CN115545958A - 智能车险评估方法、装置、计算机设备及存储介质 - Google Patents
智能车险评估方法、装置、计算机设备及存储介质 Download PDFInfo
- Publication number
- CN115545958A CN115545958A CN202211351933.6A CN202211351933A CN115545958A CN 115545958 A CN115545958 A CN 115545958A CN 202211351933 A CN202211351933 A CN 202211351933A CN 115545958 A CN115545958 A CN 115545958A
- Authority
- CN
- China
- Prior art keywords
- information
- vehicle
- target
- configuration table
- trained
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
- 238000011156 evaluation Methods 0.000 title claims description 32
- 238000000034 method Methods 0.000 claims abstract description 46
- 238000004458 analytical method Methods 0.000 claims abstract description 40
- 238000004140 cleaning Methods 0.000 claims abstract description 18
- 238000007405 data analysis Methods 0.000 claims abstract description 10
- 239000013598 vector Substances 0.000 claims description 15
- 238000004364 calculation method Methods 0.000 claims description 11
- 238000013210 evaluation model Methods 0.000 claims description 10
- 238000013507 mapping Methods 0.000 claims description 4
- 238000005406 washing Methods 0.000 claims 1
- 238000013473 artificial intelligence Methods 0.000 abstract description 20
- 238000012502 risk assessment Methods 0.000 abstract description 6
- 230000008569 process Effects 0.000 description 11
- 238000005516 engineering process Methods 0.000 description 10
- 238000012545 processing Methods 0.000 description 7
- 238000010586 diagram Methods 0.000 description 6
- 238000000605 extraction Methods 0.000 description 5
- 238000004891 communication Methods 0.000 description 4
- 230000000087 stabilizing effect Effects 0.000 description 4
- 210000004556 brain Anatomy 0.000 description 3
- 230000003287 optical effect Effects 0.000 description 3
- 230000005540 biological transmission Effects 0.000 description 2
- 238000006243 chemical reaction Methods 0.000 description 2
- 230000003993 interaction Effects 0.000 description 2
- 210000003127 knee Anatomy 0.000 description 2
- 238000013528 artificial neural network Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000013500 data storage Methods 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 238000012217 deletion Methods 0.000 description 1
- 230000037430 deletion Effects 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 239000000835 fiber Substances 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 230000010365 information processing Effects 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000012423 maintenance Methods 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000003058 natural language processing Methods 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q40/00—Finance; Insurance; Tax strategies; Processing of corporate or income taxes
