一种基于GPS风险数据判断车辆风险场景系统的制作方法

一种基于gps风险数据判断车辆风险场景系统
技术领域
1.本发明涉及汽车金融车辆gps风险分析相关领域，具体为一种基于gps风险数据判断车辆风险场景系统。


背景技术：

2.近年来随着汽车金融企业的数量增多，市场竞争日益激烈的背景下，很多汽车金融机构或者企业为了提高自身的市场份额，一方面不断丰富金融产品多样化，另一方面则是通过提高风控手段来降低贷款的门槛从而获得更多的客户。这样随之而来的风险管理成本也在不断上升，因此汽车gps定位器因其独有的定位管理功能，成为汽车金融风控中很重要的风险把控工具，从而被汽车金融机构或企业广泛应用。但是同时也对车辆gps风险管理手段提出了更高的要求。
3.随着汽车金融机构或公司的业务规模不断壮大，安装gps的车辆数不断增长，同时由于车辆在实际线下使用中场景的复杂多样性，传统的单纯通过车辆报警、离线行为来判断是否存在风险的方法显得效率尤为低下。因此贷后部门对于有效风险数据和场景的甄别的需求更为迫切。如何在成千上万的车辆中找出风险车辆成为车辆gps管理中的重点。


技术实现要素：

4.本发明的目的在于提供一种基于gps风险数据判断车辆风险场景系统，以解决上述背景技术中提出的问题。
5.为实现上述目的，本发明提供如下技术方案：一种基于gps风险数据判断车辆风险场景系统，包括触发入口模块、终端基础信息分析模块、风险场景分析模块和结果输出模块，其特征在于：所述触发入口模块用于开发人员对接各类中间件、后端程序和前端操作，来触发整个程序，程序被触发后将接入终端基础信息分析模块；
6.所述终端基础信息分析模块用于对触发入口模块触发的信息进行清洗、加工，数据在此部分处理并存储完成后将接入风险场景分析模块；
7.所述风险场景分析模块用于根据终端基础信息分析模块处理后的数据进行场景化分析，采用抽象类的方式设计为高度可定制化，开发者根据新发现的场景不断的丰富和完善，每个场景可自由使用风险场景分析模块处理过的数据，并根据自身的要求进行多维度多决策以及动态权重分析的方式计算车辆的风险等级和风险类型，并将计算结果提交至结果输出模块。
8.所述结果输出模块用户负责将风险场景分析模块的分析结果进行持久化存储和分发，且将持久化存储方案和结果分发到各个订阅的子系统中，该部分是系统的最后一个环节，执行完毕后系统即进入休眠状态并释放相关资源。
9.优选的，所述终端基础信息分析模块对触发入口模块触发的信息进行清洗、加工，具体包括：第一标准化传入数据的格式，并对触发时的终端信息进行获取和存储；第二数据经过对触发入口模块触发的信息进行清洗、加工的处理，获得一个可完整支持后续计算的
全量数据，即全量风险因子，并以标准化的数据结构进行存储和传递，整个系统的数据积累在该部分全部完成。
10.优选的，所述风险场景分析模块中根据自身的要求进行多维度多决策以及动态权重分析的方式计算车辆的风险等级和风险类型，具体包括：常停位置计算、预警位置分析和动态权重分配。
11.优选的，所述常停位置计算通过多重聚合的方式最终得出精准度更高的常停位置，具体的计算逻辑可分为以下几个步骤：
12.步骤s1、获取设备在指定的时间范围内所有停车点的经纬度列表，每个点的初始权重值都等于1，记为list1，停车点个数记为n；
13.步骤s2、在list中取第1个停车点，并和第2至第n个停车点依次进行两点之间的距离计算，将距离不大于200米的停车点经度和纬度两两相加后除以2，这里是为了让两个相近的点进行聚合得到一个两个点连线的中心点，并将新的经纬度点的权重值加1，并保存成一个新的经纬度列表，记为list2；
14.步骤s3、将list2的值赋予list1，将list2的停车点个数赋予n，然后清空list2，并递归重复执行步骤2，直到无法再进行聚合时结束递归计算；
15.步骤s4、将list1中权重值小于2的点移除，即可得到一个包含权重值的常停点列表，权重值越高说明在该位置附近停车的次数越多。
16.优选的，所述预警位置分析会根据车辆所在地进行poi筛查、判定是否常停点、判定是否历史常报警点，具体的实施步骤可分为以下几个步骤：
17.步骤1、以设备位置为圆心，获取方圆200米内所有与汽车维修相关的poi，如果存在指定的poi，则视设备处于“拥有拆除设备能力”的高风险区域；
18.步骤2、获取设备所绑定车辆近30天的常停点列表，并依次判断是否至少存在一个常停点与当前所处位置的距离不大于200米，若存在则视该设备处于“近期常停区域”的低风险区域；
