CN117391871B - 基于车辆驾驶行为的保险费用测算方法及系统 - Google Patents
基于车辆驾驶行为的保险费用测算方法及系统 Download PDFInfo
- Publication number
- CN117391871B CN117391871B CN202311688494.2A CN202311688494A CN117391871B CN 117391871 B CN117391871 B CN 117391871B CN 202311688494 A CN202311688494 A CN 202311688494A CN 117391871 B CN117391871 B CN 117391871B
- Authority
- CN
- China
- Prior art keywords
- vehicle
- driving behavior
- target
- detection model
- driving
- 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
Links
- 238000000034 method Methods 0.000 title claims abstract description 39
- 230000006399 behavior Effects 0.000 claims abstract description 331
- 238000001514 detection method Methods 0.000 claims abstract description 101
- 238000012549 training Methods 0.000 claims abstract description 40
- 238000003062 neural network model Methods 0.000 claims abstract description 27
- 238000013507 mapping Methods 0.000 claims description 43
- 230000000052 comparative effect Effects 0.000 claims description 16
- 239000013598 vector Substances 0.000 claims description 16
- 230000004927 fusion Effects 0.000 claims description 10
- 238000004088 simulation Methods 0.000 claims description 10
- 238000000605 extraction Methods 0.000 claims description 9
- 238000005516 engineering process Methods 0.000 claims description 7
- 238000007621 cluster analysis Methods 0.000 claims description 4
- 238000000691 measurement method Methods 0.000 claims 5
- 238000012545 processing Methods 0.000 abstract description 3
- 238000005259 measurement Methods 0.000 abstract description 2
- 238000004364 calculation method Methods 0.000 description 3
- 238000010586 diagram Methods 0.000 description 3
- 238000004422 calculation algorithm Methods 0.000 description 2
- 230000001133 acceleration Effects 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
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
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/213—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/22—Matching criteria, e.g. proximity measures
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/25—Fusion techniques
-
- 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]
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Computation (AREA)
- Evolutionary Biology (AREA)
- Business, Economics & Management (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Finance (AREA)
- Accounting & Taxation (AREA)
- Technology Law (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Biomedical Technology (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- General Business, Economics & Management (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Strategic Management (AREA)
- Marketing (AREA)
