CN117094781B - 一种智能车险理赔处理方法及系统 - Google Patents

一种智能车险理赔处理方法及系统 Download PDF

Info

Publication number
CN117094781B
CN117094781B CN202311077102.9A CN202311077102A CN117094781B CN 117094781 B CN117094781 B CN 117094781B CN 202311077102 A CN202311077102 A CN 202311077102A CN 117094781 B CN117094781 B CN 117094781B
Authority
CN
China
Prior art keywords
accident
data
vehicle
settlement
risk
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.)
Active
Application number
CN202311077102.9A
Other languages
English (en)
Other versions
CN117094781A (zh
Inventor
高云
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.)
Guoren Property Insurance Co ltd
Original Assignee
Guoren Property Insurance 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 Guoren Property Insurance Co ltd filed Critical Guoren Property Insurance Co ltd
Priority to CN202311077102.9A priority Critical patent/CN117094781B/zh
Publication of CN117094781A publication Critical patent/CN117094781A/zh
Application granted granted Critical
Publication of CN117094781B publication Critical patent/CN117094781B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

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
    • G06Q30/00—Commerce
    • G06Q30/02—Marketing; Price estimation or determination; Fundraising
    • G06Q30/0283—Price estimation or determination
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/004—Artificial life, i.e. computing arrangements simulating life
    • G06N3/006—Artificial life, i.e. computing arrangements simulating life based on simulated virtual individual or collective life forms, e.g. social simulations or particle swarm optimisation [PSO]
    • 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
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/0464—Convolutional networks [CNN, ConvNet]
    • 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
    • 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

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Business, Economics & Management (AREA)
  • General Physics & Mathematics (AREA)
  • Development Economics (AREA)
  • Accounting & Taxation (AREA)
  • Finance (AREA)
  • Data Mining & Analysis (AREA)
  • Molecular Biology (AREA)
  • Software Systems (AREA)
  • Mathematical Physics (AREA)
  • Strategic Management (AREA)
  • General Engineering & Computer Science (AREA)
  • Computing Systems (AREA)
  • Health & Medical Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Artificial Intelligence (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • General Health & Medical Sciences (AREA)
  • Evolutionary Computation (AREA)
  • Marketing (AREA)
  • General Business, Economics & Management (AREA)
  • Economics (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Technology Law (AREA)
  • Game Theory and Decision Science (AREA)
  • Financial Or Insurance-Related Operations Such As Payment And Settlement (AREA)

Abstract

本发明公开了一种智能车险理赔处理方法及系统，包括步骤：S1：数据收集与预处理：收集车辆信息、驾驶人信息、事故信息，并进行数据清洗和预处理；S2：采用改进病毒粒子群优化算法，构建车险定价模型，实现个性化定价；S3：若存在事故，将最新事故数据以及输入至采用卷积神经网络算法训练好的模型，给出理赔金额或理赔决策；S4：结束。本申请通过采用改进病毒粒子群优化算法并考虑利润、客户满意度和理赔风险系数因素，并结合卷积神经网络算法给出理赔理赔决策，实现了保险的自动化处理，大大增强了保险出险自动化程度。

