基于车联网大数据的UBI系统预测方法与流程

文档序号:11138728阅读:1079来源:国知局
基于车联网大数据的UBI系统预测方法与制造工艺

本发明涉及大数据时代下的UBI系统研究,即数据源,数据的处理,数据的分析和预测模型等部分,特别给出了车险预测模型和UBI车险定价策略。



背景技术:

2013年我国的财险行业突破了亿万元大关,比2009年增加了21.3%,尽管如此,但保险行业的盈利仍然不理想。由于传统的机动车辆保险只考虑车辆购置价、购车类型等,车辆保险模式极其单一,没有考虑驾驶行为对机动车辆保险的影响,导致大部分优质的车险用户为少数因恶劣的驾驶行为造成高额理赔的用户买单,因而使得投保人的车险保费设定存在严重不合理的现象。

相比之下,国外的保险费率更为灵活,美国未婚低龄保险费率最高(缺乏责任感,易出现车辆事故);德国新手费率高(出险概率高);加拿大周末用车比上班用车费率低(出险概率低)。国外积极推广UBI(Usage-Based Insurance,UBI,基于驾驶行为的车辆保险系统)保险,并取得了一定的成效,未来UBI的车联网保险模式也将被持续推广与应用。

随着互联网时代的到来和技术全球化的发展,移动互联网正在不断渗透到社会、经济各个领域,同样地互联网下的车联网也正向着汽车保险行业渗透,因而基于车联网的汽车保险行业有巨大的发展前景。其中,车联网技术、大数据技术等是未来保险行业发展的核心驱动力。

公开号为CN105389864A、名称为“一种汽车UBI信息提取的方法”的发明专利公开了一种基于汽车UBI的数据提取方法,属于汽车UBI保险系统领域,包括汽车UBI数据集合、搜集方法、预加工方法、加工流程、云计算与数据挖掘等。但该专利仅涉及智能车载感知终端对汽车运行过程中的一些参数的采集,和对UBI系统的研究,没有涉及车险费用的预测。



技术实现要素:

本发明目的在于解决车辆保险模式极其单一,没有考虑驾驶行为对机动车辆保险的影响,提出大数据时代下的UBI系统,数据源,数据的处理,数据的分析和预测模型,对各个模块进行了详细的阐述分析。并结合数据的分析结果,制定了合理的车险预测模式。

为解决上述问题,本发明结合对车联网保险以及大数据时代下的UBI系统的研究提出基于车联网大数据的UBI系统预测方法。具体技术方案如下:

基于大数据技术下的UBI系统预测方法,包括如下步骤:

步骤1:应用智能车载终端OBD,对车辆行驶数据和驾驶行为信息进行收集存储,并进行数据处理;

步骤2:分析建模;

步骤3:在分析建模的基础上给出合理的车险预测方案,并针对用户的个性化服务要求进行模块化的系统分析和处理;

步骤4:在驾驶行为分析研究的基础上,给出车险预测模型和UBI车险定价策略。

进一步,步骤1中所述数据处理包含数据预处理和数据存储两部分,数据预处理可以获取对车辆保险预测方案有价值的数据信息,数据存储是通过对驾驶行为有关的数据解析,筛选出UBI系统所需的数据,然后对这些数据进行分类、合并,并存储到分布式数据库中,收集存储是利用车联网,通过OBD、GPS等装置,完成车辆自身状态和环境信息数据的采集,并通过互联网将采集的数据传输到中央处理器。

进一步,步骤2中所述分析建模处理是针对预处理提取的数据特征,对不同的驾驶行为给予不同的保险费率。

有益效果:

