CN115797084A - 基于车主驾驶行为的投保定价指导方法及其相关设备 - Google Patents
基于车主驾驶行为的投保定价指导方法及其相关设备 Download PDFInfo
- Publication number
- CN115797084A CN115797084A CN202211559307.6A CN202211559307A CN115797084A CN 115797084 A CN115797084 A CN 115797084A CN 202211559307 A CN202211559307 A CN 202211559307A CN 115797084 A CN115797084 A CN 115797084A
- Authority
- CN
- China
- Prior art keywords
- driving behavior
- characteristic data
- insurance
- data
- vehicle owner
- 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
Links
Images
Landscapes
- Financial Or Insurance-Related Operations Such As Payment And Settlement (AREA)
Abstract
本申请实施例属于金融科技技术领域,应用于金融业务中投保定价指导领域中,涉及一种基于车主驾驶行为的投保定价指导方法及其相关设备,包括根据历史车主对应的多维度的驾驶行为特征数据和出险赔付特征数据进行建模,获取驾驶行为与赔付关系预测模型;将新投保车主客户的驾驶行为特征数据输入到所述驾驶行为与赔付关系预测模型,预测所述待测车主对应的出险赔付特征数据;将所述出险赔付特征数据作为定价依据进行输出。本申请通过机器学习的方式构建驾驶行为与赔付关系预测模型,再通过学习训练完成的驾驶行为与赔付关系预测模型预测新投保车主的出险赔付特征数据,结合新投保车主的驾驶行为数据进行投保定价,更加科学化。
Description
技术领域
本申请涉及金融科技技术领域,尤其涉及一种基于车主驾驶行为的投保定价指导方法及其相关设备。
背景技术
简单的仅根据出险次数、赔付次数进行客户分级是一种过于简易的客户分级方式,这种方式以结果为导向,进行投保报价定价指导,数据依据基础较为单一,而客户的驾驶***安产险通过自研发的好车主APP打造车主生态圈,在客户允许的前提下,开启“平安行”功能,鼓励车主自愿使用“开车赚钱”功能上传驾驶行为数据。
目前,以金融科技业务中的车险投保定价业务为例,仅仅只通过上述方式进行投保定价不够科学化,本发明提供另外一种投保定价方法,充分结合车主的驾驶行为数据和出险赔偿数据,共同进行投保定价预测,以解决现有技术中进行投保定价时依据的数据基础不够科学的问题。
发明内容
本申请实施例的目的在于提出一种基于车主驾驶行为的投保定价指导方法及其相关设备,以解决现有技术中进行投保定价时依据的数据基础不够科学的问题。
为了解决上述技术问题,本申请实施例提供一种基于车主驾驶行为的投保定价指导方法,采用了如下所述的技术方案:
一种基于车主驾驶行为的投保定价指导方法,包括下述步骤:
采集若干位车主分别上传的驾驶行为数据;
基于预设处理组件对每一位车主对应的所述驾驶行为数据进行数值化加工,获取多维度的驾驶行为特征数据;
根据预设承保信息平台,获取所述若干位车主分别对应的出险赔付特征数据;
根据所述若干位车主对应的驾驶行为地对所述多维度的驾驶行为特征数据和所述出险赔付特征数据进行地域性切分处理,得到N个预测模型样本组,其中,N为正整数;
采用弹性网络回归算法分别对所述N个预测模型样本组进行建模,获取N个驾驶行为与赔付关系预测模型;
采集待测车主上传的驾驶行为数据,并进行数值化加工,获取所述待测车主对应的多维度的驾驶行为特征数据,其中,所述驾驶行为特征数据中包括驾驶行为地;
将所述驾驶行为特征数据作为输入数据输入到所述驾驶行为与赔付关系预测模型,预测所述待测车主对应的出险赔付特征数据;
将所述出险赔付特征数据作为定价依据进行输出。
进一步的,所述基于预设处理组件对每一位车主对应的所述驾驶行为数据进行数值化加工,获取多维度的驾驶行为特征数据的步骤,具体包括:
根据预设时间限定条件和预设算法插件,对每一位车主对应的所述驾驶行为数据进行数值化处理,获取每一位车主对应的数值化的驾驶行为数据;
将每一位车主对应的数值化的驾驶行为数据作为该车主对应的多维度的驾驶行为特征数据。
进一步的,所述根据预设承保信息平台,获取所述若干位车主分别对应的出险赔付特征数据的步骤,具体包括:
根据对应的所述时间限定条件和预设算法插件,对每一位车主对应的出险赔付数据进行数值化处理,获取所述每一位车主对应的数值化的出险赔付数据;
将所述每一位车主对应的数值化的出险赔付数据作为该车主对应的出险赔付特征数据。
进一步的,所述根据所述若干位车主对应的驾驶行为地对所述多维度的驾驶行为特征数据和所述出险赔付特征数据进行地域性切分处理的步骤,具体包括:
在执行采集若干位车主分别上传的驾驶行为数据的步骤过程中,所述方法还包括:根据预设数据采集APP或安装有预设数据采集APP的终端设备中内置的定位接口,获取采集所述驾驶行为数据时所述若干位车主分别所在的驾驶行为地;
对所述若干位车主所在的驾驶行为地进行整合统计,并根据驾驶行为地的不同设置区别编号;
对同一车主对应的所述多维度的驾驶行为特征数据和所述出险赔付特征数据设置对照关系;
对同一驾驶行为地内不同车主分别对应的所述多维度的驾驶行为特征数据和所述出险赔付特征数据进行整合,生成预测模型样本组,并使用所述区别编号作为所述预测模型样本组的区别编号。
进一步的,所述采用弹性网络回归算法分别对所述N个预测模型样本组进行建模,获取N个驾驶行为与赔付关系预测模型的步骤,具体包括:
根据所述区别编号,获取当前预测模型样本组中包含的同一驾驶行为地内不同车主分别对应的所述多维度的驾驶行为特征数据和所述出险赔付特征数据;
将所述多维度的驾驶行为特征数据和所述出险赔付特征数据输入到预构建的人工智能学习模型,进行学习训练,获取所述多维度的驾驶行为特征数据和所述出险赔付特征数据之间的线性回归关系,其中,在对所述人工智能学习模型进行预构建时,预先根据弹性网络回归算法动态调整所述人工智能学习模型的代价函数;
