CN116308828A - 一种出险数据集成融合的车辆智能定损方法及系统 - Google Patents
一种出险数据集成融合的车辆智能定损方法及系统 Download PDFInfo
- Publication number
- CN116308828A CN116308828A CN202310518124.8A CN202310518124A CN116308828A CN 116308828 A CN116308828 A CN 116308828A CN 202310518124 A CN202310518124 A CN 202310518124A CN 116308828 A CN116308828 A CN 116308828A
- Authority
- CN
- China
- Prior art keywords
- loss
- vehicle
- dangerous
- fusion
- dangerous case
- 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 36
- 230000004927 fusion Effects 0.000 claims abstract description 136
- 239000011159 matrix material Substances 0.000 claims abstract description 132
- 238000013507 mapping Methods 0.000 claims abstract description 32
- 238000004458 analytical method Methods 0.000 claims abstract description 22
- 230000006870 function Effects 0.000 claims description 111
- 239000013598 vector Substances 0.000 claims description 40
- 238000012549 training Methods 0.000 claims description 14
- 230000006855 networking Effects 0.000 claims description 7
- 238000012512 characterization method Methods 0.000 claims description 4
- 230000000694 effects Effects 0.000 abstract description 7
- 238000012545 processing Methods 0.000 abstract description 4
- 230000008569 process Effects 0.000 description 4
- 238000005516 engineering process Methods 0.000 description 3
- 238000012986 modification Methods 0.000 description 3
- 230000004048 modification Effects 0.000 description 3
- 238000013473 artificial intelligence Methods 0.000 description 2
- 238000012098 association analyses Methods 0.000 description 2
- 238000000513 principal component analysis Methods 0.000 description 2
- 230000009467 reduction Effects 0.000 description 2
- 238000012351 Integrated analysis Methods 0.000 description 1
- 230000002159 abnormal effect Effects 0.000 description 1
- 230000001133 acceleration Effects 0.000 description 1
- 238000004140 cleaning Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000012806 monitoring device Methods 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 230000009469 supplementation Effects 0.000 description 1
- 239000002966 varnish Substances 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
- G06Q40/00—Finance; Insurance; Tax strategies; Processing of corporate or income taxes