- G06Q40/08—Insurance
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
- G06F16/21—Design, administration or maintenance of databases
- G06F16/215—Improving data quality; Data cleansing, e.g. de-duplication, removing invalid entries or correcting typographical errors
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
- G06F16/28—Databases characterised by their database models, e.g. relational or object models
- G06F16/284—Relational databases
- G06F16/285—Clustering or classification
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
- G06F17/10—Complex mathematical operations
- G06F17/18—Complex mathematical operations for evaluating statistical data, e.g. average values, frequency distributions, probability functions, regression analysis
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Databases & Information Systems (AREA)
- Data Mining & Analysis (AREA)
- General Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Mathematical Physics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Accounting & Taxation (AREA)
- Finance (AREA)
- Computational Mathematics (AREA)
- Pure & Applied Mathematics (AREA)
- Mathematical Analysis (AREA)
- Mathematical Optimization (AREA)
- Software Systems (AREA)
- Bioinformatics & Computational Biology (AREA)
- Technology Law (AREA)
- Probability & Statistics with Applications (AREA)
- Operations Research (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Quality & Reliability (AREA)
- Development Economics (AREA)
- Economics (AREA)
- Marketing (AREA)
- Strategic Management (AREA)
- Algebra (AREA)
- General Business, Economics & Management (AREA)
- Health & Medical Sciences (AREA)
- Artificial Intelligence (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Financial Or Insurance-Related Operations Such As Payment And Settlement (AREA)
Abstract
本申请实施例属于人工智能技术领域，应用于智慧交通领域中，涉及一种智能车险评估方法、装置、计算机设备及存储介质，包括接收客户意向协议信息，调用预设的网络接口，根据客户意向协议信息通过网络接口获取对应的车辆配置信息；清洗车辆配置信息，获得目标车辆信息，将目标车辆信息存储至数据库中；在接收到数据分析通知时，从数据库中调取所述目标车辆信息，将目标车辆信息输入至预训练的安全分析模型，得到出险概率；获取预先配置的所有的协议类型，基于协议类型和出险概率生成赔付额，将出险概率和赔付额输入至预训练的车险评估模型，获得输出的评估结果。其中，安全分析模型可存储于区块链中。本申请对不同用户的车险的准确评估。
Description
技术领域
本申请涉及人工智能技术领域，尤其涉及智能车险评估方法、装置、计算机设备及存储介质。
背景技术
目前，传统车险评估模型相对简单，一般只考虑了车辆的购买价格、购买年限、历史出险情况等基本因素。使用传统车险评估模型计算出的车险评估，往往也不够精细，比如机动车第三者责任保险、机动车车上人员责任保险(司机、乘客)等险种，都基本只是跟保额有关，没有考虑实际出险概率和出险赔付金额高低等因素，无法智能为用户提供最准确最适合的报价，更加无法智能为用户提供更准确的评估。
发明内容
本申请实施例的目的在于提出一种智能车险评估方法、装置、计算机设备及存储介质，对不同用户的车险准确评估。
为了解决上述技术问题，本申请实施例提供一种智能车险评估方法，采用了如下所述的技术方案：
一种智能车险评估方法，包括下述步骤：