获得每一个区别编号对应的学习训练之后的模型,即获取到与所述切分处理数量个数相同的驾驶行为与赔付关系预测模型。
进一步的,在本实施例中,在执行所述将所述多维度的驾驶行为特征数据和所述出险赔付特征数据输入到预构建的人工智能学习模型,进行学习训练的步骤之前,所述方法还包括:
对同一驾驶行为地内不同车主分别对应的所述多维度的驾驶行为特征数据和所述出险赔付特征数据进行整合;
根据整合结果和预设第一比例算法,获取所述多维度的驾驶行为特征数据中每一个驾驶行为特征数据在同一驾驶行为地内所有不同车主中的权重系数,并构建所述多维度的驾驶行为特征数据对应的权重系数矩阵和第一正则表达项;
根据整合结果和预设第二比例算法,获取所述出险赔付特征数据中每一个出险赔付特征数据在同一驾驶行为地内所有不同车主中的权重系数,构建所述出险赔付特征数据对应的第二正则表达项。
进一步的,所述在对所述人工智能学习模型进行预构建时,预先根据弹性网络回归算法动态调整所述人工智能学习模型的代价函数的步骤,具体包括:
根据预设弹性网络回归算法: 获取cos(x)为最小值时所述多维度的驾驶行为特征数据中每一个驾驶行为特征数据分别对应的权重系数值,其中,ωT表示所述多维度的驾驶行为特征数据对应的权重系数矩阵,‖ω‖1为第一正则表达项,‖ω‖1=|ω1|+|ω2|+…+|ωi-1|+|ωi|,为所述多维度的驾驶行为特征数据中当前特征数据的序号,为所述多维度的驾驶行为特征数据中所有特征数据的个数,‖ω‖2为第二正则表达项,j为所述出险赔付特征数据中当前特征的序号,为所述出险赔付特征数据中所有特征数据的个数,ω为所述多维度的驾驶行为特征数据中每一个驾驶行为特征数据所对应的权重系数,λ和ρ为预设常数,用于共同控制第一正则表达项和第二正则表达项的大小;
将cos(x)为最小值时所述多维度的驾驶行为特征数据中每一个驾驶行为特征数据分别对应的权重系数值作为目标配置项对预构建的所述人工智能学习模型进行权重配置;
所述权重配置完成之后的所述人工智能学习模型即学习训练完成的驾驶行为与赔付关系预测模型。
为了解决上述技术问题,本申请实施例还提供一种基于车主驾驶行为的投保定价指导装置,采用了如下所述的技术方案:
一种基于车主驾驶行为的投保定价指导装置,包括:
驾驶行为数据采集模块,用于采集若干位车主分别上传的驾驶行为数据;
驾驶行为特征数据获取模块,用于基于预设处理组件对每一位车主对应的所述驾驶行为数据进行数值化加工,获取多维度的驾驶行为特征数据;
出险赔付特征数据获取模块,用于根据预设承保信息平台,获取所述若干位车主分别对应的出险赔付特征数据;
特征数据切分处理模块,用于根据所述若干位车主对应的驾驶行为地对所述多维度的驾驶行为特征数据和所述出险赔付特征数据进行地域性切分处理,得到N个预测模型样本组,其中,N为正整数;
预测模型建模模块,用于采用弹性网络回归算法分别对所述N个预测模型样本组进行建模,获取N个驾驶行为与赔付关系预测模型;
测试数据获取模块,用于采集待测车主上传的驾驶行为数据,并进行数值化加工,获取所述待测车主对应的多维度的驾驶行为特征数据,其中,所述驾驶行为特征数据中包括驾驶行为地;
模型预测模块,用于将所述驾驶行为特征数据作为输入数据输入到所述驾驶行为与赔付关系预测模型,预测所述待测车主对应的出险赔付特征数据;
输出结果反馈模块,用于将所述出险赔付特征数据作为定价依据进行输出。
为了解决上述技术问题,本申请实施例还提供一种计算机设备,采用了如下所述的技术方案:
一种计算机设备,包括存储器和处理器,所述存储器中存储有计算机可读指令,所述处理器执行所述计算机可读指令时实现上述所述的基于车主驾驶行为的投保定价指导方法的步骤。
为了解决上述技术问题,本申请实施例还提供一种计算机可读存储介质,采用了如下所述的技术方案:
一种计算机可读存储介质,所述计算机可读存储介质上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上述所述的基于车主驾驶行为的投保定价指导方法的步骤。
与现有技术相比,本申请实施例主要有以下有益效果:
本申请实施例所述基于车主驾驶行为的投保定价指导方法,根据历史车主对应的多维度的驾驶行为特征数据和出险赔付特征数据进行建模,获取驾驶行为与赔付关系预测模型;将新投保车主客户的驾驶行为特征数据输入到所述驾驶行为与赔付关系预测模型,预测所述待测车主对应的出险赔付特征数据;将所述出险赔付特征数据作为定价依据进行输出。本申请通过机器学习的方式构建驾驶行为与赔付关系预测模型,再通过学习训练完成的驾驶行为与赔付关系预测模型预测新投保车主的出险赔付特征数据,结合新投保车主的驾驶行为数据进行投保定价,更加科学化。
附图说明
为了更清楚地说明本申请中的方案,下面将对本申请实施例描述中所需要使用的附图作一个简单介绍,显而易见地,下面描述中的附图是本申请的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他的附图。
图1是本申请可以应用于其中的示例性***架构图;
图2根据本申请的基于车主驾驶行为的投保定价指导方法的一个实施例的流程图;
图3根据本申请的基于车主驾驶行为的投保定价指导装置的一个实施例的结构示意图;
图4根据本申请的计算机设备的一个实施例的结构示意图。
具体实施方式
除非另有定义,本文所使用的所有的技术和科学术语与属于本申请的技术领域的技术人员通常理解的含义相同;本文中在申请的说明书中所使用的术语只是为了描述具体的实施例的目的,不是旨在于限制本申请;本申请的说明书和权利要求书及上述附图说明中的术语“包括”和“具有”以及它们的任何变形,意图在于覆盖不排他的包含。本申请的说明书和权利要求书或上述附图中的术语“第一”、“第二”等是用于区别不同对象,而不是用于描述特定顺序。
在本文中提及“实施例”意味着,结合实施例描述的特定特征、结构或特性可以包含在本申请的至少一个实施例中。在说明书中的各个位置出现该短语并不一定均是指相同的实施例,也不是与其它实施例互斥的独立的或备选的实施例。本领域技术人员显式地和隐式地理解的是,本文所描述的实施例可以与其它实施例相结合。
为了使本技术领域的人员更好地理解本申请方案,下面将结合附图,对本申请实施例中的技术方案进行清楚、完整地描述。
如图1所示,***架构100可以包括终端设备101、102、103,网络104和服务器105。网络104用以在终端设备101、102、103和服务器105之间提供通信链路的介质。网络104可以包括各种连接类型,例如有线、无线通信链路或者光纤电缆等等。
