CN108492023A - 一种基于轨迹分析的车贷风控方法 - Google Patents

一种基于轨迹分析的车贷风控方法 Download PDF

Info

Publication number
CN108492023A
CN108492023A CN201810222897.0A CN201810222897A CN108492023A CN 108492023 A CN108492023 A CN 108492023A CN 201810222897 A CN201810222897 A CN 201810222897A CN 108492023 A CN108492023 A CN 108492023A
Authority
CN
China
Prior art keywords
vehicle
risk
air control
abnormal
borrows
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Pending
Application number
CN201810222897.0A
Other languages
English (en)
Inventor
陈铁明
任栋
吕明琪
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Zhejiang University of Technology ZJUT
Original Assignee
Zhejiang University of Technology ZJUT
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Zhejiang University of Technology ZJUT filed Critical Zhejiang University of Technology ZJUT
Priority to CN201810222897.0A priority Critical patent/CN108492023A/zh
Publication of CN108492023A publication Critical patent/CN108492023A/zh
Pending legal-status Critical Current

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q10/00—Administration; Management
    • G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
    • G06Q10/063—Operations research, analysis or management
    • G06Q10/0635—Risk analysis of enterprise or organisation activities
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/23—Clustering techniques
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
    • G06F18/2411—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on the proximity to a decision surface, e.g. support vector machines
    • 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
    • G06Q40/03—Credit; Loans; Processing thereof

Landscapes

  • Engineering & Computer Science (AREA)
  • Business, Economics & Management (AREA)
  • Theoretical Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • Physics & Mathematics (AREA)
  • Human Resources & Organizations (AREA)
  • General Physics & Mathematics (AREA)
  • Strategic Management (AREA)
  • Economics (AREA)
  • Accounting & Taxation (AREA)
  • Development Economics (AREA)
  • Evolutionary Computation (AREA)
  • Evolutionary Biology (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Finance (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Marketing (AREA)
  • Artificial Intelligence (AREA)
  • General Engineering & Computer Science (AREA)
  • General Business, Economics & Management (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Technology Law (AREA)
  • Educational Administration (AREA)
  • Game Theory and Decision Science (AREA)
  • Operations Research (AREA)
  • Quality & Reliability (AREA)
  • Tourism & Hospitality (AREA)
  • Emergency Alarm Devices (AREA)

Abstract

一种基于轨迹分析的车贷风控方法，包括以下步骤：S1、生成异常轨迹检测模型；S2、生成异常行为检测模型；S3、基于层次分析法的风险打分，过程如下：S31、使用层次分析法AHP对车贷风险分析，建立判断矩阵；S32、打分和评估车贷风控：通过S31建立的判断矩阵，用于对车贷风险控制进行打分，所打出的分数量化的用于评估车贷风险的高低。本发明对车贷风险控制进行打分，并量化评估车贷风险的高低。与现有的车贷风控方法相比，考虑到了人与车的关联，更准确高效的检测车辆行驶的异常轨迹,可以做到及时的预警，这也将会大大的降低汽车金融的风险。

