CN116385185A - 一种车险评估辅助方法、装置、计算机设备及存储介质 - Google Patents

一种车险评估辅助方法、装置、计算机设备及存储介质 Download PDF

Info

Publication number
CN116385185A
CN116385185A CN202310658539.5A CN202310658539A CN116385185A CN 116385185 A CN116385185 A CN 116385185A CN 202310658539 A CN202310658539 A CN 202310658539A CN 116385185 A CN116385185 A CN 116385185A
Authority
CN
China
Prior art keywords
vehicle
risk
automatic driving
model
assessment
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
Application number
CN202310658539.5A
Other languages
English (en)
Inventor
崔跃
陈志坚
谢文峰
宋忠禹
王晶
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.)
Ping An Property and Casualty Insurance Company of China Ltd
Original Assignee
Ping An Property and Casualty Insurance Company of China 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 Ping An Property and Casualty Insurance Company of China Ltd filed Critical Ping An Property and Casualty Insurance Company of China Ltd
Priority to CN202310658539.5A priority Critical patent/CN116385185A/zh
Publication of CN116385185A publication Critical patent/CN116385185A/zh
Pending legal-status Critical Current

Links

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
    • 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
    • G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
    • 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
    • G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
    • G06Q50/10—Services
    • G06Q50/18—Legal services
    • 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)
  • Engineering & Computer Science (AREA)
  • Human Resources & Organizations (AREA)
  • Economics (AREA)
  • Strategic Management (AREA)
  • Theoretical Computer Science (AREA)
  • Tourism & Hospitality (AREA)
  • Marketing (AREA)
  • Physics & Mathematics (AREA)
  • General Business, Economics & Management (AREA)
  • General Physics & Mathematics (AREA)
  • Development Economics (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Finance (AREA)
  • Technology Law (AREA)
  • Quality & Reliability (AREA)
  • Accounting & Taxation (AREA)
  • Operations Research (AREA)
  • Game Theory and Decision Science (AREA)
  • Health & Medical Sciences (AREA)
  • Educational Administration (AREA)
  • Primary Health Care (AREA)
  • General Health & Medical Sciences (AREA)
  • Financial Or Insurance-Related Operations Such As Payment And Settlement (AREA)

Abstract

本申请实施例属于人工智能中的智能决策技术领域，涉及一种基于自动驾驶功能的车险评估辅助方法、装置、计算机设备及存储介质。本申请在获得待评估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自动驾驶功能装配信息，其次基于该自动驾驶功能装配信息提取该车险投保保单的自动驾驶风险因子，最后调用车险评估模型对该车险投保保单和该自动驾驶风险因子进行风险预测，得到该车险投保保单的风险预测结果，本申请在进行风险预测的过程中加入了自动驾驶风险因子，使得本申请可以适用于结合L2级别自动驾驶功能的智能化汽车的风险预测，有效提高车险评估的兼容性。

