CN109443301B - 一种车辆定损方法、计算机可读存储介质及服务器 - Google Patents

Abstract

本发明属于计算机技术领域，尤其涉及一种基于大数据分析的车辆定损方法、计算机可读存储介质及服务器。所述方法接收终端设备发送的车辆定损请求，并从所述车辆定损请求中提取车辆标识；向目标车辆的传感器控制装置下发传感器数据采集指令，所述目标车辆为与所述车辆标识对应的车辆；接收所述传感器控制装置反馈的传感器数据包，所述传感器数据包中包括由所述目标车辆中的传感器组采集的所述目标车辆各个部位的形变数据；根据所述目标车辆各个部位的形变数据构造所述目标车辆的定损形变向量，并根据所述定损形变向量对所述目标车辆进行定损。整个定损过程全部自动化完成，且传感器所采集的数据提供了评估的依据，大大提高了定损结果的准确率。

Description

一种车辆定损方法、计算机可读存储介质及服务器

技术领域

本发明属于计算机技术领域，尤其涉及一种车辆定损方法、计算机可读存储介质及服务器。

背景技术

随着车辆技术的发展以及车辆数量的剧增，车辆之间发生一些例如剐蹭、追尾等事故的几率也在大大增加。当发生这些事故时，通常由交警或保险公司来进行车辆定损。

现有技术中，在进行车辆定损时，通常是由定损人员根据自己的既往经验针对具体的场景进行人工评估，主要依靠定损人员个人的判断，主观性极强，最终得到的定损结果往往准确率较低。

发明内容

有鉴于此，本发明实施例提供了一种车辆定损方法、计算机可读存储介质及服务器，以解决人工进行车辆定损时主观性极强且准确率较低的问题。

本发明实施例的第一方面提供了一种车辆定损方法，可以包括：

接收终端设备发送的车辆定损请求，并从所述车辆定损请求中提取车辆标识；

向目标车辆的传感器控制装置下发传感器数据采集指令，所述目标车辆为与所述车辆标识对应的车辆；

接收所述传感器控制装置反馈的传感器数据包，所述传感器数据包中包括由所述目标车辆中的传感器组采集的所述目标车辆各个部位的形变数据；

根据所述目标车辆各个部位的形变数据构造所述目标车辆的定损形变向量，并根据所述定损形变向量对所述目标车辆进行定损。

本发明实施例的第二方面提供了一种计算机可读存储介质，所述计算机可读存储介质存储有计算机可读指令，所述计算机可读指令被处理器执行时实现如下步骤：

接收终端设备发送的车辆定损请求，并从所述车辆定损请求中提取车辆标识；

向目标车辆的传感器控制装置下发传感器数据采集指令，所述目标车辆为与所述车辆标识对应的车辆；

接收所述传感器控制装置反馈的传感器数据包，所述传感器数据包中包括由所述目标车辆中的传感器组采集的所述目标车辆各个部位的形变数据；

根据所述目标车辆各个部位的形变数据构造所述目标车辆的定损形变向量，并根据所述定损形变向量对所述目标车辆进行定损。

本发明实施例的第三方面提供了一种服务器，包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机可读指令，所述处理器执行所述计算机可读指令时实现如下步骤：

接收终端设备发送的车辆定损请求，并从所述车辆定损请求中提取车辆标识；

向目标车辆的传感器控制装置下发传感器数据采集指令，所述目标车辆为与所述车辆标识对应的车辆；

接收所述传感器控制装置反馈的传感器数据包，所述传感器数据包中包括由所述目标车辆中的传感器组采集的所述目标车辆各个部位的形变数据；

根据所述目标车辆各个部位的形变数据构造所述目标车辆的定损形变向量，并根据所述定损形变向量对所述目标车辆进行定损。

本发明实施例与现有技术相比存在的有益效果是：本发明实施例在接收到车辆定损请求后，向目标车辆的传感器控制装置下发传感器数据采集指令，从而获取到传感器控制装置反馈的传感器数据包，该传感器数据包中包括由目标车辆中的传感器组采集的目标车辆各个部位的形变数据，然后根据这些形变数据构造目标车辆的定损形变向量，并根据该定损形变向量对目标车辆进行定损。整个定损过程全部自动化完成，无需定损人员进行任何人工干预，摆脱了对于定损人员的个人经验的依赖，传感器所采集的数据提供了客观精准地进行车辆评估的依据，大大提高了定损结果的准确率。