Description

一种智能车险理赔处理方法及系统
技术领域
本发明涉及车险自动报价以及理赔技术领域，具体涉及一种智能车险理赔处理方法及系统。
背景技术
随着现代交通系统的复杂性和车辆保险市场的竞争日益激烈，车险定价和理赔处理成为了保险公司面临的重要挑战。传统的车险定价和理赔处理方法通常依赖人工分析和判断，不仅效率低下，而且可能受到主观因素的影响，导致不公平和不透明。
车险定价方面，传统方法通常基于统计模型和历史数据，缺乏对个体差异和市场动态的灵活适应。这可能导致保费定价过于粗糙和僵化，无法满足不同客户的需求和风险水平。此外，传统方法难以有效处理复杂和非线性的关系，例如多种因素对风险的交互影响。且现有技术中没有考虑利润与客户满意度以及理赔风险的统一，且考虑的不全面以及计算的准确度以及效率不能够实现最优解。
理赔处理方面，传统方法通常涉及大量的人工操作和判断，例如现场勘查、估损、审核等。这不仅耗时耗力，而且可能受到人为错误和欺诈风险的影响。此外，传统方法难以充分利用现有的大量数据，例如事故现场的图像、车辆的传感器数据等，从而可能导致理赔决策的不准确和不一致。且事故现场图像不能够进行多角度、多方式的丰富数据类型，导致判断准确率较低。
近年来，人工智能和机器学习技术在许多领域取得了突破性进展，为解决上述问题提供了新的可能性。然而，将这些技术应用于车险定价和理赔处理仍然面临许多挑战，例如如何有效整合多种类型的数据、如何构建符合业务逻辑的模型、如何确保决策的公平和透明等。
发明内容
针对现有技术中提到的上述问题，为解决上述技术问题，本发明提供了一种智能车险理赔处理方法及系统，该方法通过采用改进病毒粒子群优化算法并考虑利润、客户满意度和理赔风险系数因素，并结合卷积神经网络算法给出理赔决策，实现了保险的自动化处理，大大增强了保险出险自动化程度。
本发明的一种智能车险理赔处理方法，包括步骤：
S1：数据收集与预处理：收集车辆信息、驾驶人信息、事故信息，并进行数据清洗和预处理；
S2：采用改进病毒粒子群优化算法，构建车险定价模型，实现个性化定价；
S21：设置改进病毒粒子群优化算法目标函数为
其中，、、分别表示利润函数、客户满意度函数和理赔风险函数，α、β 和 γ 是利润、客户满意度和理赔风险系数对应的权重，表示基础保费、是折扣率；
S22：计算理赔风险系数
F是理赔频率,C是理赔严重程度，、分别是理赔频率和理赔严重程度对应的权重；
S23：初始化改进病毒粒子群优化算法；
粒子群,每个粒子
S24：通过模拟病毒的传播和变异，和的不同组合；
S25：根据新粒子的目标函数值，更新粒子群，保留目标函数值大于设定阈值的粒子；
S26：重复步骤S24和S25，直到满足收敛条件；
S27：返回优化目标函数值最高的粒子作为最优定价策略；
S3：若存在事故，将最新事故数据以及输入至采用卷积神经网络算法训练好的模型，给出理赔金额或理赔决策，其中，最新事故数据包括事故现场图像、车辆信息、驾驶人信息、事故信息、车险定价；
S4：结束。
优选地，所述车辆信息包括车辆型号和品牌、车辆使用年限、行驶里程、车辆维修记录、车辆所有权、保险种类、索赔记录；驾驶人信息包括驾驶人年龄、性别、驾驶证获得时间、驾驶年限、历史交通违章记录、事故记录、平均行驶速度；事故信息包括事故时间和地点、事故类型、事故责任判断；所述事故类型包括碰撞、刮擦、翻车，所述事故责任判断包括全责、主责、无责。
优选地，所述最新事故数据包括事故现场图像、车辆信息、驾驶人信息、事故信息、车险定价，还包括事故现场图像预处理，包括将所有图像调整为相同的大小，将图像的像素值归一化到0-1范围，通过旋转、翻转、裁剪增加事故现场图像的数量，采用均值滤波实现事故现场图像的去噪。
优选地，所述利给出理赔金额或理赔决策，包括是否理赔、理赔金额、理赔方式、欺诈风险值。
本申请还提供一种智能车险定价和理赔处理系统，包括：
数据收集与预处理模块：收集车辆信息、驾驶人信息、事故信息，并进行数据清洗和预处理；
改进病毒粒子群优化算法处理模块，构建车险定价模型，实现个性化定价；
首先，设置改进病毒粒子群优化算法目标函数为
其中，、、分别表示利润函数、客户满意度函数和理赔风险函数，α、β 和 γ 是利润、客户满意度和理赔风险系数对应的权重，表示基础保费、是折扣率；
计算理赔风险系数
F是理赔频率,C是理赔严重程度，、分别是理赔频率和理赔严重程度对应的权重；
初始化改进病毒粒子群优化算法；
粒子群,每个粒子
通过模拟病毒的传播和变异，和的不同组合；
根据新粒子的适应度，更新粒子群，保留适应度大于设定阈值的粒子；
重复初始化改进病毒粒子群优化算法和根据新粒子的目标函数值更新粒子群，直到满足收敛条件；
返回优化目标函数值最高的粒子作为最优定价策略；
事故处理模块，若存在事故，将最新事故数据以及输入至采用卷积神经网络算法训练好的模型，给出理赔金额或理赔决策，其中，最新事故数据包括事故现场图像、车辆信息、驾驶人信息、事故信息、车险定价；
结束模块。
优选地，所述车辆信息包括车辆型号和品牌、车辆使用年限、行驶里程、车辆维修记录、车辆所有权、保险种类、索赔记录；驾驶人信息包括驾驶人年龄、性别、驾驶证获得时间、驾驶年限、历史交通违章记录、事故记录、平均行驶速度；事故信息包括事故时间和地点、事故类型、事故责任判断；所述事故类型包括碰撞、刮擦、翻车，所述事故责任判断包括全责、主责、无责。
优选地，所述最新事故数据包括事故现场图像、车辆信息、驾驶人信息、事故信息、车险定价，还包括事故现场图像预处理，包括将所有图像调整为相同的大小，将图像的像素值归一化到0-1范围，通过旋转、翻转、裁剪增加事故现场图像的数量，采用均值滤波实现事故现场图像的去噪。