Description

一种车险评估辅助方法、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，尤其涉及一种基于自动驾驶功能的车险评估辅助方法、装置、计算机设备及存储介质。
背景技术
传统的车险评估因子，一般聚焦于车辆自然属性（如车价、车系、排量等）、用户的基础数据（如年龄、性别、驾龄等）和用户驾驶行为（如维修保养习惯、出行倾向等）。车险评估模型基于这些特征因子，通过线性模型（例如Generalized Linear Model，简称GLM）或者树模型来预测赔付率，从而实现车辆保险评估。由此可见，评估模型因子的选择至关重要。
在造车技术快速发展的当下，智能化已成为汽车产业升级的下半场。车辆智能化趋势，导致自动驾驶驱动下车辆风险与传统汽车不同，传统风险识别因子不能完全体现驾驶风险差异，风险识别模型准确度不足，由此可见，传统的车险评估方法是无法适用于自动驾驶驱动下的车辆风险预测。
发明内容
本申请实施例的目的在于提出一种基于自动驾驶功能的车险评估辅助方法、装置、计算机设备及存储介质，以解决传统的车险评估方法是无法适用于自动驾驶驱动下的车辆风险预测的问题。
为了解决上述技术问题，本申请实施例提供一种基于自动驾驶功能的车险评估辅助方法，采用了如下所述的技术方案：
接收用户终端发送的风险预测请求，其中，所述风险预测请求至少携带有目标车辆标识；
读取装配信息数据库，在所述装配信息数据库中获取与所述目标车辆标识相对应的自动驾驶功能装配信息；
根据车辆出险数据对所述自动驾驶功能装配信息进行特征过滤操作，得到相关自动驾驶功能；
对所述相关自动驾驶功能进行特征编码操作，得到自动驾驶风险因子；
将所述车险投保保单以及所述自动驾驶风险因子输入至车险评估模型进行风险预测操作，得到所述目标车辆标识相对应的风险预测结果；
输出所述风险预测结果。
进一步的，在所述将所述车险投保保单以及所述自动驾驶风险因子输入至车险评估模型进行风险预测操作，得到所述目标车辆标识相对应的风险预测结果的步骤之前，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，构建所述车险评估模型。
进一步的，所述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，构建所述车险评估模型的步骤，具体包括下述步骤：
根据每个所述模型节点间的连接关系，确定每个所述模型节点对应的代码文件的拼接顺序；
根据每个所述模型节点对应的代码文件的拼接顺序，对每个所述模型节点对应的代码文件进行拼接，得到所述车险评估模型。
进一步的，在所述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，构建所述车险评估模型的步骤之后，还包括下述步骤：
在所述装配信息数据库中获取N个历史车险投保保单；
根据所述车险评估模型对所述历史车险投保保单进行保费评估操作，得到第一保费评估结果；
调用训练好的参考车险评估模型，并基于所述参考车险评估模型对所述历史车险投保保单进行保费评估操作，得到第二保费评估结果；
比对所述第一保费评估结果以及所述第二保费评估结果，得到比对结果；
输出所述比对结果，以使运维人员根据所述比对结果对所述车险评估模型进行矫正处理。
进一步的，所述第一保费评估结果包括第一车险保费，所述第二保费评估结果包括第二车险保费，所述比对所述第一保费评估结果以及所述第二保费评估结果，得到比对结果的步骤，具体包括下述步骤：
分别根据所述历史车险投保保单分别计算所述第一车险保费以及所述第二车险保费的误差值；
根据预设误差阈值对所述误差值进行分类，得到大于所述预设误差阈值的误差值对应的失败数量以及小于或等于所述预设误差阈值的误差值对应的成功数量；
将所述失败数量、所述成功数量以及所述失败数量占数量N的比重作为所述比对结果。
进一步的，在所述输出所述风险预测结果的步骤之后，还包括下述步骤：
在所述装配信息数据库中获取与所述目标车辆标识相对应的自动驾驶功能装配记录以及设备厂商信息；
根据出险数据对所述自动驾驶功能装配记录进行风险分析操作，得到与所述设备厂商信息相对应的自动驾驶评级；
根据车型自动驾驶设备装配标准对所述自动驾驶评级进行特征降维操作，得到与所述设备厂商信息相对应的品牌自动驾驶风险评级。
为了解决上述技术问题，本申请实施例还提供一种基于自动驾驶功能的车险评估辅助装置，采用了如下所述的技术方案：
请求接收模块，用于接收用户终端发送的风险预测请求，其中，所述风险预测请求至少携带有目标车辆标识；
装配信息获取模块，用于读取装配信息数据库，在所述装配信息数据库中获取与所述目标车辆标识相对应的自动驾驶功能装配信息；
特征过滤模块，用于根据车辆出险数据对所述自动驾驶功能装配信息进行特征过滤操作，得到相关自动驾驶功能；
特征编码模块，用于对对所述相关自动驾驶功能进行特征编码操作，得到自动驾驶风险因子；
风险预测模块，用于将所述车险投保保单以及所述自动驾驶风险因子输入至车险评估模型进行风险预测操作，得到所述目标车辆标识相对应的风险预测结果；
结果输出模块，用于输出所述风险预测结果。
进一步的，其特征在于，所述装置还包括：
构建信息获取模块，用于获取模型构建信息，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；
模型构建模块，用于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，构建所述车险评估模型。
进一步的，其特征在于，所述模型构建模块包括：
拼接顺序确定子模块，用于根据每个所述模型节点间的连接关系，确定每个所述模型节点对应的代码文件的拼接顺序；
拼接子模块，用于根据每个所述模型节点对应的代码文件的拼接顺序，对每个所述模型节点对应的代码文件进行拼接，得到所述车险评估模型。