附图说明

为了更清楚地说明本发明实施例中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其它的附图。

图1为本发明实施例中一种车辆定损方法的一个实施例流程图；

图2为根据目标车辆各个部位的形变数据构造目标车辆的定损形变向量的示意流程图；

图3为根据定损形变向量对目标车辆进行定损的示意流程图；

图4为权重系数的计算过程的示意流程图；

图5为本发明实施例中一种车辆定损装置的一个实施例结构图；

图6为本发明实施例中一种服务器的示意框图。

具体实施方式

为使得本发明的发明目的、特征、优点能够更加的明显和易懂，下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，下面所描述的实施例仅仅是本发明一部分实施例，而非全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其它实施例，都属于本发明保护的范围。

请参阅图1，本发明实施例中一种车辆定损方法的一个实施例可以包括：

步骤S101、获取接收终端设备发送的车辆定损请求，并从所述车辆定损请求中提取车辆标识。

在发生车辆事故后，车主可以通过手机、平板电脑等终端设备上安装的指定的应用程序(APP)向服务器发送车辆定损请求。在该车辆定损请求中携带车辆标识，所述车辆标识可以是车牌号码、车辆识别号码(Vehicle Identification Number，VIN)、发动机号码或者其它标识。服务器在接收到该车辆定损请求后，即可从中提取出所述车辆标识。

步骤S102、向目标车辆的传感器控制装置下发传感器数据采集指令。

所述目标车辆为与所述车辆标识对应的车辆。该目标车辆在保险杠、车门、车轮、悬架、底盘、发动机、气缸等各个部位均安装有形变传感器，从而构成了一个传感器组。当发生车辆事故时，车辆会因撞击、磕碰、挤压而产生形变，每个形变传感器均可采集其所在部位的形变数据，在该目标车辆中，还安装有传感器控制装置，用于对各个形变传感器进行控制，并获取各个形变传感器采集的形变数据。

车辆各个部位的重要性是有差异的，例如，发动机是车辆中最重要的部位，因此，各个不同部位可以安装不同数量的形变传感器，在发动机等核心部位安装较多数量的形变传感器，从而采集到更加充足的发动机形变数据，而对于其它非核心部位可以安装数量较少的形变传感器。

将需检测的车辆部位的数量记为P，分别用序号1、2、3、…、p、…、P进行标记，1≤p≤P，每个部位安装的形变传感器数量记为sensor_p，则总共可以采集到的形变数据的数量为：

所述传感器控制装置在接收到所述传感器数据采集指令后，获取所述传感器组中的各个形变传感器采集的形变数据，将这些形变数据打包为传感器数据包，并反馈给服务器进行处理。

步骤S103、接收所述传感器控制装置反馈的传感器数据包。

服务器在接收到所述传感器数据包后，即从该传感器数据包中解析出所述目标车辆各个部位的形变数据。

步骤S104、根据所述目标车辆各个部位的形变数据构造所述目标车辆的定损形变向量。

如图2所示，步骤S104具体可以包括如下过程：

步骤S1041、将所述目标车辆各个部位的形变数据构造为第一形变向量。

例如，可以将所述目标车辆各个部位的形变数据构造为如下所示的第一形变向量：

DeformVec1＝(DfData1₁,DfData1₂,...,DfData1_d,...,DfData1_Dim)

其中，DfData1_d为第d个形变数据，也即由所述传感器组中的第d个形变传感器采集的形变数据，1≤d≤Dim，Dim为所述传感器组中形变传感器的总数，DeformVec1为所述目标车辆的第一形变向量。

步骤S1042、根据所述车辆标识在预设的数据库中查询所述目标车辆的第二形变向量。

所述第二形变向量为在预设的初始时刻采集的所述目标车辆的形变向量，所述初始时刻早于所述车辆定损请求的发送时刻，例如，所述初始时刻可以为车主为车辆进行投保的时刻，当车主为车辆进行投保时，服务器即向该车辆的传感器控制装置下发传感器数据采集指令，接收所述传感器控制装置反馈的传感器数据包，并将其中的形变数据构造为所述第二形变向量。服务器在获取到投保车辆的第二形变向量后，会将该车辆的车辆标识以及第二形变向量均存储在预设的数据库中，以备后续查询。

