[發明專利]用于挖掘車險風險因子之間的關聯規則的方法和裝置

在審

• 申請號: 201710096388.3
• 申請日: 2017-02-22
• 公開（公告）號: CN108460685A
• 公開（公告）日: 2018-08-28
• 發明（設計）人: 朱杰;孫家棣
• 申請（專利權）人: 深圳市賽格車圣智聯科技有限公司
• 主分類號: G06Q40/08
• 分類號: G06Q40/08;G06Q10/06;G06Q30/02
• 代理公司: 深圳市順天達專利商標代理有限公司 44217
• 代理人: 郭偉剛

本發明提供了一種用于挖掘車險風險因子之間的關聯規則的方法，包括以下步驟：步驟S1、根據傳統風險因子和車聯網新增風險因子，將駕駛者信息和車輛信息進行關聯，形成訓練樣本集；以及步驟S2、使用Apriori算法對訓練樣本集進行分析，得到傳統風險因子和車聯網新增風險因子之間具有關聯的對象的集合。在本發明中，對車險行業保險定價相關的傳統風險因子和車聯網新增風險因子包含的大量變量之間可能存在著的聯系，基于大數據分析，應用Apriori算法，得到滿足最小支持度數和最小置信度數的關聯規則的對象，并提取我們感興趣的子集用于后續業務分析。

技術領域

本發明涉及汽車領域，尤其涉及一種用于挖掘車險風險因子之間的關聯規則的方法和裝置。

背景技術

隨著城市化的不斷深入和推進，城市越來越擁擠，越來越多的家庭擁有了自己的車。在汽車保險中，保險定價的風險分類主要有從人因素、從車因素和道路環境因素。由此各國汽車保險的費率模式基本上可以劃分為兩大類，即從車費率模式和從人費率模式。

從車費率模式是指在確定保險費率的過程中主要以被保險車輛的風險因子作為影響費率確定因素的模式。從車費率模式具有體系簡單，易于操作的特點。但是，從車費率模式的缺陷是顯而易見的，因為在汽車的使用過程中對于風險的影響起到決定作用的是與車輛駕駛人有關的風險因子。

從人費率模式是指在確定保險費率的過程中主要以被保險車輛駕駛人的風險因子作為影響費率確定因素的模式。在從人費率模式中，從人因素包括傳統風險因子和車聯網新增風險因子。傳統風險因子包括：駕駛人年齡、性別、駕齡、交通違章記錄等。隨著車聯網的發展，車輛的駕駛數據可以上傳到后臺服務器，車聯網新增風險因子包括行駛速度的平均值和方差，急加速、急減速和急轉彎次數或頻率，超速駕駛里程、時長、次數，疲勞駕駛里程、時長、次數，高峰時段駕駛里程、時長、次數，深夜時段駕駛里程、時長、次數，惡劣天氣駕駛里程、時長、次數，惡劣路況駕駛里程、時長、次數等。因此，如果能夠挖掘兩者之間的關聯規則，對于保險公司精確計算客戶風險、細分客戶群體將大有幫助。

發明內容

本發明的目的在于提供一種用于挖掘車險風險因子之間的關聯規則的方法和裝置以考察各因子的組合，挖掘之間的關聯規則。

一方面，本發明實施例提供一種用于挖掘車險風險因子之間的關聯規則的方法，包括以下步驟：

步驟S1、根據傳統風險因子和車聯網新增風險因子，將駕駛者信息和車輛信息進行關聯，形成訓練樣本集；以及

步驟S2、使用Apriori算法對所述訓練樣本集進行分析，得到所述傳統風險因子和所述車聯網新增風險因子之間具有關聯的對象的集合。

優選地，所述步驟S1包括：

步驟S11、將所述駕駛者信息和所述車輛信息進行關聯，進行聚合統計操作；

步驟S12、以所述駕駛者信息和所述車輛信息為單位，整合車載智能終端上報的數據集、天氣數據集、交通違章記錄數據集、駕駛者和車輛基本資料數據集、保險公司理賠事宜數據集，形成所述訓練樣本集。

優選地，在所述步驟S1和所述步驟S2之間還包括：

將數值型表示的所述訓練樣本集轉化成布爾型，并用稀疏矩陣表示。

優選地，所述步驟S2包括：

步驟S21、設定最小支持度數和最小置信度數；

步驟S22、對表示成稀疏矩陣的訓練樣本集應用Apriori算法獲得支持度值，得到滿足所述最小支持度數的對象；

步驟S23、對滿足所述最小支持度數的對象進行Apriori計算，獲得置信度值，得到滿足所述最小置信度數的對象，并產生相應的關聯規則集合；

步驟S24、對關聯規則集合的對象排序，提取感興趣的子集進行業務分析。