- G06Q40/08—Insurance
-
- 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
Landscapes
- Business, Economics & Management (AREA)
- Accounting & Taxation (AREA)
- Finance (AREA)
- Engineering & Computer Science (AREA)
- Marketing (AREA)
- Economics (AREA)
- Development Economics (AREA)
- Strategic Management (AREA)
- Technology Law (AREA)
- Physics & Mathematics (AREA)
- General Business, Economics & Management (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
- Traffic Control Systems (AREA)
Abstract
本发明涉及数据处理技术领域，提供了一种出险数据集成融合的车辆智能定损方法及系统，方法包括：根据车联网系统进行出险车辆识别，定位第一出险车辆，获取第一险情数据集、第二险情数据集，数据融合分析输出融合险情数据集，确定险情特征矩阵、损失特征矩阵，输入损失预测模型中进行融合定位，利用融合损失函数输出损失预测结果，损失定位输出损失定位结果，解决经验数据的单一映射构建损失定位模型精度低，车辆损失程度定位准确性低的技术问题，分别从全局、局部进行数据采集，全面采集出险车辆到的相关数据，并进行车辆损失情况的融合预测，利用融合特征构建损失定位模型，实现提高模型精度及其车辆损失程度定位准确性的技术效果。
Description
技术领域
本发明涉及数据处理相关技术领域，具体涉及一种出险数据集成融合的车辆智能定损方法及系统。
背景技术
出险车辆是指发生过事故、被保险人需要向保险公司申报索赔的车辆，出险车辆智能定损是指利用人工智能技术，结合图像处理、计算机视觉等技术，对车辆损失情况进行自动化检测和分析
但，人工智能技术大多采用单一监测信号特征作为模型的输入，状态评价能力有限，难以识别出险车辆实际的损失情况，识别所得车辆损失情况的置信度较低。
综上所述，现有技术中存在经验数据的单一映射构建损失定位模型精度低，车辆损失程度定位准确性低的技术问题。
发明内容
本申请通过提供了一种出险数据集成融合的车辆智能定损方法及系统，旨在解决现有技术中的经验数据的单一映射构建损失定位模型精度低，车辆损失程度定位准确性低的技术问题。
鉴于上述问题，本申请实施例提供了一种出险数据集成融合的车辆智能定损方法及系统。
本申请公开的第一个方面，提供了一种出险数据集成融合的车辆智能定损方法，其中，所述方法包括：根据车联网系统进行出险车辆识别，定位第一出险车辆；基于所述第一出险车辆从所述车联网系统的终端获取第一险情数据集，以及从所述第一出险车辆的车载系统终端获取第二险情数据集；对所述第一险情数据集和所述第二险情数据集进行数据融合分析，输出融合险情数据集；根据所述融合险情数据集，确定险情特征矩阵以及损失特征矩阵，其中，组成所述险情特征矩阵中的特征为标识发生险情的车辆所处场景特征，组成所述损失特征矩阵中的特征为标识发生险情的车辆损失区域特征；通过调用所述险情特征矩阵以及所述损失特征矩阵的向量输入损失预测模型中进行融合定位，所述损失预测模型包括融合损失函数，利用所述融合损失函数输出损失预测结果，其中，所述损失预测结果为车辆损失情况的融合预测结果；根据所述损失预测结果进行损失定位，输出损失定位结果。
本申请公开的另一个方面，提供了一种出险数据集成融合的车辆智能定损系统，其中，所述系统包括：出险车辆识别模块，用于根据车联网系统进行出险车辆识别，定位第一出险车辆；险情数据集获取模块，用于基于所述第一出险车辆从所述车联网系统的终端获取第一险情数据集，以及从所述第一出险车辆的车载系统终端获取第二险情数据集；数据融合分析模块，用于对所述第一险情数据集和所述第二险情数据集进行数据融合分析，输出融合险情数据集；特征矩阵确定模块，用于根据所述融合险情数据集，确定险情特征矩阵以及损失特征矩阵，其中，组成所述险情特征矩阵中的特征为标识发生险情的车辆所处场景特征，组成所述损失特征矩阵中的特征为标识发生险情的车辆损失区域特征；融合定位模块，用于通过调用所述险情特征矩阵以及所述损失特征矩阵的向量输入损失预测模型中进行融合定位，所述损失预测模型包括融合损失函数，利用所述融合损失函数输出损失预测结果，其中，所述损失预测结果为车辆损失情况的融合预测结果；损失定位模块，用于根据所述损失预测结果进行损失定位，输出损失定位结果。
本申请中提供的一个或多个技术方案，至少具有如下技术效果或优点：
由于采用了根据车联网系统进行出险车辆识别，定位第一出险车辆，从车联网系统的终端获取第一险情数据集、第二险情数据集；对第一险情数据集和第二险情数据集进行数据融合分析，输出融合险情数据集，确定险情特征矩阵以及损失特征矩阵，输入损失预测模型中进行融合定位，利用融合损失函数输出损失预测结果，进行损失定位，输出损失定位结果，分别从全局、局部进行数据采集，全面采集出险车辆到的相关数据，并进行车辆损失情况的融合预测，利用融合特征构建损失定位模型，实现了提高模型精度及其车辆损失程度定位准确性的技术效果。
