基于GPS数据的车辆风险评估方法、装置、设备和介质

技术领域

本申请涉及基于车辆的风控系统技术领域，特别涉及基于GPS数据的车辆风险评估方法、装置、设备和介质。

背景技术

在当前的风控系统中，一般直接将GPS数据作为风控手段，当出现风险后，根据车辆定位数据进行分析管控。例如，当车辆使用者欠款或者骗贷发生后，告知风控人员，由风控人员去根据车辆定位查找车辆并追回，不能够提前发现风险，导致车辆设备发生损坏。

发明内容

本申请的目的是提供一种基于GPS数据的车辆风险评估方法、装置、设备和介质，能够提早发现车辆行为变化，及时生成风险评估信息，为风控中心提供重要的决策因子。其具体方案如下：

第一方面，本申请公开了一种基于GPS数据的车辆风险评估方法，包括：

获取车辆的GPS历史数据，并根据所述GPS历史数据，确定POI兴趣点；

根据所述POI兴趣点对应的数据信息，生成POI模型；

将获取的所述车辆的GPS实时数据与所述POI模型进行匹配，并根据匹配结果，生成风险评估信息。

可选的，根据所述GPS历史数据，确定POI兴趣点，包括：

根据所述GPS历史数据中的速度信息和停留时长，确定所述POI兴趣点。

可选的，根据所述POI兴趣点对应的数据信息，生成POI模型，包括：

提取所述POI兴趣点的兴趣点类型、停留时刻及停留时长，得到所述用户的出行习惯数据信息；

将所述出行习惯数据信息，作为所述POI模型。

可选的，当所述车辆的GPS实时数据与所述POI模型不匹配时，在生成所述风险评估信息之前，还包括：

判断所述车辆的GPS实时数据连续偏离所述POI模型的次数是否超过预设次数；

若是，则执行生成所述风险评估信息的步骤；

若否，则将所述车辆的GPS实时数据加入所述POI模型。

可选的，在将获取的所述车辆的GPS实时数据与所述POI模型进行匹配之前，还包括：

判断所述POI模型的建立时间是否大于预设周期；

若是，则执行所述将获取的所述车辆的GPS实时数据与所述POI模型进行匹配的步骤；

若否，则将获取的所述车辆的GPS实时数据加入所述POI模型。

可选的，在将获取的所述车辆的GPS实时数据与所述POI模型进行匹配之前，还包括：

判断所述车辆的GPS实时数据中的位置信息是否为敏感点；

若是，则发送含有风险的风险评估信息至风险控制中心；

若否，则执行所述将获取的所述车辆的GPS实时数据与所述POI模型进行匹配的步骤。

第二方面，本申请公开了一种基于GPS数据的车辆风险评估装置，包括：

获取模块，用于获取车辆的GPS数据，并根据所述GPS数据，确定POI兴趣点；

生成模块，用于根据所述POI兴趣点对应的数据信息，生成POI模型；

匹配模块，用于将获取的所述车辆的GPS实时数据与所述POI模型进行匹配，并根据匹配结果，生成风险评估信息。

可选的，所述获取模块，包括：

确定单元，用于根据所述GPS历史数据中的速度信息和停留时长，确定所述POI兴趣点。

第三方面，本申请公开了一种设备，包括：

存储器，用于存储计算机程序；

处理器，用于执行所述计算机程序时实现如上述基于GPS数据的车辆风险评估方法的步骤。

第四方面，本申请公开了一种介质，所述介质上存储有计算机程序，所述计算机程序被处理器执行时实现如上述基于GPS数据的车辆风险评估方法的步骤。

本申请提供一种基于GPS数据的车辆风险评估方法，包括：获取车辆的GPS历史数据，并根据所述GPS历史数据，确定POI兴趣点；根据所述POI兴趣点对应的数据信息，生成POI模型；将获取的所述车辆的GPS实时数据与所述POI模型进行匹配，并根据匹配结果，生成风险评估信息。

