一种基于驾驶行为评分模型的车险保费定价方法及系统

摘要

本发明实施例公开了一种基于驾驶行为评分模型的车险保费定价方法及系统，方法包括：预先构建驾驶行为评分模型；获取待定价的驾驶人的驾驶行为数据，根据驾驶行为数据生成驾驶行为指标，将驾驶行为指标输入驾驶行为评分模型，获取驾驶人的驾驶行为评分；根据驾驶行为评分对驾驶人的车险保费进行定价。本发明实施例通过采集驾驶员的车辆状态数据，进行综合分析并判定驾驶员的安全风险等级，进而提供不同的服务和差异化的保费。让保费价格定价可根据驾驶行为进行确定，让车险定价更加科学化、公平化与精细化。

说明书

技术领域

本发明涉及大数据技术领域，尤其涉及一种基于驾驶行为评分模型的车险保费定价方法及系统。

背景技术

近年来，我国车险业务有了长足的发展，在财产保险业务中，车险保费收入也约占财险总收入的四分之三。作为我国财产保险中重要的支柱险种，车险的发展也直接关系到广大民生的切身利益。但与此同时，社会对车险的经营与服务并不十分满意，其中一个重要因素是车险产品过于单一和定价模式缺乏公平合理性。

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)；加拿大则认为上班时间段用车费率比非上班时间段的费率高，(上班出险概率高)。国外积极推广的UBI车险取得了一定的成效。

随着车联网技术的发展，车联网正在被越来越多的行业者所关注。在这个整合了汽车、IT、移动通信、保险金融，甚至电商等不同的行业生态圈中，跨界合作变得越来越重要。炙手可热的车联网不仅仅应用于汽车行业。对于保险行业而言，车联网正成为改变车险行业的新生力量，未来UBI的车联网(Internet of Vehicles,IoV)保险模式也将被持续推广与应用。

传统的机动车辆保险只考虑车辆购买价格、汽车使用年限和车辆类型等。而车险涉及的险种比较多，车险的情况相对来说比较复杂，这就导致了很多人有骗保的做法，扰乱了保险市场的秩序。同样也有很多公司为了竞争市场，采取一些手段误导消费者，让消费者进入陷阱。不合理的赔偿和保险公司单一的制度，让保险公司一直处于负盈利状态，这样保险公司不得不提高保险价格，让很多投保人不满，很多人为因素让中间人获利，这是一个恶性循环。由于车保险的体系不完善，车辆保险模式单一，造成这种原因是由于保险公司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。

因此现有技术还有待于进一步发展。

发明内容

针对上述技术问题，本发明实施例提供了一种基于驾驶行为评分模型的车险保费定价方法及系统，能够解决现有技术中的车险保费只考虑车辆保险模式单一，只考虑车辆购买价格、汽车使用年限和车辆类型，使得投保人的车险保费设定存在严重不合理的技术问题。

本发明实施例的第一方面提供一种基于驾驶行为评分模型的车险保费定价方法，包括：

预先构建驾驶行为评分模型；

获取待定价的驾驶人的驾驶行为数据，根据驾驶行为数据生成驾驶行为指标，将驾驶行为指标输入驾驶行为评分模型，获取驾驶人的驾驶行为评分；

根据驾驶行为评分对驾驶人的车险保费进行定价。

可选地，所述预先构建驾驶行为评分模型，包括：

预先获取影响驾驶安全的因素，根据影响驾驶安全的因素生成评分指标；

根据评分指标构建驾驶行为评分指标体系，确定评分指标的权重；

根据评分指标及评分指标的权重，建立驾驶行为评分模型。

可选地，所述驾驶安全的因素至少为行驶里程因素、疲劳驾驶因素、交通流量因素、超速行驶因素、违章驾驶因素、三急驾驶行为因素中的一种或多种，所述三急驾驶行为因素包括急加速、急减速和急转弯驾驶行为因素。

