一种车辆定损异常识别方法、装置、服务器以及存储介质

摘要

本发明公开了一种车辆定损异常识别方法、装置、服务器和可读存储介质。该方法包括：首先确定当前损伤信息中的第一损伤组合，第一损伤组合的发生概率在历史案件中满足预设要求；当前损伤信息中除去第一损伤组合的部分形成第二损伤组合，第二损伤组合包括第二损伤信息，确定第一损伤组合与每条第二损伤信息的匹配概率；若存在匹配概率在第一预设数值范围内的第二损伤信息，则判定当前车辆定损清单定损异常。本发明将案件信息划分成高概率损伤部件组合和可疑损伤部件组合，根据历史案件数据计算高概率损伤部件和可疑损伤部件匹配度，确定当前案件定损是否存在异常，在降低了核损困难程度的基础上，进一步提高了核损效率和核损准确度。

权利要求

1.一种车辆定损异常识别方法，其特征在于，包括：

获取历史案件信息，所述历史案件信息包括历史事故信息和历史车辆定损清单；所述历史事故信息包括碰撞场景、车型、车辆配件信息中的一种或多种；

提取所述历史事故信息和所述历史车辆定损清单，计算每种所述车型中，每个零部件的出现频次，选择出现频次大于第二预设数值范围的所述零部件作为第一备选关键零部件；计算每种所述车型中，每个所述零部件的评价价格，选择评价价格大于第三预设数值范围的所述零部件作为第二备选关键零部件；将所述第一备选关键零部件和第二备选关键零部件的交集确定为当前车型备选关键零部件；

根据所述当前车型备选关键零部件、所述碰撞场景、所述车型和所述车辆配件信息通过聚类算法形成预设事故主题集；

所述预设事故主题集包括预设事故主题和从多个所述历史车辆定损清单中提取的损伤部件信息及对应的换修信息；在所述预设事故主题集下的每个预设事故主题，通过关联分析算法分析所述损伤部件信息及对应的换修信息，利用机器学习构建第一预设数据库和第二预设数据库，所述利用机器学习构建第一预设数据库为：根据LDA模型算法及FP-growth关联分析算法形成所述第一预设数据库；

获取当前案件信息，所述当前案件信息包括当前车辆定损清单和当前事故信息，所述当前车辆定损清单中包含至少一条当前损伤信息，所述当前损伤信息包括当前损伤部件信息和相应的换修信息；

根据所述当前事故信息和第一预设数据库确定所述当前损伤信息中的第一损伤组合，所述第一损伤组合包含第一损伤信息，所述第一损伤信息包括第一损伤部件信息及相应的换修信息，所述第一损伤组合的发生概率在历史案件中满足预设要求；

依次获取所述当前损伤信息中除去所述第一损伤组合的部分形成第二损伤组合，所述第二损伤组合包括至少一条第二损伤信息，所述第二损伤信息包括第二损伤部件信息和相应的换修信息；

根据第二预设数据库确定所述第一损伤组合与每条所述第二损伤信息的匹配概率；

若存在匹配概率在第一预设数值范围内的所述第二损伤信息，则判定所述当前车辆定损清单定损异常。

2.根据权利要求1所述的车辆定损异常识别方法，其特征在于，在所述根据所述当前事故信息确定所述当前损伤信息中的第一损伤组合之前，还包括：计算每条所述当前损伤信息与预设异常数据组中的异常数据记录的相似度；

判断所述预设异常数据组中是否包含相似度大于第二预设数值范围的异常数据记录；

若包含，则判定所述当前车辆定损清单定损异常；

若不包含，则根据所述当前事故信息确定所述当前损伤信息中的第一损伤组合。

3.根据权利要求2所述的车辆定损异常识别方法，其特征在于，还包括：

在所述当前车辆定损清单被确定为定损异常时，将所述第一损伤组合连同匹配概率在第一预设数值范围内的所述第二损伤信息合成一条异常数据记录；

将合成的异常数据记录添加到所述预设异常数据组中。

4.根据权利要求2所述的车辆定损异常识别方法，其特征在于，在所述获取当前案件信息之前，还包括：基于不同车型车辆的车辆配件信息构建所述预设异常数据组。

5.根据权利要求1所述的车辆定损异常识别方法，其特征在于，所述根据所述当前事故信息确定所述当前损伤信息中的第一损伤组合包括：根据所述当前事故信息从第一预设数据库中获取与所述当前案件相匹配的事故主题，每个所述事故主题包括多条零件损伤组合和事故原因，每条所述零件损伤组合包括必要损伤部件信息和所述必要损伤部件信息在历史案件中的发生概率，所述必要损伤部件信息包括必要损伤部件组合和相应的换修方式；

将所述事故主题中发生概率满足预设条件的所述零件损伤组合确定为所述第一损伤组合。

6.根据权利要求5所述的车辆定损异常识别方法，其特征在于，所述确定所述第一损伤组合与每条所述第二损伤信息的匹配概率为：从第二预设数据库中依次获取所述第一损伤组合与每条所述第二损伤信息的匹配概率。

7.根据权利要求6所述的车辆定损异常识别方法，其特征在于，所述第一预设数据库和所述第二预设数据库包括多个所述事故主题，在所述获取当前案件信息之前，所述方法还包括：所述第二预设数据库的所述零件损伤组合中包括可疑损伤部件组合信息和所述必要损伤部件组合，所述可疑损伤部件组合信息包括可疑损伤部件组合及相应换修信息。

8.根据权利要求7所述的车辆定损异常识别方法，其特征在于，所述利用机器学习构建所述第一预设数据库包括：提取所述历史事故信息和所述历史车辆定损清单，通过聚类算法形成预设事故主题集，所述预设事故主题集包括预设事故主题和从多个所述历史车辆定损清单中提取的损伤部件信息及对应的换修信息；

