事故车辆理赔方法和装置、电子设备制造方法及图纸

本说明书一个或多个实施例提供一种事故车辆理赔方法和装置、电子设备，所述方法包括：获取事故车辆的图像数据；将所述图像数据输入至预测模型，以由所述预测模型基于所述图像数据预测所述事故车辆的车辆受损时长；其中，所述预测模型为基于若干被标注了车辆受损时长的车辆图像样本训练出的机器学习模型；将预测出的车辆受损时长与预设的受损时长阈值进行比较，并基于比较结果针对所述事故车辆进行理赔决策。

Accident Vehicle Claims Method, Device and Electronic Equipment

【技术实现步骤摘要】
事故车辆理赔方法和装置、电子设备
本说明书一个或多个实施例涉及计算机应用
，尤其涉及一种事故车辆理赔方法和装置、电子设备。
技术介绍
现如今，对于申请理赔的事故车辆，如何快速地对该事故车辆的车辆受损时长进行初步判断，以确定该事故车辆的受损时间是否在近期，从而使保险公司及时确定是否可以直接对该事故车辆进行理赔，成为亟待解决的问题。
技术实现思路
本说明书提出一种事故车辆理赔方法，所述方法包括：获取事故车辆的图像数据；将所述图像数据输入至预测模型，以由所述预测模型基于所述图像数据预测所述事故车辆的车辆受损时长；其中，所述预测模型为基于若干被标注了车辆受损时长的车辆图像样本训练出的机器学习模型；将预测出的车辆受损时长与预设的受损时长阈值进行比较，并基于比较结果针对所述事故车辆进行理赔决策。可选地，所述图像数据包括：所述事故车辆的多张图像；所述预测出的车辆受损时长包括：由所述预测模型分别基于所述多张图像预测出的多个车辆受损时长。可选地，所述将预测出的车辆受损时长与预设的受损时长阈值进行比较，并基于比较结果针对所述事故车辆进行理赔决策，包括：对预测出的所述多个车辆受损时长进行加权平均计算，得到所述事故车辆的平均受损时长，并将所述平均受损时长与预设的受损时长阈值进行比较；如果所述平均受损时长小于所述受损时长阈值时，则确定针对所述事故车辆进行理赔处理；如果所述平均受损时长大于或等于所述受损时长阈值时，则将所述事故车辆所属的理赔案件标记为风险案件。可选地，所述将预测出的车辆受损时长与预设的受损时长阈值进行比较，并基于比较结果针对所述事故车辆进行理赔决策，包括：将预测出的所述多个车辆受损时长分别与所述受损时长阈值进行比较；确定所述多个车辆受损时长中小于所述受损时长阈值的车辆受损时长的目标数量；如果所述目标数量大于或等于预设的数量阈值时，则确定针对所述事故车辆进行理赔处理；如果所述目标数量小于所述数量阈值，则将所述事故车辆所属的理赔案件标记为风险案件。可选地，所述将预测出的车辆受损时长与预设的受损时长阈值进行比较，并基于比较结果针对所述事故车辆进行理赔决策，包括：将预测出的所述多个车辆受损时长分别与所述受损时长阈值进行比较；确定所述多个车辆受损时长中小于所述受损时长阈值的车辆受损时长的数量，对应于所述多个车辆受损时长的数量的目标比值；如果所述目标比例大于或等于预设的比值阈值，则确定针对所述事故车辆进行理赔处理；如果所述目标比例小于所述比值阈值，则将所述事故车辆所属的理赔案件标记为风险案件。可选地，所述方法还包括：将被标记为风险案件的理赔案件向所述理赔案件的相关责任人输出，以由所述相关责任人针对所述理赔案件进行调查取证。可选地，所述方法还包括：获取预设数量的车辆图像样本；其中，所述车辆图像样本被标注了对应的车辆受损时长；基于预设的机器学习算法针对所述车辆图像样本进行训练，以得到所述预测模型。可选地，所述预测模型为以下模型中的任意一个：Faster-RCNN模型，YOLOv3模型，SSD模型。本说明书还提出一种事故车辆理赔装置，所述装置包括：第一获取模块，用于获取事故车辆的图像数据；预测模块，用于将所述图像数据输入至预测模型，以由所述预测模型基于所述图像数据预测所述事故车辆的车辆受损时长；其中，所述预测模型为基于若干被标注了车辆受损时长的车辆图像样本训练出的机器学习模型；比较模块，用于将预测出的车辆受损时长与预设的受损时长阈值进行比较，并基于比较结果针对所述事故车辆进行理赔决策。