一种保险智能风控方法及系统与流程
本发明涉及风险控制,尤其涉及一种保险智能风控方法和一种保险智能风控方系统。
背景技术:
1、随着汽车保有量的迅速增长,车辆保险市场也得到了快速发展。传统的车辆保险主要依赖于静态的风险评估模型,这些模型通常基于车主的历史理赔记录、车辆的基本信息(如车型、车龄等)以及驾驶员的年龄、性别等因素。保险公司通过这些静态的变量来确定保险费率,并在发生事故后进行理赔。然而,随着技术的进步和数据分析能力的提升,传统的静态定价和风控模式逐渐显现出其局限性,难以适应现代社会中复杂多变的交通和驾驶环境。
2、现有技术虽出现车载终端监测方案,但普遍存在以下问题:缺乏模型迭代机制,难以适应新风险场景。
技术实现思路
1、因此,为克服以上现有技术的至少部分缺陷和不足,本发明实施例提出了一种保险智能风控方法,以适应新型车辆的风险场景。
2、一方面,本发明实施例提出的一种保险智能风控方法包括通过物联网监测设备实时获取保险标的车辆上的多维度风险信息;其中,所述多维度风险数据包括驾驶员异常驾驶行为信息、车辆周边环境状态信息、车辆静态属性信息及外部关联信息;利用目标多模态大模型对输入的多维度风险信息进行处理,得到所述保险标的车辆的目标实时风险值;根据所述目标实时风险值得到对应的风险等级,并根据对应的风险等级执行干预措施;其中,不同的风险等级对应不同的干预措施;收集所述保险标的车辆在实施所述干预措施后的预设时间内的所述实时风险值,并与所述目标实施风险值比较生成比较结果,并根据所述比较结果调整所述保险标的车辆的保险费率。
3、在本发明的一个实施例中,所述驾驶员异常驾驶行为信息包括通过驾驶员状态监测设备采集的生理疲劳、分心驾驶、超时驾驶、抽烟、接打电话、不系安全带、双手脱离方向盘和行驶轨迹偏移中的至少一种;所述车辆周边环境状态信息包括通过高级驾驶辅助系统采集的前车碰撞预警、车道偏离预警及盲区监测信息中的至少一种;所述车辆静态属性信息包括:所述保险标的车辆型号、使用年限、维修记录、历史出险记录中的至少一种;所述外部关联信息包括:区域气象预警、交通指数、企业安全等级中的至少一种。
4、在本发明的一个实施例中,所述利用目标多模态大模型对输入的多维度风险信息进行处理,得到所述保险标的车辆的目标实时风险值,包括;将所述多维度风险信息输入至初始多模态大模型,得到初始预测结果组;对初始预测结果组进行分类标注和人工校正,得到校正后的风险预测结果组;基于校正后的风险预测信息和相对应的所述多维度风险信息对所述初始多模态大模型进行迭代处理,得到迭代后的多模态大模型;对所述迭代后的多模态大模型进行评测,得到目标多模态大模型;基于所述目标多模态大模型对输入的多维度风险信息进行实时处理,得到所述保险标的车辆的目标实时风险值。
5、在本发明的一个实施例中,所述模型输入信息包括驾驶员夜间驾驶占比、连续驾驶超时频率、疲劳报警频次;路段事故率、天气风险系数、车辆类型风险系数;驾驶员的疲劳状态与湿滑路面的动态交互风险特征。
6、在本发明的一个实施例中,所述根据所述实时风险值得到对应的风险等级,并根据对应的风险等级执行干预措施,具体包括:当所述实时风险值处于低风险等级时,执行向用户终端推送安全提示信息的第一类干预措施;当所述实时风险值处于中风险等级时,执行向所述保险标的车辆的车载设备发送语音预警信息,并同步向用户终端提供靶向安全培训内容的第二类干预;当所述实时风险值处于高风险等级时,执行启动人工坐席通过所述物联网监测设备进行实时语音对讲护航,并对所述保险标的车辆进行持续动态跟踪直至风险消除的第三类干预。
7、在本发明的一个实施例中,所述第三类干预还包括:将被标记为高风险的驾驶员信息推送至其所属企业安全管理端,并生成线下走访任务清单。
8、在本发明的一个实施例中,所述收集所述保险标的车辆在实施所述干预措施后的预设时间的所述实时风险值,并与所述目标实施风险值比较生成比较结果,并根据所述比较结果调整所述保险标的车辆的保险费率,包括:在间隔预设时间内,收集所述保险标的车辆的所述实时风险值;将所述实时风险值与所述目标实施风险值进行比较,得到比较结果;若所述实时风险值不高于所述目标实施风险值,下降所述保险标的车辆的保险费率;若所述实时风险值高于所述目标实施风险值,提高所述保险标的车辆的保险费率;根据所述实时风险值生成风险表现信息,并反馈至所述目标多模态大模型中优化。