可选地，所述确定评分指标的权重，包括：

通过主观赋权法或客观赋权法对评分指标的权重进行确定。

可选地，所述根据评分指标及评分指标的权重，建立驾驶行为评分模型，包括：

根据评分指标及评分指标的权重，获取评分指标对应的评分；

获取评分指标的下级指标，并计算下级指标对应的次级评分；

根据评分指标的下级指标及次级评分，生成驾驶行为评分模型。

本发明实施例第二方面提供了一种基于驾驶行为评分模型的车险保费定价系统，所述系统包括：存储器、处理器及存储在所述存储器上并可在所述处理器上运行的计算机程序，所述计算机程序被所述处理器执行时实现以下步骤：

预先构建驾驶行为评分模型；

获取待定价的驾驶人的驾驶行为数据，根据驾驶行为数据生成驾驶行为指标，将驾驶行为指标输入驾驶行为评分模型，获取驾驶人的驾驶行为评分；

根据驾驶行为评分对驾驶人的车险保费进行定价。

可选地，所述计算机程序被所述处理器执行时还实现以下步骤：

预先获取影响驾驶安全的因素，根据影响驾驶安全的因素生成评分指标；

根据评分指标构建驾驶行为评分指标体系，确定评分指标的权重；

根据评分指标及评分指标的权重，建立驾驶行为评分模型。

可选地，所述计算机程序被所述处理器执行时还实现以下步骤：

通过主观赋权法或客观赋权法对评分指标的权重进行确定。

可选地，所述计算机程序被所述处理器执行时还实现以下步骤：

根据评分指标及评分指标的权重，获取评分指标对应的评分；

获取评分指标的下级指标，并计算下级指标对应的次级评分；

根据评分指标的下级指标及次级评分，生成驾驶行为评分模型。

本发明实施例第三方面提供了一种非易失性计算机可读存储介质，其特征在于，所述非易失性计算机可读存储介质存储有计算机可执行指令，该计算机可执行指令被一个或多个处理器执行时，可使得所述一个或多个处理器执行上述的基于驾驶行为评分模型的车险保费定价方法。

本发明实施例提供的技术方案中，预先构建驾驶行为评分模型；获取待定价的驾驶人的驾驶行为数据，根据驾驶行为数据生成驾驶行为指标，将驾驶行为指标输入驾驶行为评分模型，获取驾驶人的驾驶行为评分；根据驾驶行为评分对驾驶人的车险保费进行定价。因此相对于现有技术，本发明实施例通过采集驾驶员的车辆状态数据，进行综合分析并判定驾驶员的安全风险等级，进而提供不同的服务和差异化的保费。让保费价格定价可根据驾驶行为进行确定，让车险定价更加科学化、公平化与精细化。

附图说明

图1为本发明实施例中一种基于驾驶行为评分模型的车险保费定价方法的一实施例的流程示意图；

图2为本发明实施例中一种基于驾驶行为评分模型的车险保费定价方法的一实施例的驾驶行为评分模型的建立流程示意图；

图3为本发明实施例中一种基于驾驶行为评分模型的车险保费定价方法的一实施例的驾驶行为评分指标体系的示意图；

图4a为本发明实施例中一种基于驾驶行为评分模型的车险保费定价方法的一实施例的层次分析法的标度的示意图；

图4b为本发明实施例中一种基于驾驶行为评分模型的车险保费定价方法的一实施例的偏好比率法的标度的示意图；

图5为本发明实施例中一种基于驾驶行为评分模型的车险保费定价方法的一实施例的平均一致性指标的示意图；

图6为本发明实施例中一种基于驾驶行为评分模型的车险保费定价方法的一实施例的各指标的综合权重的示意图；

图7为本发明实施例中一种基于驾驶行为评分模型的车险保费定价方法的一实施例的驾驶员的驾驶行为评分细项的示意图；

图8为本发明实施例中一种基于驾驶行为评分模型的车险保费定价系统的另一实施例的硬件结构示意图。

具体实施方式

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，本领域技术人员在没有作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。