用户可以使用终端设备101、102、103通过网络104与服务器105交互,以接收或发送消息等。终端设备101、102、103上可以安装有各种通讯客户端应用,例如网页浏览器应用、购物类应用、搜索类应用、即时通信工具、邮箱客户端、社交平台软件等。
终端设备101、102、103可以是具有显示屏并且支持网页浏览的各种电子设备,包括但不限于智能手机、平板电脑、电子书阅读器、MP3播放器(Moving PictureExpertsGroup Audio Layer III,动态影像专家压缩标准音频层面3)、MP4(MovingPictureExperts Group Audio Layer IV,动态影像专家压缩标准音频层面4)播放器、膝上型便携计算机和台式计算机等等。
服务器105可以是提供各种服务的服务器,例如对终端设备101、102、103上显示的页面提供支持的后台服务器。
需要说明的是,本申请实施例所提供的基于车主驾驶行为的投保定价指导方法一般由服务器/终端设备执行,相应地,基于车主驾驶行为的投保定价指导装置一般设置于服务器/终端设备中。
应该理解,图1中的终端设备、网络和服务器的数目仅仅是示意性的。根据实现需要,可以具有任意数目的终端设备、网络和服务器。
继续参考图2,示出了根据本申请的基于车主驾驶行为的投保定价指导方法的一个实施例的流程图。所述的基于车主驾驶行为的投保定价指导方法,包括以下步骤:
步骤201,采集若干位车主分别上传的驾驶行为数据。
本实施例中,所述若干位车主分别上传的驾驶行为数据可以根据预设数据采集APP中指定采集接口进行采集,所述数据采集APP可以为平安好车主APP,所述指定采集接口可以为所述平安好车主APP中进行车主驾驶行为数据采集的接口。
通过平安好车主APP中开启“平安行”功能的车主客户,收集其驾驶行为记录,并经过二次加工后获得多维度的驾驶行为特征数据,便于结合历史车主客户的驾驶行为数据和投保定价信息,预测新平安好车主客户的投保定价指导信息。
步骤202,基于预设处理组件对每一位车主对应的所述驾驶行为数据进行数值化加工,获取多维度的驾驶行为特征数据。
本实施例中,所述基于预设处理组件对每一位车主对应的所述驾驶行为数据进行数值化加工,获取多维度的驾驶行为特征数据的步骤,具体包括:根据预设时间限定条件和预设算法插件,对每一位车主对应的所述驾驶行为数据进行数值化处理,获取每一位车主对应的数值化的驾驶行为数据;将每一位车主对应的数值化的驾驶行为数据作为该车主对应的多维度的驾驶行为特征数据。
本实施例中,所述根据预设时间限定条件和预设算法插件,对每一位车主对应的所述驾驶行为数据进行数值化处理,获取每一位车主对应的数值化的驾驶行为数据的步骤,具体包括:在所述时间限定条件为空值的情况下,根据所述算法插件获取每一车主对应的单次驾驶平均速度、单次驾驶最高速度、单次驾驶最高里程、单次驾驶最高紧急制动次数、单次驾驶拐弯次数、单次驾驶急弯次数、单次驾驶最高时间、单次驾驶最高途径城市数量,作为所述车主对应的时间限定条件为空值时的数值化的驾驶行为数据;在所述时间限定条件为最近一个月的情况下,根据所述算法插件获取每一车主对应的最近一个月驾驶平均速度、最近一个月驾驶最高速度、最近一个月驾驶里程、最近一个月累计紧急制动次数、最近一个月累计拐弯次数、最近一个月累计急弯次数、最近一个月累计驾驶时间、最近一个月累计违规次数、最近一个月长途次数、最近一个月最高驾驶时长,作为所述车主对应的时间限定条件为最近一个月时的数值化的驾驶行为数据;在所述时间限定条件为最近三个月的情况下,根据所述算法插件获取每一车主对应的最近三个月驾驶平均速度、最近三个月驾驶最高速度、最近三个月驾驶里程、最近三个月累计紧急制动次数、最近三个月累计拐弯次数、最近三个月累计急弯次数、最近三个月累计驾驶时间、最近三个月累计违规次数、最近三个月长途次数、最近三个月最高驾驶时长,作为所述车主对应的时间限定条件为最近三个月时的数值化的驾驶行为数据;在所述时间限定条件为最近一年的情况下,根据所述算法插件获取每一车主对应的最近一年驾驶平均速度、最近一年驾驶最高速度、最近一年驾驶里程、最近一年累计紧急制动次数、最近一年累计拐弯次数、最近一年累计急弯次数、最近一年累计驾驶时间、最近一年累计违规次数、最近一年长途次数、最近一年最高驾驶时长,作为所述车主对应的时间限定条件为最近一年时的数值化的驾驶行为数据。
本实施例中,所述算法插件指的是可对上述驾驶行为数据进行统计求和、计算平均值等一系列算法,最终能获得多维度的驾驶行为特征数据的算法整合组件。
本实施例中,在使用所述算法插件之前可以选择性的设置时间限定条件,用于设置所述驾驶行为数据的时间相关维度。通过所述时间限定条件能够更加灵活的获取不同时间维度下的驾驶行为特征数据,例如:获取最近一个月的驾驶行为数据、获取最近半年的驾驶行为数据等等。
本实施例中,所述获取多维度的驾驶行为特征数据的步骤中,所述多维度的驾驶行为特征数据至少包括:驾驶行为地、单次驾驶平均速度、单次驾驶最高速度、单次驾驶最高里程、单次驾驶最高紧急制动次数、单次驾驶拐弯次数、单次驾驶急弯次数、单次驾驶最高时间、单次驾驶最高途径城市数量、最近一个月驾驶平均速度、最近一个月驾驶最高速度、最近一个月驾驶里程、最近一个月累计紧急制动次数、最近一个月累计拐弯次数、最近一个月累计急弯次数、最近一个月累计驾驶时间、最近一个月累计违规次数、最近一个月长途次数、最近一个月最高驾驶时长、最近三个月驾驶平均速度、最近三个月驾驶最高速度、最近三个月驾驶里程、最近三个月累计紧急制动次数、最近三个月累计拐弯次数、最近三个月累计急弯次数、最近三个月累计驾驶时间、最近三个月累计违规次数、最近三个月长途次数、最近三个月最高驾驶时长、最近一年驾驶平均速度、最近一年驾驶最高速度、最近一年驾驶里程、最近一年累计紧急制动次数、最近一年累计拐弯次数、最近一年累计急弯次数、最近一年累计驾驶时间、最近一年累计违规次数、最近一年长途次数、最近一年最高驾驶时长。
步骤203,根据预设承保信息平台,获取所述若干位车主分别对应的出险赔付特征数据。
在本实施例中,所述根据预设承保信息平台,获取所述若干位车主分别对应的出险赔付特征数据的步骤,具体包括:根据对应的所述时间限定条件和预设算法插件,对每一位车主对应的出险赔付数据进行数值化处理,获取所述每一位车主对应的数值化的出险赔付数据;将所述每一位车主对应的数值化的出险赔付数据作为该车主对应的出险赔付特征数据。
