KR20200011828A

KR20200011828A - Insurance rate management system and management method thereof

Info

Publication number: KR20200011828A
Application number: KR1020180086784A
Authority: KR
Inventors: 김도형
Original assignee: 주식회사 아이비스
Priority date: 2018-07-25
Filing date: 2018-07-25
Publication date: 2020-02-04

Abstract

According to an embodiment of the present invention, an insurance fee management system comprises: a communication part receiving predetermined accident rate information of a driver of a vehicle, state information of the driver and state information of the vehicle; a learning part learning driving information of the vehicle and propensity information of the driver through machine learning for the predetermined accident rate information and the state information of the vehicle and the driver and generating a machine learning network based on the propensity information and the driving information; and a calculation part calculating an insurance fee based on the machine learning network.

Description

Insurance management system and its management method {INSURANCE RATE MANAGEMENT SYSTEM AND MANAGEMENT METHOD THEREOF}

본 출원의 실시예들은, 보험료 관리장치 및 그 관리방법에 관한 것으로, 특히, 차량 및 운전자의 상태정보에 기반하여 보험료를 산출하는 보험료 관리장치 및 그 관리방법에 관한 것이다. Embodiments of the present application relate to a premium management apparatus and a management method thereof, and more particularly, to a premium management apparatus and a management method for calculating a premium based on state information of a vehicle and a driver.

최근, 자동차 보험산업에서는 자동차의 실제사용에 기반한 보험료 측정방법을 적극적으로 채용하고 있다. In recent years, the automobile insurance industry has actively adopted a method of measuring premiums based on actual use of automobiles.

이러한 보험료 측정방법 들 중 마일리지 보험은, 보험 가입자가 실제로 자동차를 주행하는 거리에 비례하여 보험료를 책정하고, 운행거리가 짧은 보험 가입자에게 보험료의 절감 효과를 제공하는 방법이다.Among these insurance measures, mileage insurance is a method of setting insurance premiums in proportion to the distance that the insurer actually drives a car, and providing insurance savings to insurance subscribers with a short driving distance.

또한, UBI(Usage Based Insurance)기반 보험은 운전자의 운전특성을 분석하여 해당 운전자의 사고율(위험률)에 기반하여 보험료를 책정하는 방법이다. 이러한 UBI기반 보험은, 안전 운전자에게 저렴한 보험료를 책정함에 따라, 우량고객을 유치할 수 있는 효과가 있고, 보험사의 손해율 감쇄 및 영업 수지 증진에 도움을 줄 수 있다. In addition, UBI (Usage Based Insurance) -based insurance is a method of analyzing the driving characteristics of the driver to determine the premium based on the accident rate (risk) of the driver. Such UBI-based insurance, by setting a low premium for safe drivers, can attract excellent customers, and can help insurers reduce the loss rate and increase the business balance.

그러나, UBI기반 보험은, 자동차 외부에 표준적으로 제공한 인터페이스인 자기진단장치(On-Board Diagnostic, OBD)를 통해 자동차의 진단데이터를 수집할 수 있어, 보험시장에 정착하지 못하고 있는 실정이다. However, UBI-based insurance is unable to settle in the insurance market because it can collect the diagnostic data of the vehicle through the on-board diagnostic (OBD), which is a standard provided to the outside of the vehicle.

특히, 자동차에 자기진단장치가 제공되지 않는 경우, 자동차에 자기진단장치를 설치하는 데 어려움이 있다. 또한, 자동차제조사가 제공하는 자기잔단장치가 통신표준에 따라 제공하지 않는 경우가 있으며, 자기진단장치의 제조비용이 높아, 보험료 절감효과를 가질 수 없는 문제가 있다. In particular, when the self-diagnosis apparatus is not provided in the vehicle, it is difficult to install the self-diagnosis apparatus in the vehicle. In addition, there is a case that the magnetic residual device provided by the automobile manufacturer does not provide according to the communication standard, the manufacturing cost of the self-diagnostic device is high, there is a problem that can not have a premium reduction effect.

본 출원의 목적은, 보다 저렴한 비용으로, 차량의 운행정보와 운전자의 성향정보를 학습하고, 그 학습 결과에 기초하여, 보험료를 유연성있게 산출할 수 있는 보험료 관리장치 및 그 관리방법을 제공하는 것을 목적으로 한다.An object of the present application is to provide an insurance premium management device and a method of managing the vehicle information and driver's propensity information that can be calculated at a lower cost and flexibly calculate the premium based on the learning result. The purpose.

본 출원의 일 실시예에 따르는 보험료 관리시스템은, 차량의 운전자에 대한 기설정된 사고율정보, 상기 운전자의 상태정보와 상기 차량의 상태정보를 수신하는 통신부, 상기 기설정된 사고율정보, 상기 차량 및 운전자의 상태정보를 머신러닝을 통해 차량의 운행정보 및 운전자의 성향정보를 학습하고, 상기 성향정보 및 상기 운행정보에 기초하여, 머신러닝 네트워크를 생성하는 학습부 및 상기 머신러닝 네트워크에 기초하여, 보험료를 산출하는 산출부를 포함한다. An insurance premium management system according to an exemplary embodiment of the present application may include: a communication unit configured to receive preset accident rate information of a driver of a vehicle, state information of the driver, and state information of the vehicle, the preset accident rate information, of the vehicle, and a driver Based on the state information machine learning to learn the driving information of the vehicle and the driver's propensity information, and based on the learning information and the machine learning network to generate a machine learning network based on the propensity information and the driving information, It includes a calculating unit for calculating.

실시예에 있어서, 상기 학습부는, 상기 사고율정보에 따른 적어도 하나의 위험요소와 상기 운전자의 상태정보를 비교하여, 상기 운전자의 성향정보에 대한 제1 시냅스가중치를 학습한다. In an embodiment, the learning unit compares at least one risk factor according to the accident rate information with state information of the driver, and learns a first synaptic weight value for the driver's propensity information.

실시예에 있어서, 상기 학습부는, 상기 사고율정보에 따른 기준운행거리 및 기준운행시간과 상기 차량의 상태정보를 비교하여, 상기 차량의 운행정보에 대한 제2 시냅스가중치를 학습한다. In an embodiment, the learning unit may compare the reference driving distance and the reference driving time according to the accident rate information with the state information of the vehicle, and learn a second synaptic weight value for the driving information of the vehicle.

실시예에 있어서, 상기 통신부와 운전자단말을 통해 연결되고, 상기 차량 및 운전자의 상태정보를 전송하는 보험료 관리장치를 포함한다. In an embodiment, the communication unit is connected via a driver terminal, and comprises a premium management device for transmitting the status information of the vehicle and the driver.

실시예에 있어서, 상기 보험료 관리장치는, 상기 차량 및 운전자의 상태를 감지하는 센서부, 상기 운전자단말과 근거리 통신하는 근거리통신부 및 상기 차량 및 운전자의 상태로부터 상기 차량 및 운전자의 상태정보를 추출하는 데이터처리부, 상기 센서부를 슬립모드 및 동작모드 중 어느 하나로 동작시키는 전원관리부 및 상기 센서부의 오동작 이벤트에 따라, 상기 차량 및 운전자의 상태정보를 임시 저장하는 제어부를 포함한다. In one embodiment, the premium management device, the sensor unit for detecting the state of the vehicle and the driver, the short-range communication unit for short-range communication with the driver terminal and extracting the state information of the vehicle and the driver from the state of the vehicle and the driver. And a data processor, a power management unit for operating the sensor unit in one of a sleep mode and an operation mode, and a controller for temporarily storing state information of the vehicle and the driver according to a malfunction event of the sensor unit.

실시예에 있어서, 상기 센서부는, 상기 차량의 X축과 Y축 방향의 움직임을 감지하는 자이로센서를 포함하고, 상기 학습부는, 상기 X축 및 Y축 방향의 차량움직임으로부터 추출되는 상기 차량의 가속도, 감속도 및 조향각과 기설정된 사고율정보에 따른 급가속도, 급감속도 및 급회전각을 비교하여, 상기 성향정보를 학습한다. In example embodiments, the sensor unit may include a gyro sensor configured to detect movements in the X and Y axis directions of the vehicle, and the learning unit may include acceleration of the vehicle extracted from vehicle movements in the X and Y axis directions. And the propensity information is learned by comparing the acceleration, the acceleration and the acceleration and the rotation angle according to the deceleration and steering angle and the preset accident rate information.

실시예에 있어서, 상기 센서부는, 상기 차량의 위치정보를 측정하는 GPS모듈, 상기 차량의 이동시간을 측정하는 타이머를 더 포함하고, 상기 학습부는, 상기 차량의 위치정보 및 이동시간으로부터 추출되는 상기 차량의 운행거리 및 운행시간과 기설정된 사고율정보에 따른 기준운행거리 및 기준운행시간을 비교하여, 상기 운행정보를 학습한다. In an embodiment, the sensor unit may further include a GPS module for measuring position information of the vehicle and a timer for measuring a movement time of the vehicle, and the learning unit may be extracted from the position information and the movement time of the vehicle. The driving information is learned by comparing the driving distance and the driving time of the vehicle with the standard driving distance and the standard operating time according to the preset accident rate information.

실시예에 있어서, 상기 센서부는, 상기 운전자의 기설정된 동작을 감지하는 적외선센서, 상기 운전자의 기설정된 음성을 감지하는 음성인식센서 및 상기 운전자의 기설정된 얼굴형상을 촬영하는 카메라를 더 포함하고, 상기 산출부는, 상기 적외선센서와 상기 음성인식센서를 통해 상기 운전자의 기설정된 동작 또는 음성이 감지되는 경우, 제1 패널티를 부과하고, 상기 카메라를 통해 기설정된 얼굴형상이 감지된 경우, 제2 패널티를 부과하고, 상기 제2 패널티는 상기 제1 패널티보다 크다. The sensor unit may further include an infrared sensor for detecting a predetermined motion of the driver, a voice recognition sensor for detecting a predetermined voice of the driver, and a camera for photographing a predetermined face shape of the driver. The calculation unit, if a predetermined motion or voice of the driver is detected through the infrared sensor and the voice recognition sensor, a first penalty is imposed, and if a predetermined face shape is detected through the camera, a second penalty , The second penalty is greater than the first penalty.

실시예에 있어서, 상기 보험료 관리장치는, 상기 통신부로터 상기 운전자단말을 통해 공개키를 전송받을 때, 상기 공개키에 대응되는 개인키를 상기 운전자단말을 통해 상기 보험료 관리서버에 등록하는 암호 및 복호화부를 더 포함한다. In one embodiment, the premium management device, when receiving a public key through the driver terminal from the communication unit, the encryption and decryption to register the private key corresponding to the public key to the premium management server through the driver terminal. Includes more wealth.

