論文の概要: Cost-sensitive Multi-class AdaBoost for Understanding Driving Behavior
with Telematics
- arxiv url: http://arxiv.org/abs/2007.03100v1
- Date: Mon, 6 Jul 2020 22:26:56 GMT
- ステータス: 処理完了
- システム内更新日: 2022-11-13 02:19:31.638244
- Title: Cost-sensitive Multi-class AdaBoost for Understanding Driving Behavior
with Telematics
- Title（参考訳）: テレマティクスを用いた運転行動理解のためのコスト感応型マルチクラスアダブースト
- Authors: Banghee So and Jean-Philippe Boucher and Emiliano A. Valdez
- Abstract要約: 保険会社は、走行距離、ドライバーのブレーキの仕方、加速や回転の仕方、週毎の走行頻度など、幅広いデータをキャプチャできる。
このような追加情報は、保険会社が利用ベース保険(UBI)のリスクアセスメントを改善するのに役立つ。
本稿では,クレーム頻度をより正確に予測するために,テレマティクス情報を統合する方法について検討する。
- 参考スコア（独自算出の注目度）: 1.4502611532302039
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Powered with telematics technology, insurers can now capture a wide range of
data, such as distance traveled, how drivers brake, accelerate or make turns,
and travel frequency each day of the week, to better decode driver's behavior.
Such additional information helps insurers improve risk assessments for
usage-based insurance (UBI), an increasingly popular industry innovation. In
this article, we explore how to integrate telematics information to better
predict claims frequency. For motor insurance during a policy year, we
typically observe a large proportion of drivers with zero claims, a less
proportion with exactly one claim, and far lesser with two or more claims. We
introduce the use of a cost-sensitive multi-class adaptive boosting (AdaBoost)
algorithm, which we call SAMME.C2, to handle such imbalances. To calibrate
SAMME.C2 algorithm, we use empirical data collected from a telematics program
in Canada and we find improved assessment of driving behavior with telematics
relative to traditional risk variables. We demonstrate our algorithm can
outperform other models that can handle class imbalances: SAMME, SAMME with
SMOTE, RUSBoost, and SMOTEBoost. The sampled data on telematics were
observations during 2013-2016 for which 50,301 are used for training and
another 21,574 for testing. Broadly speaking, the additional information
derived from vehicle telematics helps refine risk classification of drivers of
UBI.
- Abstract（参考訳）: 保険業者はテレマティクス技術を利用して、距離の移動、ドライバーのブレーキ、加速または回転の方法、週毎の走行頻度など幅広いデータをキャプチャし、ドライバーの行動をよりよくデコードできるようになった。
このような追加情報は、保険会社が利用ベースの保険(UBI)のリスクアセスメントを改善するのに役立つ。
本稿では,クレーム頻度の予測にテレマティクス情報を統合する方法について検討する。
政策年度の自動車保険では、通常、請求がゼロのドライバーが多数を占め、正確に1つの請求で比率が低く、2つ以上の請求でははるかに低い。
本稿では, SAMME.C2 と呼ばれる, コスト依存型マルチクラス適応ブースティング (AdaBoost) アルゴリズムを導入する。
SAMME.C2アルゴリズムを校正するために,カナダのテレマティクスプログラムから収集した経験的データを用いて,従来のリスク変数に対するテレマティクスによる運転行動の評価を改善した。
本アルゴリズムは,SMOTEを用いたSAMME,SAMME,RUSBoost,SMOTEBoostなど,クラス不均衡を扱う他のモデルよりも優れていることを示す。
テレマティクスのサンプルデータは2013-2016年の観測で、トレーニングに50,301台、テストに21,574台が使用された。
広義的には、車載テレマティクスから得られる追加情報は、UBIドライバのリスク分類の洗練に役立つ。
関連論文リスト
- Cooperative Advisory Residual Policies for Congestion Mitigation [11.33450610735004]
我々は協調的な諮問システムに利用できる学習済みの残留政策のクラスを開発する。
当社のポリシーは、多様なドライバーの振る舞いを考慮に入れながら、交通渋滞を軽減する方法でドライバーに振る舞うことを推奨している。