进一步的，其特征在于，所述装置还包括：
厂商信息获取模块，用于在所述装配信息数据库中获取与所述目标车辆标识相对应的自动驾驶功能装配记录以及设备厂商信息；
风险分析模块，用于根据出险数据对所述自动驾驶功能装配记录进行风险分析操作，得到与所述设备厂商信息相对应的自动驾驶评级；
特征降维模块，用于根据车型自动驾驶设备装配标准对所述自动驾驶评级进行特征降维操作，得到与所述设备厂商信息相对应的品牌自动驾驶风险评级。
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自动驾驶功能的车险评估辅助方法的步骤。
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自动驾驶功能的车险评估辅助方法的步骤。
本申请提供了一种基于自动驾驶功能的车险评估辅助方法，该方法包括：接收用户终端发送的风险预测请求，其中，所述风险预测请求至少携带有目标车辆标识；读取装配信息数据库，在所述装配信息数据库中获取与所述目标车辆标识相对应的自动驾驶功能装配信息；根据车辆出险数据对所述自动驾驶功能装配信息进行特征过滤操作，得到相关自动驾驶功能；对所述相关自动驾驶功能进行特征编码操作，得到自动驾驶风险因子；将所述车险投保保单以及所述自动驾驶风险因子输入至车险评估模型进行风险预测操作，得到所述目标车辆标识相对应的风险预测结果；输出所述风险预测结果。与现有技术相比，本申请在获得待评估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自动驾驶功能装配信息，其次基于该自动驾驶功能装配信息提取该车险投保保单的自动驾驶风险因子，最后调用车险评估模型对该车险投保保单和该自动驾驶风险因子进行风险预测，得到该车险投保保单的风险预测结果，本申请在进行风险预测的过程中加入了自动驾驶风险因子，使得本申请可以适用于结合L2级别自动驾驶功能的智能化汽车的风险预测，有效提高车险评估的兼容性。
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自动驾驶功能的车险评估辅助方法的实现流程图；
图3是图2中步骤S205之前的一种具体实施方式的流程图；
图4是图3中步骤S302的一种具体实施方式的流程图；
图5是本申请实施例一提供的组件连接方式的一种具体实施方式的结构图；
图6是图3中步骤S302之后的一种具体实施方式的流程图；
图7是图6中步骤S604的一种具体实施方式的流程图；
图8是图2中步骤S206之后的一种具体实施方式的流程图；
图9是本申请实施例二提供的基于自动驾驶功能的车险评估辅助装置的结构示意图；
图10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自动驾驶功能的车险评估辅助方法一般由服务器/终端设备执行，相应地，基于自动驾驶功能的车险评估辅助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自动驾驶功能的车险评估辅助方法的实现流程图，为了便于说明，仅示出与本申请相关的部分。
上述的基于自动驾驶功能的车险评估辅助方法，包括：步骤S201、步骤S202、步骤S203、步骤S204、步骤S205以及步骤S206。
在步骤S201中，接收用户终端发送的风险预测请求，其中，风险预测请求至少携带有目标车辆标识。
在本申请实施例中，目标车辆标识主要用于唯一标识待评估的车辆。
在步骤S202中，读取装配信息数据库，在装配信息数据库中获取与目标车辆标识相对应的自动驾驶功能装配信息。
在本申请实施例中，装配信息数据库主要用于存储车辆各类自动驾驶功能的相关数据，其中，该自动驾驶功能的相关数据为各车型各类前装或后装智能辅助驾驶设备的装配情况，作为示例，该自动驾驶功能的相关数据可以是前向碰撞预警、碰撞避免、车道偏离预防、自适应灯光、行人探测等，应当理解，此处对自动驾驶功能的相关数据的举例仅为方便理解，不用于限定本申请。
在本申请实施例中，自动驾驶功能装配信息主要包括L2级自动驾驶功能，该L2级自动驾驶功能是一种自主性级别，在这种级别下，车辆无需人为干预即可执行一些驾驶任务，但驾驶员必须保持参与并随时准备接管车辆。在L2级自动驾驶中，车辆可以执行某些功能，例如加速、制动和转向，但驾驶员仍负责监控环境并在复杂情况下做出决策。该系统可能会使用摄像头、雷达和激光雷达等传感器来检测障碍物和其他车辆，并可能具有自适应巡航控制、车道偏离警告和自动紧急制动等功能。常见的L2级别自动驾驶功能可分为三类，第一类是当驾驶员处于危险状态时，辅助驾驶系统将警告驾驶员注意安全，当驾驶员未及时反应并采取动作时，辅助驾驶系统独立于驾驶员，直接干预车辆动力系统，控制车辆行驶以避免碰撞事故的发生。第二类是通过摄像头、雷达等设备监控道路环境，向驾驶员提供更多驾驶环境信息，帮助驾驶员安全驾驶。第三类是当道路交通状况、车辆行驶速度等条件合适时，系统控制车辆实现部分自动驾驶功能。作为示例，该L2级自动驾驶功能可以是特斯拉的Autopilot、凯迪拉克的Super Cruise等等，应当理解，此处对L2级自动驾驶功能的举例仅为方便理解，不用于限定本申请。
在本申请实施例中，通过统计21-22年承保数据状况，得到16种L2级别自动驾驶功能，如表1所示。将自动驾驶功能的装备情况分为以下四种，前两种认为都是装配该功能。
a）标配：车辆出厂自带；
b）选配：用户选择加装；
c）不提供：车辆厂商不提供该功能；
d）缺失：承保数据无法判断是否装配。
通过挖掘真实承保理赔数据得出结论：
①某种自动驾驶功能的装配与否，对车险赔付率影响差异较大。例如“前方交通辅助”功能，装配情况为“不提供”的车辆赔付率/装配情况为“标配”的车辆赔付率=1.74。