接收客户意向协议信息，调用预设的网络接口，根据所述客户意向协议信息通过所述网络接口获取对应的车辆配置信息；
清洗所述车辆配置信息，获得目标车辆信息，将所述目标车辆信息存储至数据库中；
在接收到数据分析通知时，从所述数据库中调取所述目标车辆信息，将所述目标车辆信息输入至预训练的安全分析模型中，得到出险概率；
获取预先配置的所有的协议类型，基于所述协议类型和所述出险概率生成赔付额，将所述出险概率和所述赔付额输入至预训练的车险评估模型中，获得输出的车险评估。
进一步的，所述根据所述客户意向协议信息通过所述网络接口获取对应的车辆配置信息的步骤包括：
提取所述客户意向协议信息中的目标号码；
通过所述网络接口，将所述目标号码在预设的车辆数据库中进行匹配，获得所述车辆配置信息。
进一步的，所述提取所述客户意向协议信息中的目标号码的步骤包括：
基于预设位置信息提取所述客户意向协议信息中所述位置信息对应的字段，作为目标号码；或者
识别所述客户意向协议信息中连续的符合预设长度的数值型数据，作为所述目标号码。
进一步的，所述将所述目标车辆信息输入至预训练的安全分析模型中，得到出险概率的步骤包括：
提取所述目标车辆信息的安全配置表和辅助配置表，并输入至预训练的安全分析模型中，获得输出的安全保护级别；
基于预先配置的级别映射表，获取所述安全保护级别对应的出险概率；
进一步的，所述提取所述目标车辆信息的安全配置表和辅助配置表，并输入至预训练的安全分析模型中，获得输出的安全保护级别的步骤包括：
将所述安全配置表和所述辅助配置表通过预训练的BERT模型转换为词向量并拼接，获得目标向量；
将所述目标向量输入至所述安全分析模型中，获得所述安全保护级别。
进一步的，所述基于所述协议类型和所述出险概率生成赔付额的步骤包括：
提取所述目标车辆信息的基础配置表，基于所述基础配置表查询数据库中历史记录中的同款车型的出险比例，并通过浏览器实时查询同款车型的交易价格信息；
将所述出险比例和所述交易价格信息输入至预训练的价值分析模型中，获得输出的价值数据；
基于各个所述协议类型对应的计算公式、所述出险概率和所述价值数据，分别计算各个所述协议类型对应的赔付额。
进一步的，所述清洗所述车辆配置信息，获得目标车辆信息的步骤包括：
对所述车辆配置信息进行全量存储操作；
判断所述车辆配置信息中是否存在关键字段缺失，若存在，则删除对应的车辆配置信息，获得清洗后的车辆配置信息；
基于预设类别对应的字段，对所述清洗后的车辆配置信息进行拆分，获得多个具有关联关系的存储表，作为所述目标车辆信息。
为了解决上述技术问题，本申请实施例还提供一种智能车险评估装置，采用了如下所述的技术方案：
一种智能车险评估装置，包括：
接收模块，用于接收客户意向协议信息，调用预设的网络接口，根据所述客户意向协议信息通过所述网络接口获取对应的车辆配置信息；
清洗模块，用于清洗所述车辆配置信息，获得目标车辆信息，将所述目标车辆信息存储至数据库中；
调取模块，用于在接收到数据分析通知时，从所述数据库中调取所述目标车辆信息，将所述目标车辆信息输入至预训练的安全分析模型中，得到出险概率；
生成模块，用于获取预先配置的所有的协议类型，基于所述协议类型和所述出险概率生成赔付额，将所述出险概率和所述赔付额输入至预训练的车险评估模型中，获得输出的评估结果。
为了解决上述技术问题，本申请实施例还提供一种计算机设备，采用了如下所述的技术方案：
一种计算机设备，包括存储器和处理器，所述存储器中存储有计算机可读指令，所述处理器执行所述计算机可读指令时实现上述的智能车险评估方法的步骤。
为了解决上述技术问题，本申请实施例还提供一种计算机可读存储介质，采用了如下所述的技术方案：
一种计算机可读存储介质，所述计算机可读存储介质上存储有计算机可读指令，所述计算机可读指令被处理器执行时实现上述的智能车险评估方法的步骤。
与现有技术相比，本申请实施例主要有以下有益效果：
本申请基于客户意向协议信息通过网络接口获取完整的车辆配置信息。通过清洗车辆配置信息获得目标车辆信息，以获得完整且结构化的数据，便于后续的数据AI分析处理过程的快速顺利的进行。在接收到数据分析通知时，调取目标车辆信息，输入至安全分析模型中，获得输出的出险概率，通过AI模型实现对出险概率的准确预测，进而根据出险概率和所有的协议类型生成对应的各个协议类型的赔付额，进而根据赔付额获得最终的评估结果，实现对不同用户的车险的准确评估。
附图说明
为了更清楚地说明本申请中的方案，下面将对本申请实施例描述中所需要使用的附图作一个简单介绍，显而易见地，下面描述中的附图是本申请的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
图1是本申请可以应用于其中的示例性系统架构图；
图2是根据本申请的智能车险评估方法的一个实施例的流程图；
图3是根据本申请的智能车险评估装置的一个实施例的结构示意图；
图4是根据本申请的计算机设备的一个实施例的结构示意图。
附图标记：200、计算机设备；201、存储器；202、处理器；203、网络接口；300、智能车险评估装置；301、接收模块；302、清洗模块；303、调取模块；304、生成模块。
具体实施方式
除非另有定义，本文所使用的所有的技术和科学术语与属于本申请的技术领域的技术人员通常理解的含义相同；本文中在申请的说明书中所使用的术语只是为了描述具体的实施例的目的，不是旨在于限制本申请；本申请的说明书和权利要求书及上述附图说明中的术语“包括”和“具有”以及它们的任何变形，意图在于覆盖不排他的包含。本申请的说明书和权利要求书或上述附图中的术语“第一”、“第二”等是用于区别不同对象，而不是用于描述特定顺序。
在本文中提及“实施例”意味着，结合实施例描述的特定特征、结构或特性可以包含在本申请的至少一个实施例中。在说明书中的各个位置出现该短语并不一定均是指相同的实施例，也不是与其它实施例互斥的独立的或备选的实施例。本领域技术人员显式地和隐式地理解的是，本文所描述的实施例可以与其它实施例相结合。
为了使本技术领域的人员更好地理解本申请方案，下面将结合附图，对本申请实施例中的技术方案进行清楚、完整地描述。