所述第二形变向量如下所示：

DeformVec2＝(DfData2₁,DfData2₂,...,DfData2_d,...,DfData2_Dim)

其中，DfData2_d为在所述初始时刻由所述传感器组中的第d个形变传感器采集的形变数据，DeformVec2为所述目标车辆的第二形变向量。

步骤S1043、根据所述第一形变向量和所述第二形变向量构造定损形变向量。

例如，可以构造如下所示的定损形变向量：

DeformVec＝(DfData₁,DfData₂,...,DfData_d,...,DfData_Dim)

其中，DfData_d＝DfData1_d－DfData2_d，DeformVec为所述目标车辆的定损形变向量。

步骤S105、根据所述定损形变向量对所述目标车辆进行定损。

在本实施例中，可以将历史案件中的处理数据作为后续数据处理的依据，这些历史案件指的是已经进行过定损处理的案件，将历史案件按照最终确定的损毁程度划分为ClassNum个定损等级，分别用序号1、2、3、…、c、…、ClassNum进行标记，1≤c≤ClassNum，例如，可以分为轻微损毁、一般损毁、中度损毁、重度损毁4个等级。

如图3所示，步骤S105具体可以包括如下过程：

步骤S1051、从预设的定损样本集合中提取各个定损等级的样本向量。

其中的任一样本向量如下所示：

Sample_c,s＝(SpDfDt_c,s,1,SpDfDt_c,s,2,...,SpDfDt_c,s,d,...,SpDfDt_c,s,Dim)

其中，c为定损等级的序号，1≤c≤ClassNum，ClassNum为定损等级的总数，s为样本向量的序号，1≤s≤SampleNum_c，SampleNum_c为第c个定损等级的样本向量总数，SpDfDt_c,s,d为第c个定损等级的第s个样本向量的第d个形变数据，Sample_c,s为第c个定损等级的第s个样本向量。

步骤S1052、分别计算所述定损形变向量与各个定损等级的样本向量之间的匹配度。

例如，可以根据下式分别计算所述定损形变向量与各个定损等级的样本向量之间的匹配度：

其中，Weight_d为第d个形变数据的权重系数，MatchDeg_c为所述定损形变向量与第c个定损等级的样本向量之间的匹配度。

步骤S1053、确定出所述目标车辆的定损等级。

例如，可以根据下式确定出所述目标车辆的定损等级：

DmgClass＝argmax(MatchDeg₁,MatchDeg₂,...,MatchDeg_c,...,MatchDeg_ClassNum)

其中，argmax为最大自变量函数，DmgClass为所述目标车辆的定损等级的序号。

进一步地，如图4所示，所述权重系数的计算过程可以包括：

步骤S401、将各个样本向量构造为样本矩阵。

例如，可以将各个样本向量构造为如下所示的样本矩阵：

其中，

n为所述样本矩阵的行号，1≤n≤N，

S_n,d为所述样本矩阵中第n行第d列的元素，S_f(c,s),d＝SpDfDt_c,s,d，

特殊地，SampleNum₀＝0；

步骤S402、计算所述样本矩阵的协方差矩阵。

例如，可以根据下式计算所述样本矩阵的协方差矩阵：

其中，

u_a为所述样本矩阵第a列的均值，即：

u_b为所述样本矩阵第b列的均值，即：

步骤S403、解特征方程，求出所述样本矩阵的各个特征值。

所述特征方程为|λI-CovMatrix|＝0，其中，I为单位矩阵。

步骤S404、分别计算各个形变数据的权重系数。

例如，可以根据下式分别计算各个形变数据的权重系数：

其中，λ_d为所述样本矩阵的第d个特征值，Weight_d为第d个形变数据的权重系数。

进一步地，所述定损样本集合的设置过程可以包括如下过程：

首先，从预设的历史定损数据库中抽取定损结果为第c个定损等级的各个历史定损车辆的定损形变向量。

其中的任一历史定损车辆的定损形变向量如下所示：

HsVec_c,hn＝(HsDfDt_c,hn,1,HsDfDt_c,hn,2,...,HsDfDt_c,hn,d,...,HsDfDt_c,hn,Dim)