②各功能整体装配率差异较大、车辆通常装配不止一种功能。例如2022年“碰撞避免”功能在新车上的装配率已超40%，“领航驾驶”功能装赔率预计在2025年左右提升至25%。“碰撞避免”、“车道偏离预防”、“盲点监测”及“自适应巡航”等ADAS功能均使用外部传感器获取数据，且算法处理相对接近，相互叠加成本较低，通常同时装配。
③不同自动驾驶功能，对车险赔付率影响程度不同。定义装配情况为“不提供”的车辆赔付率，与装配情况为“标配”的车辆赔付率的比值为赔付率相对数，“前方交通辅助”功能的赔付率相对数高达1.74，“交通标志识别”功能的赔付率相对数为1.14，而“遥控泊车”功能的赔付率相对数为0.89。同样也表明不是所有自动驾驶功能都对风险降低有正面作用。
④同一自动驾驶功能，不同装配标准（标配、选配、不提供）下，赔付率存在明显趋势。例如“避免碰撞”功能，标配、选配、不提供、缺失四种情况的样本比例分别为：42.2%、3.0%、54.7%、0.0%，赔付率分别为49.7%、58.5%、59.5%、59.3%。其中标配和选配的赔付率差异明显，侧面证明了合理协同多种自动驾驶功能能够降低风险。
Figure SMS_1
⑤同一自动驾驶功能，不同品牌、同一品牌不同供应商的车辆在赔付率上存在较大差异。例如比如对于碰撞避免功能，东风本田的赔付率相对数为1.45，上汽大众的赔付率相对数为1.15。
在步骤S203中，根据车辆出险数据对自动驾驶功能装配信息进行特征过滤操作，得到相关自动驾驶功能。
在本申请实施例中，特征过滤过程为通过对自动驾驶功能不同装配情况的标的出险率进行分析，过滤出在标配、选配、不提供等不同装配情况下风险存在明显差异的自动驾驶功能，作为自动驾驶功能风险因子。具体可使用最高档出险率与最低档出险率比值超过某一倍数阈值来判定是否存在差异。
在本申请实施例中，风险相关自动驾驶功能指的是对驾驶员驾驶风险有明显区分度的自动驾驶功能。
在步骤S204中，对相关自动驾驶功能进行特征编码操作，得到自动驾驶风险因子。
在本申请实施例中，特征编码指的是按照自动驾驶功能类型对应出险率高低顺序编码，可将文本取值变量转换为数值变量，从而更好进行因子聚合及组合建模。
在本申请实施例中，自动驾驶风险因子指的是经编码后的自动驾驶风险因子。
在本申请实施例中，为更好识别驾驶风险，在充分利用各类自动驾驶功能相关数据的前提下，以车险赔付率为目标，选择品牌、是否装配某一自动驾驶功能、某一自动驾驶功能装配情况等信息建立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，生成一个自动驾驶信息的新因子。此因子加入到原始的车险评估模型中。
在步骤S205中，将车险投保保单以及自动驾驶风险因子输入至车险评估模型进行风险预测操作，得到目标车辆标识相对应的风险预测结果。
在本申请实施例中，车险评估模型实质为汽车保险评估模型，该车险评估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评估模型的基础上，创新性的增设自动驾驶风险因子，使得原汽车保险评估模型可以对结合了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，车险评估模型可以是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，自动驾驶风险评分为聚合有风险区分度的自动驾驶功能装配信息的出险风险评分。
在步骤S206中，输出风险预测结果。
在实际应用中，本申请将该新因子加入下游的车险评估模型后，至少得到如下的改进：
（1）非新能源新车评估模型十等分段赔付率极差提升了11.6%、基尼系数提升了10.6%；
（2）新能源新车评估模型极差提升了9.2%、基尼系数提升了5.3%。
通过上述改进说明加入L2级别自动驾驶功能因子的评估模型对于风险的过滤能力有较大程度的提升。
在本申请实施例中，未来自动驾驶技术不断成熟，驾驶模式将逐步从人为主导转变为人机共驾以及自动驾驶。本提案在传统的“人”、“车”、“驾驶行为”等评估因子之外，提出了新的“智能自动驾驶”因子，充分考虑到车的智能化对人驾驶行为的影响，提高车险风险识别模型适用范围，填补了当前评估模型在自动化驾驶方面的欠缺，为自动驾驶技术不断成熟做好准备。
在本申请实施例中，提供了一种基于自动驾驶功能的车险评估辅助方法，该方法包括：接收用户终端发送的风险预测请求，其中，风险预测请求至少携带有目标车辆标识；读取装配信息数据库，在装配信息数据库中获取与目标车辆标识相对应的自动驾驶功能装配信息；根据车辆出险数据对自动驾驶功能装配信息进行特征过滤操作，得到相关自动驾驶功能；对相关自动驾驶功能进行特征编码操作，得到自动驾驶风险因子；将车险投保保单以及自动驾驶风险因子输入至车险评估模型进行风险预测操作，得到目标车辆标识相对应的风险预测结果；输出风险预测结果。与现有技术相比，本申请在获得待评估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自动驾驶功能装配信息，其次基于该自动驾驶功能装配信息提取该车险投保保单的自动驾驶风险因子，最后调用车险评估模型对该车险投保保单和该自动驾驶风险因子进行风险预测，得到该车险投保保单的风险预测结果，本申请在进行风险预测的过程中加入了自动驾驶风险因子，使得本申请可以适用于结合L2级别自动驾驶功能的智能化汽车的风险预测，有效提高车险评估的兼容性。
继续参阅图3，示出了图2中步骤S205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S205之前，还包括：步骤S301以及步骤S302。
在步骤S301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，配置标准车险评估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S302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，构建车险评估模型。