如图1所示，系统架构100可以包括终端设备101、102、103，网络104和服务器105。网络104用以在终端设备101、102、103和服务器105之间提供通信链路的介质。网络104可以包括各种连接类型，例如有线、无线通信链路或者光纤电缆等等。
用户可以使用终端设备101、102、103通过网络104与服务器105交互，以接收或发送消息等。终端设备101、102、103上可以安装有各种通讯客户端应用，例如网页浏览器应用、购物类应用、搜索类应用、即时通信工具、邮箱客户端、社交平台软件等。
终端设备101、102、103可以是具有显示屏并且支持网页浏览的各种电子设备，包括但不限于智能手机、平板电脑、电子书阅读器、MP3播放器(Moving Picture ExpertsGroup Audio Layer III，动态影像专家压缩标准音频层面3)、MP4(Moving PictureExperts Group Audio Layer IV，动态影像专家压缩标准音频层面4)播放器、膝上型便携计算机和台式计算机等等。
服务器105可以是提供各种服务的服务器，例如对终端设备101、102、103上显示的页面提供支持的后台服务器。
需要说明的是，本申请实施例所提供的智能车险评估方法一般由服务器/终端设备执行，相应地，智能车险评估装置一般设置于服务器/终端设备中。
应该理解，图1中的终端设备、网络和服务器的数目仅仅是示意性的。根据实现需要，可以具有任意数目的终端设备、网络和服务器。
继续参考图2，示出了根据本申请的智能车险评估方法的一个实施例的流程图。所述的智能车险评估方法，包括以下步骤：
S1：接收客户意向协议信息，调用预设的网络接口，根据所述客户意向协议信息通过所述网络接口获取对应的车辆配置信息；
在本实施例中，本申请的系统包括数据仓库和AI大脑两个子系统。客户填写了客户意向协议信息，即投保信息后，数据仓库子系统使用预设的网络接口获取车辆配置信息，在实际操作中，也可以建立自己的数据库，而无需通过网络接口连接外部的车辆数据库进行数据查询。此外，在调用网络接口的过程中，存在身份验证操作，根据接口提供方的要求进行身份验证。车辆配置信息经清洗后存入数据仓库子系统中的数据库，并通知AI大脑可以分析新数据。
在本实施例中，智能车险评估方法运行于其上的电子设备(例如图1所示的服务器/终端设备)可以通过有线连接方式或者无线连接方式接收客户意向协议信息。需要指出的是，上述无线连接方式可以包括但不限于3G/4G连接、WiFi连接、蓝牙连接、WiMAX连接、Zigbee连接、UWB(ultra wideband)连接、以及其他现在已知或将来开发的无线连接方式。
其中，所述根据所述客户意向协议信息通过所述网络接口获取对应的车辆配置信息的步骤包括：
提取所述客户意向协议信息中的目标号码；
通过所述网络接口，将所述目标号码在预设的车辆数据库中进行匹配，获得所述车辆配置信息。
在本实施例中，所述目标号码为车架号或者车牌号。通过车架号或者车牌号查询车辆配置信息。
进一步的，所述提取所述客户意向协议信息中的目标号码的步骤包括：
基于预设位置信息提取所述客户意向协议信息中所述位置信息对应的字段，作为目标号码；或者
识别所述客户意向协议信息中连续的符合预设长度的数值型数据，作为所述目标号码。
在本实施例中，通过预设的位置信息提取所述客户意向协议信息中对应的位置信息的字段，作为目标号码。或者，识别所述客户意向协议信息中连续的符合预设长度的数值型数据，作为所述目标号码。
S2：清洗所述车辆配置信息，获得目标车辆信息，将所述目标车辆信息存储至数据库中；
在本实施例中，对车辆配置信息进行清洗，去掉非法的字段以及去掉关键字段缺失的车辆配置信息，获得目标车辆信息。再将目标车辆信息存储至数据库中。
其中，所述清洗所述车辆配置信息，获得目标车辆信息的步骤包括：
对所述车辆配置信息进行全量存储操作；
判断所述车辆配置信息中是否存在关键字段缺失，若存在，则删除对应的车辆配置信息，获得清洗后的车辆配置信息；
基于预设类别对应的字段，对所述清洗后的车辆配置信息进行拆分，获得多个具有关联关系的存储表，作为所述目标车辆信息。
在本实施例中，在全量存储的基础上，建立基础配置表、安全配置表和辅助配置表三个不同类别的数据库存储表，按类别存储各项配置，同样以车辆VIN码作为主键，得到清洗后的数据表。
具体清洗过程分为三步：全量存储、关键字段缺失和拆分归类，具体过程如下：
1)全量存储：拿到车辆详细配置信息后，以车辆VIN号为主键进行全量存储，也就是存储所有车辆配置信息。
2)关键字段缺失：判断所述车辆配置信息中是否存在关键字段缺失，若存在，则删除对应的车辆配置信息，获得清洗后的车辆配置信息。若不存在关键字段缺失，则直接将车辆配置信息作为目标车辆信息。
3)拆分归类：车辆配置项所属类别主要分为3类表：基础配置表、安全配置表和辅助配置表。其中，基础配置表包含“厂商指导价”、“厂商”、“级别”、“能源类型”、“环保标准”、“上市时间”等汽车通用属性字段。安全配置表包含“主驾驶座安全气囊”、“副驾驶座安全气囊”、“前排侧气囊”、“后排侧气囊”、“膝部气囊”、“车身稳定控制”、“主动刹车”等汽车间差异属性字段，这些配置属性一般对行车安全有直接影响。辅助配置表包含“发动机电子防盗”、“车联网”“前驻车雷达”、“后驻车雷达”、“驾驶辅助影像”、“上坡辅助”等汽车选配配置，这些配置属性一般可提升行车安全。
S3：在接收到数据分析通知时，从所述数据库中调取所述目标车辆信息，将所述目标车辆信息输入至预训练的安全分析模型中，得到出险概率；
在本实施例中，通过安全分析模型和完整的目标车辆信息获得出险概率，得到更加准确的出险概率。
其中，所述将所述目标车辆信息输入至预训练的安全分析模型中，得到出险概率的步骤包括：
提取所述目标车辆信息的安全配置表和辅助配置表，并输入至预训练的安全分析模型中，获得输出的安全保护级别；
基于预先配置的级别映射表，获取所述安全保护级别对应的出险概率。在本实施例中，AI大脑从数据仓库子系统中获取到车辆全配置信息后，根据已有险种和车辆相关配置，智能分析得出出险概率和赔付额。出险概率的具体生成过程为：
