[發明專利]駕駛風險識別方法、電子裝置及可讀存儲介質

有效

• 申請號: 202010002162.4
• 申請日: 2020-01-02
• 公開（公告）號: CN111178452B
• 公開（公告）日: 2020-10-13
• 發明（設計）人: 史良洵;喻寧;朱園麗;陳克炎;朱艷喬;陳皓云
• 申請（專利權）人: 平安科技（深圳）有限公司;中國平安財產保險股份有限公司
• 主分類號: G06K9/62
• 分類號: G06K9/62;G06N3/08
• 代理公司: 深圳市沃德知識產權代理事務所(普通合伙) 44347
• 代理人: 高杰;于志光

1.一種駕駛風險識別方法，應用于電子裝置，其特征在于，所述方法包括：

獲取步驟：獲取預設用戶群中每個用戶在第一預設時間段內的第一駕駛數據及風險數據，對所述第一駕駛數據執行第一處理，得到每個用戶的第一特征因子及第二特征因子，所述第一特征因子為顯性因子，包括：用戶的年齡、性別、駕齡、車型和車齡，所述第二特征因子為隱性因子，包括：用戶的信用、財富、車輛的物理參數、車輛維修記錄和行駛軌跡特征，所述車輛物理參數包括車長、車寬、車高、能源類型和是否安裝ABS；

處理步驟：對所述每個用戶的第一特征因子及第二特征因子執行第二處理，得到每個用戶的第一特征因子序列，對所述風險數據執行第三處理，得到每個用戶的歷史風險值；

訓練步驟：將所述每個用戶的第一特征因子序列及歷史風險值輸入基于預設排序算法的神經網絡模型進行訓練，得到駕駛風險識別模型；

識別步驟：響應客戶端發送的某一指定用戶的駕駛風險識別請求，獲取所述指定用戶在第二預設時間段內的第二駕駛數據，對所述第二駕駛數據執行所述第一、第二處理，得到所述指定用戶的第二特征因子序列，將所述第二特征因子序列輸入所述駕駛風險識別模型，得到所述指定用戶的駕駛風險等級；

所述第一駕駛數據包括行駛軌跡信息，所述行駛軌跡信息包括各個地理位置的經緯度、速度、角度、高度和時間戳，對所述行駛軌跡信息執行第一處理包括：

計算所述預設用戶群中每個用戶的急加速次數、急減速次數、急轉彎次數；

計算所述每個用戶在高風險區域出現的次數；

計算所述每個用戶的用車時段風險度；

計算所述每個用戶的用車規律度；

將所述每個用戶的急加速次數、急減速次數、急轉彎次數、在高風險區域出現的次數、用車時段風險度、用車規律度作為所述每個用戶的行駛軌跡特征；

所述對所述每個用戶的第一特征因子及第二特征因子執行第二處理包括：

將所述第一、第二特征因子進行拼接，并對空值進行默認值填充，得到第一序列；

將所述第一序列中離散型數據轉換為數值型數據，得到第二序列；

對所述第二序列中的數據執行歸一化處理，得到第三序列；

將所述第一、第二特征因子對應的權重分別與所述第三序列中所述第一、第二特征因子對應的數據相乘，得到第一特征因子序列；

所述對所述風險數據執行第三處理包括：

根據所述風險數據統計所述每個用戶的出險次數；

對所述出險次數執行歸一化處理，得到所述每個用戶的歷史風險值；

所述預設排序算法為LambdaRank算法，所述基于預設排序算法的神經網絡模型的訓練過程包括：

將所述預設用戶群中的用戶兩兩組合，得到個組合對，n為所述預設用戶群中用戶的總數量；

將每個組合對中各個用戶的第一特征因子序列及歷史風險值輸入所述基于預設排序算法的神經網絡模型中，得到各個組合對中第一個用戶的駕駛風險高于第二個用戶的真實概率及預測概率；

基于所述預測概率對所述預設用戶群中的用戶排序，根據所述真實概率、預測概率、優化的損失函數梯度對所述基于預設排序算法的神經網絡模型進行迭代，得到駕駛風險識別模型。