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
图1为本申请实施例提供了一种出险数据集成融合的车辆智能定损方法可能的流程示意图；
图2为本申请实施例提供了一种出险数据集成融合的车辆智能定损方法中输出第一损失预测结果可能的流程示意图；
图3为本申请实施例提供了一种出险数据集成融合的车辆智能定损方法中融合预测结果调整可能的流程示意图；
图4为本申请实施例提供了一种出险数据集成融合的车辆智能定损系统可能的结构示意图。
附图标记说明：出险车辆识别模块100，险情数据集获取模块200，数据融合分析模块300，特征矩阵确定模块400，融合定位模块500，损失定位模块600。
具体实施方式
本申请实施例提供了一种出险数据集成融合的车辆智能定损方法及系统，解决了经验数据的单一映射构建损失定位模型精度低，车辆损失程度定位准确性低的技术问题，分别从全局、局部进行数据采集，全面采集出险车辆到的相关数据，并进行车辆损失情况的融合预测，利用融合特征构建损失定位模型，实现了提高模型精度及其车辆损失程度定位准确性的技术效果。
在介绍了本申请基本原理后，下面将结合说明书附图来具体介绍本申请的各种非限制性的实施方式。
实施例一
如图1所示，本申请实施例提供了一种出险数据集成融合的车辆智能定损方法，其中，所述方法包括：
S10：根据车联网系统进行出险车辆识别，定位第一出险车辆；
S20：基于所述第一出险车辆从所述车联网系统的终端获取第一险情数据集，以及从所述第一出险车辆的车载系统终端获取第二险情数据集；
具体而言，所述车联网系统为保险公司的线上理赔系统，所述第一出险车辆即需要进行事故定损的目标车辆，通过所述车联网系统中留存的被保险人名下的车牌信息进行出险车辆识别，进行车牌信息比对定位第一出险车辆；
所述第一险情数据用于表征交通上的一些全景的状况，比如，整体的受损状况以及引发的整体情况，一般的，可以通过安装在车辆上的传感器，例如加速度计、陀螺仪等设备，采集车辆发生事故时的数据，所述第一险情数据集包括传感器采集所得数据，以全局角度出发，基于所述第一出险车辆从所述车联网系统的终端获取第一险情数据集，为进行全局性的整体化分析提供数据基础；
所述第二险情数据用于表征车载自身采集到的情况，一般的，可以通过安装在道路上的图像采集设备，例如监控设备，采集车辆发生事故后损伤部位的图像，所述第二险情数据集包括损伤部位的图像，以局部角度出发，从所述第一出险车辆的车载系统终端获取第二险情数据集，为进行局部性的具体化分析提供数据基础。
S30：对所述第一险情数据集和所述第二险情数据集进行数据融合分析，输出融合险情数据集；
S40：根据所述融合险情数据集，确定险情特征矩阵以及损失特征矩阵，其中，组成所述险情特征矩阵中的特征为标识发生险情的车辆所处场景特征，组成所述损失特征矩阵中的特征为标识发生险情的车辆损失区域特征；
具体而言，将所述第一险情数据集作为框架，使用所述第二险情数据集进行融合补充，数据融合分析输出融合险情数据集，所述融合险情数据集的信息熵=第一险情数据集的信息熵+第二险情数据集的信息熵；
根据所述融合险情数据集，确定险情特征矩阵：对融合险情数据集进行清洗和处理，去除缺失数据和异常值，将融合险情数据集中的类别型特征（如车辆加速度、车辆行驶方向等）转换成数值型特征；使用PCA（主成分分析）等降维算法，对数据进行特征选择和降维等操作，提取出与险情相关的特征，并减少特征维度；将经过预处理和特征工程处理后的融合险情数据集转换为险情特征矩阵：使用numpy库中的array函数，将经过预处理和特征工程处理后的融合险情数据集转换为数组，进而转换为险情特征矩阵，组成所述险情特征矩阵中的特征为标识发生险情的车辆所处场景特征，所述车辆所处场景特征包括险情位置、两个车辆对象或单一对象以及车辆类型，比如车辆类型为大型货车、小型客车等；
根据所述融合险情数据集，确定损失特征矩阵：组成所述损失特征矩阵中的特征为标识发生险情的车辆损失区域特征，车辆损失区域特征可以是保险杠凹陷、车辆烤漆缺陷等，损失区域特征损失区域特征主要是损失程度、碰撞物等标签，不包括事故类型，包括需要进行理赔款预估相关的区域指标，对照确定险情特征矩阵的步骤，确定损失特征矩阵，为后续分析提供有效的数据支持。
S50：通过调用所述险情特征矩阵以及所述损失特征矩阵的向量输入损失预测模型中进行融合定位，所述损失预测模型包括融合损失函数，利用所述融合损失函数输出损失预测结果，其中，所述损失预测结果为车辆损失情况的融合预测结果；
如图2所示，步骤S50包括步骤：
S51：获取所述险情特征矩阵中，其中，构成所述险情特征矩阵中的向量至少包括险情场景特征向量、险情对象特征向量以及险情类型特征向量；并且
S52：将所述险情特征矩阵输入第一损失预测函数，其中，所述第一损失预测函数通过映射数据训练获取，所述映射数据为样本险情特征矩阵与损失结果的映射数据；
S53：根据所述第一损失预测函数进行预测，输出第一损失预测结果。