- Economics (AREA)
- Development Economics (AREA)
- Financial Or Insurance-Related Operations Such As Payment And Settlement (AREA)
Abstract
本申请涉及数据处理技术领域，提供了一种基于车辆驾驶行为的保险费用测算方法及系统，该方法包括基于训练数据集训练神经网络模型，得到初始驾驶行为风险检测模型；获取车辆的历史驾驶行为信息和历史驾驶环境信息，并基于所述历史驾驶环境信息对所述初始驾驶行为风险检测模型进行调整，得到目标驾驶行为风险检测模型；将所述历史驾驶行为信息输入所述目标驾驶行为风险检测模型，得到驾驶行为危险系数，并基于所述驾驶行为危险系数确定所述车辆的保险费用。该方法提高了车辆保险费用测算的准确性。
Description
技术领域
本申请涉及数据处理技术领域，尤其涉及一种基于车辆驾驶行为的保险费用测算方法及系统。
背景技术
随着车辆数量的增加和交通安全问题的日益突出，汽车保险作为一种重要的经济风险保障手段，受到越来越多的关注。目前，保险公司在对车辆的保险费用进行测算时，通常是根据车辆的使用年限和驾驶人员的健康状况进行测算，但是，这种预测方法较为主观，无法准确预测车辆的保险费用。
发明内容
本申请提供一种基于车辆驾驶行为的保险费用测算方法及系统，以解决上述背景技术提出的问题。
第一方面，本申请提供一种基于车辆驾驶行为的保险费用测算方法，包括：
采用仿真技术模拟车辆驾驶行为，得到多个模拟车辆驾驶行为；其中，各个所述模拟车辆驾驶行为互不相同；
获取云端服务器下发的车辆赔偿事件数据库，并基于所述车辆赔偿事件数据库为各个所述模拟车辆驾驶行为赋予危险系数，得到训练数据集；
构建神经网络模型，并基于所述训练数据集训练所述神经网络模型，得到初始驾驶行为风险检测模型；
获取车辆的历史驾驶行为信息和历史驾驶环境信息，并基于所述历史驾驶环境信息对所述初始驾驶行为风险检测模型进行调整，得到目标驾驶行为风险检测模型；
将所述历史驾驶行为信息输入所述目标驾驶行为风险检测模型，得到驾驶行为危险系数，并基于所述驾驶行为危险系数确定所述车辆的保险费用。
在一种可能的实现方式中，所述车辆赔偿事件数据库存储有若干个车辆赔偿事件、各个所述车辆赔偿事件对应的车辆驾驶行为以及各个所述车辆赔偿事件对应的赔偿金额，所述基于所述车辆赔偿事件数据库为各个所述模拟车辆驾驶行为赋予危险系数，包括：
针对各个所述模拟车辆驾驶行为，判断所述车辆赔偿事件数据库中是否存在与所述模拟车辆驾驶行为匹配的车辆驾驶行为；
若所述车辆赔偿事件数据库中存在与所述模拟车辆驾驶行为匹配的车辆驾驶行为，在所述数据库中确定第一数量以及第二数量，并将所述第一数量与第二数量之间的比值作为第一中间危险系数；其中，所述第一数量为所述模拟车辆驾驶行为在所述车辆赔偿事件数据库中对应的所述车辆赔偿事件的数量，所述第二数量为所述车辆赔偿事件数据库存储的所述车辆赔偿事件的总数量；
基于所述车辆赔偿事件数据库确定第一赔偿金额以及第二赔偿金额，并将所述第一赔偿金额与第二赔偿金额之间的比值作为第二中间危险系数；其中，所述第一赔偿金额为所述模拟车辆驾驶行为在所述车辆赔偿事件数据库中对应的所述车辆赔偿事件的总赔偿金额，所述第二赔偿金额为所述车辆赔偿事件数据库存储的所述车辆赔偿事件的总赔偿金额；
将所述第一中间危险系数和所述第二中间危险系数相加，得到所述危险系数。
在一种可能的实现方式中，在将所述第一中间危险系数和所述第二中间危险系数相加，得到所述危险系数之后，所述方法还包括：
若所述车辆赔偿事件数据库中不存在与所述模拟车辆驾驶行为匹配的车辆驾驶行为，将所述模拟车辆驾驶行为作为第一对比车辆驾驶行为，并将所述车辆赔偿事件数据库中对应所述车辆赔偿事件的各个所述车辆驾驶行为作为第二对比车辆驾驶行为；
基于所述第一对比车辆驾驶行为和各个所述第二对比车辆驾驶行为确定所述第一对比车辆驾驶行为的危险系数。
在一种可能的实现方式中，所述基于所述第一对比车辆驾驶行为和各个所述第二对比车辆驾驶行为确定所述第一对比车辆驾驶行为的危险系数，包括：
将所述第一对比车辆驾驶行为输入预设的车辆驾驶行为特征提取模型，得到第一特征向量，并将各个所述第二对比车辆驾驶行为分别输入所述车辆驾驶行为特征提取模型，得到多个第二特征向量；
计算所述第一特征向量分别与各个所述第二特征向量之间的相似度，并将各个所述相似度分别与预设相似度进行比较，并在所述相似度大于所述预设相似度时，将所述相似度对应的所述第二对比车辆驾驶行为确定为目标车辆驾驶行为；
针对各个所述目标车辆驾驶行为，将所述目标车辆驾驶行为对应的相似度与各个所述目标车辆驾驶行为对应的相似度之和的比值作为所述目标车辆驾驶行为的权重系数；
针对各个所述目标车辆驾驶行为，计算所述目标车辆驾驶行为对应的所述危险系数和所述目标车辆驾驶行为对应的所述权重系数之间的乘积；
将所有所述乘积相加得到所述第一对比车辆驾驶行为的危险系数。
在一种可能的实现方式中，所述基于所述训练数据集训练所述神经网络模型，得到初始驾驶行为风险检测模型，包括：
将所述训练数据集和所述神经网络模型发放给多个终端，以使各个所述终端分别基于所述训练数据集对所述神经网络模型进行训练，得到中间初始驾驶行为风险检测模型；
接收各个所述终端发送的所述中间初始驾驶行为风险检测模型，并将各个所述中间初始驾驶行为风险检测模型的模型参数进行融合，得到第一融合模型参数；
基于所述第一融合模型参数调整任一所述中间初始驾驶行为风险检测模型的模型参数，得到所述初始驾驶行为风险检测模型。
在一种可能的实现方式中，所述基于所述历史驾驶环境信息对所述初始驾驶行为风险检测模型进行调整，得到目标驾驶行为风险检测模型，包括：
对所述历史驾驶环境信息进行聚类分析，得到所述历史驾驶环境信息的类型；
获取所述车辆的分类号，并基于所述分类号从预设的数据库中获取目标映射关系表；其中，所述目标映射关系表中的映射关系为驾驶环境的类型与驾驶环境的类型对应的需要调整的模型参数的映射关系；
针对所述历史驾驶环境信息的每种类型，判断所述目标映射关系表中是否存在所述类型，并在所述目标映射关系表中存在所述类型时，基于所述类型对应的映射关系对所述初始驾驶行为风险检测模型进行调整，得到中间目标驾驶行为风险检测模型；
将各个所述中间目标驾驶行为风险检测模型的模型参数进行融合，得到第二融合模型参数；
