論文の概要: A Bayesian Approach for Prioritising Driving Behaviour Investigations in Telematic Auto Insurance Policies
- arxiv url: http://arxiv.org/abs/2404.14276v1
- Date: Mon, 22 Apr 2024 15:26:24 GMT
- ステータス: 処理完了
- システム内更新日: 2024-04-23 13:27:39.624900
- Title: A Bayesian Approach for Prioritising Driving Behaviour Investigations in Telematic Auto Insurance Policies
- Title（参考訳）: テレマティック自動車保険政策における運転行動調査の優先順位付けのためのベイズ的アプローチ
- Authors: Mark McLeod, Bernardo Perez-Orozco, Nika Lee, Davide Zilli,
- Abstract要約: 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。
- 参考スコア（独自算出の注目度）: 0.6249768559720121
- License: http://creativecommons.org/licenses/by-nc-nd/4.0/
- Abstract: Automotive insurers increasingly have access to telematic information via black-box recorders installed in the insured vehicle, and wish to identify undesirable behaviour which may signify increased risk or uninsured activities. However, identification of such behaviour with machine learning is non-trivial, and results are far from perfect, requiring human investigation to verify suspected cases. An appropriately formed priority score, generated by automated analysis of GPS data, allows underwriters to make more efficient use of their time, improving detection of the behaviour under investigation. An example of such behaviour is the use of a privately insured vehicle for commercial purposes, such as delivering meals and parcels. We first make use of trip GPS and accelerometer data, augmented by geospatial information, to train an imperfect classifier for delivery driving on a per-trip basis. We make use of a mixture of Beta-Binomial distributions to model the propensity of a policyholder to undertake trips which result in a positive classification as being drawn from either a rare high-scoring or common low-scoring group, and learn the parameters of this model using MCMC. This model provides us with a posterior probability that any policyholder will be a regular generator of automated alerts given any number of trips and alerts. This posterior probability is converted to a priority score, which was used to select the most valuable candidates for manual investigation. Testing over a 1-year period ranked policyholders by likelihood of commercial driving activity on a weekly basis. The top 0.9% have been reviewed at least once by the underwriters at the time of writing, and of those 99.4% have been confirmed as correctly identified, showing the approach has achieved a significant improvement in efficiency of human resource allocation compared to manual searching.
- Abstract（参考訳）: 自動車保険会社は、保険車に搭載されたブラックボックスレコーダーを介して、テレマティック情報にアクセスしやすくなり、リスクの増加や保険のない活動を示す望ましくない行動を特定したいと願っている。
しかし、そのような振る舞いを機械学習で識別することは簡単ではなく、その結果は完璧には程遠いため、疑わしいケースの検証には人間による調査が必要である。
GPSデータの自動解析によって生成される適切な優先度スコアにより、アンダーライターはより効率的に時間を利用でき、調査中の行動の検出を改善することができる。
このような行動の例として、民間の保険を受けた車両が、食事や小包の配達などの商業目的に使用されることがある。
まずGPSと加速度計のデータを用いて地理空間情報を用いて、トリップ毎の運転に不完全な分類器を訓練する。