본 출원의 일 실시예에 따르는 보험료 관리시스템의 보험료 관리방법으로서, 보험료 관리장치가 차량 및 운전자의 상태정보를 수집하는 단계, 운전자단말이 상기 보험료 관리장치와 근거리 통신을 통해 연결되어, 상기 차량 및 운전자의 상태정보를 보험사 관리서버로 중계하는 단계, 상기 보험사 관리서버가 보험사서버로부터 해당 차량의 운전자에 대한 기설정된 사고율정보를 전송받는 단계, 상기 보험사 관리서버가 상기 기설정된 사고율정보, 상기 차량 및 운전자의 상태정보를 머신러닝을 통해 차량의 운행정보 및 운전자의 성향정보를 학습하는 단계 및 상기 보험사 관리서버가 상기 머신러닝 네트워크에 기초하여, 상기 운전자의 보험료를 산출하는 단계를 포함한다. A premium management method of a premium management system according to an exemplary embodiment of the present application, the premium management apparatus collecting state information of a vehicle and a driver, and a driver terminal connected to the premium management apparatus through short-range communication, the vehicle and Relaying driver's status information to an insurance company management server, wherein the insurance company management server receives preset accident rate information for the driver of the vehicle from the insurance company server, and the insurance company management server provides the preset accident rate information, the vehicle and the like. Learning the driving information of the vehicle and the propensity information of the driver through machine learning of the driver's state information, and calculating the insurance premium of the driver based on the machine learning network by the insurance company management server.

본 출원의 실시 예에 따른 보험료 관리장치 및 그 관리방법은, 고비용의 자기진단장치를 저비용의 센서부로 대체하여, 운전자의 성향정보와 차량의 운행정보를 보다 유연하게 학습하여, 보다 정확한 보험료를 산정할 수 있다. Insurance premium management device and management method according to an embodiment of the present application, by replacing the high-cost self-diagnosis device with a low-cost sensor unit, more flexible learning of the driver's propensity information and vehicle driving information, more accurate insurance premiums can do.

도 1은 본 출원의 실시예에 따른 보험료 관리시스템의 블록도이다.
도 2는 보험료 관리시스템에 대한 실시 예이다.
도 3은 머신러닝 네트워크에 대한 실시 예이다.
도 4는 도 1의 보험료 관리장치에 대한 실시 예이다.
도 5는 도 4의 센서부에 대한 실시 예이다.
도 6은 도 5의 데이터처리부에 대한 실시 예이다.
도 7은 다른 실시예에 따른 보험료 관리시스템의 블록도이다.
도 8은 도 1의 보험료 관리시스템의 보험료 관리방법에 대한 동작 순서도이다. 1 is a block diagram of a premium management system according to an embodiment of the present application.
2 is an embodiment of a premium management system.
3 is an embodiment of a machine learning network.
4 is an embodiment of the premium management apparatus of FIG.
5 is an embodiment of the sensor unit of FIG. 4.
6 is an embodiment of the data processor of FIG. 5.
7 is a block diagram of a premium management system according to another embodiment.
FIG. 8 is a flowchart illustrating an insurance premium management method of the insurance premium management system of FIG. 1.

본 명세서에 개시되어 있는 본 출원의 개념에 따른 실시 예들에 대해서 특정한 구조적 또는 기능적 설명들은 단지 본 출원의 개념에 따른 실시 예들을 설명하기 위한 목적으로 예시된 것으로서, 본 출원의 개념에 따른 실시 예들은 다양한 형태들로 실시될 수 있으며 본 명세서에 설명된 실시 예들에 한정되지 않는다.Specific structural or functional descriptions of the embodiments in accordance with the concepts of the present application disclosed herein are merely for the purpose of describing embodiments in accordance with the concepts of the present application. It may be embodied in various forms and is not limited to the embodiments described herein.

본 출원의 개념에 따른 실시 예들은 다양한 변경들을 가할 수 있고 여러 가지 형태들을 가질 수 있으므로 실시 예들을 도면에 예시하고 본 명세서에 상세하게 설명하고자 한다. 그러나, 이는 본 출원의 개념에 따른 실시 예들을 특정한 개시 형태들에 대해 한정하려는 것이 아니며, 본 출원의 사상 및 기술 범위에 포함되는 모든 변경, 균등물, 또는 대체물을 포함한다.Embodiments according to the concept of the present application may be various modifications and may have various forms will be illustrated in the drawings and described in detail herein. However, this is not intended to limit the embodiments in accordance with the concept of the present application to specific disclosure forms, and includes all changes, equivalents, or substitutes included in the spirit and scope of the present application.

제1 또는 제2 등의 용어는 다양한 구성 요소들을 설명하는데 사용될 수 있지만, 상기 구성 요소들은 상기 용어들에 의해 한정되어서는 안 된다. 상기 용어들은 하나의 구성 요소를 다른 구성 요소로부터 구별하는 목적으로만, 예컨대 본 출원의 개념에 따른 권리 범위로부터 이탈되지 않은 채, 제1구성요소는 제2구성요소로 명명될 수 있고, 유사하게 제2구성요소는 제1구성요소로도 명명될 수 있다.Terms such as first or second may be used to describe various components, but the components should not be limited by the terms. The terms are for the purpose of distinguishing one component from another component only, for example, without departing from the scope of rights in accordance with the concepts of the present application, the first component may be referred to as a second component and similarly The second component may also be referred to as the first component.

어떤 구성요소가 다른 구성요소에 "연결되어" 있다거나 "접속되어" 있다고 언급된 때에는, 그 다른 구성요소에 직접적으로 연결되어 있거나 또는 접속되어 있을 수도 있지만, 중간에 다른 구성요소가 존재할 수도 있다고 이해되어야 할 것이다. 반면에, 어떤 구성요소가 다른 구성요소에 "직접 연결되어" 있다거나 "직접 접속되어" 있다고 언급된 때에는, 중간에 다른 구성요소가 존재하지 않는 것으로 이해되어야 할 것이다. 구성요소들 간의 관계를 설명하는 다른 표현들, 즉 "~사이에"와 "바로 ~사이에" 또는 "~에 이웃하는"과 "~에 직접 이웃하는" 등도 마찬가지로 해석되어야 한다.When a component is said to be "connected" or "connected" to another component, it may be directly connected to or connected to that other component, but it may be understood that another component may be present in the middle. Should be. On the other hand, when a component is said to be "directly connected" or "directly connected" to another component, it should be understood that there is no other component in between. Other expressions describing the relationship between components, such as "between" and "immediately between" or "neighboring to" and "directly neighboring", should be interpreted as well.

본 명세서에서 사용한 용어는 단지 특정한 실시 예를 설명하기 위해 사용된 것으로, 본 출원을 한정하려는 의도가 아니다. 단수의 표현은 문맥상 명백하게 다르게 뜻하지 않는 한, 복수의 표현을 포함한다. 본 명세서에서, "포함하다" 또는 "가지다" 등의 용어는 실시된 특징, 숫자, 단계, 동작, 구성요소, 부분품 또는 이들을 조합한 것이 존재함을 지정하려는 것이지, 하나 또는 그 이상의 다른 특징들이나 숫자, 단계, 동작, 구성요소, 부분품 또는 이들을 조합한 것들의 존재 또는 부가 가능성을 미리 배제하지 않는 것으로 이해되어야 한다.The terminology used herein is for the purpose of describing particular example embodiments only and is not intended to be limiting of the present application. Singular expressions include plural expressions unless the context clearly indicates otherwise. In this specification, terms such as "comprise" or "have" are intended to indicate that there is a feature, number, step, action, component, part, or combination thereof that is implemented, and that one or more other features or numbers are present. It should be understood that it does not exclude in advance the possibility of the presence or addition of steps, actions, components, parts or combinations thereof.

다르게 정의되지 않는 한, 기술적이거나 과학적인 용어를 포함해서 여기서 사용되는 모든 용어들은 본 출원이 속하는 기술 분야에서 통상의 지식을 가진 자에 의해 일반적으로 이해되는 것과 동일한 의미를 가진다. 일반적으로 사용되는 사전에 정의되어 있는 것과 같은 용어들은 관련 기술의 문맥상 가지는 의미와 일치하는 의미를 갖는 것으로 해석되어야 하며, 본 명세서에서 명백하게 정의하지 않는 한, 이상적이거나 과도하게 형식적인 의미로 해석되지 않는다.Unless defined otherwise, all terms used herein, including technical or scientific terms, have the same meaning as commonly understood by one of ordinary skill in the art to which this application belongs. Terms such as those defined in the commonly used dictionaries should be construed as having meanings consistent with the meanings in the context of the related art, and are not construed in ideal or excessively formal meanings unless expressly defined herein. Do not.

이하, 첨부한 도면을 참조하여 본 출원의 바람직한 실시 예를 설명함으로써, 본 출원을 상세히 설명한다.Hereinafter, exemplary embodiments of the present application will be described in detail with reference to the accompanying drawings.

도 1은 본 출원의 실시예에 따른 보험료 관리시스템(1000)의 블록도이고, 도 2는 보험료 관리시스템(1000)의 실시 예이다. 1 is a block diagram of a premium management system 1000 according to an embodiment of the present application, Figure 2 is an embodiment of a premium management system 1000.

도 1과 도 2를 참조하면, 보험료 관리시스템(1000)은 복수의 보험료 관리장치들(10_1~10_N), 복수의 운전자단말들(11_1~11_N), 보험료 관리서버(30) 및 보험사서버(50)를 포함할 수 있다. 이하, 명확한 설명을 위해, 복수의 보험료 관리장치들(10_1~10_N) 및 복수의 운전자단말들(11_1~11_N)을 하나의 보험료 관리장치(10)와 하나의 운전자단말(11)로 하여 설명한다. 1 and 2, the premium management system 1000 includes a plurality of premium management devices 10_1 to 10_N, a plurality of driver terminals 11_1 to 11_N, a premium management server 30, and an insurance company server 50. ) May be included. Hereinafter, for clarity, the plurality of premium management devices 10_1 to 10_N and the plurality of driver terminals 11_1 to 11_N are described as one premium management device 10 and one driver terminal 11. .

먼저, 보험료 관리장치(10)는 차량 및 운전자의 상태를 감지하여, 차량 및 운전자의 상태정보를 수집할 수 있다. 보다 구체적으로, 보험료 관리장치(10)는 차량 내부에 설치되고, 차량의 가속도, 감속도, 조향각도 중 적어도 하나의 차량상태를 감지할 수 있다. 또한, 보험료 관리장치(10)는 차량에 탑승한 운전자의 동작, 음성, 형상 중 적어도 하나의 운전자상태를 감지할 수 있다. First, the premium management apparatus 10 may detect the state of the vehicle and the driver, and collect state information of the vehicle and the driver. More specifically, the premium management apparatus 10 may be installed inside the vehicle and detect at least one vehicle state among acceleration, deceleration, and steering angle of the vehicle. In addition, the insurance premium management apparatus 10 may detect at least one driver's state of an operation, a voice, and a shape of a driver in a vehicle.

그런 다음, 보험료 관리장치(10)는 차량 및 운전자의 상태정보를 운전자단말(11)과 근거리 통신을 통해 전송할 수 있다. 이때, 보험료 관리장치(10)는 저전력 블루투스(Bluetooth Low Energy, BLE) 통신 프로토콜 방식으로 차량 및 운전자의 상태정보를 운전자단말(11)에 전송할 수 있다. Then, the premium management apparatus 10 may transmit the state information of the vehicle and the driver through the near field communication with the driver terminal 11. In this case, the premium management apparatus 10 may transmit the state information of the vehicle and the driver to the driver terminal 11 using a low power Bluetooth Low Energy (BLE) communication protocol.

