事故车辆理赔方法和装置、电子设备与流程

本说明书一个或多个实施例涉及计算机应用技术领域，尤其涉及一种事故车辆理赔方法和装置、电子设备。

背景技术：

现如今，在发生了车祸事故，由保险公司针对事故车辆进行立案之后，通常需要由定损员针对该事故车辆进行定损，为针对该事故车辆的理赔提供参考。在这种情况下，如何及时发现定损不合理，避免对存在欺诈风险的事故车辆进行理赔处理，减少损失，成为亟待解决的问题。

技术实现要素：

本说明书提出一种事故车辆理赔方法，所述方法包括：

获取与事故车辆对应的维修数据；

将所述维修数据输入至判定模型，以由所述判定模型基于所述维修数据，判定所述事故车辆所属的理赔案件是否为欺诈案件；

基于与所述事故车辆所属的理赔案件对应的判定结果，针对所述事故车辆进行理赔决策。

可选地，所述基于与所述事故车辆所属的理赔案件对应的判定结果，针对所述事故车辆进行理赔决策，包括：

如果判定所述事故车辆所属的理赔案件为欺诈案件，则将所述理赔案件向所述理赔案件的相关责任人输出，以由所述相关责任人针对所述理赔案件进行调查取证。

可选地，所述基于与所述事故车辆所属的理赔案件对应的判定结果，针对所述事故车辆进行理赔决策，包括：

如果判定所述事故车辆所属的理赔案件不为欺诈案件，则将所述理赔案件向核损员输出，以由所述核损员针对所述理赔案件进行核损。

可选地，所述方法还包括：

响应于所述核损员针对所述理赔案件的维修数据确认操作，基于所述维修数据对所述事故车辆进行理赔处理；

响应于所述核损员针对所述理赔案件的维修数据修改操作，获取修改后的维修数据；

将所述修改后的维修数据输入至判定模型，以由所述判定模型基于所述修改后的维修数据，判定所述事故车辆所属的理赔案件是否为欺诈案件。

可选地，所述判定模型包括第一子模型和第二子模型；所述维修数据包括维修方案和整体维修价格；

所述将所述维修数据输入至判定模型，以由所述判定模型基于所述维修数据，判定所述事故车辆所属的理赔案件是否为欺诈案件，包括：

基于所述维修方案提取特征数据，并将所述特征数据输入至所述第一子模型，以由所述第一子模型基于所述特征数据预测所述事故车辆的单项维修价格；

将所述整体维修价格和所述单项维修价格输入至所述第二子模型，以由所述第二子模型基于所述整体维修价格和所述单项维修价格，判定所述事故车辆所属的理赔案件是否为欺诈案件。