其中，hn为历史定损车辆的序号，1≤hn≤HN_c，HN_c为定损结果为第c个定损等级的历史定损车辆的总数，HsDfDt_c,hn,d为定损结果为第c个定损等级的第hn个历史定损车辆的第d个形变数据的取值，HsVec_c,hn为定损结果为第c个定损等级的第hn个历史定损车辆的定损形变向量。

然后，分别计算定损结果为第c个定损等级的各个历史定损车辆的定损形变向量的优先指数。

例如，可以根据下式分别计算定损结果为第c个定损等级的各个历史定损车辆的定损形变向量的优先指数：

其中，abs为绝对值函数，exp为自然指数函数，PriIdx_c,hn为定损结果为第c个定损等级的第hn个历史定损车辆的定损形变向量的优先指数。

最后，从定损结果为第c个定损等级的各个历史定损车辆的定损形变向量中选取优先指数最高的前SampleNum_c个定损形变向量作为第c个定损等级的样本向量，并添加入所述定损样本集合。

其中，SampleNum_c＝min(max(μ×HN_c,MinNum),MaxNum)，μ为预设的比例系数，其取值可以根据实际情况进行设置，例如，可以将其设置为0.1、0.2、0.5或者其它取值，MinNum为预设的最小样本数目，其取值可以根据实际情况进行设置，例如，可以将其设置为100、200、500或者其它取值，MaxNum为预设的最小样本数目，其取值可以根据实际情况进行设置，例如，可以将其设置为1000、2000、5000或者其它取值，min为求最小值函数，max为求最大值函数。

综上所述，本发明实施例在接收到车辆定损请求后，向目标车辆的传感器控制装置下发传感器数据采集指令，从而获取到传感器控制装置反馈的传感器数据包，该传感器数据包中包括由目标车辆中的传感器组采集的目标车辆各个部位的形变数据，然后根据这些形变数据构造目标车辆的定损形变向量，并根据该定损形变向量对目标车辆进行定损。整个定损过程全部自动化完成，无需定损人员进行任何人工干预，摆脱了对于定损人员的个人经验的依赖，传感器所采集的数据提供了客观精准地进行车辆评估的依据，大大提高了定损结果的准确率。

应理解，上述实施例中各步骤的序号的大小并不意味着执行顺序的先后，各过程的执行顺序应以其功能和内在逻辑确定，而不应对本发明实施例的实施过程构成任何限定。

对应于上文实施例所述的一种车辆定损方法，图5示出了本发明实施例提供的一种车辆定损装置的一个实施例结构图。

本实施例中，一种车辆定损装置可以包括：

车辆定损请求模块501，用于接收终端设备发送的车辆定损请求，并从所述车辆定损请求中提取车辆标识；

采集指令发送模块502，用于向目标车辆的传感器控制装置下发传感器数据采集指令，所述目标车辆为与所述车辆标识对应的车辆；

传感器数据包接收模块503，用于接收所述传感器控制装置反馈的传感器数据包，所述传感器数据包中包括由所述目标车辆中的传感器组采集的所述目标车辆各个部位的形变数据；

定损形变向量构造模块504，用于根据所述目标车辆各个部位的形变数据构造所述目标车辆的定损形变向量；

定损模块505，用于根据所述定损形变向量对所述目标车辆进行定损。

进一步地，所述定损形变向量构造模块可以包括：

第一形变向量单元，用于将所述目标车辆各个部位的形变数据构造为如下所示的第一形变向量：

DeformVec1＝(DfData1₁,DfData1₂,...,DfData1_d,...,DfData1_Dim)

其中，DfData1_d为由所述传感器组中的第d个形变传感器采集的形变数据，1≤d≤Dim，Dim为所述传感器组中形变传感器的总数，DeformVec1为所述目标车辆的第一形变向量；

第二形变向量单元，用于根据所述车辆标识在预设的数据库中查询所述目标车辆的第二形变向量，所述第二形变向量为在预设的初始时刻采集的所述目标车辆的形变向量，所述初始时刻早于所述车辆定损请求的发送时刻，所述第二形变向量如下所示：

DeformVec2＝(DfData2₁,DfData2₂,...,DfData2_d,...,DfData2_Dim)

