CN105512453B - 一种基于历史里程的车辆风险判断方法和装置 - Google Patents

Abstract

一种基于历史里程的车辆风险判断方法和装置，首先构建里程统计条件，接着依据在不同条件下里程数据的统计信息，建立事故里程矩阵和普通里程矩阵：得到两类矩阵信息后，对其进行数据训练，对每一个里程统计条件给予一个风险判断系数，以风险判断系数与里程数线性组合求和的方法，构建事故线性方程组和普通线性方程组，令事故线性方程组中每一个方程输出结果为1，普通线性方程组中每一个方程等于0。最后用最大似然估计的方法得到线性方程组的解，即风险判断系数的解，得到训练结果。依据训练得到的风险判断系数，可以用其它车辆的里程统计数据计算其风险概率，从而判断该车辆发生事故的可能性，为动态调整车辆保险费用提供了更切合车辆实际的参考。

Description

一种基于历史里程的车辆风险判断方法和装置

技术领域

本发明涉及车辆事故风险评估领域，特别是一种基于历史里程的车辆风险判断方法和装置。

背景技术

在计算车辆保险费率时，传统方法比较难准确判断车辆的实际使用风险以动态调整最合适的保险费用，传统的车辆保险费用由固定的用户数据(如车主年龄、驾龄、车型参数、整车价格)和简单的统计数据(如历史出险次数)决定，没有考虑实际车辆使用情况，并不能反应车辆通常在什么时候驾驶、驾驶路况如何、驾驶行为如何。造成市场上的商业车险均属于无差异的保单，不利于保险企业构建差别化保单。

发明内容

本发明的主要目的在于克服现有技术中的上述缺陷，提出一种基于历史里程的车辆风险判断方法和装置。

本发明采用如下技术方案：

一种基于历史里程的车辆风险判断方法，其特征在于：对于车联网数据库中的数据，预先建立n个里程统计条件，判断步骤如下:

1)将所有有事故记录的车辆在事故发生时间前M个月内的历史里程数据进行统计，构建以里程统计条件为列、事故车辆为行的事故里程矩阵m_ij，i＝1,2,...,L为不同车辆，j＝1,2,...,n为不同里程统计条件，L＞n+1；将所有在M个月内无事故记录的车辆的历史里程数据进行统计，构建以里程统计条件为列、无事故车辆为行的普通里程矩阵m'_ij，i＝1,2,...,K为不同车辆，j＝1,2,...,n为不同里程统计条件，K＞n+1；

2)将事故里程矩阵和普通里程矩阵分别进行归一化处理得到归一化的事故里程矩阵a_ij，i＝1,2,...,L为不同车辆，j＝1,2,...,n为不同里程统计条件，L＞n+1，及归一化的普通里程矩阵c_ij，i＝1,2,...,K为不同车辆，j＝1,2,...,n为不同里程统计条件，K＞n+1；

3)建立由线性方程构成的回归模型：其中j＝1,2,...,n，β₀,β₁,β₂,…,β_n为n+1个风险系数值，g为风险概率，概率值介于0-1之间，0表示肯定不发生事故，1表示肯定发生事故；

4)将归一化的事故里程矩阵a_ij中的每一行带入并设定g＝1，构成一个事故线性方程组；将归一化的普通里程矩阵c_ij中的每一行带入并设定g＝0，构成一个普通线性方程组；将事故线性方程组和普通线性方程组合并得到如下训练方程组：

而后，求解该训练方程组，得到风险系数值β₀,β₁,β₂,…,β_n；

5)对于任意一辆车E，根据n个里程统计条件分别计算该车在最近M个月内的行驶里程矩阵m_j，j＝1,2,...,n，将该行驶里程矩阵m_j进行归一化，得到归一化的行驶里程矩阵e_j，j＝1,2,...,n；

6)根据步骤4)的风险系数值，计算得到该车E的事故风险概率：

g'＝β₀+β₁e₁+β₂e₂+…+β_ne_n。

优选的，在步骤2)中，所述的将事故里程矩阵m_ij进行归一化处理，具体为：将事故里程矩阵m_ij的每一行数据进行累加，得到行累加里程值D_i，将事故里程矩阵m_ij的每一行数据除以对应的D_i，从而得到所述归一化事故里程矩阵

