技术摘要：
本申请公开了一种基于车辆信息识别的预报价方法及装置，方法包括：获取车辆信息，根据车辆信息获取当前车辆的实时数据；将实时数据代入训练好的预报价模型中，计算出预报价保费。本申请能够通过车辆信息直接获取到车主的当前车辆的实时信息，并根据预报价模型自动计算  全部
背景技术：
目前，大多数保险公司都有自己的车险业务，由于车险可销售期为车险到期前30 天内，保险公司只能在可销售期内进行报价及核保，我们将提前30天以上的车险报价称之 为预报价。针对市场越来越早与越来越多的预报价需求，洗车美容门店需要车险预报价能 力作为车险销售业务的支撑迫在眉睫。 市场上现有的拥有预报价能力的保险公司十分的少，需要车主提供的信息十分繁 杂，预测出来的数值误差较大；此外，大部分保险公司最多支持60天内的预报价。本模型的 应用场景为：当一辆汽车进入洗美门店，店主可通过摄像头抓取车辆信息(如车牌号)知车 主来年车险价格范围，为店主销售车险提供了重要的参考信息。
技术实现要素：
本申请实施例提供了一种基于车辆信息识别的预报价方法及装置，使得通过车辆 信息直接获取到车主的车辆信息，并根据预报价模型自动计算出车主预投保保费。 有鉴于此，本申请第一方面提供了一种基于车辆信息识别的预报价方法，所述方 法包括： 获取车辆信息，根据所述车辆信息获取当前车辆的实时数据； 将所述实时数据代入训练好的预报价模型中，计算出预报价保费。 可选的，在将所述实时数据代入训练好的预报价模型中，计算出预报价保费之前 还包括： 获取车辆历史数据； 并采用所述车辆历史数据训练所述预报价模型。 可选的，在所述获取车辆历史数据之后还包括： 对所述车辆历史数据进行预处理。 可选的，所述对所述车辆历史数据进行预处理具体为： 数据清洗：包括清除所述车辆历史数据中的0数据、清除异常值数据； 数据整理：合并所述车辆历史数据中的车辆数据与车险数据、对商业险中不同子 险种数据进行分类； 特征提取：使用聚类算法对所述车辆历史数据进行聚类，观察聚类后数据间结构， 确定分类区间的阈值。 可选的，所述将所述实时数据代入训练好的预报价模型中，计算出预报价保费具 体为： S1：根据所述当前车辆的实时数据判断所述当前车辆的使用性质是否为家用汽 4 CN 111598664 A 说　明　书 2/8 页 车； S2：将所述当前车辆的实时数据中的新车购置价、座位数、车辆使用年数和/或投 保额度输入到各险种对应的训练好的预报价模型中，计算得到所述各险种的报价； S3：获取所述当前车辆购买的商业险子险种的参数集合以及是否购买商业险子险 种的不计免赔险参数集合，并根据所述子险种参数集合、所述不计免赔险参数集合以及S2 中计算得到的各险种价格的集合计算出商业险总价格。 可选的，所述将所述当前车辆的实时数据中的新车购置价、座位数、车辆使用年数 和/或投保额度输入到各险种对应的训练好的预报价模型中，计算得到所述各险种的报价 具体为： S21：根据所述当前车辆的实时数据中的新车购置价、座位数、汽车使用年数进行 保费区间分类，确定机动车交通事故责任强制保险的保费区间；根据所述当前车辆的当前 新车购置价、座位数、汽车使用年数所在的保费区间确定机动车交通事故责任强制保险的 投保价格； S22：将所述当前车辆的新车购置价、座位数、汽车使用年数带入到训练好的车损 险预报价模型中，计算得到车损险的投保价格； S23：根据所述当前车辆的实时数据中的新车购置价、座位数、汽车使用年数进行 保费区间分类，确定第三者责任险的保费区间，根据所述保费区间以及保费区间对应的第 三者责任险预报价模型中，计算得到所述第三者责任险的投保价格； S24：将所述当前车辆的新车购置价、座位数、汽车使用年数带入到训练好的盗抢 险预报价模型中，计算得到盗抢险的投保价格； S25：判断所述当前车辆是否为进口车，若是，则将所述当前车辆的新车购置价、座 位数、汽车使用年数带入到训练好的进口玻璃险预报价模型中，得到进口玻璃险投保价格； 否则，将所述当前车辆的新车购置价、座位数、汽车使用年数带入到训练好的国产玻璃险预 报价模型中，得到国产玻璃险的投保价格； S26：将所述当前车辆的新车购置价、座位数、车辆使用年数代入训练好的自燃险 预报价模型以及涉水险预报价模型中，分别得到所述当前车辆的自燃险价格以及涉水险的 投保价格； S27：根据所述当前车辆的实时数据中的新车购置价、座位数、汽车使用年数进行 保费区间分类，确定划痕险的保费区间，将投保额度代入所述划痕险的保费区间对应的划 痕险预报价模型中，得到所述划痕险的投保价格； S28：根据所述当前车辆的实时数据中的新车购置价、座位数、汽车使用年数进行 保费区间分类，确定车上人员责任险的保费区间，将投保额度代入所述车上人员责任险保 费区间对应的车上人员责任险预报价模型中，得到所述车上人员责任险的投保价格。 可选的，所述预报价模型具体为： 线性回归模型：Y＝β0 β1x1 β2x2 β3x3 ε 或 多项式回归模型：Y＝β0 β1x1 β2x2 β0x3 β3x1x2 β4x1x2 β5x2x3 β6x2x3 ε0 式中，新车购置价x1，座位数x2，汽车使用年数x3，Y为输出的预测保费，β是模型系 数，根据险种的不同，所述的模型系数也不相同。 5 CN 111598664 A 说　明　书 3/8 页 本申请第二方面提供一种基于车辆信息识别的预报价装置，所述装置包括： 信息获取单元，用于获取车辆信息，根据所述车辆信息获取当前车辆的实时数据； 保费计算单元，用于将所述实时数据代入训练好的预报价模型中，计算出预报价 保费。 可选的，所述预处理单元还包括： 数据清洗单元，所述数据清洗单元用于清除所述历史数据中的0数据、清除异常值 数据； 数据整理单元，所述数据整体单元用于合并车辆数据与车险数据、对商业险中不 同子险种数据进行分类。 可选的，还包括： 模型训练单元，用于获取车辆历史数据，并采用所述车辆历史数据训练所述预报 价模型。 所述模型训练单元还包括： 预处理单元，用于对所述车辆历史数据进行预处理。 从以上技术方案可以看出，本申请具有以下优点： 本申请实施例中，提供了一种基于车辆信息识别的预报价方法及装置，方法包括 获取车辆信息，根据车辆信息获取当前车辆的实时数据；将实时数据代入训练好的预报价 模型中，计算出预报价保费。 本申请能够通过车辆信息直接获取到车主当前车辆的实时信息，并根据预报价模 型自动计算出车主预投保保费，从而获取到满足车主意愿的保费信息；另外还可以根据车 主当前的需求进行相应调整，实现快捷高效的完成保险业务需求。 附图说明 图1为本申请一种基于车辆信息识别的预报价方法的一个实施例的方法图； 图2为本申请一种基于车辆信息识别的预报价方法的另一个实施例的方法图； 图3为本申请一种基于车辆信息识别的预报价装置的一个实施例的一个结构示意 图。