可选地，所述方法还包括：

获取预设数量的维修方案样本；其中，所述维修方案样本被标注了对应的维修价格；

基于所述维修方案样本提取特征数据样本，并基于预设的机器学习算法针对所述特征数据样本进行训练，以得到所述第一子模型；

获取预设数量的维修价格样本；其中，所述维修价格样本包括整体维修价格和单项维修价格，所述维修价格样本被标注了对应的欺诈标签；

基于预设的机器学习算法针对所述维修价格样本进行训练，以得到所述第二子模型。

可选地，所述第一子模型为回归模型，所属第二子模型为二分类模型。

本说明书还提出一种事故车辆理赔装置，所述装置包括：

第一获取模块，用于获取与事故车辆对应的维修数据；

判定模块，用于将所述维修数据输入至判定模型，以由所述判定模型基于所述维修数据，判定所述事故车辆所属的理赔案件是否为欺诈案件；

决策模块，用于基于与所述事故车辆所属的理赔案件对应的判定结果，针对所述事故车辆进行理赔决策。

可选地，所述决策模块具体用于：

如果判定所述事故车辆所属的理赔案件为欺诈案件，则将所述理赔案件向所述理赔案件的相关责任人输出，以由所述相关责任人针对所述理赔案件进行调查取证。

可选地，所述决策模块具体用于：

如果判定所述事故车辆所属的理赔案件不为欺诈案件，则将所述理赔案件向核损员输出，以由所述核损员针对所述理赔案件进行核损。

可选地，所述装置还包括：

第一响应模块，用于响应于所述核损员针对所述理赔案件的维修数据确认操作，基于所述维修数据对所述事故车辆进行理赔处理；

第二响应模块，用于响应于所述核损员针对所述理赔案件的维修数据修改操作，获取修改后的维修数据；

所述判定模块还用于将所述修改后的维修数据输入至判定模型，以由所述判定模型基于所述修改后的维修数据，判定所述事故车辆所属的理赔案件是否为欺诈案件。

可选地，所述判定模型包括第一子模型和第二子模型；所述维修数据包括维修方案和整体维修价格；

所述判定模块具体用于：

基于所述维修方案提取特征数据，并将所述特征数据输入至所述第一子模型，以由所述第一子模型基于所述特征数据预测所述事故车辆的单项维修价格；

将所述整体维修价格和所述单项维修价格输入至所述第二子模型，以由所述第二子模型基于所述整体维修价格和所述单项维修价格，判定所述事故车辆所属的理赔案件是否为欺诈案件。

可选地，所述装置还包括：

第二获取模块，用于获取预设数量的维修方案样本；其中，所述维修方案样本被标注了对应的维修价格；

第一训练模块，用于基于所述维修方案样本提取特征数据样本，并基于预设的机器学习算法针对所述特征数据样本进行训练，以得到所述第一子模型；

第三获取模块，用于获取预设数量的维修价格样本；其中，所述维修价格样本包括整体维修价格和单项维修价格，所述维修价格样本被标注了对应的欺诈标签；

第二训练模块，用于基于预设的机器学习算法针对所述维修价格样本进行训练，以得到所述第二子模型。

可选地，所述第一子模型为回归模型，所属第二子模型为二分类模型。

本说明书还提出一种电子设备，所述电子设备包括：

处理器；

用于存储机器可执行指令的存储器；

其中，通过读取并执行所述存储器存储的与事故车辆理赔的控制逻辑对应的机器可执行指令，所述处理器被促使：

获取与事故车辆对应的维修数据；

将所述维修数据输入至判定模型，以由所述判定模型基于所述维修数据，判定所述事故车辆所属的理赔案件是否为欺诈案件；

基于与所述事故车辆所属的理赔案件对应的判定结果，针对所述事故车辆进行理赔决策。

在上述技术方案中，对于事故车辆而言，可以基于判定模型针对与该事故车辆对应的维修数据进行计算，以判定该事故车辆所属的理赔案件是否为欺诈案件，并基于判定结果针对该事故车辆进行理赔决策。采用这样的方式，与常用的人工判定理赔案件是否为欺诈案件的方式相比，由于可以自动判定出欺诈案件，因此可以提高欺诈案件的判定效率和准确度。

附图说明

图1是本说明书一示例性实施例示出的一种事故车辆理赔系统的示意图；

图2是本说明书一示例性实施例示出的一种事故车辆理赔方法的流程图；

图3是本说明书一示例性实施例示出的一种事故车辆理赔装置所在电子设备的硬件结构图；

图4是本说明书一示例性实施例示出的一种事故车辆理赔装置的框图。

具体实施方式

这里将详细地对示例性实施例进行说明，其示例表示在附图中。下面的描述涉及附图时，除非另有表示，不同附图中的相同数字表示相同或相似的要素。以下示例性实施例中所描述的实施方式并不代表与本说明书一个或多个实施例相一致的所有实施方式。相反，它们仅是与如所附权利要求书中所详述的、本说明书一个或多个实施例的一些方面相一致的装置和方法的例子。

在本说明书使用的术语是仅仅出于描述特定实施例的目的，而非旨在限制本说明书。在本说明书和所附权利要求书中所使用的单数形式的“一种”、“所述”和“该”也旨在包括多数形式，除非上下文清楚地表示其他含义。还应当理解，本文中使用的术语“和/或”是指并包含一个或多个相关联的列出项目的任何或所有可能组合。

应当理解，尽管在本说明书可能采用术语第一、第二、第三等来描述各种信息，但这些信息不应限于这些术语。这些术语仅用来将同一类型的信息彼此区分开。例如，在不脱离本说明书范围的情况下，第一信息也可以被称为第二信息，类似地，第二信息也可以被称为第一信息。取决于语境，如在此所使用的词语“如果”可以被解释成为“在……时”或“当……时”或“响应于确定”。

