用于运载班次分类的方法、装置及计算机可读介质制造方法及图纸

本发明专利技术的实施例公开了用于运载班次分类的方法、装置及计算机可读介质。该方法包括：通过预测模型使用影响目标时间段内多个运载班次的延误因素来确定该多个运载班次中的每个运载班次针对多个延误类型的延误可能性数据，该多个延误类型基于延误时间段进行划分，该预测模型基于与历史运载班次相对应的历史运载班次信息和历史延误因素而生成；基于该延误可能性数据，对该多个运载班次进行分类。本发明专利技术充分考虑到不同运载班次特点，有效地对运载班次有所区分，而且不需要人工干预且时间效率较高。

【技术实现步骤摘要】
用于运载班次分类的方法、装置及计算机可读介质
概括地说，本公开涉及数据处理领域，更具体地说，涉及用于运载班次分类的方法、装置及计算机可读存储介质。
技术介绍
尽管交通基础设施在交通技术各个领域都有了巨大的发展，但随着国民经济的快速增长，交通技术的发展跟不上交通运输的快速增长和急剧上升的需求。交通运输经常受到诸如季节、天气、区域管制、机械问题、运载调度等因素的影响，使得货物和/或人员等的运输的延误不可避免。为了减轻由于延误带来的损失，运输服务机构或专业风险转移公司，例如保险公司，已经为人员或货物等的运输提供了各种延误险产品。延误险是指投保方根据延误保险合同规定，向保险方(例如保险公司)支付保险费，当合同约定的延误情况发生时，保险方依约给付保险金的商业保险行为。例如，延误险可以包括但不限于航班、火车、汽车、轮船等各种交通工具延误险、快递延误险、外卖延误险、打车延误险等。对于如何界定延误，业内有不同的标准，有的按照出发时间算，有的按照到达时间算，且对于不同的延误时间也有不同的保费以及赔付标准。现在业内的延误险产品设计通常比较保守单一，例如通常不考虑不同运载班次特点，同一产品类型投放于所有运载班次，由此造成起赔条件严格(一般要延误较长时间起赔)并且费率高(保额低、保费高)。严苛的条件导致产品吸引力不够且覆盖率不合理，但是如果简单放宽条件，例如对所有运载班次统一降低起赔时间线，又会造成赔付率过高而无法长期投放。因此，如何有效地对运载班次有所区分继而针对性地投放运载班次的延误险是需要解决的一个重要问题。因此，亟需一种改进的方法来对运载班次进行分类。
技术实现思路
现有的延误险产品设计单一，未考虑不同运载班次特点，导致产品缺乏吸引力，使得延误险产品的投放在诸多方面面临困难。本专利技术针对以上问题，提出了用于运载班次分类的方法、装置和计算机可读存储介质。本公开的第一方面提供了一种用于运载班次分类的方法，所述方法包括：通过预测模型使用影响目标时间段内多个运载班次的延误因素来确定所述多个运载班次中的每个运载班次针对多个延误类型的延误可能性数据，所述多个延误类型基于延误时间段进行划分，所述预测模型基于与历史运载班次相对应的历史运载班次信息和历史延误因素而生成；以及基于所述延误可能性数据，对所述多个运载班次进行分类。本公开的第二方面提供了一种用于运载班次分类的装置，所述装置包括：存储器，其用于存储指令；以及处理器，其耦合到所述存储器，所述处理器被配置为基于所述指令来执行以下操作：通过预测模型使用影响目标时间段内多个运载班次的延误因素来确定所述多个运载班次中的每个运载班次针对多个延误类型的延误可能性数据，所述多个延误类型基于延误时间段进行划分，所述预测模型基于与历史运载班次相对应的历史运载班次信息和历史延误因素而生成；以及基于所述延误可能性数据，对所述多个运载班次进行分类。本公开的第三方面提供了一种其上存储有指令的计算机可读存储介质。所述指令在被执行时实现如上文所述的方法。不同于现有的延误险产品设计，本专利技术充分考虑到不同运载班次特点，通过预测模型来确定运载班次对不同延误类型的延误可能性，以便对运载班次进行分类，有助于对不同运载班次采取差异化的延误险投放，以弥补现有产品在覆盖率、赔付率等方面的缺陷，不需要人工干预且时间效率较高。附图说明结合附图并参考以下详细描述，本公开的各实施例的特征、优点及其它方面将变得更加明显，在此以示例性而非限制性的方式示出了本公开的若干实施例，在附图中：图1示出依据本专利技术实施例的用于运载班次分类的示例性方法100的流程图；图2示出依据本专利技术实施例的用于运载班次分类的示例性装置200的示意图；以及图3示出依据本专利技术实施例的用于运载班次分类的方法的一个具体示例300。图4示出依据本专利技术实施例的延误险投放的收益图。具体实施方式以下参考附图详细描述本公开的各个示例性实施例。虽然以下描述示例性方法、装置包括在其它组件当中硬件上执行的软件和/或固件，但应注意，这些示例仅仅是说明性的，不应看作限制。例如，考虑在硬件中独占地、在软件中独占地、或在硬件和软件的任何组合中可以实施任何或所有硬件、软件和固件组件。因此，虽然以下描述示例性方法和装置，但本领域技术人员应容易理解，提供的示例不仅仅是用于实现这些方法和装置方式。此外，附图中的流程图和框图示出了根据本公开的各种实施例的方法和系统的可能实现的体系架构、功能和操作。应当注意，方框中所标注的功能也可以按照不同于附图中所标注的顺序发生。例如，两个接连地表示的方框实际上可以基本并行地执行，或者它们有时也可以按照相反的顺序执行，这取决于所涉及的功能。同样应当注意的是，流程图和/或框图中的每个方框、以及流程图和/或框图中的方框的组合，可以使用执行规定的功能或操作的专用的基于硬件的系统来实现，或者可以使用专用硬件与计算机指令的组合来实现。本文使用词语“示例性”表示“充当示例、实例或举例说明”。本文中被描述为“示例性”的任何实施例都并非必然解释为对于其它实施例而言是优选的或有优势的。首先对本申请中用到的一些术语进行说明。赔付率是指保险产品(例如延误险)的赔款支出与保费收入的比率。覆盖率是指保险产品覆盖的保险对象(例如运载班次)与总对象(总运载班次)的比率。业务平衡参数用于指示保险产品的各种标的类型(例如延误险中的不同延误类型，其对应于特定的保费与保额)之间的均衡性。图1示出依据本专利技术实施例的用于运载班次分类的示例性方法100的流程图。如流程图所示，方法100包括以下步骤：步骤S101：通过预测模型使用影响目标时间段内多个运载班次的延误因素来确定该多个运载班次中的每个运载班次针对多个延误类型的延误可能性数据，该多个延误类型基于延误时间段进行划分，该预测模型基于与历史运载班次相对应的历史运载班次信息和历史延误因素而生成。在该步骤中，通过预测模型来确定每个运载班次对不同延误时间段的延误可能性。例如，多个延误类型可以包括延误a小时、延误b小时、延误c小时等。例如，延误可能性数据可以包括延误概率等。例如，生成预测模型的过程可以包括：基于一段历史时期的数据，包括历史运载班次信息和历史延误因素，针对不同延误时间段，以延误时间<a小时为例，将历史数据中延误时间<a小时的记录标记为1，延误时间>＝a小时的记录标记为0，随后利用历史数据基于训练算法(例如，机器学习算法等)进行训练来得到预测模型，以确定相应于不同的历史延误因素下延误记录为1的可能性。预测模型可以使用但不限于某种分类或回归训练算法，例如逻辑回归(LogisticRegression)、线性判别分析以及其输出为例如可能性估计的任何算法。步骤S102：基于延误可能性数据，对该多个运载班次进行分类。在该步骤中，利用所确定的延误可能性数据来对运载班次进行分类，以有助于后续对不同运载班次采取差异化的延误险投放。可选地，方法100还可以包括以下步骤：基于赔付率、覆盖率、业务平衡参数、以及其它考虑因素中的一个或多个，使用延误可能性数据和历史运载班次信息来确定针对该多个延误类型的投放阈值；以及基于投放阈值和延误可能性数据，针对该多个运载班次选择性地投放延误险。在该步骤中，与现有的延误险设计中统一地投放于所有运载本文档来自技高网...