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评估模型，并将标准车险评估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2所示。
Figure SMS_2
继续参阅图4，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S401以及步骤S402。
在步骤S401中，根据每个模型节点间的连接关系，确定每个模型节点对应的代码文件的拼接顺序。
在步骤S402中，根据每个模型节点对应的代码文件的拼接顺序，对每个模型节点对应的代码文件进行拼接，得到车险评估模型。
在本申请实施例中，如图5所示，用户选择的组件之间的连接关系是组件A4与组件C1连接，组件C1与组件B2连接，通过表2可以知道模型节点A与模型节点C连接，模型节点C与模型节点B连接，因此将代码文件A14与代码文件C11进行拼接，再将拼接得到的代码文件与代码文件B12进行拼接，得到车险评估模型。
继续参阅图6，示出了图3中步骤S302之后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S302之后，还包括：步骤S601、步骤S602、步骤S603、步骤S604以及步骤S605。
在步骤S601中，在装配信息数据库中获取N个历史车险投保保单。
在步骤S602中，根据车险评估模型对历史车险投保保单进行保费评估操作，得到第一保费评估结果。
在步骤S603中，调用训练好的参考车险评估模型，并基于参考车险评估模型对历史车险投保保单进行保费评估操作，得到第二保费评估结果。
在步骤S604中，比对第一保费评估结果以及第二保费评估结果，得到比对结果。
在步骤S605中，输出比对结果，以使运维人员根据比对结果对车险评估模型进行矫正处理。
继续参阅图7，示出了图6中步骤S604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，第一保费评估结果包括第一车险保费，第二保费评估结果包括第二车险保费，步骤S604包括：步骤S701、步骤S702以及步骤S703。
在步骤S701中，分别根据历史车险投保保单分别计算第一车险保费以及第二车险保费的误差值。
在步骤S702中，根据预设误差阈值对误差值进行分类，得到大于预设误差阈值的误差值对应的失败数量以及小于或等于预设误差阈值的误差值对应的成功数量。
在步骤S703中，将失败数量、成功数量以及失败数量占数量N的比重作为比对结果。
继续参阅图8，示出了图2中步骤S206之后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S206之后，还包括：步骤S801、步骤S802以及步骤S803。
在步骤S801中，在装配信息数据库中获取与目标车辆标识相对应的自动驾驶功能装配记录以及设备厂商信息。
在本申请实施例中，车辆自动驾驶功能装配记录为各车型前装或后装智能辅助驾驶设备的装配情况，包括前向碰撞预警、碰撞避免、车道偏离预防、自适应灯光、行人探测等。
在本申请实施例中，车辆自动驾驶设备厂商为上述自动驾驶功能对应设备的生产厂商。
在步骤S802中，根据出险数据对自动驾驶功能装配记录进行风险分析操作，得到与设备厂商信息相对应的自动驾驶评级。
在本申请实施例中，风险分析为以不同厂商的特定自动驾驶功能对应标的的出险率为目标建立决策树模型，针对每一种自动驾驶功能，为每一生产厂商的每一种自动驾驶功能生成一个5分类的风险评级。
在本申请实施例中，设备厂家自动驾驶评级为以风险减损衡量的不同设备厂商生产同一类自动驾驶设备水平。
在步骤S803中，根据车型自动驾驶设备装配标准对自动驾驶评级进行特征降维操作，得到与设备厂商信息相对应的品牌自动驾驶风险评级。
在本申请实施例中，特征降维为按照不同品牌自动驾驶功能装配情况及对应装备厂商评级生成特征矩阵，并通过主成分分析进行降维处理，生产不同品牌的自动驾驶风险评级。
在本申请实施例中，品牌自动驾驶风险评级为综合考虑不同自动驾驶设备厂商水平及品牌装配自动驾驶功能设备后得到的以驾驶风险为衡量标准的品牌自动驾驶级别，可一定程度反映各品牌在自动驾驶研究方面的技术水平，为自动驾驶技术不断成熟做好准备。
需要强调的是，为进一步保证上述风险预测结果的私密和安全性，上述风险预测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
进一步参考图9，作为对上述图2所示方法的实现，本申请提供了一种基于自动驾驶功能的车险评估辅助装置的一个实施例，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9所示，本实施例的基于自动驾驶功能的车险评估辅助装置200包括：请求接收模块210、装配信息获取模块220、特征过滤模块230、特征编码模块240、风险预测模块250以及结果输出模块260。其中：
请求接收模块210，用于接收用户终端发送的风险预测请求，其中，风险预测请求至少携带有目标车辆标识；
装配信息获取模块220，用于读取装配信息数据库，在装配信息数据库中获取与目标车辆标识相对应的自动驾驶功能装配信息；
特征过滤模块230，用于根据车辆出险数据对自动驾驶功能装配信息进行特征过滤操作，得到相关自动驾驶功能；
特征编码模块240，用于对对相关自动驾驶功能进行特征编码操作，得到自动驾驶风险因子；
风险预测模块250，用于将车险投保保单以及自动驾驶风险因子输入至车险评估模型进行风险预测操作，得到目标车辆标识相对应的风险预测结果；