本说明书旨在提供一种基于与事故车辆对应的维修数据，判定该事故车辆所属的理赔案件是否为欺诈案件，以基于判定结果针对该事故车辆进行理赔决策的技术方案。

在具体实现时，请参考图1，可以由定损员针对某个事故车辆进行定损，即确定与该事故车辆对应的维修数据。

后续，可以由电子设备获取该维修数据，并将该维修数据输入至预先训练好的判定模型，以由该判定模型基于该维修数据，判定该事故车辆所属的理赔案件是否为欺诈案件。

如果判定结果是该理赔案件为欺诈案件，则可以将该理赔案件向该理赔案件的相关责任人输出，以由相关责任人针对该理赔案件进行调查取证。

如果判定结果是该理赔案件不为欺诈案件，则可以将该理赔案件向核损员输出，以由核损员针对该理赔案件进行核损。

如果核损员确认该理赔案件核损通过，则可以继续基于该维修数据对该事故车辆进行理赔处理。

如果核损员确认该理赔案件核损不通过，则核损员可以将该理赔案件退回至定损员，以由定损员重新针对该事故车辆进行定损。后续，可以由电子设备获取由定损员重新确定的与该事故车辆对应的维修数据，并将重新确定的维修数据输入至上述判定模型，以由该判定模型基于该维修数据，判定该事故车辆所属的理赔案件是否为欺诈案件。

或者，如果核损员确认该理赔案件核损不通过，则核损员也可以对与该事故车辆对应的维修数据进行修改(图1中未示出)。后续，可以由电子设备获取修改后的维修数据，并重新将该修改后的维修数据输入至上述判定模型，以由该判定模型基于该维修数据，判定该事故车辆所属的理赔案件是否为欺诈案件。

在上述技术方案中，对于事故车辆而言，可以基于判定模型针对与该事故车辆对应的维修数据进行计算，以判定该事故车辆所属的理赔案件是否为欺诈案件，并基于判定结果针对该事故车辆进行理赔决策。采用这样的方式，与常用的人工判定理赔案件是否为欺诈案件的方式相比，由于可以自动判定出欺诈案件，因此可以提高欺诈案件的判定效率和准确度。

下面通过具体实施例对本说明书进行描述。

请参考图2，图2是本说明一示例性实施例示出的一种事故车辆理赔方法的流程图。该方法可以应用于服务器、手机、平板设备、笔记本电脑、掌上电脑(personaldigitalassistants，pdas)等电子设备，包括如下步骤：

步骤202，获取与事故车辆对应的维修数据；

步骤204，将所述维修数据输入至判定模型，以由所述判定模型基于所述维修数据，判定所述事故车辆所属的理赔案件是否为欺诈案件；

步骤206，基于与所述事故车辆所属的理赔案件对应的判定结果，针对所述事故车辆进行理赔决策。

在本实施例中，针对需要进行维修处理的事故车辆，通常需要先确定该事故车辆的维修数据，再基于该维修数据对该事故车辆进行理赔处理。为了避免理赔欺诈，可以获取与该事故车辆对应的维修数据，并基于该维修数据进行欺诈判定。

具体地，在保险公司针对该事故车辆进行立案后，可以由负责处理该事故车辆所属的理赔案件的定损员针对该事故车辆进行定损，即确定与该事故车辆对应的维修数据。

在实际应用中，电子设备可以向定损员输出事故车辆定损界面，定损员可以在该事故车辆定损界面中输入与该事故车辆对应的维修数据，即电子设备可以通过该事故车辆定损界面获取到与该事故车辆对应的维修数据。

举例来说，定损员可以在与该事故车辆对应的事故车辆定损界面中，输入针对该事故车辆确定的工种(例如：钣金、喷漆、机工、拆装等)、工时数量、部件名称、部件品级、生产厂商、车型、车价区间、修理厂种类(例如：综修厂、4s店等)等维修方案，以及维修价格。定损员在完成针对该事故车辆的定损后，可以点击该事故车辆定损界面中的“确认”按钮。电子设备在检测到定损员针对该“确认”按钮的点击操作时，即可以获取定损员在该事故车辆定损界面中输入的维修数据，并将该维修数据作为与该事故车辆对应的维修数据。

在获取到与该事故车辆对应的维修数据后，可以进一步地将该维修数据输入至预先训练好的判定模型，以由该判定模型基于该维修数据，判定该事故车辆所属的理赔案件是否为欺诈案件。

在示出的一种实施方式中，由定损员确定的该维修数据可以包括维修方案和整体维修价格，该判定模型则可以包括第一子模型和第二子模型。其中第一子模型可以是回归模型，第二子模型可以是二分类模型。