Description

一种基于轨迹分析的车贷风控方法
技术领域
本发明涉及异常检测和移动群智感知技术领域,具体涉及一种基于轨迹分析的车贷风控方法。
背景技术
移动群智感知是基于群体感知的一种普适计算感知模式。由静态感知(例如为监测环境在城市内大规模部署的传感器)、个体感知逐渐发展而来。移动群智感知通过大量持有移动感知设备(智能手机、平板电脑)的群体人员组织起来,以某种方式使他们之间进行协作来共同完成个体很难完成的任务。基于移动群智感知技术，研究人员提出并实现了很多具有现实价值的应用,比如采集各地噪音的***应用、监测路况的***应用等。这些应用的出现,给用户提供了更加丰富的情景感知信息与智能化的普适服务,提高了人们的生活质量。
随着经济社会的发展,汽车成为人们出行的主要交通方式,汽车的拥有量也越来越高,关于车贷的相关业务也日渐迅猛的发展起来了。但是也出现了很多汽车金融公司被他人利用虚假资料诈骗信贷资金和车辆再次租赁给他人等情况，甚至出现车完全报废的情况，导致信贷资金亏损，这给汽车金融公司带来技术上的难题,也不利于对用户的风险进行评估。
车贷的主要风险是车辆不合理的管控，没有考虑到人与车的关联和借贷人的信誉，大大的增加了风险。鉴于汽车内部设备的发展和移动群智感知技术的提高,记录司机驾驶过程已成为可能。例如大众熟知的GPS就能记录行驶过程的经纬度和速度,OBD(车载诊断***)可以记录发动机转速,油耗等车辆信息,司机携带的手机可以利用自身的传感器(主要包括陀螺仪,加速度计,GPS等)来记录司机行驶过程中司机行为和车辆的状态。基于以上技术和应用背景,针对车贷风险控制的问题,研究者可以利用丰富的汽车内部数据和传感器数据来通过与该车辆之前的行驶轨迹及车辆的日常行驶行为进行对比，检测车辆是否是异常行驶。
现有的车贷风控更多考虑的是车辆内部零件是否存在损坏或者异常消耗的问题，对于驾驶司机的行为异常考虑欠缺,从内部零件参数方面分析不是很全面。另一方面，有关异常检测问题中,已有专利中在车贷风控方面基本没有把车和人结合起来，更是缺乏对相关问题的研究。
发明内容
为了克服已有技术的无法量化评估车贷风险的高低的不足，本发明提供了一种量化评估车贷风险的高低、降低汽车金融的风险的基于轨迹分析的车贷风控方法。
本发明解决其技术问题所采用的技术方案是：
一种基于轨迹分析的车贷风控方法，该方法通过与车辆之前的行驶轨迹及车辆的日常行驶行为进行对比，检测该车辆是否是异常行驶，包括以下步骤：
S1、生成异常轨迹检测模型，过程如下；
S11、获取待检测用户的正常行驶轨迹：从车主甲行驶轨迹中选取所有标签为正常的行驶轨迹，形成车主甲的正常轨迹集；
S12、对原始数据进行特征提取：将由经纬度按天组成的日常轨迹根据停留点划分为子轨迹，并计算子轨迹之间的Hausdorff距离，提取特征；
S13、特征选择：对S12中提取的特征进行特征选择；
S14、使用One Class SVM分类器进行训练：将S11中正常轨迹作为正样本数据集，用于学习边界，并以此进行分类；
S2、生成异常行为检测模型，过程如下：
S21、获取用户历史轨迹中频繁访问的地点：根据车主甲的运行轨迹进行分析，确定停留点，并将高度频繁出现的停留点确定为参考地点；
S22、获取用户频繁访问的地点构建每天活动模型：将1天的活动建模为地点偏好矩阵OA，其中的每一行表示提取的参考地点，并且其每一列表示一天的离散时间跨度；
S23、使用每天活动聚类算法：使用余弦相似度度量S22中地点偏好矩阵间的相似度，然后使用DBSCAN聚类算法对矩阵进行聚类，观察分簇情况；
S24、使用余弦相似度匹配，检测异常行为：将S22中的地点偏好矩阵与分簇后各个类簇的中心进行余弦相似度相比较，用于检测异常行为；
S3、基于层次分析法的风险打分，过程如下：