1.本发明是通过对大数据处理,得出了车联网大数据时代的UBI系统。

2.在此系统的作用下,详细分析大数据处理过程,结合实际所得数据从不同角度说明驾驶行为对车险的影响。

3.根据分析的结果,给出简易的分析模型和合理的车险预测模式建议。

附图说明

图1为OBD模式下的车联网模型。

图2为本发明的车联网大数据时代的UBI系统。

图3对收集数据分析处理的结果图。

图4为本发明的流程图。

具体实施方式

现结合附图对本发明的具体实施方式做进一步详细的说明。本发明提出基于车联网大数据的UBI系统预测方法,对车联网保险进行了研究,并创新性提出了大数据时代下的UBI系统预测方法。该方法从车主的驾驶行为习惯、行车里程、购置的价格及车辆的类型等方面进行综合分析,在车联网保险的第一代基于按里程付费(PAYD,Pay As You Drive)的车保险到第二代考虑驾驶安全(PHYD,Pay How You Drive)的车保险基础上提出车和人相结合多模式厘定车险方案,打破传统的只对车或者人单一的分析模式。本发明分析处理的数据均是由车载终端OBD收集的真实驾驶行为数据。

如图1所示,车联网(Internet of Vehicles,IOV)是通过OBD、GPS等装置,完成车自身状态的和环境信息数据的采集,通过互联网将采集的数据传输到中央处理器并对数据进行分析处理,并对不同需求的车辆进行有效监管和提供综合服务的系统,实现车辆的智能化控制。

车载诊断(OBD,On-Board Diagnostics)是车联网的核心技术,融合了汽车智能感知模块、汽车与互联网的连接模块、汽车系统和部件(发动机,排放控制系统等)的监测模块,实现车辆状况的实时记录和报告。OBD模式的车联网系统,是由OBD终端、后台系统、手机APP这三个主要部分组成,OBD模式下的车联网模型,车辆内置的传感器具有智能感知功能,车载诊断OBD通过控制局部网(CAN,Controller Aver Network)与总线相连,获取电控单元(ECU,Engine Control Unit)中的车辆状态信息。该模式系统与物联网的逻辑组成类似,由数据采集,数据分析处理,数据报告等组成。

如图2所示,大数据时代的UBI系统主要有数据源,数据的处理,数据的分析和预测模型等部分组成。以下是对大数据的UBI车险系统的详细分析综述。

机动车辆中安装的OBD对车辆的各个系统进行实时监测,车联网的应用实现了从客户端-服务器(Client/Server)成功连接,服务器是整个应用系统的资源中心,客户端发送的数据传送到数据库服务器,客户端也可以对数据库进行访问。本发明数据源存储在关系数据库MySQL中,通过数据网关传输到分布式数据库管理系统中。MySQL具有体积小、速度快、成本低等特点,适用于车况中快速产生数据,及时更新数据库中的数据,去除了冗余的数据信息,减少了网络资源的浪费。

数据处理包含数据预处理和数据存储两部分,数据预处理可以获取对车保险预测方案有价值的数据信息。通过对驾驶行为有关的数据解析,筛选出本发明提出的UBI系统所需的数据,如每日四急(急刹车、急加速、急减速、急转弯)次数、行驶里程、出行时间、超速次数等数据,然后对这些数据进行分类、合并,并存储到分布式数据库HBase中。HBase是一种基于Hadoop的项目,也称Hadoop分布式文件系统(HDFS,Hadoop Distributed File System)。它是一个非结构化数据存储的分布式数据库,使用Zookeeper管理集群,在架构层面上分为Master(Zookeeper中的leader)和多个区域服务器(RS,RegionServer)。基本架构如下,RS是集群中的一个节点,每个RS可以负责管理多个Region,每个Region只能被一个RS提供服务,HBase中需要多个Region来存储数据,HBase给每个Region定义一定范围,落在规定范围的数据,就会分配给规定的Region,从而把负载分到各个节点上,这就是分布式存储的过程及优点YARN(Yet Another Resource Negotiator)是布式集群的资源管理器。MapReduce1架构是在整个集群上执行Map和Reduce任务并报告结果,但在大型集群时,当集群节点超过一定量时,就会出现级联故障,级联故障通过网络泛洪形式导致整个集群严重恶化。为了克服MapReduce1的这种缺陷,采用YARN分层集群管理框架的技术,能使集群共享、可伸缩和更可靠。YARN分层结构是资源管理程序ResourceManager将各部分资源传给基础节点代理程序NodeManager,NodeManager启动和监视基础应用程序执行和资源管理(CPU、内存等资源分配)。