具体而言，通过调用所述险情特征矩阵输入损失预测模型中进行融合定位，包括，在根据所述融合险情数据集确定险情特征矩阵的过程中，进行险情特征限定，所述险情特征矩阵中的向量至少包括险情场景特征向量、险情对象特征向量以及险情类型特征向量，险情场景特征向量包括险情位置特征向量、险情环境特征向量等相关特征向量，比如险情对象特征向量对应为十字路口、险情环境特征向量对应为降雪量、险情对象特征向量对应为两个车辆对象以及单一对象、险情类型特征向量对应为追尾以及换线碰撞；
通过映射数据训练获取所述第一损失预测函数：所述样本险情特征矩阵与所述险情特征矩阵的数据类型一致，在所述车联网系统中，将所述险情特征矩阵作为检索目标，设置检索符，进行样本数据检索，获取样本险情特征矩阵，所述映射数据为样本险情特征矩阵与损失结果的映射数据；
在所述映射数据输入后，通过前向传播输出预测值，计算出预测值和映射数据对应的真实值之间的差异值，将映射数据训练过程所对应的差异值进行整合，获取所述第一损失预测函数，优选的，损失预测函数对应的公式为：
，将/>
表征为映射数据，将/>
表征为预测值和映射数据对应的真实值之间的差异值；将/>
表征为样本险情特征矩阵中的向量，将/>
表征为预测值，代入损失预测函数对应的公式中，得到所述第一损失预测函数，将所述险情特征矩阵输入第一损失预测函数，根据所述第一损失预测函数进行预测，输出第一损失预测结果，在通过调用所述险情特征矩阵输入损失预测模型中，设置第一损失预测函数，为尽可能地减小第一损失预测结果的值用以达成更准确地拟合映射数据训练，从而获得更好的泛化性。
本申请实施例还包括：
S541：基于所述损失特征矩阵，从所述车联网系统的终端对所述第一出险车辆进行类比，得到类比车辆集合；
S542：基于所述类比车辆集合进行对应车辆险情数据调用，输出类比车辆险情数据集；
S543：利用所述类比车辆险情数据集作为训练数据进行映射学习，搭建第二损失预测函数；
S544：调用所述险情特征矩阵中的向量数据，输入所述第一损失预测函数进行预测，输出第二损失预测结果。
具体而言，通过所述损失特征矩阵的向量输入损失预测模型中进行融合定位，包括，将所述损失特征矩阵与所述第一出险车辆构造的新的组合特征作为联网检索内容，从所述车联网系统的终端进行类比联网检索，得到所述车联网系统的终端中的类比车辆集合；基于所述类比车辆集合进行对应车辆险情数据调用，将调用的所述类比车辆集合对应车辆险情数据作为所述类比车辆险情数据集的元素，输出类比车辆险情数据集；
所述类比车辆险情数据集的元素为类比映射数据，所述类比映射数据为类比险情特征矩阵与类比损失结果的映射数据，利用所述类比车辆险情数据集作为训练数据进行映射学习，将类比映射数据训练过程所对应的差异值进行整合，获取所述第二损失预测函数，所述第二损失预测函数的获取步骤与所述第一损失预测函数的获取步骤一致，调用所述险情特征矩阵中的向量数据，将调用所得的险情特征矩阵中的向量数据作为输入数据，输入所述第一损失预测函数进行预测，输出第二损失预测结果，在通过所述损失特征矩阵的向量输入损失预测模型中，设置第二损失预测函数，为尽可能地减小第二损失预测结果的值用以达成更准确地拟合映射数据训练，从而获得更好的泛化性。
所述损失预测结果为车辆损失情况的融合预测结果，本申请实施例还包括：
S54：基于所述第一损失预测函数和所述第二损失预测函数进行函数融合，生成所述融合损失函数；
S55：将所述第一损失预测函数输出的第一损失预测结果，以及所述第二损失预测函数出的第二损失预测结果，作为输入信息输入所述融合损失函数中，根据所述融合损失函数，输出所述融合预测结果。
步骤S544-1包括步骤：
S544-12：所述融合损失函数如下：
，其中，/>
表征融合损失函数，/>
表征第一损失预测函数，即针对所述险情特征矩阵中变量/>
单个动态损失数据/>
中的损失函数；/>
表征第二损失预测函数，即针对所述损失特征矩阵中变量/>
单个动态损失数据/>
中的损失函数；
为正则化项，/>
为正则化项的权重。
具体而言，所述损失预测模型包括融合损失函数，利用所述融合损失函数输出损失预测结果，包括，所述损失预测结果为车辆损失情况的融合预测结果，将所述第一损失预测函数和所述第二损失预测函数代入所述融合损失函数中进行函数融合，生成所述融合损失函数，其中，所述融合损失函数如下：
，
表征融合损失函数，/>
表征第一损失预测函数，即针对所述险情特征矩阵中变量/>
单个动态损失数据/>
中的损失函数；/>
表征第二损失预测函数，即针对所述损失特征矩阵中变量/>
单个动态损失数据/>
中的损失函数；
为正则化项，/>
为正则化项的权重；将所述第一损失预测函数输出的第一损失预测结果，以及所述第二损失预测函数出的第二损失预测结果，作为输入信息输入所述融合损失函数中，根据所述融合损失函数实现函数融合，输出所述融合预测结果，一方面达成函数融合的目的，同时，加入正则化项，避免损失预测模型过拟合；
所述正则化项是在机器学习中用来防止模型过拟合的一项技术指标，可以通过向第一损失预测函数与第二损失预测函数中加入一个正则化项来限制损失预测模型参数，使损失预测模型在训练过程中不会出现过拟合现象，正则化项通常用于约束损失预测模型的参数取值大小和平方和；
一般的，正则化项通用于约束损失预测模型的参数取值大小：通过约束损失预测模型参数的正则化项范数实现稀疏性，即将某些无关紧要的特征的系数降为0，从而达到特征选择的效果；正则化项通用于约束损失预测模型的平方和：通过约束损失预测模型参数的正则化项范数实现平滑性，防止模型参数过大，从而减少过拟合的发生。
如图3所示，所述损失预测结果为车辆损失情况的融合预测结果，本申请实施例还包括：