在本实施例中,所述根据对应的所述时间限定条件和预设算法插件,对每一位车主对应的出险赔付数据进行数值化处理,获取所述每一位车主对应的数值化的出险赔付数据的步骤,具体包括:在所述时间限定条件为空值的情况下,根据所述算法插件获取所述每一位车主对应的单次赔付最高金额,作为所述每一位车主对应的时间限定条件为空值时的数值化的出险赔付数据;在所述时间限定条件为最近一个月的情况下,根据所述算法插件获取所述每一位车主对应的最近一个月出险次数、最近一个月赔付最高金额、最近一个月赔付总金额,作为所述每一位车主对应的时间限定条件为最近一个月时的数值化的出险赔付数据;在所述时间限定条件为最近三个月的情况下,根据所述算法插件获取所述每一位车主对应的最近三个月出险次数、最近三个月赔付最高金额、最近三个月赔付总金额,作为所述每一位车主对应的时间限定条件为最近三个月时的数值化的出险赔付数据;在所述时间限定条件为最近一年的情况下,根据所述算法插件获取所述每一位车主对应的最近一年出险次数、最近一年赔付最高金额、最近一年赔付总金额,作为所述每一位车主对应的时间限定条件为最近一年时的数值化的出险赔付数据。
本实施例中,所述承保信息平台可以为保险公司记录客户车主出险理赔信息的数据平台,以平安车险为例,该承保信息平台可以为平安车险科技公司为记录客户车主出险理赔信息的数据平台。
本实施例中,所述获取所述若干位车主分别对应的出险赔付特征数据的步骤中,所述出险赔付特征数据至少包括:单次赔付最高金额、最近一个月出险次数、最近一个月赔付最高金额、最近一个月赔付总金额、最近三个月出险次数、最近三个月赔付最高金额、最近三个月赔付总金额、最近一年出险次数、最近一年赔付最高金额、最近一年赔付总金额。
通过获取车主对应的出险赔付数据,将出险赔付数据与驾驶行为数据作为一组关联特征数据,得出出险赔付数据与驾驶行为数据之间的关联关系,从而为此后根据新车主客户的驾驶行为数据预测该车主的出险赔付数据提供数据依据。
步骤204,根据所述若干位车主对应的驾驶行为地对所述多维度的驾驶行为特征数据和所述出险赔付特征数据进行地域性切分处理,得到N个预测模型样本组,其中,N为正整数。
本实施例中,所述根据所述若干位车主对应的驾驶行为地对所述多维度的驾驶行为特征数据和所述出险赔付特征数据进行地域性切分处理的步骤,具体包括:在执行采集若干位车主分别上传的驾驶行为数据的步骤过程中,所述方法还包括:根据所述数据采集APP或安装有所述数据采集APP的终端设备中内置的定位接口,获取采集所述驾驶行为数据时所述若干位车主分别所在的驾驶行为地;对所述若干位车主所在的驾驶行为地进行整合统计,并根据驾驶行为地的不同设置区别编号;对同一车主对应的所述多维度的驾驶行为特征数据和所述出险赔付特征数据设置对照关系;对同一驾驶行为地内不同车主分别对应的所述多维度的驾驶行为特征数据和所述出险赔付特征数据进行整合,生成预测模型样本组,并使用所述区别编号作为所述预测模型样本组的区别编号。
通过驾驶行为地对所述多维度的驾驶行为特征数据和所述出险赔付特征数据进行地域性切分处理,避免所有的驾驶行为特征数据和出险赔付特征数据仅用于训练一个预测模型,训练数据集过大,保证了在后续构建预测模型时,以地域性为单位,同时,结合地域性进行预测模型构建,间接区别了不同地域内的驾驶行为习惯。
步骤205,采用弹性网络回归算法分别对所述N个预测模型样本组进行建模,获取N个驾驶行为与赔付关系预测模型。
在本实施例中,所述采用弹性网络回归算法分别对所述N个预测模型样本组进行建模,获取N个驾驶行为与赔付关系预测模型的步骤,具体包括:根据所述区别编号,获取当前预测模型样本组中包含的同一驾驶行为地内不同车主分别对应的所述多维度的驾驶行为特征数据和所述出险赔付特征数据;将所述多维度的驾驶行为特征数据和所述出险赔付特征数据输入到预构建的人工智能学习模型,进行学习训练,获取所述多维度的驾驶行为特征数据和所述出险赔付特征数据之间的线性回归关系,其中,在对所述人工智能学习模型进行预构建时,预先根据弹性网络回归算法动态调整所述人工智能学习模型的代价函数;获得每一个区别编号对应的学习训练之后的模型,即获取到与所述切分处理数量个数相同的驾驶行为与赔付关系预测模型。
通过采用弹性网络回归算法进行学习模型迭代训练,获取到不同地域内所述多维度的驾驶行为特征数据和所述出险赔付特征数据间的关系预测模型。
本申请采用弹性网络回归算法(Elastic Net Regression),即保留了Lasso回归的特征选择的性质,又兼顾了岭回归的稳定性,岭回归与Lasso回归两种正则化的方法,当多个特征存在相关时,无用特征较多的情况下,Lasso回归可能只会随机选择其中一个较为有用的特征进行回归函数(代价函数)计算,岭回归则会选择所有的特征进行回归函数(代价函数)计算,正是由于Lasso回归和岭回归的特性使得Lasso回归更加适合单一特征选择,岭回归适合所有特征都有用时的特征选择,但是,多数情况下,单独使用Lasso回归和岭回归无法具体结合业务场景,因此,本发明采用弹性网络回归算法进行代价函数获取,其将Lasso回归和岭回归这两种正则化的方法结合起来,整合了Lasso回归和岭回归方法的优势,更加科学化。
在本实施例中,在执行所述将所述多维度的驾驶行为特征数据和所述出险赔付特征数据输入到预构建的人工智能学习模型,进行学习训练的步骤之前,所述方法还包括:对同一驾驶行为地内不同车主分别对应的所述多维度的驾驶行为特征数据和所述出险赔付特征数据进行整合;根据整合结果和预设第一比例算法,获取所述多维度的驾驶行为特征数据中每一个驾驶行为特征数据在同一驾驶行为地内所有不同车主中的权重系数,并构建所述多维度的驾驶行为特征数据对应的权重系数矩阵和第一正则表达项;根据整合结果和预设第二比例算法,获取所述出险赔付特征数据中每一个出险赔付特征数据在同一驾驶行为地内所有不同车主中的权重系数,构建所述出险赔付特征数据对应的第二正则表达项。
本实施例中,所述第一比例算法和所述第二比例算法实质上为概率值算法,以所述多维度的驾驶行为特征数据中的最近一年驾驶平均速度为例,假设某个地域内收集到的车主的最近一年驾驶平均速度的数据条数为1万条,最近一年驾驶平均速度为110KM/H的条数为100条,最近一年驾驶平均速度为60KM/H的条数为9000条,则可以得出最近一年驾驶平均速度为110KM/H对应的权重系数为0.01,最近一年驾驶平均速度为60KM/H对应的权重系数为0.9,其中,KM/H为千米每小时。通过所述权重系数能够筛选出相同地域内大部分车主的共同驾驶行为习惯。