结合安全配置表和辅助配置表的数据，比如车辆全车气囊配置情况、是否具有车身稳定系统、是否配备主动刹车的安全配置等信息，通过AI技术分析计算得出驾驶人和乘客安全保护级别(例如：很低-全车无安全气囊，较低-仅主驾驶有安全气囊，低-仅主副驾驶有安全气囊，中-主副驾驶、后排侧气囊均配备，高-主副气囊、后排侧气囊、膝部气囊、甚至还具备其它气囊气帘)，事故发送潜在概率(例如：低-无车身稳定系统且无主动刹车、一般-有车身稳定系统但无主动刹车，高-有车身稳定系统且有主动刹车)等指标。
进一步的，所述提取所述目标车辆信息的安全配置表和辅助配置表，并输入至预训练的安全分析模型中，获得输出的安全保护级别的步骤包括：
将所述安全配置表和所述辅助配置表通过预训练的BERT模型转换为词向量并拼接，获得目标向量；
将所述目标向量输入至所述安全分析模型中，获得所述安全保护级别。
在本实施例中，将安全配置表和所述辅助配置表中的数据转换为词向量，进而输入至安全分析模型中，从而获得准确的安全保护级别。所述安全分析模型为基于神经网络构建的，能够充分提取数据信息。
S4：获取预先配置的所有的协议类型，基于所述协议类型和所述出险概率生成赔付额，将所述出险概率和所述赔付额输入至预训练的车险评估模型中，获得输出的评估结果。
在本实施例中，通过车险评估模型进一步计算出对应的相应的协议类型的精细化的车险评估结果。并将所述车险的评估结果存储至数据仓库中的车辆评估结果数据表中，以进行车险评估的备份。本申请的车险评估模型基于汽车画像，车险评估模型涉及的计算规则、计算公式都是可视化、可配置化的。例如：针对机动车第三者责任保险险种，车险评估模型将不仅会考虑车辆报价、车辆使用年限等基础信息，还会从车辆全配置信息中获取车辆的安全配置情况，比如车辆是否配备主动刹车安全系统、是否配备行人保护功能、配件价格等信息，通过多维度信息综合分析得出智能化、精细化的最终报价，通过报价输出对应的评估结果，具体的：如果输出的某一协议类型(即车险险种)的报价超过该协议类型的历史平均报价，则输出的评估结果为不建议投保；如果输出的某一协议类型的报价低于该协议类型的历史平均报价，则输出的评估结果为建议投保；如果输出的某一协议类型的报价等于该协议类型的历史平均报价，则输出的评估结果为可以考虑投保。最终将所有协议类型的评估结果显示在前端页面中，以供用户进行车险的选择。本申请借助于AI技术，深入分析汽车数据，生成基于汽车画像的车险评估模型，将助力于车险评估的准确性，为用户智能化、精准化的评估各个类型的车险，提升用户的体验度和投保意愿。
其中，所述基于所述协议类型和所述出险概率生成赔付额的步骤包括：
提取所述目标车辆信息的基础配置表，基于所述基础配置表查询数据库中历史记录中的同款车型的出险比例，并通过浏览器实时查询同款车型的交易价格信息；
将所述出险比例和所述交易价格信息输入至预训练的价值分析模型中，获得输出的价值数据；
基于各个所述协议类型对应的计算公式、所述出险概率和所述价值数据，分别计算各个所述协议类型对应的赔付额。
在本实施例中，基于基础配置表信息，调用内部已有的或第三方提供的接口，或使用大数据平台提供的数据，查询同款车型的出险比例、出险记录详情、同款车型的交易价格信息(例如：二手车交易价格)，通过AI技术分析计算得出该车型当前价值数据(例如：维修经济性等指标)。
需要强调的是，为进一步保证上述安全分析模型的私密和安全性，上述安全分析模型还可以存储于一区块链的节点中。
本申请所指区块链是分布式数据存储、点对点传输、共识机制、加密算法等计算机技术的新型应用模式。区块链(Blockchain)，本质上是一个去中心化的数据库，是一串使用密码学方法相关联产生的数据块，每一个数据块中包含了一批次网络交易的信息，用于验证其信息的有效性(防伪)和生成下一个区块。区块链可以包括区块链底层平台、平台产品服务层以及应用服务层等。
本申请实施例可以基于人工智能技术对相关的数据进行获取和处理。其中，人工智能(Artificial Intelligence，AI)是利用数字计算机或者数字计算机控制的机器模拟、延伸和扩展人的智能，感知环境、获取知识并使用知识获得最佳结果的理论、方法、技术及应用系统。
人工智能基础技术一般包括如传感器、专用人工智能芯片、云计算、分布式存储、大数据处理技术、操作/交互系统、机电一体化等技术。人工智能软件技术主要包括计算机视觉技术、机器人技术、生物识别技术、语音处理技术、自然语言处理技术以及机器学习/深度学习等几大方向。
本申请可应用于智慧交通领域中，从而推动智慧城市的建设。
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程，是可以通过计算机可读指令来指令相关的硬件来完成，该计算机可读指令可存储于一计算机可读取存储介质中，该计算机可读指令在执行时，可包括如上述各方法的实施例的流程。其中，前述的存储介质可为磁碟、光盘、只读存储记忆体(Read-Only Memory，ROM)等非易失性存储介质，或随机存储记忆体(Random Access Memory，RAM)等。
应该理解的是，虽然附图的流程图中的各个步骤按照箭头的指示依次显示，但是这些步骤并不是必然按照箭头指示的顺序依次执行。除非本文中有明确的说明，这些步骤的执行并没有严格的顺序限制，其可以以其他的顺序执行。而且，附图的流程图中的至少一部分步骤可以包括多个子步骤或者多个阶段，这些子步骤或者阶段并不必然是在同一时刻执行完成，而是可以在不同的时刻执行，其执行顺序也不必然是依次进行，而是可以与其他步骤或者其他步骤的子步骤或者阶段的至少一部分轮流或者交替地执行。
进一步参考图3，作为对上述图2所示方法的实现，本申请提供了一种智能车险评估装置的一个实施例，该装置实施例与图2所示的方法实施例相对应，该装置具体可以应用于各种电子设备中。
如图3所示，本实施例所述的智能车险评估装置300包括：接收模块301、清洗模块302、调取模块303以及生成模块304。其中：接收模块301，用于接收客户意向协议信息，调用预设的网络接口，根据所述客户意向协议信息通过所述网络接口获取对应的车辆配置信息；清洗模块302，用于清洗所述车辆配置信息，获得目标车辆信息，将所述目标车辆信息存储至数据库中；调取模块303，用于在接收到数据分析通知时，从所述数据库中调取所述目标车辆信息，将所述目标车辆信息输入至预训练的安全分析模型中，得到出险概率；生成模块304，用于获取预先配置的所有的协议类型，基于所述协议类型和所述出险概率生成赔付额，将所述出险概率和所述赔付额输入至预训练的车险评估模型中，获得输出的评估结果。
