[发明专利]一种车辆特征数据处理方法及车辆风险预测模型训练方法

说明书

本发明提供了一种车辆特征数据处理方法及车辆风险预测模型训练方法，该车辆特征数据处理方法包括获取至少一种原始数据，从该原始数据中确定需要的多种第一特征因子，然后从轨迹点中选取特征点，对特征点进行分层存储，确定不同层次对应的特征点和特征点之间的连线，将该多种第一特征因子与特征点或特征点之间的连线关联存储；该车辆风险预测模型训练方法包括利用多个样本数据训练车辆风险预测模型，其中每一个样本数据分别包括用于表示车辆是否出现事故的样本标记，以及某一轨迹层级所对应的存储在相关联的特征点或特征点之间的连线上的至少一种第一特征因子，和/或至少一种第二特征因子，解决了现有的车辆风险预测模型准确性不高的问题。

技术领域

本发明涉及汽车保险领域，具体涉及一种车辆特征数据处理方法及车辆风险预测模型训练方法。

背景技术

随着互联网时代的到来和技术全球化的发展，移动互联网正在不断渗透到社会、经济各个领域，同样地，互联网下的车联网也正向着汽车保险行业渗透，因而基于车联网的汽车保险行业有巨大的发展前景，其中，车联网技术、大数据技术等是未来保险行业发展的核心驱动力。在这样的时代背景下，对车联网保险进行了研究，并提出了大数据时代下的UBI系统研究。

现有技术中通过车载自采集系统OBD采集车身数据，包括车辆急刹车、急加速、急减速、急转弯、每日行驶总里程、每日超速次数、每日夜间行驶时间等少量数据特征，将动态数据存放于数据库Mysql中，特征数据分类合并存储到数据存储结构HBase中，采用Spark算法，训练出UBI(Usage Based Insurance)模型，即基于驾驶行为的汽车保险，统计分析各种特征数据，在此基础上制定驾驶行为评分标准。但是由于数据特征不全面，以及训练模型时只采用一种算法进行计算，因此现有的UBI预测模型精度较低，对车辆的出险概率预测的准确度并不高。

发明内容

有鉴于此，本发明实施例提供了一种车辆特征数据处理方法，包括获取至少一种原始数据；从所述原始数据中确定多种第一特征因子；从轨迹点中选取特征点，对所述特征点进行分层存储，确定不同层次对应的所述特征点和特征点之间的连线；将所述多种第一特征因子与所述特征点或所述特征点之间的连线关联存储。

本发明实施例提供了一种车辆风险预测模型训练方法，包括获取根据上述车辆特征数据处理方法得到的与所述特征点或所述特征点之间的连线关联存储的多种第一特征因子，和/或根据上述车辆特征数据处理方法得到的第二特征因子；利用多个样本数据对车辆风险预测模型中的至少一种模型进行训练，其中每一个所述样本数据分别包括用于表示车辆是否出现事故的样本标记，以及某一层级的与所述特征点或所述特征点之间的连线关联存储的至少一种所述第一特征因子，和/或所述第二特征因子。

本发明实施例还提供了一种车辆风险预测方法，包括利用上述方法确定目标车辆在某一层级与所述特征点或所述特征点之间的连线关联存储的至少一种第一特征因子，和/或利用上述方法确定的所述第二特征因子；将所述至少一种第一特征因子和/或所述第二特征因子作为至少一种车辆风险预测模型的输入数据，由所述至少一种车辆风险预测模型输出所述目标车辆的出险概率的标记，其中所述至少一种车辆风险预测模型是利用上述方法进行训练得到的。

本发明实施例具有如下优点：

本发明实施例提供了一种车辆特征数据处理方法及设备，该车辆特征数据处理方法包括获取至少一种原始数据，从该原始数据中确定需要的多种第一特征因子，然后从轨迹点中选取特征点，对特征点进行分层存储，确定不同层次对应的特征点和特征点之间的连线；将该多种第一特征因子与特征点或特征点之间的连线关联存储。根据该车辆特征数据处理方法，结构化地将各类车辆特征数据进行存储，形成层次聚类，在提取数据时只需按照不同层级来提取相应的特征因子，解决了现有的车辆特征数据的存储模式对存储空间要求高，且不便于进一步读取计算的问题，该车辆特征数据存储处理方法，可以应用在基于车联网大数据的UBI汽车保险领域，同时也可以作为数据读取依据，应用在辅助驾驶领域，为其提供数据参考；