一种基于车联网大数据识别保险欺诈风险的方法技术

本发明专利技术公开了一种基于车联网大数据识别保险欺诈风险的方法，包括获取车辆上报的出险信息数据；根据上报数据获取车辆出险前后车联网数据；抽取风险事件特征；识别欺诈风险。本发明专利技术通过获取海量行车轨迹，在有效减少卫星定位数据量的同时抽取驾驶行为相关的关键风险特征，精准识别欺诈风险。

【技术实现步骤摘要】
一种基于车联网大数据识别保险欺诈风险的方法
本专利技术涉及一种识别保险欺诈风险的方法，具体为一种基于车联网大数据识别保险欺诈风险的方法，属于保险

技术介绍
保险欺诈与保险市场的发展始终如影随形。据有关报道，即便是保险业发达的美国，其保险欺诈一度仅次于毒品犯罪。保险欺诈给保险业造成巨大损失，有关资料显示，国际上保险业务的欺诈损失平均在10％—30％左右，而在我国，随着保险业的发展，保险公司业务范围不断扩大，由于欺诈造成的损失已上升至10％以上。为了积极推进物联网发展，运用大数据建模等技术建立反欺诈体系，甄别欺诈骗保行为，本专利技术致力于通过重卡的车联网数据辅助分析车辆驾驶行为，判断车辆欺诈风险可能性高低，有效支持保险公司理赔核查，降低无效赔付成本。
技术实现思路
本专利技术的目的就在于为了解决上述问题而提供一种基于车联网大数据识别保险欺诈风险的方法。本专利技术通过以下技术方案来实现上述目的：一种基于车联网大数据识别保险欺诈风险的方法，包括以下步骤：(1)、获取车辆上报的出险信息数据；(2)、根据上报数据获取车辆出险前后车联网数据；(3)、抽取风险事件特征；(4)、识别欺诈风险。作为本专利技术进一步的方案：所述出险信息数据包括：为更好更快的提供服务，查询时无需详细描述事故经过，只需提供必要的出险信息数据即可，其中应包含车辆车牌号码、车辆识别代号/车架号、出险时间、出险位置。作为本专利技术进一步的方案：所述根据上报数据获取车辆出险前后车联网数据包括：根据车辆出险时间获取车辆出险时间前后三十天内的行程数据，对所取得的卫星定位数据进行分析，主要分析数据点的卫星定位时间、卫星定位经纬度等。作为本专利技术进一步的方案：所述抽取风险事件特征的步骤包括：抽取风险特征是指从车辆出险前后30天内的行驶轨迹中进行抽取能够代表车辆驾驶行为的风险特征。所述风险事件特征包括：出险前、出险时和出险后的风险特征。作为本专利技术进一步的方案：所述识别欺诈风险的步骤包括：根据风险事件对识别保险欺诈风险的影响的重要程度进行权重定量配置，对各单项特征进行按权重求和计算车辆欺诈风险可能性高低的评分。本专利技术的有益效果是：该基于车联网大数据识别保险欺诈风险的方法设计合理，克服了反欺诈工作高度依赖理赔人员现场查勘定损、人工后台审核的繁琐流程，不需要消耗大量人力，为保险公司定损降低成本。进一步地，本专利技术通过获取海量车联网数据，进行轨迹行程化处理。进一步地，对车联网数据降维聚合，减少数据量同时保留车辆驾驶的关键信息，提供精炼且全面的风险特征；进一步地，本专利技术通过风险特征识别欺诈风险，有效支持保险公司理赔核查，降低无效赔付成本。附图说明图1为本专利技术流程示意图。具体实施方式下面将结合本专利技术实施例中的附图，对本专利技术实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本专利技术一部分实施例，而不是全部的实施例。基于本专利技术中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本专利技术保护的范围。请参阅图1，一种基于车联网大数据识别保险欺诈风险的方法，包括以下步骤：步骤S10，获取出险信息数据车辆出险后，车主应立即报警并报送保险公司。在报案时，车主需要正确描述出险事故发生的经过和损失等情况。在本实施例中，所述车辆的出险信息数据必须包括：车辆的车牌号码、车辆识别代号/车架号、出险时间、出险位置；步骤S20，获取车辆出险前后车联网数据在本实施例中，根据车辆出险时间获取车辆出险时间前后三十天内的行程数据，对所取得的卫星定位数据进行分析，主要分析数据点的卫星定位时间、卫星定位经纬度；步骤S30，抽取风险特征在本实施例中，所述抽取风险特征是指从车辆出险前后30天内的行驶轨迹中进行抽取。具体定义的上述风险特征包括：具体定义的出险前风险事件包括：1)出险前阈值范围天数内车辆是否上传行程数据；2)出险当天是否上传行程数据；3)出险前30天内车辆总行驶里程是否小于某一阈值；4)出险前30分钟内车辆卫星定位位置是否异常其中卫星定位位置异常指车辆出险前30分钟内上传了行程数据，但活动范围小于某一阈值，累计里程小于某一阈值。具体定义的出险中风险事件包括：1)出险时车辆有无停留其中有无停留指出险前后阈值范围时间窗口内车辆是否在持续行驶。具体定义的出险后风险事件包括：1)出险位置与车辆行驶轨迹是否相符；2)出险后车辆7天内行驶里程是否超过某一阈值；3)出险后维修时长天数是否小于某一阈值；4)维修完毕后车辆的起始位点与维修站的定位是否相符；5)出险后车辆是否有进入维修服务站步骤S40，识别保险欺诈风险根据风险事件的发生对识别保险欺诈风险影响的重要程度界定单因子评分，并对不同因子按照影响程度权重定量配置，对各单因子评分进行按权重求和计算车辆欺诈风险可能性高低的评分。欺诈风险评分计算公式：其中SCORE为保险欺诈风险评分，ωi为风险特征权重，Scorei为第i个风险特征的评分。评分越高，欺诈风险可能性越高。工作原理：在使用该基于车联网大数据识别保险欺诈风险的方法时，，首先获取车辆上报的出险信息数据，根据上报数据获取车辆出险前后车联网数据，从车联网数据中抽取风险事件特征，进而识别欺诈风险。与现有技术相比，本实施例中的保险反欺诈方法通过获取海量车联网数据，进行轨迹行程化处理，对车联网进行降维聚合，减少数据量同时保留车辆驾驶的关键信息，提供精炼且全面的风险特征识别欺诈风险，有效支持保险公司理赔核查，降低无效赔付成本。对于本领域技术人员而言，显然本专利技术不限于上述示范性实施例的细节，而且在不背离本专利技术的精神或基本特征的情况下，能够以其他的具体形式实现本专利技术。因此，无论从哪一点来看，均应将实施例看作是示范性的，而且是非限制性的，本专利技术的范围由所附权利要求而不是上述说明限定，因此旨在将落在权利要求的等同要件的含义和范围内的所有变化囊括在本专利技术内。不应将权利要求中的任何附图标记视为限制所涉及的权利要求。此外，应当理解，虽然本说明书按照实施方式加以描述，但并非每个实施方式仅包含一个独立的技术方案，说明书的这种叙述方式仅仅是为清楚起见，本领域技术人员应当将说明书作为一个整体，各实施例中的技术方案也可以经适当组合，形成本领域技术人员可以理解的其他实施方式。本文档来自技高网...