在本实施例中，本申请基于客户意向协议信息通过网络接口获取完整的车辆配置信息。通过清洗车辆配置信息获得目标车辆信息，以获得完整且结构化的数据，便于后续的数据AI分析处理过程的快速顺利的进行。在接收到数据分析通知时，调取目标车辆信息，输入至安全分析模型中，获得输出的出险概率，通过AI模型实现对出险概率的准确预测，进而根据出险概率和所有的协议类型生成对应的各个协议类型的赔付额，进而根据赔付额获得最终的评估结果，实现对不同用户的车险的准确评估。
所述接收模块301包括提取子模块和匹配子模块，其中，提取子模块用于提取所述客户意向协议信息中的目标号码；所述匹配子模块用于通过所述网络接口，将所述目标号码在预设的车辆数据库中进行匹配，获得所述车辆配置信息。
所述提取子模块包括第一提取单元和/或第二提取单元，其中，所述第一提取单元用于基于预设位置信息提取所述客户意向协议信息中所述位置信息对应的字段，作为目标号码；所述第二提取单元用于识别所述客户意向协议信息中连续的符合预设长度的数值型数据，作为所述目标号码。
清洗模块302包括全量存储子模块、判断子模块和拆分子模块，其中，全量存储子模块用于对所述车辆配置信息进行全量存储操作；判断子模块用于判断所述车辆配置信息中是否存在关键字段缺失，若存在，则删除对应的车辆配置信息，获得清洗后的车辆配置信息；拆分子模块用于基于预设类别对应的字段，对所述清洗后的车辆配置信息进行拆分，获得多个具有关联关系的存储表，作为所述目标车辆信息。
调取模块303包括调取子模块和获取子模块，其中，所述调取子模块用于提取所述目标车辆信息的安全配置表和辅助配置表，并输入至预训练的安全分析模型中，获得输出的安全保护级别；所述获取子模块用于基于预先配置的级别映射表，获取所述安全保护级别对应的出险概率。
所述输入子模块包括转换单元和输入单元，其中，所述转换单元用于将所述安全配置表和所述辅助配置表通过预训练的BERT模型转换为词向量并拼接，获得目标向量；所述输入单元用于将所述目标向量输入至所述安全分析模型中，获得所述安全保护级别。
生成模块304包括查询子模块、输入子模块和计算子模块，其中，所述查询子模块用于提取所述目标车辆信息的基础配置表，基于所述基础配置表查询数据库中历史记录中的同款车型的出险比例，并通过浏览器实时查询同款车型的交易价格信息；所述输入子模块用于将所述出险比例和所述交易价格信息输入至预训练的价值分析模型中，获得输出的价值数据；所述计算子模块用于基于各个所述协议类型对应的计算公式、所述出险概率和所述价值数据，分别计算各个所述协议类型对应的赔付额。
本申请基于客户意向协议信息通过网络接口获取完整的车辆配置信息。通过清洗车辆配置信息获得目标车辆信息，以获得完整且结构化的数据，便于后续的数据AI分析处理过程的快速顺利的进行。在接收到数据分析通知时，调取目标车辆信息，输入至安全分析模型中，获得输出的出险概率，通过AI模型实现对出险概率的准确预测，进而根据出险概率和所有的协议类型生成对应的各个协议类型的赔付额，进而根据赔付额获得最终的评估结果，实现对不同用户的车险的准确评估。
为解决上述技术问题，本申请实施例还提供计算机设备。具体请参阅图4，图4为本实施例计算机设备基本结构框图。
所述计算机设备200包括通过系统总线相互通信连接存储器201、处理器202、网络接口203。需要指出的是，图中仅示出了具有组件201-203的计算机设备200，但是应理解的是，并不要求实施所有示出的组件，可以替代的实施更多或者更少的组件。其中，本技术领域技术人员可以理解，这里的计算机设备是一种能够按照事先设定或存储的指令，自动进行数值计算和/或信息处理的设备，其硬件包括但不限于微处理器、专用集成电路(Application Specific Integrated Circuit，ASIC)、可编程门阵列(Field－Programmable Gate Array，FPGA)、数字处理器(Digital Signal Processor，DSP)、嵌入式设备等。
所述计算机设备可以是桌上型计算机、笔记本、掌上电脑及云端服务器等计算设备。所述计算机设备可以与用户通过键盘、鼠标、遥控器、触摸板或声控设备等方式进行人机交互。
所述存储器201至少包括一种类型的可读存储介质，所述可读存储介质包括闪存、硬盘、多媒体卡、卡型存储器(例如，SD或DX存储器等)、随机访问存储器(RAM)、静态随机访问存储器(SRAM)、只读存储器(ROM)、电可擦除可编程只读存储器(EEPROM)、可编程只读存储器(PROM)、磁性存储器、磁盘、光盘等。在一些实施例中，所述存储器201可以是所述计算机设备200的内部存储单元，例如该计算机设备200的硬盘或内存。在另一些实施例中，所述存储器201也可以是所述计算机设备200的外部存储设备，例如该计算机设备200上配备的插接式硬盘，智能存储卡(Smart Media Card,SMC)，安全数字(Secure Digital,SD)卡，闪存卡(Flash Card)等。当然，所述存储器201还可以既包括所述计算机设备200的内部存储单元也包括其外部存储设备。本实施例中，所述存储器201通常用于存储安装于所述计算机设备200的操作系统和各类应用软件，例如智能车险评估方法的计算机可读指令等。此外，所述存储器201还可以用于暂时地存储已经输出或者将要输出的各类数据。
所述处理器202在一些实施例中可以是中央处理器(Central Processing Unit，CPU)、控制器、微控制器、微处理器、或其他数据处理芯片。该处理器202通常用于控制所述计算机设备200的总体操作。本实施例中，所述处理器202用于运行所述存储器201中存储的计算机可读指令或者处理数据，例如运行所述智能车险评估方法的计算机可读指令。
所述网络接口203可包括无线网络接口或有线网络接口，该网络接口203通常用于在所述计算机设备200与其他电子设备之间建立通信连接。