结果输出模块260，用于输出风险预测结果。
在本申请实施例中，提供了一种基于自动驾驶功能的车险评估辅助装置，该装置包括：请求接收模块210，用于接收用户终端发送的风险预测请求，其中，风险预测请求至少携带有目标车辆标识；装配信息获取模块220，用于读取装配信息数据库，在装配信息数据库中获取与目标车辆标识相对应的自动驾驶功能装配信息；特征过滤模块230，用于根据车辆出险数据对自动驾驶功能装配信息进行特征过滤操作，得到相关自动驾驶功能；特征编码模块240，用于对对相关自动驾驶功能进行特征编码操作，得到自动驾驶风险因子；风险预测模块250，用于将车险投保保单以及自动驾驶风险因子输入至车险评估模型进行风险预测操作，得到目标车辆标识相对应的风险预测结果；结果输出模块260，用于输出风险预测结果。与现有技术相比，本申请在获得待评估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自动驾驶功能装配信息，其次基于该自动驾驶功能装配信息提取该车险投保保单的自动驾驶风险因子，最后调用车险评估模型对该车险投保保单和该自动驾驶风险因子进行风险预测，得到该车险投保保单的风险预测结果，本申请在进行风险预测的过程中加入了自动驾驶风险因子，使得本申请可以适用于结合L2级别自动驾驶功能的智能化汽车的风险预测，有效提高车险评估的兼容性。
在本实施例的一些可选的实现方式中，上述基于自动驾驶功能的车险评估辅助装置200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，构建车险评估模型。
在本实施例的一些可选的实现方式中，上述模型构建模块包括：拼接顺序确定子模块以及拼接子模块，其中：
拼接顺序确定子模块，用于根据每个模型节点间的连接关系，确定每个模型节点对应的代码文件的拼接顺序；
拼接子模块，用于根据每个模型节点对应的代码文件的拼接顺序，对每个模型节点对应的代码文件进行拼接，得到车险评估模型。
在本实施例的一些可选的实现方式中，上述基于自动驾驶功能的车险评估辅助装置200还包括：历史保单获取模块、第一保费评估模块、第二保费评估模块、保费评估比对模块以及比对结果输出模块，其中：
历史保单获取模块，用于在装配信息数据库中获取N个历史车险投保保单。
第一保费评估模块，用于根据车险评估模型对历史车险投保保单进行保费评估操作，得到第一保费评估结果。
第二保费评估模块，用于调用训练好的参考车险评估模型，并基于参考车险评估模型对历史车险投保保单进行保费评估操作，得到第二保费评估结果。
保费评估比对模块，用于比对第一保费评估结果以及第二保费评估结果，得到比对结果。
比对结果输出模块，用于输出比对结果，以使运维人员根据比对结果对车险评估模型进行矫正处理。
在本实施例的一些可选的实现方式中，上述保费评估比对模块包括：误差值计算子模块、分类子模块以及比对结果确认子模块，其中：
误差值计算子模块，用于分别根据历史车险投保保单分别计算第一车险保费以及第二车险保费的误差值。
分类子模块，用于根据预设误差阈值对误差值进行分类，得到大于预设误差阈值的误差值对应的失败数量以及小于或等于预设误差阈值的误差值对应的成功数量。
比对结果确认子模块，用于将失败数量、成功数量以及失败数量占数量N的比重作为比对结果。
在本实施例的一些可选的实现方式中，上述基于自动驾驶功能的车险评估辅助装置200还包括：厂商信息获取模块、风险分析模块以及特征降维模块，其中：
厂商信息获取模块，用于在装配信息数据库中获取与目标车辆标识相对应的自动驾驶功能装配记录以及设备厂商信息；
风险分析模块，用于根据出险数据对自动驾驶功能装配记录进行风险分析操作，得到与设备厂商信息相对应的自动驾驶评级；
特征降维模块，用于根据车型自动驾驶设备装配标准对自动驾驶评级进行特征降维操作，得到与设备厂商信息相对应的品牌自动驾驶风险评级。
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10，图10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，例如基于自动驾驶功能的车险评估辅助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，例如运行所述基于自动驾驶功能的车险评估辅助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，在获得待评估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自动驾驶功能装配信息，其次基于该自动驾驶功能装配信息提取该车险投保保单的自动驾驶风险因子，最后调用车险评估模型对该车险投保保单和该自动驾驶风险因子进行风险预测，得到该车险投保保单的风险预测结果，本申请在进行风险预测的过程中加入了自动驾驶风险因子，使得本申请可以适用于结合L2级别自动驾驶功能的智能化汽车的风险预测，有效提高车险评估的兼容性。
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自动驾驶功能的车险评估辅助方法的步骤。
本申请提供的计算机可读存储介质，在获得待评估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自动驾驶功能装配信息，其次基于该自动驾驶功能装配信息提取该车险投保保单的自动驾驶风险因子，最后调用车险评估模型对该车险投保保单和该自动驾驶风险因子进行风险预测，得到该车险投保保单的风险预测结果，本申请在进行风险预测的过程中加入了自动驾驶风险因子，使得本申请可以适用于结合L2级别自动驾驶功能的智能化汽车的风险预测，有效提高车险评估的兼容性。
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)

