一种二手车延保评估方法、装置、存储介质及电子设备制造方法及图纸

本发明专利技术涉及一种二手车延保评估方法、装置、存储介质及电子设备。筛选并制作训练用的表数据，通过机器学习训练获得二手车评估模型；训练时，获取汽车多个年度的特征及故障数据，通过汽车前一年度年内特征来训练预测汽车后一年度关键零部件发生故障的概率。将待评测汽车信息输入二手车评估模型中，通过二手车评估模型评估评估该车辆的故障概率，并确定延保收费方案；本发明专利技术技术方案，对比目前的使用年限以、里程一刀切的延保策略，在经过该二手车评估模型推算后，满足延保条件的用户得以挽回，延保的受众的范围大大的被扩大。而经评估不满足延保条件的汽车，即为事前风险控制，可以拒绝接受延保，避免赔付损失，争取利益最大化。化。化。

【技术实现步骤摘要】
一种二手车延保评估方法、装置、存储介质及电子设备


[0001]本专利技术涉及人工智能
，特别是涉及一种二手车延保评估方法、装置、存储介质及电子设备。

技术介绍

[0002]“延保”顾名思义就是延长保修的简称，是指消费者所购买的产品，在制造商提供的保质期和服务范围之外，由延保提供商提供延长保修时间、或者延展产品服务范围、或者衍生服务的有偿服务。
[0003]随着国内汽车市场发展的日益成熟，消费理念的理性化转变，延保服务逐渐被越来越多的消费者所认可和接受，尤其是新能源车的发展，让中国的更多的普通消费者有了购车和用车的低成本的一个优势，随着二手车单独签注政策的实施，汽车经销商集团的二手车业务将蓬勃发展，成为国内汽车行业未来的发展趋势。
[0004]而延保的概念非常适合运用在二手车上，二手车除了一部分较新的之外，其它年限偏大一些的二手车好坏与否存疑，而购买了这类二手车的车主，他们应该也是比较担忧二手车的质量问题，那么延保的需求量也会随之日益增加。延保所带来的保障能让新车主更放心的使用二手车，由于延保在生效前首先会对车辆进行检测，检测通过延保合同才有可能生效，这也从侧面保证了该车的安全性。提供延保的保险公司，是否也可以从中获利，车辆是否在承保期不发生故障，只要在承包期内不发生故障即可；对车辆的检查，或许当下是没有问题的，但在购买了延保后，在保期内故障复发，这对保险公司来说，都是存在一定的风险的，风险与收益并存。
[0005]现有的延保评估方法中，保险公司大多采用一刀切的方法来判断是否接受二手车的延保。一刀切的模式大多都是从使用年限、里程两个方面进行控制，除去火烧车、水泡车、重大事故车等一些特殊车，像上面所列举的一些豪华车型，一旦这种豪车的承保零配件发生故障，那么赔付的金额是远远大于保费的，风险较高。因此，如何获得一种自动化预测二手车故障率，且准确率较高的方法，是目前保险公司亟待解决的一个技术问题。