一方面，可以先从上述维修方案中提取特征数据。其中，特征数据可以由技术人员预先设置，包括：工种、工时数量、部件名称、部件品级、生产厂商、车型、车价区间、修理厂种类等。后续，可以将提取出的特征数据输入至上述第一子模型进行计算。

需要说明的是，可以先从历史事故车辆所属的理赔案件中获取预设数量的维修方案，例如：可以从已经进行理赔处理的事故车辆所属的理赔案件(即被记录为非欺诈案件的理赔案件)中提取预设数量的维修方案。

在获取到这些维修方案后，可以为这些维修方案标注对应的单项维修价格。其中，单项维修价格可以是从该理赔案件中获取到的。

后续，可以将这些被标注了对应的维修价格的维修方案作为训练样本，基于预设的机器学习算法(例如：回归算法)，针对维修方案样本进行训练，以得到用于基于与事故车辆对应的维修方案中的特征数据，预测该事故车辆的单项维修价格的第一子模型。

具体地，可以从维修方案样本中提取工种、工时数量、车型、车价区间、修理厂种类作为特征数据样本。在这种情况下，对于每个特征数据样本而言，为该特征数据样本标注的对应的单项维修价格可以是与该维修方案样本对应的工时维修价格。后续，可以基于预设的机器学习算法，针对这些被标注了对应的工时维修价格的特征数据样本进行训练，以得到用于基于与事故车辆对应的维修方案中的特征数据，预测该事故车辆的工时维修价格的第一子模型。

或者，也可以从维修方案中提取部件名称、部件品级、生产厂商、车型、车价区间、修理厂种类作为特征数据样本。在这种情况下，对于每个特征数据样本而言，为该特征数据样本标注的对应的单项维修价格可以是与该维修方案样本对应的部件维修价格。后续，可以基于预设的机器学习算法，针对这些被标注了对应的部件维修价格的特征数据样本进行训练，以得到用于基于与事故车辆对应的维修方案中的特征数据，预测该事故车辆的部件维修价格的第一子模型。

在实际应用中，也可以从维修方案中提取工种、工时数量、部件名称、部件品级、生产厂商、车型、车价区间、修理厂种类作为特征数据样本。在这种情况下，对于每个特征数据样本而言，为该特征数据样本标注的对应的单项维修价格可以是与该维修方案样本对应的工时维修价格和部件维修价格。后续，可以基于预设的机器学习算法，针对这些被标注了对应的工时维修价格和部件维修价格的特征数据样本进行训练，以得到用于基于与事故车辆对应的维修方案中的特征数据，预测该事故车辆的工时维修价格和部件维修价格的第一子模型。

举例来说，假设预设的维修方案样本的数量为100，则可以从历史事故车辆所属的理赔案件中获取100个维修方案，并获取这100个维修方案分别对应的单项维修价格，从而可以为每个维修方案标注其对应的单项维修价格。后续，可以将这100个被标注了对应的单项维修价格的维修方案作为训练样本，基于回归算法针对这100个被标注了对应的单项维修价格的维修方案样本进行训练，以得到用于基于与事故车辆对应的维修方案中的特征数据，预测该事故车辆的单项维修价格的第一子模型。

这样，即可以利用已经训练好的第一子模型，基于从与该事故车辆对应的维修方案中提取出的特征数据，预测该事故车辆的单项维修价格。具体地，在将该特征数据作为第一子模型的输入参数，输入至第一子模型中进行计算后，可以将第一子模型输出的计算结果确定为该事故车辆的单项维修价格，从而可以实现预测该事故车辆的单项维修价格。

另一方面，可以进一步地将由第一子模型预测得到的该事故车辆的单项维修价格，以及上述整体维修价格输入至上述第二子模型进行计算。

需要说明的是，可以获取预设数量的历史事故车辆所属的理赔案件，并分别获取这些历史事故车辆的整体维修价格和单项维修价格，例如：可以分别从这些理赔案件中获取对应的历史事故车辆的整体维修价格和单项维修价格。

此外，还可以分别为这些理赔案件标注用于指示理赔案件是否为欺诈案件的欺诈标签，例如：可以为被记录为非欺诈案件的理赔案件标注欺诈标签0，并为被记录为欺诈案件的理赔案件标注欺诈标签1。