S56：根据所述第一损失预测结果，判断所述第一出险车辆是否存在二次险情，若存在二次险情搭建二次险情特征矩阵；
S57：将所述险情特征矩阵与所述二次险情特征矩阵进行矩阵关联，获取关联矩阵；
S58：通过调用所述关联矩阵对所述第一出险车辆进行损失定位分析，输出二次损失预测结果，以所述二次损失预测结果对所述融合预测结果进行调整。
具体而言，所述损失预测结果为车辆损失情况的融合预测结果，包括，若因撞击导致车门的固定件松动，还存在车门掉落构成二次损伤的可能，基于此，根据所述第一损失预测结果，判断所述第一出险车辆是否存在二次险情，比如，若是车辆剐蹭导致的车辆烤漆脱落，不存在二次险情；若是车门的固定件松动，存在二次险情；若存在二次险情，对照险情特征矩阵搭建二次险情特征矩阵；
矩阵关联分析，也叫象限分析法，是一种将事物的两个重要指标作为分析依据进行分类关联分析的方法，将所述险情特征矩阵与所述二次险情特征矩阵进行矩阵关联，包括：根据所述险情特征矩阵与所述二次险情特征矩阵中各数据的相对大小以及各指标所属象限；在所述险情特征矩阵与所述二次险情特征矩阵对应的指标所属象限一致的情况下，进行数据的相对相关性大小分析，依照所述险情特征矩阵与所述二次险情特征矩阵对应的指标所属象限以及对应的相关性大小，获取关联矩阵；
通过调用所述关联矩阵输入损失预测模型中对所述第一出险车辆损失定位分析：将所述关联矩阵输入二次损失预测函数，所述二次损失预测函数通过映射数据训练获取；调用所述关联矩阵中的向量数据，输入二次损失预测函数进行预测，输出二次损失预测结果，同样的，相关步骤不做具体展开说明，详见输出第一损失预测结果、第二损失预测结果的展开说明，以所述二次损失预测结果对所述融合预测结果进行调整，从可能发生的二次损伤角度出发，贴合实际情况进行损失预测，提升损失预测模型的场景适用性。
S60：根据所述损失预测结果进行损失定位，输出损失定位结果。
步骤S60包括步骤：
S61：获取所述损失预测结果，其中，所述损失预测结果包括所述第一出险车辆的损失元件以及各个损失元件对应的损失等级，其中，所述损失等级用于标识元件受损伤后存在的安全隐患程度；
S62：根据所述损失预测结果，输出M个标识元件，其中，M为大于等于0的正整数，以所述M个标识元件作为所述损失定位结果输出。
具体而言，根据所述损失预测结果进行损失定位，输出损失定位结果，包括，在获取第一损失预测结果、第二损失预测结果以及对应的可能发生的二次损失预测结果后，将第一损失预测结果、第二损失预测结果以及对应的可能发生的二次损失预测结果作为损失预测结果，所述损失预测结果包括所述第一出险车辆的损失元件以及各个损失元件对应的损失等级，所述损失等级用于标识元件受损伤后存在的安全隐患程度，一般的，油箱受到损伤对应的安全隐患程度最高；根据所述损失预测结果中的第一出险车辆的损失元件，输出M个标识元件，以所述M个标识元件作为所述损失定位结果输出，对照损失元件设置标识，为实现损失快速定位提供支持。
综上所述，本申请实施例所提供的一种出险数据集成融合的车辆智能定损方法及系统具有如下技术效果：
1.由于采用了根据车联网系统进行出险车辆识别，定位第一出险车辆，从车联网系统的终端获取第一险情数据集、第二险情数据集；对第一险情数据集和第二险情数据集进行数据融合分析，输出融合险情数据集，确定险情特征矩阵以及损失特征矩阵，输入损失预测模型中进行融合定位，利用融合损失函数输出损失预测结果，进行损失定位，输出损失定位结果，本申请通过提供了一种出险数据集成融合的车辆智能定损方法及系统，分别从全局、局部进行数据采集，全面采集出险车辆到的相关数据，并进行车辆损失情况的融合预测，利用融合特征构建损失定位模型，实现了提高模型精度及其车辆损失程度定位准确性的技术效果。
2.由于采用了融合损失函数如下：
，根据融合损失函数实现函数融合，输出融合预测结果，一方面达成函数融合的目的，同时，加入正则化项，避免损失预测模型过拟合。
实施例二
基于与前述实施例中一种出险数据集成融合的车辆智能定损方法相同的发明构思，如图4所示，本申请实施例提供了一种出险数据集成融合的车辆智能定损系统，其中，所述系统包括：
出险车辆识别模块100，用于根据车联网系统进行出险车辆识别，定位第一出险车辆；
险情数据集获取模块200，用于基于所述第一出险车辆从所述车联网系统的终端获取第一险情数据集，以及从所述第一出险车辆的车载系统终端获取第二险情数据集；
数据融合分析模块300，用于对所述第一险情数据集和所述第二险情数据集进行数据融合分析，输出融合险情数据集；
特征矩阵确定模块400，用于根据所述融合险情数据集，确定险情特征矩阵以及损失特征矩阵，其中，组成所述险情特征矩阵中的特征为标识发生险情的车辆所处场景特征，组成所述损失特征矩阵中的特征为标识发生险情的车辆损失区域特征；
融合定位模块500，用于通过调用所述险情特征矩阵以及所述损失特征矩阵的向量输入损失预测模型中进行融合定位，所述损失预测模型包括融合损失函数，利用所述融合损失函数输出损失预测结果，其中，所述损失预测结果为车辆损失情况的融合预测结果；
损失定位模块600，用于根据所述损失预测结果进行损失定位，输出损失定位结果。
进一步的，所述系统包括：
特征向量获取模块，用于获取所述险情特征矩阵中，其中，构成所述险情特征矩阵中的向量至少包括险情场景特征向量、险情对象特征向量以及险情类型特征向量；
