JP2020530578A - 運転行為の採点方法及び装置 - Google Patents

Abstract

本発明の実施例は運転行為の採点方法及び装置を開示する。当該方法は、ターゲット運転者の運転行為データ、運転環境データ及び保険証券データを取得するステップと、ターゲット運転者の運転行為データ、運転環境データ及び保険証券データに基づいてターゲット特徴データを確定するステップと、ターゲット特徴データを運転行為の採点モデルに入力して、ターゲット運転者の運転行為点数を取得するステップと、を含む。本発明の実施例は、採点結果の正確率を向上させ、車両保険料設定の正確率を向上させることができる。

Description

本発明は、車両運転行為分析の技術分野に関し、特に運転行為の採点方法及び装置に関する。

近年、自動車の数がますます増加するとともに、自動車のＩｏＴ技術が急速に発展するにつれて、自動車のＩｏＴ技術を活用して運転者の運転行為に基づいて保険料を設定する車両保険商品もますます多くなってきた。運転者の運転行為に対して採点を行うことによって、車両保険商品の保険料を正確に設定し、運転者の安全運転消費観念及び運転者の安全運転意識を強化して、社会全体の交通事故率を低減することができる。従来の運転行為の採点方法は、収集できるデータの種類が少なく、採点結果の正確度が低いため、車両保険商品の保険料を合理的に設定するために用いることができない。

上述の技術課題を解決するために、本発明の実施例は運転行為の採点方法及び装置を提供することによって、採点結果の正確率を向上させて、車両保険料設定の正確率を向上させることができる。
本発明の実施例の具体的な技術案は以下の通りである。

第１の態様によると、本発明の実施例は運転行為の採点方法を提供する。当該方法は、ターゲット運転者の運転行為データ、運転環境データ及び保険証券データを取得するステップと、ターゲット運転者の運転行為データ、運転環境データ及び保険証券データに基づいてターゲット特徴データを確定するステップと、ターゲット特徴データを運転行為の採点モデルに入力して、ターゲット運転者の運転行為点数を取得するステップと、を含む。

本発明の一部の実施例において、ターゲット運転者の運転行為データ、運転環境データ及び保険証券データを取得するステップは、ソフトウェア開発キットモジュールによってターゲット運転者の運転行為データを取得するステップと、車載ＴＯＦカメラモジュールによってターゲット運転者の運転環境データを取得するステップと、プリセットのインターフェースによってターゲット運転者の保険証券データを取得するステップと、を含む。

本発明の一部の実施例において、ターゲット運転者の運転行為データ、運転環境データ及び保険証券データに基づいてターゲット特徴データを確定するステップは、ターゲット運転者の運転行為データからターゲット運転者の第１の特徴を抽出するステップと、ターゲット運転者の運転環境データからターゲット運転者の第２の特徴を抽出するステップと、ターゲット運転者の保険証券データからターゲット運転者の第３の特徴及び第４の特徴を抽出するステップと、第１の特徴、第２の特徴、第３の特徴及び第４の特徴を合併して、ターゲット特徴データを確定するステップと、を含む。ここで、第１の特徴は平均走行距離、平均走行速度、急加速回数、急減速回数、急ハンドル回数及び疲労運転の有無、のうちの少なくとも１つを含み、第２の特徴は走行道路状況と車線変更回数とのうちの少なくとも１つを含み、第３の特徴は個人基本情報を含み、第４の特徴は保険証券の購入履歴情報と補償履歴情報とのうちの少なくとも１つを含む。

本発明の一部の実施例において、第１の態様に係る方法は、サンプルデータを用いて機械学習モデルを訓練して、運転行為の採点モデルを取得するステップを更に含む。

本発明の一部の実施例において、サンプルデータを用いて機械学習モデルを訓練して、運転行為の採点モデルを取得するステップは、サンプル運転者の運転行為データ、運転環境データ及び保険証券データを含むサンプルデータを取得するステップと、サンプル運転者の運転行為データ、運転環境データ及び保険証券データに基づいてサンプル特徴データ及びサンプル運転者の運転行為点数を確定するステップと、サンプル特徴データ及びサンプル運転者の運転行為点数に基づいて機械学習モデルを訓練して、運転行為の採点モデルを取得するステップと、を含む。

本発明の一部の実施例において、サンプル運転者の運転行為データ、運転環境データ及び保険証券データに基づいてサンプル特徴データ及びサンプル運転者の運転行為点数を確定するステップは、サンプル運転者の運転行為データ、運転環境データ及び保険証券データに基づいてサンプル特徴データを確定するステップと、サンプル運転者の保険証券データに基づいてサンプル運転者の運転行為点数を確定するステップと、を含む。

本発明の一部の実施例において、サンプル運転者の運転行為データ、運転環境データ及び保険証券データに基づいてサンプル特徴データを確定するステップは、サンプル運転者の運転行為データからサンプル運転者の第５の特徴を抽出するステップと、サンプル運転者の運転環境データからサンプル運転者の第６の特徴を抽出するステップと、サンプル運転者の保険証券データからサンプル運転者の第７の特徴及び第８の特徴を抽出するステップと、第５の特徴、第６の特徴、第７の特徴及び第８の特徴を合併して、サンプル特徴データを確定するステップと、を含み、サンプル運転者の保険証券データに基づいてサンプル運転者の運転行為点数を確定するステップは、第７の特徴及び第８の特徴に基づいてサンプル運転者の運転行為点数を確定するステップを含む。

本発明の一部の実施例において、第７の特徴及び第８の特徴に基づいてサンプル運転者の運転行為点数を確定するステップは、第７の特徴及び第８の特徴に基づいてサンプル運転者の補償発生率を算出するステップと、プリセットの写像関係表に基づいて、補償発生率との写像関係を有するサンプル運転者の運転行為点数を確定するステップと、を含む。なお、補償発生率が高ければ高いほど、サンプル運転者の運転行為点数が低くなる。