优选地，所述利给出理赔金额或理赔决策，包括是否理赔、理赔金额、理赔方式、欺诈风险值。
本发明提供了一种智能车险定价和理赔处理方法及系统，所能实现的有益技术效果如下：
1、本申请通过采用改进病毒粒子群优化算法目标函数为
其中，、、分别表示利润函数、客户满意度函数和理赔风险函数，α、β 和 γ 是利润、客户满意度和理赔风险系数对应的权重，表示基础保费、是折扣率；S22：计算理赔风险系数
F是理赔频率,C是理赔严重程度，、分别是理赔频率和理赔严重程度对应的权重；本申请通过设置利润、客户满意度和理赔风险系数进行统一考虑，大大增强了车险定价准确度，提高了保险定价的处理效率，并实现实时性自动化的理赔，本申请的计算理赔风险系数方式，大大增强了定价准确度以及合理性。
2、本发明通过采用将最新事故数据以及输入至采用卷积神经网络算法训练好的模型，给出理赔金额或理赔决策，其中，最新事故数据包括事故现场图像、车辆信息、驾驶人信息、事故信息、车险定价，通过将事故现场图像与车辆信息、驾驶人信息、事故信息进行结合，大大提高了计算效率以及保险计算准确度。
3、本发明通过包括将所有图像调整为相同的大小，将图像的像素值归一化到0-1范围，通过旋转、翻转、裁剪增加事故现场图像的数量，采用均值滤波实现事故现场图像的去噪的图像特征一起作为卷积神经网络的输入，大大实现了判断准确度，实现了综合多项因素丰富的图像数据类型实现自动化理赔。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例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，下面描述中的附图仅仅是本发明的一些实施例，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它的附图。
图1是本发明的一种智能车险理赔处理方法步骤示意图。
具体实施方式
下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅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作出创造性劳动前提下所获得的所有其它实施例，都属于本发明保护的范围。
实施例1：
针对现有技术中提到的上述问题，为解决上述技术问题，如附图1所示：本发明提供了本发明的一种智能车险理赔处理方法，包括步骤：
S1：数据收集与预处理：收集车辆信息、驾驶人信息、事故信息，并进行数据清洗和预处理；收集车辆信息、驾驶人信息、事故信息等是车险定价和理赔处理的关键环节。以下是这些信息的详细举例说明：
1. 车辆信息
车辆型号和品牌。
车辆年龄：车辆的使用年限。
车辆性能参数：如排量、马力、燃油效率等。
车辆使用情况：例如行驶里程、车辆维修记录、车辆所在地区等。
车辆所有权：是否为第一手车主，是否有按揭等。
车辆保险历史：过去的保险记录，包括保险种类、索赔记录等。
2. 驾驶人信息
驾驶人年龄和性别：例如30岁男性驾驶员。
驾驶经验：例如驾驶证获得时间、驾驶年限等。
驾驶记录：例如过去的交通违章记录、事故记录等。
驾驶习惯：例如平均行驶速度、常用路线等（可通过车载设备收集）。
3. 事故信息（适用于理赔处理）
事故时间和地点：例如发生在周五晚高峰时段的城市主干道上。
事故类型：例如碰撞、刮擦、翻车等。
事故责任判断：例如全责、主责、无责等。
事故损失评估：包括车辆损坏程度、人员伤情、第三方损失等。
事故现场照片和视频：用于进一步分析和证明。
警方报告和目击者证言：如有的话，可以作为重要证据。
4. 其他可能相关的信息
保险产品选择：所选择的保险覆盖范围、额度、免赔条款等。
地区风险评估：例如车辆所在地区的交通状况、犯罪率、天气条件等。
信用评分：驾驶人的信用记录可能也会被考虑。
除了上述的基本信息外，还可以进一步收集以下更详细和特定的信息，以便更精确地进行车险定价和理赔处理：
1. 车辆额外信息
安全设备和功能：例如防抱死刹车系统（ABS）、电子稳定控制系统（ESC）等。
车辆用途：例如私人用车、商业用车、租赁车辆等。
车辆停放情况：例如是否有固定停车场、是否停放在室内等。
车辆定期检查记录：例如排放检查、安全检查等。
2. 驾驶人额外信息
职业和教育背景：某些职业和教育水平可能与驾驶风险有关。
健康状况：例如视力、是否有慢性疾病等。
家庭状况：例如是否有孩子、家庭成员是否共享车辆等。
3. 保险政策和合同信息
保险折扣和优惠：例如多车折扣、无事故折扣等。
保险续约和变更记录：以往的保险续约、升级、降级等情况。
付款方式和记录：例如是否按时支付保费、选择的付款方式等。
4. 环境和外部因素信息
道路状况：常用道路的类型、状况、交通流量等。
气候和天气状况：车辆所在地区的一般气候和特殊天气情况。
法规和政策：当地的交通法规、保险法规等。
5. 技术和设备信息
车载追踪和监控设备：例如GPS追踪、行车记录仪等。
智能驾驶辅助系统：例如自适应巡航控制、车道保持辅助等。
6. 社交和行为信息
社交媒体和在线行为：例如驾驶人的社交媒体帖子、在线购物习惯等（需符合隐私法规）
S2：采用改进病毒粒子群优化算法，构建车险定价模型，实现个性化定价；
S21：设置改进病毒粒子群优化算法目标函数为
其中，、、分别表示利润函数、客户满意度函数和理赔风险函数，α、β 和 γ 是利润、客户满意度和理赔风险系数对应的权重，表示基础保费、是折扣率；我们可以使用VCO来找到最优的基础保费 p1和折扣率 p 2 ，使得目标函数最大化。