基于所述第二融合模型参数调整任一所述中间目标驾驶行为风险检测模型的模型参数，得到所述目标驾驶行为风险检测模型。
在一种可能的实现方式中，所述基于所述类型对应的映射关系对所述初始驾驶行为风险检测模型进行调整，得到中间目标驾驶行为风险检测模型，包括：
获取所述映射关系对应的各个模型参数的序号、第一预设解码表和第二预设解码表；其中，所述第一预设解码表包括第一数字列和第一字符列，所述第二预设解码表包括第二数字列和第二字符列，所述第一数字列和所述第二数字列相同，所述第一字符列对应的字符和所述第二字符列对应的字符属于不同语言的字母；
针对各个所述序号，采用所述序号在所述第一预设解码表中对应的第一字符替换所述序号在所述第二预设解码表中对应的第二字符，得到中间目标解码表；
在所述中间目标解码表的第一指定位置删除第一目标字符，得到第一字符空位，并在所述中间目标解码表的第二指定位置删除第二目标字符，得到第二字符空位；其中，所述第一目标字符与所述第二目标字符相连，且所述第一目标字符位于所述第二目标字符之前；
将所述第一字符空位之前的各个字符均向后移动一个字符空位，得到第三字符空位，并将所述第二字符空位之后的各个字符均向前移动一个字符空位，得到第四字符空位；
将所述第一目标字符插入所述第四字符空位，并将所述第二目标字符插入所述第三字符空位，得到目标解码表；
基于所述目标解码表对所述分类号进行解码处理，得到所述分类号对应的解码字符；
针对所述映射关系对应的各个模型参数，基于所述模型参数的序号在预设的数据库中获取所述模型参数对应的文本集；其中，所述文本集包括多个加密文本；
针对所述映射关系对应的各个模型参数，基于所述解码字符对所述模型参数对应的文本集中的各个加密文本分别进行解密处理，并基于解密成功的所述加密文本对所述模型参数进行调整，得到所述中间目标驾驶行为风险检测模型。
第二方面，本申请提供一种基于车辆驾驶行为的保险费用测算系统，包括：
仿真模块，用于采用仿真技术模拟车辆驾驶行为，得到多个模拟车辆驾驶行为；其中，各个所述模拟车辆驾驶行为互不相同；
获取模块，用于获取云端服务器下发的车辆赔偿事件数据库，并基于所述车辆赔偿事件数据库为各个所述模拟车辆驾驶行为赋予危险系数，得到训练数据集；
训练模块，用于构建神经网络模型，并基于所述训练数据集训练所述神经网络模型，得到初始驾驶行为风险检测模型；
调整模块，用于获取车辆的历史驾驶行为信息和历史驾驶环境信息，并基于所述历史驾驶环境信息对所述初始驾驶行为风险检测模型进行调整，得到目标驾驶行为风险检测模型；
确定模块，用于将所述历史驾驶行为信息输入所述目标驾驶行为风险检测模型，得到驾驶行为危险系数，并基于所述驾驶行为危险系数确定所述车辆的保险费用。
本申请提供了基于车辆驾驶行为的保险费用测算方法及系统，其中，该方法包括采用仿真技术模拟车辆驾驶行为，得到多个模拟车辆驾驶行为；其中，各个所述模拟车辆驾驶行为互不相同；获取云端服务器下发的车辆赔偿事件数据库，并基于所述车辆赔偿事件数据库为各个所述模拟车辆驾驶行为赋予危险系数，得到训练数据集；构建神经网络模型，并基于所述训练数据集训练所述神经网络模型，得到初始驾驶行为风险检测模型；获取车辆的历史驾驶行为信息和历史驾驶环境信息，并基于所述历史驾驶环境信息对所述初始驾驶行为风险检测模型进行调整，得到目标驾驶行为风险检测模型；将所述历史驾驶行为信息输入所述目标驾驶行为风险检测模型，得到驾驶行为危险系数，并基于所述驾驶行为危险系数确定所述车辆的保险费用。该方法提高了车辆保险费用测算的准确性。
附图说明
为了更清楚地说明本发明实施例的技术方案，下面将对实施例描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图是本发明的一些实施例，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为本申请实施例提供的基于车辆驾驶行为的保险费用测算方法的流程示意图；
图2为本申请实施例提供的基于车辆驾驶行为的保险费用测算系统的结构示意性框图。
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，所描述的实施例是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动的前提下所获得的所有其他实施例，都属于本发明保护的范围。
附图中所示的流程图仅是示例说明，不是必须包括所有的内容和操作/步骤，也不是必须按所描述的顺序执行。例如，有的操作/步骤还可以分解、组合或部分合并，因此实际执行的顺序有可能根据实际情况改变。
还应当理解，在此本申请说明书中所使用的术语仅仅是出于描述特定实施例的目的而并不意在限制本申请。如在本申请说明书和所附权利要求书中所使用的那样，除非上下文清楚地指明其它情况，否则单数形式的“一”、“一个”及“该”意在包括复数形式。
还应当进一步理解，在本申请说明书和所附权利要求书中使用的术语“和/或”是指相关联列出的项中的一个或多个的任何组合以及所有可能组合，并且包括这些组合。
随着车辆数量的增加和交通安全问题的日益突出，汽车保险作为一种重要的经济风险保障手段，受到越来越多的关注。目前，保险公司在对车辆的保险费用进行预测时，通常是根据车辆的使用年限和驾驶人员的健康状况进行测算，但是，这种测算方法较为主观，无法准确预测车辆的保险费用。为此，本申请提供一种基于车辆驾驶行为的保险费用测算方法及系统，以解决上述问题。
下面结合附图，对本申请的一些实施方式作详细说明。在不冲突的情况下，下述实施例及实施例中的特征可以相互结合。
请参阅图1，图1为本申请实施例提供的基于车辆驾驶行为的保险费用测算方法的流程示意图，如图1所示，本申请实施例提供的基于车辆驾驶行为的保险费用测算方法包括步骤S100至步骤S500。
步骤S100、采用仿真技术模拟车辆驾驶行为，得到多个模拟车辆驾驶行为；其中，各个所述模拟车辆驾驶行为互不相同。
其中，所述模拟车辆驾驶行为包括但不限于不同的驾驶速度、不同的加速度、不同的减速度、不同的制动操作行为、不同的转向操作行为和不同的变道操作行为。
步骤S200、获取云端服务器下发的车辆赔偿事件数据库，并基于所述车辆赔偿事件数据库为各个所述模拟车辆驾驶行为赋予危险系数，得到训练数据集。