本発明の一部の実施例において、機械学習モデルはブースティング木モデル又はランダムフォレストモデルである。

第２の態様によると、本発明の実施例は運転行為の採点装置を提供する。当該装置は、ターゲット運転者の運転行為データ、運転環境データ及び保険証券データを取得する取得モジュールと、ターゲット運転者の運転行為データ、運転環境データ及び保険証券データに基づいてターゲット特徴データを確定する確定モジュールと、ターゲット特徴データを運転行為の採点モデルに入力して、ターゲット運転者の運転行為点数を取得する採点モジュールと、を備える。

本発明の一部の実施例において、取得モジュールは、ソフトウェア開発キットモジュールによってターゲット運転者の運転行為データを取得することと、車載ＴＯＦカメラモジュールによってターゲット運転者の運転環境データを取得することと、プリセットのインターフェースによってターゲット運転者の保険証券データを取得することと、を行う。

本発明の一部の実施例において、確定モジュールは、ターゲット運転者の運転行為データからターゲット運転者の第１の特徴を抽出することと、ターゲット運転者の運転環境データからターゲット運転者の第２の特徴を抽出することと、ターゲット運転者の保険証券データからターゲット運転者の第３の特徴及び第４の特徴を抽出することと、第１の特徴、第２の特徴、第３の特徴及び第４の特徴を合併して、ターゲット特徴データを確定することと、を行う。ここで、第１の特徴は平均走行距離、平均走行速度、急加速回数、急減速回数、急ハンドル回数及び疲労運転の有無、のうちの少なくとも１つを含み、第２の特徴は走行道路状況と車線変更回数とのうちの少なくとも１つを含み、第３の特徴は個人基本情報を含み、第４の特徴は保険証券の購入履歴情報と補償履歴情報とのうちの少なくとも１つを含む。

本発明の一部の実施例において、第２の態様に係る装置は、サンプルデータを用いて機械学習モデルを訓練して、運転行為の採点モデルを取得する訓練モジュールを更に備える。

本発明の一部の実施例において、訓練モジュールは、サンプル運転者の運転行為データ、運転環境データ及び保険証券データを含むサンプルデータを取得することと、サンプル運転者の運転行為データ、運転環境データ及び保険証券データに基づいてサンプル特徴データ及びサンプル運転者の運転行為点数を確定することと、サンプル特徴データ及びサンプル運転者の運転行為点数に基づいて機械学習モデルを訓練して、運転行為の採点モデルを取得することと、を行う。

本発明の一部の実施例において、訓練モジュールは、サンプル運転者の運転行為データ、運転環境データ及び保険証券データに基づいてサンプル特徴データを確定することと、サンプル運転者の保険証券データに基づいてサンプル運転者の運転行為点数を確定することと、を行う。

本発明の一部の実施例において、訓練モジュールは、サンプル運転者の運転行為データからサンプル運転者の第５の特徴を抽出することと、サンプル運転者の運転環境データからサンプル運転者の第６の特徴を抽出することと、サンプル運転者の保険証券データからサンプル運転者の第７の特徴及び第８の特徴を抽出することと、第５の特徴、第６の特徴、第７の特徴及び第８の特徴を合併して、サンプル特徴データを確定することと、第７の特徴及び第８の特徴に基づいてサンプル運転者の運転行為点数を確定することと、を行う。

本発明の一部の実施例において、訓練モジュールは、第７の特徴及び第８の特徴に基づいてサンプル運転者の補償発生率を算出することと、プリセットの写像関係表に基づいて、補償発生率との写像関係を有するサンプル運転者の運転行為点数を確定することと、を行う。なお、補償発生率が高ければ高いほど、サンプル運転者の運転行為点数が低くなる。

本発明の一部の実施例において、機械学習モデルはブースティング木モデル又はランダムフォレストモデルである。

第３の態様によると、本発明の実施例はコンピュータデバイスを提供する。当該コンピュータデバイスは、１つ又は複数のプロセッサと、１つ又は複数のプログラムを記憶するメモリと、を備える。なお、１つ又は複数のプログラムが１つ又は複数のプロセッサにより実行されると、１つ又は複数のプロセッサは第１の態様に記載の運転行為の採点方法を実現する。

第４の態様によると、本発明の実施例はコンピュータ読取可能な記憶媒体を提供する。当該記憶媒体にはコンピュータプログラムが記憶されており、プログラムは、プロセッサにより実行されると、第１の態様に記載の運転行為の採点方法を実現する。

本発明の実施例は運転行為の採点方法及び装置を提供し、ターゲット運転者の運転行為データ、運転環境データ及び保険証券データの複数の次元に着目して、ターゲット運転者のターゲット特徴データを抽出し、さらに運転行為の採点モデルを用いてターゲット運転者の運転行為点数を予測することによって、採点結果の正確率を向上させ、車両保険料設定の正確率を向上させることができる。

本発明の実施例に係る技術案をより明確に説明するために、以下、実施例を説明するために必要となる図面について簡単に説明する。明らかに、ここで説明される図面は本発明の一部の実施例に過ぎず、当業者であれば、これらの図面に基づいて創造的な労働をせずに他の図面を取得することができる。
本発明の一実施例により提供される運転行為の採点方法の模式的フローチャートである。 本発明の他の実施例により提供される運転行為の採点方法の模式的フローチャートである。 本発明の他の実施例により提供される運転行為の採点方法の模式的フローチャートである。 本発明の他の実施例により提供される運転行為の採点方法の模式的フローチャートである。 本発明の一実施例により提供される運転行為の採点装置の構成模式図である。 本発明の一実施例により提供されるコンピュータデバイスのダイアグラムである。

本発明の目的、技術案及び長所をより明確にするために、以下、本発明の実施例による図面を参照しながら、本発明の実施例に係る技術案に対して明確且つ完全に説明する。明らかに、説明される実施例は本発明の一部の実施例に過ぎず、すべての実施例ではない。当業者が本発明による実施例に基づいて創造的な労働をせずに得られる他の実施例は、すべて本発明の保護範囲に属する。