以下结合附图对本发明实施例进行详细的描述。

请参阅图1，图1为本发明实施例中一种基于驾驶行为评分模型的车险保费定价方法的一个实施例的流程示意图。如图1所示，包括：

步骤S100、预先构建驾驶行为评分模型；

步骤S200、获取待定价的驾驶人的驾驶行为数据，根据驾驶行为数据生成驾驶行为指标，将驾驶行为指标输入驾驶行为评分模型，获取驾驶人的驾驶行为评分；

步骤S300、根据驾驶行为评分对驾驶人的车险保费进行定价。

具体实施时，预先构建基于UBI车险的驾驶行为评分模型，该模型获取会影响安全驾驶的因素，根据因素大小进行权重的确定，从而构建驾驶行为评分模型。

当车主需要申报车险时，获取车主，即车险待定价的驾驶人的驾驶行为数据，将驾驶行为数据提取出相应的驾驶行为指标，将驾驶行为指标输入驾驶行为评分模型，根据驾驶行为评分模型的输出结果生成驾驶人的驾驶行为评分。

预先对评分及保费的关系进行设置，在获取了车主的驾驶行为评分后，即可获取驾驶人的车险保费信息。本发明主要是从驾驶员的驾驶行为方面进行分析，建立基于UBI的驾驶行为评分模型。通过该评分模型可以将计算得到的驾驶员行为评分与车险费率建立挂钩联动对应关系，给出与驾驶行为评分等级对应的费率系数，得到基于UBI的车险费率厘定模式下的车险费率，这样就能够实现车险费率的公平合理化和差异化。

进一步地，预先构建驾驶行为评分模型，包括：

预先获取影响驾驶安全的因素，根据影响驾驶安全的因素生成评分指标；

根据评分指标构建驾驶行为评分指标体系，确定评分指标的权重；

根据评分指标及评分指标的权重，建立驾驶行为评分模型。

具体地，通过车联网车载终端OBD所采集的驾驶行为数据可以建立驾驶行为评分模型，得到驾驶员的驾驶行为评分。驾驶员的驾驶行为评分反映了驾驶员的驾驶风险情况。一般地，驾驶行为评分越高，则驾驶风险越低，出险事故率就越低；反之亦然。

为了建立科学合理的驾驶行为评分模型，首先需要分析影响驾驶安全的因素，并选取这些因素作为指标，构建驾驶行为评分指标体系，并确定各个指标的权重。在此基础上，需要确定每个指标的若干备选项及其分值，最终建立驾驶行为评分模型。

驾驶行为评分模型的建立具体流程步骤如图2所示。

指标体系是建立驾驶行为评分模型的关键。在选取指标时不宜过多，也不宜过少。指标过多，会存在重复，也会加大计算的工作量；指标过少，可能会使所选指标缺乏代表性，从而使得到的结果存在片面性。在建立驾驶行为评分指标体系时应遵循以下基本原则：

(1)系统性原则。指标体系应全面反映评价对象的本质特征；指标体系的层次结构应清晰、合理，相互关联；建立指标体系时，应抓住主要因素指标，以保证所建立的指标体系具有较高的全面性和可信度。

(2)客观性原则。指标体系作为建立评分模型的重要基础和依据，必须真实、客观和可信。没有经过深入调查研究，仅凭主观臆想建立指标体系，必然会导致研究缺乏可信性，也失去了研究的意义。

(3)可操作性原则。指标体系的建立应尽可能简洁明确，便于理解，有充分的数据来源途径，资料数据易收集与处理。

(4)独立性原则。评分指标体系各层次间不应具有包含关系，要具有独立性。既不重复，又不相互矛盾，确保指标能从不同方面反映系统的实际情况。只有坚持以上基本原则，才能够选取合适的评分指标建立科学合理的驾驶行为评分模型。

进一步地，驾驶安全的因素至少为行驶里程因素、疲劳驾驶因素、交通流量因素、超速行驶因素、违章驾驶因素、三急驾驶行为因素中的一种或多种，所述三急驾驶行为因素包括急加速、急减速和急转弯驾驶行为因素。

在遵循上述指标选取的基本原则的前提下，对影响驾驶安全的相关因素进行分析，以建立科学合理的驾驶行为评分指标体系。从行驶里程、疲劳驾驶、交通流量、超速行驶、违章行驶、“三急”驾驶等六个方面对驾驶安全的影响进行分析：

行驶里程对驾驶安全的影响分析。车辆是由各种零部件组成的一个组合体，其运行是一个复杂的、千变万化的过程，车辆的技术状况会再运行过程中不断发生变化。随着行驶里程的增加，各零部件的磨损、腐蚀和老化程度也会越来越严重，从而导致各零部件配合出现偏差，车况也越来越差，交通事故率也会同步上升。不难看出，车辆的行驶里程与其风险状况具有很强的关联性，相同的车辆在保险年度内行驶里程越多，出事故的可能性也就越大。

