本發(fā)明實施例涉及智能汽車技術(shù)領(lǐng)域，尤其涉及一種車險分級評估方法及裝置。

背景技術(shù)：

保險費用厘定是保險業(yè)務(wù)的核心環(huán)節(jié)。在車險業(yè)務(wù)中，通過衡量保單信息即：投保人及其車輛信息，對車險費用進行估計。傳統(tǒng)車險的費用厘定邏輯較為簡單，一般依據(jù)靜態(tài)數(shù)據(jù)，主要包括駕駛員相關(guān)的屬性和車輛相關(guān)的屬性進行分類，通過固定的公式進行風險評估。然而，這些靜態(tài)特征的存在較大的局限性，首先，大部分的靜態(tài)特征由投保人自行匯報給保險公司，例如投保人的個人信息以及年均駕駛里程等，這些自行匯報的數(shù)據(jù)不一定是真實的、客觀的和準確的；其次，由于國內(nèi)的保險市場的特殊性，會出現(xiàn)投保人、車主以及實際駕駛?cè)瞬⒉灰欢ㄊ峭蝗说那闆r。如果僅僅根據(jù)其中一人的特征進行保費厘定，可能會造成誤差。

隨著無線通訊技術(shù)、gps技術(shù)和計算機技術(shù)的發(fā)展，基于使用的車險(usagebasedinsurance,以下簡稱ubi)應(yīng)運而生。ubi又被稱為隨駕駛付費(pay-as-youdrive,payd)或隨如何駕駛付費(pay-how-you-drive,phyd)。隨駕駛付費指的是基于駕駛者的行駛里程對車險進行定價，隨如何駕駛付費指的是基于駕駛者的駕駛行為對車險進行定價。ubi的核心是基于客觀的實際對車輛的使用數(shù)據(jù)對保費進行厘定，而這些使用數(shù)據(jù)在ubi中又被稱為車載遠程信息，包括全球定位系統(tǒng)(gps)數(shù)據(jù)和車內(nèi)傳感器數(shù)據(jù)等。

ubi對于保險公司、駕駛者和整個社會都是有益的。首先，對于保險公司來說，通過ubi可以為個人精確地制定保費，有效地提高保險公司的效率和效益。其次，對于駕駛者來說，低風險的駕駛員可以通過保費降低而得到經(jīng)濟上的利益。同時，由于保費直接反應(yīng)了駕駛風險，駕駛者有動力通過改善他們的駕駛行為來達到降低保費的目的。最后，推廣ubi對整個社會改善交通狀況、減少交通事故、減少交通排放和能源消耗等方面也是有所幫助的，最終達到提升整個交通系統(tǒng)的目的。

因此，現(xiàn)有技術(shù)中并沒有提供一種對用戶的車險進行級別評定的有效的方法。

技術(shù)實現(xiàn)要素：

針對上述技術(shù)問題，本發(fā)明實施例提供了一種車險分級評估方法及裝置，以對駕駛員駕駛車輛的風險等級進行有效評估。

一方面，本發(fā)明實施例提供了一種車險分級評估方法，所述方法包括：

以保單信息及車載遠程信息為數(shù)據(jù)源，抽取車險的風險特征信息，其中，所述風險特征信息包括：駕駛?cè)颂卣餍畔?、車輛特征信息，以及駕駛行為特征信息；

建立關(guān)于出險概率的評估模型，并依據(jù)最大似然估計法對所述評估模型中的參數(shù)進行估計；

以所述風險特征信息為所述評估模型的輸入，對用戶的車險評級進行評估。

另一方面，本發(fā)明實施例還提供了一種車險分級評估裝置，所述裝置包括：

特征抽取模塊，用于以保單信息及車載遠程信息為數(shù)據(jù)源，抽取車險的風險特征信息，其中，所述風險特征信息包括：駕駛?cè)颂卣餍畔?、車輛特征信息，以及駕駛行為特征信息；

模型建立模塊，用于建立關(guān)于出險概率的評估模型，并依據(jù)最大似然估計法對所述評估模型中的參數(shù)進行估計；

評估模塊，用于以所述風險特征信息為所述評估模型的輸入，對用戶的車險評級進行評估。

本發(fā)明實施例提供的車險分級評估方法及裝置，其特點和優(yōu)點是：

1、本發(fā)明方法有效的利用了車載遠程信息，將其轉(zhuǎn)化為衡量駕駛員行駛行為的8維指標，用于后續(xù)的車輛風險評估。

2、本發(fā)明基于歷史數(shù)據(jù)通過最大似然法對模型參數(shù)進行評估，評估過程不需要人參與，避免了因為人的經(jīng)驗所導(dǎo)致的評估誤差。

