本公開總體上涉及基于使用的保險(ubi)系統，并且更具體地，涉及用于保險成本的車內估計的存儲器高效概率模型(諸如，稀疏高斯過程回歸(sgpr))的開發和部署。所公開的技術通過直接在車輛上實施ubi模型以優化數據使用并提高運營效率來解決與數據傳遞成本和隱私問題相關聯的挑戰。
背景技術：
1、在聯網車輛中，傳統的基于使用的保險(ubi)系統通常涉及將大量駕駛數據傳遞到云服務器，在云服務器中對所述駕駛數據進行分析以得出對駕駛員行為的見解并計算保險費率。考慮到駕駛行為數據的敏感性質，隨著數據在數百萬輛聯網車輛上累積，這種方法會招致大量數據傳遞成本，從而使網絡資源緊張并引發嚴重的隱私問題。
2、傳統的ubi模型還取決于從車載診斷系統或遠程信息處理控制單元(tcu)收集低電平車輛信號來跟蹤駕駛員行為并更新保險費率。這些模型通過連續地將原始數據發送到基于云的系統進行分析來操作，這增加了數據傳遞成本并且可能使系統暴露于隱私漏洞。另外，對原始數據傳遞的依賴可能會引入噪聲和不一致性，因為現實世界的駕駛條件通常變化很大。
技術實現思路
1、在一種配置中，本公開涉及一種車輛系統，所述車輛系統包括一個或多個計算裝置，所述一個或多個計算裝置被配置為使用車內稀疏高斯過程回歸(sgpr)模型來生成保險風險評估。sgpr模型通過使用誘導點來近似高斯過程回歸(gpr)來降低計算復雜性和存儲器要求，其中使用表示為 m的代表性數據的較小子集來代替完整數據集大小 n，其中。這使sgpr模型能夠在資源受限的車輛環境中高效操作，從而與常見gpr的 o(n 3 )和 o(n 2 )需求相比，實現 o(nm 2 )的計算復雜度和 o(m 2 )的存儲要求。
2、所述系統聚合來自車輛傳感器的低水平信號，諸如速度、加速度、制動和環境數據，以生成保險風險評估。通過評估sgpr輸出中的方差來檢測模型預測中的高不確定性事件，其中高方差表示模型預測的低置信度。在檢測到此類事件后，所述系統使用增量學習在本地更新sgpr模型，或者選擇性地將數據的稀疏表示(包括誘導點)傳輸到外部基于使用的保險(ubi)服務器。這種選擇性傳輸通過避免將原始或全分辨率駕駛數據發送到服務器的需要來降低數據傳遞成本并保護用戶隱私。
3、所述系統還可以包括篡改檢測模塊以確保sgpr模型的完整性。該模塊將針對編碼的測試向量的模型預測與已知預期結果進行比較。如果預測輸出與預期輸出之間的差異超過預定義誤差閾值，則可以發出警告，從而確保迅速識別模型中的未經授權的修改或不準確性。要進一步提高系統的可靠性，可以實施安全措施以確保輸入數據和數據傳輸的完整性。從車輛傳感器收集的輸入數據(諸如，速度、加速度、制動模式、gps坐標和環境條件)可經歷預處理和驗證以濾除損壞的或異常的信號。這種預處理有助于維持僅高質量數據用于模型預測。另外，可以使用加密協議來保護在車輛與oem云之間傳輸的數據，以防止在傳輸期間未經授權的攔截或篡改。可以采用諸如校驗和驗證、錯誤校正技術和安全數據信道等措施來驗證所傳輸數據的完整性和真實性。
4、在另一種配置中，本公開涉及一種包括指令的非暫時性計算機可讀介質，所述指令當由一個或多個計算裝置執行時致使所述計算裝置實施用于車載保險風險評估的sgpr模型。所述指令包括用于以下的操作：(1)聚合來自車輛傳感器的低電平信號；(2)使用所述sgpr模型生成保險風險評估，其中使用誘導點來實現存儲器和計算效率；(3)通過評估sgpr預測的方差來檢測高不確定性事件；以及(4)通過增量學習在本地更新sgpr模型，或者當此類事件發生時將稀疏數據表示(諸如，誘導點)傳輸到外部服務器。所述指令還包括用于使用篡改檢測技術來驗證模型的完整性的操作，其中將編碼的測試向量與預測的輸出進行比較以識別潛在錯誤或未經授權的修改。
5、所述指令還可以包括用于對sgpr模型進行增量更新的功能性，其中可以使用新的駕駛數據在本地重新訓練模型以細化預測。舉例來說，當模型預測的方差超過預定義閾值時，系統使用最近收集的數據來發起一步訓練過程。另外，所述指令可以促進遷移學習，從而使sgpr模型能夠適應不同的駕駛環境，諸如城市或農村環境，或路況的季節變化。
6、在又一種配置中，本公開涉及一種用于車載保險風險估計的方法。所述方法可以包括聚合來自車輛控制器的低電平信號，諸如制動模式、加速度、環境條件和路線數據。還可以使用稀疏高斯過程回歸(sgpr)模型來處理這些信號以生成保險風險評估。sgpr模型可以通過利用誘導點來減少計算需求，從而允許其在車輛的計算系統的有限處理和存儲器資源內操作。
7、所述方法還可以包括檢測所述sgpr模型預測中的高不確定性事件。通過評估預測的方差來識別高不確定性事件，這指示模型在其輸出中的置信度。當檢測到此類事件時，所述方法包括將稀疏數據表示選擇性地傳輸到外部ubi服務器。這些稀疏表示可以包括保留進一步分析所需的基本特性的原始駕駛數據的誘導點或關鍵特征。替代地，所述方法可以包括使用增量學習在本地更新sgpr模型，其中可以將新聚合的車輛數據并入到模型中以提高其準確性和與當前駕駛條件的相關性。
8、所述方法還可以包括使用篡改檢測過程來驗證sgpr模型的完整性。通過sgpr模型周期性地處理具有已知預期輸出的編碼的測試向量，并且將預測結果與預期結果之間的差異與預定義誤差閾值進行比較。如果差異超過該閾值，則可以觸發警告，從而向系統警告模型中的潛在篡改或不準確性。
9、所述方法的附加實施例包括當檢測到高不確定性事件時對sgpr模型的增量更新，從而使模型能夠動態地適應本地化駕駛條件。例如，sgpr模型可以更新其誘導點或對在特定事件(諸如駕駛模式或路況的突然變化)期間收集的新數據進行重新訓練。所述方法還可以支持遷移學習，從而允許sgpr模型適應不同的駕駛環境，諸如高速公路、城市街道或越野場景，以及像天氣和交通密度的環境因素。
10、車輛系統、計算機可讀介質和方法的實施例還可以包括用于優先考慮數據隱私和最小化資源使用的機制。例如，sgpr模型可以通過將數據的大小減小到稀疏表示來實現高效的存儲和處理。這不僅可以降低計算和存儲器需求，而且可以確保敏感用戶數據保持位于車輛上。通過僅將選定數據(諸如誘導點)傳輸到外部服務器，系統可以降低暴露敏感駕駛行為或個人信息的可能性，從而與隱私法規和用戶期望保持一致。
11、本公開還設想了用于sgpr模型的防篡改架構，從而確保保險風險評估保持準確和可靠。通過將編碼的測試向量和誤差閾值并入到系統中，可以針對已知基準連續地驗證模型的預測。該特征可以提供附加的安全層，從而防止對模型的未經授權的修改或損壞，這可能會損害其操作或所得的保險成本估計。