CN116385184A - 一种车险计算方法、装置、计算机设备及存储介质 - Google Patents

Abstract

本申请实施例属于人工智能中的智能决策技术领域，涉及一种基于违章数据的车险计算方法、装置、计算机设备及存储介质，该方法包括：获取待计算的车险投保保单，其中，车险投保保单至少携带有目标车辆标识；读取数据库，在数据库中获取与目标车辆标识相对应的违章记录数据以及历史承保数据；根据历史承保数据对违章记录数据进行特征筛选操作，得到违章风险因子；调用车险计算模型，根据车险计算模型对车险投保保单以及违章风险因子进行风险预测操作，得到目标车辆标识相对应的车险计算结果；输出车险计算结果。本申请在进行风险预测的过程中加入了违章风险因子，使得车辆计算更加符合事情的情况，有效提高车险计算的准确性。

Description

一种车险计算方法、装置、计算机设备及存储介质

技术领域

本申请涉及人工智能中的智能决策技术领域，尤其涉及一种基于违章数据的车险计算方法、装置、计算机设备及存储介质。

背景技术

随着保险意识的提高，越来越多的车主在购买机动车辆后，会为车辆投保，购买车险，以保障车祸事故中受害人的正当权益。

现有一种车险计算方法，通过制定车险计算模型，并基于该车险计算模型对目标车辆得车辆信息（如车价、车辆类型、车辆品牌等）、用户信息（如性别、年龄、驾龄等）以及用户驾驶行为（如维修保养习惯、出行习惯等）等信息进行评估计算，以达到获取该目标车辆的车险策略目的。

然而，申请人发现传统的车险计算方法普遍不智能，虽然传统的车险计算方法能够对用户驾驶行为的维修保养习惯、出行习惯进行分析，但是，如若该目标车辆的用户存在历史违章数据时，则说明该用户存在更高的驾驶风险，如果仍然按照传统的车险计算方法计算车险的话，会存在计算不准确的问题。

发明内容

本申请实施例的目的在于提出一种基于违章数据的车险计算方法、装置、计算机设备及存储介质，以解决传统的车险计算方法存在车险计算准确性较低的问题。

为了解决上述技术问题，本申请实施例提供一种基于违章数据的车险计算方法，采用了如下所述的技术方案：

获取待计算的车险投保保单，其中，所述车险投保保单至少携带有目标车辆标识；

读取数据库，在所述数据库中获取与所述目标车辆标识相对应的违章记录数据以及历史承保数据；

根据所述历史承保数据对所述违章记录数据进行特征筛选操作，得到违章风险因子；

调用车险计算模型，根据所述车险计算模型对所述车险投保保单以及所述违章风险因子进行风险预测操作，得到所述目标车辆标识相对应的车险计算结果；

输出所述车险计算结果。

进一步的，所述根据所述历史承保数据对所述违章记录数据进行特征筛选操作，得到违章风险因子的步骤，具体包括下述步骤：

计算所述违章记录数据的预测赔付率；

计算所述违章记录数据的事故预测赔付率残差；

计算所述违章记录数据的人伤事故预测赔付率残差；

根据所述预测赔付率、事故预测赔付率残差以及所述人伤事故预测赔付率残差对所述违章记录数据进行相关度评分操作，得到相关度评分结果；

将满足预设评分阈值的相关度评分结果对应的违章记录数据作为所述违章风险因子。

进一步的，所述计算所述违章记录数据的预测赔付率的步骤，具体包括下述步骤：

在所述历史承保数据中获取与所述违章记录数据强相关的历史违章风险因子以及与所述历史违章风险因子相对应的实际赔付率；

调用常规风险模型，并根据所述常规风险模型对所述违章记录数据进行赔付率预估操作，得到预估赔付率；

以所述实际赔付率以及所述预估赔付率的比值作为目标变量、所述历史违章风险因子作为输入自变量构建赔付残差模型，得到残差预测值；

计算所述预估赔付率以及所述残差预测值的乘积，得到所述预测赔付率。

进一步的，所述计算所述违章记录数据的事故预测赔付率残差的步骤，具体包括下述步骤：

根据事故特征在所述历史承保数据中筛选出与所述违章记录数据强相关的历史事故违章风险因子以及与所述历史事故违章风险因子相对应的历史事故实际赔付率；

以所述历史事故实际赔付率以及预测赔付率残差作为目标变量、所述历史事故违章风险因子作为输入自变量构建事故残差模型，得到所述事故预测赔付率残差。

进一步的，所述计算所述违章记录数据的人伤事故预测赔付率残差的步骤，具体包括下述步骤：

根据人伤事故特征在所述历史承保数据中筛选出与所述违章记录数据强相关的历史人伤事故违章风险因子以及与所述历史人伤事故违章风险因子相对应的历史人伤事故实际赔付率；

以所述历史人伤事故实际赔付率以及预测赔付率残差作为目标变量、所述历史人伤事故违章风险因子作为输入自变量构建人伤事故残差模型，得到所述人伤事故预测赔付率残差。

进一步的，在所述调用车险计算模型，根据所述车险计算模型对所述车险投保保单以及所述违章风险因子进行风险预测操作，得到所述目标车辆标识相对应的车险计算结果的步骤之前，还包括下述步骤：