【技术保护点】
一种用于运载班次分类的方法，包括：通过预测模型使用影响目标时间段内多个运载班次的延误因素来确定所述多个运载班次中的每个运载班次针对多个延误类型的延误可能性数据，所述多个延误类型基于延误时间段进行划分，所述预测模型基于与历史运载班次相对应的历史运载班次信息和历史延误因素而生成；以及基于所述延误可能性数据，对所述多个运载班次进行分类。

【技术特征摘要】
1.一种用于运载班次分类的方法，包括：通过预测模型使用影响目标时间段内多个运载班次的延误因素来确定所述多个运载班次中的每个运载班次针对多个延误类型的延误可能性数据，所述多个延误类型基于延误时间段进行划分，所述预测模型基于与历史运载班次相对应的历史运载班次信息和历史延误因素而生成；以及基于所述延误可能性数据，对所述多个运载班次进行分类。2.根据权利要求1所述的方法，还包括：基于赔付率、覆盖率和业务平衡参数中的一个或多个，使用所述延误可能性数据和所述历史运载班次信息来确定针对所述多个延误类型的投放阈值；以及基于所述投放阈值和所述延误可能性数据，针对所述多个运载班次选择性地投放延误险。3.根据权利要求2所述的方法，其中，当所述运载班次被投放所述延误险时，确定选择所述多个延误类型中的一个来投放针对所述运载班次的延误险。4.根据权利要求1所述的方法，所述延误因素包括季节数据、天气数据、运载班次量数据和区域流量数据中的一个或多个。5.根据权利要求1所述的方法，所述历史运载班次信息包括历史运载班次运行数据，所述历史延误因素包括历史季节数据、历史天气数据、历史运载班次量数据和历史区域流量数据中的一个或多个。6.根据权利要求1所述的方法，周期性地更新与历史运载班次相对应的历史运载班次信息和历史延误因素。7.一种用于运载班次分类的装置，包括：存储器，其用于存储指令；以及处理器，其耦合到所述存储器，所述处理器被配置为基于所述指令来执行以下操作：通过预测模型使用影响目标时...

【专利技术属性】
技术研发人员：陆璐，王猛，袁皓，陆王天宇，
申请(专利权)人：众安信息技术服务有限公司，
类型：发明
国别省市：广东,44