其中，DfData2_d为在所述初始时刻由所述传感器组中的第d个形变传感器采集的形变数据，DeformVec2为所述目标车辆的第二形变向量；

定损形变向量构造单元，用于根据所述第一形变向量和所述第二形变向量构造如下所示的定损形变向量：

DeformVec＝(DfData₁,DfData₂,...,DfData_d,...,DfData_Dim)

其中，DfData_d＝DfData1_d－DfData2_d，DeformVec为所述目标车辆的定损形变向量。

进一步地，所述定损模块可以包括：

样本向量提取单元，用于从预设的定损样本集合中提取各个定损等级的样本向量，任一样本向量如下所示：

Sample_c,s＝(SpDfDt_c,s,1,SpDfDt_c,s,2,...,SpDfDt_c,s,d,...,SpDfDt_c,s,Dim)

其中，c为定损等级的序号，1≤c≤ClassNum，ClassNum为定损等级的总数，s为样本向量的序号，1≤s≤SampleNum_c，SampleNum_c为第c个定损等级的样本向量总数，SpDfDt_c,s,d为第c个定损等级的第s个样本向量的第d个形变数据，Sample_c,s为第c个定损等级的第s个样本向量；

匹配度计算单元，用于根据下式分别计算所述定损形变向量与各个定损等级的样本向量之间的匹配度：

其中，Weight_d为第d个形变数据的权重系数，MatchDeg_c为所述定损形变向量与第c个定损等级的样本向量之间的匹配度；

定损等级确定单元，用于根据下式确定出所述目标车辆的定损等级：

DmgClass＝argmax(MatchDeg₁,MatchDeg₂,...,MatchDeg_c,...,MatchDeg_ClassNum)

其中，argmax为最大自变量函数，DmgClass为所述目标车辆的定损等级的序号。

进一步地，所述定损模块还可以包括：

样本矩阵构造单元，用于将各个样本向量构造为如下所示的样本矩阵：

其中，

n为所述样本矩阵的行号，1≤n≤N，

S_n,d为所述样本矩阵中第n行第d列的元素，S_f(c,s),d＝SpDfDt_c,s,d，

特殊地，SampleNum₀＝0；

协方差矩阵计算单元，用于根据下式计算所述样本矩阵的协方差矩阵：

其中，

u_a为所述样本矩阵第a列的均值，即：

u_b为所述样本矩阵第b列的均值，即：

特征值计算单元，用于解特征方程|λI-CovMatrix|＝0，求出所述样本矩阵的各个特征值，其中，I为单位矩阵；

权重系数计算单元，用于根据下式分别计算各个形变数据的权重系数：

其中，λ_d为所述样本矩阵的第d个特征值，Weight_d为第d个形变数据的权重系数。

进一步地，所述定损模块还可以包括：

历史定损向量抽取单元，用于从预设的历史定损数据库中抽取定损结果为第c个定损等级的各个历史定损车辆的定损形变向量，任一历史定损车辆的定损形变向量如下所示：

HsVec_c,hn＝(HsDfDt_c,hn,1,HsDfDt_c,hn,2,...,HsDfDt_c,hn,d,...,HsDfDt_c,hn,Dim)

其中，hn为历史定损车辆的序号，1≤hn≤HN_c，HN_c为定损结果为第c个定损等级的历史定损车辆的总数，HsDfDt_c,hn,d为定损结果为第c个定损等级的第hn个历史定损车辆的第d个形变数据的取值，HsVec_c,hn为定损结果为第c个定损等级的第hn个历史定损车辆的定损形变向量；

优先指数计算单元，用于根据下式分别计算定损结果为第c个定损等级的各个历史定损车辆的定损形变向量的优先指数：

其中，abs为绝对值函数，exp为自然指数函数，PriIdx_c,hn为定损结果为第c个定损等级的第hn个历史定损车辆的定损形变向量的优先指数；

定损样本集合构造单元，用于从定损结果为第c个定损等级的各个历史定损车辆的定损形变向量中选取优先指数最高的前SampleNum_c个定损形变向量作为第c个定损等级的样本向量，并添加入所述定损样本集合。

