論文の概要: Can Telematics Improve Driving Style? The Use of Behavioural Data in Motor Insurance

• arxiv url: http://arxiv.org/abs/2309.02814v1
• Date: Wed, 6 Sep 2023 08:00:51 GMT
• ステータス: 処理完了
• システム内更新日: 2023-09-07 16:27:01.061258
• Title: Can Telematics Improve Driving Style? The Use of Behavioural Data in Motor Insurance
• Title（参考訳）: テレマティクスは運転スタイルを改善できるか? 自動車保険における行動データの利用
• Authors: Alberto Cevolini, Elena Morotti, Elena Esposito, Lorenzo Romanelli, Riccardo Tisseur, Cristiano Misani
• Abstract要約: 本稿では,サードパーティの自動車保険におけるテレマティクスデータの利用事例と課題について考察する。 行動データは、政策ステークホルダーのリスクプロファイルを洗練させるだけでなく、革新的なコーチング戦略を実装するためにも使われる。 本研究は,テレマティクス自動車保険を販売している企業のデータセットの実証調査に基づいて,コーチングの有効性について検討する。
• 参考スコア（独自算出の注目度）: 0.1398098625978622
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: The use of behavioural data in insurance is loaded with promises and unresolved issues. This paper explores the related opportunities and challenges analysing the use of telematics data in third-party liability motor insurance. Behavioural data are used not only to refine the risk profile of policyholders, but also to implement innovative coaching strategies, feeding back to the drivers the aggregated information obtained from the data. The purpose is to encourage an improvement in their driving style. Our research explores the effectiveness of coaching on the basis of an empirical investigation of the dataset of a company selling telematics motor insurance policies. The results of our quantitative analysis show that this effectiveness crucially depends on the propensity of policyholders to engage with the telematics app. We observe engagement as an additional kind of behaviour, producing second-order behavioural data that can also be recorded and strategically used by insurance companies. The conclusions discuss potential advantages and risks connected with this extended interpretation of behavioural data.
• Abstract（参考訳）: 保険における行動データの使用には、約束と未解決の問題がロードされる。 本稿では,サードパーティの自動車保険におけるテレマティクスデータの利用事例と課題について考察する。 行動データは、政策ステークホルダーのリスクプロファイルを洗練させるだけでなく、革新的なコーチング戦略の実装にも使われ、データから得られた集約された情報をドライバーにフィードバックする。 その目的は、運転スタイルの改善を促進することである。 本研究は,テレマティクス自動車保険を販売している企業のデータセットの実証調査に基づいて,コーチングの有効性を検討する。 定量的分析の結果,この効果は,テレマティクスアプリを利用する政策立案者の妥当性に大きく依存していることがわかった。 我々は、エンゲージメントを付加的な行動として観察し、保険会社が記録・戦略的に利用できる2次の行動データを生成する。 結論は、行動データのこの拡張解釈と関連する潜在的な利点とリスクについて論じる。

関連論文リスト

• Situation Awareness for Driver-Centric Driving Style Adaptation [3.568617847600189]
  本稿では,車両データに基づいて事前学習した視覚特徴エンコーダに基づく状況認識型運転スタイルモデルを提案する。 実験の結果,提案手法は静的な運転スタイルを著しく上回り,高い状況クラスタを形成していることがわかった。
  論文  参考訳（メタデータ） (2024-03-28T17:19:16Z)
• 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)
• Robust Driving Policy Learning with Guided Meta Reinforcement Learning [49.860391298275616]
  本稿では,ソーシャルカーの多種多様な運転方針を一つのメタ政治として訓練する効率的な方法を提案する。 ソーシャルカーのインタラクションに基づく報酬関数をランダム化することにより、多様な目的を生み出し、メタ政治を効率的に訓練することができる。 本研究では,社会自動車が学習メタ政治によって制御される環境を利用して,エゴ自動車の運転方針の堅牢性を高めるためのトレーニング戦略を提案する。
  論文  参考訳（メタデータ） (2023-07-19T17:42:36Z)
• Exploring the trade off between human driving imitation and safety for traffic simulation [0.34410212782758043]
  運転方針の学習において,人間の運転の模倣と安全維持との間にはトレードオフが存在することを示す。 両目的を協調的に改善する多目的学習アルゴリズム(MOPPO)を提案する。
  論文  参考訳（メタデータ） (2022-08-09T14:30:19Z)
• Learning Interactive Driving Policies via Data-driven Simulation [125.97811179463542]
  データ駆動シミュレータは、ポリシー学習の駆動に高いデータ効率を約束する。 小さな基盤となるデータセットは、インタラクティブな運転を学ぶための興味深い、挑戦的なエッジケースを欠いていることが多い。 本研究では,ロバストな運転方針の学習に塗装されたアドカーを用いたシミュレーション手法を提案する。
  論文  参考訳（メタデータ） (2021-11-23T20:14:02Z)
• Improving Robustness of Learning-based Autonomous Steering Using Adversarial Images [58.287120077778205]
  自動運転用画像入力における学習アルゴリズムw.r.tの堅牢性を解析するためのフレームワークについて紹介する。 感度分析の結果を用いて, 「操縦への学習」 タスクの総合的性能を向上させるアルゴリズムを提案する。
  論文  参考訳（メタデータ） (2021-02-26T02:08:07Z)
• Urban Sensing based on Mobile Phone Data: Approaches, Applications and Challenges [67.71975391801257]
  モバイルデータ分析における多くの関心は、人間とその行動に関連している。 本研究の目的は,携帯電話データから知識を発見するために実装された手法や手法をレビューすることである。
  論文  参考訳（メタデータ） (2020-08-29T15:14:03Z)
• 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)
• TripMD: Driving patterns investigation via Motif Analysis [3.42658286826597]
  TripMDは、センサ記録から最も関連性の高い駆動パターンを抽出するシステムである。 本システムでは,1人の運転者から多数の運転パターンを抽出できることを示す。
  論文  参考訳（メタデータ） (2020-07-07T18:34:31Z)
• Mining Personalized Climate Preferences for Assistant Driving [1.6752182911522522]
  本研究では,運転者の日常運転において,運転者の嗜好に合った環境制御,運転行動認識,運転推奨のための新しいアプローチを提案する。 iOSアプリと空気質監視センサを備えたクライアントサーバアーキテクチャを用いたプロトタイプが開発されている。 世界中の複数の都市で11,370km(320時間)の運転データに関する実世界実験が行われた。
  論文  参考訳（メタデータ） (2020-06-16T00:45:08Z)

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。