可见，本申请通过获取车辆的GPS历史数据，生成用户的感兴趣点即POI兴趣点，进而得到POI模型，再将车辆的GPS实时数据与POI模型进行匹配，根据匹配结果得到风险评估信息；即本申请通过创建POI模型，将车辆的GPS实时数据与POI模型进行匹配，当不匹配时，可以得出用户的出行发生变化，及时的生成风险评估信息，提早发现车辆行为变化，为风控中心提供重要的决策因子，避免了相关技术中车辆出现发生异常时，才查找车辆并追回，导致车辆已发生损坏的缺陷，还有本申请将GPS数据与用户的POI兴趣点结合共同作为风险评估因子，能够提高风险评估的准确性，改善用户体验。本申请同时还提供了一种基于GPS数据的车辆风险评估装置、设备和介质，具有上述有益效果，在此不再赘述。

附图说明

为了更清楚地说明本申请实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本申请的实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据提供的附图获得其他的附图。

图1为本申请实施例所提供的一种基于GPS数据的车辆风险评估方法的流程图；

图2为本申请实施例所提供的一种具体实施例中POI模型更新及匹配过程示意图；

图3为本申请实施例提供的一种基于GPS数据的车辆风险评估装置的结构示意图。

具体实施方式

为使本申请实施例的目的、技术方案和优点更加清楚，下面将结合本申请实施例中的附图，对本申请实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本申请一部分实施例，而不是全部的实施例。基于本申请中的实施例，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，都属于本申请保护的范围。

当前的风控系统中，采取的是一般直接将GPS数据作为风控手段，当出现风险后，根据车辆定位数据进行分析管控。但是当车辆使用者欠款或骗贷发生后，风控人员再去查找追回车辆，车辆可能已被损坏拆卸，不能够提早发现风险。基于上述技术问题，本实施例提供一种基于GPS数据的车辆风险评估方法，提早发现车辆行为变化，及时的生成风险评估信息，为风控中心提供重要的决策因子，具体请参考图1，图1为本申请实施例所提供的一种基于GPS数据的车辆风险评估方法的流程图，具体包括：

S101、获取车辆的GPS历史数据，并根据GPS历史数据，确定POI兴趣点。

本实施例并不限定获取的GPS历史数据的数据量，可以是一周的数据量，也可以是一个月的数据量，当然也可以是其他时长的数据量。可以理解的是， 获取的GPS历史数据的数据量越多，越有利于创建POI兴趣点和后续的POI模型，建立的POI模型越准确。其中，GPS历史数据可以包括速度、在线情况、方向角、是否是有效定位以及定位卫星数量等信息。还可以理解的是，POI兴趣点即为车辆使用者（用户）经常停留的地点，可以是汽车4S店，餐饮店，公司、小区、学校等。本实施例并不限定确定POI兴趣点的具体方式，可以是根据车辆停留的时长，可以是停留次数，也可以是其他。

在一种具体的实施例中，根据GPS历史数据，确定POI兴趣点，可以包括：

根据GPS历史数据中的速度信息和停留时长，确定POI兴趣点。

本实施例中确定POI兴趣点的方式是根据GPS历史数据中的速度信息和停留时长来确定的。根据GPS历史数据中的速度信息和停留时长来判定是否为POI兴趣点的规则可以是，速度为0，且停留时长超过预设值，本实施例并不限定预设值的具体大小，可以是180s，可以是其他值。还有，为了判定结果更加准确，速度为0的GPS数据点之前的连续个数据点（比如连续3个点）速度不为0时，才判定该GPS数据点为POI兴趣点。例如，可以是连续3个点有速度，且速度不为0，突然离线不上传数据，且停车时间为180秒以上，取最后一个点为停车点，作为POI兴趣点。