在每个所述预设事故主题下，通过关联分析算法分析所述损伤部件信息及对应的换修信息，形成多个第一损伤信息和对应的所述第一预设数值，将其设定为第一预设数据库；

和/或，

所述利用机器学习构建所述第二预设数据库包括：

依次获取第二损伤部件信息及对应的换修信息，所述第二损伤部件信息及对应的换修信息为所述历史车辆定损清单中除去所述第一损伤部件信息及对应的换修信息的部分；

将所述第一损伤信息与每个所述第二损伤部件信息及对应的换修信息合并，计算所述第一损伤信息与每个所述第二损伤部件信息及对应的换修信息的第二预设数值，将所述第一损伤信息、所述第二损伤部件信息及对应的换修信息和同时出现概率设定为第二预设数据库。

9.根据权利要求1所述的车辆定损异常识别方法，其特征在于，将所述当前案件信息输入至所述历史案件信息中，对所述第一预设数据库和所述第二预设数据库进行更新。

10.一种车辆定损异常识别装置，其特征在于，包括

第一确定模块，用于获取历史案件信息，所述历史案件信息包括历史事故信息和历史车辆定损清单；所述历史事故信息包括碰撞场景、车型、车辆配件信息中的一种或多种；提取所述历史事故信息和所述历史车辆定损清单，计算每种所述车型中，每个零部件的出现频次，选择出现频次大于第二预设数值范围的所述零部件作为第一备选关键零部件；计算每种所述车型中，每个所述零部件的评价价格，选择评价价格大于第三预设数值范围的所述零部件作为第二备选关键零部件；将所述第一备选关键零部件和第二备选关键零部件的交集确定为当前车型备选关键零部件；根据所述当前车型备选关键零部件、所述碰撞场景、所述车型和所述车辆配件信息通过聚类算法形成预设事故主题集；所述预设事故主题集包括预设事故主题和从多个所述历史车辆定损清单中提取的损伤部件信息及对应的换修信息；在所述预设事故主题集下的每个预设事故主题，通过关联分析算法分析所述损伤部件信息及对应的换修信息，利用机器学习构建第一预设数据库和第二预设数据库，所述利用机器学习构建第一预设数据库为：根据LDA模型算法及FP-growth关联分析算法形成所述第一预设数据库；获取当前案件信息，所述当前案件信息包括当前车辆定损清单和当前事故信息，所述当前车辆定损清单中包含至少一条当前损伤信息，所述当前损伤信息包括当前损伤部件信息和相应的换修信息；

第二确定模块，用于根据所述当前事故信息和第一预设数据库确定所述当前损伤信息中的第一损伤组合，所述第一损伤组合包含第一损伤信息，所述第一损伤信息包括第一损伤部件信息及相应的换修信息，所述第一损伤组合的发生概率在历史案件中满足预设要求；

识别模块，用于依次获取所述当前损伤信息中除去所述第一损伤组合的部分形成第二损伤组合，所述第二损伤组合包括至少一条第二损伤信息，所述第二损伤信息包括第二损伤部件信息和相应的换修信息；

计算模块，用于根据第二预设数据库确定所述第一损伤组合与每条所述第二损伤信息的匹配概率；

输出模块，用于若存在匹配概率在第一预设数值范围内的所述第二损伤信息，则判定所述当前车辆定损清单定损异常。

11.一种服务器，其特征在于，包括：

至少一个处理器；以及

与所述至少一个处理器耦合连接的存储器；其中，

所述存储器存储有计算机程序，所述计算机程序能够被所述至少一个处理器执行，以实现权利要求1-9任一项所述的车辆定损异常识别方法。

12.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质中存储有计算机程序，当所述计算机程序被执行时，能够实现权利要求1-9任一项所述的车辆定损异常识别方法。

说明书

一种车辆定损异常识别方法、装置、服务器以及存储介质

技术领域

[0001] 本发明涉及车辆事故核损技术领域，具体涉及一种车辆定损异常识别方法、装置、服务器以及存储介质。

背景技术

[0002] 随着国内汽车总量的不断攀升，车辆事故发生次数逐渐增多，车辆事故定损成为车险理赔的关键环节。在工作人员进行车辆事故定损之后，需要进一步针对定损信息进行核验，即核损环节。在核损过程中工作人员需要在大量数据中判断该案件是否为虚假案件，工作量太大，且容易错漏。其次，案件中存在肉眼难以确认的车辆新旧伤的问题，以及存在多修、多换的情况，核损员从大量清单中定位问题点费时费力。所以，核损过程中急需一种利用机器学习进行高效核损的方法。

[0003] 现有技术中，已经提出了一种车辆事故定损的方法和系统，现有技术是基于数据库中各历史数据中包括的损失数据与待处理案件的损失数据之间的相似性计算出车辆关键件受损的概率，根据历史数据的概率来决定新案件中的车辆配件的组合方式。

[0004] 然而，现有技术中存在以下问题：现有技术仅基于历史数据的组合概率，而未考虑出险场景、车型，未考虑车辆组成原理、内外部结构和其相互关系，未考虑历史案件中的损失组合概率在不同场景下是否合理，从而使得现有技术只能局限于对损失组合出现次数的判定，无法准确推断定损信息对应案件的合理性。

发明内容

[0005] 为解决上述技术问题，本发明实施例提供一种车辆定损异常识别方法，在车辆核损技术领域，对定损信息结合历史数据、出险场景、车型，考虑车辆组成原理、内外部结构和其相互关系等多方面因素进行核验，进一步提高了核损效率和核损准确度，降低了核损困难程度。技术方案如下：

[0006] 第一方面，一种车辆定损异常识别方法，包括：

[0007] 获取当前案件信息，所述当前案件信息包括当前车辆定损清单和当前事故信息，所述当前车辆定损清单中包含至少一条当前损伤信息，所述当前损伤信息包括当前损伤部件信息和相应的换修信息；

[0008] 根据所述当前事故信息确定所述当前损伤信息中的第一损伤组合，所述第一损伤组合包含第一损伤信息，所述第一损伤信息包括第一损伤部件信息及相应的换修信息，所述第一损伤组合的发生概率在历史案件中满足预设要求；

