使用远程数据进行情境感知驾驶员风险预测
Sobhan Moosavi1, Rajiv Ramnath1
1Department of Computer Science and Engineering, The Ohio State University, Columbus, OH, United States of America.
Accident; analysis and prevention
|September 11, 2023
概括
本研究使用远程数据创建驾驶员风险概况,通过集群和风险标签转移识别高风险驾驶员. 这种方法提高了驾驶风险预测,提高了安全性和个性化保险.
科学领域:
- 数据科学数据科学数据科学
- 运输安全运输安全
- 机器学习 机器学习
背景情况:
- 传统的保险定价依赖于人口统计数据,而不是实际的驾驶行为.
- 远程数据提供了一种更准确的方式来评估驾驶模式.
- 准确的驾驶风险预测对于安全和保险至关重要.
研究的目的:
- 开发一个新的框架,利用远程信息和上下文数据预测驾驶风险.
- 使用张量表示来表示驾驶员行为,并识别风险队列.
- 为了实现个性化的风险评估,并促进更安全的驾驶习惯.
主要方法:
- 利用远程数据和上下文数据 (道路类型,日光) 来表示驾驶员的行为.
- 使用张量表示和聚类来形成驾驶员风险队列.
- 从过去的事故和引用中转移风险标签,以确定队列风险水平.
主要成果:
- 一个分类器有效地预测新驾驶员的驾驶风险,使用增强的风险标签和驾驶风格表示.
- 该框架在美国主要城市的真实数据上表现出有效性.
- 该方法具有可扩展性,并且可用于大规模实施.
结论:
- 拟议的框架为基于驾驶员的风险预测提供了一个实用且可扩展的解决方案.
- 这种方法可以应用于个人化保费和风险减轻的自动保险.
- 授权驾驶员了解他们的行为,以提高技能和提高安全性.
