北京中交興路信息科技有限公司：基於車聯網大數據的保險風控AI雲平臺建設與實施
一、前言
北京中交興路信息科技有限公司（簡稱「中交興路」）是一家以數據為核心，為公路貨運行業提供多元化產品與服務的科技創新企業，致力於打造中國領先的公路貨運綜合服務平臺。數據積累覆蓋全國96%以上重載貨車的車輛，累計數據量超10pb，是行業唯一全量數據平臺。
中交興路一直堅持數據驅動、創新引領、開放合作三大發展原則，以數據平臺為基礎，圍繞貨運場景，提供數據開放、保險風控、定位服務等數據服務，油品、ETC、運力等場景的交易服務和授信用油、ETC記帳卡、經營貸款等創新金融服務, 推動新物流在降本增效提質方面飛速發展。在北京、重慶兩地建有國家級車聯網產業基地，擁有省級分支機構三十餘家，業務範圍覆蓋全國。2018年12月，中交興路獲螞蟻金服領投、北京車聯網產業發展基金跟投的7億元A輪融資.
中交興路經過多年的深入實施創新發展戰略，自主創新和自主發展能力顯著增強。目前企業共申請專利133項，已授權專利46項，榮獲國家貨運物流行業相關的獎項逾140項，這些科技創新成果為公司發展提供了強勁動力，推動公司經營質量和效益穩步提升。
二、實施背景及內涵
（一）實施背景1、政策引導與技術創新下的商業車險費率改革必然要求
2015年6月，原保監會發布《中國保監會關於深化商業車險條款費率管理制度改革的意見》，驟然打開了我國商業車險費率改革的大門，施行多年的全國商業車險費率全行業統一的模式終於開始鬆動。基於車聯網大數據技術的新一代車險定價模型呼之欲出。
2、保險市場主體對一個涵蓋全國範圍車輛的風險管理雲平臺的迫切需要
一方面,重大事故頻發,重載貨車車險經營虧損；另一方面，貨車行業「騙賠」、「詐賠」以及人為擴大損失等欺詐行為頻頻發生。所以對於車險行業經營情況的整體改善需要一個覆蓋全量市場的車聯網平臺，作為數據來源和管控基礎，建立統一的風險識別與量化標準。通過技術手段的引入和業務模式的創新，扭轉車險長期虧損的局面。
3、防災減損、提高道路安全管理水平的多贏選擇
針對整個行業的風險水平改善方面，中交興路積極拓展貨運平臺功能，為駕駛員和車主提供相關服務，確保平臺長期、安全、穩定運行。與此同時，開發出重大交通事故實時偵測預警功能，對於重大交通事故第一時間通知保險公司、救援機構，迅速採取救援措施，從而實現有效降低財產損失、人員傷亡的社會效益。
（二）成果內涵
本項目將基於全國貨運平臺和以其為基礎構建的車聯網大數據平臺，依託業內高級分析技術建立商用車風險管理AI雲平臺，構建從承保端到理賠端的全流程風控閉環，向國內外的保險公司提供全方位的風險管理服務，包括車輛風險評測、運營安全管理、事故時預判及理賠調查支持等多種服務，有效幫助保險公司提高經營效益，進一步改善全社會商用車安全生產管理水平。
三、主要做法（一）系統總體設計
基於豐富、海量的多種數據來源，本項目以「AI安全大腦」為導向構建了保險風控AI雲平臺，主要實現風險智能評測、智能引擎提醒以及智能事故預警等保險科技服務，系統業務架構圖如下圖所示：
圖4-1 系統業務架構圖
保險風控大數據具有數據類型多樣異構、數據體量大、實時性要求高等特性，為其採集、整合、存儲管理以及相應的分析挖掘均帶來巨大的挑戰，首先，要求能夠高效地支持各種海量、異構（包括非結構化和半結構化數據）數據地高效採集、清洗與全面整合；其次，巨大的數據量給數據的存儲管理和處理等系統等都提出了新的要求，傳統數據存儲和處理基礎設施難以滿足大數據要求；第三，面對海量的數據，需要深度挖掘其潛在價值，從其中提煉出有用信息，並藉助神經網路、機器學習等構建算法模型建立智能系統使平臺不斷迭代演進。
基於以上原因平臺系統架構設計了感知、認知、預知的大數據智能雲平臺架構體系。大數據感知平臺，實時採集、實時計算。大數據智能認知平臺，智能分析工具，完成數據畫像、風控因子、數據模型。大數據AI運算平臺，提供完整的運算分析，涵蓋AI事故偵測預警、理賠智能反欺詐、風險智能評價、車輛智能預警，從而實現針對貨運車輛的保險風險控制。
（二）應用平臺功能設計
