JP2020530578A - 運転行為の採点方法及び装置 - Google Patents
運転行為の採点方法及び装置 Download PDFInfo
- Publication number
- JP2020530578A JP2020530578A JP2019561133A JP2019561133A JP2020530578A JP 2020530578 A JP2020530578 A JP 2020530578A JP 2019561133 A JP2019561133 A JP 2019561133A JP 2019561133 A JP2019561133 A JP 2019561133A JP 2020530578 A JP2020530578 A JP 2020530578A
- Authority
- JP
- Japan
- Prior art keywords
- data
- feature
- driver
- driving
- sample
- 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
- 238000013077 scoring method Methods 0.000 title claims abstract description 25
- 238000000034 method Methods 0.000 claims abstract description 31
- 230000006399 behavior Effects 0.000 claims description 149
- 230000009471 action Effects 0.000 claims description 70
- 238000012549 training Methods 0.000 claims description 25
- 238000010801 machine learning Methods 0.000 claims description 24
- 238000013507 mapping Methods 0.000 claims description 14
- 230000001133 acceleration Effects 0.000 claims description 11
- 238000004590 computer program Methods 0.000 claims description 10
- 238000007637 random forest analysis Methods 0.000 claims description 6
- 238000012790 confirmation Methods 0.000 claims description 5
- 238000010586 diagram Methods 0.000 description 10
- 239000000284 extract Substances 0.000 description 9
- 238000012545 processing Methods 0.000 description 8
- 238000001514 detection method Methods 0.000 description 7
- 230000008569 process Effects 0.000 description 7
- 239000013598 vector Substances 0.000 description 5
- 230000006870 function Effects 0.000 description 4
- 230000008859 change Effects 0.000 description 3
- 238000005259 measurement Methods 0.000 description 3
- 206010039203 Road traffic accident Diseases 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 2
- 238000004891 communication Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 238000004140 cleaning Methods 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 230000036541 health Effects 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000007781 pre-processing Methods 0.000 description 1
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
- G06Q10/0639—Performance analysis of employees; Performance analysis of enterprise or organisation operations
- G06Q10/06393—Score-carding, benchmarking or key performance indicator [KPI] analysis
-
- 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
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/40—Business processes related to the transportation industry
Landscapes
- Business, Economics & Management (AREA)
- Human Resources & Organizations (AREA)
- Engineering & Computer Science (AREA)
- Economics (AREA)
- Strategic Management (AREA)
- Tourism & Hospitality (AREA)
- General Business, Economics & Management (AREA)
- Theoretical Computer Science (AREA)
- Educational Administration (AREA)
- Marketing (AREA)
- Entrepreneurship & Innovation (AREA)
- General Physics & Mathematics (AREA)
- Development Economics (AREA)
- Physics & Mathematics (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Game Theory and Decision Science (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Primary Health Care (AREA)
- Financial Or Insurance-Related Operations Such As Payment And Settlement (AREA)
- Traffic Control Systems (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
- Time Recorders, Dirve Recorders, Access Control (AREA)
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。
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。