現在、運転行為採点のモデリングは主に、車内センサー又は車載デバイスとの通信によってユーザ運転行為データを取得するとともに、運転行為モニタリング周期内におけるモニタリング対象車両の交通事故発生の有無、及びユーザが保険会社に対して補償を請求した事故状況データを取得したうえ、分類方法を用いてデータに対してモデリングを行って、補償対象事故の発生確率を予測した後、運転行為点数と補償対象事故の発生確率との写像関係を構築する。しかしながら、このような運転行為採点のモデリング方法には主に以下のいくつかの問題が存在する。１．収集されるデータのソースが限られているため、運転行為に関連する情報しか含まれておらず、採点結果が正確でない。２．車両の持ち主の不変性を保証できない。１台の車両には複数名のユーザが登録することができるため、１台の車両の走行記録が同一ユーザのものではない可能性があり、分析へ影響を与えてしまう。３．補償対象事故の発生確率のみに基づいて運転行為に対してラベリングを行っているため、リスク発生確率についての測定が足りなく、モデルの精密度が足りない。

図１は、本発明の一実施例により提供される運転行為の採点方法の模式的フローチャートである。図１に示すように、当該方法は以下の内容を含む。

１１０：ターゲット運転者の運転行為データ、運転環境データ及び保険証券データを取得する。
具体的に、当該運転行為の採点の実行主体はサーバであってもよい。サーバは、１つのサーバであってもよく、複数のサーバからなるサーバグループであってもよい。さらに、当該サーバグループの中で、複数のサーバの間には通信接続が可能である。

サーバは、ネットワークを介して車載システムと通信接続することができる。車載システムは、ターゲット運転者の運転行為データ、運転環境データ及び保険証券データを取得することができ、データをサーバに送信する。
運転行為データは、速度、加速度、方向変換などの情報を含んでもよく、運転環境データは、道路状況、車線検出などの情報を含んでもよく、保険証券データは、ターゲット運転者の基本情報、保険証券の購買情報、及び補償情報などを含んでもよい。

１２０：ターゲット運転者の運転行為データ、運転環境データ及び保険証券データに基づいてターゲット特徴データを確定する。

具体的には、ターゲット特徴データを取得するために、運転行為データ、運転環境データ及び保険証券データのそれぞれから特徴を抽出して、特徴合併を行ってもよい。ターゲット特徴データはベクトルであってもよい。

１３０：ターゲット特徴データを運転行為の採点モデルに入力して、ターゲット運転者の運転行為点数を取得する。
具体的に、運転行為の採点モデルは機械学習モデルに対する訓練によって得られるものであってもよい。本実施例においては、オフラインで記憶している運転行為の採点モデルを呼び出して、ターゲット特徴データを運転行為の採点モデルに入力してもよい。運転行為の採点モデルは、ターゲット運転者の運転行為点数を予測し、さらにターゲット運転者の運転行為点数を出力することができる。したがってサーバとインタラクションを行う他のデバイス（例えば、保険会社にあるサーバ）がそれを呼び出して使用することができる。

本発明の実施例は運転行為の採点方法を提供し、ターゲット運転者の運転行為データ、運転環境データ及び保険証券データの複数の次元に着目することによって、ターゲット運転者のターゲット特徴データを抽出するとともに、運転行為の採点モデルを用いてターゲット運転者の運転行為点数を予測することによって、採点結果の正確率を向上させ、ひいては車両保険料設定の正確率を向上させることができる。

図２は、本発明の他の実施例により提供される運転行為の採点方法の模式的フローチャートである。図２による実施例は図１による実施例をもとに拡張したものであるため、ここでは重複を避けるために相違点のみを重点として説明する。図２に示すように、図１における１１０は以下の内容を含む。

１１１：ソフトウェア開発キット（Ｓｏｆｔｗａｒｅ Ｄｅｖｅｌｏｐｍｅｎｔ Ｋｉｔ，ＳＤＫ）モジュールによってターゲット運転者の運転行為データを取得する。

運転行為データは、ターゲット運転者の運転時間情報、走行距離情報、速度情報、方向変換情報、経緯度情報、海抜情報、携帯電話の通話状態情報、急加速情報、急減速情報、及び急ハンドル情報などを含んでもよい。

サーバは、ネットワークを介して、移動ＳＤＫモジュールを搭載している移動端末と通信接続することができる。

具体的には、ターゲット運転者の移動端末に実装された移動ＳＤＫモジュールを用いて、ターゲット運転者の運転中にＧＰＳ、加速度計及びジャイロセンサーのデータを収集して、ターゲット運転者の運転行為データを取得し、さらにターゲット運転者の運転行為データをサーバにアップロードすることができる。サーバは、ターゲット運転者の運転行為データとターゲット運転者の身分標識とをバインディングして記憶する。

ＳＤＫモジュールは移動端末の内部にあってもよい。当該移動端末はターゲット運転者の移動端末、例えば携帯電話であってもよい。携帯電話の通話状態情報は、ターゲット運転者が走行中に通話しているか否かを表すことができる。運転者の走行中通話は安全運転を妨害する行為であるため、運転者の運転行為に対して採点を行うときに携帯電話の通話状態情報を考慮することによって、採点結果の正確率を向上させることができる。

本発明の実施例においては、ターゲット運転者の運転行為データがターゲット運転者本人の移動端末に実装されたＳＤＫモジュールによって収集したものであるため、１台の車両に複数名のユーザが登録することによりもたらされる１台の車両の走行記録が同一ユーザのものではないという状況を、ある程度防ぐことができる。よって、様々な運転者それぞれの運転行為点数を予測することができる。

１１２：車載ＴＯＦカメラモジュールによってターゲット運転者の運転環境データを取得する。
運転環境関連データは、ターゲット検出情報、距離測定情報、道路状況情報及び車線検出情報を含んでもよい。

サーバはネットワークを介して車載ＴＯＦ（Ｔｉｍｅ ｏｆ Ｆｌｉｇｈｔ）カメラモジュールと通信接続することができる。移動ＳＤＫモジュールを搭載した移動端末は、車載ＴＯＦカメラモジュールと通信接続することができる。