應用平臺主要分為業務支撐層、產品服務層和表示層，分別面向車主、司機、保險公司和大型運輸企業提供線上及線下服務。系統架構圖如下圖所示：
圖4-2 AI應用平臺系統架構示意圖
應用平臺主要功能及其特點描述如下：
1、風險評測功能
提供業務、運營、道路、駕駛等四大類22項動態風控因子的實時查詢服務，圖表化展現查詢結果。支持按單車、多車和車隊維度輸出評測結果, 為單車和團車業務的風險水平提供科學、準確、快速的評測。
2、實時安全提醒功能
對車輛的違規狀態跟蹤查看，並針對超速、疲勞等狀況可發送車機、簡訊、人工電話提醒。
3、行駛軌跡查詢功能
車輛行駛過程中，系統對車輛的行駛情況進行定位，從車速、裡程、時間三個維度反映車輛行駛路線實時查詢。
4、車輛駕駛行為匯總報告
對車輛進行駕駛數據信息匯總，生成報告，數據包括：車輛行駛總時長、總裡程、報警總數、超速和疲勞車輛的數據等。
5、違規統計報告
將一天按每兩小時進行劃分，直觀展現所有監控車輛在各個時間段的疲勞違規行駛時間、超速違規行駛時間佔比情況。
6、車輛地域分布
對車輛運營地域分布情況進行統計，按照運營省份/城市分布車輛數、分布車輛數所佔比例進行展示。可以反映出團車整體地域運營情況。
7、保險理賠評估
可以查詢車輛在指定時間點前、後12小時的運行軌跡，車所處經緯度。一方面可以觀察車輛在出險地點是否匹配，排查套牌可能；一方面對查詢區間車輛歷史各經停點詳情、疑似事故點進行自動識別和判斷，提供理賠欺詐以及道德風險排查。
（三）雲平臺資源配置方案
本項目單位已建立了初步的雲IT硬體基礎設施，建立了企業級的雲平臺，擁有處理大數據的能力和技術儲備。本平臺在現有基礎IT資源上進行了合理的規劃，利用項目單位已有的雲計算節點，結合本項目雲計算和大數據基礎設施建設需求，進行了針對性的優化和擴容，最大化提高了設備的利用率。
保險風控AI雲平臺基礎資源主要三個部分：大數據存儲群組、大數據感知群組和AI分析群組。該資源配置方案基於虛擬化、分布式集群等技術構建的私有雲服務，支持彈性擴容、防DDOS，容災，滿足高並發、高性能，高可用，為用戶提供穩定高效的服務。
（四）關鍵技術
1、基於GAM算法的保險風險成本預測模型
GAM在自變量x（即車聯網駕駛行為數據因子）與因變量y（即保險風險）之間的關係不確定時，採用非參數擬合算法，使擬合後的曲線連續且至少具有二階導數，並通過對懲罰係數的調節，調整曲線的平滑度，減緩過度擬合。
2、基於循環神經網絡（RNN）算法的交通事故實時預警模型
應用該模型算法，可將每一次車機上傳的原始報點數據所包含的時間、位置、速度、方向等信息作為一層輸入神經元，將前後連續的多個報點數據相連，形成循環神經網絡結構，通過使用大量樣本數據訓練模型，使模型能夠準確識別出車輛在發生交通事故時的獨有特徵。
3、基於馬爾科夫模型的車輛位置點道路匹配算法
道路匹配是一種基於軟體技術的定位修正方法，其基本思想是將車輛定位軌跡與數字地圖中的道路網信息聯繫起來，將行車軌跡的經緯度採樣序列與數字地圖路網匹配的過程，其本質上是平面線段序列的模式匹配問題，目的就是有效地提高車輛定位目標的精度，並保持定位結果的穩定性。
4、基於Mapreduce的並行計算模型
本課題基於4PB的貨運車輛相關歷史行駛數據建立了MapReduce大數據在線與離線協同處理框架，涉及500多萬輛貨車和800多個數據欄位，包括車輛類型、道路級別、交通狀態、周邊設施、車輛狀態、車輛位置、速度等屬性，建立目標導向的多維精準挖掘分析技術，實現個體到群體、過程到全程的實時預警分析能力，大大提升了平臺實時分析效率。
5、具有道路貨運行業特色的專用地理信息系統引擎
本項目使用了項目單位自主研發的具有道路貨運行業特色的專用地理信息系統引擎，該引擎有效的解決了海量基礎地理數據、行業深度數據、貨車行駛數據的融合問題，並在此基礎上研發了一系列滿足道路貨運行業應用需求的特色功能。
該引擎具備高性能的海量移動目標可視化能力，支持二次開發；為道路貨運行業應用開發、道路貨運行業開放平臺提供強大的空間數據管理能力。同時也為本課題的軌跡補齊、道路匹配、空間運算等技術提供必要的基礎支撐。