S102、根据POI兴趣点对应的数据信息，生成POI模型。

可以理解的是，POI兴趣点即为兴趣点类型，可以是汽车服务、汽车销售、餐饮服务、购物服务、医疗保健服务、住宿服务等。本实施例中POI兴趣点对应的数据信息，可称为POI数据，可以包括位置点的位置信息，如经纬度，地址信息，地址种类等。即通过对POI数据进行提取，也就是对该用户的POI兴趣点对应的数据信息进行分类分析，即可提炼出有效的出行习惯，生成POI模型。可以理解的是，本实施例中根据POI兴趣点的数据信息，生成POI模型的过程，可以是将POI兴趣点的数据信息以记录的形式存储于数据库或存储容器中，该车辆所有数据记录即为生成的POI模型。具体的，该记录中的信息可包含兴趣点类型，停留时刻和停留时长这三项数据信息，将满足条件的POI兴趣点以记录形式存储于数据库，存储的各条记录即为POI模型。换句话说，POI模型可以是对所有POI数据叠加生成和的统计，例如，车辆A，兴趣点：学校（1次），停留时间：20分钟，一般在8:00-9:00停留；兴趣点：商场（2次），停留时间：80分钟，一般在19:00-21:00停留。

在一种具体的实施例中，根据POI兴趣点对应的数据信息，生成POI模型，可以包括：

提取POI兴趣点的兴趣点类型、停留时刻及停留时长，得到用户的出行习惯数据信息；

将出行习惯数据信息，作为POI模型。

即本实施例中通过根据POI兴趣点的兴趣点类型，并结合停留时刻、停留时长，来得到用户的出行习惯数据信息。可以理解的是，出行习惯数据信息记录的是用户的行为习惯，是为了以后的报警做准备的。本实施例并不限定出行习惯数据信息的具体内容，可以是对用户的POI数据叠加存储，可根据实际情况进行存储。例如，可以是用户A早上8点出发去公司，晚上6点回家，周末一般去看电影，以及对应的权重次数（出现了多少次）。

S103、将获取的车辆的GPS实时数据与POI模型进行匹配，并根据匹配结果，生成风险评估信息。

可以理解的是，本实施例中将车辆的GPS实时数据与POI模型的匹配过程，可以是将GPS实时数据与数据库或存储容器中的各个记录或Excel文件进行比对，并判断与POI模型中的某条记录是否吻合。在一种具体的实施例中，匹配过程可以为同一时间范围内，出现在同一兴趣点，即可判断为匹配，否则，判断为不匹配。本实施例中将获取的车辆的GPS实时数据与POI模型进行匹配，有匹配成功和匹配不成功两者结果，并生成对应的风险评估信息。本实施例并不限定风险评估信息的具体内容，可以是，当不匹配时，可以生成含有风险的风险评估信息；若匹配时，则生成不包含风险的风险评估信息或继续监测或者是其他操作，作为匹配结果对应的风险评估信息。即本实施例中当不匹配时，也就是当GPS实时数据与POI模型中的各条记录不吻合时，就会触发服务器执行生成含有风险的风险评估信息的操作。例如，车辆A在抵押点停留10分钟，未命中即未成功匹配到该车辆的POI模型，则有异常。

还可以理解的是，本实施例中可以是只要获取到GPS实时数据就与POI模型进行匹配，也可以是将获取到一定周期的GPS实时数据后再与POI模型进行匹配；本实施例并不限定该周期的具体大小，可以是3天，可以是一周。

本实施例并不下限定进行匹配的具体过程，可以是通过判断车辆的GPS实时数据是否偏离POI模型，若偏离，则生成含有风险的风险评估信息；若未偏离，则将获取的GPS实时数据加入POI模型或继续监测。