具体的に、車載ＴＯＦカメラモジュールはターゲット運転者の車両に設置されていてもよい。運転中に車載ＴＯＦカメラモジュールを用いてターゲット検出、距離測定、道路状況及び車線検出を行うことによって、ターゲット運転者の運転環境関連データを収集し、さらに収集した運転環境関連データをサーバにアップロードすることができる。

１１３：プリセットのインターフェースによってターゲット運転者の保険証券データを取得する。
ターゲット運転者の保険証券データは、ターゲット運転者の基本情報、保険証券の購買情報及び補償情報などを含む。その中、保険証券の購買情報は、加入した保険の種類、保険金額などの情報を含む。

具体的に、プリセットのインターフェースはアプリケーションプログラミングインターフェース（Ａｐｐｌｉｃａｔｉｏｎ Ｐｒｏｇｒａｍｍｉｎｇ Ｉｎｔｅｒｆａｃｅ，ＡＰＩ）又は他の種類のインターフェースであってもよい。サーバは、プリセットのインターフェースを介して保険証券システムに接続し、ターゲット運転者の身分標識に基づいてターゲット運転者の身分標識に対応する保険証券データを保険証券システムから取得することができる。ここで、当該身分標識は、ターゲット運転者の携帯電話番号、ユーザ氏名又は運転者身分を一意に識別することができる他の情報であってもよい。

図３は、本発明の他の実施例により提供される運転行為の採点方法の模式的フローチャートである。図３による実施例は図１による実施例をもとに拡張したものであるため、ここでは重複を避けるために相違点のみを重点として説明する。図３に示すように、図１における１２０は以下の内容を含む。

１２１：ターゲット運転者の運転行為データからターゲット運転者の第１の特徴を抽出する。
第１の特徴は、平均走行距離、平均走行速度、急加速回数、急減速回数、急ハンドル回数及び疲労運転の有無、のうちの少なくとも１つを含む。

具体的には、各ターゲット運転者に対して、当該ターゲット運転者の運転行為データに含まれている運転時間情報、走行距離情報、速度情報、方向変換情報、経緯度情報、海抜情報、携帯電話の通話状態情報、急加速情報、急減速情報、及び急ハンドル情報などから、プリセットの時間ウィンドウ及びプリセットの走行距離に基づいて、毎月又は毎日の平均走行距離、平均走行速度、急加速回数、急減速回数、急ハンドル回数及び疲労運転の有無、のうちの少なくとも１つを抽出する。

又は、毎回の運転期間に対応する運転行為データから第１の特徴を抽出してもよく、すなわち毎回の運転期間は１回の採点に対応する。

１２２：ターゲット運転者の運転環境データからターゲット運転者の第２の特徴を抽出する。
第２の特徴は、走行道路状況と車線変更回数とのうちの少なくとも１つを含む。
具体的には、各ターゲット運転者に対して、当該ターゲット運転者の運転環境データに含まれているターゲット検出情報、距離測定情報、道路状況情報及び車線検出情報から、走行道路状況及び車線変更回数のうちの少なくとも１つを抽出する。

１２３：ターゲット運転者の保険証券データからターゲット運転者の第３の特徴及び第４の特徴を抽出する。
第３の特徴は個人基本情報を含み、第４の特徴は保険証券の購入履歴情報と補償履歴情報とのうちの少なくとも１つを含む。個人基本情報は年齢、性別、健康情報などを含んでもよい。
１２４：第１の特徴、第２の特徴、第３の特徴及び第４の特徴を合併して、ターゲット特徴データを確定する。

具体的には、第１の特徴、第２の特徴、第３の特徴及び第４の特徴をターゲット運転者の身分標識に基づいて特徴合併を行って、ターゲット特徴データを取得することができる。当該ターゲット特徴データはターゲット運転者の運転行為をより全面的に表すことができるため、採点結果の正確率を向上させることができる。

第１の特徴、第２の特徴、第３の特徴及び第４の特徴は、同一又は異なる次元を有する４つのベクトルであってもよい。また、特徴合併によって得られるターゲット特徴データもベクトルであってもよく、且つ当該ベクトルの次元は、特徴合併される前の４つのベクトルの次元の和であってもよい。

選択的に、１２０の前、当該方法は、ターゲット運転者の運転行為データ、運転環境データ及び保険証券データに対してデータ前処理を行うステップを更に含んでもよい。具体的には、後工程における特徴抽出に利便性を提供するために、データ洗浄、データ変換を含んでもよい。

本発明の一実施例によると、図１の方法は、サンプルデータを用いて機械学習モデルを訓練して、運転行為の採点モデルを取得するステップを更に含む。

図４は、本発明の他の実施例により提供される運転行為の採点方法の模式的フローチャートである。図４による実施例は図１による実施例をもとに拡張したものであるため、ここでは重複を避けるために、図１に記載の内容を省略して相違点のみを重点として説明する。図４に示すように、当該運転行為の採点方法は以下の内容を含む。

１４０：サンプルデータを取得する。ここで、サンプルデータはサンプル運転者の運転行為データ、運転環境データ及び保険証券データを含む。

移動ＳＤＫモジュールによってサンプル運転者の運転行為データを取得し、サンプル運転者の運転行為データをサーバにアップロードする。サーバは、サンプル運転者の運転行為データとサンプル運転者の身分標識とをバインディングして記憶する。サンプル運転者の運転行為データはサンプル運転者本人の移動端末に実装されたＳＤＫモジュールによって収集したものであるため、１台の車両に複数名のユーザが登録することによりもたらされる１台の車両の走行記録が同一ユーザのものではないという状況を、ある程度防ぐことができる。したがって、後工程における運転行為の採点モデルのモデリングプロセスにデータ干渉をもたらすことを防ぐことができる。

車載ＴＯＦカメラモジュールによってサンプル運転者の運転環境データを取得し、サンプル運転者の運転環境データをサーバにアップロードし、サーバによりサンプル運転者の運転環境関連データとサンプル運転者の身分標識とをバインディングして記憶する。