所属领域的技术人员可以清楚地了解到，为描述的方便和简洁，上述描述的装置，模块和单元的具体工作过程，可以参考前述方法实施例中的对应过程，在此不再赘述。

在上述实施例中，对各个实施例的描述都各有侧重，某个实施例中没有详述或记载的部分，可以参见其它实施例的相关描述。

图6示出了本发明实施例提供的一种服务器的示意框图，为了便于说明，仅示出了与本发明实施例相关的部分。

在本实施例中，所述服务器6可以包括：处理器60、存储器61以及存储在所述存储器61中并可在所述处理器60上运行的计算机可读指令62，例如执行上述的车辆定损方法的计算机可读指令。所述处理器60执行所述计算机可读指令62时实现上述各个车辆定损方法实施例中的步骤，例如图1所示的步骤S101至S105。或者，所述处理器60执行所述计算机可读指令62时实现上述各装置实施例中各模块/单元的功能，例如图5所示模块501至505的功能。

示例性的，所述计算机可读指令62可以被分割成一个或多个模块/单元，所述一个或者多个模块/单元被存储在所述存储器61中，并由所述处理器60执行，以完成本发明。所述一个或多个模块/单元可以是能够完成特定功能的一系列计算机可读指令段，该指令段用于描述所述计算机可读指令62在所述服务器6中的执行过程。

所述处理器60可以是中央处理单元(Central Processing Unit，CPU)，还可以是其它通用处理器、数字信号处理器(Digital Signal Processor，DSP)、专用集成电路(Application Specific Integrated Circuit，ASIC)、现场可编程门阵列(Field-Prograddable Gate Array，FPGA)或者其它可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。

所述存储器61可以是所述服务器6的内部存储单元，例如服务器6的硬盘或内存。所述存储器61也可以是所述服务器6的外部存储设备，例如所述服务器6上配备的插接式硬盘，智能存储卡(Sdart Dedia Card,SDC)，安全数字(Secure Digital,SD)卡，闪存卡(Flash Card)等。进一步地，所述存储器61还可以既包括所述服务器6的内部存储单元也包括外部存储设备。所述存储器61用于存储所述计算机可读指令以及所述服务器6所需的其它指令和数据。所述存储器61还可以用于暂时地存储已经输出或者将要输出的数据。

在本发明各个实施例中的各功能单元可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现，也可以采用软件功能单元的形式实现。

所述集成的单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读存储介质中。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的全部或部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干计算机可读指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行本发明各个实施例所述方法的全部或部分步骤。而前述的存储介质包括：U盘、移动硬盘、只读存储器(ROD，Read-Only Dedory)、随机存取存储器(RAD，Randod Access Dedory)、磁碟或者光盘等各种可以存储计算机可读指令的介质。

以上所述实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。

Claims (8)

1.一种车辆定损方法，其特征在于，包括：

接收终端设备发送的车辆定损请求，并从所述车辆定损请求中提取车辆标识；

向目标车辆的传感器控制装置下发传感器数据采集指令，所述目标车辆为与所述车辆标识对应的车辆；

接收所述传感器控制装置反馈的传感器数据包，所述传感器数据包中包括由所述目标车辆中的传感器组采集的所述目标车辆各个部位的形变数据；

根据所述目标车辆各个部位的形变数据构造所述目标车辆的定损形变向量，并根据所述定损形变向量对所述目标车辆进行定损；

所述根据所述定损形变向量对所述目标车辆进行定损包括：

从预设的定损样本集合中提取各个定损等级的样本向量，任一样本向量如下所示：

Sample_c,s＝(SpDfDt_c,s,1,SpDfDt_c,s,2,...,SpDfDt_c,s,d,...,SpDfDt_c,s,Dim)

其中，c为定损等级的序号，1≤c≤ClassNum，ClassNum为定损等级的总数，s为样本向量的序号，1≤s≤SampleNum_c，SampleNum_c为第c个定损等级的样本向量总数，d为形变传感器的序号，1≤d≤Dim，Dim为所述传感器组中形变传感器的总数，SpDfDt_c,s,d为第c个定损等级的第s个样本向量的第d个形变数据，Sample_c,s为第c个定损等级的第s个样本向量；

根据下式分别计算所述定损形变向量与各个定损等级的样本向量之间的匹配度：

其中，Weight_d为第d个形变数据的权重系数，DfData_d为所述定损形变向量的第d个形变数据，MatchDeg_c为所述定损形变向量与第c个定损等级的样本向量之间的匹配度；