다음으로, 운전자단말(11)은 보험료 관리장치(10)로부터 근거리 통신을 통해 전송받는 차량 및 운전자의 상태정보를 네트워크(20)를 통해 보험료 관리서버(30)로 중계할 수 있다. Next, the driver terminal 11 may relay the state information of the vehicle and the driver, which are transmitted from the premium management apparatus 10 through short-range communication, to the premium management server 30 through the network 20.

보다 구체적으로, 운전자단말(11)은 보험료 관리장치(10)로부터 차량 및 운전자의 상태정보를 네트워크(20)를 통해 보험료 관리서버(30)로 중계할 수 있다. 즉, 운전자단말(11)은 네트워크(20)를 통해 데이터 송/수신이 가능하도록 컴퓨터나 휴대용 단말기, 텔레비전으로 구현될 수 있다. More specifically, the driver terminal 11 may relay the vehicle and driver status information from the insurance premium management apparatus 10 to the insurance premium management server 30 through the network 20. That is, the driver terminal 11 may be implemented as a computer, a portable terminal, or a television to enable data transmission / reception through the network 20.

예컨대, 컴퓨터는 근거리 무선통신이 가능한 노트북, 데스크톱(desktop), 랩톱(laptop) 등을 포함하고, 휴대용 단말기는 예를 들어, 휴대성과 이동성이 보장되는 무선 통신 장치로서, PCS(Personal Communication System), GSM(Global System for Mobile communications), PDC(Personal Digital Cellular), PHS(Personal Handyphone System), PDA(Personal Digital Assistant), IMT(International Mobile Telecommunication)-2000, CDMA(Code Division Multiple Access) 2000, W-CDMA(W-Code Division Multiple Access), Wibro(Wireless Broadband Internet) 단말, 스마트폰(Smart Phone) 등과 같은 모든 종류의 핸드헬드(Handheld) 기반의 무선 통신 장치를 포함할 수 있다. 또한, 텔레비전은 IPTV(Internet Protocol Television), 인터넷 TV(Internet Television), 지상파 TV, 케이블 TV 등을 포함할 수 있다.For example, a computer may include a notebook, desktop, laptop, etc. capable of short-range wireless communication, and the portable terminal may be, for example, a wireless communication device that guarantees portability and mobility, and may include a personal communication system (PCS), Global System for Mobile communications (GSM), Personal Digital Cellular (PDC), Personal Handyphone System (PHS), Personal Digital Assistant (PDA), International Mobile Telecommunication (IMT) -2000, Code Division Multiple Access (CDMA) 2000, W- It may include all kinds of handheld based wireless communication devices such as W-Code Division Multiple Access (CDMA), a Wireless Broadband Internet (WBRO) terminal, a smart phone, and the like. In addition, the television may include IPTV (Internet Protocol Television), Internet TV (Internet Television), terrestrial TV, cable TV, and the like.

다음으로, 네트워크(20)는 TCP/IP 프로토콜 및 그 상위계층에 존재하는 여러 서비스, 즉 HTTP(Hyper Text Transfer Protocol), Telnet, FTP(File Transfer Protocol), DNS(Domain Name System), SMTP(Simple Mail Transfer Protocol), SNMP(Simple Network Management Protocol), NFS(Network File Service), NIS(Network Information Service) 등을 제공하는 전 세계적인 개방형 컴퓨터 네트워크 구조를 의미할 수 있다. 또한, 네트워크(20)는 적어도 하나 이상의 운전자단말(11)이 보험료 관리서버(30)에 접속될 수 있게 하는 환경을 제공할 수 있다. 한편, 네트워크(20)는 유선 또는 무선 인터넷일 수도 있고, 이외에도 유선 공중망, 무선 이동 통신망, 또는 휴대 인터넷 등과 통합된 코어 망일 수 있다. Next, the network 20 includes various services existing in the TCP / IP protocol and its upper layers, namely, Hyper Text Transfer Protocol (HTTP), Telnet, File Transfer Protocol (FTP), Domain Name System (DNS), and SMTP (Simple). A global open computer network architecture that provides Mail Transfer Protocol (SMP), Simple Network Management Protocol (SNMP), Network File Service (NFS), and Network Information Service (NIS). In addition, the network 20 may provide an environment that allows at least one or more driver terminals 11 to be connected to the premium management server 30. Meanwhile, the network 20 may be a wired or wireless internet, or may be a core network integrated with a wired public network, a wireless mobile communication network, or a portable internet.

본 출원의 실시예에 따른 보험료 관리서버(30)는 통신부(100), 학습부(200) 및 산출부(300)를 포함할 수 있다. The premium management server 30 according to the embodiment of the present application may include a communication unit 100, a learning unit 200, and a calculation unit 300.

먼저, 통신부(100)는 보험료 관리장치(10)과 근거리통신하는 운전자단말(11)로부터 네트워크(20)를 통해 차량 및 운전자의 상태정보를 전송받을 수 있다. 이때, 통신부(100)는 보험사서버(50)로부터 해당 차량 운전자에 대한 기설정된 사고율정보를 전송받을 수 있다. First, the communication unit 100 may receive the state information of the vehicle and the driver through the network 20 from the driver terminal 11 in close communication with the premium management apparatus 10. In this case, the communication unit 100 may receive preset accident rate information for the corresponding vehicle driver from the insurance company server 50.

즉, 보험사서버(50)는 운전자의 기설정된 사고율정보를 보험료 관리서버(30)에 제공하는 운전자가 가입한 보험사의 서버일 수 있다. 여기서, 사고율정보는, 해당 운전자의 교통사고별 운행거리, 교통사고별 운행시간 및 이전보험료를 포함할 수 있다. 예컨대, 운전자 김ㅇㅇ님의 사고율정보는, 1회 교통사고별 5000km의 운행거리, 1회 교통사고별 365시간의 운행시간 및 이전보험료 100만원에 대한 정보를 포함할 수 있다. That is, the insurance company server 50 may be a server of an insurance company that the driver subscribes to provide the insurance management server 30 with predetermined accident rate information. Here, the accident rate information may include a driving distance of each driver of a traffic accident, a driving time of a traffic accident, and a transfer premium. For example, the driver's accident rate information may include information about a driving distance of 5000 km per traffic accident, a 365-hour driving time per traffic accident, and a previous insurance premium of 1 million won.

실시예에 따라, 보험료 관리서버(30)는 보험사서버(50)와 연동하여 운전자별로 기설정된 사고율정보를 미리 전송받아 저장 D/B(31)에 저장할 수 있다. According to an exemplary embodiment, the insurance premium management server 30 may receive the accident rate information preset for each driver in advance in association with the insurance company server 50 and store it in the storage D / B 31.

즉, 통신부(100)는 보험사서버(50)로부터 전송받는 운전자의 기설정된 사고율정보와 보험료 관리장치(10)과 근거리통신하는 운전자단말(11)로부터 전송받는 차량 및 운전자의 상태정보를 저장 D/B(31)에 저장할 수 있다. That is, the communication unit 100 stores preset accident rate information of the driver transmitted from the insurance company server 50 and vehicle and driver state information received from the driver terminal 11 in close communication with the premium management apparatus 10. Can be stored in B31.

이때, 저장 D/B(31)는 통신부(100)를 통해 전송받는 운전자의 기설정된 사고율정보, 이전보험료 및 차량 및 운전자의 상태정보를 운전자별로 데이터베이스(DB)화하여 관리할 수 있다. 즉, 저장 D/B(31)는 운전자들의 기설정된 사고율정보와 해당하는 차량 및 운전자의 상태정보를 저장, 분류 및 관리할 수 있다. 예컨대, 저장 D/B(31)는 오라클(Oracle), 인포믹스(Infomix), 사이베이스(Sybase), DB2와 같은 관계형 데이터베이스 관리 시스템(RDBMS)이나, 겜스톤(Gemston), 오리온(Orion), O2 등과 같은 객체 지향 데이터베이스 관리 시스템(OODBMS)을 이용하여 본 발명의 목적에 맞게 구현될 수 있고, 자신의 기능을 달성하기 위하여 적당한 필드(field)들을 가지고 있다.In this case, the storage D / B 31 may manage the driver's preset accident rate information, the transfer insurance premium, and the vehicle and the driver's state information by database (DB) for each driver. That is, the storage D / B 31 may store, classify, and manage preset accident rate information of drivers and state information of corresponding vehicles and drivers. For example, the storage D / B 31 may be a relational database management system (RDBMS) such as Oracle, Infomix, Sybase, DB2, Gemston, Orion, O2. It can be implemented for the purposes of the present invention using an object-oriented database management system (OODBMS), etc., and has suitable fields to achieve its function.

다음으로, 학습부(200)는 운전자의 기설정된 사고율정보와 해당 차량 및 운전자의 상태정보에 대한 머신러닝을 수행할 수 있다. Next, the learning unit 200 may perform machine learning on predetermined accident rate information of the driver and the state information of the vehicle and the driver.

보다 구체적으로, 학습부(200)는 복수의 차량 및 운전자의 상태정보를 입력으로 하고, 해당 운전자들의 기설정된 사고율정보를 출력으로 하는 UBI(Usage Based Insurance), 또는 BBI(Behavior Based Insurance), 또는 PHYD(Pay How You Drive) 중 어느 하나의 지도학습 모델을 통해 딥러닝과 같은 머신러닝을 수행할 수 있다. 즉, 학습부(200)는 복수의 운전자들의 기설정된 사고율정보와 해당 차량 및 운전자별 상태정보에 대한 머신러닝을 통해 운전자별 성향정보와 차량의 운행정보를 학습할 수 있다. More specifically, the learning unit 200 inputs state information of a plurality of vehicles and drivers, and outputs preset accident rate information of the corresponding drivers, UBI (Usage Based Insurance), BBI (Behavior Based Insurance), or The supervised learning model of either Pay How You Drive (PHYD) enables machine learning such as deep learning. That is, the learning unit 200 may learn the propensity information for each driver and the driving information of the vehicle through machine learning about preset accident rate information of the plurality of drivers and corresponding vehicle and driver status information.

여기서, 운전자의 성향정보는, 운행중인 차량의 가속, 감속 및 조향에 대한 조작정보, 운행중인 차량에서의 운전자의 졸음동작, 통화음성 및 운전자세 및 인포테인먼트 조작자세에 대한 형상정보를 포함할 수 있다. 또한, 차량의 운행정보는 차량의 운행거리와 운행시간을 포함할 수 있다. Here, the driver's propensity information may include operation information on acceleration, deceleration and steering of a driving vehicle, drowsiness of the driver in a driving vehicle, call voice and shape information on a driver posture and infotainment operation posture. . In addition, the driving information of the vehicle may include a driving distance and a driving time of the vehicle.

