一种基于历史里程的车辆风险判断方法和装置

摘要

一种基于历史里程的车辆风险判断方法和装置，首先构建里程统计条件，接着依据在不同条件下里程数据的统计信息，建立事故里程矩阵和普通里程矩阵：得到两类矩阵信息后，对其进行数据训练，对每一个里程统计条件给予一个风险判断系数，以风险判断系数与里程数线性组合求和的方法，构建事故线性方程组和普通线性方程组，令事故线性方程组中每一个方程输出结果为1，普通线性方程组中每一个方程等于0。最后用最大似然估计的方法得到线性方程组的解，即风险判断系数的解，得到训练结果。依据训练得到的风险判断系数，可以用其它车辆的里程统计数据计算其风险概率，从而判断该车辆发生事故的可能性，为动态调整车辆保险费用提供了更切合车辆实际的参考。

主权项

一种基于历史里程的车辆风险判断方法，其特征在于：对于车联网数据库中的数据，预先建立n个里程统计条件，判断步骤如下:1)将所有有事故记录的车辆在事故发生时间前M个月内的历史里程数据进行统计，构建以里程统计条件为列、事故车辆为行的事故里程矩阵m_ij，i＝1,2,...,L为不同车辆，j＝1,2,...,n为不同里程统计条件，L＞n+1；将所有在M个月内无事故记录的车辆的历史里程数据进行统计，构建以里程统计条件为列、无事故车辆为行的普通里程矩阵m'_ij，i＝1,2,...,K为不同车辆，j＝1,2,...,n为不同里程统计条件，K＞n+1；2)将事故里程矩阵和普通里程矩阵分别进行归一化处理得到归一化的事故里程矩阵a_ij，i＝1,2,...,L为不同车辆，j＝1,2,...,n为不同里程统计条件，L＞n+1，及归一化的普通里程矩阵c_ij，i＝1,2,...,K为不同车辆，j＝1,2,...,n为不同里程统计条件，K＞n+1；3)建立由线性方程构成的回归模型：其中j＝1,2,...,n，β₀,β₁,β₂,…,β_n为n+1个风险系数值，g为风险概率，概率值介于0‑1之间，0表示肯定不发生事故，1表示肯定发生事故；4)将归一化的事故里程矩阵a_ij中的每一行带入并设定g＝1，构成一个事故线性方程组；将归一化的普通里程矩阵c_ij中的每一行带入并设定g＝0，构成一个普通线性方程组；将事故线性方程组和普通线性方程组合并得到如下训练方程组：$\left\{\begin{array}{c}{\beta }_0+\underset{j=1}{\overset{n}{\Sigma }}{\beta }_j{a}_{1j}=1\\ ·\\ ·\\ ·\\ {\beta }_0+\underset{j=1}{\overset{n}{\Sigma }}{\beta }_j{a}_{\mathrm{Kj}}=1\\ {\beta }_0+\underset{j=1}{\overset{n}{\Sigma }}{\beta }_j{c}_{1j}=0\\ ·\\ ·\\ ·\\ {\beta }_0+\underset{j=1}{\overset{n}{\Sigma }}{\beta }_j{c}_{\mathrm{Lj}}=0\end{array}\right.;$而后，求解该训练方程组，得到风险系数值β₀,β₁,β₂,…,β_n；5)对于任意一辆车E，根据n个里程统计条件分别计算该车在最近M个月内的行驶里程矩阵m_j，j＝1,2,...,n，将该行驶里程矩阵m_j进行归一化，得到归一化的行驶里程矩阵e_j，j＝1,2,...,n；6)根据步骤4)的风险系数值，计算得到该车E的事故风险概率：g'＝β₀+β₁e₁+β₂e₂+…+β_ne_n。