根据下式确定出所述目标车辆的定损等级：

DmgClass＝argmax(MatchDeg₁,MatchDeg₂,...,MatchDeg_c,...,MatchDeg_ClassNum)

其中，argmax为最大自变量函数，DmgClass为所述目标车辆的定损等级的序号。

2.根据权利要求1所述的车辆定损方法，其特征在于，所述根据所述目标车辆各个部位的形变数据构造所述目标车辆的定损形变向量包括：

将所述目标车辆各个部位的形变数据构造为如下所示的第一形变向量：

DeformVec1＝(DfData1₁,DfData1₂,...,DfData1_d,...,DfData1_Dim)

其中，DfData1_d为由所述传感器组中的第d个形变传感器采集的形变数据，DeformVec1为所述目标车辆的第一形变向量；

根据所述车辆标识在预设的数据库中查询所述目标车辆的第二形变向量，所述第二形变向量为在预设的初始时刻采集的所述目标车辆的形变向量，所述初始时刻早于所述车辆定损请求的发送时刻，所述第二形变向量如下所示：

DeformVec2＝(DfData2₁,DfData2₂,...,DfData2_d,...,DfData2_Dim)

其中，DfData2_d为在所述初始时刻由所述传感器组中的第d个形变传感器采集的形变数据，DeformVec2为所述目标车辆的第二形变向量；

根据所述第一形变向量和所述第二形变向量构造如下所示的定损形变向量：

DeformVec＝(DfData₁,DfData₂,...,DfData_d,...,DfData_Dim)

其中，DfData_d＝DfData1_d－DfData2_d，DeformVec为所述目标车辆的定损形变向量。

3.根据权利要求1所述的车辆定损方法，其特征在于，所述权重系数的计算过程包括：

将各个样本向量构造为如下所示的样本矩阵：

其中，

n为所述样本矩阵的行号，1≤n≤N，

S_n,d为所述样本矩阵中第n行第d列的元素，S_f(c,s),d＝SpDfDt_c,s,d，

特殊地，SampleNum₀＝0；

根据下式计算所述样本矩阵的协方差矩阵：

其中，

u_a为所述样本矩阵第a列的均值，即：

u_b为所述样本矩阵第b列的均值，即：

解特征方程|λI-CovMatrix|＝0，求出所述样本矩阵的各个特征值，其中，I为单位矩阵；

根据下式分别计算各个形变数据的权重系数：

其中，λ_d为所述样本矩阵的第d个特征值，Weight_d为第d个形变数据的权重系数。

4.根据权利要求1所述的车辆定损方法，其特征在于，所述定损样本集合的设置过程包括：

从预设的历史定损数据库中抽取定损结果为第c个定损等级的各个历史定损车辆的定损形变向量，任一历史定损车辆的定损形变向量如下所示：

HsVec_c,hn＝(HsDfDt_c,hn,1,HsDfDt_c,hn,2,...,HsDfDt_c,hn,d,...,HsDfDt_c,hn,Dim)

其中，hn为历史定损车辆的序号，1≤hn≤HN_c，HN_c为定损结果为第c个定损等级的历史定损车辆的总数，HsDfDt_c,hn,d为定损结果为第c个定损等级的第hn个历史定损车辆的第d个形变数据的取值，HsVec_c,hn为定损结果为第c个定损等级的第hn个历史定损车辆的定损形变向量；

根据下式分别计算定损结果为第c个定损等级的各个历史定损车辆的定损形变向量的优先指数：

其中，abs为绝对值函数，exp为自然指数函数，PriIdx_c,hn为定损结果为第c个定损等级的第hn个历史定损车辆的定损形变向量的优先指数；

从定损结果为第c个定损等级的各个历史定损车辆的定损形变向量中选取优先指数最高的前SampleNum_c个定损形变向量作为第c个定损等级的样本向量，并添加入所述定损样本集合。

5.一种计算机可读存储介质，所述计算机可读存储介质存储有计算机可读指令，其特征在于，所述计算机可读指令被处理器执行时实现如权利要求1至4中任一项所述的车辆定损方法的步骤。