실시예에 따라, 학습부(200)는 사고율정보에 따라 기설정된 적어도 하나의 위험요소와 운전자의 성향정보를 비교하여, 성향정보에 대한 제1 시냅스가중치를 학습할 수 있다. 또한, 학습부(200)는 사고율정보에 따라 기설정된 기준운행거리 및 기준운행시간과 차량의 운행정보를 비교하여 운행정보에 대한 제2 시냅스가중치를 학습할 수 있다. According to an exemplary embodiment, the learning unit 200 may learn the first synaptic weight for the propensity information by comparing the propensity information of the driver with at least one risk factor preset according to the accident rate information. In addition, the learning unit 200 may learn the second synaptic weight for the driving information by comparing the preset driving distance and the standard driving time with the driving information of the vehicle according to the accident rate information.

여기서, 적어도 하나의 위험요소는 사고율정보에 따라 기설정된 가속도보다 일정크기 이상의 급가속도, 사고율정보에 따라 기설정된 조향각도보다 일정크기 이상의 급회전각 및 사고율정보에 따라 기설정된 감속도보다 일정크기 이상의 급감속도를 포함할 수 있다. 예컨대, 사고율정보가 1회 교통사고별 5000KM, 365시간일 때, 위험요소의 급가속도는 5km/h/sec이고, 급회전각은, 90도 이상이며, 급감속도는 3km/h/sec이고, 기준운행거리는 6000KM, 기준운행시간은 400시간일 수 있다. Here, the at least one risk factor is a sudden acceleration of a predetermined size or more than a predetermined acceleration according to the accident rate information, a rapid rotation angle of a certain size or more than a predetermined steering angle than a steering angle set according to the accident rate information, and a sudden decrease or more than a predetermined size by the predetermined deceleration according to the accident rate information. May include speed. For example, when the accident rate information is 5000KM for each traffic accident, 365 hours, the sudden acceleration of the risk factor is 5km / h / sec, the rapid rotation angle is 90 degrees or more, and the sudden reduction speed is 3km / h / sec, The mileage can be 6000KM and the standard operating time is 400 hours.

이때, 학습부(200)는 머신러닝을 통해 학습되는 운전자의 성향정보와 차량의 운행정보에 대한 제1 및 제2 시냅스가중치들에 기초하여, 머신러닝 네트워크(210)를 생성할 수 있다. 여기서, 머신러닝 네트워크(210)는 입력레이어(211), 히든레이어(212) 및 출력레이어(213)를 포함할 수 있다. In this case, the learning unit 200 may generate the machine learning network 210 based on the first and second synaptic weights of the driver's propensity information and the vehicle's driving information learned through machine learning. Here, the machine learning network 210 may include an input layer 211, a hidden layer 212 and an output layer 213.

도 3에 도시된 바와 같이, 입력레이어(211)는 차량 및 운전자의 상태정보를 입력받을 수 있다. 다음으로, 히든레이어(212)는 입력레이어(211)와 출력레이어(213) 사이에 연결되어 차량 및 운전자의 상태정보에 따라, 제1 및 제2 시냅스가중치 중 적어도 어느 하나를 가중할 수 있다. 본 발명에서, 제1 및 제2 시냅스가중치는 2개로 기재되었지만, 이를 한정하는 것은 아니며, 복수개의 시냅스가중치들을 더 포함하고, 행렬곱의 형태일 수 있다. As shown in FIG. 3, the input layer 211 may receive state information of the vehicle and the driver. Next, the hidden layer 212 may be connected between the input layer 211 and the output layer 213 to weight at least one of the first and second synaptic weights according to the state information of the vehicle and the driver. In the present invention, the first and second synaptic weights are described as two, but are not limited thereto, and further include a plurality of synaptic weights, and may be in the form of matrix product.

다음으로, 출력레이어(213)는 히든레이어(212)에 연결되어, 차량 및 운전자의 상태정보에 대한 제1 및 제2 시냅스가중치가 가중된 출력값과 사고율정보를 비교할 수 있다. 그런 다음, 출력레이어(213)는 출력값과 사고율정보에 대한 차이에 기초하여, 제1 및 제2 시냅스가중치를 증감시킬 수 있다. 즉, 출력값과 사고율정보에 대한 차이는 머신러닝 네트워크(210)의 제1 및 제2 시냅스가중치에 대한 조절을 의미하며, 이러한 학습방법은 통계적인 역전파(back propagation)방식일 수 있다. 예컨대, 학습부(200)는 에러 역전파(error backpropagation) 방식을 이용하여, 제1 및 제2 시냅스가중치를 학습할 수 있다. Next, the output layer 213 is connected to the hidden layer 212, it is possible to compare the accident rate information and the output value of the weighted first and second synaptic weights for the state information of the vehicle and the driver. Then, the output layer 213 may increase or decrease the first and second synaptic weights based on the difference between the output value and the accident rate information. In other words, the difference between the output value and the accident rate information means adjustment of the first and second synaptic weights of the machine learning network 210, and the learning method may be a statistical back propagation method. For example, the learner 200 may learn the first and second synaptic weights using an error backpropagation method.

본 발명에서, 역전파(back propagation)방식의 학습이라함은, 머신러닝 네트워크(210)에 차량 및 운전자의 상태정보를 입력하여, 출력값이 사고율정보에 대응되도록 제1 및 제2 시냅스가중치를 조절함을 의미할 수 있다. In the present invention, the learning of the back propagation method, by inputting the state information of the vehicle and the driver to the machine learning network 210, and adjusts the first and second synaptic weight so that the output value corresponds to the accident rate information May mean.

일 실시예에 따라, 학습부(200)는 기설정된 사고율정보에 따른 적어도 하나의 위험요소와 운전자의 성향정보를 비교하고, 성향정보에 대응되는 적어도 하나의 위험요소의 횟수를 카운트할 수 있다. 이때, 학습부(200)는 성향정보에 대응되는 적어도 하나의 위험요소의 횟수에 따라, 성향정보에 대한 제1 시냅스가중치를 증감시킬 수 있다. According to an exemplary embodiment, the learner 200 may compare at least one risk factor according to the preset accident rate information with the driver's propensity information and count the number of at least one risk factor corresponding to the propensity information. In this case, the learning unit 200 may increase or decrease the first synaptic weight value for the propensity information according to the number of at least one risk factor corresponding to the propensity information.

다른 실시예에 따라, 학습부(200)는 기설정된 사고율정보에 따른 기준운행거리 및 기준운행시간과 차량의 운행정보를 각각 비교할 수 있다. 이때, 학습부(200)는 기준운행거리 및 기준운행시간과 차량의 운행정보 사이의 차이에 따라, 운행정보에 대한 제2 시냅스가중치를 증감시킬 수 있다. According to another exemplary embodiment, the learner 200 may compare the driving distance of the vehicle with the reference driving distance and the reference driving time according to the preset accident rate information, respectively. In this case, the learning unit 200 may increase or decrease the second synaptic weight for the driving information according to the difference between the reference driving distance, the reference driving time, and the driving information of the vehicle.

또 다른 실시예에 따라, 학습부(200)는 복수의 운전자들 중 일부의 운전자별 차량 및 운전자의 상태정보를 기초로 제1 머신러닝 네트워크를 생성할 수 있다. 그런 다음, 학습부(200)는 나머지 운전자들 중 일정한 추가인원수에 따른 운전자별 차량 및 운전자의 상태정보를 기초로 생성되는 제2 머신러닝 네트워크를 생성할 수 있다. 이때, 학습부(200)는 제1 및 제2 머신러닝 네트워크를 서로 비교하여, 제1 및 제2 머신러닝 네트워크 간의 차이가 없을 때, 학습에 대한 중단 여부를 결정할 수 있다. According to another exemplary embodiment, the learner 200 may generate a first machine learning network based on driver-specific vehicles and driver state information of some of the plurality of drivers. Next, the learning unit 200 may generate a second machine learning network generated based on the driver-specific vehicle and the driver's state information according to a certain additional number of remaining drivers. In this case, the learner 200 may compare the first and second machine learning networks with each other and determine whether to stop learning when there is no difference between the first and second machine learning networks.

이후, 산출부(300)는 학습부(200)를 통해 학습된 머신러닝 네트워크에 기초하여, 운전자의 보험료를 산출할 수 있다. Thereafter, the calculator 300 may calculate the insurance premium of the driver based on the machine learning network learned through the learner 200.

본 출원의 다른 실시예에 따른 산출부(300)는 학습부(200)를 통해 학습된 머신러닝 네트워크(210)에 기초하여, 수학식 (1)을 통해 운전자의 성향정보에 대한 제1 시냅스가중치를 산출할 수 있다. The calculation unit 300 according to another embodiment of the present application is based on the machine learning network 210 learned through the learning unit 200, the first synaptic weight for the driver's propensity information through Equation (1) Can be calculated.

여기서, 수학식 (1)은

이며, Here, equation (1) is

Is,

이때, n은 상기 적어도 하나의 위험요소에 대한 개수이고, k는 상기 적어도 하나의 위험요소 중 k번째의 위험요소이며, α는 상기 성향정보에 대한 순위지수이며, a는 상기 성향정보에 대한 빈도지수이고, b는 상기 성향정보에 대한 가중지수일 수 있다. In this case, n is the number of the at least one risk factor, k is the k th risk factor of the at least one risk factor, α is a rank index for the propensity information, a is the frequency for the propensity information And b may be a weighting index for the propensity information.

즉, 산출부(300)는 학습부(200)를 통해 학습된 머신러닝 네트워크(210)에 기초하여, 성향정보에 대응되는 적어도 하나의 위험요소의 횟수에 따른 순위지수, 빈도지수 및 기간지수를 설정할 수 있다. 그런 다음, 산출부(300)는 순위지수, 빈도지수 및 기간지수를 기초로, 운전자의 성향정보에 대한 제1 시냅스가중치를 산출할 수 있다. That is, the calculator 300 calculates a ranking index, a frequency index, and a period index according to the number of at least one risk factor corresponding to the propensity information based on the machine learning network 210 learned through the learning unit 200. Can be set. Then, the calculator 300 may calculate a first synaptic weight value for the driver's propensity information based on the ranking index, the frequency index, and the period index.

여기서, 순위지수는 다음의 표 1에 기재된 바와 같이, 적어도 하나의 위험요소의 우선순위에 따른 지수이며, 실시 예에 따라, 다양한 변형이 가능하다. Here, the ranking index is an index according to the priority of at least one risk factor, as shown in Table 1 below, and various modifications are possible according to embodiments.

위험요소Risk factor 순위지수Ranking index 급가속정보Rapid acceleration information 0.30.3 금감속정보Gold Reduction Information 0.50.5 급회전정보Rapid turn information 0.20.2

또한, 빈도지수는 다음의 표 2에 기재된 바와 같이, 적어도 하나의 위험요소의 발생빈도에 따른 지수이며, 실시 예에 따라, 다양한 변형이 가능하다. In addition, the frequency index is an index according to the frequency of occurrence of at least one risk factor, as shown in Table 2 below, and, depending on the embodiment, various modifications are possible.

발생빈도 occurrence frequency 빈도지수Frequency index 100회 이상100 times or more 0.90.9 100회 미만Less than 100 1.11.1

또한, 기간지수는 다음의 표 3에 기재된 바와 같이, 기설정된 기간 내 상기 적어도 하나의 위험요소의 발생비율에 따른 지수이며, 실시 예에 따라, 다양한 변형이 가능하다. In addition, the period index is an index according to the occurrence rate of the at least one risk factor within a predetermined period, as shown in Table 3 below, and various modifications are possible according to embodiments.