在本实施例中，通过AI模型实现对出险概率的准确预测，进而根据出险概率和所有的协议类型生成对应的各个协议类型的赔付额，根据赔付额获得最终的评估结果，实现对不同用户的车险的准确评估。
本申请还提供了另一种实施方式，即提供一种计算机可读存储介质，所述计算机可读存储介质存储有计算机可读指令，所述计算机可读指令可被至少一个处理器执行，以使所述至少一个处理器执行如上述的智能车险评估方法的步骤。
在本实施例中，通过AI模型实现对出险概率的准确预测，进而根据出险概率和所有的协议类型生成对应的各个协议类型的赔付额，根据赔付额获得最终的评估结果，实现对不同用户的车险的准确评估。
通过以上的实施方式的描述，本领域的技术人员可以清楚地了解到上述实施例方法可借助软件加必需的通用硬件平台的方式来实现，当然也可以通过硬件，但很多情况下前者是更佳的实施方式。基于这样的理解，本申请的技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质(如ROM/RAM、磁碟、光盘)中，包括若干指令用以使得一台终端设备(可以是手机，计算机，服务器，
空调器，或者网络设备等)执行本申请各个实施例所述的方法。
显然，以上所描述的实施例仅仅是本申请一部分实施例，而不是全部的实施例，附图中给出了本申请的较佳实施例，但并不限制本申请的专利范围。本申请可以以许多不同的形式来实现，相反地，提供这些实施例的目的是使对本申请的公开内容的理解更加透彻全面。尽管参照前述实施例对本申请进行了详细的说明，对于本领域的技术人员来而言，其依然可以对前述各具体实施方式所记载的技术方案进行修改，或者对其中部分技术特征进行等效替换。凡是利用本申请说明书及附图内容所做的等效结构，直接或间接运用在其他相关的技术领域，均同理在本申请专利保护范围之内。
Claims (10)
1.一种智能车险评估方法，其特征在于，包括下述步骤：
接收客户意向协议信息，调用预设的网络接口，根据所述客户意向协议信息通过所述网络接口获取对应的车辆配置信息；
清洗所述车辆配置信息，获得目标车辆信息，将所述目标车辆信息存储至数据库中；
在接收到数据分析通知时，从所述数据库中调取所述目标车辆信息，将所述目标车辆信息输入至预训练的安全分析模型中，得到出险概率；
获取预先配置的所有的协议类型，基于所述协议类型和所述出险概率生成赔付额，将所述出险概率和所述赔付额输入至预训练的车险评估模型中，获得输出的评估结果。
2.根据权利要求1所述的智能车险评估方法，其特征在于，所述根据所述客户意向协议信息通过所述网络接口获取对应的车辆配置信息的步骤包括：
提取所述客户意向协议信息中的目标号码；
通过所述网络接口，将所述目标号码在预设的车辆数据库中进行匹配，获得所述车辆配置信息。
3.根据权利要求2所述的智能车险评估方法，其特征在于，所述提取所述客户意向协议信息中的目标号码的步骤包括：
基于预设位置信息提取所述客户意向协议信息中所述位置信息对应的字段，作为目标号码；或者
识别所述客户意向协议信息中连续的符合预设长度的数值型数据，作为所述目标号码。
4.根据权利要求1所述的智能车险评估方法，其特征在于，所述将所述目标车辆信息输入至预训练的安全分析模型中，得到出险概率的步骤包括：
提取所述目标车辆信息的安全配置表和辅助配置表，并输入至预训练的安全分析模型中，获得输出的安全保护级别；
基于预先配置的级别映射表，获取所述安全保护级别对应的出险概率。
5.根据权利要求4所述的智能车险评估方法，其特征在于，所述提取所述目标车辆信息的安全配置表和辅助配置表，并输入至预训练的安全分析模型中，获得输出的安全保护级别的步骤包括：
将所述安全配置表和所述辅助配置表通过预训练的BERT模型转换为词向量并拼接，获得目标向量；
将所述目标向量输入至所述安全分析模型中，获得所述安全保护级别。
6.根据权利要求1所述的智能车险评估方法，其特征在于，所述基于所述协议类型和所述出险概率生成赔付额的步骤包括：
提取所述目标车辆信息的基础配置表，基于所述基础配置表查询数据库中历史记录中的同款车型的出险比例，并通过浏览器实时查询同款车型的交易价格信息；
将所述出险比例和所述交易价格信息输入至预训练的价值分析模型中，获得输出的价值数据；
基于各个所述协议类型对应的计算公式、所述出险概率和所述价值数据，分别计算各个所述协议类型对应的赔付额。
7.根据权利要求1所述的智能车险评估方法，其特征在于，所述清洗所述车辆配置信息，获得目标车辆信息的步骤包括：
对所述车辆配置信息进行全量存储操作；
判断所述车辆配置信息中是否存在关键字段缺失，若存在，则删除对应的车辆配置信息，获得清洗后的车辆配置信息；
基于预设类别对应的字段，对所述清洗后的车辆配置信息进行拆分，获得多个具有关联关系的存储表，作为所述目标车辆信息。
8.一种智能车险评估装置，其特征在于，包括：
接收模块，用于接收客户意向协议信息，调用预设的网络接口，根据所述客户意向协议信息通过所述网络接口获取对应的车辆配置信息；
清洗模块，用于清洗所述车辆配置信息，获得目标车辆信息，将所述目标车辆信息存储至数据库中；
调取模块，用于在接收到数据分析通知时，从所述数据库中调取所述目标车辆信息，将所述目标车辆信息输入至预训练的安全分析模型中，得到出险概率；
生成模块，用于获取预先配置的所有的协议类型，基于所述协议类型和所述出险概率生成赔付额，将所述出险概率和所述赔付额输入至预训练的车险评估模型中，获得输出的评估结果。
9.一种计算机设备，其特征在于，包括存储器和处理器，所述存储器中存储有计算机可读指令，所述处理器执行所述计算机可读指令时实现如权利要求1至7中任一项所述的智能车险评估方法的步骤。
10.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质上存储有计算机可读指令，所述计算机可读指令被处理器执行时实现如权利要求1至7中任一项所述的智能车险评估方法的步骤。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202211351933.6A CN115545958A (zh) | 2022-10-31 | 2022-10-31 | 智能车险评估方法、装置、计算机设备及存储介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202211351933.6A CN115545958A (zh) | 2022-10-31 | 2022-10-31 | 智能车险评估方法、装置、计算机设备及存储介质 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN115545958A true CN115545958A (zh) | 2022-12-30 |