[0009] 依次获取所述当前损伤信息中除去所述第一损伤组合的部分形成第二损伤组合，所述第二损伤组合包括至少一条第二损伤信息，所述第二损伤信息包括第二损伤部件信息和相应的换修信息；

[0010] 确定所述第一损伤组合与每条所述第二损伤信息的匹配概率；

[0011] 若存在匹配概率在第一预设数值范围内的所述第二损伤信息，则判定所述当前车辆定损清单定损异常。

[0012] 本实施例提供的车辆定损异常识别方法，根据当前事故信息确定当前损伤信息中的第一损伤组合，第一损伤组合的发生概率在历史案件中满足预设要求，即第一损伤组合是历史案件中高概率损伤可能部件组合；当前损伤信息中除去第一损伤组合的部分形成第二损伤组合，确定第一损伤组合与每条第二损伤信息的匹配概率；匹配概率代表损伤组合在历史案件中的发生概率，若存在匹配概率在第一预设数值范围内的第二损伤信息，即第二损伤组合发生概率不符合历史案件数据统计结果，则判定当前车辆定损清单定损异常。

[0013] 进一步可选的，在所述根据所述当前事故信息确定所述当前损伤信息中的之前，还包括：

[0014] 计算每条所述当前损伤信息与预设异常数据组中的异常数据记录的相似度；

[0015] 判断所述预设异常数据组中是否包含相似度大于第二预设数值范围的异常数据记录；

[0016] 若包含，则判定所述当前车辆定损清单定损异常；

[0017] 若不包含，则根据所述当前事故信息确定所述当前损伤信息中的第一损伤组合。

[0018] 进一步可选的，还包括：

[0019] 在所述当前车辆定损清单被确定为定损异常时，将所述第一损伤组合连同匹配概率在第一预设数值范围内的所述第二损伤信息合成一条异常数据记录；将合成的异常数据记录添加到所述预设异常数据组中。

[0020] 进一步可选的，在所述获取当前案件信息之前，还包括：

[0021] 基于不同车型车辆的车辆空间结构构建所述预设异常数据组。

[0022] 进一步可选的，所述根据所述当前事故信息确定所述当前损伤信息中的第一损伤组合包括：

[0023] 根据所述当前事故信息从第一预设数据库中获取与所述当前案件相匹配的事故主题，每个所述事故主题包括多条零件损伤组合，每条所述零件损伤组合包括必要损伤部件信息和所述必要损伤部件信息在历史案件中的发生概率，所述必要损伤部件信息包括必要损伤部件组合和相应的换修方式；

[0024] 将所述事故主题中发生概率满足预设条件的所述零件损伤组合确定为所述第一损伤组合。

[0025] 进一步可选的，所述确定所述第一损伤组合与每条所述第二损伤信息的匹配概率为：从第二预设数据库中依次获取所述第一损伤组合与每条所述第二损伤信息的匹配概率。

[0026] 进一步可选的，所述第一预设数据库和所述第二预设数据库包括多个所述事故主题，在所述获取当前案件信息之前，所述方法还包括：

[0027] 获取历史案件信息，所述历史案件信息包括历史事故信息和历史车辆定损清单，所述历史事故信息包括碰撞场景、车型和车辆配件信息中的一种或多种；

[0028] 根据所述历史案件信息，利用机器学习构建所述第一预设数据库和所述第二预设数据库，所述第二预设数据库的所述零件损伤组合中包括可疑损伤部件组合信息和所述必要损伤部件组合，所述可疑损伤部件组合信息包括可疑损伤部件组合及相应换修信息。

[0029] 进一步可选的，所述利用机器学习构建所述第一预设数据库包括：

[0030] 提取所述历史事故信息和所述历史车辆定损清单，通过聚类算法形成预设事故主题集，所述预设事故主题集包括预设事故主题和从多个所述历史车辆定损清单中提取的损伤部件信息及对应的换修信息；

[0031] 在每个所述预设事故主题下，通过关联分析算法分析所述损伤部件信息及对应的换修信息，形成多个第一损伤信息和对应的所述第一预设数值，将其设定为第一预设数据库；和/或，

[0032] 所述利用机器学习构建所述第二预设数据库包括：

[0033] 依次获取第二损伤部件信息及对应的换修信息，所述第二损伤部件信息及对应的换修信息为所述历史车辆定损清单中除去所述第一损伤部件信息及对应的换修信息的部分；

[0034] 将所述第一损伤信息与每个所述第二损伤部件信息及对应的换修信息合并，计算所述第一损伤信息与每个所述第二损伤部件信息及对应的换修信息的第二预设数值，将所述第一损伤信息、所述第二损伤部件信息及对应的换修信息和同时出现概率设定为第二预设数据库。

[0035] 进一步可选的，所述形成预设事故主题集包括：

[0036] 计算每种所述车型中，每个所述零部件的出现频次，选择出现频次大于第二预设数值范围的所述零部件作为第一备选关键零部件；

[0037] 计算每种所述车型中，每个所述零部件的评价价格，选择评价价格大于第三预设数值范围的所述零部件作为第二备选关键零部件；

[0038] 将所述第一备选关键零部件和第二备选关键零部件的交集确定为当前车型备选关键零部件；

[0039] 根据所述当前车型关键备选零部件、所述碰撞场景、所述车型和所述车辆配件信息构建所述预设事故主题集。

[0040] 进一步可选的，将所述当前案件信息输入至所述历史案件信息中，对所述第一预设数据库和所述第二预设数据库进行更新。

[0041] 第二方面，一种车辆定损异常识别装置，包括

[0042] 第一确定模块，用于获取当前案件信息，所述当前案件信息包括当前车辆定损清单和当前事故信息，所述当前车辆定损清单中包含至少一条当前损伤信息，所述当前损伤信息包括当前损伤部件信息和相应的换修信息；

[0043] 第二确定模块，用于根据所述当前事故信息确定所述当前损伤信息中的第一损伤组合，所述第一损伤组合包含第一损伤信息，所述第一损伤信息包括第一损伤部件信息及相应的换修信息，所述第一损伤组合的发生概率在历史案件中满足预设要求；