需要说明的是，所述车辆赔偿事件数据库存储有若干个车辆赔偿事件、各个所述车辆赔偿事件对应的车辆驾驶行为以及各个所述车辆赔偿事件对应的赔偿金额，所述基于所述车辆赔偿事件数据库为各个所述模拟车辆驾驶行为赋予危险系数，包括以下步骤：
针对各个所述模拟车辆驾驶行为，判断所述车辆赔偿事件数据库中是否存在与所述模拟车辆驾驶行为匹配的车辆驾驶行为；
若所述车辆赔偿事件数据库中存在与所述模拟车辆驾驶行为匹配的车辆驾驶行为，在所述数据库中确定第一数量以及第二数量，并将所述第一数量与第二数量之间的比值作为第一中间危险系数；其中，所述第一数量为所述模拟车辆驾驶行为在所述车辆赔偿事件数据库中对应的所述车辆赔偿事件的数量，所述第二数量为所述车辆赔偿事件数据库存储的所述车辆赔偿事件的总数量；
基于所述车辆赔偿事件数据库确定第一赔偿金额以及第二赔偿金额，并将所述第一赔偿金额与第二赔偿金额之间的比值作为第二中间危险系数；其中，所述第一赔偿金额为所述模拟车辆驾驶行为在所述车辆赔偿事件数据库中对应的所述车辆赔偿事件的总赔偿金额，所述第二赔偿金额为所述车辆赔偿事件数据库存储的所述车辆赔偿事件的总赔偿金额；
将所述第一中间危险系数和所述第二中间危险系数相加，得到所述危险系数；
若所述车辆赔偿事件数据库中不存在与所述模拟车辆驾驶行为匹配的车辆驾驶行为，将所述模拟车辆驾驶行为作为第一对比车辆驾驶行为，并将所述车辆赔偿事件数据库中对应所述车辆赔偿事件的各个所述车辆驾驶行为作为第二对比车辆驾驶行为；
基于所述第一对比车辆驾驶行为和各个所述第二对比车辆驾驶行为确定所述第一对比车辆驾驶行为的危险系数。
可以理解地，针对每个所述模拟车辆驾驶行为均需执行上述所述基于所述车辆赔偿事件数据库为各个所述模拟车辆驾驶行为赋予危险系数的方法步骤。
需要说明的是，所述基于所述第一对比车辆驾驶行为和各个所述第二对比车辆驾驶行为确定所述第一对比车辆驾驶行为的危险系数的具体实现方法在下文中有具体介绍这里不再赘述。
可以理解地，同一车辆驾驶行为能够造成不同程度的意外事件，因此，同一车辆驾驶行为对应不同的车辆赔偿事件，对于任一所述模拟车辆驾驶行为而言，所述模拟车辆驾驶行为在所述车辆赔偿事件数据库中对应的车辆驾驶行为的数量越多，说明所述模拟车辆驾驶行为的危险系数越高，同时，针对任一所述模拟车辆驾驶行为而言，所述模拟车辆驾驶行为对应的车辆赔偿事件的赔偿金额越高，说明所述模拟车辆驾驶行为的危险系数越高，上述方法在所述车辆赔偿事件数据库中存在与所述模拟车辆驾驶行为匹配的车辆驾驶行为时，通过计算所述第一中间危险系数和所述第二中间危险系数，并将所述第一中间危险系数和所述第二中间危险系数相加，得到所述危险系数，而在所述车辆赔偿事件数据库中不存在与所述模拟车辆驾驶行为匹配的车辆驾驶行为时，通过将所述模拟车辆驾驶行为作为第一对比车辆驾驶行为，并将在所述车辆赔偿事件数据库中存在对应的所述车辆赔偿事件的各个所述模拟车辆驾驶行为作为第二对比车辆驾驶行为，及基于所述第一对比车辆驾驶行为和各个所述第二对比车辆驾驶行为确定所述第一对比车辆驾驶行为的危险系数，有助于提高模拟车辆驾驶行为的危险系数的匹配度，从而提高基于车辆驾驶行为的保险费用测算方法的准确性。
步骤S300、构建神经网络模型，并基于所述训练数据集训练所述神经网络模型，得到初始驾驶行为风险检测模型。
其中，采用如TensorFlow、PyTorch、Keras等深度学习框架构建所述神经网络模型。
需要说明的是，所述基于所述训练数据集训练所述神经网络模型，得到初始驾驶行为风险检测模型，包括以下步骤：
将所述训练数据集和所述神经网络模型发放给多个终端，以使各个所述终端分别基于所述训练数据集对所述神经网络模型进行训练，得到中间初始驾驶行为风险检测模型；
接收各个所述终端发送的所述中间初始驾驶行为风险检测模型，并将各个所述中间初始驾驶行为风险检测模型的模型参数进行融合，得到第一融合模型参数；
基于所述第一融合模型参数调整任一所述中间初始驾驶行为风险检测模型的模型参数，得到所述初始驾驶行为风险检测模型。
其中，各个所述终端设备为不同类型的终端设备，如：手机、电脑、平板和可穿戴设备等。
其中，采用分布式融合算法（如：FedAvg、FedProx、FedMA、FedEWA和FedPD 等）将所述中间初始驾驶行为风险检测模型的模型参数进行融合，得到第一融合模型参数。
可以理解地，上述方法通过首先采用分布式训练的方法得到多个中间初始驾驶行为风险检测模型，然后将各个所述中间初始驾驶行为风险检测模型的模型参数进行融合，得到第一融合模型参数，最后基于所述第一融合模型参数调整任一所述中间初始驾驶行为风险检测模型的模型参数，得到所述初始驾驶行为风险检测模型，提高了所述初始驾驶行为风险检测模型的准确性和适用性，从而提高了基于车辆驾驶行为的保险费用测算方法的准确性和适用性。
步骤S400、获取车辆的历史驾驶行为信息和历史驾驶环境信息，并基于所述历史驾驶环境信息对所述初始驾驶行为风险检测模型进行调整，得到目标驾驶行为风险检测模型。
其中，从所述车辆的行车记录仪中获取所述车辆的历史驾驶行为信息和历史驾驶环境信息。
需要说明的是，所述基于所述历史驾驶环境信息对所述初始驾驶行为风险检测模型进行调整，得到目标驾驶行为风险检测模型，包括以下步骤：
对所述历史驾驶环境信息进行聚类分析，得到所述历史驾驶环境信息的类型；
获取所述车辆的分类号，并基于所述分类号从预设的数据库中获取目标映射关系表；其中，所述目标映射关系表中的映射关系为驾驶环境的类型与驾驶环境的类型对应的需要调整的模型参数的映射关系；
针对所述历史驾驶环境信息的每种类型，判断所述目标映射关系表中是否存在所述类型，并在所述目标映射关系表中存在所述类型时，基于所述类型对应的映射关系对所述初始驾驶行为风险检测模型进行调整，得到中间目标驾驶行为风险检测模型；
将各个所述中间目标驾驶行为风险检测模型的模型参数进行融合，得到第二融合模型参数；
基于所述第二融合模型参数调整任一所述中间目标驾驶行为风险检测模型的模型参数，得到所述目标驾驶行为风险检测模型。
其中，所述历史驾驶环境信息的类型包括与地理因素相关的驾驶环境信息和与天气相关的驾驶环境信息。例如：所述历史驾驶环境信息的类型包括雷雨天驾驶、暴雪天驾驶、平原驾驶、多弯道山路驾驶、高温天驾驶、高速公路驾驶等。
其中，采用分布式融合算法（如：FedAvg、FedProx、FedMA、FedEWA和FedPD 等）将各个所述中间目标驾驶行为风险检测模型的模型参数进行融合，得到第二融合模型参数。