Family
ID=84718421
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202211351933.6A Pending CN115545958A (zh) | 2022-10-31 | 2022-10-31 | 智能车险评估方法、装置、计算机设备及存储介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN115545958A (zh) |
Cited By (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN116167826A (zh) * | 2023-04-03 | 2023-05-26 | 北京永泰万德信息工程技术有限公司 | 一种基于网络平台的购车推荐方法、系统、设备及介质 |
| CN116226787A (zh) * | 2023-05-04 | 2023-06-06 | 中汽信息科技(天津)有限公司 | 商用车出险概率预测方法、设备和介质 |
| CN116385185A (zh) * | 2023-06-06 | 2023-07-04 | 中国平安财产保险股份有限公司 | 一种车险评估辅助方法、装置、计算机设备及存储介质 |
-
2022
- 2022-10-31 CN CN202211351933.6A patent/CN115545958A/zh active Pending
Cited By (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN116167826A (zh) * | 2023-04-03 | 2023-05-26 | 北京永泰万德信息工程技术有限公司 | 一种基于网络平台的购车推荐方法、系统、设备及介质 |
| CN116226787A (zh) * | 2023-05-04 | 2023-06-06 | 中汽信息科技(天津)有限公司 | 商用车出险概率预测方法、设备和介质 |
| CN116385185A (zh) * | 2023-06-06 | 2023-07-04 | 中国平安财产保险股份有限公司 | 一种车险评估辅助方法、装置、计算机设备及存储介质 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN115545958A (zh) | 智能车险评估方法、装置、计算机设备及存储介质 | |
| CN111310562B (zh) | 基于人工智能的车辆驾驶风险管控方法及其相关设备 | |
| CN108596616B (zh) | 用户数据真实性分析方法及装置、存储介质、电子设备 | |
| CN112329659A (zh) | 基于车辆图像的弱监督语义分割方法及其相关设备 | |
| CN113657495B (zh) | 基于概率预测模型的保险产品推荐方法、装置、设备 | |
| CN105677931A (zh) | 信息搜索方法和装置 | |
| CN110781381B (zh) | 基于神经网络的数据验证方法、装置、设备及存储介质 | |
| CN116703515A (zh) | 基于人工智能的推荐方法、装置、计算机设备及存储介质 | |
| CN107908742A (zh) | 用于输出信息的方法和装置 | |
| CN117312535A (zh) | 基于人工智能的问题数据处理方法、装置、设备及介质 | |
| Li et al. | A machine learning–based framework for analyzing car brand styling | |
| CN110334261A (zh) | 车辆信息展示方法、装置、设备及存储介质 | |
| CN113918718B (zh) | 基于人工智能的车险用户分类方法、装置、设备及介质 | |
| CN111966897B (zh) | 一种出行意愿的感知方法、装置、终端及存储介质 | |
| CN117953103A (zh) | 图像的生成方法、装置和车辆 | |
| CN116385185A (zh) | 一种车险评估辅助方法、装置、计算机设备及存储介质 | |
| CN117408821A (zh) | 一种保险理赔核责方法、装置、计算机设备及存储介质 | |
| CN113890948B (zh) | 基于语音外呼机器人对话数据的资源分配方法及相关设备 | |
| CN115205058A (zh) | 车辆事故损失评估方法、装置、计算机设备及存储介质 | |
| CN113515591B (zh) | 文本不良信息识别方法、装置、电子设备及存储介质 | |
| CN112419541A (zh) | 应用于无感加油站的基于历史加油数据的货车监控方法 | |
| CN111383050A (zh) | 产品数据整合及分析方法、装置及计算机可读存储介质 | |
| CN111160637A (zh) | 智能化人力分配方法、装置及计算机可读存储介质 | |
| CN113688924B (zh) | 异常订单检测方法、装置、设备及介质 | |
| EP4113422A2 (en) | Method and apparatus for remote damage assessment of a vehicle, electronic device and medium |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination |