一种根据实时路况进行车险预警的方法及系统技术方案

本发明专利技术提供了一种根据实时路况进行车险预警的方法及系统，所述方法包括：获取目标用户的当前行车记录及当前车辆信息，所述当前行车记录包括有出险记录的当前行车记录和无出险记录的当前行车记录；获取预设时间段内所述目标用户的历史行车记录及历史车辆信息，所述历史行车记录包括有出险记录的历史行车记录和无出险记录的历史行车记录；基于预设时间段内所述目标用户的历史行车记录及历史车辆信息，训练得到出险概率预测机器学习模型；基于目标用户当前行车记录及当前车辆信息、出险概率预测机器学习模型，预测目标用户的出险概率。出险概率信息可以提供给保险公司作为制定投保方案的参考或提供给用户作为指导用户进行车辆保养的参考。

A method and system of vehicle insurance early warning based on real-time road conditions

【技术实现步骤摘要】
一种根据实时路况进行车险预警的方法及系统
本专利技术涉及数据处理
，特别涉及一种根据实时路况进行车险预警的方法及系统。
技术介绍
随着用车服务(例如，网约车、租车等)越来越普遍，各种车险的覆盖率也越来越广。现有的保险技术主要使用车辆静态数据来评估车辆的保费，因而现有的保险技术过于简单，计算得到的车辆的保费准确度较低。在现有技术中，传统车险的精算仅局限于利用用户的历史数据进行方案匹配，但用户当前的行程情况及路况情况都可能对该用户的出险概率产生较大的影响。因此，实时监控用户的行程情况及路况情况并进行进一步分析，对于车险预警是非常重要的。
技术实现思路
针对现有技术中不能实时监控用户的行程情况及路况情况并进行进一步分析车辆出险概率的问题，本专利技术的目的在于提供一种通过机器学习模型进行出险概率预测的方法，基于历史数据对机器学习模型进行训练，并基于该机器学习模型对当前用户的出险概率进行预测。第一方面，本专利技术披露了一种根据实时路况进行车险预警的方法。该方法包括：获取目标用户当前行车记录及当前车辆信息，所述当前行车记录包括有出险记录的当前行车记录和无出险记录的当前行车记录；获取预设时间段内所述目标用户的历史行车记录及历史车辆信息，所述历史行车记录包括有出险记录的历史行车记录和无出险记录的历史行车记录；基于预设时间段内所述目标用户的历史行车记录及历史车辆信息，训练得到出险概率预测机器学习模型；基于目标用户的当前行车记录及当前车辆信息、出险概率预测机器学习模型，预测目标用户的出险概率。<br>在一些实施例中，所述基于预设时间段内所述目标用户的历史行车记录及历史车辆信息，训练得到出险概率预测机器学习模型包括：基于预设时间段内的历史行车记录及历史车辆信息，确定训练样本；获取出险概率预测初始机器学习模型，所述出险概率预测初始机器学习模型包含一个或多个参数；基于训练样本及所述出险概率预测初始机器学习模型，训练得到出险概率预测机器学习模型。在一些实施例中，所述训练样本包括：正训练样本，所述正训练样本包括一个或多个有出险记录的历史行车记录及历史车辆信息；负训练样本，所述负训练样本包括一个或多个无出险记录的历史行车记录及历史车辆信息。在一些实施例中，所述基于训练样本及出险概率预测初始机器学习模型，训练得到所述出险概率预测机器学习模型，包括：将所述训练样本输入到所述出险概率预测初始机器学习模型；调整所述出险概率预测初始机器学习模型的所述一个或多个参数，确定训练的出险概率预测机器学习模型，其中所述训练的出险概率预测机器学习模型包括一个或多个参数；基于所述训练的出险概率预测机器学习模型和所述训练样本，确定预测出险概率；当所述预测出险概率不满足预设条件时，调整所述训练的出险概率预测机器学习模型的所述一个或多个参数；当所述预测结果满足预设条件时，确定所述训练的出险概率预测机器学习模型为所述出险概率预测机器学习模型。在一些实施例中，所述预设条件包括：多个所述预测出险概率的方差在一定的范围内。在一些实施例中，所述当前车辆信息或历史车辆信息包括车辆品牌、车型、零部件编号、维修记录。在一些实施例中，所述当前行车记录或历史行车记录包括行车时间、行驶的路况占比、事故多发路段占比。第二方面，本专利技术披露了一种根据实时路况进行车险预警的系统。该系统包括：获取模块、模型训练模块和出险概率预测模块；所述获取模块包括第一获取单元和第二获取单元，所述第一获取单元用于获取目标用户的当前行车记录及当前车辆信息；所述第二获取单元用于获取预设时间段内目标用户的历史行车记录及历史车辆信息；所述模型训练模块用于基于所述预设时间段内目标用户的历史行车记录及历史车辆信息，训练得到出险概率预测机器学习模型；所述出险概率预测模块用于基于目标用户的当前行车记录及当前车辆信息、出险概率预测机器学习模型，预测目标用户的出险概率。第三方面，本专利技术披露了一种计算机可读存储介质。所述存储介质存储计算机指令，所述计算机指令运行时运行所述根据实时路况进行车险预警的方法。第四方面，本专利技术披露了一种根据实时路况进行车险预警的装置。所述装置包括出险预测程序，所述出险预测程序运行时执行所述根据实时路况进行车险预警的方法。与现有技术相比，本专利技术的有益效果表现如下：一、安装在车辆上的记录仪能够实时采集目标用户的行车记录(行程信息及路况信息等)及车辆信息。根据预设时间段内的目标用户的历史行车记录及历史车辆信息，训练得到出险概率预测机器学习模型。根据目标用户的当前行车记录及当前车辆信息、出险概率预测机器学习模型，预测目标用户的出险概率。二、由于历史行车记录和历史车辆信息不断更新，出险概率预测机器学习模型也可以不断更新。利用不断更新的模型预测出险概率，出险概率的预测值的准确性将会大大提高，进而能够更加有效地为保险公司或系统内部的保险部门提供参考或为用户提供保养建议。附图说明图1是本专利技术技术方案提供的车险预警系统的应用场景示意图；图2是用于实现本专利技术技术方案的专用系统的示例性计算设备的框图；图3是用于实现本专利技术技术方案的专用系统的示例性移动设备的框图；图4是根据本专利技术技术方案的一些实施例示出的用于实现车险预警系统预测目标用户的出险概率的示例性流程示意图；图5是根据本专利技术技术方案的一些实施例示出的用于实现车险预警系统确定出险概率预测机器学习模型的示例性流程示意图；图6是根据本专利技术技术方案的一些实施例示出的示例性车险预警装置的结构框图。具体实施方式为了更清楚地说明本申请的实施例的技术方案，下面将对实施例描述中所需要使用的附图作简单的介绍。显而易见地，下面描述中的附图仅仅是本申请的一些示例或实施例，对于本领域的普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图将本申请应用于其它类似情景。除非从语言环境中显而易见或另做说明，图中相同标号代表相同结构或操作。如本申请和权利要求书中所示，除非上下文明确提示例外情形，“一”、“一个”、“一种”和/或“该”等词并非特指单数，也可包括复数。一般说来，术语“包括”与“包含”仅提示包括已明确标识的步骤和元素，而这些步骤和元素不构成一个排它性的罗列，方法或者设备也可能包含其它的步骤或元素。虽然本申请对根据本申请的实施例的系统中的某些模块或单元做出了各种引用，然而，任何数量的不同模块或单元可以被使用并运行在客户端和/或服务器上。所述模块仅是说明性的，并且所述系统和方法的不同方面可以使用不同模块。本申请中使用了流程图用来说明根据本申请的实施例的系统所执行的操作。应当理解的是，前面或下面操作不一定按照顺序来精确地执行。相反，可以按照倒序或同时处理各种步骤。同时，也可以将其他操作添加到这些过程中，或从这些过程移除某一步或数步操作。本申请的实施例可以应用于不同的运输系统，不同的运输系统包括但不限于陆地、海洋、航空、航天等中的一种或几种的组合。例如，出租车、专车、顺风车、巴士、代驾、火车、动车、高铁、船本文档来自技高网...