3、本發(fā)明提出了一種基于邏輯回歸的汽車駕駛風險預(yù)測方法，可以有效的對駕駛員駕駛汽車的風險等級進行評估。

附圖說明

通過閱讀參照以下附圖所作的對非限制性實施例所作的詳細描述，本發(fā)明的其它特征、目的和優(yōu)點將會變得更明顯：

圖1是本發(fā)明第一實施例提供的車險分級評估方法的流程圖；

圖2是本發(fā)明第二實施例提供的車險分級評估裝置的結(jié)構(gòu)圖。

具體實施方式

下面結(jié)合附圖和實施例對本發(fā)明作進一步的詳細說明?？梢岳斫獾氖牵颂幩枋龅木唧w實施例僅僅用于解釋本發(fā)明，而非對本發(fā)明的限定。另外還需要說明的是，為了便于描述，附圖中僅示出了與本發(fā)明相關(guān)的部分而非全部結(jié)構(gòu)。

第一實施例

本實施例提供了車險分級評估方法的一種技術(shù)方案。參見圖1，在該技術(shù)方案中，車險分級評估方法包括：s11，以保單信息及車載遠程信息為數(shù)據(jù)源，抽取車險的風險特征信息；s12，建立關(guān)于出險概率的評估模型，并依據(jù)最大似然估計法對所述評估模型中的參數(shù)進行估計；s13，以所述風險特征信息為所述評估模型的輸入，對用戶的車險評級進行評估。

具體的，參見圖1，車險分級評估方法包括：

1)風險特征抽取，將反應(yīng)汽車風險的因素稱為風險特征，這里風險特征包括駕駛?cè)颂卣?、車輛特征、駕駛行為特征。

1-1)抽取駕駛?cè)颂卣?。駕駛?cè)颂卣魍耆珌碜杂谟脩舯涡畔?。包括?/p>

判斷駕駛?cè)诵詣e，女性記為1，男性記為0。該特征記為female。

判斷駕駛?cè)耸欠衲贻p，如果年齡不高于31歲記為1，表示年輕，否則記為0。該特征記為yound。

判斷駕駛?cè)耸欠衲觊L，如果年齡不低于45歲記為1，表示年長，否則記為0。該特征記為old。

判斷駕駛?cè)耸欠窬哂蟹€(wěn)定工作，如果其登記的工作單位為上市公司或政府、事業(yè)單位記為1，表示穩(wěn)定，否則記為0。該特征記為state_job。

判斷駕駛?cè)耸欠裨谏弦荒暧羞^出險記錄，有則記為1，否則記為0。該特征記為claim_ly。

判斷駕駛?cè)耸欠袷褂眯虑?，如果其通過互聯(lián)網(wǎng)購買則記為1，表示使用新渠道，否則記為0。該特征記為internet_sale。

駕駛?cè)说哪甓刃旭偫锍?，以萬公里為單位進行四舍五入。該特征記為annual_mil。

1-2)抽取車輛特征。車輛特征完全來自于用戶保單信息。包括：

車輛價格，以萬元為單位進行四舍五入。該特征記為car_price。

判斷車輛是否為新車，如果是則記為1，否則記為0。該特征記為new_car。

判斷車輛是否為大型車，如果車輛為5座以上則記為1，表示是大型車，否則記為0。該特征記為size。

車輛安全氣囊個數(shù)。該特征記為airbag。

判斷車輛是否有安全報警器，如果有則記為1，否則記為0。該特征記為alarm。

1-3)抽取用戶駕駛行為特征。駕駛行為特征來自于車載遠程信息，并通過計算得到。

計算平均每小時急剎車次數(shù)，使用車載遠程信息中總急剎車次數(shù)除以行駛時間得到。該特征記為hard_brk。

計算主干路道路里程比例，根據(jù)國家《城市規(guī)劃定額指標暫行規(guī)定》，如果汽車行駛在快速路和主干路上則計其里程為主干路里程，否則記為非主干路里程(即次干路和支路)，主干路里程占總行駛里程的比例為主干路道路里程比例。該特征記為pct_fast_way。

計算工作日里程比，發(fā)生在工作日(即周一至周五)的里程為工作日里程，工作日里程占總里程的比例為工作日里程比。該特征記為pct_wkd。

計算夜間里程比，發(fā)生在晚8點至早5點的里程為夜間里程，夜間里程占總里程的比例為夜間里程比。該特征記為pct_night。

計算速度在0-30km/h區(qū)間的里程比例。該特征記為pct_speed1。

計算速度在90km/h以上區(qū)間里程比例。該特征記為pct_speed2。

計算陌生道路里程比，認定經(jīng)過1次和2次的道路為陌生道路，陌生道路里程占總里程比例為陌生道路里程比。該特征記為pct_fmlrt1。

計算較陌生道路里程比，認定經(jīng)過3到8次的道路為較陌生道路，較陌生道路里程占總里程比例為較陌生道路里程比。該特征記為pct_fmlrt2。

2)模型建立與參數(shù)估計

2-1)從歷史數(shù)據(jù)中收集n個駕駛員保單、車載遠程信息以及其出險情況，將其分別編號為1,2,3,…,n，稱為數(shù)據(jù)集。具體地，這里使用4683兩私家車的駕駛員保單信息及其在行駛過程中產(chǎn)生的車載信息作為真實訓(xùn)練數(shù)據(jù)集，同時該數(shù)據(jù)集包含了該私家車在一年中的出險記錄，將此數(shù)據(jù)集隨機分為兩組dataset1(共2342條)，dataset2(共2341條)。

