Fugu-MT 論文翻訳(概要): Nightly Automobile Claims Prediction from Telematics-Derived Features: A Multilevel Approach

論文の概要: Nightly Automobile Claims Prediction from Telematics-Derived Features: A Multilevel Approach

arxiv url: http://arxiv.org/abs/2205.04616v1
Date: Tue, 10 May 2022 01:25:10 GMT
ステータス: 処理完了
システム内更新日: 2022-05-14 23:10:38.734283
Title: Nightly Automobile Claims Prediction from Telematics-Derived Features: A Multilevel Approach
Title（参考訳）: テレマティクスによる夜間自動車の予測--マルチレベルアプローチ
Authors: Allen R. Williams, Yoolim Jin, Anthony Duer, Tuka Alhanai, Mohammad Ghassemi
Abstract要約: 本研究は,事故発生直前に発生した旅行の分類を成功させて,その運転者の主張に繋がるリスクの増大期間を特定できるかどうかを検討する。我々は,事前にクレームを予測できることを示し,さらに,運転者がドライクマイルなどの露出機能を用いてクレームを持つかどうか,計算速度スコアなどの行動特性を用いてトレーニングした者について,XGBoost分類器の受信-演算特性に基づく領域で測定された予測パワーを比較した。
参考スコア（独自算出の注目度）: 1.6799377888527685
License: http://creativecommons.org/licenses/by/4.0/
Abstract: In recent years it has become possible to collect GPS data from drivers and to incorporate this data into automobile insurance pricing for the driver. This data is continuously collected and processed nightly into metadata consisting of mileage and time summaries of each discrete trip taken, and a set of behavioral scores describing attributes of the trip (e.g, driver fatigue or driver distraction) so we examine whether it can be used to identify periods of increased risk by successfully classifying trips that occur immediately before a trip in which there was an incident leading to a claim for that driver. Identification of periods of increased risk for a driver is valuable because it creates an opportunity for intervention and, potentially, avoidance of a claim. We examine metadata for each trip a driver takes and train a classifier to predict whether \textit{the following trip} is one in which a claim occurs for that driver. By achieving a area under the receiver-operator characteristic above 0.6, we show that it is possible to predict claims in advance. Additionally, we compare the predictive power, as measured by the area under the receiver-operator characteristic of XGBoost classifiers trained to predict whether a driver will have a claim using exposure features such as driven miles, and those trained using behavioral features such as a computed speed score.
Abstract（参考訳）: 近年では、ドライバーからgpsデータを収集し、そのデータをドライバーの自動車保険価格に組み込むことが可能になっている。このデータを夜間に収集・処理し、各個別旅行の1マイルと時刻の要約と、旅行の属性(例えば、運転者の疲労や運転者の気遣いなど)を記述する一連の行動スコアからなるメタデータに分類し、運転者の主張に繋がる事故の直前に発生した旅行の分類を成功させることで、リスクの増加期間を識別できるかどうかを検討する。ドライバーのリスクの増加期間の特定は、介入の機会と、潜在的にクレームの回避をもたらすため、価値がある。ドライバーが取るべき旅行のメタデータを調べ、分類器を訓練し、そのドライバーが主張する場所が‘textit{the following trip’であるかどうかを予測する。 0.6以上の受信者-操作特性の領域を達成することにより,事前にクレームを予測可能であることを示す。さらに、XGBoost分類器の受信-演算特性に基づく領域で測定された予測パワーを、駆動マイルなどの露光機能を用いて運転者がクレームを持つかどうか、計算速度スコアなどの行動特性を用いて訓練した者と比較した。