S31、使用层次分析法AHP对车贷风险分析，建立判断矩阵；
S32、打分和评估车贷风控：通过S31建立的判断矩阵，用于对车贷风险控制进行打分，所打出的分数量化的用于评估车贷风险的高低。
进一步，所述S31中，使用层次分析法AHP对车贷风险分析的步骤如下：
(311)分析问题，确定车贷风控的七种异常行为，分别为：车辆长时间静止不动,常用地址与实际不符,危险地点停留超时,GPS离线时间超长,行驶轨迹异常，行驶行为异常和驶出区域围栏；
(312)车贷风控的七种要素两两比较，并根据评定尺度确定其相对重要程度，最后根据相对重要程度建立判断矩阵；
(313)根据判断矩阵分别求七种要素各自的权重值并进行一致性检验，根据判断矩阵，求出其最大特征值及其所对应的特征向量，归一化后，分别求七种要素各自的权重值。
本发明一种基于轨迹分析的车贷风控方法,通过与该车辆之前的行驶轨迹及车辆的日常行驶行为进行对比,检测车辆是否是异常行驶。
为了充分利用汽车内部装置数据和手机传感器数据,针对车贷金融行业中汽车行驶异常检测问题,本发明对车辆行驶异常作了定义，其分为异常轨迹和异常行为两种,并分析了记录驾驶轨迹的各种传感器数据,利用这些信息提出了一种基于轨迹分析的车贷风控方法。
本发明利用分类和聚类算法构建异常轨迹检测模型和异常行为检测模型，并通过层次分析法，生成相应的权重，用于对车贷风险控制进行打分，并评估车贷风险的高低。
本发明的有益效果主要表现在：与现有的车贷风控方法相比，考虑到了人与车的关联，更准确高效的检测车辆行驶的异常轨迹,可以做到及时的预警，这也将会大大的降低汽车金融的风险。
附图说明
图1是本发明一种基于轨迹分析的车贷风控方法步骤示意图；
图2是本发明一种基于轨迹分析的车贷风控方法异常行驶检测示意图；
图3是本发明一种基于用户频繁访问的地点构建每天活动模型示意图；
图4是本发明一种相对重要程度定量描述示意图；
图5是本发明一种基于层次分析法对车贷风控分析示意图。
具体实施方式
下面结合附图对本发明作进一步描述。
参照图1～图5，一种基于轨迹分析的车贷风控方法，该方法通过与车辆之前的行驶轨迹及车辆的日常行驶行为进行对比，检测该车辆是否是异常行驶，包括以下步骤：
S1、生成异常轨迹检测模型，过程如下；
S11、获取待检测用户的正常行驶轨迹：从车主甲行驶轨迹中选取所有标签为正常的行驶轨迹，形成车主甲的正常轨迹集；
S12、对原始数据进行特征提取：将由经纬度按天组成的日常轨迹根据停留点划分为子轨迹，并计算子轨迹之间的Hausdorff距离，提取特征；
S13、特征选择：对S12中提取的特征进行特征选择；
S14、使用One Class SVM分类器进行训练：将S11中正常轨迹作为正样本数据集，用于学习边界，并以此进行分类；
S2、生成异常行为检测模型，过程如下：
S21、获取用户历史轨迹中频繁访问的地点：根据车主甲的运行轨迹进行分析，确定停留点，并将高度频繁出现的停留点确定为参考地点；
S22、获取用户频繁访问的地点构建每天活动模型：将1天的活动建模为地点偏好矩阵OA，其中的每一行表示提取的参考地点，并且其每一列表示一天的离散时间跨度；
S23、使用每天活动聚类算法：使用余弦相似度度量S22中地点偏好矩阵间的相似度，然后使用DBSCAN聚类算法对矩阵进行聚类，观察分簇情况；
S24、使用余弦相似度匹配，检测异常行为：将S22中的地点偏好矩阵与分簇后各个类簇的中心进行余弦相似度相比较，用于检测异常行为；
S3、基于层次分析法的风险打分，过程如下：
S31、使用层次分析法AHP对车贷风险分析，建立判断矩阵；
S32、打分和评估车贷风控：通过S31建立的判断矩阵，用于对车贷风险控制进行打分，所打出的分数量化的用于评估车贷风险的高低。