获取模型构建信息，其中，所述模型构建信息包括N个模型节点以及与所述模型节点间的关联关系，N为正整数；

根据每个所述模型节点对应的代码文件以及每个所述模型节点间的关联关系，构建所述车险计算模型。

为了解决上述技术问题，本申请实施例还提供一种基于违章数据的车险计算装置，采用了如下所述的技术方案：

投保保单获取模块，用于获取待计算的车险投保保单，其中，所述车险投保保单至少携带有目标车辆标识；

违章记录获取模块，用于读取数据库，在所述数据库中获取与所述目标车辆标识相对应的违章记录数据以及历史承保数据；

特征筛选模块，用于根据所述历史承保数据对所述违章记录数据进行特征筛选操作，得到违章风险因子；

风险预测模块，用于调用车险计算模型，根据所述车险计算模型对所述车险投保保单以及所述违章风险因子进行风险预测操作，得到所述目标车辆标识相对应的车险计算结果；

结果输出模块，用于输出所述车险计算结果。

进一步的，所述特征筛选模块，包括：

预测赔付率计算子模块，用于计算所述违章记录数据的预测赔付率；

事故预测赔付率计算子模块，用于计算所述违章记录数据的事故预测赔付率残差；

人伤事故预测赔付率计算子模块，用于计算所述违章记录数据的人伤事故预测赔付率残差；

相关度评分子模块，用于根据所述预测赔付率、事故预测赔付率残差以及所述人伤事故预测赔付率残差对所述违章记录数据进行相关度评分操作，得到相关度评分结果；

特征筛选子模块，用于将满足预设评分阈值的相关度评分结果对应的违章记录数据作为所述违章风险因子。

为了解决上述技术问题，本申请实施例还提供一种计算机设备，采用了如下所述的技术方案：

包括存储器和处理器，所述存储器中存储有计算机可读指令，所述处理器执行所述计算机可读指令时实现如上所述的基于违章数据的车险计算方法的步骤。

为了解决上述技术问题，本申请实施例还提供一种计算机可读存储介质，采用了如下所述的技术方案：

所述计算机可读存储介质上存储有计算机可读指令，所述计算机可读指令被处理器执行时实现如上所述的基于违章数据的车险计算方法的步骤。

本申请提供了一种基于违章数据的车险计算方法，包括：获取待计算的车险投保保单，其中，所述车险投保保单至少携带有目标车辆标识；读取数据库，在所述数据库中获取与所述目标车辆标识相对应的违章记录数据；根据历史承保数据对所述违章记录数据进行特征筛选操作，得到违章风险因子；调用车险计算模型，根据所述车险计算模型对所述车险投保保单以及所述违章风险因子进行风险预测操作，得到所述目标车辆标识相对应的车险计算结果；输出所述车险计算结果。与现有技术相比，本申请在获得待计算的车险投保保单之后，首先获取该车险投保保单的目标车辆标识相对应的违章记录数据，其次基于历史承保数据对该违章记录数据进行特征筛选，以得到影响车险计算的违章风险因子，最后调用车险计算模型对该车险投保保单和该违章风险因子进行风险预测，得到该车险投保保单的车险计算结果，本申请进行风险预测的过程中加入了违章风险因子，使得车辆计算更加符合事情的情况，有效提高车险计算的准确性。

附图说明

为了更清楚地说明本申请中的方案，下面将对本申请实施例描述中所需要使用的附图作一个简单介绍，显而易见地，下面描述中的附图是本申请的一些实施例，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是本申请可以应用于其中的示例性系统架构图；

图2是本申请实施例一提供的基于违章数据的车险计算方法的实现流程图；

图3是图2中步骤S203的一种具体实施方式的流程图；

图4是图3中步骤S301的一种具体实施方式的流程图；

图5是图3中步骤S302的一种具体实施方式的流程图；

图6是图3中步骤S303的一种具体实施方式的流程图；

图7是图2中步骤S204之前的一种具体实施方式的流程图；

图8是本申请实施例二提供的基于违章数据的车险计算装置的结构示意图；

图9是根据本申请的计算机设备的一个实施例的结构示意图。

具体实施方式

除非另有定义，本文所使用的所有的技术和科学术语与属于本申请的技术领域的技术人员通常理解的含义相同；本文中在申请的说明书中所使用的术语只是为了描述具体的实施例的目的，不是旨在于限制本申请；本申请的说明书和权利要求书及上述附图说明中的术语“包括”和“具有”以及它们的任何变形，意图在于覆盖不排他的包含。本申请的说明书和权利要求书或上述附图中的术语“第一”、“第二”等是用于区别不同对象，而不是用于描述特定顺序。

在本文中提及“实施例”意味着，结合实施例描述的特定特征、结构或特性可以包含在本申请的至少一个实施例中。在说明书中的各个位置出现该短语并不一定均是指相同的实施例，也不是与其它实施例互斥的独立的或备选的实施例。本领域技术人员显式地和隐式地理解的是，本文所描述的实施例可以与其它实施例相结合。

为了使本技术领域的人员更好地理解本申请方案，下面将结合附图，对本申请实施例中的技术方案进行清楚、完整地描述。

如图1所示，系统架构100可以包括终端设备101、102、103，网络104和服务器105。网络104用以在终端设备101、102、103和服务器105之间提供通信链路的介质。网络104可以包括各种连接类型，例如有线、无线通信链路或者光纤电缆等等。

用户可以使用终端设备101、102、103通过网络104与服务器105交互，以接收或发送消息等。终端设备101、102、103上可以安装有各种通讯客户端应用，例如网页浏览器应用、购物类应用、搜索类应用、即时通信工具、邮箱客户端、社交平台软件等。

终端设备101、102、103可以是具有显示屏并且支持网页浏览的各种电子设备，包括但不限于智能手机、平板电脑、电子书阅读器、MP3播放器( Moving Picture ExpertsGroup Audio Layer III，动态影像专家压缩标准音频层面3 )、MP4( Moving PictureExperts Group Audio Layer IV，动态影像专家压缩标准音频层面4 )播放器、膝上型便携计算机和台式计算机等等。