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。
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。
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。
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。
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。
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。
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。
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。
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。
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。
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={(xi,yi)}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、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)
- 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。 - 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。 - 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。 - 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。 - 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。 - 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。 - 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。 - 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。 - 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。 - 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。 - 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。 - 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。 - 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。 - 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。 - 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。 - 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。 - 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。 - 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。 - 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。 - 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。
Applications Claiming Priority (3)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810796046.7 | 2018-07-19 | ||
CN201810796046.7A CN109118055B (zh) | 2018-07-19 | 2018-07-19 | 一种驾驶行为评分方法及装置 |
PCT/CN2019/094500 WO2020015526A1 (zh) | 2018-07-19 | 2019-07-03 | 驾驶行为评分方法及装置 |
Publications (1)
Publication Number | Publication Date |
---|---|
JP2020530578A true JP2020530578A (ja) | 2020-10-22 |
Family
ID=64863029
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
JP2019561133A Pending JP2020530578A (ja) | 2018-07-19 | 2019-07-03 | 運転行為の採点方法及び装置 |
Country Status (4)
Country | Link |
---|---|
JP (1) | JP2020530578A (ja) |
CN (1) | CN109118055B (ja) |
SG (1) | SG11202002191SA (ja) |
WO (1) | WO2020015526A1 (ja) |
Families Citing this family (24)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109118055B (zh) * | 2018-07-19 | 2021-12-21 | 众安信息技术服务有限公司 | 一种驾驶行为评分方法及装置 |
CN110329268B (zh) * | 2019-03-22 | 2021-04-06 | 中国人民财产保险股份有限公司 | 驾驶行为数据处理方法、设备、存储介质及*** |
CN111833480B (zh) * | 2019-04-12 | 2022-04-15 | 比亚迪股份有限公司 | 驾驶行为检测方法、装置和车辆 |
CN110956867B (zh) * | 2019-05-15 | 2021-07-27 | 多伦科技股份有限公司 | 基于大数据驾驶员行为分析的培训***及培训方法 |
CN110390534A (zh) * | 2019-06-04 | 2019-10-29 | 天津五八到家科技有限公司 | 网约车司机安全认证方法、装置、设备及存储介质 |
CN110288096B (zh) * | 2019-06-28 | 2021-06-08 | 满帮信息咨询有限公司 | 预测模型训练及预测方法、装置、电子设备、存储介质 |
CN110386145B (zh) * | 2019-06-28 | 2020-07-07 | 北京理工大学 | 一种目标驾驶员驾驶行为实时预测*** |
CN110458214B (zh) * | 2019-07-31 | 2023-07-07 | 上海远眸软件有限公司 | 驾驶员更换识别方法和装置 |
CN110738574A (zh) * | 2019-09-06 | 2020-01-31 | 中国平安财产保险股份有限公司 | 数据预测方法、装置、设备及存储介质 |
CN111986489B (zh) * | 2019-11-07 | 2021-08-03 | 深圳鼎然信息科技有限公司 | 交通工具的智能安全预警方法、装置、***及存储介质 |