本实施例的基于轨迹分析的车贷风控方法，包括以下步骤：
S1、生成异常轨迹检测模型，过程如下：
检测一名车贷车主(车主甲)驾驶车辆的行驶轨迹是否存在异常的具体方法为：
S11、获取待检测用户的正常行驶轨迹：从车主甲行驶轨迹中选取所有标签为正常的行驶轨迹，形成车主甲的正常轨迹集。
用汽车内部导航装置和手机传感器获取车辆行驶状态数据和司机驾驶行为数据；对原始数据集进行清洗得到特征数据和标注数据,对清洗出的特征和标注数据进行处理。
S12、对原始数据进行特征提取：本实例中将由经纬度按天组成的日常轨迹根据停留点划分为子轨迹，并计算子轨迹之间的Hausdorff距离,并根据每条子轨迹计算所求的Hausdorff距离，将其的均值，最大值，最小值，中位数，高于已设定阈值的个数和低于已设定阈值的个数，提取作为特征。
S13、为了提高预测的准确度并构造计算复杂度更低的预测模型,对S12中提取的特征进行特征选择。
S14、使用One Class SVM分类器进行训练：使用One Class SVM分类器进行训练，训练集中只有一类positive(或者negative)的数据，将S11中正常轨迹作为正样本数据集，用于学习边界，并以此进行分类。
S2、生成异常行为检测模型，过程如下：
检测一名车贷车主(车主甲)日常驾驶行为是否存在异常的具体方法为：
S21、获取用户历史轨迹中频繁访问的地点：对车主甲的运行轨迹进行分析，停留点是VP＝(p,tin,tout)的三元组，其中p是GPS点，tin和tout是时间戳，并且访问点代表用户停留时间长于时间阈值(即dtime)的位置p(即tout-tin>dtime)。高度频繁出现的停留点就是参考地点。
S22、获取用户频繁访问的地点构建每天活动模型：将1天的活动建模为地点偏好矩阵OA，由地点偏好矩阵组成的集合即训练集，其中的每一行表示提取的参考地点，并且其每一列表示一天的离散时间跨度。每个条目eij(1<＝i<＝d，1<＝j<＝T，d是参考地点的数量，T是离散时间跨度的数量)是在当日的第j时间跨度期间用户停留在第i个参考地点的持续时间。
例如，假设1天分成24个时间跨度，车主甲在特定的一天访问了两个地点(即家庭，实验室)。“在路上”是指在家庭和实验室之间路途上所花费的时间。如图3描绘所示是车主甲每天活动模型。
S23、使用用户日常的每天活动聚类算法：使用余弦相似度度量S22中地点偏好矩阵间的相似度，然后使用DBSCAN聚类算法对矩阵进行聚类，观察分簇情况。
S24、使用余弦相似度匹配，检测异常行为：将S22中的地点偏好矩阵与分簇后各个类簇的中心进行余弦相似度相比较，该地点偏好矩阵越接近某个类簇的中心，就说明它属于那个类簇。如果该地点偏好矩阵都不接近于任何一个类簇中心，就说明它属于异常行为。
S3、基于层次分析法的风险打分，过程如下：
通过建立的判断矩阵，对车贷风险进行打分，量化并评估车贷风险的高低，用于控制风险。具体方法为：
S31、层次分析法AHP：
使用层次分析法(AHP)对车贷风险分析可分为以下三个步骤：(311)分析问题，如图5所示确定车贷风控的七种异常行为，分别为：车辆长时间静止不动,常用地址与实际不符,危险地点停留超时,GPS离线时间超长,行驶轨迹异常，行驶行为异常,驶出区域围栏。(312)车贷风控的七种要素两两比较，并根据如图4所示的评定尺度确定其相对重要程度，最后根据相对重要程度建立判断矩阵。(313)根据判断矩阵分别求七种要素各自的权重值并进行一致性检验，根据判断矩阵，求出其最大特征值。及其所对应的特征向量，归一化后，分别求七种要素各自的权重值。
S32、打分和评估车贷风控：
通过S31建立的判断矩阵，用于对车贷风险进行打分，所打出的分数用于评估车贷风险的高低，当所打出的分数超过某个已设定好的阀值时，可以及时预警。