プリセットのインターフェースによってサンプル運転者の保険証券データを取得する。
１４０の具体的な実施プロセス、並びに、サンプル運転者の運転行為データ、運転環境データ及び保険証券データに含まれる具体的な情報については、上述の図１及び図２に記載の内容を参照すればよく、ここでは説明を省略する。

１５０：サンプル運転者の運転行為データ、運転環境データ及び保険証券データに基づいて、サンプル特徴データ及びサンプル運転者の運転行為点数を確定する。

具体的には、サンプル運転者の運転行為データ、運転環境データ及び保険証券データに基づいてサンプル特徴データを確定し、サンプル運転者の保険証券データに基づいてサンプル運転者の運転行為点数を確定する。

一実施例において、サンプル運転者の運転行為データ、運転環境データ及び保険証券データに基づいてサンプル特徴データを確定するステップは、サンプル運転者の運転行為データからサンプル運転者の第５の特徴を抽出するステップと、サンプル運転者の運転環境データからサンプル運転者の第６の特徴を抽出するステップと、サンプル運転者の保険証券データからサンプル運転者の第７の特徴及び第８の特徴を抽出するステップと、第５の特徴、第６の特徴、第７の特徴及び第８の特徴を合併して、サンプル特徴データを確定するステップと、を含む。また、サンプル運転者の保険証券データに基づいてサンプル運転者の運転行為点数を確定するステップは、第７の特徴及び第８の特徴に基づいてサンプル運転者の運転行為点数を確定するステップを含む。

具体的に、第５の特徴は平均走行距離、平均走行速度、急加速回数、急減速回数、急ハンドル回数及び疲労運転の有無、のうちの少なくとも１つを含んでもよい。第６の特徴は走行道路状況と車線変更回数とのうちの少なくとも１つを含んでもよい。第７の特徴は個人基本情報を含んでもよい。第８の特徴は保険証券の購入履歴情報と補償履歴情報とのうちの少なくとも１つを含んでもよい。
サンプル運転者の身分標識に基づいて、第５の特徴、第６の特徴、第７の特徴及び第８の特徴を特徴合併して、サンプル特徴データを取得する。ここで、サンプル運転者のサンプル特徴データをリスト形式で記憶してもよい。

１５０の具体的な実施プロセスについては、上述の図１及び図３に記載の内容を参照すればよく、ここでは説明を省略する。

本発明の実施例においては、サンプル運転者の運転行為データ、運転環境データ及び保険証券データのそれぞれから特徴を抽出し且つ特徴合併を行うことによってサンプル特徴データを取得するため、このように取得するサンプル特徴データは、サンプル運転者の運転行為をより全面的に表すことができる。したがって、後工程における訓練によって取得するモデルは、運転者の運転行為に対してより精密に評価を行うことができる。

一実施例において、第７の特徴及び第８の特徴に基づいてサンプル運転者の運転行為点数を確定するステップは、第７の特徴及び第８の特徴に基づいてサンプル運転者の補償発生率を算出するステップと、プリセットの写像関係表に基づいて、補償発生率との写像関係を有するサンプル運転者の運転行為点数を確定するステップと、を含む。なお、補償発生率が高ければ高いほど、サンプル運転者の運転行為点数が低くなる。

具体的に、保険証券データから抽出する特徴はサンプル運転者の補償履歴情報を含む。サンプル運転者の補償履歴情報に基づいて、サンプル運転者の補償発生率を算出することができる。
写像関係表において、補償発生率が高ければ高いほど、それに対応する運転行為点数が低くなる。一例として、点数範囲は０~１００であってもよい。写像から得られる運転行為点数は、サンプル運転者のラベル情報として用いられることができる。

１６０：サンプル特徴データ及びサンプル運転者の運転行為点数に基づいて機械学習モデルを訓練して、運転行為の採点モデルを取得する。

訓練によって取得した運転行為の採点モデルを記憶し、サンプル運転者以外のターゲット運転者の運転行為に対して採点するときに当該モデルを用いることができる。１４０乃至１６０は、１３０の前に実行してもよい。

本発明の一実施例によると、機械学習モデルは木構造に基づく集積学習モデルＸＧＢｏｏｓｔ（ｅＸｔｒｅｍｅ Ｇｒａｄｉｅｎｔ Ｂｏｏｓｔｉｎｇ）である。与えられたデータ集合Ｄ＝｛（ｘ_ｉ，ｙ_ｉ）｝に対して、ＸＧＢｏｏｓｔモデルの関数形式は以下の通りである。

また、機械学習モデルはＸＧＢｏｏｓｔモデル以外の他のブースティング木モデル（ｂｏｏｓｔｉｎｇ ｔｒｅｅ）であってもよく、ランダムフォレストモデルなどの他の種類の機械学習モデルであってもよく、本発明はそれについて制限しない。

本発明の実施例により提供される運転行為の採点方法は、サンプル運転者の運転行為データ、運転環境データ及び保険証券データの複数の次元に着目することによってサンプル特徴データを抽出するとともに、サンプル運転者の保険証券データに基づいてサンプル運転者の運転行為点数を取得し、さらにサンプル特徴データ及びサンプル運転者の運転行為点数に基づいて機械学習モデルを訓練して、運転行為の採点モデルを取得する。したがって、運転者の運転行為に対するモデリングを多次元且つ精密的に実現することができ、ひいては運転行為の採点モデルを用いて様々な運転者それぞれの運転行為点数を正確に予測することができる。

図５は、本発明の一実施例により提供される運転行為の採点装置５００の構成模式図である。図５に示すように、当該装置５００は取得モジュール５１０、確定モジュール５２０及び採点モジュール５３０を備える。

取得モジュール５１０は、ターゲット運転者の運転行為データ、運転環境データ及び保険証券データを取得する。確定モジュール５２０は、ターゲット運転者の運転行為データ、運転環境データ及び保険証券データに基づいてターゲット特徴データを確定する。採点モジュール５３０は、ターゲット特徴データを運転行為の採点モデルに入力して、ターゲット運転者の運転行為点数を取得する。