在一种具体的实施例中，当车辆的GPS实时数据与POI模型不匹配时，在生成风险评估信息之前，还可以包括：

判断车辆的GPS实时数据连续偏离POI模型的次数是否超过预设次数；

若是，则执行生成风险评估信息的步骤；

若否，则将车辆的GPS实时数据加入POI模型。

本实施例中当车辆的GPS实时数据与POI模型不匹配时，在生成风险评估信息之前，还进行车辆的GPS实时数据连续偏离POI模型的次数是否超过预设次数的判断，若超过，则生成风险评估信息；若不超过，则将车辆的GPS实时数据加入POI模型。本实施例并不限定连续偏离POI模型的具体次数，可以是3次，可以是4次，也可以还是其他值。可以理解的是，若获取的车辆的GPS实时数据是第一次偏离POI模型，那么可能是偶尔出现的情况，也就是用户到达一个新的目的地，并不能根据这一次特例就生成含有风险的风险评估信息，并告知风控中心。在一种具体的实施例中，若第一次偏离POI模型，那么获取的一定周期的GPS实时数据不加入POI模型，可单独进行标记，等待下一次验证；若连续第二次偏离POI模型，那么获取的一定周期的GPS实时数据不加入POI模型，可立即通知风险控制中心；若第二次未偏离POI模型，则可以将本次周期的GPS实时数据和上一周期的GPS实时数据加入POI模型。

可以理解的是，POI模型的作用是提供一种判断告知车辆的实时状态（有风险或没有风险），且该模型的建立是一直校正增长的。在一种具体的实施例中，为了有效提高POI模型的稳定性和准确度，本实施例在将获取的车辆的GPS实时数据与POI模型进行匹配之前，还可以包括：

判断POI模型的建立时间是否大于预设周期；

若是，则执行将获取的车辆的GPS实时数据与POI模型进行匹配的步骤；

若否，则将获取的车辆的GPS实时数据加入POI模型。

本实施例并不限定预设周期的具体大小，可根据实际情况进行设定。本实施例通过判断POI模型的建立时间是否大于预设周期，当大于时，再进行匹配；当不大于时，还需要更新建立该POI模型，也就是将获取的车辆的GPS实时数据加入POI模型。可以有效提高POI模型的稳定性和准确度。举例说明，当POI模型的建立时间大于等于12倍的周期实时数据时间（即当获取到一定周期的GPS实时数据时，才与POI模型进行匹配）时，则执行将获取的车辆的GPS实时数据与POI模型进行匹配的操作。当POI模型的建立时间小于12倍的周期实时数据时间，那么直接叠加实时周期数据至POI模型。可以理解的是，车辆的GPS数据是实时的，POI模型的建立是需要过程的，假设用户A买了一辆新车，那么此时该车是没有任何的数据，取前3天GPS数据为基准，建立第一个模型数据，当获取到12倍的周期数据后，也就是说12*3=36天后，那么建立出一个完整的用户A的出行模型即POI模型。图2为本实施例所给出的一种具体实施例的流程示意图。

在一种具体的实施例中，为了能够提早发现车辆的异常信息，防止车辆以外情况的出现，在将获取的车辆的GPS实时数据与POI模型进行匹配之前，还包括：

判断车辆的GPS实时数据中的位置信息是否为敏感点；

若是，则发送含有风险的风险评估信息至风险控制中心；

若否，则执行将获取的车辆的GPS实时数据与POI模型进行匹配的步骤。

即本实施例在进行模型匹配之前，还对GPS实时数据中的位置信息是否为敏感点（例如抵押点、贷款中心等）的判断，若是敏感点，那么立即发送含有风险的风险评估信息至风险控制中心；若为非敏感点，再执行后续操作即将获取的车辆的GPS实时数据与POI模型进行匹配。可以及时的捕捉到车辆行为变化，及时的进行车辆查找追回，防止车辆被抵押会损坏等情况的发生。

基于上述技术方案，本实施例通过创建POI模型，将车辆的GPS实时数据与POI模型进行匹配，当不匹配时，可以得出用户的出行发生变化，及时的生成风险评估信息，提早发现车辆行为变化，为风控中心提供重要的决策因子，将GPS数据与用户的POI兴趣点结合共同作为风险评估因子，能够提高风险评估的准确性。

下面对本申请实施例提供的一种基于GPS数据的车辆风险评估装置进行介绍，下文描述的基于GPS数据的车辆风险评估装置与上文描述的基于GPS数据的车辆风险评估方法可相互对应参照，相关模块均设置于中，参考图3，图3为本申请实施例所提供的一种基于GPS数据的车辆风险评估装置的结构示意图，包括：