优选的，在步骤2)中，将普通里程矩阵分别进行归一化处理，具体为：将普通里程矩阵m'_ij的每一行数据进行累加，得到行累加里程值D_i＇，将普通里程矩阵m'_ij的每一行数据除以对应的D_i＇，从而得到所述归一化普通里程矩阵

优选的，所述里程统计条件包括车辆在不同速度区间或不同星期日期或一天内的不同时段或不同区域道路的里程。

优选的，在步骤5)中，将行驶里程矩阵m_j进行归一化，是指：将行驶里程矩阵m_j的每个数据进行累加得到再将行驶里程矩阵m_j中每个数据除以D得到所述归一化的行驶里程矩阵

优选的，所述里程统计条件n取27，包括有若干个速度区间、若干个星期日期、若干个不同时段及若干个不同区域道路。

优选的，在步骤4)中，采用最大似然估计法求解所述训练方程组，得到所述风险系数值β₀,β₁,β₂,…,β_n。

一种基于历史里程的车辆风险判断装置，其特征在于：包括

里程统计模块，用于根据里程统计条件对车联网数据库中的数据进行分类统计；

风险系数训练模块，与里程统计模块相连，包括事故车辆里程处理单元和无事故车辆里程处理单元及风险系数计算单元；该事故车辆里程处理单元用于根据里程统计模块统计的数据构建事故里程矩阵并进行归一化处理；该无事故车辆里程处理单元用于根据里程统计模块统计的数据构建普通里程矩阵并进行归一化处理；该风险系数计算单元应用根据归一化的事故里程矩阵和归一化的普通里程矩阵构建训练方程组并采用最大似然估计法求解该训练方程组，从而得到风险系数值；

风险判断模块，与里程统计模块和风险系数训练模块相连，用于根据里程统计模块统计的数据得到任一车辆的行驶里程矩阵并进行归一化处理，再结合得到的风险系数值计算得到事故风险概率；

车联网数据库，与里程统计模块相连，用于存储所有车辆的历史行驶数据，包括有GPS位置、里程、时间、车速和事故记录。

由上述对本发明的描述可知，与现有技术相比，本发明具有如下有益效果：

本发明利用车联网数据库中的这些信息自动判断车辆风险情况，首先构建里程统计条件，里程统计条件由不同时间、速度、线路等条件构成，在这些条件下统计里程反映了在不同因素下车辆的使用倾向。接着依据在不同条件下里程数据的统计信息，建立事故里程矩阵和普通里程矩阵：事故里程矩阵由发生事故报警车辆在事故前的一个时间段内各里程统计条件下的里程数据组成；普通里程矩阵由在一个时间段内没发生事故的车辆在各里程统计条件下的里程数据组成。得到两类矩阵信息后，对其进行数据训练，对每一个里程统计条件给予一个风险判断系数，以风险判断系数与里程数线性组合求和的方法，构建事故线性方程组和普通线性方程组，令事故线性方程组中每一个方程输出结果为1，表示肯定发生事故，普通线性方程组中每一个方程等于0，表示肯定不发生事故。最后用最大似然估计的方法得到线性方程组的解，即风险判断系数的解，得到训练结果。依据训练得到的风险判断系数，可以用其它车辆的里程统计数据计算其风险概率，从而判断该车辆发生事故的可能性，为动态调整车辆保险费用提供了更切合车辆实际的参考。

附图说明

图1为本发明装置示意图。

具体实施方式

以下通过具体实施方式对本发明作进一步的描述。

在实际的车联网***中，车联网数据库中记录了许多车辆的历史行驶数据，包括：GPS位置、里程、时间、车速、事故记录等，将GPS位置结合地理信息***，还可以得到车辆行驶的道路等级、城区或郊区、是否超过路段限速等信息。