本発明の実施例は運転行為の採点装置を提供し、ターゲット運転者の運転行為データ、運転環境データ及び保険証券データの複数の次元に着目することによってターゲット運転者のターゲット特徴データを抽出し、運転行為の採点モデルを用いてターゲット運転者の運転行為点数を予測することによって、採点結果の正確率を向上させ、ひいては車両保険料設定の正確率を向上させることができる。
本発明の一実施例によると、取得モジュール５１０は、ソフトウェア開発キットモジュールによってターゲット運転者の運転行為データを取得することと、車載ＴＯＦカメラモジュールによってターゲット運転者の運転環境データを取得することと、プリセットのインターフェースによってターゲット運転者の保険証券データを取得することと、を行う。

本発明の一実施例によると、確定モジュール５２０は、ターゲット運転者の運転行為データからターゲット運転者の第１の特徴を抽出することと、ターゲット運転者の運転環境データからターゲット運転者の第２の特徴を抽出することと、ターゲット運転者の保険証券データからターゲット運転者の第３の特徴及び第４の特徴を抽出することと、第１の特徴、第２の特徴、第３の特徴及び第４の特徴を合併して、ターゲット特徴データを確定することと、を行う。ここで、第１の特徴は平均走行距離、平均走行速度、急加速回数、急減速回数、急ハンドル回数及び疲労運転の有無、のうちの少なくとも１つを含み、第２の特徴は走行道路状況と車線変更回数とのうちの少なくとも１つを含み、第３の特徴は個人基本情報を含み、第４の特徴は保険証券の購入履歴情報と補償履歴情報とのうちの少なくとも１つを含む。

本発明の一実施例によると、装置５００は、サンプルデータを用いて機械学習モデルを訓練して、運転行為の採点モデルを取得する訓練モジュール５４０を更に備える。

本発明の一実施例によると、訓練モジュール５４０は、サンプルデータを取得することと、サンプル運転者の運転行為データ、運転環境データ及び保険証券データに基づいて、サンプル特徴データ及びサンプル運転者の運転行為点数を確定することと、サンプル特徴データ及びサンプル運転者の運転行為点数に基づいて機械学習モデルを訓練して、運転行為の採点モデルを取得することと、を行う。ここで、サンプルデータはサンプル運転者の運転行為データ、運転環境データ及び保険証券データを含む。

本発明の一実施例によると、訓練モジュール５４０は、サンプル運転者の運転行為データ、運転環境データ及び保険証券データに基づいてサンプル特徴データを確定することと、サンプル運転者の保険証券データに基づいてサンプル運転者の運転行為点数を確定することと、を行う。

本発明の一実施例によると、訓練モジュール５４０は、サンプル運転者の運転行為データからサンプル運転者の第５の特徴を抽出することと、サンプル運転者の運転環境データからサンプル運転者の第６の特徴を抽出することと、サンプル運転者の保険証券データからサンプル運転者の第７の特徴及び第８の特徴を抽出することと、第５の特徴、第６の特徴、第７の特徴及び第８の特徴を合併して、サンプル特徴データを確定することと、第７の特徴及び第８の特徴に基づいてサンプル運転者の運転行為点数を確定することと、を行う。

本発明の一実施例によると、訓練モジュール５４０は、第７の特徴及び第８の特徴に基づいて、サンプル運転者の補償発生率を算出することと、プリセットの写像関係表に基づいて、補償発生率との写像関係を有するサンプル運転者の運転行為点数を確定することと、を行う。なお、補償発生率が高ければ高いほど、サンプル運転者の運転行為点数が低くなる。

本発明の一実施例によると、機械学習モデルはブースティング木モデル又はランダムフォレストモデルである。

本発明の実施例により提供される運転行為の採点装置は、本発明の実施例により提供される運転行為の採点方法と同一な発明思想に属し、本発明のいずれか一実施例に係る運転行為の採点方法を実行することができ、運転行為の採点方法を実行するための機能モジュール及び有益効果を有する。本実施例において詳しく説明されていない技術細部については、本発明の実施例に係る運転行為の採点方法を参照すればよく、ここでは説明を省略する。

図６は、本発明の一実施例により提供されるコンピュータデバイス６０のダイアグラムである。当該コンピュータデバイス６０は、１つ又は複数のプロセッサ６１と、１つ又は複数のプログラムを記憶するメモリ６２と、を備える。１つ又は複数のプログラムが１つ又は複数のプロセッサ６１により実行されると、１つ又は複数のプロセッサ６１は上述の実施例に記載の運転行為の採点方法を実現する。

さらに、本発明の実施例はコンピュータ読取可能な記憶媒体を提供する。当該記憶媒体にはコンピュータプログラムが記憶されており、当該プログラムはプロセッサにより実行されると、上述の実施例に記載の運転行為の採点方法を実現する。

当業者が理解できる通り、本発明の実施例のうちの実施例は方法、システム、又はコンピュータプログラム製品として提供されることができる。そこで、本発明の実施例においては、完全なハードウェア実施例、完全なソフトウェア実施例、又はソフトウェアとハードウェアを結合した実施例の形を採用することができる。さらに、本発明の実施例においては、コンピュータ使用可能なプログラムコードを含んでいる１つ又は複数のコンピュータ使用可能な記憶媒体（磁気メモリ、ＣＤ−ＲＯＭ、光学メモリなどを含むがそれらに限られない）によって実行されるコンピュータプログラム製品の形を採用することもできる。

本願においては、本願の実施例による方法、デバイス（システム）、コンピュータプログラム製品のフローチャート及び／又はダイアグラムなどを参照しながら実施例を説明した。フローチャート及び／又はダイアグラムにおける各ステップ及び／又はブロック、及び、フローチャート及び／又はダイアグラムにおけるステップ及び／又はブロックの組み合わせは、コンピュータプログラムの命令によって実現されることができることに留意されたい。一般コンピュータ、専用コンピュータ、埋め込みプロセッサ、又は他のプログラマブルデータ処理デバイスのプロセッサにこれらのコンピュータプログラムを実装すると、コンピュータ又は他のプログラマブルデータ処理データ処理デバイスのプロセッサが命令を実行することによって、フローチャートにおける１つ又は複数のステップ及び／又はダイアグラムにおける１つ又は複数のブロックにより指定される機能を実現することができる装置になる。