后续，可以将历史事故车辆的整体维修价格和单项维修价格作为特征数据，并将这些被标注了对应的欺诈标签的整体维修价格和单项维修价格作为训练样本(称为维修价格样本)，基于预设的机器学习算法(例如：二分类算法)，针对维修价格样本进行训练，以得到用于基于事故车辆的整体维修价格和单项维修价格，判定该事故车辆所属的理赔案件是否为欺诈案件的第二子模型。

举例来说，假设预设的维修价格样本的数量为100，则可以获取100个历史事故车辆所属的理赔案件，并分别从这100个理赔案件中获取对应的历史事故车辆的整体维修价格和单项维修价格。进一步地，可以分别确定这100个理赔案件是否被记录为欺诈案件，从而可以为每组整体维修价格和单项维修价格标注其对应的欺诈标签。后续，可以将这100组被标注了对应的欺诈标签的整体维修价格和单项维修价格作为训练样本，基于二分类算法针对这100个被标注了对应的欺诈标签的维修价格样本进行训练，以得到用于基于事故车辆的整体维修价格和单项维修价格，判定该事故车辆所属的理赔案件是否为欺诈案件的第二子模型。

这样，即可以利用已经训练好的第二子模型，基于由第一子模型预测得到的该事故车辆的单项维修价格，以及由定损员确定的该事故车辆的整体维修价格，判定该事故车辆所属的理赔案件是否为欺诈案件。具体地，在将该单项维修价格和该整体维修价格作为第二子模型的输入参数，输入至第二子模型中进行计算后，可以基于第二子模型输出的计算结果，确定与该事故车辆所属的理赔案件对应的判定结果。

举例来说，假设为被记录为非欺诈案件的理赔案件标注欺诈标签0，并为被记录为欺诈案件的理赔案件标注欺诈标签1，则在第二子模型输出的计算结果为0时，可以确定与该事故车辆所属的理赔案件对应的判定结果是该理赔案件不为欺诈案件；在第二子模型输出的计算结果为1时，可以确定与该事故车辆所属的理赔案件对应的判定结果是该理赔案件为欺诈案件。

在本实施例中，如果判定了该事故车辆所属的理赔案件为欺诈案件，则可以将该理赔案件向该理赔案件的相关责任人输出，例如：可以通过邮件、短信等方式将该理赔案件通知给该相关责任人，以由该相关责任人针对该理赔案件进行调查取证，从而进一步地确定该理赔案件是否为欺诈案件，从而确定是否需要针对该事故车辆进行理赔处理。

如果判定了该事故车辆所属的理赔案件不为欺诈案件，则可以将该理赔案件向核损员输出，以由核损员针对该理赔案件进行核损。

如果核损员在对该理赔案件进行核损后，认为定损员确定的与该事故车辆对应的维修数据合理，则核损员可以发起针对该理赔案件的维修数据确认操作。后续，响应于该维修数据确认操作，可以基于该维修数据对该事故车辆进行理赔处理。

如果核损员在对该理赔案件进行核损后，认为定损员确定的与该事故车辆对应的维修数据不合理，则核损员可以发起针对该理赔案件的维修数据修改操作，以对与该事故车辆对应的维修数据进行修改。后续，可以获取修改后的维修数据，并重新将该修改后的维修数据输入至上述判定模型，以由该判定模型基于该维修数据，判定该事故车辆所属的理赔案件是否为欺诈案件。

或者，核损员在认为定损员确定的与该事故车辆对应的维修数据不合理时，也可以将该理赔案件退回至定损员，以由定损员重新针对该事故车辆进行定损。后续，可以获取由定损员重新确定的与该事故车辆对应的维修数据，并将重新确定的维修数据输入至上述判定模型，以由该判定模型基于该维修数据，判定该事故车辆所属的理赔案件是否为欺诈案件。

在上述技术方案中，对于事故车辆而言，可以基于判定模型针对与该事故车辆对应的维修数据进行计算，以判定该事故车辆所属的理赔案件是否为欺诈案件，并基于判定结果针对该事故车辆进行理赔决策。采用这样的方式，与常用的人工判定理赔案件是否为欺诈案件的方式相比，由于可以自动判定出欺诈案件，因此可以提高欺诈案件的判定效率和准确度。