疲劳驾驶对驾驶安全的影响分析。驾驶疲劳是指驾驶员困倦、乏累和精力不足的一种生理状态，常常伴随着行为能力的下降和生理上对于刺激的反应减少。引发疲劳驾驶的原因有很多，其中长时间行车和夜间行车时引发疲劳驾驶的主要原因。研究表明，疲劳驾驶是造成交通事故的重要原因之一。

交通流量对驾驶安全的影响分析。交通流量是指某段时间内通过某一地点、某一断面或某一车道的交通实体数。交通流量的大小直接影响着驾驶员的心里紧张程度和交通事故率的高低。研究表明，交通流量是影响交通事故发生次数的最主要原因之一。

超速行驶对驾驶安全的影响分析。超速行驶主要是指车辆在行驶过程中超过了规定时速，或超过了车辆技术性能和实际交通条件允许的安全时速。超速行驶主要是通过影响驾驶员的视觉特性和车辆稳定性，进而对车辆行驶安全产生影响。因此，超速行驶极易引发交通事故。

违章驾驶对驾驶安全的影响分析。违章驾驶主要是指占道行驶、违章停车、倒车、逆向行驶等违法驾驶行为。据统计，违章行驶是诱发道路交通事故的主要因素之一。因违章驾驶而引发的交通事故占公路交通事故的50％以上，造成人员伤亡占70％以上。

“三急”驾驶行为对驾驶安全的影响分析。“三急”驾驶行为主要是指急加速、急减速和急转弯驾驶行为。一方面，驾驶员在驾驶过程中不良的“三急”驾驶习惯会对车辆的技术状况产生影响，易引起发动机故障，造成发动机无法正常工作，使得车辆易出现安全隐患。另一方面，档车辆行驶的车间间距不足时，急加速/急减速容易造成车辆行驶的安全距离不足，极易造成车辆追尾事故发生。此外，驾驶员驾车急转弯时，由于汽车的侧向加速度超过一定限值，会使得车辆发生侧翻，从而引发交通事故。

通过对驾驶安全的影响因素进行分析，得出了三个主要的影响因素：行驶里程及时间、超速行驶情况、驾车行驶情况(包含“三急”及违章次数)。再根据层次分析法的思想建立多层次结构的驾驶行为评分指标体系，如图3所示。

其中行驶里程及时间包括以下参数：

月总行驶里程是统计车辆在该月的总行驶里程数。

工作日早晚高峰时段行车时间是车辆在工作日(标准正常上班日)早晚高峰段(07:00～10:00和18:00～21:00)的行驶时间。

夜间行车时间是车辆每天夜间时段(21:00～次日07:00)的行驶时间。

周末行车时间是统计车辆在周末(周六0:00～周日24:00)的行驶时间。

超速行驶情况参数如下：

考察超速行驶情况的指标包括车速80～120km/h的占比和高于120km/h的占比。

驾车行驶情况参数如下：

考察驾驶员驾车情况的指标包括违章次数、急加速次数、急减速次数和急转弯次数。

进一步地，确定评分指标的权重。

具体实施时，在建立驾驶行为评分模型过程中，合理确定各指标权重是非常关键的。目前，有关权重的确定方法有很多。根据计算权重时原始数据来源不同可以分为主观赋权法和客观股权法两类。

主观赋权法是基于决策者的知识经验或偏好，对各指标的重要程度进行比较、赋值，计算得出其权重的一种赋权方法，主要包括专家调查法、层次分析法、偏好比率法等。

客观赋权法是根据原始数据运用数学方法计算得出指标权重的一种赋权方法，主要包括主成分分析法、熵权法、灰色关联法等。

主观赋权法中的专家调查法本质上是一种反馈匿名咨询法。它是采用背靠背的方式征询专家小组成员的意见。经过几轮征询，由专家依据指标的主观重要程度确定其权重。

专家调查法直接简单，但主观色彩浓重。当目标较多时很难做到客观合理，判断思维也不容易保证一致性。

层次分析法是运用多因素分析来确定指标权重的一种赋权方法。首先将与决策有关的元素分解成目标、准则、指标等层次结构。在此基础上，对同一层次指标的重要性两两比较，得到判断矩阵B＝(b