需要说明的是，关于所述基于所述历史驾驶环境信息对所述初始驾驶行为风险检测模型进行调整，得到目标驾驶行为风险检测模型的方法在下文中有详细介绍，这里不再赘述。
可以理解地，车辆的分类号用于表征车辆的类型，不同类型的车辆对应不同的分类号，相同类型的驾驶环境对不同类型的车辆的驾驶危险性的影响程度不同，本实施例通过上述方法能够实现对不同类型的车辆的保险费用进行个性化地测算，提高了基于车辆驾驶行为的保险费用测算方法的准确性和适用性。
步骤S500、将所述历史驾驶行为信息输入所述目标驾驶行为风险检测模型，得到驾驶行为危险系数，并基于所述驾驶行为危险系数确定所述车辆的保险费用。
本实施例提供的方法，通过基于所述训练数据集训练所述神经网络模型，得到初始驾驶行为风险检测模型，并获取车辆的历史驾驶行为信息和历史驾驶环境信息，同时基于所述历史驾驶环境信息对所述初始驾驶行为风险检测模型进行调整，得到目标驾驶行为风险检测模型，及将所述历史驾驶行为信息输入所述目标驾驶行为风险检测模型，得到驾驶行为危险系数，同时基于所述驾驶行为危险系数确定所述车辆的保险费用，提高了车辆保险费用测算的准确性。
在一些实施例中，所述基于所述第一对比车辆驾驶行为和各个所述第二对比车辆驾驶行为确定所述第一对比车辆驾驶行为的危险系数，包括：
将所述第一对比车辆驾驶行为输入预设的车辆驾驶行为特征提取模型，得到第一特征向量，并将各个所述第二对比车辆驾驶行为分别输入所述车辆驾驶行为特征提取模型，得到多个第二特征向量；
计算所述第一特征向量分别与各个所述第二特征向量之间的相似度，并将各个所述相似度分别与预设相似度进行比较，并在所述相似度大于所述预设相似度时，将所述相似度对应的所述第二对比车辆驾驶行为确定为目标车辆驾驶行为；
针对各个所述目标车辆驾驶行为，将所述目标车辆驾驶行为对应的相似度与各个所述目标车辆驾驶行为对应的相似度之和的比值作为所述目标车辆驾驶行为的权重系数；
针对各个所述目标车辆驾驶行为，计算所述目标车辆驾驶行为对应的所述危险系数和所述目标车辆驾驶行为对应的所述权重系数之间的乘积；
将所有所述乘积相加得到所述第一对比车辆驾驶行为的危险系数。
其中，所述车辆驾驶行为特征提取模型基于神经网络模型训练得到，所述车辆驾驶行为特征提取模型包括输入层、卷积层和输出层，所述输入层用于接收所述第一对比车辆驾驶行为或所述第二对比车辆驾驶行为，所述卷积层用于对所述第一对比车辆驾驶行为或所述第二对比车辆驾驶行为进行特征提取，并基于提取的所述第一对比车辆驾驶行为的特征生成第一特征向量或基于提取的所述第二对比车辆驾驶行为的特征生成第二特征向量，所述输出层用于输出所述第一特征向量或所述第二特征向量。
其中，所述预设相似度不小于70%，可以理解地，若各个所述相似度均小于所述预设相似度，所述第一对比车辆驾驶行为的危险系数的为0。
可以理解地，当所述相似度大于所述预设相似度时，说明所述第一对比车辆驾驶行为与所述相似度对应的第二对比车辆驾驶行为接近，所述第一对比车辆驾驶行为也有可能导致与所述相似度对应的第二对比车辆驾驶行为对应的车辆赔偿事件，本实施例提供的方法，能够对所述第一对比车辆驾驶行为的危险系数进行准确地计算，有助于提高所述初始驾驶行为风险检测模型的训练效果，从而提高基于车辆驾驶行为的保险费用测算方法的准确性。
在一些实施例中，所述基于所述类型对应的映射关系对所述初始驾驶行为风险检测模型进行调整，得到中间目标驾驶行为风险检测模型，包括以下步骤：
获取所述映射关系对应的各个模型参数的序号、第一预设解码表和第二预设解码表；其中，所述第一预设解码表包括第一数字列和第一字符列，所述第二预设解码表包括第二数字列和第二字符列，所述第一数字列和所述第二数字列相同，所述第一字符列对应的字符和所述第二字符列对应的字符属于不同语言的字母；
针对各个所述序号，采用所述序号在所述第一预设解码表中对应的第一字符替换所述序号在所述第二预设解码表中对应的第二字符，得到中间目标解码表；
在所述中间目标解码表的第一指定位置删除第一目标字符，得到第一字符空位，并在所述中间目标解码表的第二指定位置删除第二目标字符，得到第二字符空位；其中，所述第一目标字符与所述第二目标字符相连，且所述第一目标字符位于所述第二目标字符之前；
将所述第一字符空位之前的各个字符均向后移动一个字符空位，得到第三字符空位，并将所述第二字符空位之后的各个字符均向前移动一个字符空位，得到第四字符空位；
将所述第一目标字符插入所述第四字符空位，并将所述第二目标字符插入所述第三字符空位，得到目标解码表；
基于所述目标解码表对所述分类号进行解码处理，得到所述分类号对应的解码字符；
针对所述映射关系对应的各个模型参数，基于所述模型参数的序号在预设的数据库中获取所述模型参数对应的文本集；其中，所述文本集包括多个加密文本；
针对所述映射关系对应的各个模型参数，基于所述解码字符对所述模型参数对应的文本集中的各个加密文本分别进行解密处理，并基于解密成功的所述加密文本对所述模型参数进行调整，得到所述中间目标驾驶行为风险检测模型。
本实施例提供的方法，通过首先获取所述映射关系对应的各个模型参数的序号、第一预设解码表和第二预设解码表，并基于各个所述序号、所述第一预设解码表和所述第二预设解码表得到所述目标解码表，然后基于所述目标解码表对所述分类号进行解码处理，得到所述分类号对应的解码字符，并针对所述映射关系对应的各个模型参数，基于所述模型参数的序号在预设的数据库中获取所述模型参数对应的文本集，最后针对所述映射关系对应的各个模型参数，基于所述解码字符对所述模型参数对应的文本集中的各个加密文本分别进行解密处理，并基于解密成功的所述加密文本对所述模型参数进行调整，得到所述中间目标驾驶行为风险检测模型，实现了基于所述映射关系表对所述初始驾驶行为风险检测模型进行准确地调整，有助于提高基于车辆驾驶行为的保险费用测算方法的准确性。
请参阅图2，图2为本申请实施例提供的基于车辆驾驶行为的保险费用测算系统100的结构示意性框图，如图2所示，基于车辆驾驶行为的保险费用测算系统100，包括：
仿真模块110，用于采用仿真技术模拟车辆驾驶行为，得到多个模拟车辆驾驶行为；其中，各个所述模拟车辆驾驶行为互不相同。
获取模块120，用于获取云端服务器下发的车辆赔偿事件数据库，并基于所述车辆赔偿事件数据库为各个所述模拟车辆驾驶行为赋予危险系数，得到训练数据集。