【技术保护点】
1.一种基于车联网大数据识别保险欺诈风险的方法，其特征在于：包括以下步骤：/n(1)、获取车辆上报的出险信息数据；/n(2)、根据上报数据获取车辆出险前后车联网数据；/n(3)、抽取风险事件特征；/n(4)、识别欺诈风险。/n

【技术特征摘要】
1.一种基于车联网大数据识别保险欺诈风险的方法，其特征在于：包括以下步骤：
(1)、获取车辆上报的出险信息数据；
(2)、根据上报数据获取车辆出险前后车联网数据；
(3)、抽取风险事件特征；
(4)、识别欺诈风险。


2.根据权利要求1所述的一种基于车联网大数据识别保险欺诈风险的方法，其特征在于：所述出险信息数据包括：
为更好更快的提供服务，查询时无需详细描述事故经过，只需提供必要的出险信息数据即可，其中应包含车辆车牌号码、车辆识别代号/车架号、出险时间、出险位置。


3.根据权利要求1所述的一种基于车联网大数据识别保险欺诈风险的方法，其特征在于：所述根据上报数据获取车辆出险前后车联网数据包括：
根据...

【专利技术属性】
技术研发人员：高原，赵庆侧，周冠群，
申请(专利权)人：上海评驾科技有限公司，
类型：发明
国别省市：上海;31