服务器105可以是提供各种服务的服务器，例如对终端设备101、102、103上显示的页面提供支持的后台服务器。

需要说明的是，本申请实施例所提供的基于违章数据的车险计算方法一般由服务器/终端设备执行，相应地，基于违章数据的车险计算装置一般设置于服务器/终端设备中。

应该理解，图1中的终端设备、网络和服务器的数目仅仅是示意性的。根据实现需要，可以具有任意数目的终端设备、网络和服务器。

实施例

继续参考图2，示出了本申请实施例一提供的基于违章数据的车险计算方法的实现流程图，为了便于说明，仅示出与本申请相关的部分。

上述的基于违章数据的车险计算方法，包括：步骤S201、步骤S202、步骤S203、步骤S204以及步骤S205。

在步骤S201中，获取待计算的车险投保保单，其中，车险投保保单至少携带有目标车辆标识。

在本申请实施例中，从数据平台中获取预设数量的车险投保保单。其中，数据平台为存储车险投保保单的服务器或者服务器集群，车险投保保单为客户通过线上投保车险时生成的保单，预设数量可以基于实际情况进行设置，本申请实施例对此不做具体限定。例如，预设数量为500。

在本申请实施例中，目标车辆标识主要用于唯一标识待计算的车辆。

在步骤S202中，读取数据库，在数据库中获取与目标车辆标识相对应的违章记录数据以及历史承保数据。

在本申请实施例中，数据库主要用于存储车辆违章数据和历史承保数据，其中，车辆违章数据包含违章车辆的车辆信息、违章行为、罚分、罚款、违章地点、道路类型等信息；历史承保数据包括车辆信息、实际赔付率等信息，车辆违章数据可通过车辆信息与历史承保数据关联，得到关联数据集，以进行下一步的因子挑选。

在本实施例的一些可选的实现方式中，在获得违章记录数据之后，可以对违章记录数据进行预处理，得到标准化的违章记录数据。

在本申请实施例中，预处理过程可以是对车辆违法违章记录数据进行统计分析后，依次进行缺失值处理、异常值剔除、归一化处理，并建立不同违章数据的交叉变量，如违法地点与违法种类交叉、违法次数与扣分情况交叉等，得到标准化的车辆违法违章数据。

在本申请实施例中，标准化的违章记录数据为剔除异常值、补齐缺失值后的违法违章数据。

在步骤S203中，根据历史承保数据对违章记录数据进行特征筛选操作，得到违章风险因子。

在本申请实施例中，特征筛选操作可以是计算违章记录数据的预测赔付率；计算违章记录数据的事故预测赔付率残差；计算违章记录数据的人伤事故预测赔付率残差；根据预测赔付率、事故预测赔付率残差以及人伤事故预测赔付率残差对违章记录数据进行相关度评分操作，得到相关度评分结果；将满足预设评分阈值的相关度评分结果对应的违章记录数据作为违章风险因子。

在步骤S204中，调用车险计算模型，根据车险计算模型对车险投保保单以及违章风险因子进行风险预测操作，得到目标车辆标识相对应的车险计算结果。

在本申请实施例中，车险计算模型实质为汽车保险计算模型，该车险计算模型可能因保险公司而异，但大多数模型都考虑了可能影响事故或索赔可能性的几个因素。以下是一些可以考虑的常见因素：1）年龄和性别：由于事故率较高，年轻和男性司机的保险费率可能更高；2）驾驶记录：有事故或交通违规记录的司机可能会被收取更高的费用；3）车辆类型：由于维修或更换成本，昂贵或高性能车辆的费率可能更高；4）位置：居住在事故或盗窃发生率较高地区的司机可能有更高的发生率。而本申请则是在原汽车保险计算模型的基础上，创新性的增设自动驾驶风险因子，使得原汽车保险计算模型可以对结合了L2级别自动驾驶功能的新型智能化汽车进行风险预测。

在本申请实施例中，车险计算模型可以是CART决策树模型，以标的是否出险作为目标进行的二分类训练任务，通过设置节点层数及个数，可生成一个对应不同出险概率的不同自动驾驶功能组合叶节点。按照叶节点对应出险概率排序，将得到的自动驾驶功能组合分为5类，形成1个包含自动驾驶信息的风险评分。

在步骤S205中，输出车险计算结果。

在本申请实施例中，提供了一种基于违章数据的车险计算方法，该方法包括：获取待计算的车险投保保单，其中，车险投保保单至少携带有目标车辆标识；读取数据库，在数据库中获取与目标车辆标识相对应的违章记录数据以及历史承保数据；根据历史承保数据对违章记录数据进行特征筛选操作，得到违章风险因子；调用车险计算模型，根据车险计算模型对车险投保保单以及违章风险因子进行风险预测操作，得到目标车辆标识相对应的车险计算结果；输出车险计算结果。与现有技术相比，本申请在获得待计算的车险投保保单之后，首先获取该车险投保保单的目标车辆标识相对应的违章记录数据，其次基于历史承保数据对该违章记录数据进行特征筛选，以得到影响车险计算的违章风险因子，最后调用车险计算模型对该车险投保保单和该违章风险因子进行风险预测，得到该车险投保保单的车险计算结果，本申请进行风险预测的过程中加入了违章风险因子，使得车辆计算更加符合事情的情况，有效提高车险计算的准确性。

继续参阅图3，示出了图2中步骤S203的一种具体实施方式的流程图，为了便于说明，仅示出与本申请相关的部分。

在本实施例的一些可选的实现方式中，步骤S203具体包括：步骤S301、步骤S302、步骤S303、步骤S304以及步骤S305。

在步骤S301中，计算违章记录数据的预测赔付率。

在本申请实施例中，计算预测赔付率的实现方式可以是调用常规风险模型，并根据常规风险模型对违章记录数据进行赔付率预估操作，得到预估赔付率；以实际赔付率以及预估赔付率的比值作为目标变量、历史违章风险因子作为输入自变量构建赔付残差模型，得到残差预测值；计算预估赔付率以及残差预测值的乘积，得到预测赔付率。

在步骤S302中，计算违章记录数据的事故预测赔付率残差。

在本申请实施例中，计算事故预测赔付率残差的实现方式可以是根据事故特征在历史承保数据中筛选出与违章记录数据强相关的历史事故违章风险因子以及与历史事故违章风险因子相对应的历史事故实际赔付率；以历史事故实际赔付率以及预测赔付率残差作为目标变量、历史事故违章风险因子作为输入自变量构建事故残差模型，得到事故预测赔付率残差。