本发明的一种基于历史里程的车辆风险判断方法，对于车联网数据库中的数据，预先建立27个里程统计条件，具体包括如下：

a)车辆在不同速度区间下的里程。车辆在不同速度区间下的里程统计数据，代表了车辆使用时速度快慢的情况。例如以每30km/h速度差为一个档次，将车速度分为5档，其中高于120km/h的车速度归为一个档，因此共有5个在不同速度下的里程统计条件，如下表1：

表1

条件	1	2	3	4	5
						速度区间	0-30km/h	30-60km/h	60-90km/h	90-120km/h	>120km/h

b)车辆在不同星期日期下的里程。其代表了车辆在一周内的使用规律情况。本发明以每周一到周天为条件，统计各条件下的里程，因此共有7个在不同星期下的里程统计条件，如下表2：

表2

条件	6	7	8	9	10	11	12
								星期日期	星期一	星期二	星期三	星期四	星期五	星期六	星期天

c)车辆在一天不同时段下的里程。其代表了车辆在一天内的使用情况，例如是否在上下班高峰期使用，是否在凌晨疲劳高危时段使用等。将一天时间以每2小时为区间，划分为12个统计条件3：

表3

d)车辆在不同区域道路下的里程。其代表了车辆在不同地理环境下的使用情况，例如是否常跑高速、是否常在市区内行驶等。将区域分为3个统计条件，如下表4：

表4

条件	25	26	27
				区域	高速公路	城区道路	非城区道路

具体的方法步骤如下：

1)将所有有事故记录的车辆在事故发生时间前6个月内的历史里程数据进行统计，构建以里程统计条件为列、事故车辆为行的事故里程矩阵m_ij，i＝1,2,...,L为不同车辆，j＝1,2,...,27为不同里程统计条件，L＞28；将所有在6个月内无事故记录的车辆的历史里程数据进行统计，构建以里程统计条件为列、无事故车辆为行的普通里程矩阵m'_ij，i＝1,2,...,K为不同车辆，j＝1,2,...,27为不同里程统计条件，K＞28。

2)将事故里程矩阵和普通里程矩阵分别进行归一化处理得到归一化的事故里程矩阵a_ij，所述的将事故里程矩阵m_ij进行归一化处理，具体为：将事故里程矩阵m_ij的每一行数据进行累加，得到行累加里程值D_i，将事故里程矩阵m_ij的每一行数据除以对应的D_i，从而得到所述归一化事故里程矩阵 为不同车辆，j＝1,2,...,27为不同里程统计条件，L＞28。

将普通里程矩阵分别进行归一化处理，具体为：将普通里程矩阵m'_ij的每一行数据进行累加，得到行累加里程值D_i＇，将普通里程矩阵m'_ij的每一行数据除以对应的D_i＇，从而得到所述归一化普通里程矩阵 为不同车辆，j＝1,2,...,27为不同里程统计条件，K＞28。

3)建立由线性方程构成的回归模型：其中j＝1,2,...,27，β₀,β₁,β₂,…,β_n为28个风险系数值，g为风险概率，概率值介于0-1之间，0表示肯定不发生事故，1表示肯定发生事故。

4)将归一化的事故里程矩阵a_ij中的每一行带入并设定g＝1，构成一个事故线性方程组；将归一化的普通里程矩阵c_ij中的每一行带入并设定g＝0，构成一个普通线性方程组；将事故线性方程组和普通线性方程组合并得到如下训练方程组：

其中，方程个数大于风险系数个数，而后，采用最大似然估计法求解4)中的训练方程组，得到风险系数值β₀,β₁,β₂,…,β_n。

5)对于任意一辆车E，根据27个里程统计条件分别计算该车在最近6个月内的行驶里程矩阵m_j，j＝1,2,...,27，将该行驶里程矩阵m_j进行归一化，得到归一化的行驶里程矩阵e_j，j＝1,2,...,27；在步骤5)中，将行驶里程矩阵m_j进行归一化，是指：将行驶里程矩阵m_j的每个数据进行累加得到再将行驶里程矩阵m_j中每个数据除以D得到所述归一化的行驶里程矩阵