6.一种服务器，包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机可读指令，其特征在于，所述处理器执行所述计算机可读指令时实现如下步骤：

接收终端设备发送的车辆定损请求，并从所述车辆定损请求中提取车辆标识；

向目标车辆的传感器控制装置下发传感器数据采集指令，所述目标车辆为与所述车辆标识对应的车辆；

接收所述传感器控制装置反馈的传感器数据包，所述传感器数据包中包括由所述目标车辆中的传感器组采集的所述目标车辆各个部位的形变数据；

根据所述目标车辆各个部位的形变数据构造所述目标车辆的定损形变向量，并根据所述定损形变向量对所述目标车辆进行定损；

所述根据所述定损形变向量对所述目标车辆进行定损包括：

从预设的定损样本集合中提取各个定损等级的样本向量，任一样本向量如下所示：

Sample_c,s＝(SpDfDt_c,s,1,SpDfDt_c,s,2,...,SpDfDt_c,s,d,...,SpDfDt_c,s,Dim)

其中，c为定损等级的序号，1≤c≤ClassNum，ClassNum为定损等级的总数，s为样本向量的序号，1≤s≤SampleNum_c，SampleNum_c为第c个定损等级的样本向量总数，d为形变传感器的序号，1≤d≤Dim，Dim为所述传感器组中形变传感器的总数，SpDfDt_c,s,d为第c个定损等级的第s个样本向量的第d个形变数据，Sample_c,s为第c个定损等级的第s个样本向量；

根据下式分别计算所述定损形变向量与各个定损等级的样本向量之间的匹配度：

其中，Weight_d为第d个形变数据的权重系数，DfData_d为所述定损形变向量的第d个形变数据，MatchDeg_c为所述定损形变向量与第c个定损等级的样本向量之间的匹配度；

根据下式确定出所述目标车辆的定损等级：

DmgClass＝argmax(MatchDeg₁,MatchDeg₂,...,MatchDeg_c,...,MatchDeg_ClassNum)

其中，argmax为最大自变量函数，DmgClass为所述目标车辆的定损等级的序号。

7.根据权利要求6所述的服务器，其特征在于，所述根据所述目标车辆各个部位的形变数据构造所述目标车辆的定损形变向量包括：

将所述目标车辆各个部位的形变数据构造为如下所示的第一形变向量：

DeformVec1＝(DfData1₁,DfData1₂,...,DfData1_d,...,DfData1_Dim)

其中，DfData1_d为由所述传感器组中的第d个形变传感器采集的形变数据，DeformVec1为所述目标车辆的第一形变向量；

根据所述车辆标识在预设的数据库中查询所述目标车辆的第二形变向量，所述第二形变向量为在预设的初始时刻采集的所述目标车辆的形变向量，所述初始时刻早于所述车辆定损请求的发送时刻，所述第二形变向量如下所示：

DeformVec2＝(DfData2₁,DfData2₂,...,DfData2_d,...,DfData2_Dim)

其中，DfData2_d为在所述初始时刻由所述传感器组中的第d个形变传感器采集的形变数据，DeformVec2为所述目标车辆的第二形变向量；

根据所述第一形变向量和所述第二形变向量构造如下所示的定损形变向量：

DeformVec＝(DfData₁,DfData₂,...,DfData_d,...,DfData_Dim)

其中，DfData_d＝DfData1_d－DfData2_d，DeformVec为所述目标车辆的定损形变向量。

8.根据权利要求6所述的服务器，其特征在于，所述权重系数的计算过程包括：

将各个样本向量构造为如下所示的样本矩阵：

其中，

n为所述样本矩阵的行号，1≤n≤N，

S_n,d为所述样本矩阵中第n行第d列的元素，S_f(c,s),d＝SpDfDt_c,s,d，

特殊地，SampleNum₀＝0；

根据下式计算所述样本矩阵的协方差矩阵：

其中，

u_a为所述样本矩阵第a列的均值，即：

u_b为所述样本矩阵第b列的均值，即：

解特征方程|λI-CovMatrix|＝0，求出所述样本矩阵的各个特征值，其中，I为单位矩阵；

根据下式分别计算各个形变数据的权重系数：

其中，λ_d为所述样本矩阵的第d个特征值，Weight_d为第d个形变数据的权重系数。

Images