2-2)對于每個駕駛員n，重復(fù)1)中操作，得到xn＝{femalen,youngn,oldn,…,pct_fmlrt1n,pct_fmlrt2n}共計20維特征。及其當年出險情況yn＝{0,1}，其中1表示發(fā)生過出險，0表示未發(fā)生出險。

2-3)對與駕駛員n，使用二元邏輯回歸定義其出險概率為：

其中β1為n*1的系數(shù)矩陣,β0為截距。

2-4)對于數(shù)據(jù)集，將所有出險概率相乘，可以得到模型的似然函數(shù)：

2-5)使用最大似然估計法對系數(shù)矩陣β1和截距β0進行估計。

具體地，通過dataset1數(shù)據(jù)集進行估計，該參數(shù)矩陣估計值如表1所示，注意這里的系數(shù)參數(shù)指的是參數(shù)t所對應(yīng)的系數(shù)，例如系數(shù)參數(shù)female指的是female特征所對應(yīng)的系數(shù)。

表1

2-6)對于所有駕駛員n∈n，將步驟2-5)中得到的系數(shù)矩陣β1和截距β0代入公式2，得到p(yn＝l|xn)即每位駕駛員的風險值。對所有風險值從大到小進行排序，并取10分位(即所有風險值中排序為第10％，下同)風險值為高風險閾值rh，取50分位風險值為中高風險閾值rmh；取90分位風險值為中低風險閾值rml。則不同風險等級對應(yīng)的風險范圍如表2所示,該表稱為風險等級表，其中實際值為根據(jù)dataset1得到的閾值實際值。

表2

3)風險評估，該步驟對于駕駛員r，進行風險等級評估。

3-1)重復(fù)1)中操作，得到xr＝{femaler,youngr,oldr,…,pct_fmlrt1r,pct_fmlrt2r}共計20維風險特征。

3-2)使用公式(1)，并將步驟2-5)中得到的系數(shù)矩陣β1和截距β0代入公式(1)，得到p(yr＝l|xr)既該駕駛員的風險值。

3-3)對照表3的實際得到該駕駛員的風險評級。

具體地，使用dataset2中的所有數(shù)據(jù)進行風險評級，隨后計算不同風險等級下駕駛員出險的比例如表3所示，高風險組出險概率明顯高于其他組，中低風險組和低風險組出險概率極低，可見本方法能夠很好的對用戶風險等級進行劃分。

表3

第二實施例

本實施例提供了車險分級評估裝置的一種技術(shù)方案。參見圖2，車險分級評估裝置包括：特征抽取模塊21、模型建立模塊22，以及評估模塊23。

特征抽取模塊21用于以保單信息及車載遠程信息為數(shù)據(jù)源，抽取車險的風險特征信息，其中，所述風險特征信息包括：駕駛?cè)颂卣餍畔?、車輛特征信息，以及駕駛行為特征信息。

模型建立模塊22用于建立關(guān)于出險概率的評估模型，并依據(jù)最大似然估計法對所述評估模型中的參數(shù)進行估計。

評估模塊23用于以所述風險特征信息為所述評估模型的輸入，對用戶的車險評級進行評估。

優(yōu)選的，所述特征抽取模塊21包括：第一抽取單元、第二抽取單元，以及第三抽取單元。

第一抽取單元用于根據(jù)所述保單信息，抽取駕駛?cè)颂卣餍畔ⅰ?/p>

第二抽取單元用于根據(jù)所述保單信息，抽取車輛特征信息。

第三抽取單元用于根據(jù)車載遠程信息，抽取用戶的駕駛行為特征信息。

優(yōu)選的，所述模型建立模塊22包括：向量建立單元、模型定義單元，以及參數(shù)估計單元。

向量建立單元，用于將所述風險特征信息組成設(shè)定的風險特征向量。

模型定義單元，用于定義駕駛員出險概率的評估模型。其中，所述評估模型為：

上式中，xn為所述風險特征向量，yn為出險標識(1表示出險，0表示未出險)，β1為系數(shù)向量，β0為截距。

參數(shù)估計單元用于根據(jù)最大似然估計法，估計所述評估模型中的模型參數(shù)。

優(yōu)選的，所述評估模塊23包括：計算單元以及評級單元。

計算單元用于根據(jù)所述評估模型，計算駕駛員的出險概率。

評級單元用于根據(jù)預(yù)置的風險等級表，獲取到駕駛員的車險等級。

以上所述僅為本發(fā)明的優(yōu)選實施例，并不用于限制本發(fā)明，對于本領(lǐng)域技術(shù)人員而言，本發(fā)明可以有各種改動和變化。凡在本發(fā)明的精神和原理之內(nèi)所作的任何修改、等同替換、改進等，均應(yīng)包含在本發(fā)明的保護范圍之內(nèi)。