一种车辆事故解决优化系统的制作方法

本发明涉及车辆保险领域，尤其涉及一种车辆事故解决优化系统。

背景技术：

当今社会，随着科技的发展和人民生活水平的提高，有车一族越来越多，而日常车辆在使用过程难免会有大小事故发生，对于大量使用车辆的企业来说，处理好车辆事故对于企业的降低成本很重要的，例如一些小的事故刮擦是不需要出险处理，可以自主更换备件；或者在不影响到来年保费费率优惠情况下出险。

目前，一般车辆出险需要确保车主符合下述三种情况：

1、第一年没有出险；

2、出险次数在两次以下(包括两次)；

3、第一年赔付金额低于保费金额。详见附图。

如果车主符合以上三种情况，那么车主将在第二年得到优惠的保险价格。

如果车主在第一年多次出险，汽车第二年保险费肯定要上涨，甚至比第一年保费还高，而且更换保险公司也无济于事，目前大部分的保险公司的系统已经联网，因多次出险记录将被保险公司列入“黑名单”，所有已联网的保险公司均可从网络上调取出该车辆的出险记录。

而在不出险或只出第三者险情况下，车辆产生事故后不外修，自主不会更换备件或备件不足，缺少专业车辆管理人员等种种原因，都会导致维修延缓，影响业务运作。

技术实现要素：

本发明的目的在于提供一种车辆事故解决优化系统，车辆出险需要经过一系列流程，需要人工定损，车厂修理等，本发明为处理车辆事故利用现有的资源合理优化处理系统，并通过人工智能演算公式得到最终结果，从而到达更有利的处理系统。最终达到降低企业用车成本，提高企业的竞争力的目的。该系统可弥补现有的车辆事故解决方案的不足。

为实现上述目的，本发明的目的在于提供一种车辆事故解决优化系统，包括车辆事故解决优化模型，所述车辆事故解决优化模型包括：数据源、数据层、算法层以及输出层，所述数据源、数据层、算法层以及输出层之间层层递进，所述数据源作为所述数据层的输入，所述数据层的输出作为所述算法层的输入，所述算法层的输出作为所述输出层的输出依据；其中，所述数据源包括：汽车特征、保险数据、车费数据、征信数据以及爬虫数据；所述输出层包括：出险和不出险。

作为优化，所述车辆事故解决优化系统以汽车特征来标签化汽车配件数据库，所述数据层包括多维度数据，所述多维度数据包括：人员数据、维修数据、保险数据，所述数据层中的数据来源包括：

基于爬虫从搜索引擎、行业数据库，进行垂直爬取，做横向数据清洗；

根据外部供应链体系给出的市场化报价；

现有数据结构化。

作为优化，所述数据清洗的方法包括：word2vec模型、数据转换、数据降维以及特征联合校验；所述算法层包括模型层和评估层，其中，获得所述模型层的方法包括：监督和无监督学习、特征提取、规则引擎和业务系统；获得所述评估层的方法有：向量计算机、贝叶斯算法、votingclassifier模型、卷积神经网络cnn或者循环神经网络rnn。

作为优化，所述算法层的原理为：将去噪后的出险因子以及所述数据层关联数据作为数据流传入所述模型层，所述评估层通过算法模型来获得评估指标，使得所述输出层根据所述评估指标输出最佳系统。

作为优化，所述评估层的具体评估原则为：

定义α，β为是否出险因子，定义r1，……，rn为维修挡，定义s1，……，sn为零配件档，定义i1，……，in为保险档，定义t1，……，tn为工时费，定义in为浮动保费，定义im为定损费用，定义i出险一次的保费为上一年出险1次，或者是新车，或者是本年首保的保费，i不出险保费等于i保费·(1-优待系数)，定义rn为维修成本，则有：

in＝i出险一次的保费-i不出险保费；

rn＝s1+……+sn+t1+……+tn；

当α＝im-in＜0→不出险，定义f(α)＝0→否；

当α＝im-in＞0→出险，定义f(α)＝1→是；

当β＝rn-in＜0→不出险，定义f(β)＝0→否；

当β＝rn-in＞0→出险，定义f(β)＝1→是。

作为优化，定义f(α)f(β)＝{00，01，10，11}，

在出现f(α)f(β)＝{00}时，所述评估层结果为“否否”，则所述输出层判定为不出险；

在f(α)f(β)＝{01}和f(α)f(β)＝{10}时，所述评估层结果为“否是”和“是否”，则基于出险后对来年优惠有影响的考虑，所述输出层判定为不出险；

在f(α)f(β)＝{11}时，所述评估层结果为“是是”，则所述输出层判定为出险。

作为优化，交强险浮动系数根据浮动因素的变化而变化，所述变化的具体规则为：

若所述浮动因素为上一个年度未发生有责任道路交通事故，则浮动系数为0.9；

若所述浮动因素为上两个年度未发生有责任道路交通事故，则浮动系数为0.8；

若所述浮动因素为上三个及以上年度未发生有责任道路交通事故，则浮动系数为0.7；

若所述浮动因素为上一个年度发生一次有责任不涉及死亡的道路交通事故，则浮动系数为1；

若所述浮动因素为上一个年度发生两次及两次以上有责任不涉及死亡的道路安全事故，则浮动系数为1.1；

若所述浮动因素为上一个年度发生有责任道路交通死亡事故，则浮动系数为1.3。

作为优化，所述车辆事故解决优化系统还包括：传感器组、gps模块、摄像头以及中央服务器，所述传感器组包括九轴传感器和红外传感器，其中，所述九轴传感器包括三轴加速传感器和三轴地磁传感器，所述九轴传感器用于对汽车的起动、震动、加速、减速、急加速、急刹、左转、右转的运动状态及方向进行感应；所述传感器组、gps模块、摄像头以及中央服务器在车辆行驶过程中的工作过程包括：

步骤s1：获取车辆的所述传感器组的信息，对所述传感器组的信息进行综合判断分析出车辆行驶数据；

步骤s2：通过所述红外传感器和所述摄像头采集车辆周围物体的图像信息，并且计算车辆周围物体相对所述车辆的距离；

步骤s3：对步骤s2中识别到的物体图像进行分类处理，并记录相应的数据；

步骤s4：将步骤s2中获得的车辆行驶数据和步骤s3获得的图像识别分类数据通过所述gps模块上传至所述中央服务器，并将数据储存至数据库；

步骤s5：所述中央服务器根据步骤s4中获取的数据对驾驶员的驾驶行为进行综合分析，获得碰撞风险评分、车速风险评分、以及紧急情况反应评分；

步骤s6：所述中央服务器周期性对驾驶员的驾驶行为进行计算评分，并生成驾驶员的驾驶习惯分析报告，储存至相应的驾驶员户账户中；

其中，所述驾驶习惯分析报告包括关于超速、急刹、急加速、急转弯的统计。

作为优化，所述步骤s3中对步骤s2中识别到的物体图像进行分类处理的具体方法为：

采用sift算法对采集的图像进行深度学习，得到图像特征；

根据所述图像特征对神经网络进行训练；

将实时采集的图像代入训练好的神经网络中进行识别，得到图像种类的标签；

将所述实时采集的图像根据所述标签进行分类处理，并记录相应数据。

作为优化，所述车辆事故解决优化系统还包括手机app和蓝牙模块，所述手机app通过所述蓝牙模块获取所述中央服务器的评分结果或者驾驶习惯分析报告，所述手机app还包括与提供车险的公司相连接的保险界面。

与现有技术相比，本发明的有益效果是：

一方面，该车辆事故解决优化系统对于在车辆发生事故后是否出险，将是否出险数据转化成多项事故因子，通过基于大数据的数据层数据整合以及智能化评估体系，利用逻辑公式和一系列假定条件换算最终得出结果，并对比车辆出险和不出险对下一年缴交保险金额上浮和优惠，最终得出最优化出险方案，将该系统应用于车辆资产管理平台，综合出险与否和自主更换备件得出建议的优化方案，可以最终达到降低企业用车成本，提高企业的竞争力的目的。

另一方面，利用当前的gps技术、传感器技术对汽车行驶状态进行检测，并且使用中央处理器的智能分析技术对汽车的行驶状态数据进行分析，对驾驶员的驾驶行为进行多方面评分，并在周期检查评分的基础上生成驾驶习惯分析报告储存在中央服务器中，保险公司可以从中央服务器中获取各项评分和驾驶习惯分析报告，在车辆发生事故后，将各项评分和驾驶习惯分析报告作为对比车辆出险与不出险对下一年保费、优惠的参考依据之一；手机app也可以从中央服务器中获取各项评分和驾驶习惯分析报告，并在手机界面显示出来，不仅提升用户汽车的使用体验，驾驶员也可以以此来更正自己的不良驾驶行为，提升驾车安全性，提升驾驶员对汽车的安全正确的使用习惯；降低了车辆发生事故的概率，也降低了保险公司的赔付成本，降低了在未出过事故情况下的出险浮动系数。

附图说明

下面结合附图对本发明进一步说明。

图1为本发明一种车辆事故解决优化系统中车辆事故解决优化模型的结构示意图；

图2为本发明一种车辆事故解决优化系统的结构示意图一；

图3为本发明一种车辆事故解决优化系统的结构示意图二；

图4为本发明一种车辆事故解决优化系统中评估层的流程示意图；

图5为本发明一种车辆事故解决优化系统中交强险浮动系数与浮动因素对应规则示意图；

图6为厦门市商业车险费优惠表；

图7为本发明一种车辆事故解决优化系统中车辆发生事故前数据获取流程示意图。

图中：1-车辆事故解决优化模型、11-数据源、12-数据层、13-算法层、14-输出层、131-模型层、132-评估层、2-传感器组、3-gps模块、4-摄像头、5-中央服务器、21-九轴传感器、22-红外传感器、211-三轴加速传感器、212-三轴地磁传感器、6-手机app、7-蓝牙模块。

具体实施方式

下面将结合本发明实施例中的附图，对本发明实施例中的技术系统进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。

请参阅图1，本发明的目的在于提供一种车辆事故解决优化系统，包括车辆事故解决优化模型1，所述车辆事故解决优化模型1包括：数据源11、数据层12、算法层13以及输出层14，所述数据源11作为所述数据层12的输入，所述数据层12的输出作为所述算法层13的输入，所述算法层13的输出作为所述输出层14的输出依据；其中，所述数据源11包括：汽车特征、保险数据、车费数据、征信数据以及爬虫数据；所述输出层14包括：出险和不出险。

所述数据层12包括多维度数据，所述多维度数据包括：人员数据、维修数据、保险数据，所述数据层中的数据来源包括：

基于爬虫从搜索引擎、行业数据库，进行垂直爬取，做横向数据清洗；

根据外部供应链体系给出的市场化报价；

现有数据结构化。

所述数据清洗的方法包括：word2vec模型、数据转换、数据降维以及特征联合校验；所述算法层13包括模型层131和评估层132，其中，获得所述模型层131的方法包括：监督和无监督学习、特征提取、规则引擎和业务系统；获得所述评估层132的方法有：向量计算机、贝叶斯算法、votingclassifier模型、卷积神经网络cnn或者循环神经网络rnn。

具体的，votingclassifier的基本思想是：组合不同的机器学习模型，通过投票或者是平均的方式预测最后的标签。

卷积神经网络(convolutionalneuralnetwork，cnn)是一种前馈神经网络，它的人工神经元可以响应一部分覆盖范围内的周围单元，对于大型图像处理有出色表现。cnn主要用来识别位移、缩放及其他形式扭曲不变性的二维图形，该部分功能主要由池化层实现。由于cnn的特征检测层通过训练数据进行学习，所以在使用cnn时，避免了显式的特征抽取，而隐式地从训练数据中进行学习；再者由于同一特征映射面上的神经元权值相同，所以网络可以并行学习。

无论是卷积神经网络，还是人工神经网络，前提假设都是：元素之间是相互独立的，输入与输出也是独立的，但现实世界中，很多元素都是相互连接的，循环神经网络的本质是像人一样拥有记忆的能力，它的输出就依赖于当前的输入和记忆。

所述算法层13的原理为：将去噪后的出险因子以及所述数据层关联数据作为数据流传入所述模型层131，所述评估层132通过算法模型来获得评估指标，使得所述输出层14根据所述评估指标输出最佳系统。

所述评估层132的具体评估原则为：

定义α，β为是否出险因子，定义r1，……，rn为维修挡，定义s1，……，sn为零配件档，定义i1，……，in为保险档，定义t1，……，tn为工时费，定义in为浮动保费，定义im为定损费用，定义i出险一次的保费为上一年出险1次，或者是新车，或者是本年首保的保费，i不出险保费等于i保费·1-优待系数，定义rn为维修成本，则有：

in＝i出险一次的保费-i不出险保费；

rn＝s1+……+sn+t1+……+tn；

当α＝im-in＜0→不出险，定义f(α)＝0→否；

当α＝im-in＞0→出险，定义f(α)＝1→是；

当β＝rn-in＜0→不出险，定义f(β)＝0→否；

当β＝rn-in＞0→出险，定义f(β)＝1→是。

请参阅图6，图6为厦门市商业车险费优惠表，根据赔款次数的不同，无赔款优待系数也不同，其中赔款次数也根据之前有无出险而不同，在一实施例中，之前无出险的情况下，连续年数越多，无赔款优待系数越小；在上年出险过的情况下，出险次数越多，无赔款优待系数越大。

定义f(α)f(β)＝{00，01，10，11}，

在出现f(α)f(β)＝{00}时，所述评估层132结果为“否否”，则所述输出层14判定为不出险；

在f(α)f(β)＝{01}和f(α)f(β)＝{10}时，所述评估层132结果为“否是”和“是否”，则基于出险后对来年优惠有影响的考虑，所述输出层14判定为不出险；

在f(α)f(β)＝{11}时，所述评估层132结果为“是是”，则所述输出层14判定为出险。

请参阅图4，在一实施例中，当损坏的配件是车辆企业配件库已有的，那么在评估结果为{00}、{01}、{10}的情况时，可以由己方自主更换全部或部分备件，或由我方提供配件汽修厂帮忙更换；在评估结果为{11}情况时，出险由保险公司提供处理，它是根据实际责任认定情况决定如何赔偿，然后进行维修。

请参阅图5，交强险浮动系数与浮动因素一一对应，对应的具体规则为：

若所述浮动因素为上一个年度未发生有责任道路交通事故，则浮动系数为0.9；

若所述浮动因素为上两个年度未发生有责任道路交通事故，则浮动系数为0.8；

若所述浮动因素为上三个及以上年度未发生有责任道路交通事故，则浮动系数为0.7；

若所述浮动因素为上一个年度发生一次有责任不涉及死亡的道路交通事故，则浮动系数为1；

若所述浮动因素为上一个年度发生两次及两次以上有责任不涉及死亡的道路安全事故，则浮动系数为1.1；

若所述浮动因素为上一个年度发生有责任道路交通死亡事故，则浮动系数为1.3。

请参阅图2和图7，所述车辆事故解决优化系统还包括：传感器组2、gps模块3、摄像头4以及中央服务器5，所述传感器组2包括九轴传感器21和红外传感器22，其中，所述九轴传感器21包括三轴加速传感器211和三轴地磁传感器212，所述九轴传感器21用于对车辆的起动、震动、加速、减速、急加速、急刹、左转、右转的运动状态及方向进行感应；所述传感器组2、gps模块3、摄像头4以及中央服务器5在车辆行驶过程中的工作过程包括：