训练模块130，用于构建神经网络模型，并基于所述训练数据集训练所述神经网络模型，得到初始驾驶行为风险检测模型。
调整模块140，用于获取车辆的历史驾驶行为信息和历史驾驶环境信息，并基于所述历史驾驶环境信息对所述初始驾驶行为风险检测模型进行调整，得到目标驾驶行为风险检测模型。
确定模块150，用于将所述历史驾驶行为信息输入所述目标驾驶行为风险检测模型，得到驾驶行为危险系数，并基于所述驾驶行为危险系数确定所述车辆的保险费用。
需要说明的是，所属技术领域的技术人员可以清楚了解到，为了描述的方便和简洁，上述描述的装置和各个模块及单元的具体工作过程，可以参考前述基于车辆驾驶行为的保险费用测算方法实施例中的对应过程，在此不再赘述。
以上所述，仅为本申请的具体实施方式，但本申请的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本申请揭露的技术范围内，可轻易想到各种等效的修改或替换，这些修改或替换都应涵盖在本申请的保护范围之内。因此，本申请的保护范围应以权利要求的保护范围为准。
Claims (7)
1.一种基于车辆驾驶行为的保险费用测算方法，其特征在于，包括：
采用仿真技术模拟车辆驾驶行为，得到多个模拟车辆驾驶行为；其中，各个所述模拟车辆驾驶行为互不相同；
获取云端服务器下发的车辆赔偿事件数据库，并基于所述车辆赔偿事件数据库为各个所述模拟车辆驾驶行为赋予危险系数，得到训练数据集；
构建神经网络模型，并基于所述训练数据集训练所述神经网络模型，得到初始驾驶行为风险检测模型；
获取车辆的历史驾驶行为信息和历史驾驶环境信息，并基于所述历史驾驶环境信息对所述初始驾驶行为风险检测模型进行调整，得到目标驾驶行为风险检测模型；
将所述历史驾驶行为信息输入所述目标驾驶行为风险检测模型，得到驾驶行为危险系数，并基于所述驾驶行为危险系数确定所述车辆的保险费用；
其中，所述基于所述历史驾驶环境信息对所述初始驾驶行为风险检测模型进行调整，得到目标驾驶行为风险检测模型，包括：
对所述历史驾驶环境信息进行聚类分析，得到所述历史驾驶环境信息的类型；
获取所述车辆的分类号，并基于所述分类号从预设的数据库中获取目标映射关系表；其中，所述目标映射关系表中的映射关系为驾驶环境的类型与驾驶环境的类型对应的需要调整的模型参数的映射关系；
针对所述历史驾驶环境信息的每种类型，判断所述目标映射关系表中是否存在所述类型，并在所述目标映射关系表中存在所述类型时，基于所述类型对应的映射关系对所述初始驾驶行为风险检测模型进行调整，得到中间目标驾驶行为风险检测模型；
将各个所述中间目标驾驶行为风险检测模型的模型参数进行融合，得到第二融合模型参数；
基于所述第二融合模型参数调整任一所述中间目标驾驶行为风险检测模型的模型参数，得到所述目标驾驶行为风险检测模型。
2.根据权利要求1所述的基于车辆驾驶行为的保险费用测算方法，其特征在于，所述车辆赔偿事件数据库存储有若干个车辆赔偿事件、各个所述车辆赔偿事件对应的车辆驾驶行为以及各个所述车辆赔偿事件对应的赔偿金额，所述基于所述车辆赔偿事件数据库为各个所述模拟车辆驾驶行为赋予危险系数，包括：
针对各个所述模拟车辆驾驶行为，判断所述车辆赔偿事件数据库中是否存在与所述模拟车辆驾驶行为匹配的车辆驾驶行为；
若所述车辆赔偿事件数据库中存在与所述模拟车辆驾驶行为匹配的车辆驾驶行为，在所述数据库中确定第一数量以及第二数量，并将所述第一数量与第二数量之间的比值作为第一中间危险系数；其中，所述第一数量为所述模拟车辆驾驶行为在所述车辆赔偿事件数据库中对应的所述车辆赔偿事件的数量，所述第二数量为所述车辆赔偿事件数据库存储的所述车辆赔偿事件的总数量；
基于所述车辆赔偿事件数据库确定第一赔偿金额以及第二赔偿金额，并将所述第一赔偿金额与第二赔偿金额之间的比值作为第二中间危险系数；其中，所述第一赔偿金额为所述模拟车辆驾驶行为在所述车辆赔偿事件数据库中对应的所述车辆赔偿事件的总赔偿金额，所述第二赔偿金额为所述车辆赔偿事件数据库存储的所述车辆赔偿事件的总赔偿金额；
将所述第一中间危险系数和所述第二中间危险系数相加，得到所述危险系数。
3.根据权利要求2所述的基于车辆驾驶行为的保险费用测算方法，其特征在于，在将所述第一中间危险系数和所述第二中间危险系数相加，得到所述危险系数之后，所述方法还包括：
若所述车辆赔偿事件数据库中不存在与所述模拟车辆驾驶行为匹配的车辆驾驶行为，将所述模拟车辆驾驶行为作为第一对比车辆驾驶行为，并将所述车辆赔偿事件数据库中对应所述车辆赔偿事件的各个所述车辆驾驶行为作为第二对比车辆驾驶行为；
基于所述第一对比车辆驾驶行为和各个所述第二对比车辆驾驶行为确定所述第一对比车辆驾驶行为的危险系数。
4.根据权利要求3所述的基于车辆驾驶行为的保险费用测算方法，其特征在于，所述基于所述第一对比车辆驾驶行为和各个所述第二对比车辆驾驶行为确定所述第一对比车辆驾驶行为的危险系数，包括：
将所述第一对比车辆驾驶行为输入预设的车辆驾驶行为特征提取模型，得到第一特征向量，并将各个所述第二对比车辆驾驶行为分别输入所述车辆驾驶行为特征提取模型，得到多个第二特征向量；
计算所述第一特征向量分别与各个所述第二特征向量之间的相似度，并将各个所述相似度分别与预设相似度进行比较，并在所述相似度大于所述预设相似度时，将所述相似度对应的所述第二对比车辆驾驶行为确定为目标车辆驾驶行为；
针对各个所述目标车辆驾驶行为，将所述目标车辆驾驶行为对应的相似度与各个所述目标车辆驾驶行为对应的相似度之和的比值作为所述目标车辆驾驶行为的权重系数；
针对各个所述目标车辆驾驶行为，计算所述目标车辆驾驶行为对应的所述危险系数和所述目标车辆驾驶行为对应的所述权重系数之间的乘积；
将所有所述乘积相加得到所述第一对比车辆驾驶行为的危险系数。
5.根据权利要求1所述的基于车辆驾驶行为的保险费用测算方法，其特征在于，所述基于所述训练数据集训练所述神经网络模型，得到初始驾驶行为风险检测模型，包括：
将所述训练数据集和所述神经网络模型发放给多个终端，以使各个所述终端分别基于所述训练数据集对所述神经网络模型进行训练，得到中间初始驾驶行为风险检测模型；
接收各个所述终端发送的所述中间初始驾驶行为风险检测模型，并将各个所述中间初始驾驶行为风险检测模型的模型参数进行融合，得到第一融合模型参数；
基于所述第一融合模型参数调整任一所述中间初始驾驶行为风险检测模型的模型参数，得到所述初始驾驶行为风险检测模型。
