成為智能全球首創：能夠進行機器學習的商用車駕駛行為評分模型

近日，全球首個商用車駕駛行為評分模型和駕駛行為評分模式庫正式上線。它可以為11種類型的商用車模型構建不同的數據模型，并通過機器學習不斷優化數據模型，準確判斷各類商用車駕駛員的駕駛行為，為保險公司提供更準確的定價因素。事實上，駕駛行為評級模型不再是一個新的話題。在美國，私家車車主可以使用Verisk Analytics計算他們的駕駛分數，并向當地保險公司尋求折扣。放眼全球，還沒有一個駕駛行為評級模型可以應用于商用車。而今天，世界頂級UBI巨頭沒有實現的，一家中國車聯網企業實現了！

商用車駕駛行為評分模型更多地利用大數據技術和機器學習對OBD基礎數據、維修數據、天氣路況數據、交通違法數據、保險理賠數據等海量數據進行預處理和分析。應用于車輛屬性識別、駕駛員屬性識別、個性化定價、價值參數計算，分類比價和反保險欺詐評估功能，更準確地評估駕駛員的駕駛行為，識別他們的事故風險和風險里程*半監督無監督機器學習：在模型過程中，數據被吞噬，自動訓練，自適應模型的關鍵參數被更新，并且自動輸出駕駛行為得分和風險里程。開創性的算法首先提出了風險里程的概念：基于駕駛員行駛100公里產生的駕駛行為數據計算的EW-AHP駕駛行為得分是駕駛員的基線駕駛安全裕度。駕駛安全裕度從1到100分為100個相等的部分，其中1是駕駛安全裕度的最小值，表示最大風險，100是最大值，表示最小風險。根據駕駛分數和風險里程數，可以對駕駛員進行風險分類。例如，如果車主A和B一起跑100公里，使用風險里程算法，可以得出A的風險里程為150公里，B的風險里程是60公里。A行駛了100公里，但相當于一個普通人行駛150公里的風險，而B行駛100公里，僅相當于一名普通人行駛60公里的風險。保險公司可以將汽車保險費率與駕駛行為評分和風險里程數聯系起來。當車險費率的確定與駕駛風險更加匹配時，駕駛習慣好、駕駛風險低的駕駛員可以享受更多的費率折扣；在正常駕駛過程中，不良駕駛習慣較多、駕駛風險較高的駕駛員需要承擔更高的保費。駕駛行為評級模型的實際應用是基于UBI車險費率確定方法。在計算車險費率時，應根據駕駛員的駕駛行為得分建立車險費率與駕駛行為得分之間的聯系模型。應確定駕駛員的費率調整系數，并將基本費率乘以費率調整系數以獲得駕駛員的最終汽車保險費。該算法已被實現為一個高性能軟件開發包，可以通過Java語言輕松調用，并可以在Linux和Windows等主流服務器系統上運行。這種基于“風險里程”的駕駛行為評分模型已應用于中國十大保險公司。研究表明，駕駛員的駕駛行為是交通事故的重要影響因素之一，但現有的車險費率確定更多是基于車輛和駕駛員的自然屬性，沒有對駕駛員進行全面的風險評估，尤其是缺乏駕駛行為和風險里程。使用基于UBI的駕駛員汽車保險費率確定是一種趨勢。有限公司自2006年成立以來，一直致力于探索車聯網領域的核心技術。由行業專家和技術人員聯合開發的駕駛行為評分模型和駕駛行為評分模式庫可以幫助保險公司選擇最優質的司機，并提供更好的對等服務，從而降低賠償成本。基于駕駛行為評分模型的UBI車險費率確定模型，對于促進車險費率的差異化和合理化，減少交通事故的發生，提高道路安全具有重要的現實意義。

標簽：

汽車資訊熱門資訊