步骤s1：获取车辆的所述传感器组2的信息，对所述传感器组2的信息进行综合判断分析出车辆行驶数据；

步骤s2：通过所述红外传感器22和所述摄像头4采集车辆周围物体的图像信息，并且计算车辆周围物体相对所述车辆的距离；

步骤s3：对步骤s2中识别到的物体图像进行分类处理，并记录相应的数据；

步骤s4：将步骤s2中获得的车辆行驶数据和步骤s3获得的图像识别分类数据通过所述gps模块3上传至所述中央服务器5，并将数据储存至数据库；

步骤s5：所述中央服务器5根据步骤s4中获取的数据对驾驶员的驾驶行为进行综合分析，获得碰撞风险评分、车速风险评分、以及紧急情况反应评分；

步骤s6：所述中央服务器5周期性对驾驶员的驾驶行为进行计算评分，并生成驾驶员的驾驶习惯分析报告，储存至相应的驾驶员户账户中；

其中，所述驾驶习惯分析报告包括关于超速、急刹、急加速、急转弯的统计。

所述步骤s3中对步骤s2中识别到的物体图像进行分类处理的具体方法为：

采用sift算法对采集的图像进行深度学习，得到图像特征；

根据所述图像特征对神经网络进行训练；

将实时采集的图像代入训练好的神经网络中进行识别，得到图像种类的标签；

将所述实时采集的图像根据所述标签进行分类处理，并记录相应数据。

请参阅图3，所述车辆事故解决优化系统还包括手机app6和蓝牙模块7，所述手机app6通过所述蓝牙模块7获取所述中央服务器5的评分结果或者驾驶习惯分析报告，所述手机app6还包括与提供车险的公司相连接的保险界面。

此外，算法层13的部分实现核心代码如下所示：

在实际应用中，评估层132以多种神经网络算法驱动，做到低成本，高效率。

本发明的工作原理是：

一方面，该车辆事故解决优化系统对于在车辆发生事故后是否出险，将是否出险数据转化成多项事故因子，通过基于大数据的数据层数据整合以及智能化评估体系，利用逻辑公式和一系列假定条件换算最终得出结果，并对比车辆出险和不出险对下一年缴交保险金额上浮和优惠，最终得出最优化出险方案，将该系统应用于车辆资产管理平台，综合出险与否和自主更换备件得出建议的优化方案，可以最终达到降低企业用车成本，提高企业的竞争力的目的。

另一方面，利用当前的gps技术、传感器技术对汽车行驶状态进行检测，并且使用中央处理器的智能分析技术对汽车的行驶状态数据进行分析，对驾驶员的驾驶行为进行多方面评分，并在周期检查评分的基础上生成驾驶习惯分析报告储存在中央服务器中，保险公司可以从中央服务器中获取各项评分和驾驶习惯分析报告，在车辆发生事故后，将各项评分和驾驶习惯分析报告作为对比车辆出险与不出险对下一年保费、优惠的参考依据之一；手机app也可以从中央服务器中获取各项评分和驾驶习惯分析报告，并在手机界面显示出来，不仅提升用户汽车的使用体验，驾驶员也可以以此来更正自己的不良驾驶行为，提升驾车安全性，提升驾驶员对汽车的安全正确的使用习惯；降低了车辆发生事故的概率，也降低了保险公司的赔付成本，降低了在未出过事故情况下的出险浮动系数。

对于本领域技术人员而言，显然本发明不限于上述示范性实施例的细节，而且在不背离本发明的精神或基本特征的情况下，能够以其他的具体形式实现本发明。因此，无论从哪一点来看，均应将实施例看作是示范性的，而且是非限制性的，本发明的范围由所附权利要求而不是上述说明限定，因此旨在将落在权利要求的等同要件的含义和范围内的所有变化囊括在本发明内。不应将权利要求中的任何附图标记视为限制所涉及的权利要求。