Claims (2)

1.一种基于轨迹分析的车贷风控方法，其特征在于：该方法通过与车辆之前的行驶轨迹及车辆的日常行驶行为进行对比，检测该车辆是否是异常行驶，包括以下步骤：
S1、生成异常轨迹检测模型，过程如下；
S11、获取待检测用户的正常行驶轨迹：从车主甲行驶轨迹中选取所有标签为正常的行驶轨迹，形成车主甲的正常轨迹集；
S12、对原始数据进行特征提取：将由经纬度按天组成的日常轨迹根据停留点划分为子轨迹，并计算子轨迹之间的Hausdorff距离，提取特征；
S13、特征选择：对S12中提取的特征进行特征选择；
S14、使用One Class SVM分类器进行训练：将S11中正常轨迹作为正样本数据集，用于学习边界，并以此进行分类；
S2、生成异常行为检测模型，过程如下：
S21、获取用户历史轨迹中频繁访问的地点：根据车主甲的运行轨迹进行分析，确定停留点，并将高度频繁出现的停留点确定为参考地点；
S22、获取用户频繁访问的地点构建每天活动模型：将1天的活动建模为地点偏好矩阵OA，其中的每一行表示提取的参考地点，并且其每一列表示一天的离散时间跨度；
S23、使用每天活动聚类算法：使用余弦相似度度量S22中地点偏好矩阵间的相似度，然后使用DBSCAN聚类算法对矩阵进行聚类，观察分簇情况；
S24、使用余弦相似度匹配，检测异常行为：将S22中的地点偏好矩阵与分簇后各个类簇的中心进行余弦相似度相比较，用于检测异常行为；
S3、基于层次分析法的风险打分，过程如下：
S31、使用层次分析法AHP对车贷风险分析，建立判断矩阵；
S32、打分和评估车贷风控：通过S31建立的判断矩阵，用于对车贷风险控制进行打分，所打出的分数量化的用于评估车贷风险的高低。
2.如权利要求1所述的一种基于轨迹分析的车贷风控方法，其特征在于：所述S31中，使用层次分析法AHP对车贷风险分析的步骤如下：
(311)分析问题，确定车贷风控的七种异常行为，分别为：车辆长时间静止不动,常用地址与实际不符,危险地点停留超时,GPS离线时间超长,行驶轨迹异常，行驶行为异常和驶出区域围栏；
(312)车贷风控的七种要素两两比较，并根据评定尺度确定其相对重要程度，最后根据相对重要程度建立判断矩阵；
(313)根据判断矩阵分别求七种要素各自的权重值并进行一致性检验，根据判断矩阵，求出其最大特征值及其所对应的特征向量，归一化后，分别求七种要素各自的权重值。
CN201810222897.0A 2018-03-19 2018-03-19 一种基于轨迹分析的车贷风控方法 Pending CN108492023A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201810222897.0A CN108492023A (zh) 2018-03-19 2018-03-19 一种基于轨迹分析的车贷风控方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201810222897.0A CN108492023A (zh) 2018-03-19 2018-03-19 一种基于轨迹分析的车贷风控方法

Publications (1)

Publication Number Publication Date
CN108492023A true CN108492023A (zh) 2018-09-04

Family

ID=63339752

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201810222897.0A Pending CN108492023A (zh) 2018-03-19 2018-03-19 一种基于轨迹分析的车贷风控方法

Country Status (1)

Country Link
CN (1) CN108492023A (zh)