【技术保护点】
1.一种根据实时路况进行车险预警的方法，其特征在于，所述方法包括：/n获取目标用户的当前行车记录及当前车辆信息，所述当前行车记录包括有出险记录的当前行车记录和无出险记录的当前行车记录；/n获取预设时间段内所述目标用户的历史行车记录及历史车辆信息，所述历史行车记录包括有出险记录的历史行车记录和无出险记录的历史行车记录；/n基于预设时间段内所述目标用户的历史行车记录及历史车辆信息，训练得到出险概率预测机器学习模型；/n基于所述目标用户的当前行车记录及当前车辆信息和所述出险概率预测机器学习模型，预测目标用户的出险概率。/n

【技术特征摘要】
1.一种根据实时路况进行车险预警的方法，其特征在于，所述方法包括：
获取目标用户的当前行车记录及当前车辆信息，所述当前行车记录包括有出险记录的当前行车记录和无出险记录的当前行车记录；
获取预设时间段内所述目标用户的历史行车记录及历史车辆信息，所述历史行车记录包括有出险记录的历史行车记录和无出险记录的历史行车记录；
基于预设时间段内所述目标用户的历史行车记录及历史车辆信息，训练得到出险概率预测机器学习模型；
基于所述目标用户的当前行车记录及当前车辆信息和所述出险概率预测机器学习模型，预测目标用户的出险概率。


2.根据权利要求1所述的方法，其特征在于，所述基于预设时间段内所述目标用户的历史行车记录及历史车辆信息，训练得到出险概率预测机器学习模型包括：
基于所述预设时间段内目标用户的历史行车记录及历史车辆信息，确定训练样本；
获取出险概率预测初始机器学习模型，所述出险概率预测初始机器学习模型包含一个或多个参数；
基于所述训练样本及所述出险概率预测初始机器学习模型，训练得到所述出险概率预测机器学习模型。


3.根据权利要求2所述的方法，其特征在于，所述训练样本包括：
正训练样本，所述正训练样本包括一个或多个有出险记录的历史行车记录及历史车辆信息；
负训练样本，所述负训练样本包括一个或多个无出险记录的历史行车记录及历史车辆信息。


4.根据权利要求2所述的方法，其特征在于，所述基于训练样本及出险概率预测初始机器学习模型，训练得到所述出险概率预测机器学习模型，包括：
将所述训练样本输入到所述出险概率预测初始机器学习模型；
调整所述出险概率预测初始机器学习模型的所述一个或多个参数，确定训练的出险概率预测机器学习模型，其中所述训练的出险概率预测机器学习模型包括一个或多个参数；
基于所...

【专利技术属性】
技术研发人员：王瑜，叶舟，李敏，张多坤，王洪峰，柴振华，
申请(专利权)人：北京嘀嘀无限科技发展有限公司，
类型：发明
国别省市：北京;11