在本实施例中,所述在对所述人工智能学习模型进行预构建时,预先根据弹性网络回归算法动态调整所述人工智能学习模型的代价函数的步骤,具体包括:根据预设弹性网络回归算法: 获取cos(x)为最小值时所述多维度的驾驶行为特征数据中每一个驾驶行为特征数据分别对应的权重系数值,其中,ωT表示所述多维度的驾驶行为特征数据对应的权重系数矩阵,‖ω‖1为第一正则表达项,‖ω‖1=|ω1|+|ω2|+…+|ωi-1|+|ωi|,为所述多维度的驾驶行为特征数据中当前特征数据的序号,N为所述多维度的驾驶行为特征数据中所有特征数据的个数,‖ω‖2为第二正则表达项,j为所述出险赔付特征数据中当前特征的序号,M为所述出险赔付特征数据中所有特征数据的个数,ω为所述多维度的驾驶行为特征数据中每一个驾驶行为特征数据所对应的权重系数,λ和ρ为预设常数,用于共同控制第一正则表达项和第二正则表达项的大小;将cos(x)为最小值时所述多维度的驾驶行为特征数据中每一个驾驶行为特征数据分别对应的权重系数值作为目标配置项对预构建的所述人工智能学习模型进行权重配置;所述权重配置完成之后的所述人工智能学习模型即学习训练完成的驾驶行为与赔付关系预测模型。
本实施例中,实质上在进行代价函数获取时采用了坐标下降法和双重循环迭代法,将所述多维度的驾驶行为特征数据的特征数据类别作为内层循环次数,即将N作为内层循环次数,将所述出险赔付特征数据的特征数据类别作为外层循环次数,即将M作为外层循环次数,通过该双重循环迭代法识别出所述出险赔付特征数据中每一个特征数据与所述多维度的驾驶行为特征数据中每一个驾驶行为特征数据间的关联关系。
通过机器学习的方式获取代价函数,将代价函数为最小值时所述多维度的驾驶行为特征数据中每一个驾驶行为特征数据分别对应的权重系数值作为目标配置项,保证了驾驶行为与赔付关系预测模型的精确性。
步骤206,采集待测车主上传的驾驶行为数据,并进行数值化加工,获取所述待测车主对应的多维度的驾驶行为特征数据,其中,所述驾驶行为特征数据中包括驾驶行为地。
通过执行上述步骤201至步骤202,获得新车主对应的多维度的驾驶行为特征数据。
步骤207,将所述驾驶行为特征数据作为输入数据输入到所述驾驶行为与赔付关系预测模型,预测所述待测车主对应的出险赔付特征数据。
步骤208,将所述出险赔付特征数据作为定价依据进行输出。
本申请根据历史车主对应的多维度的驾驶行为特征数据和出险赔付特征数据进行建模,获取驾驶行为与赔付关系预测模型;将新投保车主客户的驾驶行为特征数据输入到所述驾驶行为与赔付关系预测模型,预测所述待测车主对应的出险赔付特征数据;将所述出险赔付特征数据作为定价依据进行输出。本申请通过机器学习的方式构建驾驶行为与赔付关系预测模型,再通过学习训练完成的驾驶行为与赔付关系预测模型预测新投保车主的出险赔付特征数据,结合新投保车主的驾驶行为数据进行投保定价,更加科学化。
本申请实施例可以基于人工智能技术对相关的数据进行获取和处理。其中,人工智能(Artificial Intelligence,AI)是利用数字计算机或者数字计算机控制的机器模拟、延伸和扩展人的智能,感知环境、获取知识并使用知识获得最佳结果的理论、方法、技术及应用***。
人工智能基础技术一般包括如传感器、专用人工智能芯片、云计算、分布式存储、大数据处理技术、操作/交互***、机电一体化等技术。人工智能软件技术主要包括计算机视觉技术、机器人技术、生物识别技术、语音处理技术、自然语言处理技术以及机器学习/深度学习等几大方向。
本申请实施例中,通过机器学习的方式构建驾驶行为与赔付关系预测模型,再通过学习训练完成的驾驶行为与赔付关系预测模型预测新投保车主的出险赔付特征数据,结合新投保车主的驾驶行为数据进行投保定价,更加科学化。
进一步参考图3,作为对上述图2所示方法的实现,本申请提供了一种基于车主驾驶行为的投保定价指导装置的一个实施例,该装置实施例与图2所示的方法实施例相对应,该装置具体可以应用于各种电子设备中。
如图3所示,本实施例所述的基于车主驾驶行为的投保定价指导装置300包括:驾驶行为数据采集模块301、驾驶行为特征数据获取模块302、出险赔付特征数据获取模块303、特征数据切分处理模块304、预测模型建模模块305、测试数据获取模块306、模型预测模块307和输出结果反馈模块308。其中:
驾驶行为数据采集模块301,用于采集若干位车主分别上传的驾驶行为数据;
驾驶行为特征数据获取模块302,用于基于预设处理组件对每一位车主对应的所述驾驶行为数据进行数值化加工,获取多维度的驾驶行为特征数据;
出险赔付特征数据获取模块303,用于根据预设承保信息平台,获取所述若干位车主分别对应的出险赔付特征数据;
特征数据切分处理模块304,用于根据所述若干位车主对应的驾驶行为地对所述多维度的驾驶行为特征数据和所述出险赔付特征数据进行地域性切分处理,得到N个预测模型样本组,其中,N为正整数;
预测模型建模模块305,用于采用弹性网络回归算法分别对所述N个预测模型样本组进行建模,获取N个驾驶行为与赔付关系预测模型;
测试数据获取模块306,用于采集待测车主上传的驾驶行为数据,并进行数值化加工,获取所述待测车主对应的多维度的驾驶行为特征数据,其中,所述驾驶行为特征数据中包括驾驶行为地;
模型预测模块307,用于将所述驾驶行为特征数据作为输入数据输入到所述驾驶行为与赔付关系预测模型,预测所述待测车主对应的出险赔付特征数据;
输出结果反馈模块308,用于将所述出险赔付特征数据作为定价依据进行输出。
本申请根据历史车主对应的多维度的驾驶行为特征数据和出险赔付特征数据进行建模,获取驾驶行为与赔付关系预测模型;将新投保车主客户的驾驶行为特征数据输入到所述驾驶行为与赔付关系预测模型,预测所述待测车主对应的出险赔付特征数据;将所述出险赔付特征数据作为定价依据进行输出。本申请通过机器学习的方式构建驾驶行为与赔付关系预测模型,再通过学习训练完成的驾驶行为与赔付关系预测模型预测新投保车主的出险赔付特征数据,结合新投保车主的驾驶行为数据进行投保定价,更加科学化。