通过将CRF集成到VCO的适应度函数中，我们可以使定价策略更好地反映利润、客户满意度和理赔风险，从而实现更精确和公平的定价
S22：计算理赔风险系数
F是理赔频率,C是理赔严重程度，、分别是理赔频率和理赔严重程度对应的权重；
S23：初始化改进病毒粒子群优化算法；
粒子群,每个粒子
S24：通过模拟病毒的传播和变异，和的不同组合；
S25：根据新粒子的目标函数值，更新粒子群，保留目标函数值大于设定阈值的粒子；
S26：重复步骤S24和S25，直到满足收敛条件；
S27：返回优化目标函数值最高的粒子作为最优定价策略；
S3：若存在事故，将最新事故数据以及输入至采用卷积神经网络算法训练好的模型，给出理赔金额或理赔决策，其中，最新事故数据包括事故现场图像、车辆信息、驾驶人信息、事故信息、车险定价；
卷积神经网络（Convolutional Neural Networks, CNN）是一种深度学习算法，特别适合处理图像和序列数据。在车险理赔处理中，我们可以使用CNN来分析理赔案件的相关信息，例如事故照片、驾驶记录等，从而实现自动化理赔处理。
以下是具体的实现步骤和公式表示：
1. 数据准备
收集和预处理理赔案件的相关数据，例如：
事故照片
驾驶记录
车辆信息
天气和路况信息
等等
2. 构建CNN模型
我们可以构建一个CNN模型来分析这些数据，并预测理赔金额或理赔决策。
公式表示：
输入层：X（例如事故照片的像素值）
卷积层：使用滤波器 W 和激活函数 f 进行卷积操作
C=f(X*W+b)
其中*是卷积操作，b 是偏置项
池化层：进行下采样，例如最大池化
全连接层：使用权重 W 和激活函数 f 进行全连接操作
F=f(W·C+b)
输出层：预测理赔金额或理赔决策
Y=softmax(W·F+b)
3. 模型训练
使用历史理赔案件的数据来训练CNN模型。
公式表示：
损失函数：例如交叉熵损失，优化算法：例如随机梯度下降
4. 理赔处理
使用训练好的CNN模型来分析新的理赔案件，并自动化处理理赔。
公式表示：
输入新案件的数据
使用CNN模型预测理赔金额或理赔决策Y=CNN(X)
基于预测结果进行理赔处理
示例
假设我们有一组事故照片，我们可以使用CNN模型来分析照片中的损坏程度和事故类型，从而预测理赔金额。
S4：结束。
优选地，所述车辆信息包括车辆型号和品牌、车辆使用年限、行驶里程、车辆维修记录、车辆所有权、保险种类、索赔记录；驾驶人信息包括驾驶人年龄、性别、驾驶证获得时间、驾驶年限、历史交通违章记录、事故记录、平均行驶速度；事故信息包括事故时间和地点、事故类型、事故责任判断；所述事故类型包括碰撞、刮擦、翻车，所述事故责任判断包括全责、主责、无责。数据清洗和预处理是数据分析的关键步骤，特别是在复杂的场景如车险定价和理赔处理中。以下是具体的数据清洗和预处理步骤：
1. 数据清洗
a. 去除重复项
检查并删除重复的记录，例如同一辆车的多个相同条目。
b. 处理缺失值
识别缺失或不完整的数据，并决定是填充、忽略还是删除。
可以使用平均值、中位数或其他统计方法来填充缺失值。
c. 去除异常值
通过统计分析识别并处理异常值，例如不合理的年龄、里程数等。
可以使用标准差、四分位数等方法来识别异常值。
d. 格式一致性
确保所有数据都符合一致的格式，例如日期格式、货币单位等。
2. 数据预处理
a. 数据转换
将分类数据转换为数值形式，例如将性别从“男/女”转换为“1/0”。
对连续变量进行标准化或归一化。
b. 特征工程
选择和构造与问题相关的特征，例如从生日计算年龄。
可以使用主成分分析（PCA）、特征选择算法等进行特征降维。
c. 数据分割
将数据分割为训练集、验证集和测试集，以便进行模型训练和评估。
d. 文本和图像处理
对文本数据进行分词、去停用词、词干提取等。
对图像数据进行缩放、旋转、裁剪等预处理。
e. 处理不平衡数据
如果数据集中的类别分布不均衡，可以使用过采样、欠采样或生成合成样本来平衡。
f. 时间序列处理
对时间序列数据进行滑动窗口、季节性调整等处理
优选地，所述最新事故数据包括事故现场图像、车辆信息、驾驶人信息、事故信息、车险定价，还包括事故现场图像预处理，包括将所有图像调整为相同的大小，将图像的像素值归一化到0-1范围，通过旋转、翻转、裁剪增加事故现场图像的数量，采用均值滤波实现事故现场图像的去噪。
优选地，所述利给出理赔金额或理赔决策，包括是否理赔、理赔金额、理赔方式、欺诈风险值。
本申请还提供一种智能车险定价和理赔处理系统，包括：
数据收集与预处理模块：收集车辆信息、驾驶人信息、事故信息，并进行数据清洗和预处理；
改进病毒粒子群优化算法处理模块，构建车险定价模型，实现个性化定价；
首先，设置改进病毒粒子群优化算法目标函数为
其中，、、分别表示利润函数、客户满意度函数和理赔风险函数，α、β 和 γ 是利润、客户满意度和理赔风险系数对应的权重，表示基础保费、是折扣率；
计算理赔风险系数
F是理赔频率,C是理赔严重程度，、分别是理赔频率和理赔严重程度对应的权重；
初始化改进病毒粒子群优化算法；
粒子群,每个粒子
通过模拟病毒的传播和变异，和的不同组合；
根据新粒子的适应度，更新粒子群，保留适应度大于设定阈值的粒子；
重复初始化改进病毒粒子群优化算法和根据新粒子的目标函数值更新粒子群，直到满足收敛条件；
在车险理赔处理中，卷积神经网络（CNN）可以用于计算理赔金额或给出理赔决策。以下是具体的计算过程和内容说明：
1. 计算理赔金额
理赔金额是根据事故的损失和保险合同的条款计算的。CNN可以通过分析事故现场图像和其他相关信息来预测理赔金额。
输入数据：事故现场图像、车辆信息、驾驶人信息、事故信息、车险定价等。