[0044] 识别模块，用于依次获取所述当前损伤信息中除去所述第一损伤组合的部分形成第二损伤组合，所述第二损伤组合包括至少一条第二损伤信息，所述第二损伤信息包括第二损伤部件信息和相应的换修信息；

[0045] 计算模块，用于确定所述第一损伤组合与每条所述第二损伤信息的匹配概率；

[0046] 输出模块，用于若存在匹配概率在第一预设数值范围内的所述第二损伤信息，则判定所述当前车辆定损清单定损异常。

[0047] 第三方面，一种服务器，包括：

[0048] 至少一个处理器；以及

[0049] 与所述至少一个处理器耦合连接的存储器；其中，

[0050] 所述存储器存储有计算机程序，所述计算机程序能够被所述至少一个处理器执行，以实现上述的车辆定损异常识别方法。

[0051] 第四方面，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，当所述计算机程序被执行时，能够实现上述的车辆定损异常识别方法。

[0052] 本发明实施例基于主题和关键组合的判断以及损伤合理性计算来进行车辆定损异常识别。具有如下有益效果：

[0053] 1.通过使用LDA模型算法进行主题的确定，减少了因为确定主题所需要花费的时间，极大地提高了历史输入信息的归类效率。能够达到对于历史输入信息的全面归类覆盖。

[0054] 2.LDA模型算法进行主题的确定不止包括历史损伤数据，并且包括出险场景、车辆型号、车辆组成原理、车辆内外部结构、车辆配件信息等诸多方面。这种确定方式使得识别方法的准确性得到极大提高。

[0055] 3.通过使用关联分析算法进行关键组合的确定，使得在主题确定的情况下，针对主题中所包括的输入信息的损失特征进行关联分析，进一步提升了识别方法的准确性。

[0056] 4.在确定关键组合的过程中，通过优先选取支持度较低的关键组合的方式进一步提高了识别方法的效率。同时，通过关键组合和其他损失特征的组合计算损失合理性的方式，使得识别方法的准确性和效率得到进一步提高。

附图说明

[0057] 图1示出了本发明实施例中一种车辆定损异常识别方法流程图。

[0058] 图2示出了本发明实施例中另一种车辆定损异常识别方法流程图。

[0059] 图3示出了本发明实施例中车辆定损异常识别方法中的第一预设数据库的生成流程图。

[0060] 图4示出了本发明实施例中车辆定损异常识别方法中的第二预设数据库的生成流程图。

[0061] 图5示出了本发明实施例中车辆定损异常识别装置功能结构示意图。

具体实施方式

[0062] 现在将参照若干示例性实施例来论述本发明的内容。应当理解，论述了这些实施例仅是为了使得本领域普通技术人员能够更好地理解且因此实现本发明的内容，而不是暗示对本发明的范围的任何限制。

[0063] 如本文中所使用的，术语“包括”及其变体要被解读为意味着“包括但不限于”的开放式术语。术语“基于”要被解读为“至少部分地基于”。术语“一个实施例”和“一种实施例”要被解读为“至少一个实施例”。术语“另一个实施例”要被解读为“至少一个其他实施例”。

[0064] 实施例1：

[0065] 如图1所示出的是本发明所提出的一种车辆定损异常识别方法的流程图，本发明的实施例所提出的一种车辆定损异常识别方法包括：

[0066] 101：获取当前案件信息。

[0067] 其中，当前案件信息包括当前车辆定损清单和当前事故信息，当前车辆定损清单中包含至少一条当前损伤信息，当前损伤信息包括当前损伤部件信息和相应的换修信息；当前事故信息包括：报案描述信息，以确定关键词进而确定主题；事故原因，包括碰撞，水淹，暴风等实际出险原因，进而精确地确定预设事故主题集中的主题；还包括碰撞场景、车型和车辆配件信息。

[0068] 102：根据当前事故信息确定当前损伤信息中的第一损伤组合。

[0069] 其中，第一损伤组合包含第一损伤信息，第一损伤信息包括第一损伤部件信息及相应的换修信息，第一损伤组合的发生概率在历史案件中满足预设要求；根据当前事故信息确定第一损伤组合能够拟合形成多种主题，其数据源包括碰撞场景、车型和车辆配件信息等诸多方面。这种确定方式使得识别方法的准确性得到极大提高。

[0070] 103：依次获取当前损伤信息中除去第一损伤组合的部分形成第二损伤组合。

[0071] 其中，第二损伤组合包括至少一条第二损伤信息，第二损伤信息包括第二损伤部件信息和相应的换修信息；

[0072] 104：确定第一损伤组合与每条第二损伤信息的匹配概率。

[0073] 本实施例所提供的匹配方式能够进一步提升匹配速度，通过匹配概率的比对，能够提高匹配精确度，保证识别精度。

[0074] 105：判断存在匹配概率在第一预设数值范围内的第二损伤信息，若存在，则执行步骤106。

[0075] 106:判定当前车辆定损清单定损异常。

[0076] 本实施例提供的车辆定损异常识别方法，根据当前事故信息确定当前损伤信息中的第一损伤组合，第一损伤组合的发生概率在历史案件中满足预设要求，即第一损伤组合是历史案件中高概率损伤可能部件组合；当前损伤信息中除去第一损伤组合的部分形成第二损伤组合，确定第一损伤组合与每条第二损伤信息的匹配概率；匹配概率代表损伤组合在历史案件中的发生概率，若存在匹配概率在第一预设数值范围内的第二损伤信息，即第二损伤组合发生概率不符合历史案件数据统计结果，则判定当前车辆定损清单定损异常。

[0077] 实施例2：

[0078] 作为实施例1的一种改进，本发明实施例所提出另一车辆定损异常识别方法，参见图2，该方法包括：

[0079] 201:获取历史案件信息。

[0080] 其中，历史案件信息包括历史事故信息和历史车辆定损清单，历史事故信息包括碰撞场景、车型和车辆配件信息中的一种或多种；历史事故信息的数据结构在本实施例中具体体现为：[（追尾），（宝马740），（前保险杠皮换，中网换，左前大灯换）]。