1.一种基于自动驾驶功能的车险评估辅助方法，其特征在于，包括下述步骤：
接收用户终端发送的风险预测请求，其中，所述风险预测请求至少携带有目标车辆标识；
读取装配信息数据库，在所述装配信息数据库中获取与所述目标车辆标识相对应的自动驾驶功能装配信息；
根据车辆出险数据对所述自动驾驶功能装配信息进行特征过滤操作，得到相关自动驾驶功能；
对所述相关自动驾驶功能进行特征编码操作，得到自动驾驶风险因子；
将所述车险投保保单以及所述自动驾驶风险因子输入至车险评估模型进行风险预测操作，得到所述目标车辆标识相对应的风险预测结果；
输出所述风险预测结果。
2.根据权利要求1所述的基于自动驾驶功能的车险评估辅助方法，其特征在于，在将所述车险投保保单以及所述自动驾驶风险因子输入至车险评估模型进行风险预测操作，得到所述目标车辆标识相对应的风险预测结果的步骤之前，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，构建所述车险评估模型。
3.根据权利要求2所述的基于自动驾驶功能的车险评估辅助方法，其特征在于，所述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，构建所述车险评估模型的步骤，具体包括下述步骤：
根据每个所述模型节点间的连接关系，确定每个所述模型节点对应的代码文件的拼接顺序；
根据每个所述模型节点对应的代码文件的拼接顺序，对每个所述模型节点对应的代码文件进行拼接，得到所述车险评估模型。
4.根据权利要求2所述的基于自动驾驶功能的车险评估辅助方法，其特征在于，在所述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，构建所述车险评估模型的步骤之后，还包括下述步骤：
在所述装配信息数据库中获取N个历史车险投保保单；
根据所述车险评估模型对所述历史车险投保保单进行保费评估操作，得到第一保费评估结果；
调用训练好的参考车险评估模型，并基于所述参考车险评估模型对所述历史车险投保保单进行保费评估操作，得到第二保费评估结果；
比对所述第一保费评估结果以及所述第二保费评估结果，得到比对结果；
输出所述比对结果，以使运维人员根据所述比对结果对所述车险评估模型进行矫正处理。
5.根据权利要求4所述的基于自动驾驶功能的车险评估辅助方法，其特征在于，所述第一保费评估结果包括第一车险保费，所述第二保费评估结果包括第二车险保费，所述比对所述第一保费评估结果以及所述第二保费评估结果，得到比对结果的步骤，具体包括下述步骤：
分别根据所述历史车险投保保单分别计算所述第一车险保费以及所述第二车险保费的误差值；
根据预设误差阈值对所述误差值进行分类，得到大于所述预设误差阈值的误差值对应的失败数量以及小于或等于所述预设误差阈值的误差值对应的成功数量；
将所述失败数量、所述成功数量以及所述失败数量占数量N的比重作为所述比对结果。
6.根据权利要求1所述的基于自动驾驶功能的车险评估辅助方法，其特征在于，在所述输出所述风险预测结果的步骤之后，还包括下述步骤：
在所述装配信息数据库中获取与所述目标车辆标识相对应的自动驾驶功能装配记录以及设备厂商信息；
根据出险数据对所述自动驾驶功能装配记录进行风险分析操作，得到与所述设备厂商信息相对应的自动驾驶评级；
根据车型自动驾驶设备装配标准对所述自动驾驶评级进行特征降维操作，得到与所述设备厂商信息相对应的品牌自动驾驶风险评级。
7.一种基于自动驾驶功能的车险评估辅助装置，其特征在于，包括：
请求接收模块，用于接收用户终端发送的风险预测请求，其中，所述风险预测请求至少携带有目标车辆标识；
装配信息获取模块，用于读取装配信息数据库，在所述装配信息数据库中获取与所述目标车辆标识相对应的自动驾驶功能装配信息；
特征过滤模块，用于根据车辆出险数据对所述自动驾驶功能装配信息进行特征过滤操作，得到相关自动驾驶功能；
特征编码模块，用于对对所述相关自动驾驶功能进行特征编码操作，得到自动驾驶风险因子；
风险预测模块，用于将所述车险投保保单以及所述自动驾驶风险因子输入至车险评估模型进行风险预测操作，得到所述目标车辆标识相对应的风险预测结果；
结果输出模块，用于输出所述风险预测结果。
8.根据权利要求7所述的基于自动驾驶功能的车险评估辅助装置，其特征在于，所述装置还包括：
厂商信息获取模块，用于在所述装配信息数据库中获取与所述目标车辆标识相对应的自动驾驶功能装配记录以及设备厂商信息；
风险分析模块，用于根据出险数据对所述自动驾驶功能装配记录进行风险分析操作，得到与所述设备厂商信息相对应的自动驾驶评级；
特征降维模块，用于根据车型自动驾驶设备装配标准对所述自动驾驶评级进行特征降维操作，得到与所述设备厂商信息相对应的品牌自动驾驶风险评级。
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自动驾驶功能的车险评估辅助方法的步骤。
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自动驾驶功能的车险评估辅助方法的步骤。
CN202310658539.5A 2023-06-06 2023-06-06 一种车险评估辅助方法、装置、计算机设备及存储介质 Pending CN116385185A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202310658539.5A CN116385185A (zh) 2023-06-06 2023-06-06 一种车险评估辅助方法、装置、计算机设备及存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202310658539.5A CN116385185A (zh) 2023-06-06 2023-06-06 一种车险评估辅助方法、装置、计算机设备及存储介质