19.步骤3、获取设备所绑定车辆历史30天的报警点，并与当前设备的报警类型进行比较，若存在不小于5次的同类型报警，并且与当前设备的距离不大于200米，则视该设备处于“常报警区域”的中风险区域。
20.优选的，所述动态权重分配根据不同的计算场景为相同风险因子分配不同的权重值，具体的实施步骤如下：
21.步骤a、预置9种风险场景，分别为未接常电、固定异常、信号不良离线、拆除离线、亏电预警、亏电离线、车辆质押、低电量离线和因信号不良导致长期离线，其中固定异常、信号不良离线、拆除离线分为有线设备和无线设备两种判定逻辑；
22.步骤b、为每一种风险场景，分配好若干个风险因子，相同的风险因子在不同的风险场景中可分配不同的权重值。
23.与现有技术相比，本发明的有益效果是：
24.1.本发明替代了传统的单一维度的车辆gps报警机制，避免了因车辆使用场景的多样性和复杂性导致的大量无效报警数据，通过多维度多决策和权重分析减少传统排查过程中的噪点数据，做到车辆风险预警的及时性和精准性。
25.2.本发明提出了ai决策的风险排查概念，将人为分析经验转化为计算机算法，大
大降低了人力成本，提高了车辆风险排查的效率。
26.3.本发明采用了开放的分级系统架构，一方面可以吸纳算法研究和传感器研究的最新进展，使决策结果更加专准确，另一方面促进风控人员或者gps从业人员参与到lbs使用场景分析研究中。
附图说明
27.图1为本发明的系统结构框图。
具体实施方式
28.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方案进行清楚、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。
29.请参阅图1，本发明提供一种技术方案：一种基于gps风险数据判断车辆风险场景系统，包括触发入口模块、终端基础信息分析模块、风险场景分析模块和结果输出模块，其特征在于：所述触发入口模块用于开发人员对接各类中间件、后端程序和前端操作，来触发整个程序，程序被触发后将接入终端基础信息分析模块；
30.所述终端基础信息分析模块用于对触发入口模块触发的信息进行清洗、加工，数据在此部分处理并存储完成后将接入风险场景分析模块；
31.所述风险场景分析模块用于根据终端基础信息分析模块处理后的数据进行场景化分析，采用抽象类的方式设计为高度可定制化，开发者根据新发现的场景不断的丰富和完善，每个场景可自由使用风险场景分析模块处理过的数据，并根据自身的要求进行多维度多决策以及动态权重分析的方式计算车辆的风险等级和风险类型，并将计算结果提交至结果输出模块。
32.所述结果输出模块用户负责将风险场景分析模块的分析结果进行持久化存储和分发，且将持久化存储方案和结果分发到各个订阅的子系统中，该部分是系统的最后一个环节，执行完毕后系统即进入休眠状态并释放相关资源。
33.进一步的，所述终端基础信息分析模块对触发入口模块触发的信息进行清洗、加工，具体包括：第一标准化传入数据的格式，并对触发时的终端信息进行获取和存储；第二数据经过对触发入口模块触发的信息进行清洗、加工的处理，获得一个可完整支持后续计算的全量数据，即全量风险因子，并以标准化的数据结构进行存储和传递，整个系统的数据积累在该部分全部完成。
34.其中标准化的数据结构即为统一化各类风险场景所需要的全部风险因子数据，其存储格式为标准的json结构，并规定其应包含以下字段：
35.字段名说明车辆信息carmodel设备信息drivermodel近期报警列表recentwarninglist近期常停列表recentoftenlist
设备实时数据immediateinfo
36.进一步的，所述风险场景分析模块中根据自身的要求进行多维度多决策以及动态权重分析的方式计算车辆的风险等级和风险类型，具体包括：常停位置计算、预警位置分析和动态权重分配
37.进一步的，所述常停位置计算通过多重聚合的方式最终得出精准度更高的常停位置，具体的计算逻辑可分为以下几个步骤：
38.步骤s1、获取设备在指定的时间范围内所有停车点的经纬度列表，每个点的初始权重值都等于1，记为list1，停车点个数记为n；
39.步骤s2、在list中取第1个停车点，并和第2至第n个停车点依次进行两点之间的距离计算，将距离不大于200米的停车点经度和纬度两两相加后除以2，这里是为了让两个相近的点进行聚合得到一个两个点连线的中心点，并将新的经纬度点的权重值加1，并保存成一个新的经纬度列表，记为list2；