Spark是一个基于内存计算的集群计算系统,它的核心是弹性分布式数据集(RDD,Resilient Distributed Datasets),Spark的所有操作基于RDD,RDD是容错的、并行的数据结构,RDD是一个不可修改的分布的对象集合。每个RDD由多个分区组成,每个分区可以同时在集群中的不同节点上计算,RDD的分区特性与并行计算能力,使得Spark可以更好地利用可伸缩的硬件资源。若将分区与持久化二者结合起来,就能更加高效地处理海量数据。

本发明对于1000辆汽车数据进行收集,并分析处理驾驶行为相关数据信息,如四急、行驶里程、最大瞬时速度和出行的时间。如图3所示,是基于驾驶行为分别从每天驾驶的距离、每天四急的次数总和、最大速度和最晚出行时间四个方面所得数据的柱状图,通过这些数据的分析,得出相应的驾驶行为处理结果,为本发明中大数据时代下的UBI车保险方案提供有力证据。

数据建模分析是针对预处理提取的数据特征,得到想要的结果。在数据提取后,常使用的是Spark算法。Spark常用的应用有Spark SQL、Spark Streaming、MLLib、Graph等。Spark SQL使用RDD实现SQL查询;Spark Streaming流式计算,提供实时计算功能;GraphX图计算框架,实现了基本的图计算功能,常用图算法和pregel图编程框架;MLLib机器学习库,提供常用分类、聚类、回归、交叉检验等机器学习算法并行实现,如朴素贝叶斯、逻辑回归、决策树、神经网络、TFIDF、协同过滤等算法,在ML lib里面已经存在,只需要将数据带入调用比较方便。

本发明提出的UBI系统对不同的驾驶行为给予不同的保险费率,并提供个性化的增值服务。在大数据分析处理后,该系统提供的机动车辆保险的实施方案如下:给每个用户每天设置一个基总分数值如100分,四急/每日行驶总里程/每日超速次数/每日夜间行驶时间按5:2:2:1分配总分值,即50分/20分/20分/10分。

如下表1格是根据驾驶行为制定的评分规则,通过累计的得分多少,判断一个人的驾驶行为的优良性。

表1

根据方案累计一年的得分情况记为Sum,驾驶的天数即算入计算分数的天数为Day,平均得分记为Avg:

Avg=Sum/Day

为了防止恶意做假行为,天数Day有一定的规定:若Day<100天,视为最低等级,100≤Day<250,则在原来的Sum上乘一定比例50%,若Day≥250则按照原Sum计算。

根据Avg分析给不同克服分为不同的等级Avg≥80是为五星级客户,60≤Avg<80四星,40≤Avg<60三星,20≤Avg<40二星,0≤Avg<20一星级客户。不同星级的客户可以承担不同车保险费率,保险公司应奖励优质客户(即星级高的客户),在下一年的保险中给予优惠活动,同时,惩罚劣质用户(即星级低的客户),可以提高来年投保车辆的保险费率。此外,获取的数据还可以为客户提供个性化服务,如根据驾驶习惯和经常去的地方,适时为其推荐地方特色和商店活动信息,对于驾驶行为不良的用户给予及时提醒等服务。

图4是本发明基于大数据技术下的UBI系统预测方法的流程图,从中可以看出,本发明的预测方法首先是基于车联网大数据的技术框架下,应用智能车载终端OBD,对车辆行驶数据和驾驶行为信息进行收集存储,并进行数据处理;之后进行分析建模,以及在分析建模的基础上给出合理的车险预测方案,并针对用户的个性化服务要求进行模块化的系统分析和处理。最后在驾驶行为分析研究的基础上,给出车险预测模型和UBI车险定价策略。

当前第1页1 2 3 
网友询问留言 已有0条留言
  • 还没有人留言评论。精彩留言会获得点赞!
1