在一些具体的实施例中，具体包括：

获取模块301，用于获取车辆的GPS数据，并根据GPS数据，确定POI兴趣点；

生成模块302，用于根据POI兴趣点对应的数据信息，生成POI模型；

匹配模块303，用于将获取的车辆的GPS实时数据与POI模型进行匹配，并根据匹配结果，生成风险评估信息。

在一些具体的实施例中，获取模块301，包括：

确定单元，用于根据GPS历史数据中的速度信息和停留时长，确定POI兴趣点。

在一些具体的实施例中，生成模块302，包括：

提取POI兴趣点的兴趣点类型、停留时刻及停留时长，得到用户的出行习惯数据信息；

将出行习惯数据信息，作为POI模型。

在一些具体的实施例中，还包括：

第一判断模块，用于判断车辆的GPS实时数据连续偏离POI模型的次数是否超过预设次数；

加入模块，用于若否，则将车辆的GPS实时数据加入POI模型。

在一些具体的实施例中，还包括：

第二判断模块，用于判断POI模型的建立时间是否大于预设周期。

在一些具体的实施例中，还包括：

第三判断模块，用于判断车辆的GPS实时数据中的位置信息是否为敏感点；

发送模块，用于若是，则发送含有风险的风险评估信息至风险控制中心。

由于基于GPS数据的车辆风险评估装置部分的实施例与基于GPS数据的车辆风险评估方法部分的实施例相互对应，因此基于GPS数据的车辆风险评估装置部分的实施例请参见基于GPS数据的车辆风险评估方法部分的实施例的描述，这里暂不赘述。

下面对本申请实施例提供的一种设备进行介绍，下文描述的设备与上文描述的基于GPS数据的车辆风险评估方法可相互对应参照。

本申请还公开一种设备，包括：

存储器，用于存储计算机程序；

处理器，用于执行计算机程序时实现如上述基于GPS数据的车辆风险评估方法的步骤。

由于设备部分的实施例与基于GPS数据的车辆风险评估方法部分的实施例相互对应，因此设备部分的实施例请参见基于GPS数据的车辆风险评估方法部分的实施例的描述，这里暂不赘述。

下面对本申请实施例提供的一种介质进行介绍，下文描述的介质与上文描述的基于GPS数据的车辆风险评估方法可相互对应参照。

本申请还公开一种介质，介质上存储有计算机程序，计算机程序被处理器执行时实现如上述基于GPS数据的车辆风险评估方法的步骤。

由于介质部分的实施例与基于GPS数据的车辆风险评估方法部分的实施例相互对应，因此介质部分的实施例请参见基于GPS数据的车辆风险评估方法部分的实施例的描述，这里暂不赘述。

说明书中各个实施例采用递进的方式描述，每个实施例重点说明的都是与其他实施例的不同之处，各个实施例之间相同相似部分互相参见即可。对于实施例公开的装置而言，由于其与实施例公开的方法相对应，所以描述的比较简单，相关之处参见方法部分说明即可。

专业人员还可以进一步意识到，结合本文中所公开的实施例描述的各示例的单元及算法步骤，能够以电子硬件、计算机软件或者二者的结合来实现，为了清楚地说明硬件和软件的可互换性，在上述说明中已经按照功能一般性地描述了各示例的组成及步骤。这些功能究竟以硬件还是软件方式来执行，取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能，但是这种实现不应认为超出本申请的范围。

结合本文中所公开的实施例描述的方法或算法的步骤可以直接用硬件、处理器执行的软件模块，或者二者的结合来实施。软件模块可以置于随机存储器（RAM）、内存、只读存储器（ROM）、电可编程ROM、电可擦除可编程ROM、寄存器、硬盘、可移动磁盘、CD-ROM、或技术领域内所公知的任意其它形式的存储介质中。

以上对本申请所提供的一种基于GPS数据的车辆风险评估方法、装置、设备及介质进行了详细介绍。本文中应用了具体个例对本申请的原理及实施方式进行了阐述，以上实施例的说明只是用于帮助理解本申请的方法及其核心思想。应当指出，对于本技术领域的普通技术人员来说，在不脱离本申请原理的前提下，还可以对本申请进行若干改进和修饰，这些改进和修饰也落入本申请权利要求的保护范围内。