（五）主要創新點1、國內首創運用車聯網大數據建立重載貨車保險風險預測模型
根據重載貨車的日常行駛特徵，將車聯網大數據整理、加工成運營數據、道路數據、駕駛數據、業務數據4大類，具體包括運營率、日均行駛裡程、高速公路行駛裡程佔比、夜間行駛裡程佔比、超速行駛時長佔比、日均疲勞駕駛裡程、常跑路線運營次數佔比等數十項駕駛行為數據因子，結合中國保信所提供的商業車險承保、理賠數據，採用行業領先的GAM算法建立了保險風險預測模型，通過分析車輛過去的日常行駛特徵，準確預測其未來的保險風險成本。
模型有效地提高了保險公司對重載貨車商業車險的核保能力，得到了保險行業主流大公司的一致認可，並被中國保信相關負責人評價為「是保險行業首次引入車聯網從用動態數據因子，對整個保險行業具有重要的戰略性、創新性意義！」。
圖4-3 保險風險預測模型示意圖
2、國內首個基於RNN和Hadoop技術的交通事故偵測雲平臺
在海量車聯網大數據基礎上，本項目有效融合權威第三方的交通事故歷史記錄、車旺大卡APP（註冊用戶為450多萬車主、司機用戶，日活用戶超過200萬）位置信息乃至天氣、路況等數據，形成多維度的車聯網大數據，並根據車聯網數據的動態性、時序性、複雜性等特徵，我們創造性地將循環神經網絡（Recurrent Neural Networks）算法應用於多源數據融合後的車聯網大數據，開發出基於車聯網大數據的交通事故識別模型。同時採用流式計算等實時數據分析處理技術搭建了國內首個交通事故實時偵測雲平臺，實現對500多萬輛貨車駕駛行為的動態監測與實時分析運算，第一時間準確地偵測出交通事故的發生，還原事故現場並及時通知救護人員，從而降低人身傷亡比率，形成積極地社會效益。
3、基於多源數據融合技術首創商用車理賠反欺詐智能引擎
為了防範和識別保險欺詐行為，本項目創新性的引入車聯網大數據和用戶手機數據，著重進行多源數據融合研究和建模，從而在用戶出險報警後，雲平臺及時分析出車輛是否有欺詐嫌疑。
本算法引擎的創新意義在於，所述根據匹配結果對所述用戶上報的數據信息進行評分，並根據評分結果確定所述用戶是否存在欺詐行為，包括：分別對所述第一數據信息的每個信息進行評分，並將總的評分結果和預設評分規則進行對應，根據對應的結果確定所述用戶是否存在欺詐行為；或者，分別對所述第一數據信息的每個信息進行評分，並將每個信息的評分結果和所述預設評分規則進行對應，根據對應結果確定所述用戶是否存在欺詐行為。
4、首創基於道路匹配算法評估商用車運營安全係數
當前現有的核保政策主要針對車輛的車價、車型、車齡等自然屬性以及上一年的出險次數，忽略了客戶/司機的駕駛習慣、理賠成本等特徵信息，基本沒有綜合考慮風險因素，因而不是對客戶風險的全面評估，特別是對商用車的運營安全相關風險沒有具體的評估方法和管控手段。
本項目創新性的將道路匹配算法和空間數據運算進行有效整合，通過確定每種道路的危險類型並對每種危險道路進行編號，然後綜合保險公司出險記錄以及全國貨運平臺的路段安全隱患統計結果確定危險道路的危險類型和危險程度，從而確定權重係數，然後根據貨車途經危險道路編號的次數統計出貨車途經每種道路類型危險的頻次，最後通過對所頻次求加權平均值的方式得出貨車危險程度評分。
五、實施效果（一）保前風險評測模型準確可靠，受到行業一致認可
相比於傳統定價因子，車聯網數據因子具有複雜性、連續性、動態性等諸多新特點，行業內普遍採用的GLM模型顯然並不適用。為此，本項目研發團隊與中國保信合作，結合美國史丹福大學等名校的知名教授們所提出的全新理論，根據車聯網數據獨有的特徵，創造性地建立了基於車聯網數據的保險風險預測模型。該模型在技術水平上大大領先於行業，並且經過了人保財險、平安財險、大地財險等十餘家大型保險公司總部的實際校驗，模型評測結果相比傳統車險定價模型有本質的提升。
圖5-4 保險風險預測模型效果展示圖
如圖所示，模型預測結果與實際承保結果非常吻合，充分體現了模型的準確可靠性，並且每組之間的出險頻率上升趨勢明顯，這也體現了模型的靈敏度。一般來說，傳統保險定價模型的預測結果，風險最高組與風險最低組的差異（提升度）不會超過3倍，而加入了車聯網數據因子後，本模型的提升度達到了4.3倍，效果遠超傳統模型。