[0081] 202:根据历史案件信息，利用机器学习构建第一预设数据库和第二预设数据库。

[0082] 其中，所述第二预设数据库的所述零件损伤组合中包括可疑损伤部件组合信息和所述必要损伤部件组合，所述可疑损伤部件组合信息包括可疑损伤部件组合及相应换修信息。

[0083] 203:基于不同车型车辆的车辆配件信息构建预设异常数据组。

[0084] 204:获取当前案件信息，当前案件信息包括当前车辆定损清单和当前事故信息，当前车辆定损清单中包含至少一条当前损伤信息，当前损伤信息包括当前损伤部件信息和相应的换修信息；

[0085] 205:计算每条当前损伤信息与预设异常数据组中的异常数据记录的相似度；

[0086] 206:判断预设异常数据组中是否包含相似度大于第二预设数值范围的异常数据记录，若包含，则执行步骤211，若不包含，则执行步骤207；

[0087] 207:根据当前事故信息确定当前损伤信息中的第一损伤组合。

[0088] 其中，第一损伤组合包含第一损伤信息，所述第一损伤信息包括第一损伤部件信息及相应的换修信息，所述第一损伤组合的发生概率在历史案件中满足预设要求；

[0089] 208:依次获取当前损伤信息中除去第一损伤组合的部分形成第二损伤组合，所述第二损伤组合包括至少一条第二损伤信息，所述第二损伤信息包括第二损伤部件信息和相应的换修信息；

[0090] 209:确定第一损伤组合与每条第二损伤信息的匹配概率。

[0091] 210:是否存在匹配概率在第一预设数值范围内的第二损伤信息，若存在，则执行步骤211；

[0092] 若不存在，则输出当前车辆定损清单定损正常（图中未示出）。

[0093] 211:判定当前车辆定损清单定损异常。

[0094] 212:将第一损伤组合连同匹配概率在第一预设数值范围内的第二损伤信息合成一条异常数据记录；

[0095] 213:将合成的异常数据记录添加到预设异常数据组中。

[0096] 本实施例提供的车辆定损异常识别方法，定义不同车型在不同场景主题下关键受损零配件及其维修逻辑组合对案件车辆损失的合理性进行综合判断。既可以判断案件配件组合和维修工时组合的合理性也可以判断案件整体的合理性。

[0097] 实施例3

[0098] 为便于读者理解，下面结合具体示例对上述车辆定损异常识别方法进行详细介绍，其中包括第一预设数据库和第二预设数据库生成流程图，本实施例所提出的一种车辆定损异常识别方法包括：

[0099] 步骤1：获取历史案件信息。

[0100] 其中，历史案件信息包括历史事故信息和历史车辆定损清单，历史事故信息包括碰撞场景、车型和车辆配件信息中的一种或多种；历史车辆定损清单包括损伤部件信息及相应的换修信息。

[0101] 根据历史案件信息，利用机器学习生成第一预设数据库和第二预设数据库。本实施例通过收集历史案件信息中的碰撞场景、车型和车辆配件信息所对应的碰撞场景、车型和车辆配件信息等多种信息对数据库进行建立，进一步提升了车辆定损异常识别方法的准确性。

[0102] 生成第一预设数据库包括：

[0103] 301：根据车型关键备选零部件、碰撞场景、车型和车辆配件信息通过聚类算法构建预设事故主题集，本实施例中采用LDA模型算法作为聚类算法进行预设事故主题集的构建。通过使用LDA算法能够进一步提升聚类的准确性，使预设事故主题集的主题更加贴近真实碰撞情况。车型关键备选零部件的生成方式为：计算每种车型中，每个零部件的出现频次，选择出现频次大于第四预设数值范围的零部件作为第一备选关键零部件；计算每种车型中，每个零部件的评价价格，选择评价价格大于第五预设数值范围的零部件作为第二备选关键零部件；将备选第一关键零部件和第二关键零部件的交集确定为当前车型关键备选零部件。在本实施例中，该评价价格的计算方式为：计算过去N年间每种车型的每个零部件价格的平均值，该平均值计算过程中需要去掉该种零部件价格区间的前10%和后10%，再进行平均值计算。通过此种遴选关键零部件的方式，能够更进一步地提升预设事故主题集所生成的主题的准确性。

[0104] 302：将历史案件信息分类存储至预设事故主题集的对应主题下，因此在预设事故主题集中的每个主题下存储有多个历史案件信息。

[0105] 303：从多个历史案件信息中提取损伤部件信息及相应的换修信息，通过关联分析算法形成历史第一损伤组合，历史第一损伤组合包含历史第一损伤信息，历史第一损伤信息包括多个历史第一损伤部件信息及相应的换修信息。在本实施例中优选地使用FP-growth关联分析算法针对损伤部件信息及相应的换修信息的出现频率进行统计，根据出现频率确定及第一预设数据库，该第一预设数据库中不仅包括历史第一损伤组合，也包括历史第一损伤组合的发生概率，即为多个历史第一损伤信息、发生概率的形式。

[0106] 304：根据历史事故信息中的车辆内部结构判断第一预设数据库的合理性，筛选第一预设判定规则中合理性低的组合构建预设异常数据组。由于第一预设数据库中的历史第一损伤信息包括有多个历史第一损伤部件信息及相应的换修信息，通过车辆内部结构能够判定出多个历史第一损伤部件信息及相应的换修信息同时出现的可能性和合理性，将可能性和合理性低的历史第一损伤信息作为异常数据添加进预设异常数据组中。此种生成方式能够进一步提升车辆定损异常识别的精度和准确性。

[0107] 生成第二预设数据库包括：

[0108] 305：根据历史案件信息依次获取第二损伤组合的第二损伤信息，该第二损伤组合为历史车辆定损清单中除去历史第一损伤组合的损伤部件信息及换修信息。

[0109] 306：统计第二损伤组合中的每一个第二损伤信息与第一损伤组合同时出现的概率，根据匹配概率第二预设数据库。第二预设数据库即为多个历史第一损伤组合并列有历史第二损伤部件信息及相应换修信息、匹配概率的形式。