최근 3개월이내 발생비율Incidence rate within last 3 months 기간지수Period Index 40% 이상More than 40% 0.90.9 40% 미만Less than 40% 1.11.1

예를 들면, 학습부(200)가 머신러닝 네트워크(210)에 기초하여, 급가속 27회 중 최근 3개월 이내 급가속 20회로 운전자의 성향정보를 학습하는 경우, 산출부(300)는 급가속의 순위지수를 0.3, 빈도지수를 0.9, 기간지수를 1.1로 설정할 수 있다. 또한, 학습부(200)가 머신러닝 네트워크(210)에 기초하여, 급감속 165회 중 최근 3개월 이내 급감속 65회로 운전자의 성향정보를 학습하는 경우, 산출부(300)는 급감속의 순위지수를 0.5, 빈도지수를 1.1, 기간지수를 0.9로 설정할 수 있다. 또한, 학습부(200)가 머신러닝 네트워크(210)에 기초하여, 급회전 14회 중 최근 3개월 이내 급회전 1회로 운전자의 성향정보를 학습하는 경우, 산출부(300)는 급회전의 순위지수를 0.2, 빈도지수를, 0.9, 기간지수를 0.9로 설정할 수 있다. For example, when the learning unit 200 learns the driver's propensity information based on the machine learning network 210 and the rapid acceleration 20 times within the last three months of the 27 rapid accelerations, the calculation unit 300 suddenly accelerates. You can set the rank index to 0.3, the frequency index to 0.9, and the period index to 1.1. In addition, when the learning unit 200 learns the driver's propensity information based on the machine learning network 210 in the rapid deceleration 65 cycles within the last three months of 165 rapid deceleration cycles, the calculation unit 300 rank index of the rapid deceleration. It can be set to 0.5, frequency index to 1.1 and period index to 0.9. In addition, when the learning unit 200 learns the driver's propensity information based on the machine learning network 210 in one rapid rotation within the last three months of the 14 rapid rotations, the calculation unit 300 sets the ranking index of the rapid rotation by 0.2. You can set the frequency index to 0.9 and the period index to 0.9.

그런 다음, 산출부(300)는 설정된 순위지수, 빈도지수 및 기간지수에 따라 수학식 (1)을 통해 운전자의 성향정보에 대한 제1 시냅스가중치를 0.954로 산출할 수 있다. 이후, 산출부(300)는 운전자의 성향정보에 대한 제1 시냅스가중치와 이전보험료를 곱하여, 운전자의 성향정보에 따른 운전자의 보험료를 산출할 수 있다. Then, the calculation unit 300 may calculate the first synaptic weight of the driver's propensity information as 0.954 through Equation (1) according to the set rank index, frequency index, and period index. Thereafter, the calculator 300 may calculate the insurance premium of the driver according to the driver's propensity information by multiplying the first synaptic weight value and the previous insurance premium for the driver's propensity information.

본 출원의 다른 실시예에 따른 산출부(300)는 머신러닝 네트워크(210)에 기초하여, 수학식 (2)를 통해 차량의 운행정보에 대한 제2 시냅스가중치를 산출할 수 있다. The calculation unit 300 according to another exemplary embodiment of the present application may calculate a second synaptic weight for driving information of the vehicle through Equation (2) based on the machine learning network 210.

여기서, 수학식 (2)는

이고, Here, equation (2) is

ego,

이때, c는 사고별 단위거리에 따른 제1 가중테이블로부터 차량의 운행정보에 대응되는 제1 가중치, d는 사고별 단위시간에 따른 제2 가중테이블로부터 차량의 운행정보에 대응되는 제2 가중치일 수 있다. In this case, c is the first weight corresponding to the driving information of the vehicle from the first weight table according to the unit distance by accident, d is the second weight corresponding to the driving information of the vehicle from the second weight table according to the unit time by accident Can be.

다음의 표 4는 제1 가중테이블에 대한 일 예이고, 다음의 표 5는 제2 가중테이블에 대한 일 예이다. Table 4 below is an example of the first weight table, and Table 5 below is an example of the second weight table.

단위거리 (kM)Unit distance (kM) 제1 가중치 First weight 3000 미만Less than 3000 0.80.8 3000 ~ 5000 미만Less than 3000 ~ 5000 1One 5000 ~ 7000 미만Less than 5000 to 7000 1.11.1 7000 ~ 10000 미만7000 to less than 10000 1.151.15 10000 ~ 15000 미만10000 to less than 15000 1.21.2 15000 ~ 20000 미만15000 ~ 20000 1.251.25 20000 ~ 30000 미만20000 to less than 30000 1.31.3

단위시간 (hour)Unit hour 제2 가중치 Second weight 200 미만Less than 200 0.80.8 200~400 미만Less than 200 ~ 400 1One 400~600 미만Less than 400-600 1.11.1 600~800 미만Less than 600 ~ 800 1.151.15 800~1000 미만Less than 800 ~ 1000 1.21.2 1000~2000 미만Less than 1000 ~ 2000 1.251.25 2000~3000 미만Less than 2000 ~ 3000 1.31.3

다음의 표 4와 표 5에 기재된 바와 같이, 산출부(300)는 학습부(200)를 통해 학습된 머신러닝 네트워크(210)에 기초하여, 제1 및 제2 가중치테이블을 생정할 수 있다. As described in Tables 4 and 5 below, the calculator 300 may generate first and second weight tables based on the machine learning network 210 learned through the learner 200.

그런 다음, 산출부(300)는 제1 및 제2 가중치테이블로부터 차량의 운행정보에 대응되는 제1 및 제2 가중치를 설정하고, 이를 기초로, 수학식(2)를 통해 차량의 운행정보에 대한 제2 시냅스가중치를 산출할 수 있다. Then, the calculating unit 300 sets the first and second weights corresponding to the driving information of the vehicle from the first and second weight tables, and based on this, the driving information of the vehicle is expressed through Equation (2). The second synaptic weight can be calculated.

예를 들면, 제1 가중테이블에 대응되는 차량의 운행정보가 8000KM 이고, 제2 가중테이블에 대응되는 차량의 운행정보가 398시간일 때, 산출부(300)는 제1 가중치를 1.15로 설정하고, 제2 가중치를 1로 설정하여, 차량의 운행정보에 대한 시냅스가중치를 수학식 (2)를 통해 1.075로 산출할 수 있다. 즉, 차량의 운행정보에 대한 시냅스가중치는 제1 및 제2 가중치의 합에 대한 평균값일 수 있다. For example, when the driving information of the vehicle corresponding to the first weighting table is 8000 km and the driving information of the vehicle corresponding to the second weighting table is 398 hours, the calculation unit 300 sets the first weight to 1.15. By setting the second weight to 1, the synaptic weight of the driving information of the vehicle may be calculated as 1.075 through Equation (2). That is, the synaptic weight for the driving information of the vehicle may be an average value of the sum of the first and second weights.

이후, 산출부(300)는 차량의 운행정보에 대한 제2 시냅스가중치와 이전보험료를 곱하여, 차량의 운행정보에 따른 운전자의 보험료를 산출할 수 있다. Thereafter, the calculator 300 may calculate the insurance premium of the driver according to the driving information of the vehicle by multiplying the second synapse weight value and the previous insurance premium for the driving information of the vehicle.

또 다른 실시 예에 따른 산출부(300)는 머신러닝 네트워크(210)에 기초로 산출되는 운전자의 성향정보에 대한 제1 시냅스가중치와 차량의 운행정보에 대한 제2 시냅스가중치에 따라, 수학식 (3)을 통해 운전자의 보험료를 산출할 수 있다. According to another embodiment of the present disclosure, the calculation unit 300 may calculate the equation according to the first synaptic weight value for the driver's propensity information calculated based on the machine learning network 210 and the second synaptic weight value for the driving information of the vehicle. 3), the driver's insurance premium can be calculated.

여기서, 수학식(3)은

이고, 이때, Y₁은 산출부(300)를 통해 산출되는 보험료이고, Y₀는 이전 보험료일 수 있다. 즉, 산출부(300)는 머신러닝 네트워크(210)에 기초로 산출된 제1 및 제2 시냅스가중치의 평균에 이전보험료를 곱하여 운전자의 보험료를 산출할 수 있다. Here, equation (3)

In this case, Y ₁ may be an insurance premium calculated through the calculation unit 300, and Y ₀ may be a previous insurance premium. That is, the calculator 300 may calculate the driver's insurance premium by multiplying the previous premium by the average of the first and second synaptic weights calculated based on the machine learning network 210.

예를 들면, 산출부(300)가 제1 시냅스가중치를 0.954로 산출하고, 제2 시냅스가중치를 1.075로 산출하며, 이전보험료(Y₀)가 100만원일 때, 산출부(300)는 운전자의 보험료를 101만 4천원으로 산출할 수 있다. 즉, 산출부(300)는 머신러닝 네트워크에 기초하여, 적어도 어느 하나의 시냅스가중치를 학습하고, 적어도 어느 하나의 시냅스가중치의 합에 대한 평균과 이전 보험료에 따라, 운전자의 보험료를 갱신할 수 있다. 한편, 운전자가 자동차보험의 신규가입자인 경우, 즉, 이전 보험료(Y₀)가 0인 경우, 산출부(300)는 이전 보험료(Y₀₎에 기설정된 금액을 적용하여 산출할 수 있다. For example, when the calculation unit 300 calculates the first synaptic weight value as 0.954, the second synaptic weight value as 1.075, and the previous insurance premium Y ₀ is one million won, the calculation unit 300 calculates the driver's weight. The premium can be calculated at 1014,000 won. That is, the calculator 300 may learn at least one synaptic weight based on the machine learning network, and update the driver's insurance premium according to the average of the sum of the at least one synaptic weight and the previous premium. . On the other hand, if the driver is a new subscriber of the auto insurance, that is, the previous premium (Y ₀ ) is 0, the calculation unit 300 may calculate by applying a predetermined amount to the previous premium (Y ₀₎ .

본 출원의 실시 예에 있어서, 보험료 관리시스템(1000)은 보험료 관리장치(10)로부터 운전자단말(11)을 통해 차량 및 운전자의 상태정보를 전송받아 머신러닝 네트워크(210)를 학습하여, 해당 운전자의 보험료를 산출할 수 있다. 이에 따라, 보험료 관리시스템(1000)은 이전에 자기진단장치(80)를 이용하여 보험료를 산정하는 시스템보다 상당히 저렴한 비용으로, 해당 운전자의 보험료를 산출할 수 있다. 또한, 보험료 관리시스템(1000)은 차량 및 운전자의 상태정보와 해당 운전자의 기설정된 사고율정보에 기초하여, 운전자의 성향정보 및 차량의 운행정보를 학습하고, 이를 기초로, 보험료를 산출할 수 있다. 이에 따라, 보험료 관리시스템(1000)은 안전하게 운전하는 운전자에게 저렴한 보험료를 책정하고, 난폭운전하는 운전자에게 높은 보험료를 책정하여, 보험사의 손해율을 감쇄시킬 수 있다. In an embodiment of the present application, the insurance premium management system 1000 receives the vehicle and driver status information from the insurance premium management apparatus 10 through the driver terminal 11 to learn the machine learning network 210, and the corresponding driver. We can calculate premium. Accordingly, the premium management system 1000 may calculate the premium of the driver at a considerably lower cost than the system for calculating the premium using the self-diagnostic apparatus 80. In addition, the premium management system 1000 may learn the driver's propensity information and the driving information of the vehicle based on the state information of the vehicle and the driver and the preset accident rate information of the corresponding driver, and calculate the premium based on this. . Accordingly, the insurance premium management system 1000 may reduce the insurance company's loss rate by setting a low premium for a driver who drives safely and a high premium for a driver who drives wildly.