预处理：如前所述，对这些数据进行适当的预处理和特征工程。
模型训练：构建和训练一个回归型CNN模型，以预测理赔金额。
输出结果：模型的输出是一个连续的数值，表示预测的理赔金额。
2. 给出理赔决策
理赔决策不仅涉及金额的计算，还可能包括以下内容：
是否批准理赔：判断是否满足理赔条件，例如是否符合保险合同的覆盖范围。
理赔金额：如上所述，计算理赔的具体金额。
理赔方式：确定理赔的方式和流程，例如现金支付、维修服务等。
风险评估：评估理赔案件的风险水平，例如欺诈风险。
输入数据：与计算理赔金额相同的数据。
预处理：与计算理赔金额相同的预处理步骤。
模型训练：构建和训练一个多任务CNN模型，可以同时预测理赔金额、理赔方式、风险等级等。
输出结果：模型的输出可能包括一个连续的数值（理赔金额）和几个离散的类别（理赔方式、风险等级等）。
3. 后处理和解释
模型的输出可能需要进一步的后处理和解释，以便用于实际的理赔处理。
后处理：例如，将预测的理赔金额调整到合理的范围，或将预测的风险等级转换为具体的操作建议。
解释：提供模型预测的解释和证据，以支持透明和可信的理赔决策。
返回优化目标函数值最高的粒子作为最优定价策略；
事故处理模块，若存在事故，将最新事故数据以及输入至采用卷积神经网络算法训练好的模型，给出理赔金额或理赔决策，其中，最新事故数据包括事故现场图像、车辆信息、驾驶人信息、事故信息、车险定价；
处理车险理赔案件时，输入数据可能包括多种类型，如事故现场图像、车辆信息、驾驶人信息、事故信息和车险定价等。这些数据需要经过适当的预处理和特征工程，以便用于卷积神经网络（CNN）的训练和预测。以下是具体的预处理步骤：
1. 事故现场图像处理
事故现场图像是一种非结构化数据，可以通过以下步骤处理：
图像缩放：将所有图像调整为相同的大小，例如224x224像素。
颜色归一化：将图像的像素值归一化到0-1范围，以便于神经网络的训练。
数据增强：通过旋转、翻转、裁剪等手段增加训练数据的多样性，提高模型的泛化能力。
特征提取：可以使用预训练的CNN模型（如VGG、ResNet等）提取图像特征，或直接将原始图像作为输入。
2. 车辆信息、驾驶人信息和事故信息处理
这些信息通常是结构化数据，可以通过以下步骤处理：
缺失值处理：对缺失的数据进行填充或删除。
数值归一化：将数值特征归一化到相同的范围，例如0-1。
类别编码：将类别特征（如车型、驾驶人性别等）转换为独热编码或整数编码。
特征选择：选择与理赔金额相关的重要特征，可以使用特征选择算法或领域知识。
3. 车险定价信息处理
车险定价信息可能与理赔金额有关，可以直接作为数值特征，或与其他特征组合生成新特征。
4. 整合多种数据
将处理后的图像特征和结构化特征整合为一个统一的特征向量，用于CNN模型的训练和预测。
示例：可以使用全连接层将图像特征和结构化特征连接在一起，或使用特殊的多模态神经网络结构。
5. 构建和训练CNN模型
使用整合后的特征向量构建和训练CNN模型，以预测理赔金额。
损失函数：可以使用均方误差等回归损失函数。
评估指标：可以使用R^2分数、平均绝对误差等指标评估模型的性能。
结束模块。
理赔处理与定价模型构建在车险业务中确实存在关联关系。虽然它们是两个不同的业务流程，但它们之间的相互作用和依赖关系可以在以下方面体现：
1. 风险评估
理赔数据可以用于评估客户的风险等级。频繁的理赔可能表明客户风险较高，这可能会影响定价模型的构建。反之，如果一个客户很少或从未提出理赔，可能会被视为低风险，从而享受较低的保费。
2. 利润最大化
理赔处理的效率和准确性直接影响保险公司的利润。定价模型必须考虑预期的理赔成本，以确保公司的长期盈利。如果理赔成本被低估，可能会导致保费过低，从而影响公司的利润。
3. 客户满意度
快速和公平的理赔处理可以提高客户满意度，从而增加客户忠诚度和保留率。这可能会影响定价策略，因为保留现有客户通常比吸引新客户更便宜。
4. 数据驱动的决策
理赔数据是一种宝贵的信息资源，可以用于改进定价模型。通过分析理赔数据，保险公司可以更好地了解风险因素、客户行为等，从而构建更精确和个性化的定价模型
病毒粒子群优化算法（VCO）和卷积神经网络（CNN）在处理车险业务中的应用虽然针对不同的方面，但它们可以在整个车险业务流程中相互协作和补充。以下是它们的关系和在车险步骤流程中的关联：
1. 应用领域
VCO：主要用于构建车险定价模型，通过优化算法找到最优的保费定价策略，以实现利润最大化、风险最小化等目标。
CNN：主要用于理赔处理，通过深度学习分析理赔案件的复杂信息（如事故照片、驾驶记录等），实现自动化和精确的理赔分析和决策。
2. 关联关系
数据共享：理赔数据可以作为定价模型的输入之一，反映客户的风险等级和行为特征。同样，定价策略也可能影响理赔决策。
业务协同：合理的定价策略可以吸引和保留客户，而高效的理赔处理可以增强客户满意度。这两者相互支持，共同促进业务增长。
技术整合：在一些先进的解决方案中，VCO和CNN可能共享相同的数据平台和分析工具，实现技术和流程的整合。
3. 车险步骤流程中的关联
客户引入：通过VCO构建的个性化定价模型吸引新客户。
保险购买：客户根据定价模型选择合适的保险产品和保费。
理赔申请：发生事故后，客户提交理赔申请。
理赔分析：使用CNN分析理赔案件的信息，预测理赔金额或决策。
理赔处理：基于分析结果进行理赔处理。
数据反馈：将理赔结果和客户反馈用于更新和优化定价模型。
总的来说，虽然VCO和CNN在车险业务中的应用领域不同，但它们在整个业务流程中存在关联和协同作用。通过整合这两种技术，保险公司可以实现更精确的定价、更高效的理赔处理，以及更灵活的业务运营