险情特征矩阵输入模块，用于将所述险情特征矩阵输入第一损失预测函数，其中，所述第一损失预测函数通过映射数据训练获取，所述映射数据为样本险情特征矩阵与损失结果的映射数据；
第一损失预测结果输出模块，用于根据所述第一损失预测函数进行预测，输出第一损失预测结果。
进一步的，所述系统包括：
类比车辆集合得到模块，用于基于所述损失特征矩阵，从所述车联网系统的终端对所述第一出险车辆进行类比，得到类比车辆集合；
类比车辆险情数据集输出模块，用于基于所述类比车辆集合进行对应车辆险情数据调用，输出类比车辆险情数据集；
第二损失预测函数搭建模块，用于利用所述类比车辆险情数据集作为训练数据进行映射学习，搭建第二损失预测函数；
第二损失预测结果输出模块，用于调用所述险情特征矩阵中的向量数据，输入所述第一损失预测函数进行预测，输出第二损失预测结果。
进一步的，所述系统包括：
融合损失函数生成模块，用于基于所述第一损失预测函数和所述第二损失预测函数进行函数融合，生成所述融合损失函数；
融合预测结果输出模块，用于将所述第一损失预测函数输出的第一损失预测结果，以及所述第二损失预测函数出的第二损失预测结果，作为输入信息输入所述融合损失函数中，根据所述融合损失函数，输出所述融合预测结果。
进一步的，所述系统包括：
融合损失函数模块，用于所述融合损失函数如下：
，其中，/>
表征融合损失函数，/>
表征第一损失预测函数，即针对所述险情特征矩阵中变量/>
单个动态损失数据/>
中的损失函数；/>
表征第二损失预测函数，即针对所述损失特征矩阵中变量/>
单个动态损失数据/>
中的损失函数；/>
为正则化项，/>
为正则化项的权重。
进一步的，所述系统包括：
二次险情特征矩阵搭建模块，用于根据所述第一损失预测结果，判断所述第一出险车辆是否存在二次险情，若存在二次险情搭建二次险情特征矩阵；
关联矩阵获取模块，用于将所述险情特征矩阵与所述二次险情特征矩阵进行矩阵关联，获取关联矩阵；
二次损失预测结果输出模块，用于通过调用所述关联矩阵对所述第一出险车辆进行损失定位分析，输出二次损失预测结果，以所述二次损失预测结果对所述融合预测结果进行调整。
进一步的，所述系统包括：
损失预测结果获取模块，用于获取所述损失预测结果，其中，所述损失预测结果包括所述第一出险车辆的损失元件以及各个损失元件对应的损失等级，其中，所述损失等级用于标识元件受损伤后存在的安全隐患程度；
标识元件输出模块，用于根据所述损失预测结果，输出M个标识元件，其中，M为大于等于0的正整数，以所述M个标识元件作为所述损失定位结果输出。
综上所述的方法的任意步骤都可作为计算机指令或者程序存储在不设限制的计算机存储器中，并可以被不设限制的计算机处理器调用识别用以实现本申请实施例中的任一项方法，在此不做多余限制。
进一步的，综上所述的第一或第二可能不只代表次序关系，也可能代表某项特指概念，和/或指的是多个元素之间可单独或全部选择。显然，本领域的技术人员可以对本申请进行各种改动和变型而不脱离本申请的范围。这样，倘若本申请的这些修改和变型属于本申请及其等同技术的范围之内，则本申请意图包括这些改动和变型在内。
Claims (8)
1.一种出险数据集成融合的车辆智能定损方法，其特征在于，所述方法包括：
根据车联网系统进行出险车辆识别，定位第一出险车辆；
基于所述第一出险车辆从所述车联网系统的终端获取第一险情数据集，以及从所述第一出险车辆的车载系统终端获取第二险情数据集；
对所述第一险情数据集和所述第二险情数据集进行数据融合分析，输出融合险情数据集；
根据所述融合险情数据集，确定险情特征矩阵以及损失特征矩阵，其中，组成所述险情特征矩阵中的特征为标识发生险情的车辆所处场景特征，组成所述损失特征矩阵中的特征为标识发生险情的车辆损失区域特征；
通过调用所述险情特征矩阵以及所述损失特征矩阵的向量输入损失预测模型中进行融合定位，所述损失预测模型包括融合损失函数，利用所述融合损失函数输出损失预测结果，其中，所述损失预测结果为车辆损失情况的融合预测结果；
根据所述损失预测结果进行损失定位，输出损失定位结果。
2.如权利要求1所述的出险数据集成融合的车辆智能定损方法，其特征在于，所述方法还包括：
获取所述险情特征矩阵中，其中，构成所述险情特征矩阵中的向量至少包括险情场景特征向量、险情对象特征向量以及险情类型特征向量；并且
将所述险情特征矩阵输入第一损失预测函数，其中，所述第一损失预测函数通过映射数据训练获取，所述映射数据为样本险情特征矩阵与损失结果的映射数据；
根据所述第一损失预测函数进行预测，输出第一损失预测结果。
3.如权利要求2所述的出险数据集成融合的车辆智能定损方法，其特征在于，所述方法还包括：
基于所述损失特征矩阵，从所述车联网系统的终端对所述第一出险车辆进行类比，得到类比车辆集合；
基于所述类比车辆集合进行对应车辆险情数据调用，输出类比车辆险情数据集；
利用所述类比车辆险情数据集作为训练数据进行映射学习，搭建第二损失预测函数；
调用所述险情特征矩阵中的向量数据，输入所述第一损失预测函数进行预测，输出第二损失预测结果。
4.如权利要求3所述的出险数据集成融合的车辆智能定损方法，其特征在于，所述方法还包括：
基于所述第一损失预测函数和所述第二损失预测函数进行函数融合，生成所述融合损失函数；
将所述第一损失预测函数输出的第一损失预测结果，以及所述第二损失预测函数出的第二损失预测结果，作为输入信息输入所述融合损失函数中，根据所述融合损失函数，输出所述融合预测结果。
