[發明專利]一種車輛維保異常監測系統及方法

有效

• 申請號: 202110444072.5
• 申請日: 2021-04-23
• 公開（公告）號: CN113077182B
• 公開（公告）日: 2023-01-24
• 發明（設計）人: 張天駿;王曉杰;張震;陳可鑫;晉志華;陳云飛;李浩方;王文娟;劉玉懷;李孟洲;馬軍強
• 申請（專利權）人: 鄭州大學
• 主分類號: G06Q10/0631
• 分類號: G06Q10/0631;G06Q10/20;G06Q40/08
• 代理公司: 鄭州知勁專利代理事務所(普通合伙) 41193
• 代理人: 韓松

1.一種車輛維保異常監測系統，其特征在于，包括：

車輛維修信息采集終端，用于采集車輛維修信息；

車輛維修數據庫，用于存儲車輛維修信息采集終端上傳的車輛維修信息；

算法分析模塊，用于對車輛維修數據進行密度簇群識別算法處理，得到維修車輛簇群跨度時間和對應車輛信息；

車輛數據篩選模塊，用于將在每一個簇群里車輛維修次數達到預設閾值的車輛維修數據調出；

保險異常提醒模塊，用于針對維修頻率高的車輛信息發出保險異常提醒；

所述密度簇群識別算法具體包括：

對車輛維修數據預處理，將日期時間進行歸一化x＝{(M-1)*30+D}/365，其中M表示某月，D表示某日；

將維修時間和車輛信息組成一個二維數據集S＝{(x_i,y_i)|x_i∈R,i＝1,2,……,N}，x_i表示時間點，y_i表示x_i對應的車輛信息；

采用基于快速查找密度峰值聚類算法對時間維的x_i進行聚類分析；

從得到的簇群信息中得到維修車輛簇群跨度時間和對應車輛信息；

所述基于快速查找密度峰值聚類算法具體步驟如下：

步驟a，初始化及預處理

給定截斷距離d_c；

步驟b，計算距離d_ij，

步驟c，計算x_i的局部密度ρ_i，ρ_i＝∑_jχ(d_ij-d_c)，其中若x≥0，χ(x)＝0，否則χ(x)＝1；

步驟d，確定n_i和δ_i

n_i定義為所有數據對象中局部密度ρ_i比x_i大的數據點中與x_i距離最近的數據點的編號，具體定義為：δ_i定義為：最后根據(ρ_i，δ_i)輸出決策圖；

步驟e，從決策圖中查看得出聚類中心x_r，由二維數據集S＝{(x_i,y_i)|x_i∈R,i＝1,2,……,N}對應關系，得到x_r對應的y_r；

步驟f，對非聚類中心的數據對象進行歸類，按ρ_i值從大到小遍歷，借助n_i逐層擴充每一個簇群。

2.根據權利要求1所述的車輛維保異常監測系統，其特征在于，所述車輛維修信息采集終端設置在各汽車修理廠，車輛維修信息包括通過汽車修理廠的閘機拍照設備獲取汽車的車牌號、車型和車顏色外觀特征信息，以及通過維修人員登記汽車維修部位、維修時間、維修成本和車主信息。

3.根據權利要求1所述的車輛維保異常監測系統，其特征在于，該系統還包括網絡傳輸模塊，設置在車輛維修信息采集終端上，用于將采集的車輛維修信息上傳至車輛維修數據庫。

4.根據權利要求3所述的車輛維保異常監測系統，其特征在于，所述網絡傳輸模塊通過以太網、內置SIM卡或者WiFi方式連入車輛維修數據庫。

5.根據權利要求1所述的車輛維保異常監測系統，其特征在于，所述車輛維修數據庫包括數據處理模塊和數據存儲模塊，所述數據處理模塊用于對車輛維修數據進行預處理，以供算法分析模塊識別分析，數據存儲模塊用于存儲車輛維修數據。

6.根據權利要求1所述的車輛維保異常監測系統，其特征在于，所述保險異常提醒模塊將疑似保險異常的車輛信息推送至保險業務人員，提醒保險業務人員前往查證是否確實涉及騙保問題。

7.一種車輛維保異常監測方法，其特征在于，包含以下步驟：

當汽車修理廠接收到需要維修的車輛時，通過車輛維修信息采集終端記錄車輛維修信息，并暫存至本地，同時上傳至車輛維修數據庫；

車輛維修數據庫對車輛維修數據進行預處理與存儲，以供算法分析模塊識別分析；

算法分析模塊針對車輛維修數據進行密度簇群識別算法處理，得到維修車輛簇群跨度時間和對應車輛信息；

根據保險業務人員設定的閾值，車輛數據篩選模塊將在每一個簇群里車輛維修次數達到預設閾值的車輛維修數據調出；

保險異常提醒模塊將疑似保險異常的車輛信息推送至保險業務人員，提醒對該車輛進行查證；

所述密度簇群識別算法具體包括：

對車輛維修數據預處理，將日期時間進行歸一化x＝{(M-1)*30+D}/365，其中M表示某月，D表示某日；

將維修時間和車輛信息組成一個二維數據集S＝{(x_i,y_i)|x_i∈R,i＝1,2,……,N}，x_i表示時間點，y_i表示x_i對應的車輛信息；

采用基于快速查找密度峰值聚類算法對時間維的x_i進行聚類分析；

從得到的簇群信息中得到維修車輛簇群跨度時間和對應車輛信息；

所述基于快速查找密度峰值聚類算法具體步驟如下：

步驟a，初始化及預處理

給定截斷距離d_c；

步驟b，計算距離d_ij，

步驟c，計算x_i的局部密度ρ_i，ρ_i＝∑_jχ(d_ij-d_c)，其中若x≥0，χ(x)＝0，否則χ(x)＝1；

步驟d，確定n_i和δ_i

n_i定義為所有數據對象中局部密度ρ_i比x_i大的數據點中與x_i距離最近的數據點的編號，具體定義為：δ_i定義為：最后根據(ρ_i，δ_i)輸出決策圖；

步驟e，從決策圖中查看得出聚類中心x_r，由二維數據集S＝{(x_i,y_i)|x_i∈R,i＝1,2,……,N}對應關系，得到x_r對應的y_r；

步驟f，對非聚類中心的數據對象進行歸類，按ρ_i值從大到小遍歷，借助n_i逐層擴充每一個簇群。