6.根据权利要求1所述的基于车辆驾驶行为的保险费用测算方法，其特征在于，所述基于所述类型对应的映射关系对所述初始驾驶行为风险检测模型进行调整，得到中间目标驾驶行为风险检测模型，包括：
获取所述映射关系对应的各个模型参数的序号、第一预设解码表和第二预设解码表；其中，所述第一预设解码表包括第一数字列和第一字符列，所述第二预设解码表包括第二数字列和第二字符列，所述第一数字列和所述第二数字列相同，所述第一字符列对应的字符和所述第二字符列对应的字符属于不同语言的字母；
针对各个所述序号，采用所述序号在所述第一预设解码表中对应的第一字符替换所述序号在所述第二预设解码表中对应的第二字符，得到中间目标解码表；
在所述中间目标解码表的第一指定位置删除第一目标字符，得到第一字符空位，并在所述中间目标解码表的第二指定位置删除第二目标字符，得到第二字符空位；其中，所述第一目标字符与所述第二目标字符相连，且所述第一目标字符位于所述第二目标字符之前；
将所述第一字符空位之前的各个字符均向后移动一个字符空位，得到第三字符空位，并将所述第二字符空位之后的各个字符均向前移动一个字符空位，得到第四字符空位；
将所述第一目标字符插入所述第四字符空位，并将所述第二目标字符插入所述第三字符空位，得到目标解码表；
基于所述目标解码表对所述分类号进行解码处理，得到所述分类号对应的解码字符；
针对所述映射关系对应的各个模型参数，基于所述模型参数的序号在预设的数据库中获取所述模型参数对应的文本集；其中，所述文本集包括多个加密文本；
针对所述映射关系对应的各个模型参数，基于所述解码字符对所述模型参数对应的文本集中的各个加密文本分别进行解密处理，并基于解密成功的所述加密文本对所述模型参数进行调整，得到所述中间目标驾驶行为风险检测模型。
7.一种基于车辆驾驶行为的保险费用测算系统，其特征在于，包括：
仿真模块，用于采用仿真技术模拟车辆驾驶行为，得到多个模拟车辆驾驶行为；其中，各个所述模拟车辆驾驶行为互不相同；
获取模块，用于获取云端服务器下发的车辆赔偿事件数据库，并基于所述车辆赔偿事件数据库为各个所述模拟车辆驾驶行为赋予危险系数，得到训练数据集；
训练模块，用于构建神经网络模型，并基于所述训练数据集训练所述神经网络模型，得到初始驾驶行为风险检测模型；
调整模块，用于获取车辆的历史驾驶行为信息和历史驾驶环境信息，并基于所述历史驾驶环境信息对所述初始驾驶行为风险检测模型进行调整，得到目标驾驶行为风险检测模型；
确定模块，用于将所述历史驾驶行为信息输入所述目标驾驶行为风险检测模型，得到驾驶行为危险系数，并基于所述驾驶行为危险系数确定所述车辆的保险费用；
其中，所述基于所述历史驾驶环境信息对所述初始驾驶行为风险检测模型进行调整，得到目标驾驶行为风险检测模型，包括：
对所述历史驾驶环境信息进行聚类分析，得到所述历史驾驶环境信息的类型；
获取所述车辆的分类号，并基于所述分类号从预设的数据库中获取目标映射关系表；其中，所述目标映射关系表中的映射关系为驾驶环境的类型与驾驶环境的类型对应的需要调整的模型参数的映射关系；
针对所述历史驾驶环境信息的每种类型，判断所述目标映射关系表中是否存在所述类型，并在所述目标映射关系表中存在所述类型时，基于所述类型对应的映射关系对所述初始驾驶行为风险检测模型进行调整，得到中间目标驾驶行为风险检测模型；
将各个所述中间目标驾驶行为风险检测模型的模型参数进行融合，得到第二融合模型参数；
基于所述第二融合模型参数调整任一所述中间目标驾驶行为风险检测模型的模型参数，得到所述目标驾驶行为风险检测模型。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311688494.2A CN117391871B (zh) | 2023-12-11 | 2023-12-11 | 基于车辆驾驶行为的保险费用测算方法及系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311688494.2A CN117391871B (zh) | 2023-12-11 | 2023-12-11 | 基于车辆驾驶行为的保险费用测算方法及系统 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN117391871A CN117391871A (zh) | 2024-01-12 |
| CN117391871B true CN117391871B (zh) | 2024-03-19 |
Family
ID=89439584
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202311688494.2A Active CN117391871B (zh) | 2023-12-11 | 2023-12-11 | 基于车辆驾驶行为的保险费用测算方法及系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN117391871B (zh) |
Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR20140031435A (ko) * | 2012-08-28 | 2014-03-13 | (주)나노포인트 | 운전 습관 분석 진단 시스템 및 방법 |
| CN108256714A (zh) * | 2016-12-29 | 2018-07-06 | 得道车联网络科技（上海）有限公司 | 一种基于车联网大数据的行车轨迹实时风险评估模型 |
| CN110163763A (zh) * | 2019-04-18 | 2019-08-23 | 武汉中天冠捷信息技术有限公司 | 一种基于大数据的车辆保险评估方法 |
| CN115619572A (zh) * | 2022-08-05 | 2023-01-17 | 中国平安财产保险股份有限公司 | 车险报价方法、装置、设备及存储介质 |
| CN116226787A (zh) * | 2023-05-04 | 2023-06-06 | 中汽信息科技(天津)有限公司 | 商用车出险概率预测方法、设备和介质 |