我々のアプローチは、異なるドライバーの行動に適応しながら、渋滞を軽減することに成功しました。
論文 参考訳（メタデータ） (2024-06-30T01:10:13Z) - Work-in-Progress: Crash Course: Can (Under Attack) Autonomous Driving Beat Human Drivers? [60.51287814584477]
本稿では,現在のAVの状況を調べることによって,自律運転における本質的なリスクを評価する。
AVの利点と、現実のシナリオにおける潜在的なセキュリティ課題との微妙なバランスを強調した、特定のクレームを開発する。
論文 参考訳（メタデータ） (2024-05-14T09:42:21Z) - A Bayesian Approach for Prioritising Driving Behaviour Investigations in Telematic Auto Insurance Policies [0.6249768559720121]
旅行用GPSと加速度計データを地理空間情報で拡張し,配送用不完全な分類器をトリップ単位で訓練する。
後続確率は優先順位スコアに変換され、手動による調査において最も価値のある候補を選択するために使用された。
この手法は、手動検索と比較して人的資源配分の効率を大幅に改善した。
論文 参考訳（メタデータ） (2024-04-22T15:26:24Z) - Context-Aware Quantitative Risk Assessment Machine Learning Model for
Drivers Distraction [0.0]
MDDRA(Multi-class Driver Distraction Risk Assessment)モデルは、旅行中の車両、運転者、環境データを考慮したモデルである。
MDDRAは、危険行列上のドライバーを安全、不注意、危険と分類する。
我々は、重度レベルに応じて運転者の気晴らしを分類し、予測するために機械学習技術を適用した。
論文 参考訳（メタデータ） (2024-02-20T23:20:36Z) - G-MEMP: Gaze-Enhanced Multimodal Ego-Motion Prediction in Driving [71.9040410238973]
我々は、視線データを用いて、運転者の車両のエゴ軌道を推定することに集中する。
次に、GPSとビデオ入力と視線データを組み合わせた新しいマルチモーダルエゴ軌道予測ネットワークであるG-MEMPを開発する。
その結果,G-MEMPは両ベンチマークにおいて最先端の手法よりも優れていた。
論文 参考訳（メタデータ） (2023-12-13T23:06:30Z) - Unsupervised Domain Adaptation for Self-Driving from Past Traversal
Features [69.47588461101925]
本研究では,新しい運転環境に3次元物体検出器を適応させる手法を提案する。
提案手法は,空間的量子化履歴特徴を用いたLiDARに基づく検出モデルを強化する。
実世界のデータセットの実験では、大幅な改善が示されている。
論文 参考訳（メタデータ） (2023-09-21T15:00:31Z) - FBLNet: FeedBack Loop Network for Driver Attention Prediction [75.83518507463226]
非客観的運転経験はモデル化が難しい。
本稿では,運転経験蓄積過程をモデル化するFeedBack Loop Network (FBLNet)を提案する。
インクリメンタルな知識の指導のもと、私たちのモデルは入力画像から抽出されたCNN特徴とトランスフォーマー特徴を融合し、ドライバーの注意を予測します。
論文 参考訳（メタデータ） (2022-12-05T08:25:09Z) - COOPERNAUT: End-to-End Driving with Cooperative Perception for Networked
Vehicles [54.61668577827041]
本稿では,車間認識を用いたエンドツーエンド学習モデルであるCOOPERNAUTを紹介する。
われわれのAutoCastSim実験は、我々の協調知覚駆動モデルが平均成功率を40%向上させることを示唆している。
論文 参考訳（メタデータ） (2022-05-04T17:55:12Z) - A Machine Learning Smartphone-based Sensing for Driver Behavior
Classification [1.552282932199974]
我々は,速度,加速度,方向,3軸回転角(ヨー,ピッチ,ロール)を用いて運転者の動作を分類するために,スマートフォンで利用可能なデータセンサ(加速度計,ジャイロスコープ,GPS)を収集することを提案する。
第2に、複数のセンサからの軸間データを単一のファイルに融合した後、時系列分類のための異なる機械学習アルゴリズムを探索し、どのアルゴリズムが最も性能が高いかを評価する。
論文 参考訳（メタデータ） (2022-02-01T10:12:36Z) - Learning Accurate and Human-Like Driving using Semantic Maps and
Attention [152.48143666881418]
本稿では,より正確かつ人間らしく運転できるエンド・ツー・エンド駆動モデルについて検討する。
HERE Technologiesのセマンティックマップとビジュアルマップを活用し、既存のDrive360データセットを拡張します。
私たちのモデルは、実世界の運転データ60時間3000kmのDrive360+HEREデータセットでトレーニングされ、評価されています。
論文 参考訳（メタデータ） (2020-07-10T22:25:27Z) - Data Augmentation of IMU Signals and Evaluation via a Semi-Supervised
Classification of Driving Behavior [4.640835690336653]
本研究では,運転者が積極的・正常に運転しているかに応じて,旅行の一部を分類する半教師付き学習ソリューションを提案する。
その結果, RCGAN を用いたラベル付きデータを用いて, 運転者の分類を79%で改善した。
論文 参考訳（メタデータ） (2020-06-16T15:49:21Z)
関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。
指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。