优选地，所述车辆信息包括车辆型号和品牌、车辆使用年限、行驶里程、车辆维修记录、车辆所有权、保险种类、索赔记录；驾驶人信息包括驾驶人年龄、性别、驾驶证获得时间、驾驶年限、历史交通违章记录、事故记录、平均行驶速度；事故信息包括事故时间和地点、事故类型、事故责任判断；所述事故类型包括碰撞、刮擦、翻车，所述事故责任判断包括全责、主责、无责。
优选地，所述最新事故数据包括事故现场图像、车辆信息、驾驶人信息、事故信息、车险定价，还包括事故现场图像预处理，包括将所有图像调整为相同的大小，将图像的像素值归一化到0-1范围，通过旋转、翻转、裁剪增加事故现场图像的数量，采用均值滤波实现事故现场图像的去噪。
优选地，所述利给出理赔金额或理赔决策，包括是否理赔、理赔金额、理赔方式、欺诈风险值。
收敛条件是优化算法停止迭代的标准，用于判断算法是否找到了最优解或足够接近最优解。在病毒粒子群优化算法（VCO）中，收敛条件可以是以下几种情况，或者它们的组合：
1. 最大迭代次数
设置一个最大迭代次数，当算法达到这个次数时停止。这是一种常见的停止条件，可以防止算法无限制地运行。
示例：如果设置最大迭代次数为1000，那么算法在完成1000次迭代后停止。
2. 适应度变化阈值
如果连续几次迭代中最优适应度的变化小于某个阈值，可以认为算法已经收敛。
示例：如果设置适应度变化阈值为0.01，并且在连续50次迭代中最优适应度的变化都小于0.01，那么停止算法。
3. 解的变化阈值
如果粒子群中的解（例如定价参数）在连续几次迭代中的变化小于某个阈值，也可以认为算法已经收敛。
示例：如果设置解的变化阈值为0.001，并且在连续50次迭代中解的变化都小于0.001，那么停止算法。
4. 达到预设的目标
如果找到的解达到或超过了预设的目标（例如预期的利润或风险水平），则停止算法。
示例：如果设置预期利润为10000，并且在某次迭代中找到的解达到或超过10000的利润，那么停止算法。
5. 运行时间限制
在某些情况下，可能会设置算法的最大运行时间，以确保在有限的时间内得到结果。
示例：如果设置最大运行时间为1小时，那么算法在运行1小时后停止，无论是否找到最优解。
6. 组合条件
在实际应用中，可能会组合以上几种条件，以确保算法在合理的时间内找到满足要求的解。
示例：可以同时设置最大迭代次数为1000，适应度变化阈值为0.01，和最大运行时间为1小时，满足任何一个条件时停止算法。
收敛条件的选择和设置取决于具体问题的特性和需求，例如问题的复杂性、解的精度要求、计算资源的限制等。合理的收敛条件可以确保算法在有效地找到最优解的同时，避免无效的计算和过度拟合。
卷积神经网络（CNN）在车险理赔处理中的应用可以涵盖多个方面的决策和计算。以下是具体的例子，说明可能给出的理赔金额和理赔决策：
1. 理赔金额计算
假设发生了一起交通事故，涉及的车辆受到了不同程度的损坏。CNN可以通过分析事故现场的图像和其他相关信息来计算理赔金额。
输入数据：
事故现场图像：包括车辆损坏的部分、事故现场的环境等。
车辆信息：车型、年份、使用情况等。
事故信息：事故发生的时间、地点、天气等。
保险合同：保险覆盖的范围、免赔额等。
预测结果：
理赔金额：例如，预测的理赔金额为$2000。
2. 理赔决策
除了理赔金额的计算，CNN还可以给出更复杂的理赔决策。以下是一个例子：
输入数据：与上述理赔金额计算相同的数据。
预测结果：
是否批准理赔：例如，判断事故符合保险合同的覆盖范围，批准理赔。
理赔金额：例如，预测的理赔金额为$2000。
理赔方式：例如，建议通过指定的维修服务商进行维修。
风险评估：例如，评估事故的欺诈风险为低。
3. 后处理和解释
模型的预测结果可能需要进一步的解释和操作：
后处理：例如，根据公司的政策和当地的市场价格，将预测的理赔金额调整为$1900。
解释：例如，提供模型识别的车辆损坏部分的图像和描述，以解释理赔金额的计算。
本发明提供了一种智能车险定价和理赔处理方法及系统，所能实现的有益技术效果如下：
1、本申请通过采用改进病毒粒子群优化算法目标函数为
其中，、、分别表示利润函数、客户满意度函数和理赔风险函数，α、β 和 γ 是利润、客户满意度和理赔风险系数对应的权重，表示基础保费、是折扣率；S22：计算理赔风险系数
F是理赔频率,C是理赔严重程度，、分别是理赔频率和理赔严重程度对应的权重；本申请通过设置利润、客户满意度和理赔风险系数进行统一考虑，大大增强了车险定价准确度，提高了保险定价的处理效率，并实现实时性自动化的理赔，本申请的计算理赔风险系数方式，大大增强了定价准确度以及合理性。
2、本发明通过采用将最新事故数据以及输入至采用卷积神经网络算法训练好的模型，给出理赔金额或理赔决策，其中，最新事故数据包括事故现场图像、车辆信息、驾驶人信息、事故信息、车险定价，通过将事故现场图像与车辆信息、驾驶人信息、事故信息进行结合，大大提高了计算效率以及保险计算准确度。
3、本发明通过包括将所有图像调整为相同的大小，将图像的像素值归一化到0-1范围，通过旋转、翻转、裁剪增加事故现场图像的数量，采用均值滤波实现事故现场图像的去噪的图像特征一起作为卷积神经网络的输入，大大实现了判断准确度，实现了综合多项因素丰富的图像数据类型实现自动化理赔。
以上对一种智能车险定价和理赔处理方法及系统进行了详细介绍，本文中应用了具体个例对本发明的原理及实施方式进行了阐述，以上实施例的说明只是用于帮助理解本发明的核心思想；同时，对于本领域的一般技术人员，依据本发明的思想和方法，在具体实施方式及应用范围上均会有改变之处，综上所述，本说明书内容不应理解为对本发明的限制。