在步骤S303中，计算违章记录数据的人伤事故预测赔付率残差。

在本申请实施例中，计算人伤事故预测赔付率残差的实现方式可以是根据人伤事故特征在历史承保数据中筛选出与违章记录数据强相关的历史人伤事故违章风险因子以及与历史人伤事故违章风险因子相对应的历史人伤事故实际赔付率；以历史人伤事故实际赔付率以及预测赔付率残差作为目标变量、历史人伤事故违章风险因子作为输入自变量构建人伤事故残差模型，得到人伤事故预测赔付率残差。

在步骤S304中，根据预测赔付率、事故预测赔付率残差以及人伤事故预测赔付率残差对违章记录数据进行相关度评分操作，得到相关度评分结果。

在步骤S305中，将满足预设评分阈值的相关度评分结果对应的违章记录数据作为违章风险因子。

在本申请实施例中，预测赔付率、事故预测赔付率残差以及人伤事故预测赔付率残差即为最终的预测赔付率，根据最终的预测赔付率对违章记录数据进行排序，并按照比例分别划分为1分至10分。

在本申请实施例中，预设评分阈值主要用于界定上述违章记录数据对车险计算是否存在正向影响的条件，作为示例，该预设评分阈值可以设定为6分、8分等，应当理解，此处对预设评分阈值的举例仅为方便理解，不用于限定本申请。

继续参阅图4，示出了图3中步骤S301的一种具体实施方式的流程图，为了便于说明，仅示出与本申请相关的部分。

在本实施例的一些可选的实现方式中，步骤S301具体包括：步骤S401、步骤S402、步骤S403以及步骤S404。

在步骤S401中，在历史承保数据中获取与违章记录数据强相关的历史违章风险因子以及与历史违章风险因子相对应的实际赔付率。

在步骤S402中，调用常规风险模型，并根据常规风险模型对违章记录数据进行赔付率预估操作，得到预估赔付率。

在步骤S403中，以实际赔付率以及预估赔付率的比值作为目标变量、历史违章风险因子作为输入自变量构建赔付残差模型，得到残差预测值。

在步骤S404中，计算预估赔付率以及残差预测值的乘积，得到预测赔付率。

在本申请实施例中，在保险公司现有风险模型预估赔付率基础上，以车辆实际赔付率与现有模型预估赔付率的比值残差为目标变量，违法违章风险因子为输入自变量，采用指数族为Tweedie分布、连接函数为log的GLM广义线性模型建立赔付残差模型得到残差预测值，残差预测值与现有模型预估赔付率的乘积即为预测赔付率。

在本申请实施例中，建立广义线模型（Generalized Linear Model，简称GLM）的实现方式可以是：

1）确定响应变量（Response Variable）和解释变量（Explanatory Variables）。响应变量是您想要预测或解释的变量，解释变量是用于预测变量，如变量。

2）选择适合当的广义线性模型家族（GLM Family），例如正态分布家族（Gaussianfamily）、泊松分布家族（Poisson family）或二项分布家族（Binomial family），以适用方程量型。

3）选择合适的连接数（Link Function），将理解改变量与响应改变量连接起来。变换。

4）进行模型模拟，使用合适的优化算法来计算GLM中的参数。常用的优化算法包括最大似然估计（Maximum Likelihood Estimation）和广义方程（ GLM估计）。

5）对模型进行诊断和评价，包括检查模型的模拟度和残差分布，评价模型的性能和准确度。

总之，建立广义线性模型需要仔细选择合适的反应量、广义线性模型家族和联系函数，并使用合适的缓存当表的优化数字估计，最后对模型进行评估和诊断。

继续参阅图5，示出了图3中步骤S302的一种具体实施方式的流程图，为了便于说明，仅示出与本申请相关的部分。

在本实施例的一些可选的实现方式中，步骤S302具体包括：步骤S501以及步骤S502。

在步骤S501中，根据事故特征在历史承保数据中筛选出与违章记录数据强相关的历史事故违章风险因子以及与历史事故违章风险因子相对应的历史事故实际赔付率；

在步骤S502中，以历史事故实际赔付率以及预测赔付率残差作为目标变量、历史事故违章风险因子作为输入自变量构建事故残差模型，得到事故预测赔付率残差。

在本申请实施例中，基于预测赔付率，先通过特征筛选选定对事故率有明显区分度的违章因子，以此为输入自变量，以历史事故实际赔付率与预测赔付率残差为目标变量，并使用逻辑回归建立事故残差模型，得到事故预测赔付率残差。

继续参阅图6，示出了图3中步骤S303的一种具体实施方式的流程图，为了便于说明，仅示出与本申请相关的部分。

在本实施例的一些可选的实现方式中，步骤S303具体包括：步骤S601以及步骤S602。

在步骤S601中，根据人伤事故特征在历史承保数据中筛选出与违章记录数据强相关的历史人伤事故违章风险因子以及与历史人伤事故违章风险因子相对应的历史人伤事故实际赔付率；

在步骤S602中，以历史人伤事故实际赔付率以及预测赔付率残差作为目标变量、历史人伤事故违章风险因子作为输入自变量构建人伤事故残差模型，得到人伤事故预测赔付率残差。

在本申请实施例中，选定对人伤事故率有明显区分度的违章因子，以此为输入自变量，以历史人伤事故实际赔付率与事故预测赔付率残差为目标变量，并使用逻辑回归建立人伤事故残差模型，得到人伤事故预测赔付率残差。