与前述事故车辆理赔方法的实施例相对应，本说明书还提供了事故车辆理赔装置的实施例。

本说明书事故车辆理赔装置的实施例可以应用在电子设备上。装置实施例可以通过软件实现，也可以通过硬件或者软硬件结合的方式实现。以软件实现为例，作为一个逻辑意义上的装置，是通过其所在电子设备的处理器将非易失性存储器中对应的计算机程序指令读取到内存中运行形成的。从硬件层面而言，如图3所示，为本说明书事故车辆理赔装置所在电子设备的一种硬件结构图，除了图3所示的处理器、内存、网络接口、以及非易失性存储器之外，实施例中装置所在的电子设备通常根据该事故车辆理赔的实际功能，还可以包括其他硬件，对此不再赘述。

请参考图4，图4是本说明书一示例性实施例示出的一种事故车辆理赔装置的框图。该装置40可以应用于图3所示的电子设备，包括：

第一获取模块401，用于获取与事故车辆对应的维修数据；

判定模块402，用于将所述维修数据输入至判定模型，以由所述判定模型基于所述维修数据，判定所述事故车辆所属的理赔案件是否为欺诈案件；

决策模块403，用于基于与所述事故车辆所属的理赔案件对应的判定结果，针对所述事故车辆进行理赔决策。

在本实施例中，所述决策模块403具体可以用于：

如果判定所述事故车辆所属的理赔案件为欺诈案件，则将所述理赔案件向所述理赔案件的相关责任人输出，以由所述相关责任人针对所述理赔案件进行调查取证。

在本实施例中，所述决策模块403具体可以用于：

如果判定所述事故车辆所属的理赔案件不为欺诈案件，则将所述理赔案件向核损员输出，以由所述核损员针对所述理赔案件进行核损。

在本实施例中，所述装置40还可以包括：

第一响应模块404，用于响应于所述核损员针对所述理赔案件的维修数据确认操作，基于所述维修数据对所述事故车辆进行理赔处理；

第二响应模块405，用于响应于所述核损员针对所述理赔案件的维修数据修改操作，获取修改后的维修数据；

所述判定模块402还可以用于将所述修改后的维修数据输入至判定模型，以由所述判定模型基于所述修改后的维修数据，判定所述事故车辆所属的理赔案件是否为欺诈案件。

在本实施例中，所述判定模型包括第一子模型和第二子模型；所述维修数据包括维修方案和整体维修价格；

所述判定模块402具体可以用于：

基于所述维修方案提取特征数据，并将所述特征数据输入至所述第一子模型，以由所述第一子模型基于所述特征数据预测所述事故车辆的单项维修价格；

将所述整体维修价格和所述单项维修价格输入至所述第二子模型，以由所述第二子模型基于所述整体维修价格和所述单项维修价格，判定所述事故车辆所属的理赔案件是否为欺诈案件。

在本实施例中，所述装置40还可以包括：

第二获取模块406，用于获取预设数量的维修方案样本；其中，所述维修方案样本被标注了对应的维修价格；

第一训练模块407，用于基于所述维修方案样本提取特征数据样本，并基于预设的机器学习算法针对所述特征数据样本进行训练，以得到所述第一子模型；

第三获取模块408，用于获取预设数量的维修价格样本；其中，所述维修价格样本包括整体维修价格和单项维修价格，所述维修价格样本被标注了对应的欺诈标签；

第二训练模块409，用于基于预设的机器学习算法针对所述维修价格样本进行训练，以得到所述第二子模型。

在本实施例中，所述第一子模型为回归模型，所属第二子模型为二分类模型。

上述装置中各个模块的功能和作用的实现过程具体详见上述方法中对应步骤的实现过程，在此不再赘述。

对于装置实施例而言，由于其基本对应于方法实施例，所以相关之处参见方法实施例的部分说明即可。以上所描述的装置实施例仅仅是示意性的，其中所述作为分离部件说明的模块可以是或者也可以不是物理上分开的，作为模块显示的部件可以是或者也可以不是物理模块，即可以位于一个地方，或者也可以分布到多个网络模块上。可以根据实际的需要选择其中的部分或者全部模块来实现本说明书方案的目的。本领域普通技术人员在不付出创造性劳动的情况下，即可以理解并实施。

上述实施例阐明的系统、装置、模块或模块，具体可以由计算机芯片或实体实现，或者由具有某种功能的产品来实现。一种典型的实现设备为计算机，计算机的具体形式可以是个人计算机、膝上型计算机、蜂窝电话、相机电话、智能电话、个人数字助理、媒体播放器、导航设备、电子邮件收发设备、游戏控制台、平板计算机、可穿戴设备或者这些设备中的任意几种设备的组合。