Claims (2)

1.一种智能车险理赔处理方法，其特征在于，包括步骤：
S1：数据收集与预处理：收集车辆信息、驾驶人信息、事故信息，并进行数据清洗和预处理；所述车辆信息包括车辆型号和品牌、车辆使用年限、行驶里程、车辆维修记录、车辆所有权、保险种类、索赔记录、排量、马力、燃油效率；驾驶人信息包括驾驶人年龄、性别、驾驶证获得时间、驾驶年限、历史交通违章记录、事故记录、平均行驶速度；事故信息包括事故时间和地点、事故类型、事故责任判断；所述事故类型包括碰撞、刮擦、翻车，所述事故责任判断包括全责、主责、无责；将车型、驾驶人性别转换为独热编码或整数编码；
S2：若存在事故，将最新事故数据输入至采用卷积神经网络算法训练好的模型，给出理赔决策，其中，最新事故数据包括事故现场图像、车辆信息、驾驶人信息、事故信息、车险定价；
车险理赔处理中，使用CNN来分析理赔案件，包括将处理后的图像特征和结构化特征整合为一个统一的特征向量，用于CNN模型的训练和预测，使用全连接层将图像特征和结构化特征连接在一起；
构建和训练一个多任务CNN模型，同时预测理赔方式、风险等级：
输入层：X包括事故照片的像素值；
卷积层：使用滤波器W和激活函数f进行卷积操作；
C=f(X*W+b)
其中，*是卷积操作，b是偏置项；
池化层：采用最大池化进行下采样；
全连接层：使用权重W和激活函数f进行全连接操作；
F=f(W·C+b)
输出层输出理赔决策；
Y=softmax(W·F+b)；
使用历史理赔案件的数据来训练CNN模型：
损失函数采用均方误差回归损失函数，优化算法采用随机梯度下降；评估指标使用分数指标评估模型的性能；
使用训练好的CNN模型来分析新的理赔案件，并自动化理赔包括：
输入新案件的数据，使用预训练的CNN模型为ResNet，提取图像特征作为输入；
使用CNN模型理赔决策Y=CNN(X)；
基于预测结果进行理赔处理；所述给出理赔决策，包括是否理赔、理赔金额、理赔方式、欺诈风险值；是否批准理赔包括判断是否满足理赔条件，是否符合保险合同的覆盖范围；理赔方式：维修服务，到指定的维修服务商进行维修；风险评估：评估理赔案件的风险水平；
S3：结束；
所述最新事故数据包括事故现场图像、车辆信息、驾驶人信息、事故信息、车险定价，还包括事故现场图像预处理，包括将所有图像调整为224x224像素，将图像的像素值归一化到0-1范围，通过旋转、翻转、裁剪增加事故现场图像的数量，采用均值滤波实现事故现场图像的去噪；
数据预处理还包括：
去除重复项，检查并删除重复的记录，删除同一辆车的多个相同条目；处理缺失值，识别缺失或不完整的数据，使用平均值、中位数来填充缺失值；去除异常值，删除不合理的年龄、里程数，使用标准差、四分位数方法识别异常值；格式一致性调整，所有数据都符合一致的格式，包括日期格式、货币单位；
数据转换；将分类数据转换为数值形式，包括将性别从“男/女”转换为“1/0”，对连续变量进行标准化或归一化；
特征工程，选择和构造与问题相关的特征，包括从生日计算年龄，使用主成分分析（PCA）、特征选择算法进行特征降维；数据分割，将数据分割为训练集、验证集和测试集，以便进行模型训练和评估；
文本和图像处理；对文本数据进行分词、去停用词、词干提取；对图像数据进行缩放、旋转、裁剪预处理；处理不平衡数据，若数据集中的类别分布不均衡，使用过采样、欠采样或生成合成样本来平衡；
时间序列处理；对时间序列数据进行滑动窗口、季节性调整处理；
所述步骤S2，将最新事故数据输入至采用卷积神经网络算法训练好的模型中的车险定价，采用改进病毒粒子群优化算法，输出最优定价策略；
设置改进病毒粒子群优化算法目标函数为
其中，、、分别表示利润函数、客户满意度函数和理赔风险函数，α、β 和 γ 是利润、客户满意度和理赔风险系数对应的权重，表示基础保费、是折扣率；
计算理赔风险系数：
F是理赔频率,C是理赔严重程度，、分别是理赔频率和理赔严重程度对应的权重；
初始化改进病毒粒子群优化算法；
粒子群,每个粒子
通过模拟病毒的传播和变异，和的不同组合；
根据新粒子的目标函数值，更新粒子群，保留目标函数值大于设定阈值的粒子；
重复模拟病毒的传播和更新粒子群，直到满足收敛条件，即如果找到的解达到或超过了预设的风险水平，则停止算法。
2.一种智能车险理赔处理系统，其特征在于，包括：
数据收集与预处理模块：收集车辆信息、驾驶人信息、事故信息，并进行数据清洗和预处理；所述车辆信息包括车辆型号和品牌、车辆使用年限、行驶里程、车辆维修记录、车辆所有权、保险种类、索赔记录、排量、马力、燃油效率；驾驶人信息包括驾驶人年龄、性别、驾驶证获得时间、驾驶年限、历史交通违章记录、事故记录、平均行驶速度；事故信息包括事故时间和地点、事故类型、事故责任判断；所述事故类型包括碰撞、刮擦、翻车，所述事故责任判断包括全责、主责、无责；将车型、驾驶人性别转换为独热编码或整数编码；
事故处理模块，若存在事故，将最新事故数据以及输入至采用卷积神经网络算法训练好的模型，给出理赔金额或理赔决策，其中，最新事故数据包括事故现场图像、车辆信息、驾驶人信息、事故信息、车险定价；
车险理赔处理中，使用CNN来分析理赔案件，包括将处理后的图像特征和结构化特征整合为一个统一的特征向量，用于CNN模型的训练和预测；使用全连接层将图像特征和结构化特征连接在一起；
构建和训练一个多任务CNN模型，同时预测理赔方式、风险等级：
输入层：X包括事故照片的像素值；
卷积层：使用滤波器W和激活函数f进行卷积操作；
C=f(X*W+b)
其中，*是卷积操作，b是偏置项；
池化层：采用最大池化进行下采样；
全连接层：使用权重W和激活函数f进行全连接操作；
F=f(W·C+b)
输出层输出理赔决策；
Y=softmax(W·F+b)；
使用历史理赔案件的数据来训练CNN模型：
损失函数采用均方误差回归损失函数，优化算法采用随机梯度下降；评估指标使用分数指标评估模型的性能；
使用训练好的CNN模型来分析新的理赔案件，并自动化处赔包括：
输入新案件的数据，使用预训练的CNN模型为ResNet，提取图像特征作为输入；
使用CNN模型理赔决策Y=CNN(X)；
基于预测结果进行理赔处理；所述给出理赔决策，包括是否理赔、理赔金额、理赔方式、欺诈风险值；是否批准理赔包括判断是否满足理赔条件，是否符合保险合同的覆盖范围；理赔方式：维修服务，到指定的维修服务商进行维修；风险评估：评估理赔案件的风险水平；
结束模块；
所述最新事故数据包括事故现场图像、车辆信息、驾驶人信息、事故信息、车险定价，还包括事故现场图像预处理，包括将所有图像调整为相同的大小，将图像的像素值归一化到0-1范围，通过旋转、翻转、裁剪增加事故现场图像的数量，采用均值滤波实现事故现场图像的去噪；
数据预处理还包括：
去除重复项，检查并删除重复的记录，删除同一辆车的多个相同条目；处理缺失值，识别缺失或不完整的数据，使用平均值、中位数来填充缺失值；去除异常值，删除不合理的年龄、里程数，使用标准差、四分位数方法识别异常值；格式一致性调整，所有数据都符合一致的格式，包括日期格式、货币单位；
数据转换；将分类数据转换为数值形式，包括将性别从“男/女”转换为“1/0”，对连续变量进行标准化或归一化；
特征工程，选择和构造与问题相关的特征，包括从生日计算年龄，使用主成分分析（PCA）、特征选择算法进行特征降维；数据分割，将数据分割为训练集、验证集和测试集，以便进行模型训练和评估；
文本和图像处理；对文本数据进行分词、去停用词、词干提取；对图像数据进行缩放、旋转、裁剪预处理；处理不平衡数据，若数据集中的类别分布不均衡，使用过采样、欠采样或生成合成样本来平衡；
时间序列处理；对时间序列数据进行滑动窗口、季节性调整处理；
所述事故处理模块，将最新事故数据输入至采用卷积神经网络算法训练好的模型中的车险定价，包括：采用改进病毒粒子群优化算法，输出最优定价策略；
设置改进病毒粒子群优化算法目标函数为
其中，、、分别表示利润函数、客户满意度函数和理赔风险函数，α、β 和 γ 是利润、客户满意度和理赔风险系数对应的权重，表示基础保费、是折扣率；
计算理赔风险系数：
F是理赔频率,C是理赔严重程度，、分别是理赔频率和理赔严重程度对应的权重；
初始化改进病毒粒子群优化算法；
粒子群,每个粒子
通过模拟病毒的传播和变异，和的不同组合；
根据新粒子的目标函数值，更新粒子群，保留目标函数值大于设定阈值的粒子；
重复模拟病毒的传播和更新粒子群，直到满足收敛条件，即如果找到的解达到或超过了预设的风险水平，则停止算法。
CN202311077102.9A 2023-08-25 2023-08-25 一种智能车险理赔处理方法及系统 Active CN117094781B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202311077102.9A CN117094781B (zh) 2023-08-25 2023-08-25 一种智能车险理赔处理方法及系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202311077102.9A CN117094781B (zh) 2023-08-25 2023-08-25 一种智能车险理赔处理方法及系统