继续参阅图7，示出了图2中步骤S204之前的一种具体实施方式的流程图，为了便于说明，仅示出与本申请相关的部分。

在本实施例的一些可选的实现方式中，在步骤S303之前，还包括：步骤S701以及步骤S702。

在步骤S701中，获取模型构建信息，其中，模型构建信息包括N个模型节点以及与模型节点间的关联关系，N为正整数。

在本申请实施例中，模型构建信息包括多个模型节点和每个模型节点之间的连接关系。用户可以通过终端设备显示的模型构建页面，配置标准车险计算模型的模型构建信息。

在实际应用中，终端设备显示模型构建页面，该模型构建页面包括菜单栏和模型构建窗口，该菜单栏包括多个模型节点组件；响应于用户对菜单栏中的模型节点组件的拖拽操作，在该模型构建窗口显示被拖拽的模型节点组件；获取用户给模型构建窗口中的模型节点组件配置的连接关系；响应于用户对模型构建页面中的模型构建操作，将模型构建信息发送给服务器。

在步骤S702中，根据每个模型节点对应的代码文件以及每个模型节点间的关联关系，构建车险计算模型。

在本申请实施例中，服务器存储模型节点、模型节点组件和代码文件之间的对应关系表，模型节点、模型节点组件和代码文件之间的对应关系表可以由用户自行设置，本申请实施例对此不做具体限定。

在实际应用中，开发人员预先制定标准车险计算模型，并将标准车险计算模型拆分为多种模型节点，针对每种模型节点，开发人员编写一个或多个代码文件，并且针对每个代码文件，开发人员编写对应的模型节点组件，即一种模型节点可以有不同的代码文件，不同的代码文件对应不同的模型节点组件，建立的模型节点、模型节点组件和代码文件之间的对应关系表如表1所示。

在本实施例的一些可选的实现方式中，可以在数据库中获取车辆违章模型评分及评分加工过程数据；结合传统风险筛选因子，融入车辆违章模型评分建立广义线性模型，得到含违章信息的客户风险综合评分；对违章模型评分加工的过程数据建立决策树模型，得到车辆违章行为黑名单库。

在本申请实施例中，车辆违章模型评分为基于违章信息建立的与车辆实际赔付率、事故率、人伤事故率相关的风险评分。

在本申请实施例中，评分加工过程数据为加工车辆违法模型评分过程中产生的严重违法违章标签及重点违法违章次数等具有高风险驾驶行为特征的过程数据。

在本申请实施例中，广义线性模型建模过程为以保险公司实际赔付率为目标变量，以性别、年龄、车龄等传统因子及车辆违章模型评分为输入自变量，采用指数族为Tweedie分布、连接函数为log的GLM广义线性模型建立赔付率模型，得到每个客户的预测赔付率，按照预测赔付率进行标的排序并按比例分别划分为1分至10分，即为客户风险综合评分。

在本申请实施例中，客户风险综合评分为融合传统风险筛选因子信息及车辆违章行为信息的对客户驾驶风险排序的综合评分，可保险公司识别客户驾驶风险，进而实现差异化计算。

在本申请实施例中，决策树模型为对车辆在不同场景、不同程度的违章行为数据建立CART决策树模型，以标的是否出险作为目标进行二分类任务训练，生成一系列违章识别规则，并选定一个预测概率阈值，从而得到一系列违章行为构成的车辆违章行为黑名单库。

在本申请实施例中，车辆违章行为黑名单库为基于各类违章行为的高出险概率的车辆黑名单，可保险公司在客户风险综合评分的基础上进一步识别高风险客户，应用惩罚计算，提高严重违法违章经济惩罚，促使相关客户改善驾驶行为，改善道路交通安全环境。

需要强调的是，为进一步保证上述车险计算结果的私密和安全性，上述车险计算结果还可以存储于一区块链的节点中。

本申请所指区块链是分布式数据存储、点对点传输、共识机制、加密算法等计算机技术的新型应用模式。区块链(Blockchain)，本质上是一个去中心化的数据库，是一串使用密码学方法相关联产生的数据块，每一个数据块中包含了一批次网络交易的信息，用于验证其信息的有效性(防伪)和生成下一个区块。区块链可以包括区块链底层平台、平台产品服务层以及应用服务层等。

本申请可用于众多通用或专用的计算机系统环境或配置中。例如：个人计算机、服务器计算机、手持设备或便携式设备、平板型设备、多处理器系统、基于微处理器的系统、置顶盒、可编程的消费电子设备、网络PC、小型计算机、大型计算机、包括以上任何系统或设备的分布式计算环境等等。本申请可以在由计算机执行的计算机可执行指令的一般上下文中描述，例如程序模块。一般地，程序模块包括执行特定任务或实现特定抽象数据类型的例程、程序、对象、组件、数据结构等等。也可以在分布式计算环境中实践本申请，在这些分布式计算环境中，由通过通信网络而被连接的远程处理设备来执行任务。在分布式计算环境中，程序模块可以位于包括存储设备在内的本地和远程计算机存储介质中。

本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程，是可以通过计算机可读指令来指令相关的硬件来完成，该计算机可读指令可存储于一计算机可读取存储介质中，该计算机可读指令在执行时，可包括如上述各方法的实施例的流程。其中，前述的存储介质可为磁碟、光盘、只读存储记忆体（Read-Only Memory，ROM）等非易失性存储介质，或随机存储记忆体（Random Access Memory，RAM）等。

应该理解的是，虽然附图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。除非本文中有明确的说明，这些步骤的执行并没有严格的顺序限制，其可以以其他的顺序执行。而且，附图的流程图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，其执行顺序也不必然是依次进行，而是可以与其他步骤或者其他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。

实施例二

进一步参考图8，作为对上述图2所示方法的实现，本申请提供了一种基于违章数据的车险计算装置的一个实施例，该装置实施例与图2所示的方法实施例相对应，该装置具体可以应用于各种电子设备中。

如图8所示，本实施例的基于违章数据的车险计算装置200包括：投保保单获取模块210、违章记录获取模块220、特征筛选模块230、风险预测模块240以及结果输出模块250。其中：

