保险股份有限公司 智能车险评估方法、装置、计算机设备及存储介质
CN115588310A (zh) * 2022-06-28 2023-01-10 中国公路工程咨询集团有限公司 一种基于轨迹数据的车辆碰撞风险预测方法
CN115730637A (zh) * 2022-11-25 2023-03-03 长安大学 多模态车辆轨迹预测模型训练方法、装置及轨迹预测方法
CN115848398A (zh) * 2022-11-22 2023-03-28 上海大学 一种基于学习及考虑驾驶员行为特征的车道偏离预警系统评估方法

Patent Citations (26)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107292528A (zh) * 2017-06-30 2017-10-24 阿里巴巴集团控股有限公司 车险风险预测方法、装置及服务器
CN107742193A (zh) * 2017-11-28 2018-02-27 江苏大学 一种基于时变状态转移概率马尔可夫链的行车风险预测方法
CN107958269A (zh) * 2017-11-28 2018-04-24 江苏大学 一种基于隐马尔可夫模型的行车危险度预测方法
CN109840660A (zh) * 2017-11-29 2019-06-04 北京四维图新科技股份有限公司 一种车辆特征数据处理方法及车辆风险预测模型训练方法
CN110599353A (zh) * 2018-06-13 2019-12-20 百度在线网络技术（北京）有限公司 一种车辆出险和赔付率预测方法、装置、设备及介质
CN109660967A (zh) * 2019-02-18 2019-04-19 华东交通大学 一种基于车联网bsm信息融合的行车安全监控装置与方法
CN110838070A (zh) * 2019-10-12 2020-02-25 中国平安财产保险股份有限公司 智能车险理赔概率预测方法、装置及计算机可读存储介质
CN111081021A (zh) * 2019-12-30 2020-04-28 泰康保险集团股份有限公司 一种行车安全控制方法、行车安全装置、移动终端及支架
CN111582589A (zh) * 2020-05-12 2020-08-25 上海新共赢信息科技有限公司 一种租车出险预测方法、装置、设备及存储介质
CN111775949A (zh) * 2020-07-09 2020-10-16 中国人民解放军国防科技大学 一种人机共驾控制系统的个性化驾驶员转向行为辅助方法
CN112116158A (zh) * 2020-09-21 2020-12-22 北京嘀嘀无限科技发展有限公司 数据处理方法、数据处理装置、存储介质和电子设备
CN112249008A (zh) * 2020-09-30 2021-01-22 南京航空航天大学 针对复杂动态环境的无人驾驶汽车预警方法
CN112650064A (zh) * 2021-01-05 2021-04-13 南京航空航天大学 一种适应于混杂道路的智能汽车汇入控制系统及方法
CN114005280A (zh) * 2021-11-17 2022-02-01 同济大学 一种基于不确定性估计的车辆轨迹预测方法
CN114418009A (zh) * 2022-01-21 2022-04-29 平安科技（深圳）有限公司 基于图注意力网络的分类方法、装置、设备和存储介质
CN114332825A (zh) * 2022-03-10 2022-04-12 中汽信息科技(天津)有限公司 基于深度学习的道路地形分布识别方法、设备和存储介质
CN114332520A (zh) * 2022-03-14 2022-04-12 中汽信息科技(天津)有限公司 基于深度学习的异常驾驶行为识别模型构建方法
CN114971009A (zh) * 2022-05-24 2022-08-30 车发现信息技术(厦门)有限公司 一种车险出险预测方法及计算机设备
CN115035491A (zh) * 2022-05-27 2022-09-09 深圳季连科技有限公司 一种基于联邦学习的驾驶行为路况预警方法
CN114926299A (zh) * 2022-06-20 2022-08-19 启明信息技术股份有限公司 一种基于大数据分析的预测车辆事故风险预测方法
CN115588310A (zh) * 2022-06-28 2023-01-10 中国公路工程咨询集团有限公司 一种基于轨迹数据的车辆碰撞风险预测方法
CN115179959A (zh) * 2022-07-18 2022-10-14 福州大学 基于行驶道路自适应更新阈值的智能驾驶车辆行为预测方法
CN115510990A (zh) * 2022-10-10 2022-12-23 上海汽车集团股份有限公司 一种模型训练方法和相关装置
CN115545958A (zh) * 2022-10-31 2022-12-30 中国平安财产保险股份有限公司 智能车险评估方法、装置、计算机设备及存储介质
CN115848398A (zh) * 2022-11-22 2023-03-28 上海大学 一种基于学习及考虑驾驶员行为特征的车道偏离预警系统评估方法
CN115730637A (zh) * 2022-11-25 2023-03-03 长安大学 多模态车辆轨迹预测模型训练方法、装置及轨迹预测方法