Publications (2)

Publication Number Publication Date
CN117094781A CN117094781A (zh) 2023-11-21
CN117094781B true CN117094781B (zh) 2024-02-09

Family

ID=88774671

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202311077102.9A Active CN117094781B (zh) 2023-08-25 2023-08-25 一种智能车险理赔处理方法及系统

Country Status (1)

Country Link
CN (1) CN117094781B (zh)

Families Citing this family (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117787497B (zh) * 2023-12-29 2024-06-25 西安电子科技大学广州研究院 一种应用于汽车保险定价的多目标优化方法及终端
CN117876232B (zh) * 2024-03-11 2024-05-28 国任财产保险股份有限公司 一种基于大模型的智能交通事故保险处理方法及系统

Citations (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US6182048B1 (en) * 1998-11-23 2001-01-30 General Electric Company System and method for automated risk-based pricing of a vehicle warranty insurance policy
CN107886436A (zh) * 2017-11-08 2018-04-06 广东翼卡车联网服务有限公司 一种车辆保险自动理赔的方法、存储介质及车载终端
CN108734592A (zh) * 2018-05-11 2018-11-02 深圳市图灵奇点智能科技有限公司 车辆保险业务数据分析方法和系统
WO2021012891A1 (zh) * 2019-07-23 2021-01-28 平安科技（深圳）有限公司 车辆定损方法、装置、设备和存储介质
WO2021027157A1 (zh) * 2019-08-13 2021-02-18 平安科技（深圳）有限公司 基于图片识别的车险理赔识别方法、装置、计算机设备及存储介质
CN113379555A (zh) * 2021-06-07 2021-09-10 北京车与车科技有限公司 一种基于深度学习的车险风控定价模型方法
CN114240676A (zh) * 2021-12-14 2022-03-25 阳光财产保险股份有限公司 一种车辆保险费用策略制定方法和装置
WO2022151589A1 (zh) * 2021-01-18 2022-07-21 平安科技（深圳）有限公司 图像增强方法、装置、设备及存储介质
CN116630068A (zh) * 2023-07-25 2023-08-22 湖南元数科技有限公司 一种保险费用核算方法和系统

Family Cites Families (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107610091A (zh) * 2017-07-31 2018-01-19 阿里巴巴集团控股有限公司 车险图像处理方法、装置、服务器及系统

Patent Citations (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US6182048B1 (en) * 1998-11-23 2001-01-30 General Electric Company System and method for automated risk-based pricing of a vehicle warranty insurance policy
CN107886436A (zh) * 2017-11-08 2018-04-06 广东翼卡车联网服务有限公司 一种车辆保险自动理赔的方法、存储介质及车载终端
CN108734592A (zh) * 2018-05-11 2018-11-02 深圳市图灵奇点智能科技有限公司 车辆保险业务数据分析方法和系统
WO2021012891A1 (zh) * 2019-07-23 2021-01-28 平安科技（深圳）有限公司 车辆定损方法、装置、设备和存储介质
WO2021027157A1 (zh) * 2019-08-13 2021-02-18 平安科技（深圳）有限公司 基于图片识别的车险理赔识别方法、装置、计算机设备及存储介质
WO2022151589A1 (zh) * 2021-01-18 2022-07-21 平安科技（深圳）有限公司 图像增强方法、装置、设备及存储介质
CN113379555A (zh) * 2021-06-07 2021-09-10 北京车与车科技有限公司 一种基于深度学习的车险风控定价模型方法
CN114240676A (zh) * 2021-12-14 2022-03-25 阳光财产保险股份有限公司 一种车辆保险费用策略制定方法和装置
CN116630068A (zh) * 2023-07-25 2023-08-22 湖南元数科技有限公司 一种保险费用核算方法和系统

Also Published As

Publication number Publication date
CN117094781A (zh) 2023-11-21

Similar Documents

Publication Publication Date Title
CN117094781B (zh) 一种智能车险理赔处理方法及系统
US20220284517A1 (en) Automobile Monitoring Systems and Methods for Detecting Damage and Other Conditions
Hong et al. HetETA: Heterogeneous information network embedding for estimating time of arrival
Yang et al. MF-CNN: traffic flow prediction using convolutional neural network and multi-features fusion
Bian et al. Good drivers pay less: A study of usage-based vehicle insurance models
Tselentis et al. Innovative insurance schemes: pay as/how you drive
CA3177410A1 (en) Market orchestration system for facilitating electronic marketplace transactions
US20150294422A1 (en) Assessing asynchronous authenticated data sources for use in driver risk management
CN106447434A (zh) 个人信用生态平台
US11367141B1 (en) Systems and methods for forecasting loss metrics
Asghar et al. Used cars price prediction using machine learning with optimal features
CN111899059A (zh) 一种基于区块链的航司收益管理动态定价方法
Lee et al. Prediction and detection of potholes in urban roads: Machine learning and deep learning based image segmentation approaches
CN112508600A (zh) 一种基于互联网公开数据的车辆价值评估方法
CN113205093A (zh) 基于XGBoost回归与卷积网络的数据资产分析方法、系统及介质
CN112819213A (zh) 基于深度学习网络的高速公路货运量预测方法及系统
CN114581249B (zh) 基于投资风险承受能力评估的金融产品推荐方法及系统
Sterk et al. Understanding car data monetization: A taxonomy of data-driven business models in the connected car domain
Meng et al. Actuarial intelligence in auto insurance: Claim frequency modeling with driving behavior features and improved boosted trees
CN108596664A (zh) 一种电子车票的单边交易费用确定方法、系统及装置
CN118115285A (zh) 基于人工智能的保险客户类型的识别方法及系统
Zhao et al. Individual driver crash risk classification based on iov data and offline consumer behavior data
Qi et al. Short-term inbound rail transit passenger flow prediction based on BILSTM model and influence factor analysis
CN115271826A (zh) 一种物流线路的价格区间预测方法和装置
CN116502173A (zh) 一种状态识别方法、装置、存储介质及设备

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