これらのコンピュータプログラム命令はコンピュータ読取可能なメモリに記憶されてもよい。当該コンピュータ読取可能なメモリは、コンピュータ又は他のプログラマブルデータ処理デバイスに特定の方式で作業させることができる。したがって、当該コンピュータ読取可能なメモリに記憶されている命令が実行されると、フローチャートにおける１つ又は複数のステップ及び／又はダイアグラムにおける１つ又は複数のブロックにより指定される機能を実現することができる装置を備えた製品が形成される。

これらのコンピュータプログラム命令はコンピュータ又は他のプログラマブルデータ処理デバイスに実装されてもよい。したがってコンピュータ又は他のプログラマブルデータ処理デバイスは一連の作業プロセスを実行してコンピュータによる処理を実現することによって、コンピュータ又は他のプログラマブルデータ処理デバイスにより実行される命令がフローチャートにおける１つ又は複数のステップ及び／又はダイアグラムにおける１つ又は複数のブロックにより指定される機能を実行するプロセスを提供する。

本明細書においては本願の実施例のうちの好ましい実施例のみを説明したが、当業者であれば、基本的な創造的概念を把握できた以上、これらの実施例に対して他の変更や変動を行うことができる。そこで、本願は、好ましい実施例及び本願の実施例の範囲に属するすべての変更や変動を、特許請求の範囲によって解釈する。

明らかに、当業者であれば、本発明の精神と範囲を逸脱せずに本発明に対して様々な変動や変形を実現することができる。このような変動や変形が本発明の特許請求の範囲又は同等な技術範囲に属する場合、それらの変動や変形は本発明の保護範囲に入るものになる。

Claims (20)