可选地，所述图像数据包括：所述事故车辆的多张图像；所述预测出的车辆受损时长包括：由所述预测模型分别基于所述多张图像预测出的多个车辆受损时长。可选地，所述比较模块具体用于：对预测出的所述多个车辆受损时长进行加权平均计算，得到所述事故车辆的平均受损时长，并将所述平均受损时长与预设的受损时长阈值进行比较；如果所述平均受损时长小于所述受损时长阈值时，则确定针对所述事故车辆进行理赔处理；如果所述平均受损时长大于或等于所述受损时长阈值时，则将所述事故车辆所属的理赔案件标记为风险案件。可选地，所述比较模块具体用于：将预测出的所述多个车辆受损时长分别与所述受损时长阈值进行比较；确定所述多个车辆受损时长中小于所述受损时长阈值的车辆受损时长的目标数量；如果所述目标数量大于或等于预设的数量阈值时，则确定针对所述事故车辆进行理赔处理；如果所述目标数量小于所述数量阈值，则将所述事故车辆所属的理赔案件标记为风险案件。可选地，所述比较模块具体用于：将预测出的所述多个车辆受损时长分别与所述受损时长阈值进行比较；确定所述多个车辆受损时长中小于所述受损时长阈值的车辆受损时长的数量，对应于所述多个车辆受损时长的数量的目标比值；如果所述目标比例大于或等于预设的比值阈值，则确定针对所述事故车辆进行理赔处理；如果所述目标比例小于所述比值阈值，则将所述事故车辆所属的理赔案件标记为风险案件。可选地，所述装置还包括：输出模块，用于将被标记为风险案件的理赔案件向所述理赔案件的相关责任人输出，以由所述相关责任人针对所述理赔案件进行调查取证。可选地，所述装置还包括：第二获取模块，用于获取预设数量的车辆图像样本；其中，所述车辆图像样本被标注了对应的车辆受损时长；训练模块，用于基于预设的机器学习算法针对所述车辆图像样本进行训练，以得到所述预测模型。可选地，所述预测模型为以下模型中的任意一个：Faster-RCNN模型，YOLOv3模型，SSD模型。本说明书还提出一种电子设备，所述电子设备包括：处理器；用于存储机器可执行指令的存储器；其中，通过读取并执行所述存储器存储的与事故车辆理赔的控制逻辑对应的机器可执行指令，所述处理器被促使：获取事故车辆的图像数据；将所述图像数据输入至预测模型，以由所述预测模型基于所述图像数据预测所述事故车辆的车辆受损时长；其中，所述预测模型为基于若干被标注了车辆受损时长的车辆图像样本训练出的机器学习模型；将预测出的车辆受损时长与预设的受损时长阈值进行比较，并基于比较结果针对所述事故车辆进行理赔决策。在上述技术方案中，对于申请理赔的事故车辆而言，可以将该事故车辆的图像数据输入至预测模型，以由该预测模型基于该事故车辆的图像数据预测该事故车辆的车辆受损时长，并将预测出的车辆受损时长与受损时长阈值进行比较，以基于比较结果针对该事故车辆进行理赔决策。采用这样的方式，与常用的针对事故车辆进行人工理赔决策的方式相比，可以提高对事故车辆的理赔决策效率，同时可以及时发现疑似旧伤欺诈的事故车辆。附图说明图1是本说明书一示例性实施例示出的一种事故车辆理赔方法的流程图；图2是本说明书一示例性实施例示出的一种事故车辆理赔装置所在电子设备的硬件结构图；图3是本说明书一示例性实施例示出的一种事故车辆理赔装置的框图。具体实施方式这里将详细地对示例性实施例进行说明，其示例表示在附图中。下面的描述涉及附图时，除非另有表示，不同附图中的相同数字表示相同或相似的要素。以下示例性实施例中所描述的实施方式并不代表与本说明书一个或多个实施例相一致的所有实施方式。相反，它们仅是与如所附权利要求书中所详述的、本说明书一个或多个实施例的一些方面相一致的装置和方法的例子。在本说明书使用的术语是仅仅出于描述特定实施例的目的，本文档来自技高网...