层次分析法是一种系统性分析方法，简洁实用，所需定量数据信息较少。但由于层次分析法所需的定性成分较多，结构不易令人信服，且当指标过多时，数据计算量大，特征值和特征向量的精确求法比较复杂，权重难以确定。

偏好比率法与层次分析法不同，偏好比率法是重新定义了两个指标间的偏好比率。偏好比率的标度方法如图4b所示：

令b

公式中0≤w

偏好比率法在确定指标权重的过程中透明度较高，可靠性强。但当指标过多时，计算过程比较复杂。

客观赋权法中的主成分分析法也称主分量分析或矩阵数据分析。其基本思想是通过降维思想把多项指标综合成z个主成分，再以z个主成分的贡献率为权数构造一个综合指标，并以此作出判断。采用主成分分析法计算指标权重时，当各指标间的相关性较高时，能消除指标间的信息重叠。但主成分的结果解释带有模糊性，没有原始指标含义清晰。

熵权法的算法如下：

熵是信息论中测定不确定性的量，信息量越大，不确定性就越小，熵也越小；反之，信息量越小，不确定性就越大，熵也越大。熵值法就是利用指标熵值确定其权重。熵权法是一种突出局部差异，根据同一指标观测值间的差异程度计算指标权重。指标间的差异程度越大，其权重越大；反之亦然。

灰色关联分析法的算法如下：

灰色关联分析是通过灰色关联度来分析和确定系统因素间的影响程度或因素对系统主行为的贡献测度的一种方法。当因素间的变化趋势相似度越高，则其关联度就越大，权重越大；反之亦然。

灰色关联分析法作为一种系统分析技术方法，根据各因素间的相关关系，用灰色关联度来描述各因素间关系程度。对样本量的大小、有无规律没有具体要求，且计算量小，操作简单。但该方法在计算关联度之前需要确定各项指标的最优值，通常这一条件实际中难以满足。

为了更科学、合理地确定指标权重，本发明实施例将主、客观赋权法加以集成，综合得到一种集成赋权法。相比较而言，在主观赋权法的选择上，层次分析法与其他主观赋权法相比数学原理严谨，计算简单，应用广泛，所以选用层次分析法；在客观赋权法的选择上，熵权法客观性强，精度较高，能够适用于任何计算权重的过程，所以选用熵权法。将层次分析法和熵权法进行集成，得到一种集成赋权法，即熵权—层次分析法，以计算驾驶行为评分指标的权重。

熵权—层次分析集成赋权法的计算方法如下：

熵权—层次分析集成赋权法的基本原理为：通常，熵权—层次分析法在计算指标综合权重时，是将层次分析法和熵权法求取的底层指标权重结果进行简单结合得出最终结果。但通过实例研究发现，将层次分析法和熵权法所得到的最底层指标权重进行简单综合，可能会因两种赋权方法求得的某指标权重值相差悬殊，使得综合权重失调，不足以体现指标的实际重要程度。因此，需要对熵权—层次分析法进行改进，将两者求取指标权重的中间过程相结合，求取指标的最终权重。并通过实例分析表明:改进的熵权—层次分析法求取的权重结果既能够反映数据本身的作用，又符合实际的应用要求。因此，本发明实施例将采用改进的熵权—层次分析法求取驾驶行为评分指标的权重值。

熵权—层次分析集成赋权法的权重计算过程如下：

首先，明确问题，建立层次结构。层次分析法计算指标权重时，首先要对问题进行条理化、层次化，建立系统的递阶层次结构:目标层、准则层和指标层。

其次，构造判断矩阵B＝(b

(b

最后进行一致性检验。

由于判断矩阵受到专家的知识水平和个人偏好的影响，很难满足一致性条件。因此，为保证可信度和准确性，必须对判断矩阵进行一致性检验。在一致性检验前，先计算各指标的权重值。具体计算步骤如下:

首先，利用根法计算判断矩阵每一行元素的乘积

然后，计算M

在对判断矩阵一致性检验时，首先计算判断矩阵的最大特征值λ

式中，(AW)

其中，平均一致性指标RI可查表，表如图5所示:

当平均随机一致性比率CR<0.1时，则认为判断矩阵通过了一致性检验。否则，认为判断矩阵不符合要求，需要重新赋值，进行修正，直至通过一致性检验为止。

判断矩阵经过一致性检验后，将准则层的权重与指标层的权重进行相乘，即可得到各指标的最终权重值。

熵权法权重计算步骤如下：

首先，将评价对象记为{A

正向指标：

负向指标：

其次，计算第j个指标下第i个方案指标比重p

然后，计算第j个指标的熵值e

再次，计算第j个指标的差异系数g

g

最后，计算第j个指标的权重α

熵权—层次分析法计算步骤如下：

1)设有m个上层准则，n个子准则，每个上层准则分别包含n

2)设熵权法求得各指标的权重A＝{α

3)对子准则权重D与熵权法求得的权重A加以综合，求得子准则指标综合权重τ＝{τ

4)按照子准则与上层准则的对应关系，重新表示子准则综合权重T＝{τ

5)将上层准则权重B与所求得的综合权重μ对应相乘，得到权重μ’＝{w’

w’

6)将μ’重新表示为μ’＝{w’

运用熵权—层次分析法，根据公式(a)～(d)利用MATLAB软件，计算各指标的综合权重，结果如图6所示。

权重结果分析：采用熵权—层次分析法，里程及时间指标占总权重的26.72％，超速行驶指标占总权重的41.44％，驾驶行为指标占总权重的31.84％。三者的重要程度依次为“超速行驶指标>驾驶行为指标>里程及时间指标”，这显然比较符合现实中的实际情况。其次，在一些重要评分指标上，时速高于120km/h指标占总权重的26.01％，而时速80～120km/h指占总权重的15.43％，是比较符合实际的。此外，其他一些指标如总行驶里程、夜间行车时间等指标的权重相比单一的层次分析法都有所提高，一定程度上减少了人的主观意愿对权重结果的影响，因而更加符合实际。总之，熵权—层次分析法将主观和客观相结合，既考虑了重要指标的权重大小，如超速行驶指标、夜间行驶指标，又兼顾了其他指标的重要性，因此得到的权重结果合理科学，符合实际情况。

进一步地，根据评分指标及评分指标的权重，建立驾驶行为评分模型，包括：

根据评分指标及评分指标的权重，获取评分指标对应的评分；

获取评分指标的下级指标，并计算下级指标对应的次级评分；

根据评分指标的下级指标及次级评分，生成驾驶行为评分模型。

具体实施时，驾驶行为评分模型中各项指标的分值是根据指标权重，采用百分制的原则计算得到的。在建立模型时，仅仅确定指标和分值是不够的，每个指标下还要确定若干选项作为备选答案。根据备选项对驾驶员的该项指标进行评分，各项指标的分支加总即为驾驶员的驾驶行为得分，如图7所示。

由以上方法实施例可知，本发明实施例公开了一种基于驾驶行为评分模型的车险保费定价方法及系统，本发明主要是从行驶里程、疲劳驾驶、交通流量、超速行驶、违章行驶、“三急”驾驶等六个方面对驾驶安全的影响进行分析，然后选取了三个主要的影响因素：行驶里程及时间、超速行驶情况、驾车行驶情况(包含“三急”及违章次数)。其实选取影响因素的个数没有特别限制，可以选取多个，也可以选取少数几个，还可以选择本发明中未列出的其它的影响因素。选择的因素不同，评分的选项和备选项也会不同。

本发明实施例的UBI车险是指基于驾驶员各方面驾驶行为差异化的保险，即通过车联网采集驾驶员的车辆状态数据，如驾驶里程、驾驶时间、驾驶行为习惯等，进行综合分析并判定驾驶员的安全风险等级，进而提供不同的服务和差异化的保费。其理论基础是保费应取决于实际驾驶时间、地点、驾驶习惯及驾驶行为表现。如驾驶行为安全的驾驶员应获得保费优惠，让保费价格“从车”转向“从人”，让车险定价更加科学化、公平化与精细化。