40.步骤s3、将list2的值赋予list1，将list2的停车点个数赋予n，然后清空list2，并递归重复执行步骤2，直到无法再进行聚合时结束递归计算；
41.步骤s4、将list1中权重值小于2的点移除，即可得到一个包含权重值的常停点列表，权重值越高说明在该位置附近停车的次数越多。
42.进一步的，所述预警位置分析会根据车辆所在地进行poi筛查、判定是否常停点、判定是否历史常报警点，具体的实施步骤可分为以下几个步骤：
43.步骤1、以设备位置为圆心，获取方圆200米内所有与汽车维修相关的poi，如果存在指定的poi，则视设备处于“拥有拆除设备能力”的高风险区域；
44.步骤2、获取设备所绑定车辆近30天的常停点列表，并依次判断是否至少存在一个常停点与当前所处位置的距离不大于200米，若存在则视该设备处于“近期常停区域”的低风险区域；
45.步骤3、获取设备所绑定车辆历史30天的报警点，并与当前设备的报警类型进行比较，若存在不小于5次的同类型报警，并且与当前设备的距离不大于200米，则视该设备处于“常报警区域”的中风险区域。
46.进一步的，所述动态权重分配根据不同的计算场景为相同风险因子分配不同的权重值，具体的实施步骤如下：
47.步骤a、预置9种风险场景，分别为未接常电、固定异常、信号不良离线、拆除离线、亏电预警、亏电离线、车辆质押、低电量离线和因信号不良导致长期离线，其中固定异常、信号不良离线、拆除离线分为有线设备和无线设备两种判定逻辑；
48.步骤b、为每一种风险场景，分配好若干个风险因子，相同的风险因子在不同的风险场景中可分配不同的权重值。
49.其中相同的风险因子在不同的风险场景中可分配不同的权重值具体为：
50.未接常电：
[0051][0052]
固定异常(有线或有线 无线设备)：
[0053][0054][0055]
固定异常(单无线)：
[0056][0057]
信号不良离线(有线设备或有线 无线设备)：
[0058][0059]
信号不良离线(单无线设备)：
[0060]
表现逻辑权重近期无异常发生当前报警前24小时内不存在光感报警60
[0061]
拆除离线(有线设备或有线加无线设备)：
[0062]
[0063][0064]
拆除离线(单无线设备)：
[0065]
[0066][0067]
亏电预警(3个风险因子全部满足时，赋予80权重)：
[0068]
表现逻辑设备电压偏低计算时当前电压小于等于5v设备近期无拆除风险计算时24小时内无光感、断电、震动、拆除报警停车点附近无拆机风险计算时周围汽车服务点为0个
[0069]
亏电离线(3个风险因子全部满足时，赋予80权重)：
[0070][0071]
车辆质押：
[0072][0073]
[0074]
低电量离线：
[0075]
表现逻辑权重附近无拆除风险当前报警位置周边汽车服务点个数小于120近期无异常发生当前报警前24小时内不存在光感报警20设备电量过低当前报警时车辆电量小于等于20％40设备电压过低当前报警时设备电压低于2.8020
[0076]
因信号不良导致长期离线：
[0077]
表现逻辑权重近期离线时无异常，但离线时间过长3天内出现信号不良离线80
[0078]
系统通过结合日常人为分析的累计经验，提取历史风险车辆的风险数据特征进行聚类分析，先将风险场景进行细分，然后引入决策树和权重机制，从而做到在车辆有风险数据产生时根据本次的风险数据特征(如：时间、地点、地点性质、风险类型等)进行推演给出计算得出的可能性最高的风险场景和风险等级。这样可以过滤掉绝大部分的无效风险报警，同时还可以将车辆gps风险预警做到更加的及时和准确化，大大降低了贷后人员的排查工作量和排查难度。
[0079]
发明替代了传统的单一维度的车辆gps报警机制，避免了因车辆使用场景的多样性和复杂性导致的大量无效报警数据，通过多维度多决策和权重分析减少传统排查过程中的噪点数据，做到车辆风险预警的及时性和精准性；通过提出了ai决策的风险排查概念，将人为分析经验转化为计算机算法，大大降低了人力成本，提高了车辆风险排查的效率；通过采用了开放的分级系统架构，一方面可以吸纳算法研究和传感器研究的最新进展，使决策结果更加专准确，另一方面促进风控人员或者gps从业人员参与到lbs使用场景分析研究中。
[0080]
尽管已经示出和描述了本发明的实施例，对于本领域的普通技术人员而言，可以理解在不脱离本发明的原理和精神的情况下可以对这些实施例进行多种变化、修改、替换和变型，本发明的范围由所附权利要求及其等同物限定。