CN110765122B (zh) * | 2019-11-07 | 2022-05-24 | 深圳鼎然信息科技有限公司 | 基于sdk实现数据采集和驾驶评测的方法、装置及*** |
US11341525B1 (en) | 2020-01-24 | 2022-05-24 | BlueOwl, LLC | Systems and methods for telematics data marketplace |
CN111815116A (zh) * | 2020-06-09 | 2020-10-23 | 广州亚美信息科技有限公司 | 驾驶员评分方法、装置、计算机设备和存储介质 |
CN111739294B (zh) * | 2020-06-11 | 2021-08-24 | 腾讯科技(深圳)有限公司 | 一种路况信息收集方法、装置、设备及存储介质 |
CN111724597B (zh) * | 2020-06-24 | 2022-07-08 | 天津大学 | 基于驾驶行为评估驾驶员认知表现的研究方法 |
CN111814880A (zh) * | 2020-07-10 | 2020-10-23 | 北京航空航天大学 | 一种基于贝叶斯最优化XGBoost算法的疲劳预测方法 |
CN112232158B (zh) * | 2020-09-30 | 2022-08-23 | 易显智能科技有限责任公司 | 一种基于驾驶行为特征的替训作弊查证***及方法 |
CN112329543A (zh) * | 2020-10-12 | 2021-02-05 | 易显智能科技有限责任公司 | 一种驾驶能力过程性评价的方法及相关装置 |
CN112319489B (zh) * | 2020-11-18 | 2022-03-04 | 三一重型装备有限公司 | 驾驶行为监测方法、监测***、服务器和存储介质 |
CN113283548B (zh) * | 2021-07-22 | 2021-10-19 | 天津所托瑞安汽车科技有限公司 | 一种车辆安全评分方法、装置、设备和存储介质 |
CN113635915B (zh) * | 2021-08-24 | 2023-01-06 | 中国人民解放军陆军装甲兵学院 | 车辆驾驶预警方法、装置、电子设备和存储介质 |
CN114241429A (zh) * | 2021-12-15 | 2022-03-25 | 平安科技(深圳)有限公司 | 驾驶风险等级确定方法、装置、计算机设备及存储介质 |
CN114419950A (zh) * | 2022-01-22 | 2022-04-29 | 易显智能科技有限责任公司 | 一种基于大数据分析的驾培教学优化方法及*** |
CN114999022B (zh) * | 2022-05-19 | 2024-05-17 | 成都亿盟恒信科技有限公司 | 一种基于历史驾驶数据的驾驶习惯分析*** |
Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2009128486A (ja) * | 2007-11-21 | 2009-06-11 | Hitachi Ltd | 安全運転診断システム及び自動車保険料設定システム |
CN106127586A (zh) * | 2016-06-17 | 2016-11-16 | 上海经达信息科技股份有限公司 | 大数据时代下车险费率辅助决策*** |
KR20170004141A (ko) * | 2015-07-01 | 2017-01-11 | 주식회사 케이티 | 차선 이탈 경보 시스템 및 스마트 후측방 경보 시스템을 이용하는 보험 요율 산정 장치, 보험 요율 산정 시스템 및 보험 요율 산정 방법 |
JP2017049683A (ja) * | 2015-08-31 | 2017-03-09 | ルネサスエレクトロニクス株式会社 | 運転記録装置、運転特性を判定するためのシステムおよび運転特性を判定するためのデータを出力するための方法 |
JP2018026008A (ja) * | 2016-08-10 | 2018-02-15 | パナソニックIpマネジメント株式会社 | 匿名情報収集システムおよび匿名情報収集方法 |
JP2018049477A (ja) * | 2016-09-21 | 2018-03-29 | 株式会社日立製作所 | 運転支援装置、センタ装置 |
WO2018116862A1 (ja) * | 2016-12-22 | 2018-06-28 | ソニー株式会社 | 情報処理装置および方法、並びにプログラム |
CN108256714A (zh) * | 2016-12-29 | 2018-07-06 | 得道车联网络科技(上海)有限公司 | 一种基于车联网大数据的行车轨迹实时风险评估模型 |
Family Cites Families (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US9081650B1 (en) * | 2012-12-19 | 2015-07-14 | Allstate Insurance Company | Traffic based driving analysis |
CN105374211B (zh) * | 2015-12-09 | 2018-01-05 | 敏驰信息科技(上海)有限公司 | 基于多源数据计算驾驶风险与辅助车险定价的***及方法 |
CN105405306A (zh) * | 2015-12-24 | 2016-03-16 | 小米科技有限责任公司 | 车辆告警方法及装置 |
CN105930771A (zh) * | 2016-04-13 | 2016-09-07 | 乐视控股(北京)有限公司 | 一种驾驶行为评分方法及装置 |
CN107665579A (zh) * | 2016-07-27 | 2018-02-06 | 上海博泰悦臻网络技术服务有限公司 | 一种用户驾驶行为监控方法及装置 |
CN106585635B (zh) * | 2016-11-25 | 2019-05-10 | 东软集团股份有限公司 | 驾驶行为评分方法和装置 |
CN106803008A (zh) * | 2017-02-15 | 2017-06-06 | 武汉极目智能技术有限公司 | 一种基于adas***的实时驾驶行为评分方法与*** |
CN107203945A (zh) * | 2017-06-12 | 2017-09-26 | 清华大学苏州汽车研究院(吴江) | 车险分级评估方法及装置 |
CN107909678A (zh) * | 2017-11-29 | 2018-04-13 | 思建科技有限公司 | 一种行车风险评价方法及*** |
CN109118055B (zh) * | 2018-07-19 | 2021-12-21 | 众安信息技术服务有限公司 | 一种驾驶行为评分方法及装置 |
-
2018
- 2018-07-19 CN CN201810796046.7A patent/CN109118055B/zh active Active
-
2019
- 2019-07-03 JP JP2019561133A patent/JP2020530578A/ja active Pending
- 2019-07-03 SG SG11202002191SA patent/SG11202002191SA/en unknown
- 2019-07-03 WO PCT/CN2019/094500 patent/WO2020015526A1/zh active Application Filing
Patent Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2009128486A (ja) * | 2007-11-21 | 2009-06-11 | Hitachi Ltd | 安全運転診断システム及び自動車保険料設定システム |