이하, 도 4와 도 5를 참조하여, 보험료 관리장치(10)에 대해 보다 구체적으로 설명한다. Hereinafter, the premium management apparatus 10 will be described in more detail with reference to FIGS. 4 and 5.

도 4는 도 1의 보험료 관리장치(10)에 대한 실시 예이고, 도 5는 도 4의 센서부(110)의 실시 예이다. 4 is an exemplary embodiment of the premium management apparatus 10 of FIG. 1, and FIG. 5 is an exemplary embodiment of the sensor unit 110 of FIG. 4.

도 1 내지 도 5를 참조하면, 보험료 관리장치(10)는 센서부(110), 근거리통신부(120), 데이터처리부(130), 전원관리부(140) 및 제어부(150)를 포함할 수 있다. 1 to 5, the premium management apparatus 10 may include a sensor unit 110, a short range communication unit 120, a data processing unit 130, a power management unit 140, and a controller 150.

먼저, 센서부(110)는 자이로센서(111), 적외선센서(112), 음성인식센서(113) 카메라(114), GPS모듈(115) 및 타이머(116) 중 적어도 하나를 포함할 수 있다. 보다 구체적으로, 자이로센서(111)는 차량의 X축과 Y축 방향의 차량움직임을 감지하고, 적외선센서(112)는 운전자의 위치이탈을 방지하기 위해 기설정된 운전자위치를 감지할 수 있다. 또한, 음성인식센서(113)는 운전자의 통화사용을 방지하기 위해 운전자의 통화키워드에 따라 기설정된 음성을 감지하며, 카메라(114)는 운전자의 졸음운전을 방지하기 위해 운전자의 기설정된 얼굴형상을 감지할 수 있다. 이어서, GPS모듈(115)은 차량의 위치정보를 실시간으로 측정하고, 타이머(116)는 차량의 위치가 이동된 측정시간을 실시간으로 측정할 수 있다. First, the sensor unit 110 may include at least one of a gyro sensor 111, an infrared sensor 112, a voice recognition sensor 113, a camera 114, a GPS module 115, and a timer 116. More specifically, the gyro sensor 111 may detect the movement of the vehicle in the X-axis and Y-axis directions of the vehicle, and the infrared sensor 112 may detect a preset driver position to prevent the driver from escaping the position. In addition, the voice recognition sensor 113 detects a preset voice according to the driver's call keyword to prevent the driver's use of the call, and the camera 114 detects the driver's preset face shape to prevent the driver's drowsy driving. It can be detected. Subsequently, the GPS module 115 may measure the position information of the vehicle in real time, and the timer 116 may measure the measurement time at which the position of the vehicle is moved in real time.

다음으로, 근거리통신부(120)는 운전자단말(11)과 근거리 통신할 수 있다. 보다 구체적으로, 근거리통신부(11)는 센서부(110)를 통해 감지된 차량 및 운전자의 상태정보를 운전자단말(11)과 근거리 통신을 통해 전송할 수 있다. Next, the short range communication unit 120 may communicate with the driver terminal 11 in a short range. More specifically, the short range communication unit 11 may transmit the state information of the vehicle and the driver detected by the sensor unit 110 through the short range communication with the driver terminal 11.

여기서, 근거리통신부(120)는 저전력 블루투스(Bluetooth Low Energy, BLE) 통신 프로토콜 방식으로 비콘 신호를 송출하는 비콘(Beacon)일 수 있다. 예를 들면, 근거리통신부(120)는 블루투스(Bluetooth), RFID(Radio Frequency Identification), 적외선 통신(Infrared Data Association: IrDA), UWB(Ultra Wideband), 지그비(ZigBee), 인접 자장 통신(Near Field Communication: NFC), 초음파 통신(Ultra Sound Communication: USC), 가시광 통신(Visible Light Communication: VLC), 와이 파이(Wi-Fi), 와이 파이 다이렉트(Wi-Fi Direct) 중 적어도 어느 하나를 포함하는 근거리 통신모듈로 구현되어, 운전자단말(11)과 통신할 수 있다. Here, the local area communication unit 120 may be a beacon (Beacon) for transmitting a beacon signal in a low power Bluetooth (Bluetooth Low Energy, BLE) communication protocol scheme. For example, the local area communication unit 120 may include Bluetooth, Radio Frequency Identification (RFID), Infrared Data Association (IrDA), Ultra Wideband (UWB), ZigBee, and Near Field Communication. Short-range communication including at least one of NFC, Ultra Sound Communication (USC), Visible Light Communication (VLC), Wi-Fi, and Wi-Fi Direct. Implemented as a module, it can communicate with the driver terminal (11).

다음으로, 데이터처리부(130)는 센서부(110)를 통해 감지된 적어도 하나의 차량상태와 운전자상태를 디지털로 변환하고, 왜부 잡음에 해당하는 대역을 필터링할 수 있다. 그런 다음,보험료 관리장치(10)는 필터링된 적어도 하나의 차량상태와 운전자상태의 데이터를 정규화를 통해 정규화정보를 생성할 수 있다. 이후, 데이터처리부(130)는 정규화정보와 기설정된 기준정보에 대해 가산 평균하여, 생성되는 차량 및 운전자의 상태정보를 추출할 수 있다. 즉, 데이터처리부(130)는 주행에 따른 왜곡없이, 센서부(110)를 통해 감지된 차량 및 운전자의 상태로부터 차량 및 운전자 상태정보를 추출할 수 있다. Next, the data processor 130 may digitally convert the at least one vehicle state and the driver state detected by the sensor unit 110 and filter the band corresponding to the distortion noise. Then, the premium management apparatus 10 may generate normalization information through normalization of the filtered at least one vehicle state and driver state data. Thereafter, the data processor 130 may add and average the normalized information and the predetermined reference information to extract the generated state information of the vehicle and the driver. That is, the data processor 130 may extract vehicle and driver state information from the state of the vehicle and the driver detected through the sensor unit 110 without distortion due to the driving.

보다 구체적으로, 데이터처리부(130)는 자이로센서(111)를 통해 감지되는 X축 방향의 차량움직임으로부터, 차량의 가속도와 감속도를 추출할 수 있다. 또한, 데이터처리부(130)는 자이로센서(111)를 통해 감지되는 Y축 방향의 차량움직임으로부터, 차량의 조향각을 추출할 수 있다. 또한, 데이터처리부(130)는 GPS모듈(115)과 타이머(116)를 통해 측정되는 차량의 위치정보와 측정시간을 추출할 수 있다. More specifically, the data processor 130 may extract the acceleration and deceleration of the vehicle from the movement of the vehicle in the X-axis direction detected by the gyro sensor 111. In addition, the data processor 130 may extract the steering angle of the vehicle from the movement of the vehicle in the Y-axis direction detected by the gyro sensor 111. In addition, the data processor 130 may extract location information and measurement time of the vehicle measured by the GPS module 115 and the timer 116.

본 출원의 일 실시예에 따른 학습부(200)는 데이터처리부(130)를 통해 추출된 차량의 가속도, 감속도 및 조향각과 사고율정보에 따른 급가속도, 급감속도 및 급회전각을 각각 비교하여, 운전자의 성향정보를 학습할 수 있다. The learning unit 200 according to the exemplary embodiment of the present application compares the acceleration, deceleration, and steering angles and the acceleration, deceleration, and rapid rotation angles of the vehicle extracted through the data processor 130, respectively, to the driver. Can learn the propensity information of

이때, 학습부(200)는 사고율정보에 따른 기준운행거리와 데이터처리부(130)를 통해 추출된 차량의 운행거리를 비교하여, 기준운행거리와 차량의 운행거리 사이의 차이를 학습할 수 있다. 또한, 학습부(200)는 사고율정보에 따른 기준운행시간과 데이터처리부(130)를 통해 추출된 차량의 이동시간을 비교하여, 기준운행시간과 차량의 이동시간 사이의 차이를 학습할 수 있다. In this case, the learning unit 200 may learn the difference between the reference driving distance and the driving distance of the vehicle by comparing the driving distance of the vehicle extracted by the reference driving distance according to the accident rate information and the data processor 130. In addition, the learning unit 200 may learn the difference between the reference driving time and the moving time of the vehicle by comparing the reference driving time according to the accident rate information with the moving time of the vehicle extracted by the data processor 130.

본 출원의 일 실시예에 따른 산출부(300)는 적외선센서(112)와 음성인식센서(113) 중 적어도 하나를 통해 감지된 차량 및 운전자의 상태정보에 응답하여, 운전자의 성향정보에 대한 시냅스가중치에 제1 패널티를 부과할 수 있다. 또한, 산출부(300)는 카메라(114)를 통해 촬영된 운전자의 기설정된 얼굴형상이미지에 응답하여, 운전자의 성향정보에 대한 시냅스가중치에 제2 패널티를 부과할 수 있다. 여기서, 제2 패널티의 크기는 제1 패널티보다 클 수 있다. The calculation unit 300 according to an embodiment of the present application responds to the vehicle and driver status information detected through at least one of the infrared sensor 112 and the voice recognition sensor 113, and synapses the driver's propensity information. A first penalty may be imposed on the weight. In addition, the calculator 300 may impose a second penalty on the synaptic weight of the driver's propensity information in response to a preset face shape image of the driver photographed by the camera 114. Here, the size of the second penalty may be greater than the first penalty.

도 6에 도시된 바와 같이, 데이터처리부(130)는 인터페이스부(131)를 더 포함할 수 있다. 보다 구체적으로, 인터페이스부(131)는 차량 내부에 형성된 자기진단장치(On-Board Diagnostics, OBD)(80)와 캔 통신(CAN) 또는 근거리 통신(Wi-Fi 또는 Bluetooth) 또는 이동통신망(3G/LTE)을 통해 데이터를 주고받을 수 있다. As shown in FIG. 6, the data processor 130 may further include an interface unit 131. More specifically, the interface unit 131 may include an on-board diagnostics (OBD) 80 formed in a vehicle, a can communication (CAN) or a near field communication (Wi-Fi or Bluetooth), or a mobile communication network (3G /). Data can be sent and received via LTE).