Cited By (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109754568A (zh) * 2019-01-15 2019-05-14 深圳华云网科技有限公司 车贷后车辆多天未行驶告警方法
CN110473085A (zh) * 2019-08-13 2019-11-19 优必爱信息技术（北京）有限公司 一种车辆风险判别方法和装置
CN111046303A (zh) * 2019-11-20 2020-04-21 北京文安智能技术股份有限公司 一种热点区域的自动检测方法、装置及***
CN111429268A (zh) * 2020-03-30 2020-07-17 上海德易车信息科技有限公司 一种车辆信贷风险检测方法、终端设备和存储介质
CN111612372A (zh) * 2020-05-29 2020-09-01 上海万位科技有限公司 一种基于运营状况的商用车违约风险预警方法
CN112131279A (zh) * 2020-09-29 2020-12-25 上海万位科技有限公司 基于大数据的汽车数据管理方法、计算机设备及存储介质
CN113423063A (zh) * 2021-06-11 2021-09-21 芜湖雄狮汽车科技有限公司 基于车载t-box的车辆监控方法、装置、车辆及介质
CN113492796A (zh) * 2020-04-02 2021-10-12 易微行（北京）科技有限公司 一种汽车金融风控方法及装置
CN116308763A (zh) * 2023-05-19 2023-06-23 北京泛钛客科技有限公司 基于卷积自编码器的车贷贷后风险预测方法及***
CN111612372B (zh) * 2020-05-29 2024-08-02 上海万位科技有限公司 一种基于运营状况的商用车违约风险预警方法

Citations (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102724039A (zh) * 2011-03-30 2012-10-10 程建岭 一种身份证复印件信息认证的方法
CN105678457A (zh) * 2016-01-06 2016-06-15 成都小步创想畅联科技有限公司 基于地点挖掘的用户行为评估方法
CN105894369A (zh) * 2015-01-04 2016-08-24 必普(上海)金融信息服务有限公司 一种对互联网金融网贷平台的风险评估模型
CN105976237A (zh) * 2016-04-28 2016-09-28 深圳市标越科技股份有限公司 一种防控贷款风险的方法及其车载***
CN106314438A (zh) * 2016-08-15 2017-01-11 西北工业大学 一种司机驾驶轨迹中异常轨迹的检测方法和***
CN106384326A (zh) * 2016-09-30 2017-02-08 青岛智车品信息科技有限公司 贷款车辆欺诈聚集的预警***及方法
CN107231345A (zh) * 2017-05-03 2017-10-03 成都国腾实业集团有限公司 基于ahp的网络用户行为风险评估方法
CN107292736A (zh) * 2017-08-08 2017-10-24 广州翼速物联科技有限公司 汽车贷款及贷后管理***
CN110473085A (zh) * 2019-08-13 2019-11-19 优必爱信息技术（北京）有限公司 一种车辆风险判别方法和装置

Patent Citations (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102724039A (zh) * 2011-03-30 2012-10-10 程建岭 一种身份证复印件信息认证的方法
CN105894369A (zh) * 2015-01-04 2016-08-24 必普(上海)金融信息服务有限公司 一种对互联网金融网贷平台的风险评估模型
CN105678457A (zh) * 2016-01-06 2016-06-15 成都小步创想畅联科技有限公司 基于地点挖掘的用户行为评估方法
CN105976237A (zh) * 2016-04-28 2016-09-28 深圳市标越科技股份有限公司 一种防控贷款风险的方法及其车载***
CN106314438A (zh) * 2016-08-15 2017-01-11 西北工业大学 一种司机驾驶轨迹中异常轨迹的检测方法和***
CN106384326A (zh) * 2016-09-30 2017-02-08 青岛智车品信息科技有限公司 贷款车辆欺诈聚集的预警***及方法
CN107231345A (zh) * 2017-05-03 2017-10-03 成都国腾实业集团有限公司 基于ahp的网络用户行为风险评估方法
CN107292736A (zh) * 2017-08-08 2017-10-24 广州翼速物联科技有限公司 汽车贷款及贷后管理***
CN110473085A (zh) * 2019-08-13 2019-11-19 优必爱信息技术（北京）有限公司 一种车辆风险判别方法和装置

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
段昊: ""基于P2P网贷平台特点的信用体系实证研究"", 《中国优秀硕士学学位论文全文数据库 经济与管理科学辑》 *