与上述事故车辆理赔方法实施例相对应，本说明书还提供了一种电子设备的实施例。该电子设备包括：处理器以及用于存储机器可执行指令的存储器；其中，处理器和存储器通常通过内部总线相互连接。在其他可能的实现方式中，所述设备还可能包括外部接口，以能够与其他设备或者部件进行通信。

在本实施例中，通过读取并执行所述存储器存储的与事故车辆理赔的控制逻辑对应的机器可执行指令，所述处理器被促使：

获取与事故车辆对应的维修数据；

将所述维修数据输入至判定模型，以由所述判定模型基于所述维修数据，判定所述事故车辆所属的理赔案件是否为欺诈案件；

基于与所述事故车辆所属的理赔案件对应的判定结果，针对所述事故车辆进行理赔决策。

在本实施例中，通过读取并执行所述存储器存储的与事故车辆理赔的控制逻辑对应的机器可执行指令，所述处理器被促使：

如果判定所述事故车辆所属的理赔案件为欺诈案件，则将所述理赔案件向所述理赔案件的相关责任人输出，以由所述相关责任人针对所述理赔案件进行调查取证。

在本实施例中，通过读取并执行所述存储器存储的与事故车辆理赔的控制逻辑对应的机器可执行指令，所述处理器被促使：

如果判定所述事故车辆所属的理赔案件不为欺诈案件，则将所述理赔案件向核损员输出，以由所述核损员针对所述理赔案件进行核损。

在本实施例中，通过读取并执行所述存储器存储的与事故车辆理赔的控制逻辑对应的机器可执行指令，所述处理器还被促使：

响应于所述核损员针对所述理赔案件的维修数据确认操作，基于所述维修数据对所述事故车辆进行理赔处理；

响应于所述核损员针对所述理赔案件的维修数据修改操作，获取修改后的维修数据；

将所述修改后的维修数据输入至判定模型，以由所述判定模型基于所述修改后的维修数据，判定所述事故车辆所属的理赔案件是否为欺诈案件。

在本实施例中，所述判定模型包括第一子模型和第二子模型；所述维修数据包括维修方案和整体维修价格；

通过读取并执行所述存储器存储的与事故车辆理赔的控制逻辑对应的机器可执行指令，所述处理器被促使：

基于所述维修方案提取特征数据，并将所述特征数据输入至所述第一子模型，以由所述第一子模型基于所述特征数据预测所述事故车辆的单项维修价格；

将所述整体维修价格和所述单项维修价格输入至所述第二子模型，以由所述第二子模型基于所述整体维修价格和所述单项维修价格，判定所述事故车辆所属的理赔案件是否为欺诈案件。

在本实施例中，通过读取并执行所述存储器存储的与事故车辆理赔的控制逻辑对应的机器可执行指令，所述处理器还被促使：

获取预设数量的维修方案样本；其中，所述维修方案样本被标注了对应的维修价格；

基于所述维修方案样本提取特征数据样本，并基于预设的机器学习算法针对所述特征数据样本进行训练，以得到所述第一子模型；

获取预设数量的维修价格样本；其中，所述维修价格样本包括整体维修价格和单项维修价格，所述维修价格样本被标注了对应的欺诈标签；

基于预设的机器学习算法针对所述维修价格样本进行训练，以得到所述第二子模型。

在本实施例中，所述第一子模型为回归模型，所属第二子模型为二分类模型。

本领域技术人员在考虑说明书及实践这里公开的发明后，将容易想到本说明书的其它实施方案。本说明书旨在涵盖本说明书的任何变型、用途或者适应性变化，这些变型、用途或者适应性变化遵循本说明书的一般性原理并包括本说明书未公开的本技术领域中的公知常识或惯用技术手段。说明书和实施例仅被视为示例性的，本说明书的真正范围和精神由下面的权利要求指出。

应当理解的是，本说明书并不局限于上面已经描述并在附图中示出的精确结构，并且可以在不脱离其范围进行各种修改和改变。本说明书的范围仅由所附的权利要求来限制。

以上所述仅为本说明书一个或多个实施例的较佳实施例而已，并不用以限制本说明书一个或多个实施例，凡在本说明书一个或多个实施例的精神和原则之内，所做的任何修改、等同替换、改进等，均应包含在本说明书一个或多个实施例保护的范围之内。