여기서, 자기진단장치(80)는 자동차의 시동을 걸 때부터 끌 때까지 1회 주행을 단위 시퀀스로 차량의 진단정보를 기록할 수 있다. 이러한 진단정보는 차량정보, 자동차의 주행 속도(rpm), 엑셀레이터/브레이크의 조작, 바퀴의 회전 속도, 엔진과 연료 계통의 정보, 자동차의 배기 가스와 증발 가스 상태, 사고시 에어백 충격 장치 동작 여부, 각종 센서와 연결되어 측정된 냉각수 온도, 엔진오일 온도, 자동 변속기 오일 온도, 흡입공기 온도, 미션오일 온도, 흡기공기량, TPS(쓰로틀포지션 센서), ISA(아이들 스피드 액츄레이터), 스티어링 휠 각도, 점화각 및 연료분사량을 포함할 수 있다. Here, the self-diagnosis apparatus 80 may record the diagnostic information of the vehicle in a unit sequence of one driving from the time of starting the vehicle to turning off the vehicle. The diagnostic information includes vehicle information, vehicle driving speed (rpm), accelerator / brake operation, wheel rotation speed, engine and fuel system information, vehicle exhaust and evaporative gas status, whether the airbag impact device is operating in the event of an accident, Coolant temperature, engine oil temperature, automatic transmission oil temperature, intake air temperature, mission oil temperature, intake air volume, TPS (throttle position sensor), ISA (idle speed actuator), steering wheel angle And fuel injection amount.

이때, 데이터처리부(130)는 인터페이스부(131)를 통해 자기진단장치(80)로부터 차량의 진단정보를 전송받을 수 있다. 그런 다음, 데이터처리부(130)는 인터페이스부(131)를 통해 자기진단장치(80)로부터 전송받는 차량의 진단정보로부터, 운전자의 성향정보와 차량의 운행정보를 추출할 수 있다. In this case, the data processor 130 may receive the diagnostic information of the vehicle from the self-diagnostic apparatus 80 through the interface unit 131. Then, the data processor 130 may extract driver tendency information and driving information of the vehicle from the diagnostic information of the vehicle transmitted from the self-diagnostic apparatus 80 through the interface unit 131.

다시 도 1 내지 도 4를 참조하면, 전원관리부(140)는 근거리통신부(120)를 통해 운전자단말(11)과 연결될 때, 슬립모드에서 동작모드로 동작을 변환시킬 수 있다. 여기서, 슬립모드는 차량과 운전자의 상태를 감지하지 않는 센서부(110)의 대기상태이고, 동작모드는 차량과 운전자의 상태를 감지하는 센서부(110)의 동작상태일 수 있다. 즉, 전원관리부(140)는 센서부(110)를 대기 또는 동작 상태 중 어느 하나로 변환시킬 수 있다. Referring back to FIGS. 1 to 4, when the power management unit 140 is connected to the driver terminal 11 through the short range communication unit 120, the power management unit 140 may convert an operation from the sleep mode to the operation mode. Here, the sleep mode may be a standby state of the sensor unit 110 that does not detect the state of the vehicle and the driver, and the operation mode may be an operating state of the sensor unit 110 that detects the state of the vehicle and the driver. That is, the power management unit 140 may convert the sensor unit 110 into one of standby or operating states.

보다 구체적으로, 전원관리부(140)는 근거리통신부(120)를 통해 운전자단말(11)에 요청신호를 전송하고, 이에 대한 응답신호를 전송받지 않을 때, 센서부(110)를 슬립모드로 유지시킬 수 있다. 또한, 전원관리부(140)는 근거리통신부(120)를 통해 운전자단말(11)에 요청신호를 전송하고, 운전자단말(11)로부터 근거리통신부(120)를 통해 응답신호를 전송받을 때, 슬립모드에서 동작모드로 동작을 변환시킬 수 있다. More specifically, the power management unit 140 transmits a request signal to the driver terminal 11 through the local area communication unit 120, and when the response signal is not received, maintains the sensor unit 110 in the sleep mode. Can be. In addition, when the power management unit 140 transmits a request signal to the driver terminal 11 through the short range communication unit 120 and receives a response signal from the driver terminal 11 through the short range communication unit 120, the power management unit 140 may enter a sleep mode. The operation can be converted to the operation mode.

또한, 내장된 배터리의 전원이 일정량 이하일 때, 전원관리부(140)는 근거리통신부(120)를 통해 운전자단말(11)에 배터리 로우(LOW)상태를 경고할 수 있다. In addition, when the power of the built-in battery is less than a predetermined amount, the power management unit 140 may warn the battery terminal (LOW) state to the driver terminal 11 through the short-range communication unit 120.

실시예에 따라, 보험료 관리장치(10)는 무선통신부(미도시)를 더 포함하고, 내장된 배터리의 전원이 일정량 이하일 때, 무선통신부(미도시)를 통해 보험료 관리서버(30)로 배터리 로우(LOW)상태를 경고할 수 있다.According to an embodiment, the premium management device 10 further includes a wireless communication unit (not shown), and when the power of the built-in battery is less than a predetermined amount, the battery low to the premium management server 30 through the wireless communication unit (not shown) You can warn the status (LOW).

이후, 제어부(150)는 오동작 이벤트에 따라, 센서부(110)를 통해 감지되는 차량 및 운전자의 상태정보를 임시 저장하는 버퍼를 포함할 수 있다. 여기서, 오동작 이벤트는, 전원관리부(140)가 슬립모드이고, 센서부(110)가 차량 및 운전자의 상태정보를 감지할 때 또는 전원관리부(140)가 동작모드이고, 근거리통신부(120)가 운전자단말(11)과 연결되지 않을 때를 의미할 수 있다. Thereafter, the controller 150 may include a buffer for temporarily storing state information of the vehicle and the driver detected by the sensor unit 110 according to a malfunction event. Here, in the malfunction event, when the power management unit 140 is in the sleep mode, the sensor unit 110 detects the state information of the vehicle and the driver, or the power management unit 140 is in the operation mode, the short-range communication unit 120 is the driver This may mean when the terminal 11 is not connected.

이때, 제어부(150)는 오동작 이벤트에 따라, 차량 및 운전자의 상태정보를 버퍼에 임시 저장할 수 있다. 그런 다음, 근거리통신부(120)가 운전자단말(11)과 연결될 때, 제어부(150)는 버퍼에 임시 저장된 차량 및 운전자의 상태정보로부터 데이터처리부(130)를 통해 운전자의 성향정보 및 차량의 운행정보를 추출하도록 제어할 수 있다. 이후, 제어부(150)는 근거리통신부(120)를 통해 운전자의 성향정보 및 차량의 운행정보를 운전자단말(11)에 전송하도록 제어할 수 있다. In this case, the controller 150 may temporarily store state information of the vehicle and the driver in a buffer according to a malfunction event. Then, when the local area communication unit 120 is connected to the driver terminal 11, the controller 150 is the driver's propensity information and the driving information of the vehicle through the data processor 130 from the vehicle and the driver's state information temporarily stored in the buffer. Can be controlled to extract. Thereafter, the controller 150 may control to transmit the propensity information of the driver and the driving information of the vehicle to the driver terminal 11 through the short range communication unit 120.

실시예에 따라, 제어부(150)는 센서부(110)를 통해 감지된 차량 및 운전자의 상태정보와 자기진단장치(80)로부터 기록된 차량의 진단정보 간의 동일 여부에 따라, 차량 및 운전자의 상태정보에 대한 위변조를 판별할 수 있다. 또한, 제어부(150)는 PS모듈(75)과 타이머(76)를 통해 측정되는 차량의 위치정보와 측정시간과 자기진단장치(80)로부터 전송받는 진단정보 사이의 차이 여부에 따라, 차량 및 운전자의 상태정보에 대한 위변조를 판별할 수 있다. 이때, 차량 및 운전자의 상태정보가 위변조로 판별되는 경우, 제어부(150)는 센서부(110)를 통해 감지된 차량 및 운전자의 상태정보를 리셋시킬 수 있다. According to an exemplary embodiment, the controller 150 may determine the state of the vehicle and the driver according to whether the state information of the vehicle and the driver detected by the sensor unit 110 is equal to the diagnosis information of the vehicle recorded from the self-diagnostic apparatus 80. Forgery of information can be determined. In addition, the controller 150 may determine the difference between the vehicle location information and the measurement time measured by the PS module 75 and the timer 76 and the diagnosis information received from the self-diagnostic apparatus 80. The forgery of the state information of the can be determined. In this case, when the state information of the vehicle and the driver is determined as forgery, the controller 150 may reset the state information of the vehicle and the driver detected by the sensor unit 110.

도 7은 다른 실시예에 따른 보험료 관리시스템(1000_1)의 블록도이다. 7 is a block diagram of a premium management system 1000_1 according to another embodiment.

도 7을 참조하면, 보험료 관리시스템(1000_1)은 보험료 관리장치(10_1), 보험료 관리서버(30) 및 보험사서버(50)를 포함할 수 있다. Referring to FIG. 7, the premium management system 1000_1 may include a premium management device 10_1, a premium management server 30, and an insurance company server 50.

먼저, 보험료 관리장치(10_1)는 센서부(110), 근거리통신부(120), 데이터처리부(130), 전원관리부(140) 및 제어부(150)를 포함하는 운전자가 소지한 스마트폰 또는 운전자단말(11)일 수 있다. First, the premium management apparatus 10_1 is a smart phone or driver terminal possessed by a driver including a sensor unit 110, a short-range communication unit 120, a data processing unit 130, a power management unit 140, and a controller 150 ( 11).

이때, 보험료 관리장치(10_1)는 네트워크(20)를 통해 보험료 관리서버(30)에 접속하여, 서비스를 이용할 수 있도록 애플리케이션(application)이 설치될 수 있다. 특히, 애플리케이션 간 데이터 조회가 불가능한 운영체제에 적용 가능하며, 운영체제로는 IOS, 안드로이드(ANDROID), 심비안(SYMBIAN), 바다(BADA) 등의 모바일 운영체제가 포함될 수 있고, 이러한 조건들을 합쳐서 모바일 환경이 형성될 수 있다. In this case, the premium management apparatus 10_1 may be connected to the premium management server 30 through the network 20, and an application may be installed to use a service. In particular, it can be applied to an operating system that cannot query data between applications, and the operating system may include mobile operating systems such as IOS, Android (ANDROID), Symbian (SYMBIAN), and BADA (BADA). Can be.

또한, 보험료 관리장치(10_1)는 보험료 관리서버(30)에서 제공되는 다양한 HTML(Hyper Text Markup Language) 문서 등의 웹페이지(Web Page)를 가져와 화면에 디스플레이(Display)될 수 있도록 통상의 웹브라우저(Web Browser)가 구비될 수 있다. 이때, 보험료 관리장치(10_1)는 보험료 관리서버(30)에 접속하여 다양한 웹서비스(Web Service)를 이용할 수 있는 모든 종류의 유무선 통신 장치일 수 있다. In addition, the premium management apparatus 10_1 may take a web page such as various Hyper Text Markup Language (HTML) documents provided by the premium management server 30 and display it on a screen. (Web Browser) may be provided. In this case, the premium management apparatus 10_1 may be any kind of wired / wireless communication apparatus that can access the premium management server 30 and use various web services.