投保保单获取模块210，用于获取待计算的车险投保保单，其中，车险投保保单至少携带有目标车辆标识；

违章记录获取模块220，用于读取数据库，在数据库中获取与目标车辆标识相对应的违章记录数据以及历史承保数据；

特征筛选模块230，用于根据历史承保数据对违章记录数据进行特征筛选操作，得到违章风险因子；

风险预测模块240，用于调用车险计算模型，根据车险计算模型对车险投保保单以及违章风险因子进行风险预测操作，得到目标车辆标识相对应的车险计算结果；

结果输出模块250，用于输出车险计算结果。

在本申请实施例中，从数据平台中获取预设数量的车险投保保单。其中，数据平台为存储车险投保保单的服务器或者服务器集群，车险投保保单为客户通过线上投保车险时生成的保单，预设数量可以基于实际情况进行设置，本申请实施例对此不做具体限定。例如，预设数量为500。

在本申请实施例中，目标车辆标识主要用于唯一标识待计算的车辆。

在本申请实施例中，数据库主要用于存储车辆违章数据和历史承保数据，其中，车辆违章数据包含违章车辆的车辆信息、违章行为、罚分、罚款、违章地点、道路类型等信息；历史承保数据包括车辆信息、实际赔付率等信息，车辆违章数据可通过车辆信息与历史承保数据关联，得到关联数据集，以进行下一步的因子挑选。

在本申请实施例中，特征筛选操作可以是计算违章记录数据的预测赔付率；计算违章记录数据的事故预测赔付率残差；计算违章记录数据的人伤事故预测赔付率残差；根据预测赔付率、事故预测赔付率残差以及人伤事故预测赔付率残差对违章记录数据进行相关度评分操作，得到相关度评分结果；将满足预设评分阈值的相关度评分结果对应的违章记录数据作为违章风险因子。

在本申请实施例中，车险计算模型实质为汽车保险计算模型，该车险计算模型可能因保险公司而异，但大多数模型都考虑了可能影响事故或索赔可能性的几个因素。以下是一些可以考虑的常见因素：1）年龄和性别：由于事故率较高，年轻和男性司机的保险费率可能更高；2）驾驶记录：有事故或交通违规记录的司机可能会被收取更高的费用；3）车辆类型：由于维修或更换成本，昂贵或高性能车辆的费率可能更高；4）位置：居住在事故或盗窃发生率较高地区的司机可能有更高的发生率。而本申请则是在原汽车保险计算模型的基础上，创新性的增设自动驾驶风险因子，使得原汽车保险计算模型可以对结合了L2级别自动驾驶功能的新型智能化汽车进行风险预测。

在本申请实施例中，车险计算模型可以是CART决策树模型，以标的是否出险作为目标进行的二分类训练任务，通过设置节点层数及个数，可生成一个对应不同出险概率的不同自动驾驶功能组合叶节点。按照叶节点对应出险概率排序，将得到的自动驾驶功能组合分为5类，形成1个包含自动驾驶信息的风险评分。

在本申请实施例中，提供了一种基于违章数据的车险计算装置，包括：投保保单获取模块210，用于获取待计算的车险投保保单，其中，车险投保保单至少携带有目标车辆标识；违章记录获取模块220，用于读取数据库，在数据库中获取与目标车辆标识相对应的违章记录数据以及历史承保数据；特征筛选模块230，用于根据历史承保数据对违章记录数据进行特征筛选操作，得到违章风险因子；风险预测模块240，用于调用车险计算模型，根据车险计算模型对车险投保保单以及违章风险因子进行风险预测操作，得到目标车辆标识相对应的车险计算结果；结果输出模块250，用于输出车险计算结果。与现有技术相比，本申请在获得待计算的车险投保保单之后，首先获取该车险投保保单的目标车辆标识相对应的违章记录数据，其次基于历史承保数据对该违章记录数据进行特征筛选，以得到影响车险计算的违章风险因子，最后调用车险计算模型对该车险投保保单和该违章风险因子进行风险预测，得到该车险投保保单的车险计算结果，本申请进行风险预测的过程中加入了违章风险因子，使得车辆计算更加符合事情的情况，有效提高车险计算的准确性。

在本实施例的一些可选的实现方式中，上述特征筛选模块230包括：预测赔付率计算子模块、事故预测赔付率计算子模块、人伤事故预测赔付率计算子模块、相关度评分子模块以及特征筛选子模块，其中：

预测赔付率计算子模块，用于计算违章记录数据的预测赔付率；

事故预测赔付率计算子模块，用于计算违章记录数据的事故预测赔付率残差；

人伤事故预测赔付率计算子模块，用于计算违章记录数据的人伤事故预测赔付率残差；

相关度评分子模块，用于根据预测赔付率、事故预测赔付率残差以及人伤事故预测赔付率残差对违章记录数据进行相关度评分操作，得到相关度评分结果；

特征筛选子模块，用于将满足预设评分阈值的相关度评分结果对应的违章记录数据作为违章风险因子。

在本实施例的一些可选的实现方式中，上述预测赔付率计算子模块包括：实际赔付率获取单元、赔付率预估单元、赔付残差模型构建单元以及预测赔付率计算单元，其中：

实际赔付率获取单元，用于在历史承保数据中获取与违章记录数据强相关的历史违章风险因子以及与历史违章风险因子相对应的实际赔付率；

赔付率预估单元，用于调用常规风险模型，并根据常规风险模型对违章记录数据进行赔付率预估操作，得到预估赔付率；

赔付残差模型构建单元，用于以实际赔付率以及预估赔付率的比值作为目标变量、历史违章风险因子作为输入自变量构建赔付残差模型，得到残差预测值；

预测赔付率计算单元，用于计算预估赔付率以及残差预测值的乘积，得到预测赔付率。

在本实施例的一些可选的实现方式中，上述事故预测赔付率计算子模块包括：历史事故实际赔付率获取单元以及事故残差模型构建单元，其中：

历史事故实际赔付率获取单元，用于根据事故特征在历史承保数据中筛选出与违章记录数据强相关的历史事故违章风险因子以及与历史事故违章风险因子相对应的历史事故实际赔付率；