[0110] 步骤2：获取当前案件信息，当前案件信息包括当前车辆定损清单和当前事故信息，当前车辆定损清单中包含当前损伤信息；当前事故信息包括碰撞场景、车型和车辆配件信息等信息。

[0111] 步骤3：将当前损伤信息的当前损伤部件信息同预设异常数据组中的异常数据记录进行比对，计算当前车辆定损清单与异常数据记录的相似度；判断预设异常数据组中是否包含相似度大于第二预设数值范围的异常数据记录；

[0112] 若包含，则判定当前车辆定损清单异常；根据当前事故信息和第一预设数据库确定当前车辆定损清单中的第一损伤组合为异常数据。在当前车辆定损清单被确定为定损异常时，将第一损伤组合连同匹配概率在第一预设数值范围内的第二损伤信息合成一条异常数据记录存储至预设异常数据库中。

[0113] 若预设异常数据组中不包含相似度大于第三预设数值范围的异常数据记录，则根据当前事故信息和第一预设判定规则确定当前车辆定损清单中的第一损伤组合。此种异常数据记录判定方式能够进一步提升识别精度。

[0114] 步骤3：根据当前事故信息和第一预设数据库确定当前车辆定损清单中的第一损伤组合。即，提取当前车辆定损清单中的当前损伤信息的多个当前损伤部件信息和相应的换修信息进行组合，根据第一预设数据库针对该组合进行筛选，提取发生概率最低的组合进行判别，若该组合中的历史第一损伤部件信息及相应的换修信息与当前损伤信息中的多个当前损伤部件信息及相应的换修信息能够一一匹配上，即将其确定为第一损伤组合。否则提取发生概率第二低的组合进行上述判别。依次以发生概率从低到高进行判别，从第一预设数据库中选择覆盖数量最多当前损伤部件信息及相应换修的历史第一损伤组合作为当前事故信息的第一损伤组合。此种以发生概率从低到高的识别方式更符合车辆损伤事故中的原理，其能够提升车辆定损异常识别方法的识别速度。

[0115] 步骤4：根据当前案件信息依次获取第二损伤组合的第二损伤信息，该第二损伤组合为当前车辆定损清单中除去第一损伤组合的损伤部件信息及对应的换修信息。依次获取第二损伤组合中的第二损伤信息。根据当前事故信息和第二预设数据库依次提取第二损伤组合中每个第二损伤部件及其换修信息和第一损伤组合的匹配概率，将匹配概率在第一预设数值范围内的第二损伤部件及其换修信息确定为定损异常信息。在本实施例中，确认定损异常信息的方式有两种：第一、在确定第一损伤组合之后，将第一损伤组合输入至第二预设数据库中获得多个历史第二损伤组合，将当前的第二损伤组合中的每个第二损伤部件及其换修信息与第一损伤组合进行组合，在第二预设数据库中进行匹配概率的提取，将匹配概率与第一预设数值范围进行比较，若匹配概率在第一预设数值范围内，则将该第一损伤组合和对应的第二损伤组合中的第二损伤部件及换修信息进行组合，并标记为定损异常信息。第二、在确定第二损伤组合的第二损伤部件及其换修信息之后，将该第二损伤部件及其换修信息输入至第二预设数据库中获得其对应的历史第一损伤组合。将获取到的多个历史第一损伤组合与当前车辆定损清单中的第一损伤组合进行匹配概率计算，若匹配概率在第一预设数值范围内则将该第一损伤组合和对应的第二损伤组合中的第二损伤部件及换修信息进行组合，并标记为定损异常信息。

[0116] 步骤5：将当前案件信息中的当前车辆定损清单和当前事故信息输入至历史案件信息中，对第一预设数据库和第二预设数据库进行更新。

[0117] 实施例4：

[0118] 本实施例具体公开了一种车辆定损异常识别方法的具体步骤，如图3、图4所示，需要提前确定第一预设数据库和第二预设数据库：

[0119] 步骤1：提取历史案件信息生成预设事故主题集。调用LDA模型算法，该算法将历史案件信息中所包括的历史案件信息包括历史事故信息和历史车辆定损清单的每一条数据进行提取分析，将其按照词频进行分类。分类方式依据历史案件信息中所包括的车型关键备选零部件、碰撞场景、车型、和车辆配件信息多个方面数据进行分类，进而构建预设事故主题集。碰撞场景即为事故原因，碰撞场景包括：事故类型，碰撞分类及碰撞细分。在本实施例中，事故原因包括：单方事故，双方事故；单方事故的碰撞场景包括：石墩状物体碰撞、墙体碰撞、柱状物体碰撞、不规则物体碰撞、托底。双方事故的碰撞场景包括：会车、转弯、追尾、溜车、倒车、并线。碰撞细分部分详见以下表格：

[0120] 表1

[0121]

[0122] 在本实施例中，车型关键备选零部件的选择方式为：第一，计算每个车辆配件的出现频次，在本实施例中，选择出现频次大于千分之5的车辆配件作为“备选关键零部件1”；第二，计算每个车辆配件的价格，在本实施例中，选择评价价格大于100元的车辆配件作为“备选关键零部件2”。第三，取“备选关键零部件1”和“备选关键零部件2”的交集作为LDA模型算法的最终备选关键零部件。