本研究では,ベータ・バイノミカルの混合分布を用いて政策保持者の旅行の妥当性をモデル化し,まれなハイスコア群か一般のロースコア群のいずれかから抽出された正の分類を導出し,MCMCを用いてこのモデルのパラメータを学習する。
このモデルにより、あらゆるポリシーホルダーが、何回ものトリップとアラートを考慮に入れば、定期的な自動アラート生成器になる、後続の確率が得られます。
この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。
1年間の試験では、週ごとに商業運転の可能性が評価された。
上位0.9%は執筆時点で少なくとも1回はアンダーライターによってレビューされ、99.4%は正しく確認されている。
関連論文リスト
- 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) - Towards Safe Autonomy in Hybrid Traffic: Detecting Unpredictable
Abnormal Behaviors of Human Drivers via Information Sharing [21.979007506007733]
提案アルゴリズムは高速道路と都市交通の両方において優れた検出性能を有することを示す。
最高の性能は97.3%、平均検出遅延1.2、誤警報0である。
論文 参考訳（メタデータ） (2023-08-23T18:24:28Z) - On the Universal Adversarial Perturbations for Efficient Data-free
Adversarial Detection [55.73320979733527]
本稿では,UAPに対して正常サンプルと逆サンプルの異なる応答を誘導する,データに依存しない逆検出フレームワークを提案する。
実験結果から,本手法は様々なテキスト分類タスクにおいて,競合検出性能を実現することが示された。
論文 参考訳（メタデータ） (2023-06-27T02:54:07Z) - Automated Automotive Radar Calibration With Intelligent Vehicles [73.15674960230625]
本稿では,自動車用レーダセンサの自動校正手法を提案する。
本手法では, 車両の外部改造を必要とせず, 自動走行車から得られる位置情報を利用する。
実地試験場からのデータを評価した結果,インフラセンサを自動で正確に校正できることが判明した。
論文 参考訳（メタデータ） (2023-06-23T07:01:10Z) - Conservative Prediction via Data-Driven Confidence Minimization [70.93946578046003]
機械学習の安全性クリティカルな応用においては、モデルが保守的であることが望ましいことが多い。
本研究では,不確実性データセットに対する信頼性を最小化するデータ駆動信頼性最小化フレームワークを提案する。
論文 参考訳（メタデータ） (2023-06-08T07:05:36Z) - Unsupervised Self-Driving Attention Prediction via Uncertainty Mining
and Knowledge Embedding [51.8579160500354]
本研究では、不確実性モデリングと知識統合の駆動による自動運転の注意を予測できる教師なし手法を提案する。
結果は、完全に教師された最先端のアプローチと比較して、同等またはさらに印象的なパフォーマンスを示している。
論文 参考訳（メタデータ） (2023-03-17T00:28:33Z) - 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) - Nightly Automobile Claims Prediction from Telematics-Derived Features: A
Multilevel Approach [1.6799377888527685]
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。
論文 参考訳（メタデータ） (2022-05-10T01:25:10Z) - Driving Anomaly Detection Using Conditional Generative Adversarial
Network [26.45460503638333]
本研究では,条件付き生成逆数ネットワーク(GAN)を用いた運転異常の定量化手法を提案する。
この手法は、事前に観測された信号にモデルを条件付けすることで、今後の運転シナリオを予測する。
結果は知覚的評価によって検証され、アノテータは高い異常スコアで検出されたビデオのリスクと親しみやすさを評価するよう依頼される。
論文 参考訳（メタデータ） (2022-03-15T22:10:01Z) - Sample Efficient Interactive End-to-End Deep Learning for Self-Driving
Cars with Selective Multi-Class Safe Dataset Aggregation [0.13048920509133805]
エンドツーエンドの模倣学習は、自動運転車のポリシーを計算するための一般的な方法である。
標準的なアプローチは、エキスパートポリシーから入力(カメライメージ)と出力(ステアリングアングルなど)のペアを収集し、深層ニューラルネットワークをこのデータに適合させて駆動ポリシーを学ぶことに依存している。
論文 参考訳（メタデータ） (2020-07-29T08:38:00Z) - Can Autonomous Vehicles Identify, Recover From, and Adapt to
Distribution Shifts? [104.04999499189402]
トレーニング外の配布(OOD)シナリオは、デプロイ時にエージェントを学ぶ上で一般的な課題である。
インプロバスト模倣計画(RIP)と呼ばれる不確実性を考慮した計画手法を提案する。
提案手法は,OODシーンにおける過信および破滅的な外挿を低減し,分布変化を検知し,回復することができる。
分散シフトを伴うタスク群に対する駆動エージェントのロバスト性を評価するために,自動走行車ノベルシーンベンチマークであるtexttCARNOVEL を導入する。
論文 参考訳（メタデータ） (2020-06-26T11:07:32Z)
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。