事故残差模型构建单元，用于以历史事故实际赔付率以及预测赔付率残差作为目标变量、历史事故违章风险因子作为输入自变量构建事故残差模型，得到事故预测赔付率残差。

在本实施例的一些可选的实现方式中，上述人伤事故预测赔付率计算子模块包括：历史人伤事故实际赔付率获取单元以及人伤事故残差模型构建单元，其中：

历史人伤事故实际赔付率获取单元，用于根据人伤事故特征在历史承保数据中筛选出与违章记录数据强相关的历史人伤事故违章风险因子以及与历史人伤事故违章风险因子相对应的历史人伤事故实际赔付率；

人伤事故残差模型构建单元，用于以历史人伤事故实际赔付率以及预测赔付率残差作为目标变量、历史人伤事故违章风险因子作为输入自变量构建人伤事故残差模型，得到人伤事故预测赔付率残差。

在本实施例的一些可选的实现方式中，上述基于违章数据的车险计算装置100还包括：构建信息获取模块以及模型构建模块，其中：

构建信息获取模块，用于获取模型构建信息，其中，模型构建信息包括N个模型节点以及与模型节点间的关联关系，N为正整数；

模型构建模块，用于根据每个模型节点对应的代码文件以及每个模型节点间的关联关系，构建车险计算模型。

为解决上述技术问题，本申请实施例还提供计算机设备。具体请参阅图9，图9为本实施例计算机设备基本结构框图。

所述计算机设备300包括通过系统总线相互通信连接存储器310、处理器320、网络接口330。需要指出的是，图中仅示出了具有组件310-330的计算机设备300，但是应理解的是，并不要求实施所有示出的组件，可以替代的实施更多或者更少的组件。其中，本技术领域技术人员可以理解，这里的计算机设备是一种能够按照事先设定或存储的指令，自动进行数值计算和/或信息处理的设备，其硬件包括但不限于微处理器、专用集成电路(Application Specific Integrated Circuit，ASIC)、可编程门阵列(Field－Programmable Gate Array，FPGA)、数字处理器 (Digital Signal Processor，DSP)、嵌入式设备等。

所述计算机设备可以是桌上型计算机、笔记本、掌上电脑及云端服务器等计算设备。所述计算机设备可以与用户通过键盘、鼠标、遥控器、触摸板或声控设备等方式进行人机交互。

所述存储器310至少包括一种类型的可读存储介质，所述可读存储介质包括闪存、硬盘、多媒体卡、卡型存储器（例如，SD或DX存储器等）、随机访问存储器（RAM）、静态随机访问存储器（SRAM）、只读存储器（ROM）、电可擦除可编程只读存储器（EEPROM）、可编程只读存储器（PROM）、磁性存储器、磁盘、光盘等。在一些实施例中，所述存储器310可以是所述计算机设备300的内部存储单元，例如该计算机设备300的硬盘或内存。在另一些实施例中，所述存储器310也可以是所述计算机设备300的外部存储设备，例如该计算机设备300上配备的插接式硬盘，智能存储卡（Smart Media Card, SMC），安全数字（Secure Digital, SD）卡，闪存卡（Flash Card）等。当然，所述存储器310还可以既包括所述计算机设备300的内部存储单元也包括其外部存储设备。本实施例中，所述存储器310通常用于存储安装于所述计算机设备300的操作系统和各类应用软件，例如基于违章数据的车险计算方法的计算机可读指令等。此外，所述存储器310还可以用于暂时地存储已经输出或者将要输出的各类数据。

所述处理器320在一些实施例中可以是中央处理器（Central Processing Unit，CPU）、控制器、微控制器、微处理器、或其他数据处理芯片。该处理器320通常用于控制所述计算机设备300的总体操作。本实施例中，所述处理器320用于运行所述存储器310中存储的计算机可读指令或者处理数据，例如运行所述基于违章数据的车险计算方法的计算机可读指令。

所述网络接口330可包括无线网络接口或有线网络接口，该网络接口330通常用于在所述计算机设备300与其他电子设备之间建立通信连接。

本申请提供的计算机设备，在获得待计算的车险投保保单之后，首先获取该车险投保保单的目标车辆标识相对应的违章记录数据，其次基于历史承保数据对该违章记录数据进行特征筛选，以得到影响车险计算的违章风险因子，最后调用车险计算模型对该车险投保保单和该违章风险因子进行风险预测，得到该车险投保保单的车险计算结果，本申请进行风险预测的过程中加入了违章风险因子，使得车辆计算更加符合事情的情况，有效提高车险计算的准确性。

本申请还提供了另一种实施方式，即提供一种计算机可读存储介质，所述计算机可读存储介质存储有计算机可读指令，所述计算机可读指令可被至少一个处理器执行，以使所述至少一个处理器执行如上述的基于违章数据的车险计算方法的步骤。

本申请提供的计算机可读存储介质，在获得待计算的车险投保保单之后，首先获取该车险投保保单的目标车辆标识相对应的违章记录数据，其次基于历史承保数据对该违章记录数据进行特征筛选，以得到影响车险计算的违章风险因子，最后调用车险计算模型对该车险投保保单和该违章风险因子进行风险预测，得到该车险投保保单的车险计算结果，本申请进行风险预测的过程中加入了违章风险因子，使得车辆计算更加符合事情的情况，有效提高车险计算的准确性。

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上述实施例方法可借助软件加必需的通用硬件平台的方式来实现，当然也可以通过硬件，但很多情况下前者是更佳的实施方式。基于这样的理解，本申请的技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质（如ROM/RAM、磁碟、光盘）中，包括若干指令用以使得一台终端设备（可以是手机，计算机，服务器，空调器，或者网络设备等）执行本申请各个实施例所述的方法。