関連論文リスト

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)
DriveCoT: Integrating Chain-of-Thought Reasoning with End-to-End Driving [81.04174379726251]
本稿では,DriveCoTというエンド・ツー・エンドの運転データセットを総合的に収集する。センサーデータ、制御決定、および推論プロセスを示すチェーン・オブ・シークレット・ラベルが含まれている。我々は,私たちのデータセットに基づいてトレーニングされたDriveCoT-Agentと呼ばれるベースラインモデルを提案し,連鎖予測と最終決定を生成する。
論文参考訳（メタデータ） (2024-03-25T17:59:01Z)
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)
Behavioral Intention Prediction in Driving Scenes: A Survey [70.53285924851767]
行動意図予測(BIP)は、人間の思考過程をシミュレートし、特定の行動の早期予測を満たす。この作業は、利用可能なデータセット、重要な要因と課題、歩行者中心および車両中心のBIPアプローチ、BIP対応アプリケーションからのBIPの包括的なレビューを提供する。
論文参考訳（メタデータ） (2022-11-01T11:07:37Z)
Enhancing Claim Classification with Feature Extraction from Anomaly-Detection-Derived Routine and Peculiarity Profiles [0.0]
我々は、異常検出アルゴリズムを用いて、車両の走行毎に、ルーチンと特異点の異常スコアを計算する。結果の異常スコアは、ルーチンと特異性プロファイルとして使用される。車両の特異性プロファイルから抽出した特徴は、分類を改善する。
論文参考訳（メタデータ） (2022-09-26T14:55:18Z)
Driving Safety Prediction and Safe Route Mapping Using In-vehicle and Roadside Data [3.8103848718367597]
セーフルートマッピング(SRM)モデルは、予測を行う際のドライバの動作を検討するために拡張される。 Androidアプリはドライバーの情報を収集してサーバにアップロードするように設計されている。ダイナミックな交通情報は道端のカメラで捕捉され同じサーバーにアップロードされる LightGBMモデルは、次の1、2秒でドライバーの競合指標を予測するために導入された。
論文参考訳（メタデータ） (2022-09-12T20:39:33Z)
Safety-aware Motion Prediction with Unseen Vehicles for Autonomous Driving [104.32241082170044]
本研究では,無人運転用無人車を用いた新しい作業,安全を意識した動作予測手法について検討する。既存の車両の軌道予測タスクとは異なり、占有率マップの予測が目的である。私たちのアプローチは、ほとんどの場合、目に見えない車両の存在を予測できる最初の方法です。
論文参考訳（メタデータ） (2021-09-03T13:33:33Z)
Driver2vec: Driver Identification from Automotive Data [44.84876493736275]
Driver2vecは、センサーデータの短い10秒間隔からドライバを正確に識別することができる。 Driver2vecは、Nervtechが提供する51人のドライバーのデータセットでトレーニングされている。
論文参考訳（メタデータ） (2021-02-10T03:09:13Z)
DeepTake: Prediction of Driver Takeover Behavior using Multimodal Data [17.156611944404883]
DeepTakeは、取得行動の複数の側面を予測する新しいディープニューラルネットワークベースのフレームワークである。車両データ、ドライバーバイオメトリックス、主観的測定からの特徴を用いて、deeptakeはドライバーの意図、時間、乗っ取りの質を予測する。その結果、DeepTakeは、それぞれ96%、93%、83%の精度で、取得の意図、時間、および品質を確実に予測しています。
論文参考訳（メタデータ） (2020-12-31T04:24:46Z)
Understanding the Dynamics of Drivers' Locations for Passengers Pickup Performance: A Case Study [2.9478082283896065]
予約要求時のドライバーと乗客の位置を、ドライバーのピックアップパフォーマンスの文脈で分析する。また,すべてのトラジェクトリデータを用いることなく,予約要求のタイムリーピックアップを予測する可能性についても検討する。
論文参考訳（メタデータ） (2020-09-09T05:07:03Z)
Driver Intention Anticipation Based on In-Cabin and Driving Scene Monitoring [52.557003792696484]
本稿では,車内映像と交通シーン映像の両方に基づいて運転者の意図を検出する枠組みを提案する。本フレームワークは,83.98%,F1スコア84.3%の精度で予測を行う。
論文参考訳（メタデータ） (2020-06-20T11:56:32Z)

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。