실시예에 따라, 보험료 관리장치(10_1)는 암호 및 복호화부(160)를 더 포함할 수 있다. 여기서, 센서부(110), 근거리통신부(120), 데이터처리부(130), 전원관리부(140) 및 제어부(150)는, 도 1 내지 도 5에서 설명된 기능과 구성이 동일하므로, 중복된 설명은 생략한다. According to an embodiment, the premium management apparatus 10_1 may further include an encryption and decryption unit 160. Here, the sensor unit 110, the short-range communication unit 120, the data processing unit 130, the power management unit 140 and the control unit 150 has the same function and configuration described in Figs. Is omitted.

먼저, 암호 및 복호화부(160)는 차량 및 운전자의 상태정보를 전송하기 이전에, 보험료 관리서버(30)로부터 네트워크(20)를 통해 공개키를 전송받을 수 있다. 그런 다음, 암호 및 복호화부(160)는 보험료 관리서버(30)에 등록된 개인키를 통해 차량 및 운전자의 상태정보를 암호화하여, 네트워크(20)를 통해 보험료 관리서버(30)의 통신부(100)로 전송할 수 있다. First, the encryption and decryption unit 160 may receive the public key from the insurance premium management server 30 through the network 20 before transmitting the state information of the vehicle and the driver. Then, the encryption and decryption unit 160 encrypts the state information of the vehicle and the driver through the private key registered in the insurance management server 30, the communication unit 100 of the insurance management server 30 through the network 20 ) Can be sent.

이때, 보험료 관리서버(30)는 개인키에 대응되는 공개키를 통해 암호화된 차량 및 운전자의 상태정보를 복호화할 수 있다. At this time, the insurance premium management server 30 may decrypt the state information of the vehicle and the driver encrypted through the public key corresponding to the private key.

이에 따라, 보험료 관리장치(10_1)는 암호 및 복호화부(160)를 통해 차량 및 운전자의 상태정보를 암호화하여 전송하고, 보험료 관리서버(30)는 공개키를 통해 암호화된 운전자의 성향정보 및 차량의 운행정보를 복호화하기 때문에, 보험료 관리시스템(1000_1)은 운전자의 개인정보에 대한 유출을 방지할 수 있다. Accordingly, the premium management apparatus 10_1 encrypts and transmits the vehicle and driver status information through the encryption and decryption unit 160, and the premium management server 30 encrypts the driver's propensity information and the vehicle encrypted through the public key. Since the driving information is decoded, the premium management system 1000_1 can prevent the leakage of the personal information of the driver.

도 8은 도 1의 보험료 관리시스템(1000)의 보험료 관리방법에 대한 동작 순서도이다. 8 is a flowchart illustrating an insurance premium management method of the insurance premium management system 1000 of FIG. 1.

도 1 내지 도 6 및 도 8을 참조하면, 먼저, S110 단계에서, 보험료 관리장치(10)는 차량 및 운전자의 상태정보를 수집할 수 있다. 그런 다음, S120 단계에서, 보험료 관리장치(10)는 근거리 통신을 통해 운전자단말(11)과 연결될 수 있다. 1 to 6 and 8, first, in step S110, the premium management apparatus 10 may collect state information of a vehicle and a driver. Then, in operation S120, the premium management apparatus 10 may be connected to the driver terminal 11 through short-range communication.

이때, S130 단계에서, 운전자단말(11)은 근거리 통신을 통해 보험료 관리장치(10)로부터 수집된 차량 및 운전자의 상태정보를 네트워크(20)를 통해 보험료 관리서버(30)로 중계할 수 있다. At this time, in step S130, the driver terminal 11 may relay the vehicle and driver status information collected from the premium management device 10 through the short-range communication to the premium management server 30 through the network 20.

다음으로, S140 단계에서, 보험료 관리서버(30)의 통신부(100)는 보험사서버(50)에 해당 차량의 운전자에 대한 기설정된 사고율정보를 요청하고, S150 단계에서, 보험료 관리서버(30)의 통신부(100)는 보험사서버(50)로부터 해당 운전자의 사고율정보를 전송받을 수 있다. Next, in step S140, the communication unit 100 of the insurance management server 30 requests the insurance company server 50 preset accident rate information for the driver of the vehicle, and in step S150, of the insurance management server 30 The communication unit 100 may receive the accident rate information of the driver from the insurance company server 50.

그런 다음, S160 단계에서, 보험료 관리서버(30)의 학습부(200)는 기설정된 사고율정보와 차량 및 운전자의 상태정보에 대한 머신러닝을 수행하여 운전자의 성향정보와 차량의 운행정보를 학습할 수 있다. Then, in step S160, the learning unit 200 of the premium management server 30 to learn the driver's propensity information and the driving information of the vehicle by performing machine learning on the predetermined accident rate information and the vehicle and driver status information. Can be.

이때, S170 단계에서, 보험료 관리서버(30)의 학습부(200)는 사고율정보에 따른 적어도 하나의 위험요소와 운전자의 성향정보를 비교하고, S175 단계에서, 보험료 관리서버(30)의 학습부(200)는 운전자의 성향정보에 대한 제1 시냅스가중치를 학습할 수 있다. At this time, in step S170, the learning unit 200 of the premium management server 30 compares the driver's propensity information with at least one risk factor according to the accident rate information, and in step S175, the learning unit of the premium management server 30 The 200 may learn a first synaptic weight for the driver's propensity information.

또한, S180 단계에서, 보험료 관리서버(30)의 학습부(200)는 사고율정보에 따른 기준운행거리 및 기준운행시간과 차량의 운행정보를 비교하고, S185 단계에서, 보험료 관리서버(30)의 학습부(200)는 차량의 운행정보에 대한 제2 시냅스가중치를 학습할 수 있다. In addition, in step S180, the learning unit 200 of the premium management server 30 compares the driving information of the vehicle with the standard travel distance and the standard travel time according to the accident rate information, and in step S185, the premium management server 30 The learner 200 may learn a second synaptic weight with respect to the driving information of the vehicle.

그런 다음, S190 단계에서, 보험료 관리서버(30)의 학습부(200)는 운전자의 성향정보에 대한 제1 시냅스가중치와 차량의 운행정보에 대한 제2 시냅스가중치에 기초하여, 머신러닝 네트워크(210)를 생성할 수 있다. Then, in step S190, the learning unit 200 of the premium management server 30 based on the first synaptic weight for the driver's propensity information and the second synaptic weight for the driving information of the vehicle, machine learning network 210 ) Can be created.

이후, S200 단계에서, 보험료 관리서버(30)의 산출부(300)는 머신러닝 네트워크(210)의 제1 및 제2 시냅스가중치와 이전보험료에 기초하여, 상기 운전자의 보험료를 산출할 수 있다. Thereafter, in operation S200, the calculator 300 of the insurance management server 30 may calculate the insurance premium of the driver based on the first and second synaptic weights and the previous insurance premium of the machine learning network 210.

본 출원은 도면에 도시된 일 실시 예를 참고로 설명되었으나 이는 예시적인 것에 불과하며, 본 기술 분야의 통상의 지식을 가진 자라면 이로부터 다양한 변형 및 균등한 타 실시 예가 가능하다는 점을 이해할 것이다. 따라서, 본 출원의 진정한 기술적 보호 범위는 첨부된 등록청구범위의 기술적 사상에 의해 정해져야 할 것이다.Although the present application has been described with reference to one embodiment shown in the drawings, this is merely exemplary, and it will be understood by those skilled in the art that various modifications and equivalent other embodiments are possible. Therefore, the true technical protection scope of the present application will be defined by the technical spirit of the appended claims.

10, 10_1~10_N: 보험료 관리장치
11, 11_1~11_N: 운전자단말
20: 네트워크
30: 보험료 관리서버
50: 보험사서버
100: 통신부
200; 학습부
300: 산출부
1000, 1000_1: 보험료 관리시스템10, 10_1 ~ 10_N: Premium Management Device
11, 11_1 ~ 11_N: Driver's terminal
20: network
30: premium management server
50: insurance company server
100: communication unit
200; Learning Department
300: output unit
1000, 1000_1: Premium Management System

Claims

A communication unit configured to receive preset accident rate information of the driver of the vehicle, state information of the driver, and state information of the vehicle;
A learning unit learning the driving information of the vehicle and the propensity information of the driver through machine learning of the accident rate information, the state information of the vehicle and the driver, and generating a machine learning network based on the propensity information and the driving information; And
An insurance premium management system, based on the machine learning network, including a calculator for calculating an insurance premium.

The method of claim 1,
The learning unit compares at least one risk factor according to the accident rate information with the state information of the driver, and learns a first synaptic weight value for the driver's propensity information.

The method of claim 1,
The learning unit, premium insurance system for learning a second synapse weight value for the driving information of the vehicle by comparing the reference driving distance and the reference travel time according to the accident rate information of the vehicle.

The method of claim 1,
An insurance premium management system connected to the communication unit through a driver terminal, comprising an insurance premium management device for transmitting the status information of the vehicle and the driver.

The method of claim 4, wherein
The premium management apparatus, the sensor unit for detecting the state of the vehicle and the driver;
A short range communication unit performing short range communication with the driver terminal; And
A data processor extracting state information of the vehicle and the driver from the state of the vehicle and the driver;
A power management unit which operates the sensor unit in any one of a sleep mode and an operation mode; And
And a control unit configured to temporarily store state information of the vehicle and the driver in response to a malfunction event of the sensor unit.

The method of claim 5,
The sensor unit includes a gyro sensor for detecting the movement in the X-axis and Y-axis direction of the vehicle,
The learning unit learns the propensity information by comparing acceleration, deceleration, and steering angles of the vehicle extracted from vehicle movements in the X and Y axis directions with rapid acceleration, sudden reduction speed, and rapid rotation angle according to preset accident rate information. Premium management system.

The method of claim 6,
The sensor unit, the GPS module for measuring the position information of the vehicle;
Further comprising a timer for measuring the travel time of the vehicle,
The learning unit, premium insurance system for learning the driving information by comparing the driving distance and the driving time of the vehicle extracted from the position information and the movement time of the vehicle and the reference driving distance and the standard operating time according to a predetermined accident rate information .

The method of claim 6,
The sensor unit, an infrared sensor for detecting a predetermined operation of the driver;
A voice recognition sensor for detecting a preset voice of the driver; And
Further comprising a camera for photographing the predetermined face shape of the driver,
The calculation unit,
When a predetermined motion or voice of the driver is detected through the infrared sensor and the voice recognition sensor, a first penalty is imposed, and when a preset face shape is detected through the camera, a second penalty is imposed. The second penalty is greater than the first penalty.

The method of claim 4, wherein
The insurance premium management device further includes an encryption and decryption unit receiving a public key through the driver terminal, registering a private key corresponding to the public key, and encrypting the vehicle and driver status information using the private key. Premium management system.

As a premium management method of the premium management system,
Collecting, by the premium management apparatus, state information of the vehicle and the driver;
A driver terminal connected to the insurance premium management device through short-range communication to relay state information of the vehicle and the driver to an insurance company management server;
Receiving, by the insurance company management server, accident rate information about a driver of the vehicle from an insurance company server;
Learning, by the insurance company management server, driving information of the vehicle and propensity information of the driver through machine learning of the predetermined accident rate information, the state information of the vehicle and the driver; And
The insurance company management server comprising the step of calculating the insurance premium of the driver based on the machine learning network.