Family Cites Families (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| TW202326573A (zh) * | 2021-12-23 | 2023-07-01 | 陳道光 | 用於載具之保費計算方法及系統 |
-
2023
- 2023-12-11 CN CN202311688494.2A patent/CN117391871B/zh active Active
Patent Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR20140031435A (ko) * | 2012-08-28 | 2014-03-13 | (주)나노포인트 | 운전 습관 분석 진단 시스템 및 방법 |
| CN108256714A (zh) * | 2016-12-29 | 2018-07-06 | 得道车联网络科技（上海）有限公司 | 一种基于车联网大数据的行车轨迹实时风险评估模型 |
| CN110163763A (zh) * | 2019-04-18 | 2019-08-23 | 武汉中天冠捷信息技术有限公司 | 一种基于大数据的车辆保险评估方法 |
| CN115619572A (zh) * | 2022-08-05 | 2023-01-17 | 中国平安财产保险股份有限公司 | 车险报价方法、装置、设备及存储介质 |
| CN116226787A (zh) * | 2023-05-04 | 2023-06-06 | 中汽信息科技(天津)有限公司 | 商用车出险概率预测方法、设备和介质 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN117391871A (zh) | 2024-01-12 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Castignani et al. | Driver behavior profiling using smartphones: A low-cost platform for driver monitoring | |
| US10073908B2 (en) | Functional space-time trajectory clustering | |
| CN104318477A (zh) | 一种基于大数据的车辆保险评估的方法 | |
| CN113609016A (zh) | 车辆自动驾驶测试场景的构建方法、装置、设备及介质 | |
| CN109543909A (zh) | 车辆案件数量的预测方法、装置和计算机设备 | |
| CN113060146B (zh) | 一种纵向跟踪控制方法、装置、设备及存储介质 | |
| CN104599002A (zh) | 预测订单价值的方法及设备 | |
| CN117319223A (zh) | 一种基于数字孪生技术的领导驾驶舱可视化方法及系统 | |
| TWI690440B (zh) | 基於支持向量機之路口智慧駕駛方法及其系統 | |
| Guo et al. | Integrated multistep Markov-based velocity predictor of energy consumption prediction model for battery electric vehicles | |
| CN117391871B (zh) | 基于车辆驾驶行为的保险费用测算方法及系统 | |
| Zheng et al. | Influence of driver characteristics on emissions and fuel consumption | |
| Lehmann et al. | Use of a criticality metric for assessment of critical traffic situations as part of SePIA | |
| US20230358640A1 (en) | System and method for simulating autonomous vehicle testing environments | |
| CN116091254B (zh) | 商用车风险的分析方法 | |
| Llorca et al. | Modelling vehicles acceleration during overtaking manoeuvres | |
| Elgharbawy et al. | A testing framework for predictive driving features with an electronic Horizon | |
| CN115619572A (zh) | 车险报价方法、装置、设备及存储介质 | |
| Zhao et al. | Analysis of Driver Behavior and Intervehicular Collision: A Data‐Based Traffic Modeling and Simulation Approach | |
| CN113807703A (zh) | 驾驶行为评分方法、装置、电子设备及介质 | |
| Curiel-Ramirez et al. | Interactive urban route evaluation system for smart electromobility | |
| Siaminamini et al. | Generating a risk profile for car insurance policyholders: A deep learning conceptual model | |
| Lyamani et al. | Scenarios for ADAS Testing: Modeling and Design | |
| CN112329106A (zh) | 道路安全设计方法、系统、计算机设备和可读存储介质 | |
| CN111055849A (zh) | 基于支持向量机的路口智能驾驶方法及其系统 |
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 |