[0123] 根据设定的主题个数X，LDA模型算法根据历史案件信息中出现的多种词的词频进行分类，从而形成X个主题。每个主题项下包括根据LDA模型算法所划分过来的历史案件信息，该历史案件信息中包括有历史损伤部件信息及相应的换修信息。在本实施例中，历史案件信息中所包括的历史损伤部件信息及相应的换修信息的数据结构表示为“[(车辆故障配件+（换or修），支持度)]”的形式。而一个历史案件信息中的损伤部件信息及相应的换修信息可能包括数量不等的多个单点数据，即单个损伤部件信息及相应的换修信息。例如在本实施例中，历史案件信息中的损伤部件信息及相应的换修信息包括：“[(前保险杠皮换，0.87), (前大灯(右)换, 0.77),(前叶子板修, 0,56),(中网换，0.41),(并线, 0.40)]”，LDA模型算法将其归类到主题命名为“右前并线”之中。在本实施例中，在主题生成过程中提取了当前事故信息中的碰撞场景、车型和车辆配件信息以及车型备选关键零部件进行分析，以提升主题的准确性，使得主题更加贴近事故的真实情况。

[0124] 步骤2：确定同一主题下的第一损伤组合。在确定主题的基础上，提取该主题中的全部历史案件信息，针对该历史案件信息中的损伤特征使用关联分析算法查找历史案件信息中包括的不同损伤部件信息及对应的换修信息的关联性、因果结构，在本实施例中使用FP-growth算法。提取历史案件信息中损伤部件信息及对应的换修信息组合的出现频率通过计算形成支持度，将高于一定支持度(supportRate)的组合选取出来标记为历史第一损伤组合，该历史第一损伤组合中包括多个历史第一损伤部件信息及相应的换修信息，进而确定其发生概率。第一损伤组合及其对应的发生概率作为数据值形成第一预设数据库。

[0125] 筛选出的历史第一损伤组合中的历史第一损伤部件信息及对应的换修信息可能并没有完全覆盖该历史案件信息中的全部损伤部件信息，会有部分损伤部件信息没有进入到历史第一损伤组合之中。此时将未进入历史第一损伤组合的损伤部件信息及对应的换修信息标注为历史第二损伤信息及对应的换修信息，将其提取出来形成历史第二损伤组合。将历史第一损伤组合和历史第二损伤组合中的每个历史第二损伤部件信息及对应的换修信息进行组合，计算其共同出现的概率，进而确定历史第一损伤组合和每个历史第二损伤组合的匹配概率。将历史第一损伤组合和历史第二损伤组合中的每个历史第二损伤部件信息及对应的换修信息的组合结果形成第二预设数据库。

[0126] 根据车辆配件信息进行第一预设数据库中的历史第一损伤组合和第二损伤组合的二次筛选，针对历史第一损伤组合中出现的不符合车辆配件信息的组合标记为异常，并且存储至对应主题的预设异常数据组中。在本实施例中，该二次筛选过程通过车辆配件信息得到车辆配件之间的相互组合关系，通过车辆配件之间的相互组合关系进行历史第一损伤组合和历史第二损伤组合同时出现的合理性判断，将不合理的历史第一损伤组合标记为异常数据记录。

[0127] 在本实施例中，以上步骤完成了对于预设事故主题集的确定、第一损伤组合、发生概率以及第一预设数据库和第二损伤组合、匹配概率及第二预设数据库的确定。基于此，本发明的实施例所提出的一种车辆定损异常识别方法包括：

[0128] 步骤1：获取当前案件信息，当前案件信息包括当前车辆定损清单和当前事故信息，当前车辆定损清单中包含当前损伤信息；当前事故信息包括碰撞场景、车型和车辆配件信息等信息。

[0129] 步骤2：将当前损伤信息同预设异常数据组中的异常数据记录进行比对，计算当前车辆定损清单与异常数据记录的相似度；判断预设异常数据组中是否包含相似度大于第二预设数值范围的异常数据记录；若包含，则判定当前车辆定损清单为定损异常；在当前车辆定损清单被确定为定损异常时，将第一损伤组合连同匹配概率在第一预设数值范围内的第二损伤信息合成一条异常数据记录；将合成的异常数据记录添加到预设异常数据组中。

[0130] 若预设异常数据组中不包含相似度大于第二预设数值范围的异常数据记录，则根据当前事故信息和第一预设数据库确定当前车辆定损清单中的第一损伤组合。

[0131] 步骤3：根据当前事故信息和第一预设数据库确定当前车辆定损清单中的第一损伤组合。即，提取当前车辆定损清单中的当前损伤信息进行组合，根据第一预设数据库针对该组合进行筛选，由发生概率低到高依次提取该发生概率所对应的历史第一损伤组合与当前损伤信息中的当前损伤部件信息及对应的换修信息进行比对。将发生概率最低，且其对应的历史第一损伤组合中覆盖当前损伤部件信息及对应换修信息最多的组合确定为第一损伤组合。例如，在本实施例中存在当前案件信息的当前车辆定损清单为：[前保险杠骨架(修), 前保险杠皮（换）, 冷凝器（换），中网(换)，玻璃水壶（换）]。而根据LDA模型算法及关联分析算法下所形成的第一损伤组合和第一预设数据库如下：

[0132] 表2关键组合 关键支持度
前保险杠骨架(修) 0.098123749
前保险杠骨架(修), 中网(换) 0.068369521
前保险杠骨架(修), 前保险杠皮（换） 0.094179559
前保险杠骨架(修), 中网(换), 前保险杠皮（换） 0.065843387
前保险杠骨架(修), 前保险杠皮（换）, 冷凝器（换） 0.035127162
前保险杠骨架（换）, 中网（换）, 前保险杠皮（换）, 冷凝器（换） 0.029034511[0133] 根据车辆碰撞原理可知，第一损伤组合包括的损伤部件信息越多意味着受损伤的车辆配件越多，这就意味着车辆事故的严重性更高，出现概率更小，但与此同时，该第一损伤组合可覆盖当前案件信息中的损伤部件信息就更多，与当前案件信息的数据相似度更高。因此，优先选取支持度较低的关键组合与输入信息中的损伤特征进行匹配。此种匹配方式从一定程度上提高了识别速度，使得整体识别方法得到提升。

[0134] 在本实施例中，首先选取支持度最低的[前保险杠骨架（换）, 中网（换）, 前保险杠皮（换）, 冷凝器（换）]与当前车辆定损清单中的损伤部件信息及对应的换修信息进行匹配。由于前保险杠骨架的换修模式不同，因此匹配失败。再选取支持度倒数第二的[前保险杠骨架(修),前保险杠皮（换）,冷凝器（换）]与当前车辆定损清单进行匹配，此时匹配成功。匹配成功之后调取第二预设数据库进行进一步判断。

