[发明专利]用于汽车保修欺诈的预测的系统和方法在审
申请号: | 201780059274.X | 申请日: | 2017-09-25 |
公开(公告)号: | CN109791679A | 公开(公告)日: | 2019-05-21 |
发明(设计)人: | N.帕特尔;G.博尔;B.巴古加 | 申请(专利权)人: | 哈曼国际工业有限公司 |
主分类号: | G06Q40/08 | 分类号: | G06Q40/08 |
代理公司: | 北京市柳沈律师事务所 11105 | 代理人: | 高巍 |
地址: | 美国康*** | 国省代码: | 美国;US |
权利要求书: | 查看更多 | 说明书: | 查看更多 |
摘要: | |||
搜索关键词: | 概率 欺诈 操作员指示 欺诈检测 诊断装置 预测 配置 汽车 | ||
1.一种方法,包括:
接收来自车辆的诊断故障代码(DTC)数据和一个或多个参数;
基于所述诊断故障代码数据和所述一个或多个参数来确定保修欺诈概率;以及
响应于所述保修欺诈概率超过阈值而向操作员指示有可能是欺诈。
2.如权利要求1所述的方法,还包括从所述车辆接收一个或多个以前的DTC,其中所述确定进一步基于所述一个或多个以前的DTC。
3.如权利要求1所述的方法,还包括响应于所述欺诈保修概率未超过所述阈值而向所述操作员指示不太可能是欺诈。
4.如权利要求1所述的方法,其中所述阈值基于最小化总成本,所述总成本基于被识别为非欺诈性的保修索赔的成本和被错误地识别为欺诈性的保修索赔的成本。
5.如权利要求1所述的方法,其中所述指示包括使用包括屏幕的显示装置向所述操作员显示可读的消息。
6.如权利要求1所述的方法,其中接收所述DTC数据和一个或多个参数是经由控制器区域网络(CAN)总线执行。
7.如权利要求1所述的方法,其中所述确定是基于由一种或多种机器学习技术产生的预测欺诈检测模型。
8.如权利要求7所述的方法,其中所述预测欺诈检测模型包括随机森林模型。
9.如权利要求7所述的方法,其中所述预测欺诈检测模型包括逻辑回归模型。
10.如权利要求7所述的方法,其中所述机器学习技术包括k均值聚类、决策树、最大相关度最小冗余度或关联规则挖掘中的至少一个,以及其中所述机器学习技术在保修索赔数据库上执行。
11.如权利要求10所述的方法,其中所述保修索赔数据库包括历史数据,所述历史数据包括过去和当前的DTC,所述DTC包括快照数据、车辆类型、车辆品牌和型号、经销商细节、更换零件信息、工作命令信息或车辆操作参数。
12.一种系统,包括:
通信装置,其配置成与车辆通信;
输入装置,其配置成从操作员接收输入;
输出装置,其配置成向所述操作员显示消息;
处理器,其包括存储在非临时存储器中的计算机可读指令,所述计算机可读指令用于:
经由所述通信装置接收多个车辆参数;
基于所述车辆参数来执行预测欺诈检测模型;
基于所述执行来确定欺诈概率;
响应于所述欺诈概率超过阈值而显示欺诈的指示;以及
响应于所述欺诈概率不超过所述阈值而显示没有欺诈的指示。
13.如权利要求12所述的系统,其中执行所述预测欺诈检测模型包括使所述车辆参数与在历史数据中的一个或多个趋势相关,以及其中所述趋势中的至少一个表示欺诈性保修索赔,以及所述趋势中的至少一个表示非欺诈性保修索赔。
14.如权利要求13所述的系统,其中所述历史数据包括保修索赔、过去和当前的DTC,DTC包括快照数据、车辆类型、车辆牌子和型号、经销商细节、更换零件信息、工作命令信息或车辆操作参数。
15.如权利要求12所述的系统,其中所述预测欺诈检测模型基于一种或多种机器学习技术,包括随机森林模型、逻辑回归模型、k均值聚类、决策树、最大相关度最小冗余度或关联规则挖掘中的至少一个。
16.如权利要求12所述的系统,其中所述阈值基于最小化总成本,所述总成本基于被识别为非欺诈性的保修索赔的成本和被错误地识别为欺诈性的保修索赔的成本。
该专利技术资料仅供研究查看技术是否侵权等信息,商用须获得专利权人授权。该专利全部权利属于哈曼国际工业有限公司,未经哈曼国际工业有限公司许可,擅自商用是侵权行为。如果您想购买此专利、获得商业授权和技术合作,请联系【客服】
本文链接:http://www.vipzhuanli.com/pat/books/201780059274.X/1.html,转载请声明来源钻瓜专利网。