6)根据步骤4)的风险系数值，计算得到该车E的事故风险概率：g'＝β₀+β₁e₁+β₂e₂+…+β_ne_n。计算g＇是否接近1，取T＝|g＇-1|如果T小于一个较小的数ε(T<ε，ε<0.01)，则表明g＇很接近1，即表示根据车E近六个月的里程行驶情况，很有可能将会发生事故，因此适当提高调整该车下年保费；如果g＇不接近1，则判断g＇是否接近于0，以同样较小的数ε为参照，如果|g＇|<ε(ε<0.01)，则g＇很接近于0，即表示根据车E近六个月的里程行驶情况，可能将会发生事故的概率很低，可适当降低调整该车下年保费。

参照图1，本发明还提出一种基于历史里程的车辆风险判断装置，包括

里程统计模块，用于根据里程统计条件对车联网数据库中的数据进行分类统计。

风险系数训练模块，与里程统计模块相连，包括事故车辆里程处理单元和无事故车辆里程处理单元及风险系数计算单元；该事故车辆里程处理单元用于根据里程统计模块统计的数据构建事故里程矩阵并进行归一化处理；该无事故车辆里程处理单元用于根据里程统计模块统计的数据构建普通里程矩阵并进行归一化处理；该风险系数计算单元应用根据归一化的事故里程矩阵和归一化的普通里程矩阵构建训练方程组并采用最大似然估计法求解该训练方程组，从而得到风险系数值。

风险判断模块，与里程统计模块和风险系数训练模块相连，用于根据里程统计模块统计的数据得到任一车辆的行驶里程矩阵并进行归一化处理，再结合得到的风险系数值计算得到事故风险概率。

车联网数据库，与里程统计模块相连，用于存储所有车辆的历史行驶数据，包括有GPS位置、里程、时间、车速和事故记录。

本发明利用车联网数据库中的这些信息自动判断车辆风险情况，首先构建里程统计条件，里程统计条件由不同时间、速度、线路等条件构成，在这些条件下统计里程反映了在不同因素下车辆的使用倾向。接着依据在不同条件下里程数据的统计信息，建立事故里程矩阵和普通里程矩阵：事故里程矩阵由发生事故报警车辆在事故前的一个时间段内各里程统计条件下的里程数据组成；普通里程矩阵由在一个时间段内没发生事故的车辆在各里程统计条件下的里程数据组成。得到两类矩阵信息后，对其进行数据训练，对每一个里程统计条件给予一个风险判断系数，以风险判断系数与里程数线性组合求和的方法，构建事故线性方程组和普通线性方程组，令事故线性方程组中每一个方程输出结果为1，表示肯定发生事故，普通线性方程组中每一个方程等于0，表示肯定不发生事故。最后用最大似然估计的方法得到线性方程组的解，即风险判断系数的解，得到训练结果。依据训练得到的风险判断系数，可以用其它车辆的里程统计数据计算其风险概率，从而判断该车辆发生事故的可能性，为动态调整车辆保险费用提供了更切合车辆实际的参考。

上述仅为本发明的具体实施方式，但本发明的设计构思并不局限于此，凡利用此构思对本发明进行非实质性的改动，均应属于侵犯本发明保护范围的行为。

Claims (8)

1.一种基于历史里程的车辆风险判断方法，其特征在于：对于车联网数据库中的数据，预先建立n个里程统计条件，判断步骤如下:

1)将所有有事故记录的车辆在事故发生时间前M个月内的历史里程数据进行统计，构建以里程统计条件为列、事故车辆为行的事故里程矩阵m_ij，i＝1,2,...,L为不同车辆，j＝1,2,...,n为不同里程统计条件，L＞n+1；将所有在M个月内无事故记录的车辆的历史里程数据进行统计，构建以里程统计条件为列、无事故车辆为行的普通里程矩阵m'_ij，i＝1,2,...,K为不同车辆，j＝1,2,...,n为不同里程统计条件，K＞n+1；

2)将事故里程矩阵和普通里程矩阵分别进行归一化处理得到归一化的事故里程矩阵a_ij，i＝1,2,...,L为不同车辆，j＝1,2,...,n为不同里程统计条件，L＞n+1，及归一化的普通里程矩阵c_ij，i＝1,2,...,K为不同车辆，j＝1,2,...,n为不同里程统计条件，K＞n+1；