經過了前期充分的準備工作後，2018年8月10日，項目組成功向全行業發布了首個面向保險行業風險管理應用的重載貨車車聯網數據服務產品。藉助該服務，保險公司可以獲取多維度的車輛動態從用數據因子和風險評分，精準識別車險運營風險，實現重載貨車車險精準定價，並有效實施風險管控措施。
（二）保中風險管控有效降低了車輛的行駛風險，實現了司機、車隊、保險主體多方共贏的局面
本平臺結合大數據技術、智能分析、實時計算技術，對車輛行駛行為、駕駛員行為進行分析，並實時提醒，可有效糾正駕駛者的不良駕駛習慣，提高駕駛安全係數。
根據佔全國貨車保險市場份額40%以上的國內第一大財產保險公司人保財險的數據分析報告顯示，貨運車輛出險率自2013年本平臺提供危險駕駛行為實時提醒服務後持續降低，載重10噸以上的貨車降幅顯著。2016年，貨運車輛總體出險率為24.9%，較2013年下降1.1個百分點。載重噸位10噸以上貨車出險率為33.4%，較2013年降低6.1個百分點；10噸以下出險率為16.8%，較2013年下降0.9個百分點可見，隨著本平臺保中提醒功能的完善和覆蓋車輛範圍的不斷擴大，其出險率有了顯著地改善。
圖5-5 人保財險報告
（三）智能理賠評估體系，有效協助保險公司進行賠案反欺詐排查。1、理賠支持-軌跡查詢功能。
以國內某知名險企為例：2018年4月-8月末，5個月內有效查詢次數2339次，直接減損數額515.74萬元，次均查詢反欺詐減損0.22萬元，案均賠付成本降低5%-10%。結合實際使用情況發現，對車輛套牌、小案大作、虛假拼湊、換駕逃逸等典型類型事故能做到快速識別和排查指引，得到業內使用單位的一致認可。
2、理賠支持-事故真實性回溯模型。
對照險企歷史車輛出險信息，通過模型算法自動對車輛特定時段在停靠區域、停靠時長、停運時長等事故特徵因素進行數據調取、匹配校驗後給予綜合真實度評定。簡化了原有人工核對、經辦人現場核查的原始排查手段，將簡易事故回溯定性排查時效縮短至分鐘級，讓險企在賠案審核上增加了AI手段，助力保險行業縮短賠付時效和提升客戶服務感受。項目開發至今不足1個月的時間內，已幫助險企完成賠案回溯1400餘筆，發現問題案件20餘筆，反欺詐減損170餘萬元，成效斐然。
（四）實時發現重大交通事故。
通過後臺實時車輛運營數據的分析，對重大交通事故產生所具備的常規特徵，例如：非常規減速度值、特定速度下的非常規制動距離值等核心數值進行實時抓取，再結合實時路段情況（擁堵與否、連續下坡、危險路段等）對比路過車輛的速度變化情況，採集點預警提示、駕駛員制動措施等一系列輔助手段綜合進行事故實時判定，尤其重點關注高速公路惡性事故的實時發現。
目前日均發現並通過驗證確認的事故數30餘筆。事故實時發現的初衷是最快的時間準確發現事故，為人員搶救、車輛施救、恢復交通儘可能地爭取時間。驗證過程中，很大一部分是早於車主知悉事故，該功能的實現和初衷，得到當事人的普遍認可。
六、總結與展望
保險風控AI雲平臺的建設和實施是中交興路針對貨運大數據的一次完整的價值應用旅程。在如今貨運行業持續升級的時代，大數據已經成為助推行業向更高效、更便捷、更安全方向發展的有力武器。在人、車、企、貨方面的風險預測、業務效率的提高、成本的降低、安全監管、事故發現、事故救援方面，以數據為基礎、技術為核心的數據應用實現了實實在在的效果。不僅改善了保險行業的服務環境，提高保險公司業務提升，降低投保人員成本負擔。同時在公共道路安全監管和服務方面，能夠為政府單位、物流、貨主、融資租賃等企業提供貨運車輛、駕駛員等信息驗證，實時可視化車輛在途監測，規範駕駛員不良駕駛行為，成功降低貨車事故的發生比率，為中國道路運輸管理工作加注更智能的安全防線。
在未來，中交興路依然會在貨運大數據的應用上，進行更加深入的開發和應用。圍繞貨運場景，包括用油、過路、保險、金融、運力、管車、找貨等方面提供更加便捷、優惠、安全的一站式服務。為中國1400萬營運車輛，3000萬公路貨運從業者及家庭提供生產、生活服務於保障。