技术实现思路

[0006]基于此，有必要针对目前二手车故障率预测准确率不高，无法据此制度延保方案的问题，提供一种二手车延保评估方法、装置、存储介质及电子设备。
[0007]一方面，本专利技术提出了一种二手车延保评估方法，包括步骤：
[0008]S10:筛选并制作训练用的表数据，通过机器学习训练获得二手车评估模型；
[0009]S20:将待评测汽车信息输入所述二手车评估模型中，通过所述二手车评估模型评估评估该车辆的故障概率，并确定延保收费方案；
[0010]其中S10中，使用的机器学习模型为树模型；
[0011]训练时，获取汽车多个年度的特征及故障数据，通过汽车前一年度年内特征来训练预测汽车后一年度关键零部件发生故障的概率。
[0012]进一步地，筛选数据的过程包括：
[0013]获取数据：获取初始数据；
[0014]制作标签：查找初始数据中是否存在关键部件的故障，如有，则将其标记上故障标签；一辆汽车的数据中，每个自然年内都设有对应年份的标签；
[0015]挖掘特征：挖掘现象值、统计值或预测值作为特征；
[0016]数据分析：统计并画出特征值与标签值之间的分布图；
[0017]清洗数据：去除噪音数据；
[0018]对应关系，按照时间维度将汽车的特征与标签之间对应起来。
[0019]进一步地，所述特征包括两类：
[0020]年内特征，一个自然年周期内的数据特征；
[0021]年均特征，多个自然年内的年平均数据特征。
[0022]进一步地，所述年内特征包括年诊断报告数、年首尾维修日期差、年维修次数、年保养次数、年故障码平均数、年故障码总和、年故障码标准差、年内诊断报告故障码最小值年、故障码最大值、里程、里程最大值、里程最小值、里程平均值、里程标准差、年维修间隔差最大值；
[0023]所述年均特征包括所有年份诊断报告总数、年均诊断报告数、年均维修次数、年均保养次数、年均故障码平均数、故障码总和、年度故障码标准差、年度诊断报告、年度故障码最小值、年度故障码最大值、总里程、年里程最大值、年里程最小值、年里程平均值、年里程标准差、年度维修间隔差最大值。
[0024]进一步地，所述初始数据包括各汽车的汽车诊断报告及故障码记录表。
[0025]进一步地，使用的机器学习模型为XGBoost模型、ExtraTrees模型或RandomForest模型。
[0026]进一步地，所述收费方案包括是否接受延保及收费金额。
[0027]另一方面，本专利技术还提出了一种二手车延保评估装置，包括：
[0028]数据获取模块：筛选并制作训练用的表数据；
[0029]训练模块：通过机器学习训练获得二手车评估模型，其中机器学习模型为树模型；进行训练时，获取汽车多个年度的特征及故障数据，通过汽车前一年度年内特征来预测汽车后一年度关键零部件发生故障的概率；
[0030]评估模块：将待评测汽车信息输入所述二手车评估模型中，通过所述模型评估评估该车辆的故障概率，并确定延保收费方案。
[0031]再一方面，本专利技术提出了一种计算机可读存储介质，其上存储有计算机指令，所述计算机指令运行时执行如上所述的二手车延保评估方法的步骤。
[0032]又一方面，一种电子设备，包括存储器和处理器，所述存储器上存储有计算机指令，所述计算机指令运行时所述处理器执行如上所述的二手车延保评估方法的步骤。
[0033]本专利技术技术方案，通过汽车前一年度年内特征来训练预测汽车后一年度关键零部件发生故障的概率，以此训练获得高准确性的二手车评估模型。对比目前的使用年限以、里程一刀切的延保策略，在经过该二手车评估模型推算后，满足延保条件的用户得以挽回，延保的受众的范围大大的被扩大，保险公司因此可以进一步获取收益与销量。而经评估，二手车评估模型输出不满足延保条件的汽车，即为事前风险控制，可以拒绝接受延保，避免赔付
损失，反向提升利润，争取利益最大化。
附图说明
[0034]图1为本专利技术的一种二手车延保评估方法一实施例的流程示意图；
[0035]图2为本专利技术的一种二手车延保评估方法一实施例的筛选数据流程示意图；
[0036]图3为本专利技术的一种二手车延保评估方法一实施例的第一组特征与标签的关系图；
[0037]图4为本专利技术的一种二手车延保评估方法一实施例的第二组特征与标签的关系图；
[0038]图5为本专利技术的一种二手车延保评估方法一实施例的第三组特征与标签的关系图；
[0039]图6为本专利技术的一种二手车延保评估方法一实施例的第四组特征与标签的关系图；
[0040]图7为本专利技术的一种二手车延保评估方法一实施例的第五组特征与标签的关系图；
[0041]图8为本专利技术的一种二手车延保评估方法一实施例的第六组特征与标签的关系图；
[0042]图9为本专利技术的一种二手车延保评估方法一实施例的第七组特征与标签的关系图；
[0043]本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种二手车延保评估方法，其特征在于，包括步骤：S10:筛选并制作训练用的表数据，通过机器学习训练获得二手车评估模型；S20:将待评测汽车信息输入所述二手车评估模型中，通过所述二手车评估模型评估评估车辆的故障概率，并确定延保收费方案；其中S10中，使用的机器学习模型为树模型；训练时，获取汽车多个年度的特征及故障数据，通过汽车前一年度年内特征来训练预测汽车后一年度关键零部件发生故障的概率。2.根据权利要求1所述的二手车延保评估方法，其特征在于，筛选数据的过程包括：获取数据：获取初始数据；制作标签：查找初始数据中是否存在关键部件的故障，如有，则将其标记上故障标签；一辆汽车的数据中，每个自然年内都设有对应年份的标签；挖掘特征：挖掘现象值、统计值或预测值作为特征；数据分析：统计并画出特征值与标签值之间的分布图；清洗数据：去除噪音数据；对应关系，按照时间维度将汽车的特征与标签之间对应起来。3.根据权利要求2所述的二手车延保评估方法，其特征在于，所述特征包括两类：年内特征，一个自然年周期内的数据特征；年均特征，多个自然年内的年平均数据特征。4.根据权利要求3所述的二手车延保评估方法，其特征在于，所述年内特征包括年诊断报告数、年首尾维修日期差、年维修次数、年保养次数、年故障码平均数、年故障码总和、年故障码标准差、年内诊断报告故障码最小值年、故障码最大值、里程、里程最大值、里程最小值、里程平均值、里程标准差、年维修间隔差最大值；所述年均特征包括所有年份诊断报告总数、年均诊断报告...

【专利技术属性】
技术研发人员：司徒俊豪，张江波，孙涛，蔡鸿平，吴浩驰，
申请(专利权)人：深圳市明睿数据科技有限公司，
类型：发明
国别省市：