KR20170004141A (ko) * | 2015-07-01 | 2017-01-11 | 주식회사 케이티 | 차선 이탈 경보 시스템 및 스마트 후측방 경보 시스템을 이용하는 보험 요율 산정 장치, 보험 요율 산정 시스템 및 보험 요율 산정 방법 |
JP2017049683A (ja) * | 2015-08-31 | 2017-03-09 | ルネサスエレクトロニクス株式会社 | 運転記録装置、運転特性を判定するためのシステムおよび運転特性を判定するためのデータを出力するための方法 |
CN106127586A (zh) * | 2016-06-17 | 2016-11-16 | 上海经达信息科技股份有限公司 | 大数据时代下车险费率辅助决策*** |
JP2018026008A (ja) * | 2016-08-10 | 2018-02-15 | パナソニックIpマネジメント株式会社 | 匿名情報収集システムおよび匿名情報収集方法 |
JP2018049477A (ja) * | 2016-09-21 | 2018-03-29 | 株式会社日立製作所 | 運転支援装置、センタ装置 |
WO2018116862A1 (ja) * | 2016-12-22 | 2018-06-28 | ソニー株式会社 | 情報処理装置および方法、並びにプログラム |
CN108256714A (zh) * | 2016-12-29 | 2018-07-06 | 得道车联网络科技(上海)有限公司 | 一种基于车联网大数据的行车轨迹实时风险评估模型 |
Also Published As
Publication number | Publication date |
---|---|
SG11202002191SA (en) | 2020-04-29 |
CN109118055A (zh) | 2019-01-01 |
CN109118055B (zh) | 2021-12-21 |
WO2020015526A1 (zh) | 2020-01-23 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
JP2020530578A (ja) | 運転行為の採点方法及び装置 | |
CN113642633B (zh) | 用于对驾驶场景数据进行分类的方法、装置、设备和介质 | |
US10317240B1 (en) | Travel data collection and publication | |
CA3061281C (en) | Verifying sensor data using embeddings | |
CN109670970B (zh) | 一种驾驶行为评分方法、装置及计算机可读存储介质 | |
Mantouka et al. | Smartphone sensing for understanding driving behavior: Current practice and challenges | |
US10078099B2 (en) | Methods and systems for aligning a mobile device to a vehicle | |
JP7398383B2 (ja) | テレマティクスデータに基づく車両分類 | |
JP2015501459A (ja) | センサー駆動型車両遠隔計測アプリケーションおよびサービスの開発および配備のための演算プラットフォーム | |
US11756431B2 (en) | Systems and methods for utilizing models to identify a vehicle accident based on vehicle sensor data and video data captured by a vehicle device | |
Abdelrahman et al. | Crowdsensing-based personalized dynamic route planning for smart vehicles | |
Wu et al. | Clustering of several typical behavioral characteristics of commercial vehicle drivers based on GPS data mining: Case study of highways in China | |
CN110263836B (zh) | 一种基于多特征卷积神经网络的不良驾驶状态识别方法 | |
EP3382570A1 (en) | Method for characterizing driving events of a vehicle based on an accelerometer sensor | |
US20190180382A1 (en) | Methods and systems for driver and/or itinerary identification | |
CN112748453B (zh) | 道路侧定位方法、装置、设备及存储介质 | |
Muñoz-Organero et al. | Detecting different road infrastructural elements based on the stochastic characterization of speed patterns | |
CN114166234A (zh) | 基于路害度量选择导航路线和路害识别预警的***、方法、装置、处理器及计算机存储介质 | |
Milardo et al. | An unsupervised approach for driving behavior analysis of professional truck drivers | |
US20210179114A1 (en) | System For Monitoring Driving Behaviour In GPS Denied Environment | |
CN116993156A (zh) | 驾驶行为安全等级识别方法、装置及电子设备 | |
Ghasemi et al. | Traffic Lane Change Detection using mobile phone sensors and geolocation | |
Hosseinioun | Employing sensor and service fusion to assess driving performance | |
CN114387777A (zh) | 道路数据处理方法、装置、计算机设备和存储介质 | |
CN118056731A (zh) | 一种智能驾驶功能的评估方法、装置、设备和存储介质 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
A621 | Written request for application examination |
Free format text: JAPANESE INTERMEDIATE CODE: A621 Effective date: 20191106 |
|
A131 | Notification of reasons for refusal |
Free format text: JAPANESE INTERMEDIATE CODE: A131 Effective date: 20210202 |
|
A521 | Request for written amendment filed |
Free format text: JAPANESE INTERMEDIATE CODE: A523 Effective date: 20210427 |
|
A02 | Decision of refusal |
Free format text: JAPANESE INTERMEDIATE CODE: A02 Effective date: 20210831 |