显然，以上所描述的实施例仅仅是本申请一部分实施例，而不是全部的实施例，附图中给出了本申请的较佳实施例，但并不限制本申请的专利范围。本申请可以以许多不同的形式来实现，相反地，提供这些实施例的目的是使对本申请的公开内容的理解更加透彻全面。尽管参照前述实施例对本申请进行了详细的说明，对于本领域的技术人员来而言，其依然可以对前述各具体实施方式所记载的技术方案进行修改，或者对其中部分技术特征进行等效替换。凡是利用本申请说明书及附图内容所做的等效结构，直接或间接运用在其他相关的技术领域，均同理在本申请专利保护范围之内。

Claims (10)

1.一种基于违章数据的车险计算方法，其特征在于，包括下述步骤：

获取待计算的车险投保保单，其中，所述车险投保保单至少携带有目标车辆标识；

读取数据库，在所述数据库中获取与所述目标车辆标识相对应的违章记录数据以及历史承保数据；

根据所述历史承保数据对所述违章记录数据进行特征筛选操作，得到违章风险因子；

调用车险计算模型，根据所述车险计算模型对所述车险投保保单以及所述违章风险因子进行风险预测操作，得到所述目标车辆标识相对应的车险计算结果；

输出所述车险计算结果。

2.根据权利要求1所述的基于违章数据的车险计算方法，其特征在于，所述根据所述历史承保数据对所述违章记录数据进行特征筛选操作，得到违章风险因子的步骤，具体包括下述步骤：

计算所述违章记录数据的预测赔付率；

计算所述违章记录数据的事故预测赔付率残差；

计算所述违章记录数据的人伤事故预测赔付率残差；

根据所述预测赔付率、事故预测赔付率残差以及所述人伤事故预测赔付率残差对所述违章记录数据进行相关度评分操作，得到相关度评分结果；

将满足预设评分阈值的相关度评分结果对应的违章记录数据作为所述违章风险因子。

3.根据权利要求2所述的基于违章数据的车险计算方法，其特征在于，所述计算所述违章记录数据的预测赔付率的步骤，具体包括下述步骤：

在所述历史承保数据中获取与所述违章记录数据强相关的历史违章风险因子以及与所述历史违章风险因子相对应的实际赔付率；

调用常规风险模型，并根据所述常规风险模型对所述违章记录数据进行赔付率预估操作，得到预估赔付率；

以所述实际赔付率以及所述预估赔付率的比值作为目标变量、所述历史违章风险因子作为输入自变量构建赔付残差模型，得到残差预测值；

计算所述预估赔付率以及所述残差预测值的乘积，得到所述预测赔付率。

4.根据权利要求2所述的基于违章数据的车险计算方法，其特征在于，所述计算所述违章记录数据的事故预测赔付率残差的步骤，具体包括下述步骤：

根据事故特征在所述历史承保数据中筛选出与所述违章记录数据强相关的历史事故违章风险因子以及与所述历史事故违章风险因子相对应的历史事故实际赔付率；

以所述历史事故实际赔付率以及预测赔付率残差作为目标变量、所述历史事故违章风险因子作为输入自变量构建事故残差模型，得到所述事故预测赔付率残差。

5.根据权利要求2所述的基于违章数据的车险计算方法，其特征在于，所述计算所述违章记录数据的人伤事故预测赔付率残差的步骤，具体包括下述步骤：

根据人伤事故特征在所述历史承保数据中筛选出与所述违章记录数据强相关的历史人伤事故违章风险因子以及与所述历史人伤事故违章风险因子相对应的历史人伤事故实际赔付率；

以所述历史人伤事故实际赔付率以及预测赔付率残差作为目标变量、所述历史人伤事故违章风险因子作为输入自变量构建人伤事故残差模型，得到所述人伤事故预测赔付率残差。

6.根据权利要求1所述的基于违章数据的车险计算方法，其特征在于，在所述调用车险计算模型，根据所述车险计算模型对所述车险投保保单以及所述违章风险因子进行风险预测操作，得到所述目标车辆标识相对应的车险计算结果的步骤之前，还包括下述步骤：

获取模型构建信息，其中，所述模型构建信息包括N个模型节点以及与所述模型节点间的关联关系，N为正整数；

根据每个所述模型节点对应的代码文件以及每个所述模型节点间的关联关系，构建所述车险计算模型。

7.一种基于违章数据的车险计算装置，其特征在于，包括：

投保保单获取模块，用于获取待计算的车险投保保单，其中，所述车险投保保单至少携带有目标车辆标识；

违章记录获取模块，用于读取数据库，在所述数据库中获取与所述目标车辆标识相对应的违章记录数据以及历史承保数据；

特征筛选模块，用于根据所述历史承保数据对所述违章记录数据进行特征筛选操作，得到违章风险因子；

风险预测模块，用于调用车险计算模型，根据所述车险计算模型对所述车险投保保单以及所述违章风险因子进行风险预测操作，得到所述目标车辆标识相对应的车险计算结果；

结果输出模块，用于输出所述车险计算结果。

8.根据权利要求7所述的基于违章数据的车险计算装置，其特征在于，所述特征筛选模块，包括：

预测赔付率计算子模块，用于计算所述违章记录数据的预测赔付率；

事故预测赔付率计算子模块，用于计算所述违章记录数据的事故预测赔付率残差；

人伤事故预测赔付率计算子模块，用于计算所述违章记录数据的人伤事故预测赔付率残差；

相关度评分子模块，用于根据所述预测赔付率、事故预测赔付率残差以及所述人伤事故预测赔付率残差对所述违章记录数据进行相关度评分操作，得到相关度评分结果；

特征筛选子模块，用于将满足预设评分阈值的相关度评分结果对应的违章记录数据作为所述违章风险因子。

9.一种计算机设备，其特征在于，包括存储器和处理器，所述存储器中存储有计算机可读指令，所述处理器执行所述计算机可读指令时实现如权利要求1至6中任一项所述的基于违章数据的车险计算方法的步骤。

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上存储有计算机可读指令，所述计算机可读指令被处理器执行时实现如权利要求1至6中任一项所述的基于违章数据的车险计算方法的步骤。

Images