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117391871A (zh) * 2023-12-11 2024-01-12 广东车卫士信息科技有限公司 基于车辆驾驶行为的保险费用测算方法及系统
CN117391871B (zh) * 2023-12-11 2024-03-19 广东车卫士信息科技有限公司 基于车辆驾驶行为的保险费用测算方法及系统

Also Published As

Publication number Publication date
CN116226787B (zh) 2023-08-01

Similar Documents

Publication Publication Date Title
CN116226787B (zh) 商用车出险概率预测方法、设备和介质
CN113742163A (zh) 一种故障预警方法、装置、设备及存储介质
Brahimi et al. Modelling on car-sharing serial prediction based on machine learning and deep learning
CN116822652A (zh) 地铁故障预测方法、装置、电子设备、系统及存储介质
Ríos Insua et al. Managing driving modes in automated driving systems
CN113096405B (zh) 预测模型的构建方法、车辆事故预测方法及装置
CN113682302B (zh) 一种驾驶状态估计方法、装置、电子设备及存储介质
Karri et al. Classification and prediction of driving behaviour at a traffic intersection using SVM and KNN
CN110706517B (zh) 交通工具的智能安全预警方法、装置、系统及存储介质
CN116714437B (zh) 基于大数据的氢燃料电池汽车安全监控系统及监控方法
CN114692926A (zh) 车用电池的安全评估方法、系统、设备及可读存储介质
CN115640997B (zh) 交通事故风险动态识别方法和识别模型构建方法
CN116486622A (zh) 基于道路数据的交通智能规划系统及其方法
Michelaraki et al. Modelling the Safety Tolerance Zone: Recommendations from the i-DREAMS project
Zhang et al. Accident Detection and Flow Prediction for Connected and Automated Transport Systems
Huang et al. Cognitive traffic anomaly prediction from GPS trajectories using visible outlier indexes and meshed spatiotemporal neighborhoods
Xue et al. Driving style recognition incorporating risk surrogate by support vector machine
CN113807704A (zh) 一种城市轨道交通数据的智能算法平台构建方法
CN108985526B (zh) 运力预测方法及装置、计算机可读存储介质、终端
CN117668737B (zh) 一种管道检测数据故障预警查验方法以及相关装置
Panagiotopoulos et al. Cognitive selection of driving automation levels in highly automated vehicles leveraging on Bayesian networking principles
EP4060576A1 (en) A method for identifying vehicle performance
WO2023184188A1 (zh) 一种自动驾驶系统中神经网络模型故障监测方法及装置
CN116805045B (zh) 气象预测模型修正方法、装置、设备及可读存储介质
CN117842041A (zh) 车辆防爆方法、装置、终端设备以及存储介质

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
GR01 Patent grant
GR01 Patent grant
EE01 Entry into force of recordation of patent licensing contract

Application publication date: 20230606

Assignee: Zhongqi Intellectual Property (Guangzhou) Co.,Ltd.

Assignor: China automobile information technology (Tianjin) Co.,Ltd.

Contract record no.: X2024440000002

Denomination of invention: Methods, equipment, and media for predicting the probability of commercial vehicle accidents

Granted publication date: 20230801

License type: Common License

Record date: 20240105

EE01 Entry into force of recordation of patent licensing contract