1. 運転行為の採点方法であって、
   ターゲット運転者の運転行為データ、運転環境データ及び保険証券データを取得するステップと、
   前記ターゲット運転者の運転行為データ、運転環境データ及び保険証券データに基づいてターゲット特徴データを確定するステップと、
   前記ターゲット特徴データを運転行為の採点モデルに入力して、前記ターゲット運転者の運転行為点数を取得するステップと、を含む
   ことを特徴とする運転行為の採点方法。
2. ターゲット運転者の運転行為データ、運転環境データ及び保険証券データを取得する前記ステップは、
   ソフトウェア開発キットモジュールによって前記ターゲット運転者の運転行為データを取得するステップと、
   車載ＴＯＦカメラモジュールによって前記ターゲット運転者の運転環境データを取得するステップと、
   プリセットのインターフェースによって前記ターゲット運転者の保険証券データを取得するステップと、を含む
   ことを特徴とする請求項１に記載の方法。
3. 前記ターゲット運転者の運転行為データ、運転環境データ及び保険証券データに基づいてターゲット特徴データを確定する前記ステップは、
   前記ターゲット運転者の運転行為データから前記ターゲット運転者の第１の特徴を抽出するステップと、
   前記ターゲット運転者の運転環境データから前記ターゲット運転者の第２の特徴を抽出するステップと、
   前記ターゲット運転者の保険証券データから前記ターゲット運転者の第３の特徴及び第４の特徴を抽出するステップと、
   前記第１の特徴、前記第２の特徴、前記第３の特徴及び前記第４の特徴を合併して、前記ターゲット特徴データを確定するステップと、を含み、
   前記第１の特徴は平均走行距離、平均走行速度、急加速回数、急減速回数、急ハンドル回数及び疲労運転の有無、のうちの少なくとも１つを含み、前記第２の特徴は走行道路状況と車線変更回数とのうちの少なくとも１つを含み、前記第３の特徴は個人基本情報を含み、前記第４の特徴は保険証券の購入履歴情報と補償履歴情報とのうちの少なくとも１つを含む
   ことを特徴とする請求項１又は２に記載の方法。
4. サンプルデータを用いて機械学習モデルを訓練して、前記運転行為の採点モデルを取得するステップを更に含む
   ことを特徴とする請求項１乃至３のいずれか一項に記載の方法。
5. サンプルデータを用いて機械学習モデルを訓練して、前記運転行為の採点モデルを取得する前記ステップは、
   サンプル運転者の運転行為データ、運転環境データ及び保険証券データを含む前記サンプルデータを取得するステップと、
   前記サンプル運転者の運転行為データ、運転環境データ及び保険証券データに基づいてサンプル特徴データ及び前記サンプル運転者の運転行為点数を確定するステップと、
   前記サンプル特徴データ及び前記サンプル運転者の運転行為点数に基づいて前記機械学習モデルを訓練して、前記運転行為の採点モデルを取得するステップと、を含む
   ことを特徴とする請求項４に記載の方法。
6. 前記サンプル運転者の運転行為データ、運転環境データ及び保険証券データに基づいてサンプル特徴データ及び前記サンプル運転者の運転行為点数を確定する前記ステップは、
   前記サンプル運転者の運転行為データ、運転環境データ及び保険証券データに基づいて前記サンプル特徴データを確定するステップと、
   前記サンプル運転者の保険証券データに基づいて前記サンプル運転者の運転行為点数を確定するステップと、を含む
   ことを特徴とする請求項５に記載の方法。
7. 前記サンプル運転者の運転行為データ、運転環境データ及び保険証券データに基づいて前記サンプル特徴データを確定する前記ステップは、
   前記サンプル運転者の運転行為データから前記サンプル運転者の第５の特徴を抽出するステップと、
   前記サンプル運転者の運転環境データから前記サンプル運転者の第６の特徴を抽出するステップと、
   前記サンプル運転者の保険証券データから前記サンプル運転者の第７の特徴及び第８の特徴を抽出するステップと、
   前記第５の特徴、前記第６の特徴、前記第７の特徴及び前記第８の特徴を合併して、前記サンプル特徴データを確定するステップと、を含み、
   前記サンプル運転者の保険証券データに基づいて前記サンプル運転者の運転行為点数を確定する前記ステップは、
   前記第７の特徴及び前記第８の特徴に基づいて前記サンプル運転者の運転行為点数を確定するステップを含む
   ことを特徴とする請求項６に記載の方法。
8. 前記第７の特徴及び前記第８の特徴に基づいて前記サンプル運転者の運転行為点数を確定する前記ステップは、
   前記第７の特徴及び前記第８の特徴に基づいて前記サンプル運転者の補償発生率を算出するステップと、
   プリセットの写像関係表に基づいて、前記補償発生率との写像関係を有する前記サンプル運転者の運転行為点数を確定するステップと、を含み、
   前記補償発生率が高ければ高いほど、前記サンプル運転者の運転行為点数が低くなる
   ことを特徴とする請求項７に記載の方法。
9. 前記機械学習モデルはブースティング木モデル又はランダムフォレストモデルである
   ことを特徴とする請求項４乃至８のいずれか一項に記載の方法。
10. 運転行為の採点装置であって、
    ターゲット運転者の運転行為データ、運転環境データ及び保険証券データを取得する取得モジュールと、
    前記ターゲット運転者の運転行為データ、運転環境データ及び保険証券データに基づいてターゲット特徴データを確定する確定モジュールと、
    前記ターゲット特徴データを運転行為の採点モデルに入力して、前記ターゲット運転者の運転行為点数を取得する採点モジュールと、を備える
    ことを特徴とする運転行為の採点装置。
11. 前記取得モジュールは、
    ソフトウェア開発キットモジュールによって前記ターゲット運転者の運転行為データを取得することと、
    車載ＴＯＦカメラモジュールによって前記ターゲット運転者の運転環境データを取得することと、
    プリセットのインターフェースによって前記ターゲット運転者の保険証券データを取得することと、を行う
    ことを特徴とする請求項１０装置。
12. 前記確定モジュールは、
    前記ターゲット運転者の運転行為データから前記ターゲット運転者の第１の特徴を抽出することと、
    前記ターゲット運転者の運転環境データから前記ターゲット運転者の第２の特徴を抽出することと、
    前記ターゲット運転者の保険証券データから前記ターゲット運転者の第３の特徴及び第４の特徴を抽出することと、
    前記第１の特徴、前記第２の特徴、前記第３の特徴及び前記第４の特徴を合併して、前記ターゲット特徴データを確定することと、を行い、
    前記第１の特徴は平均走行距離、平均走行速度、急加速回数、急減速回数、急ハンドル回数及び疲労運転の有無、のうちの少なくとも１つを含み、前記第２の特徴は走行道路状況と車線変更回数とのうちの少なくとも１つを含み、前記第３の特徴は個人基本情報を含み、前記第４の特徴は保険証券の購入履歴情報と補償履歴情報とのうちの少なくとも１つを含む
    ことを特徴とする請求項１０又は１１に記載の装置。
13. サンプルデータを用いて機械学習モデルを訓練して、前記運転行為の採点モデルを取得する訓練モジュールを更に備える
    ことを特徴とする請求項１０乃至１２のいずれか一項に記載の装置。
14. 前記訓練モジュールは、
    サンプル運転者の運転行為データ、運転環境データ及び保険証券データを含む前記サンプルデータを取得することと、
    前記サンプル運転者の運転行為データ、運転環境データ及び保険証券データに基づいてサンプル特徴データ及び前記サンプル運転者の運転行為点数を確定することと、
    前記サンプル特徴データ及び前記サンプル運転者の運転行為点数に基づいて前記機械学習モデルを訓練して、前記運転行為の採点モデルを取得することと、を行う
    ことを特徴とする請求項１３に記載の装置。
15. 前記訓練モジュールは、
    前記サンプル運転者の運転行為データ、運転環境データ及び保険証券データに基づいて前記サンプル特徴データを確定することと、
    前記サンプル運転者の保険証券データに基づいて前記サンプル運転者の運転行為点数を確定することと、を行う
    ことを特徴とする請求項１４に記載の装置。
16. 前記訓練モジュールは、
    前記サンプル運転者の運転行為データから前記サンプル運転者の第５の特徴を抽出することと、
    前記サンプル運転者の運転環境データから前記サンプル運転者の第６の特徴を抽出することと、
    前記サンプル運転者の保険証券データから前記サンプル運転者の第７の特徴及び第８の特徴を抽出することと、
    前記第５の特徴、前記第６の特徴、前記第７の特徴及び前記第８の特徴を合併して、前記サンプル特徴データを確定することと、
    前記第７の特徴及び前記第８の特徴に基づいて前記サンプル運転者の運転行為点数を確定することと、を行う
    ことを特徴とする請求項１５に記載の装置。
17. 前記訓練モジュールは、
    前記第７の特徴及び前記第８の特徴に基づいて前記サンプル運転者の補償発生率を算出することと、
    プリセットの写像関係表に基づいて、前記補償発生率との写像関係を有する前記サンプル運転者の運転行為点数を確定することと、を行い、
    前記補償発生率が高ければ高いほど、前記サンプル運転者の運転行為点数が低くなる
    ことを特徴とする請求項１６に記載の装置。
18. 前記機械学習モデルはブースティング木モデル又はランダムフォレストモデルである
    ことを特徴とする請求項１３乃至１７のいずれか一項に記載の装置。
19. コンピュータデバイスであって、
    １つ又は複数のプロセッサと、
    １つ又は複数のプログラムを記憶するメモリと、を備え、
    前記１つ又は複数のプログラムが前記１つ又は複数のプロセッサにより実行されると、前記１つ又は複数のプロセッサは請求項１乃至９のいずれか一項に記載の運転行為の採点方法を実現する
    ことを特徴とするコンピュータデバイス。
20. コンピュータ読取可能な記憶媒体であって、
    コンピュータプログラムが記憶されており、
    前記プログラムは、プロセッサにより実行されると、請求項１乃至９のいずれか一項に記載の運転行為の採点方法を実現する
    ことを特徴とするコンピュータ読取可能な記憶媒体。