3)建立由线性方程构成的回归模型：其中j＝1,2,...,n，β₀,β₁,β₂,…,β_n为n+1个风险系数值，g为风险概率，概率值介于0-1之间，0表示肯定不发生事故，1表示肯定发生事故；

4)将归一化的事故里程矩阵a_ij中的每一行带入并设定g＝1，构成一个事故线性方程组；将归一化的普通里程矩阵c_ij中的每一行带入并设定g＝0，构成一个普通线性方程组；将事故线性方程组和普通线性方程组合并得到如下训练方程组：

而后，求解该训练方程组，得到风险系数值β₀,β₁,β₂,…,β_n；

5)对于任意一辆车E，根据n个里程统计条件分别计算该车在最近M个月内的行驶里程矩阵m_j，j＝1,2,...,n，将该行驶里程矩阵m_j进行归一化，得到归一化的行驶里程矩阵e_j，j＝1,2,...,n；

6)根据步骤4)的风险系数值，计算得到该车E的事故风险概率：

g'＝β₀+β₁e₁+β₂e₂+…+β_ne_n。

2.如权利要求1所述的一种基于历史里程的车辆风险判断方法，其特征在于:在步骤2)中，所述的将事故里程矩阵m_ij进行归一化处理，具体为：

将事故里程矩阵m_ij的每一行数据进行累加，得到行累加里程值D_i，将事故里程矩阵m_ij的每一行数据除以对应的D_i，从而得到所述归一化事故里程矩阵

3.如权利要求1所述的一种基于历史里程的车辆风险判断方法，其特征在于：在步骤2)中，将普通里程矩阵分别进行归一化处理，具体为：将普通里程矩阵m'_ij的每一行数据进行累加，得到行累加里程值D_i＇，将普通里程矩阵m'_ij的每一行数据除以对应的D_i＇，从而得到所述归一化普通里程矩阵

4.如权利要求1所述的一种基于历史里程的车辆风险判断方法，其特征在于：所述里程统计条件包括车辆在不同速度区间或不同星期日期或一天内的不同时段或不同区域道路的里程。

5.如权利要求要求1所述的一种基于历史里程的车辆风险判断方法，其特征在于：在步骤5)中，将行驶里程矩阵m_j进行归一化，是指：将行驶里程矩阵m_j的每个数据进行累加得到再将行驶里程矩阵m_j中每个数据除以D得到所述归一化的行驶里程矩阵

6.如权利要求1所述的一种基于历史里程的车辆风险判断方法，其特征在于：所述里程统计条件n取27，包括有若干个速度区间、若干个星期日期、若干个不同时段及若干个不同区域道路。

7.如权利要求1所述的一种基于历史里程的车辆风险判断方法，其特征在于：在步骤4)中，采用最大似然估计法求解所述训练方程组，得到所述风险系数值β₀,β₁,β₂,…,β_n。

8.一种基于历史里程的车辆风险判断装置，其特征在于：包括

里程统计模块，用于根据里程统计条件对车联网数据库中的数据进行分类统计；

风险系数训练模块，与里程统计模块相连，包括事故车辆里程处理单元和无事故车辆里程处理单元及风险系数计算单元；该事故车辆里程处理单元用于根据里程统计模块统计的数据构建事故里程矩阵并进行归一化处理；该无事故车辆里程处理单元用于根据里程统计模块统计的数据构建普通里程矩阵并进行归一化处理；该风险系数计算单元应用根据归一化的事故里程矩阵和归一化的普通里程矩阵构建训练方程组并采用最大似然估计法求解该训练方程组，从而得到风险系数值；

风险判断模块，与里程统计模块和风险系数训练模块相连，用于根据里程统计模块统计的数据得到任一车辆的行驶里程矩阵并进行归一化处理，再结合得到的风险系数值计算得到事故风险概率；

车联网数据库，与里程统计模块相连，用于存储所有车辆的历史行驶数据，包括有GPS位置、里程、时间、车速和事故记录。