5.如权利要求4所述的出险数据集成融合的车辆智能定损方法，其特征在于，所述融合损失函数如下：
其中，
表征融合损失函数，/>
表征第一损失预测函数，即针对所述险情特征矩阵中变量/>
单个动态损失数据/>
中的损失函数；/>
表征第二损失预测函数，即针对所述损失特征矩阵中变量/>
单个动态损失数据/>
中的损失函数；/>
为正则化项，/>
为正则化项的权重。
6.如权利要求2所述的出险数据集成融合的车辆智能定损方法，其特征在于，所述方法还包括：
根据所述第一损失预测结果，判断所述第一出险车辆是否存在二次险情，若存在二次险情搭建二次险情特征矩阵；
将所述险情特征矩阵与所述二次险情特征矩阵进行矩阵关联，获取关联矩阵；
通过调用所述关联矩阵对所述第一出险车辆进行损失定位分析，输出二次损失预测结果，以所述二次损失预测结果对所述融合预测结果进行调整。
7.如权利要求1所述的出险数据集成融合的车辆智能定损方法，其特征在于，根据所述损失预测结果进行损失定位，输出损失定位结果，方法包括：
获取所述损失预测结果，其中，所述损失预测结果包括所述第一出险车辆的损失元件以及各个损失元件对应的损失等级，其中，所述损失等级用于标识元件受损伤后存在的安全隐患程度；
根据所述损失预测结果，输出M个标识元件，其中，M为大于等于0的正整数，以所述M个标识元件作为所述损失定位结果输出。
8.一种出险数据集成融合的车辆智能定损系统，其特征在于，用于实施权利要求1-7任意一项所述的一种出险数据集成融合的车辆智能定损方法，包括：
出险车辆识别模块，用于根据车联网系统进行出险车辆识别，定位第一出险车辆；
险情数据集获取模块，用于基于所述第一出险车辆从所述车联网系统的终端获取第一险情数据集，以及从所述第一出险车辆的车载系统终端获取第二险情数据集；
数据融合分析模块，用于对所述第一险情数据集和所述第二险情数据集进行数据融合分析，输出融合险情数据集；
特征矩阵确定模块，用于根据所述融合险情数据集，确定险情特征矩阵以及损失特征矩阵，其中，组成所述险情特征矩阵中的特征为标识发生险情的车辆所处场景特征，组成所述损失特征矩阵中的特征为标识发生险情的车辆损失区域特征；
融合定位模块，用于通过调用所述险情特征矩阵以及所述损失特征矩阵的向量输入损失预测模型中进行融合定位，所述损失预测模型包括融合损失函数，利用所述融合损失函数输出损失预测结果，其中，所述损失预测结果为车辆损失情况的融合预测结果；
损失定位模块，用于根据所述损失预测结果进行损失定位，输出损失定位结果。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310518124.8A CN116308828B (zh) | 2023-05-10 | 2023-05-10 | 一种出险数据集成融合的车辆智能定损方法及系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310518124.8A CN116308828B (zh) | 2023-05-10 | 2023-05-10 | 一种出险数据集成融合的车辆智能定损方法及系统 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN116308828A true CN116308828A (zh) | 2023-06-23 |
| CN116308828B CN116308828B (zh) | 2023-08-11 |
Family
ID=86781747
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202310518124.8A Active CN116308828B (zh) | 2023-05-10 | 2023-05-10 | 一种出险数据集成融合的车辆智能定损方法及系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN116308828B (zh) |
Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20150339810A1 (en) * | 2014-05-20 | 2015-11-26 | General Electric Company | Method and system for detecting a damaged component of a machine |
| CN114972771A (zh) * | 2022-06-22 | 2022-08-30 | 平安科技（深圳）有限公司 | 车辆定损理赔方法、装置、电子设备及存储介质 |
| WO2023279694A1 (zh) * | 2021-07-05 | 2023-01-12 | 平安科技（深圳）有限公司 | 车辆置换预测方法、装置、设备及存储介质 |
| CN116013110A (zh) * | 2023-01-03 | 2023-04-25 | 重庆长安汽车股份有限公司 | 一种车辆碰撞风险预测装置及方法 |
| CN116029326A (zh) * | 2023-01-05 | 2023-04-28 | 凯泰铭科技（北京）有限公司 | 一种便于ai图像识别的车险定损码的建立方法 |
