车险风险评估方法、装置和计算机设备制造方法及图纸

本申请涉及风险评估技术领域，提供了一种车险风险评估方法、装置、计算机设备和存储介质。本申请能够提高车险风险评估准确性且使得车险风险评估过程完整、有效以及操作性强。该方法包括：获取待评估车辆的车辆基础数据以及在历史时段的历史行车数据，将基础数据和行车数据按照多种预设的特征类别划分为多组车辆特征数据，并将各组车辆特征数据转化为适配于模型输入的车辆特征数据集，然后将车辆特征数据集输入到出险次数预测模型，以使出险次数预测模型根据输出该待评估车辆在未来时段的出险次数预测值，最后可根据出险次数预测值评估待评估车辆在未来时段的车险风险。

【技术实现步骤摘要】
车险风险评估方法、装置和计算机设备
本申请涉及风险评估
，特别是涉及一种车险风险评估方法、装置、计算机设备和存储介质。
技术介绍
风险评估
中存在基于车辆信息对相应车险风险进行评估的技术。传统技术所提供的车险风险评估方案，主要是考虑车辆自身的因素，例如车辆品牌、所属车系和车龄等，而仅考虑车辆自身因素会导致这种技术存在对车险风险的评估不够准确的问题。
技术实现思路
基于此，有必要针对上述技术问题，提供一种车险风险评估方法、装置、计算机设备和存储介质。一种车险风险评估方法，所述方法包括：获取待评估车辆在历史时段的历史行车数据，以及获取所述待评估车辆的车辆基础数据；将所述历史行车数据和所述车辆基础数据按照多种预设的特征类别划分为多组车辆特征数据；其中，不同组的车辆特征数据对应不同种的特征类别；将各组车辆特征数据转化为适配于模型输入的车辆特征数据集；将所述车辆特征数据集输入到预先构建的出险次数预测模型，以使所述出险次数预测模型根据所述车辆特征数据集输出所述待评估车辆在未来时本文档来自技高网...

【技术保护点】
1.一种车险风险评估方法，其特征在于，所述方法包括：/n获取待评估车辆在历史时段的历史行车数据，以及获取所述待评估车辆的车辆基础数据；/n将所述历史行车数据和所述车辆基础数据按照多种预设的特征类别划分为多组车辆特征数据；其中，不同组的车辆特征数据对应不同种的特征类别；/n将各组车辆特征数据转化为适配于模型输入的车辆特征数据集；/n将所述车辆特征数据集输入到预先构建的出险次数预测模型，以使所述出险次数预测模型根据所述车辆特征数据集输出所述待评估车辆在未来时段的出险次数预测值；/n根据所述出险次数预测值，评估所述待评估车辆在所述未来时段的车险风险。/n

【技术特征摘要】
1.一种车险风险评估方法，其特征在于，所述方法包括：
获取待评估车辆在历史时段的历史行车数据，以及获取所述待评估车辆的车辆基础数据；
将所述历史行车数据和所述车辆基础数据按照多种预设的特征类别划分为多组车辆特征数据；其中，不同组的车辆特征数据对应不同种的特征类别；
将各组车辆特征数据转化为适配于模型输入的车辆特征数据集；
将所述车辆特征数据集输入到预先构建的出险次数预测模型，以使所述出险次数预测模型根据所述车辆特征数据集输出所述待评估车辆在未来时段的出险次数预测值；
根据所述出险次数预测值，评估所述待评估车辆在所述未来时段的车险风险。


2.根据权利要求1所述的方法，其特征在于，所述各组车辆特征数据包括类别型特征数据组和连续型特征数据组；所述将各组车辆特征数据转化为适配于模型输入的车辆特征数据集，包括：
将所述连续型特征数据组中的车辆特征数据转化为类别型的车辆特征数据；
根据所述转化得到的类别型的车辆特征数据以及所述类别型特征数据组中的车辆特征数据，得到所述车辆特征数据集。


3.根据权利要求2所述的方法，其特征在于，所述将所述连续型特征数据组中的车辆特征数据转化为类别型的车辆特征数据，包括：
确定所述连续型特征数据组对应的多个数值区间范围；
基于所述多个数值区间范围，确定所述连续型特征数据组中的车辆特征数据落入的目标数值区间范围；
将所述连续型特征数据组中的车辆特征数据转化为所述目标数值区间范围对应的区间编号，并将所述目标数值区间范围对应的区间编号作为所述转化得到的所述类别型的车辆特征数据。


4.根据权利要求1所述的方法，其特征在于，所述根据所述出险次数预测值，评估所述待评估车辆在所述未来时段的车险风险，包括：
利用预设的出险次数与风险值转化关系，将所述出险次数预测值转化为车险风险值；
根据所述车险风险值的大小，得到所述待评估车辆在所述未来时段的车险风险；所述车险风险值与所述车险风险呈正相关关系。


5.根据权利要求1所述的方法，其特征在于，所述将所述车辆特征数据集输入到预先构建的出险次数预测模型之前，所述方法还包括：
获取模型训练数据样本；所述模型训练数据样本包括样本车辆在第一设定时段的行车数据样本、在第二设定时段的出险次数样本和所述样本车辆的车辆基础数据样本；所述第一设定时段和第二设定时段以设定时刻为基准进行划分，所述第一设定时段与第二设定时段的时段长度相同；
将所述行车数据样本和所述车辆基础数据样本按照多种初始特征类别划分为多组车辆特征初始数据样本；
基于各组车辆特征初始数据样本的样本数据属性，从所述初始特征类别中筛选出满足预设样本数据属性条件的特征类别，作为所述预设的特征类别，并得到所述预设的特征类别对应的多组车辆特征数据样本；
将各组车辆特征数据样本转化为适配于模型输入的车辆特征数据样本集；
利用所述车辆特征数据样本集以及所述出险次数样本对待训练的出险次数预测模型进行训练，构建得到所述出险次数预测模型。


6.根据权利要求5所述的方法，其特征在于，
所述样本数据属性包括组内数据样本的完整度；所述基于各组车辆特征初始数据样本的样本数据属性，从所述初始特征类别中筛选出满足预设样本数据属性条件的特征类别，作为所述预设的特征类别，包括：
根据所述各组车辆特征初始数据样本中缺失数据样本的占比，得到所述各组车辆特征初始数据样本对应的所述组内数据样本的完整度；确定所述组内数据样本的完整度大于或者等...

【专利技术属性】
技术研发人员：邱嘉寅，宁春贵，胡鹏，冯智泉，江勇，
申请(专利权)人：广州亚美信息科技有限公司，
类型：发明
国别省市：广东;44