9、另一方面,本发明实施例提出的一种基于上述保险智能风控方法的保险智能风控装置,包括:多维度风险信息获取模块,用于通过物联网监测设备实时获取保险标的车辆上的多维度风险信息;其中,所述多维度风险数据包括驾驶员异常驾驶行为信息、车辆周边环境状态信息、车辆静态属性信息及外部关联信息;目标实时风险值得到模块,用于利用目标多模态大模型对输入的多维度风险信息进行处理,得到所述保险标的车辆的目标实时风险值;干预措施进行模块,用于根据所述目标实时风险值得到对应的风险等级,并根据对应的风险等级执行干预措施;其中,不同的风险等级对应不同的干预措施;比较结果生成模块,用于收集所述保险标的车辆在实施所述干预措施后的预设时间内的所述实时风险值,并与所述目标实施风险值比较生成比较结果,并根据所述比较结果调整所述保险标的车辆的保险费率。
10、再一方面,本发明提供的一种保险智能风控系统,存储器和连接所述存储器的处理器,所述存储器存储计算机程序,所述处理器运行所述计算机程序时执行如上所述的一种保险智能风控方法。。
11、又一方面,本发明提供的一种计算机可读存储介质,所述计算机可读存储介质中存储有计算机程序,存储的所述计算机程序被处理器执行时能够实现如上所述的保险智能风控方法。
12、由上可知,本发明上述技术特征可以具有如下有益效果:本步骤通过物联网设备,实现对车辆、驾驶员、道路环境、外部信息的全域实时采集,避免单一数据带来的评估偏差;通过机器学习算法对多源数据融合计算,输出可量化的实时风险值,实现风险可视化,系统根据风险等级自动匹配从轻到重的干预手段,实现精准干预,干预完成后,系统自动收集风险下降幅度、事故率、报警频次等数据,一方面用于动态调整保费,激励安全驾驶;另一方面将有效数据回流模型,持续提升风险识别准确率,形成全流程闭环智能风控;基于实时数据反馈持续迭代风控模型,适应新型车辆风险(如新能源车辆);合规与社会责任:帮助客户提升安全管理能力,降低保险标的车辆事故率。
1.一种保险智能风控方法,其特征在于,包括:
2.根据权利要求1所述的方法,其特征在于,所述驾驶员异常驾驶行为信息包括通过驾驶员状态监测设备采集的生理疲劳、分心驾驶、超时驾驶、抽烟、接打电话、不系安全带、双手脱离方向盘和行驶轨迹偏移中的至少一种;所述车辆周边环境状态信息包括通过高级驾驶辅助系统采集的前车碰撞预警、车道偏离预警及盲区监测信息中的至少一种;所述车辆静态属性信息包括:所述保险标的车辆型号、使用年限、维修记录、历史出险记录中的至少一种;所述外部关联信息包括:区域气象预警、交通指数、企业安全等级中的至少一种。
3.根据权利要求1所述的方法,其特征在于,所述利用目标多模态大模型对输入的多维度风险信息进行处理,得到所述保险标的车辆的目标实时风险值,包括;
4.根据权利要求3所述的方法,其特征在于,所述模型输入信息包括驾驶员夜间驾驶占比、连续驾驶超时频率、疲劳报警频次;路段事故率、天气风险系数、车辆类型风险系数;驾驶员的疲劳状态与湿滑路面的动态交互风险特征。
5.根据权利要求1所述的方法,其特征在于,所述根据所述实时风险值得到对应的风险等级,并根据对应的风险等级执行干预措施,具体包括:
6.根据权利要求5所述的方法,其特征在于,所述第三类干预还包括:将被标记为高风险的驾驶员信息推送至其所属企业安全管理端,并生成线下走访任务清单。
7.根据权利要求1-6中任一项所述的方法,其特征在于,所述收集所述保险标的车辆在实施所述干预措施后的预设时间的所述实时风险值,并与所述目标实施风险值比较生成比较结果,并根据所述比较结果调整所述保险标的车辆的保险费率,包括:
8.一种应用于上述权利要求1-7中任一项所述的方法的保险智能风控装置,其特征在于,包括:
9.一种保险智能风控系统,其特征在于,包括:存储器和连接所述存储器的处理器,所述存储器存储计算机程序,所述处理器运行所述计算机程序时执行如权利要求1-7中任意一项所述的保险智能风控方法。
10.一种计算机可读存储介质,其特征在于,包括:所述计算机可读存储介质中存储有计算机程序,存储的所述计算机程序被处理器执行时能够实现如权利要求1-7中任意一项所述的保险智能风控方法。
版权声明:本站专利文献数据主要来源于国家知识产权局等公开渠道,由 技术新讯 进行整理汇编。页面设计及数据汇编的著作权归本站所有。全部内容仅供个人学习、科研评估与技术交流参考,严禁用于任何商业用途(包括但不限于直接生产制造、技术转让、倒卖数据等)。
免责条款:专利技术具有时效性,本站不对资料的绝对准确性、完整性和可实施性提供任何明示或暗示的担保。因参考本站内容造成的直接或间接损失,本站不承担相关法律责任。若您认为本站内容有侵权问题,请及时提供权属证明与我们联系,本站将在核实后依法处理。反馈意见:yyfuon@163.com