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程,是可以通过计算机可读指令来指令相关的硬件来完成,该计算机可读指令可存储于计算机可读取存储介质中,该程序在执行时,可包括如上述各方法的实施例的流程。其中,前述的存储介质可为磁碟、光盘、只读存储记忆体(Read-Only Memory,ROM)等非易失性存储介质,或随机存储记忆体(Random Access Memory,RAM)等。
应该理解的是,虽然附图的流程图中的各个步骤按照箭头的指示依次显示,但是这些步骤并不是必然按照箭头指示的顺序依次执行。除非本文中有明确的说明,这些步骤的执行并没有严格的顺序限制,其可以以其他的顺序执行。而且,附图的流程图中的至少一部分步骤可以包括多个子步骤或者多个阶段,这些子步骤或者阶段并不必然是在同一时刻执行完成,而是可以在不同的时刻执行,其执行顺序也不必然是依次进行,而是可以与其他步骤或者其他步骤的子步骤或者阶段的至少一部分轮流或者交替地执行。
为解决上述技术问题,本申请实施例还提供计算机设备。具体请参阅图4,图4为本实施例计算机设备基本结构框图。
所述计算机设备4包括通过***总线相互通信连接存储器4a、处理器4b、网络接口4c。需要指出的是,图中仅示出了具有组件4a-4c的计算机设备4,但是应理解的是,并不要求实施所有示出的组件,可以替代的实施更多或者更少的组件。其中,本技术领域技术人员可以理解,这里的计算机设备是一种能够按照事先设定或存储的指令,自动进行数值计算和/或信息处理的设备,其硬件包括但不限于微处理器、专用集成电路(ApplicationSpecific Integrated Circuit,ASIC)、可编程门阵列(Field -Programmable GateArray,FPGA)、数字处理器(Digital Signal Processor,DSP)、嵌入式设备等。
所述计算机设备可以是桌上型计算机、笔记本、掌上电脑及云端服务器等计算设备。所述计算机设备可以与用户通过键盘、鼠标、遥控器、触摸板或声控设备等方式进行人机交互。
所述存储器4a至少包括一种类型的可读存储介质,所述可读存储介质包括闪存、硬盘、多媒体卡、卡型存储器(例如,SD或DX存储器等)、随机访问存储器(RAM)、静态随机访问存储器(SRAM)、只读存储器(ROM)、电可擦除可编程只读存储器(EEPROM)、可编程只读存储器(PROM)、磁性存储器、磁盘、光盘等。在一些实施例中,所述存储器4a可以是所述计算机设备4的内部存储单元,例如该计算机设备4的硬盘或内存。在另一些实施例中,所述存储器4a也可以是所述计算机设备4的外部存储设备,例如该计算机设备4上配备的插接式硬盘,智能存储卡(Smart Media Card,SMC),安全数字(Secure Digital,SD)卡,闪存卡(FlashCard)等。当然,所述存储器4a还可以既包括所述计算机设备4的内部存储单元也包括其外部存储设备。本实施例中,所述存储器4a通常用于存储安装于所述计算机设备4的操作***和各类应用软件,例如基于车主驾驶行为的投保定价指导方法的计算机可读指令等。此外,所述存储器4a还可以用于暂时地存储已经输出或者将要输出的各类数据。
所述处理器4b在一些实施例中可以是中央处理器(Central Processing Unit,CPU)、控制器、微控制器、微处理器、或其他数据处理芯片。该处理器4b通常用于控制所述计算机设备4的总体操作。本实施例中,所述处理器4b用于运行所述存储器4a中存储的计算机可读指令或者处理数据,例如运行所述基于车主驾驶行为的投保定价指导方法的计算机可读指令。
所述网络接口4c可包括无线网络接口或有线网络接口,该网络接口4c通常用于在所述计算机设备4与其他电子设备之间建立通信连接。
本实施例提出的计算机设备,属于金融科技技术领域。本申请根据历史车主对应的多维度的驾驶行为特征数据和出险赔付特征数据进行建模,获取驾驶行为与赔付关系预测模型;将新投保车主客户的驾驶行为特征数据输入到所述驾驶行为与赔付关系预测模型,预测所述待测车主对应的出险赔付特征数据;将所述出险赔付特征数据作为定价依据进行输出。本申请通过机器学习的方式构建驾驶行为与赔付关系预测模型,再通过学习训练完成的驾驶行为与赔付关系预测模型预测新投保车主的出险赔付特征数据,结合新投保车主的驾驶行为数据进行投保定价,更加科学化。
本申请还提供了另一种实施方式,即提供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可被处理器执行,以使所述处理器执行如上述的基于车主驾驶行为的投保定价指导方法的步骤。
本实施例提出的计算机可读存储介质,属于金融科技技术领域。本申请根据历史车主对应的多维度的驾驶行为特征数据和出险赔付特征数据进行建模,获取驾驶行为与赔付关系预测模型;将新投保车主客户的驾驶行为特征数据输入到所述驾驶行为与赔付关系预测模型,预测所述待测车主对应的出险赔付特征数据;将所述出险赔付特征数据作为定价依据进行输出。本申请通过机器学习的方式构建驾驶行为与赔付关系预测模型,再通过学习训练完成的驾驶行为与赔付关系预测模型预测新投保车主的出险赔付特征数据,结合新投保车主的驾驶行为数据进行投保定价,更加科学化。
通过以上的实施方式的描述,本领域的技术人员可以清楚地了解到上述实施例方法可借助软件加必需的通用硬件平台的方式来实现,当然也可以通过硬件,但很多情况下前者是更佳的实施方式。基于这样的理解,本申请的技术方案本质上或者说对现有技术做出贡献的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(如ROM/RAM、磁碟、光盘)中,包括若干指令用以使得一台终端设备(可以是手机,计算机,服务器,空调器,或者网络设备等)执行本申请各个实施例所述的方法。
显然,以上所描述的实施例仅仅是本申请一部分实施例,而不是全部的实施例,附图中给出了本申请的较佳实施例,但并不限制本申请的专利范围。本申请可以以许多不同的形式来实现,相反地,提供这些实施例的目的是使对本申请的公开内容的理解更加透彻全面。尽管参照前述实施例对本申请进行了详细的说明,对于本领域的技术人员来而言,其依然可以对前述各具体实施方式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效替换。凡是利用本申请说明书及附图内容所做的等效结构,直接或间接运用在其他相关的技术领域,均同理在本申请专利保护范围之内。