【技术保护点】
1.一种事故车辆理赔方法，所述方法包括：获取事故车辆的图像数据；将所述图像数据输入至预测模型，以由所述预测模型基于所述图像数据预测所述事故车辆的车辆受损时长；其中，所述预测模型为基于若干被标注了车辆受损时长的车辆图像样本训练出的机器学习模型；将预测出的车辆受损时长与预设的受损时长阈值进行比较，并基于比较结果针对所述事故车辆进行理赔决策。

【技术特征摘要】
1.一种事故车辆理赔方法，所述方法包括：获取事故车辆的图像数据；将所述图像数据输入至预测模型，以由所述预测模型基于所述图像数据预测所述事故车辆的车辆受损时长；其中，所述预测模型为基于若干被标注了车辆受损时长的车辆图像样本训练出的机器学习模型；将预测出的车辆受损时长与预设的受损时长阈值进行比较，并基于比较结果针对所述事故车辆进行理赔决策。2.根据权利要求1所述的方法，所述图像数据包括：所述事故车辆的多张图像；所述预测出的车辆受损时长包括：由所述预测模型分别基于所述多张图像预测出的多个车辆受损时长。3.根据权利要求2所述的方法，所述将预测出的车辆受损时长与预设的受损时长阈值进行比较，并基于比较结果针对所述事故车辆进行理赔决策，包括：对预测出的所述多个车辆受损时长进行加权平均计算，得到所述事故车辆的平均受损时长，并将所述平均受损时长与预设的受损时长阈值进行比较；如果所述平均受损时长小于所述受损时长阈值时，则确定针对所述事故车辆进行理赔处理；如果所述平均受损时长大于或等于所述受损时长阈值时，则将所述事故车辆所属的理赔案件标记为风险案件。4.根据权利要求2所述的方法，所述将预测出的车辆受损时长与预设的受损时长阈值进行比较，并基于比较结果针对所述事故车辆进行理赔决策，包括：将预测出的所述多个车辆受损时长分别与所述受损时长阈值进行比较；确定所述多个车辆受损时长中小于所述受损时长阈值的车辆受损时长的目标数量；如果所述目标数量大于或等于预设的数量阈值时，则确定针对所述事故车辆进行理赔处理；如果所述目标数量小于所述数量阈值，则将所述事故车辆所属的理赔案件标记为风险案件。5.根据权利要求2所述的方法，所述将预测出的车辆受损时长与预设的受损时长阈值进行比较，并基于比较结果针对所述事故车辆进行理赔决策，包括：将预测出的所述多个车辆受损时长分别与所述受损时长阈值进行比较；确定所述多个车辆受损时长中小于所述受损时长阈值的车辆受损时长的数量，对应于所述多个车辆受损时长的数量的目标比值；如果所述目标比例大于或等于预设的比值阈值，则确定针对所述事故车辆进行理赔处理；如果所述目标比例小于所述比值阈值，则将所述事故车辆所属的理赔案件标记为风险案件。6.根据权利要求3至5任一所述的方法，所述方法还包括：将被标记为风险案件的理赔案件向所述理赔案件的相关责任人输出，以由所述相关责任人针对所述理赔案件进行调查取证。7.根据权利要求1所述的方法，所述方法还包括：获取预设数量的车辆图像样本；其中，所述车辆图像样本被标注了对应的车辆受损时长；基于预设的机器学习算法针对所述车辆图像样本进行训练，以得到所述预测模型。8.根据权利要求1所述的方法，所述预测模型为以下模型中的任意一个：Faster-RCNN模型，YOLOv3模型，SSD模型。9.一种事故车辆理赔装置，所述装置包括：第一获取模块，用于获取事故车辆的图像数据；预测模块，用于将所述图像数据输入至预测模型，以由所述预测模型基于所述图像数据预测所述事故...

【专利技术属性】
技术研发人员：张泰玮，程丹妮，
申请(专利权)人：阿里巴巴集团控股有限公司，
类型：发明
国别省市：开曼群岛,KY