Cited By (12)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109754568A (zh) * 2019-01-15 2019-05-14 深圳华云网科技有限公司 车贷后车辆多天未行驶告警方法
CN110473085A (zh) * 2019-08-13 2019-11-19 优必爱信息技术（北京）有限公司 一种车辆风险判别方法和装置
CN111046303A (zh) * 2019-11-20 2020-04-21 北京文安智能技术股份有限公司 一种热点区域的自动检测方法、装置及***
CN111429268A (zh) * 2020-03-30 2020-07-17 上海德易车信息科技有限公司 一种车辆信贷风险检测方法、终端设备和存储介质
CN111429268B (zh) * 2020-03-30 2023-11-24 上海德易车信息科技有限公司 一种车辆信贷风险检测方法、终端设备和存储介质
CN113492796A (zh) * 2020-04-02 2021-10-12 易微行（北京）科技有限公司 一种汽车金融风控方法及装置
CN111612372A (zh) * 2020-05-29 2020-09-01 上海万位科技有限公司 一种基于运营状况的商用车违约风险预警方法
CN111612372B (zh) * 2020-05-29 2024-08-02 上海万位科技有限公司 一种基于运营状况的商用车违约风险预警方法
CN112131279A (zh) * 2020-09-29 2020-12-25 上海万位科技有限公司 基于大数据的汽车数据管理方法、计算机设备及存储介质
CN113423063A (zh) * 2021-06-11 2021-09-21 芜湖雄狮汽车科技有限公司 基于车载t-box的车辆监控方法、装置、车辆及介质
CN116308763A (zh) * 2023-05-19 2023-06-23 北京泛钛客科技有限公司 基于卷积自编码器的车贷贷后风险预测方法及***
CN116308763B (zh) * 2023-05-19 2023-09-12 北京泛钛客科技有限公司 基于卷积自编码器的车贷贷后风险预测方法及***

Similar Documents

Publication Publication Date Title
CN108492023A (zh) 一种基于轨迹分析的车贷风控方法
Chen et al. A graphical modeling method for individual driving behavior and its application in driving safety analysis using GPS data
Eftekhari et al. Hybrid of discrete wavelet transform and adaptive neuro fuzzy inference system for overall driving behavior recognition
Ma et al. Driving style recognition and comparisons among driving tasks based on driver behavior in the online car-hailing industry
CN107784587B (zh) 一种驾驶行为评价***
Lyu et al. Using naturalistic driving data to identify driving style based on longitudinal driving operation conditions
CN112508392A (zh) 一种山区双车道公路隐患路段交通冲突风险动态评估方法
CN101633358A (zh) 具有集成驾驶风格识别的自适应车辆控制***
CN104809878A (zh) 利用公交车gps数据检测城市道路交通异常状态的方法
CA2844673A1 (en) Vehicle monitoring system with automatic driver identification
Gao et al. What can we learn from telematics car driving data: A survey
CN113581188A (zh) 一种基于车联网数据的商用车驾驶员驾驶风格识别方法
Verma et al. Avoiding stress driving: Online trip recommendation from driving behavior prediction
CN117238126A (zh) 一种连续流道路场景下的交通事故风险评估方法
CN116451862A (zh) 模型训练方法和装置、交通事件发生概率评估方法和装置
Zhai et al. A context-aware evaluation method of driving behavior
US20220319323A1 (en) Method for identifying road risk based on networked vehicle-mounted adas
CN116092037B (zh) 融合轨迹空间-语义特征的车辆类型识别方法
Habibzadeh et al. Presentation of machine learning approaches for predicting the severity of accidents to propose the safety solutions on rural roads
Khosravi et al. Safe Deep Driving Behavior Detection (S3D)
Das et al. RsSafe: Personalized driver behavior prediction for safe driving
Huang SVM‐Based Real‐Time Identification Model of Dangerous Traffic Stream State
Fazio et al. A new application for analyzing driving behavior and environment characterization in transportation systems based on a fuzzy logic approach
CN111341106B (zh) 交通预警方法、装置和设备
CN112053561B (zh) 非监控路段判断与定位交通事故的方法、***及装置

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
RJ01 Rejection of invention patent application after publication
RJ01 Rejection of invention patent application after publication

Application publication date: 20180904