Claims (10)
1.一种基于车主驾驶行为的投保定价指导方法,其特征在于,包括下述步骤:
采集若干位车主分别上传的驾驶行为数据;
基于预设处理组件对每一位车主对应的所述驾驶行为数据进行数值化加工,获取多维度的驾驶行为特征数据;
根据预设承保信息平台,获取所述若干位车主分别对应的出险赔付特征数据;
根据所述若干位车主对应的驾驶行为地对所述多维度的驾驶行为特征数据和所述出险赔付特征数据进行地域性切分处理,得到N个预测模型样本组,其中,N为正整数;
采用弹性网络回归算法分别对所述N个预测模型样本组进行建模,获取N个驾驶行为与赔付关系预测模型;
采集待测车主上传的驾驶行为数据,并进行数值化加工,获取所述待测车主对应的多维度的驾驶行为特征数据,其中,所述驾驶行为特征数据中包括驾驶行为地;
将所述驾驶行为特征数据作为输入数据输入到所述驾驶行为与赔付关系预测模型,预测所述待测车主对应的出险赔付特征数据;
将所述出险赔付特征数据作为定价依据进行输出。
2.根据权利要求1所述的基于车主驾驶行为的投保定价指导方法,其特征在于,所述基于预设处理组件对每一位车主对应的所述驾驶行为数据进行数值化加工,获取多维度的驾驶行为特征数据的步骤,具体包括:
根据预设时间限定条件和预设算法插件,对每一位车主对应的所述驾驶行为数据进行数值化处理,获取每一位车主对应的数值化的驾驶行为数据;
将每一位车主对应的数值化的驾驶行为数据作为该车主对应的多维度的驾驶行为特征数据。
3.根据权利要求2所述的基于车主驾驶行为的投保定价指导方法,其特征在于,所述根据预设承保信息平台,获取所述若干位车主分别对应的出险赔付特征数据的步骤,具体包括:
根据对应的所述时间限定条件和预设算法插件,对每一位车主对应的出险赔付数据进行数值化处理,获取所述每一位车主对应的数值化的出险赔付数据;
将所述每一位车主对应的数值化的出险赔付数据作为该车主对应的出险赔付特征数据。
4.根据权利要求1所述的基于车主驾驶行为的投保定价指导方法,其特征在于,所述根据所述若干位车主对应的驾驶行为地对所述多维度的驾驶行为特征数据和所述出险赔付特征数据进行地域性切分处理的步骤,具体包括:
在执行采集若干位车主分别上传的驾驶行为数据的步骤过程中,所述方法还包括:根据预设数据采集APP或安装有预设数据采集APP的终端设备中内置的定位接口,获取采集所述驾驶行为数据时所述若干位车主分别所在的驾驶行为地;
对所述若干位车主所在的驾驶行为地进行整合统计,并根据驾驶行为地的不同设置区别编号;
对同一车主对应的所述多维度的驾驶行为特征数据和所述出险赔付特征数据设置对照关系;
对同一驾驶行为地内不同车主分别对应的所述多维度的驾驶行为特征数据和所述出险赔付特征数据进行整合,生成预测模型样本组,并使用所述区别编号作为所述预测模型样本组的区别编号。
5.根据权利要求4所述的基于车主驾驶行为的投保定价指导方法,其特征在于,所述预测模型样本组中包含同一驾驶行为地内不同车主所述多维度的驾驶行为特征数据和所述出险赔付特征数据,所述采用弹性网络回归算法分别对所述N个预测模型样本组进行建模,获取N个驾驶行为与赔付关系预测模型的步骤,具体包括:
根据所述区别编号,获取当前预测模型样本组中包含的同一驾驶行为地内不同车主分别对应的所述多维度的驾驶行为特征数据和所述出险赔付特征数据;
将所述多维度的驾驶行为特征数据和所述出险赔付特征数据输入到预构建的人工智能学习模型,进行学习训练,获取所述多维度的驾驶行为特征数据和所述出险赔付特征数据之间的线性回归关系,其中,在对所述人工智能学习模型进行预构建时,预先根据弹性网络回归算法动态调整所述人工智能学习模型的代价函数;
获得每一个区别编号对应的学习训练之后的模型,即获取到与所述切分处理数量个数相同的驾驶行为与赔付关系预测模型。
6.根据权利要求5所述的基于车主驾驶行为的投保定价指导方法,其特征在于,在执行所述将所述多维度的驾驶行为特征数据和所述出险赔付特征数据输入到预构建的人工智能学习模型,进行学习训练的步骤之前,所述方法还包括:
对同一驾驶行为地内不同车主分别对应的所述多维度的驾驶行为特征数据和所述出险赔付特征数据进行整合;
根据整合结果和预设第一比例算法,获取所述多维度的驾驶行为特征数据中每一个驾驶行为特征数据在同一驾驶行为地内所有不同车主中的权重系数,并构建所述多维度的驾驶行为特征数据对应的权重系数矩阵和第一正则表达项;
根据整合结果和预设第二比例算法,获取所述出险赔付特征数据中每一个出险赔付特征数据在同一驾驶行为地内所有不同车主中的权重系数,构建所述出险赔付特征数据对应的第二正则表达项。
7.根据权利要求6所述的基于车主驾驶行为的投保定价指导方法,其特征在于,所述在对所述人工智能学习模型进行预构建时,预先根据弹性网络回归算法动态调整所述人工智能学习模型的代价函数的步骤,具体包括:
根据预设弹性网络回归算法: 获取cos(x)为最小值时所述多维度的驾驶行为特征数据中每一个驾驶行为特征数据分别对应的权重系数值,其中,ωT表示所述多维度的驾驶行为特征数据对应的权重系数矩阵,||ω||1为第一正则表达项,||ω||1=|ω1|+|ω2|+…+|ωi-1|+|ωi|,i为所述多维度的驾驶行为特征数据中当前特征数据的序号,N为所述多维度的驾驶行为特征数据中所有特征数据的个数,||ω||2为第二正则表达项,j为所述出险赔付特征数据中当前特征的序号,M为所述出险赔付特征数据中所有特征数据的个数,ω为所述多维度的驾驶行为特征数据中每一个驾驶行为特征数据所对应的权重系数,λ和ρ为预设常数,用于共同控制第一正则表达项和第二正则表达项的大小;
将cos(x)为最小值时所述多维度的驾驶行为特征数据中每一个驾驶行为特征数据分别对应的权重系数值作为目标配置项对预构建的所述人工智能学习模型进行权重配置;
所述权重配置完成之后的所述人工智能学习模型即学习训练完成的驾驶行为与赔付关系预测模型。
8.一种基于车主驾驶行为的投保定价指导装置,其特征在于,包括:
驾驶行为数据采集模块,用于采集若干位车主分别上传的驾驶行为数据;
驾驶行为特征数据获取模块,用于基于预设处理组件对每一位车主对应的所述驾驶行为数据进行数值化加工,获取多维度的驾驶行为特征数据;
出险赔付特征数据获取模块,用于根据预设承保信息平台,获取所述若干位车主分别对应的出险赔付特征数据;
特征数据切分处理模块,用于根据所述若干位车主对应的驾驶行为地对所述多维度的驾驶行为特征数据和所述出险赔付特征数据进行地域性切分处理,得到N个预测模型样本组,其中,N为正整数;