将实现投保者、保险公司和社会监管机构三方共赢：

(1)对于投保者而言。首先，基于UBI车险的定价将使得车险费率更科学合理化，确保车险保费的负担更加公平。其次，对于安全绿色驾驶员给予奖励，激励驾驶员培养良好的驾驶行为习惯，创建一个积极的消费观，减少交通事故的发生。

(2)对于保险公司而言。首先，通过评估驾驶员的驾驶行为安全风险，为客户量身定制车险保费，优化了车险保费的定价方式。其次，通过评估车主的驾驶安全风险，对客户进行更为科学的分类，为优质车主提供优质的车险服务。

(3)对于社会监管机构而言。基于UBI车险定价能够激励驾驶员培养驾驶安全意识和绿色驾驶理念，从而能够降低交通事故率，有利于强化道路安全。

需要说明的是，上述各步骤之间并不必然存在一定的先后顺序，本领域普通技术人员，根据本发明实施例的描述可以理解，不同实施例中，上述各步骤可以有不同的执行顺序，亦即，可以并行执行，亦可以交换执行等等。

上面对本发明实施例中的基于驾驶行为评分模型的车险保费定价方法进行了描述，下面对本发明实施例中的基于驾驶行为评分模型的车险保费定价系统进行描述，请参阅图8，图8是本发明实施例中一种基于驾驶行为评分模型的车险保费定价系统的另一实施例的硬件结构示意图，如图8所示，系统10包括：存储器101、处理器102及存储在存储器上并可在处理器上运行的计算机程序，计算机程序被处理器101执行时实现以下步骤：

预先构建驾驶行为评分模型；

获取待定价的驾驶人的驾驶行为数据，根据驾驶行为数据生成驾驶行为指标，将驾驶行为指标输入驾驶行为评分模型，获取驾驶人的驾驶行为评分；

根据驾驶行为评分对驾驶人的车险保费进行定价。

具体的实施步骤与方法实施例相同，此处不再赘述。

可选地，计算机程序被处理器101执行时还实现以下步骤：

预先获取影响驾驶安全的因素，根据影响驾驶安全的因素生成评分指标；

根据评分指标构建驾驶行为评分指标体系，确定评分指标的权重；

根据评分指标及评分指标的权重，建立驾驶行为评分模型。

具体的实施步骤与方法实施例相同，此处不再赘述。

可选地，驾驶安全的因素至少为行驶里程因素、疲劳驾驶因素、交通流量因素、超速行驶因素、违章驾驶因素、三急驾驶行为因素中的一种或多种，所述三急驾驶行为因素包括急加速、急减速和急转弯驾驶行为因素。

具体的实施步骤与方法实施例相同，此处不再赘述。

可选地，计算机程序被处理器101执行时还实现以下步骤：

通过主观赋权法或客观赋权法对评分指标的权重进行确定。

具体的实施步骤与方法实施例相同，此处不再赘述。

可选地，计算机程序被处理器101执行时还实现以下步骤：

根据评分指标及评分指标的权重，获取评分指标对应的评分；

获取评分指标的下级指标，并计算下级指标对应的次级评分；

根据评分指标的下级指标及次级评分，生成驾驶行为评分模型。

具体的实施步骤与方法实施例相同，此处不再赘述。

本发明实施例提供了一种非易失性计算机可读存储介质，计算机可读存储介质存储有计算机可执行指令，该计算机可执行指令被一个或多个处理器执行，例如，执行以上描述的图1中的方法步骤S100至步骤S300。

作为示例，非易失性存储介质能够包括只读存储器(ROM)、可编程ROM(PROM)、电可编程ROM(EPROM)、电可擦ROM(EEPROM)或闪速存储器。易失性存储器能够包括作为外部高速缓存存储器的随机存取存储器(RAM)。通过说明并非限制，RAM可以以诸如同步RAM(SRAM)、动态RAM、(DRAM)、同步DRAM(SDRAM)、双数据速率SDRAM(DDR SDRAM)、增强型SDRAM(ESDRAM)、Synchlink DRAM(SLDRAM)以及直接Rambus(兰巴斯)RAM(DRRAM)之类的许多形式得到。本发明实施例中所描述的操作环境的所公开的存储器组件或存储器旨在包括这些和/或任何其他适合类型的存储器中的一个或多个。

以上实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。