Publications (1)

Publication Number Publication Date
CN116385185A true CN116385185A (zh) 2023-07-04

Family

ID=86969821

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202310658539.5A Pending CN116385185A (zh) 2023-06-06 2023-06-06 一种车险评估辅助方法、装置、计算机设备及存储介质

Country Status (1)

Country Link
CN (1) CN116385185A (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117541403A (zh) * 2023-11-17 2024-02-09 德联易控科技(北京)有限公司 一种风险数据库构建方法、装置、电子设备和可读介质

Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20150112731A1 (en) * 2013-10-18 2015-04-23 State Farm Mutual Automobile Insurance Company Risk assessment for an automated vehicle
CN109147088A (zh) * 2018-07-17 2019-01-04 苏州车付通信息科技有限公司 智能驾驶行为数据采集器及采集方法
WO2021074321A1 (de) * 2019-10-16 2021-04-22 Allianz Partners Sas Niederlassung Deutschland Verfahren und system zum bewerten eines fahrverhaltens
CN114815605A (zh) * 2022-04-07 2022-07-29 中国科学院深圳先进技术研究院 自动驾驶测试用例生成方法、装置、电子设备及存储介质
CN115082249A (zh) * 2022-06-28 2022-09-20 中国平安财产保险股份有限公司 车险定价模型测试方法、装置、服务器及存储介质
CN115439263A (zh) * 2022-09-06 2022-12-06 上海寻序人工智能科技有限公司 一种基于自动驾驶行为资产的精准车险保费评估方法
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
CN115936895A (zh) * 2022-11-17 2023-04-07 中国平安财产保险股份有限公司 基于人工智能的风险评估方法、装置、设备及存储介质

Patent Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20150112731A1 (en) * 2013-10-18 2015-04-23 State Farm Mutual Automobile Insurance Company Risk assessment for an automated vehicle
CN109147088A (zh) * 2018-07-17 2019-01-04 苏州车付通信息科技有限公司 智能驾驶行为数据采集器及采集方法
WO2021074321A1 (de) * 2019-10-16 2021-04-22 Allianz Partners Sas Niederlassung Deutschland Verfahren und system zum bewerten eines fahrverhaltens
CN114815605A (zh) * 2022-04-07 2022-07-29 中国科学院深圳先进技术研究院 自动驾驶测试用例生成方法、装置、电子设备及存储介质
CN115082249A (zh) * 2022-06-28 2022-09-20 中国平安财产保险股份有限公司 车险定价模型测试方法、装置、服务器及存储介质
CN115439263A (zh) * 2022-09-06 2022-12-06 上海寻序人工智能科技有限公司 一种基于自动驾驶行为资产的精准车险保费评估方法
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
CN115936895A (zh) * 2022-11-17 2023-04-07 中国平安财产保险股份有限公司 基于人工智能的风险评估方法、装置、设备及存储介质

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117541403A (zh) * 2023-11-17 2024-02-09 德联易控科技(北京)有限公司 一种风险数据库构建方法、装置、电子设备和可读介质

Similar Documents

Publication Publication Date Title
US11960981B2 (en) Systems and methods for providing machine learning model evaluation by using decomposition
CN111310562B (zh) 基于人工智能的车辆驾驶风险管控方法及其相关设备
US10049408B2 (en) Assessing asynchronous authenticated data sources for use in driver risk management
CN110364257A (zh) 人车风险预测方法、装置、介质及电子设备
CN111932046A (zh) 一种服务场景下处理风险的方法、计算机设备、存储介质
CN116385185A (zh) 一种车险评估辅助方法、装置、计算机设备及存储介质
CN110796578A (zh) 一种分级救援的判断方法及装置、计算机设备和存储介质
CN115545958A (zh) 智能车险评估方法、装置、计算机设备及存储介质
CN110930537A (zh) 基于大数据的车辆数据获取方法、装置、设备及存储介质
CN114418189A (zh) 水质等级预测方法、系统、终端设备及存储介质
CN112149908A (zh) 车辆驾驶预测方法、系统、计算机设备及可读存储介质
CN111260484A (zh) 一种人伤识别的数据处理方法、装置、服务器及系统
CN113918718B (zh) 基于人工智能的车险用户分类方法、装置、设备及介质
CN114550052A (zh) 一种车辆事故处理方法、装置、计算机设备及存储介质
CN116597516A (zh) 训练方法、分类方法、检测方法、装置、系统及设备
CN115797084A (zh) 基于车主驾驶行为的投保定价指导方法及其相关设备
CN111091474A (zh) 一种保险定价方法、装置、计算机存储介质及系统
CN115392730A (zh) 租赁车辆示警方法、装置、电子设备及存储介质
CN115782919A (zh) 信息感知方法、装置及电子设备
CN114549221A (zh) 车辆事故损失处理方法、装置、计算机设备及存储介质
Tian Embedded Real‐Time Detection of Vehicles and Pedestrians Based on Minimal Networks
CN116486347B (zh) 基于尺度不变特征变换图像识别的团雾监测捕获方法及装置
CN116385184A (zh) 一种车险计算方法、装置、计算机设备及存储介质
US12118881B1 (en) System and method for providing consolidated events in a traffic management control centre using situational awareness
US20240096056A1 (en) Systems and methods for determining video similarity, risk scores, and textual descriptions

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
RJ01 Rejection of invention patent application after publication

Application publication date: 20230704

RJ01 Rejection of invention patent application after publication