预测模型建模模块,用于采用弹性网络回归算法分别对所述N个预测模型样本组进行建模,获取N个驾驶行为与赔付关系预测模型;
测试数据获取模块,用于采集待测车主上传的驾驶行为数据,并进行数值化加工,获取所述待测车主对应的多维度的驾驶行为特征数据,其中,所述驾驶行为特征数据中包括驾驶行为地;
模型预测模块,用于将所述驾驶行为特征数据作为输入数据输入到所述驾驶行为与赔付关系预测模型,预测所述待测车主对应的出险赔付特征数据;
输出结果反馈模块,用于将所述出险赔付特征数据作为定价依据进行输出。
9.一种计算机设备,包括存储器和处理器,所述存储器中存储有计算机可读指令,所述处理器执行所述计算机可读指令时实现如权利要求1至7中任一项所述的基于车主驾驶行为的投保定价指导方法的步骤。
10.一种计算机可读存储介质,其特征在于,所述计算机可读存储介质上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权利要求1至7中任一项所述的基于车主驾驶行为的投保定价指导方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211559307.6A CN115797084A (zh) | 2022-12-06 | 2022-12-06 | 基于车主驾驶行为的投保定价指导方法及其相关设备 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211559307.6A CN115797084A (zh) | 2022-12-06 | 2022-12-06 | 基于车主驾驶行为的投保定价指导方法及其相关设备 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN115797084A true CN115797084A (zh) | 2023-03-14 |
Family
ID=85417423
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202211559307.6A Pending CN115797084A (zh) | 2022-12-06 | 2022-12-06 | 基于车主驾驶行为的投保定价指导方法及其相关设备 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115797084A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117273961A (zh) * | 2023-10-09 | 2023-12-22 | 上海金润联汇数字科技有限公司 | 一种车险数据的评估方法、装置、设备及介质 |
-
2022
- 2022-12-06 CN CN202211559307.6A patent/CN115797084A/zh active Pending
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117273961A (zh) * | 2023-10-09 | 2023-12-22 | 上海金润联汇数字科技有限公司 | 一种车险数据的评估方法、装置、设备及介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112148987A (zh) | 基于目标对象活跃度的消息推送方法及相关设备 | |
CN112085378B (zh) | 资源分配方法、装置、计算机设备及存储介质 | |
CN113326991A (zh) | 自动授权方法、装置、计算机设备及存储介质 | |
CN112925911B (zh) | 基于多模态数据的投诉分类方法及其相关设备 | |
CN114926282A (zh) | 一种异常交易的识别方法、装置、计算机设备及存储介质 | |
CN115099326A (zh) | 基于人工智能的行为预测方法、装置、设备及存储介质 | |
CN115936895A (zh) | 基于人工智能的风险评估方法、装置、设备及存储介质 | |
CN112990583A (zh) | 一种数据预测模型的入模特征确定方法及设备 | |
CN115757075A (zh) | 任务异常检测方法、装置、计算机设备及存储介质 | |
CN115797084A (zh) | 基于车主驾驶行为的投保定价指导方法及其相关设备 | |
CN113506023A (zh) | 工作行为数据分析方法、装置、设备及存储介质 | |
CN117391866A (zh) | 一种数据处理方法、装置、设备及其存储介质 | |
CN116977095A (zh) | 一种动态风控预警方法、装置、计算机设备及存储介质 | |
CN116843395A (zh) | 一种业务***的告警分级方法、装置、设备及存储介质 | |
CN116777646A (zh) | 基于人工智能的风险识别方法、装置、设备及存储介质 | |
CN115587830A (zh) | 工作任务激励方法、装置、计算机设备及存储介质 | |
CN112084408A (zh) | 名单数据筛选方法、装置、计算机设备及存储介质 | |
CN115374861A (zh) | 基于人工智能的异常预测方法、装置、设备及存储介质 | |
CN114219053B (zh) | 用户位置信息处理方法、装置及电子设备 | |
CN117408820A (zh) | 一种车险选择预测方法、装置、设备及其存储介质 | |
CN117113209A (zh) | 保单分类方法、装置、计算机设备及存储介质 | |
CN117391632A (zh) | 报案处理方法、装置、计算机设备及存储介质 | |
CN117290597A (zh) | 基于人工智能的信息推送方法、装置、设备及存储介质 | |
CN116797380A (zh) | 金融数据处理方法及其相关设备 | |
CN117407750A (zh) | 基于元数据的数据质量监控方法、装置、设备及存储介质 |
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 |