[0135] 表3关键组合 损伤特征 合理性
前保险杠骨架(修), 前保险杠皮（换）, 冷凝器（换） 中网(换) 87.3%
前保险杠骨架(修), 前保险杠皮（换）, 冷凝器（换） 前保险杠内衬（换） 83.9%前保险杠骨架(修), 前保险杠皮（换）, 冷凝器（换） 低音喇叭（换） 86.2%前保险杠骨架(修), 前保险杠皮（换）, 冷凝器（换） 散热器框架（换） 82.8%前保险杠骨架(修), 前保险杠皮（换）, 冷凝器（换） 散热器框架（修） 77.4%前保险杠骨架(修), 前保险杠皮（换）, 冷凝器（换） 玻璃水壶（换） 0.1%前保险杠骨架(修), 前保险杠皮（换）, 冷凝器（换） 散热器（换）、散热器框架（换） 0.5%[0136] 步骤4：通过匹配成功的第一损伤组合与当前案件信息中未包括在第一损伤组合内的其他损伤部件信息进行组合，即计算第二损伤组合与第一损伤组合的同时出现概率，将该匹配概率和第二预设数值范围进行计算，将低于第二预设数值范围的第二损伤组合与第一损伤组合合并，并将其标记为定损异常信息并进行输出。本实施例中，将第一损伤组合：[前保险杠骨架(修),前保险杠皮（换）, 冷凝器（换）]和第二损伤组合：[玻璃水壶（换）]组合之后，其匹配概率为0.1%。将其标注为异常数据记录，输出该数据。

[0137] 步骤5：将当前案件信息中的当前车辆定损清单和当前事故信息输入至历史案件信息中，对第一预设数据库和第二预设数据库进行更新。

[0138] 实施例5

[0139] 根据本发明的实施例所提出的一种车辆定损异常识别装置，如图5所示，包括：

[0140] 第一确定模块51，用于获取当前案件信息，所述当前案件信息包括当前车辆定损清单和当前事故信息，所述当前车辆定损清单中包含至少一条当前损伤信息，所述当前损伤信息包括当前损伤部件信息和相应的换修信息；

[0141] 第二确定模块52，用于根据所述当前事故信息确定所述当前损伤信息中的第一损伤组合，所述第一损伤组合包含第一损伤信息，所述第一损伤信息包括第一损伤部件信息及相应的换修信息，所述第一损伤组合的发生概率在历史案件中满足预设要求；

[0142] 识别模块53，用于依次获取所述当前损伤信息中除去所述第一损伤组合的部分形成第二损伤组合，所述第二损伤组合包括至少一条第二损伤信息，所述第二损伤信息包括第二损伤部件信息和相应的换修信息；

[0143] 计算模块54，用于确定所述第一损伤组合与每条所述第二损伤信息的匹配概率；

[0144] 输出模块55，用于若存在匹配概率在第一预设数值范围内的所述第二损伤信息，则判定所述当前车辆定损清单定损异常。

[0145] 实施例6

[0146] 依据本发明的另一个方面，提供一种服务器，包括：

[0147] 至少一个处理器；以及

[0148] 与至少一个处理器耦合连接的存储器；其中，

[0149] 存储器存储有计算机程序，计算机程序能够被至少一个处理器执行，以实现本发明的车辆定损异常识别方法。

[0150] 实施例7

[0151] 依据本发明的另一个方面，提供一种计算机可读存储介质，计算机可读存储介质中存储有计算机程序，当计算机程序被执行时，能够实现本发明所述的方法。

[0152] 本领域普通技术人员可以意识到，结合本文中所公开的实施例描述的各示例的模块及算法步骤，能够以电子硬件、或者计算机软件和电子硬件的结合来实现。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发明的范围。

[0153] 所属领域的技术人员可以清楚地了解到，为描述的方便和简洁，上述描述的装置和设备的具体工作过程，可以参考前述方法实施例中的对应过程，在此不再赘述。

[0154] 在本申请所提供的实施例中，应该理解到，所揭露的装置和方法，可以通过其它的方式实现。例如，以上所描述的装置实施例仅仅是示意性的，例如，所述模块的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，例如多个模块或组件可以结合或者可以集成到另一个系统，或一些特征可以忽略，或不执行。另一点，所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口，装置或模块的间接耦合或通信连接，可以是电性，机械或其它的形式。

[0155] 所述作为分离部件说明的模块可以是或者也可以不是物理上分开的，作为模块显示的部件可以是或者也可以不是物理模块，即可以位于一个地方，或者也可以分布到多个网络模块上。可以根据实际的需要选择其中的部分或者全部模块来实现本发明实施例方案的目的。

[0156] 另外，在本发明各个实施例中的各功能模块可以集成在一个处理模块中，也可以是各个模块单独物理存在，也可以两个或两个以上模块集成在一个模块中。

[0157] 所述功能如果以软件功能模块的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行本发明各个实施例节能信号发送/接收的方法的全部或部分步骤。而前述的存储介质包括：U盘、移动硬盘、ROM、RAM、磁碟或者光盘等各种可以存储程序代码的介质。

[0158] 以上描述仅为本申请的较佳实施例以及对所运用技术原理的说明。本领域技术人员应当理解，本申请中所涉及的发明范围，并不限于上述技术特征的特定组合而成的技术方案，同时也应涵盖在不脱离所述发明构思的情况下，由上述技术特征或其等同特征进行任意组合而形成的其它技术方案。例如上述特征与本申请中公开的(但不限于)具有类似功能的技术特征进行互相替换而形成的技术方案。

[0159] 应理解，本发明的发明内容及实施例中各步骤的序号的大小并不绝对意味着执行顺序的先后，各过程的执行顺序应以其功能和内在逻辑确定，而不应对本发明实施例的实施过程构成任何限定。