-
2023
- 2023-05-10 CN CN202310518124.8A patent/CN116308828B/zh active Active
Patent Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20150339810A1 (en) * | 2014-05-20 | 2015-11-26 | General Electric Company | Method and system for detecting a damaged component of a machine |
| WO2023279694A1 (zh) * | 2021-07-05 | 2023-01-12 | 平安科技（深圳）有限公司 | 车辆置换预测方法、装置、设备及存储介质 |
| CN114972771A (zh) * | 2022-06-22 | 2022-08-30 | 平安科技（深圳）有限公司 | 车辆定损理赔方法、装置、电子设备及存储介质 |
| CN116013110A (zh) * | 2023-01-03 | 2023-04-25 | 重庆长安汽车股份有限公司 | 一种车辆碰撞风险预测装置及方法 |
| CN116029326A (zh) * | 2023-01-05 | 2023-04-28 | 凯泰铭科技（北京）有限公司 | 一种便于ai图像识别的车险定损码的建立方法 |
Non-Patent Citations (1)
| Title |
|---|
| 王帅帅;刘建国;纪郭;: "基于全卷积神经网络的车道线检测", 数字制造科学, no. 02, pages 52 - 57 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN116308828B (zh) | 2023-08-11 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN112990432B (zh) | 目标识别模型训练方法、装置及电子设备 | |
| CN110569837B (zh) | 优化损伤检测结果的方法及装置 | |
| US11386307B2 (en) | Machine vision system | |
| CN112233097B (zh) | 基于空时域多维融合的道路场景他车检测系统和方法 | |
| CN111062413A (zh) | 一种道路目标检测方法、装置、电子设备及存储介质 | |
| CN110264444B (zh) | 基于弱分割的损伤检测方法及装置 | |
| CN112149491A (zh) | 用于确定探测到的对象的信任值的方法 | |
| CN112149503A (zh) | 目标事件检测方法、装置和电子设备和可读介质 | |
| CN114444366A (zh) | 基于有限元仿真的桥梁数字孪生模型更新方法及装置 | |
| US20200104940A1 (en) | Artificial intelligence enabled assessment of damage to automobiles | |
| CN114820465A (zh) | 点云检测模型训练方法、装置、电子设备及存储介质 | |
| CN112906816B (zh) | 基于光微分与双通道神经网络的目标检测方法和装置 | |
| CN110889399A (zh) | 基于深度学习的高分辨率遥感影像弱小目标检测方法 | |
| CN115980050B (zh) | 排水口的水质检测方法、装置、计算机设备及存储介质 | |
| CN118172548B (zh) | 基于多数据融合的目标检测跟踪识别方法及系统 | |
| CN114511515B (zh) | 一种基于BoltCorrDetNet网络的螺栓腐蚀检测系统和检测方法 | |
| CN117173145A (zh) | 电力设备表面缺陷的检测方法、装置、设备及存储介质 | |
| CN111144425B (zh) | 检测拍屏图片的方法、装置、电子设备及存储介质 | |
| CN111553184A (zh) | 一种基于电子围网的小目标检测方法、装置及电子设备 | |
| CN116308828B (zh) | 一种出险数据集成融合的车辆智能定损方法及系统 | |
| CN115439450A (zh) | 用于自动驾驶的视频画面质量评价方法、装置、设备、存储介质 | |
| CN116030300A (zh) | 一种用于零样本sar目标识别的渐进式域自适应识别方法 | |
| CN112837326A (zh) | 遗留物检测方法、装置及设备 | |
| CN111881833A (zh) | 一种车辆检测方法、装置、设备及存储介质 | |
| Ravishankaran | Impact on how AI in automobile industry has affected the type approval process at RDW |
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 |