論文の概要: Revealing Geography-Driven Signals in Zone-Level Claim Frequency Models: An Empirical Study using Environmental and Visual Predictors
- arxiv url: http://arxiv.org/abs/2604.21893v1
- Date: Thu, 23 Apr 2026 17:44:52 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-04-24 14:40:06.796608
- Title: Revealing Geography-Driven Signals in Zone-Level Claim Frequency Models: An Empirical Study using Environmental and Visual Predictors
- Title（参考訳）: ゾーンレベルクレーム周波数モデルにおける地理駆動信号の探索:環境・視覚予測器を用いた実証的研究
- Authors: Sherly Alfonso-Sánchez, Cristián Bravo, Kristina G. Stankova,
- Abstract要約: 地理的文脈は、しばしば自動車保険のリスクに関連すると考えられているが、公共のアクチュアリアルデータセットは限られた位置識別子を提供する。
本研究では,MTPL(Motor Third Party Liability)のクレーム予測において,代替データからの地理情報をアクタリカルモデルに組み込む方法について検討した。
- 参考スコア（独自算出の注目度）: 1.5484595752241122
- License: http://creativecommons.org/licenses/by-nc-nd/4.0/
- Abstract: Geographic context is often consider relevant to motor insurance risk, yet public actuarial datasets provide limited location identifiers, constraining how this information can be incorporated and evaluated in claim-frequency models. This study examines how geographic information from alternative data sources can be incorporated into actuarial models for Motor Third Party Liability (MTPL) claim prediction under such constraints. Using the BeMTPL97 dataset, we adopt a zone-level modeling framework and evaluate predictive performance on unseen postcodes. Geographic information is introduced through two channels: environmental indicators from OpenStreetMap and CORINE Land Cover, and orthoimagery released by the Belgian National Geographic Institute for academic use. We evaluate the predictive contribution of coordinates, environmental features, and image embeddings across three baseline models: generalized linear models (GLMs), regularized GLMs, and gradient-boosted trees, while raw imagery is modeled using convolutional neural networks. Our results show that augmenting actuarial variables with constructed geographic information improves accuracy. Across experiments, both linear and tree-based models benefit most from combining coordinates with environmental features extracted at 5 km scale, while smaller neighborhoods also improve baseline specifications. Generally, image embeddings do not improve performance when environmental features are available; however, when such features are absent, pretrained vision-transformer embeddings enhance accuracy and stability for regularized GLMs. Our results show that the predictive value of geographic information in zone-level MTPL frequency models depends less on model complexity than on how geography is represented, and illustrate that geographic context can be incorporated despite limited individual-level spatial information.
- Abstract（参考訳）: 地理的文脈は、しばしば自動車保険のリスクに関連すると考えられているが、公共のアクチュアリアルデータセットは限られた位置識別子を提供し、この情報をクレーム周波数モデルに組み込んで評価する方法を制約している。
本研究では,その制約の下で,代替データソースからの地理情報をMTPL(Motor Third Liability)のアクタリアルモデルに組み込む方法について検討する。
BeMTPL97データセットを用いて、ゾーンレベルのモデリングフレームワークを採用し、未知のポストコード上での予測性能を評価する。
地理情報は、OpenStreetMap と CORINE Land Cover の環境指標と、ベルギー国立地理学研究所(英語版)が学術用にリリースしたオルソイメージの2つのチャンネルを通じて導入されている。
一般化線形モデル(GLM)、正規化GLM、勾配ブーストツリーの3つのベースラインモデルにおける座標, 環境特性, 画像埋め込みの予測的寄与を評価し, 生画像は畳み込みニューラルネットワークを用いてモデル化する。
この結果より, 地形情報によるアクチュアリ変数の増大により精度が向上することが示唆された。
実験全体を通じて、リニアモデルとツリーベースモデルの両方が、座標と環境特徴を5kmスケールで抽出することで、最も恩恵を受ける一方、小さな地区ではベースライン仕様も改善される。
一般的に、画像埋め込みは環境特性が得られても性能は向上しないが、そのような特徴が欠如している場合には、事前訓練された視覚変換器の埋め込みにより、正規化されたGLMの精度と安定性が向上する。
以上の結果から,ゾーンレベルのMTPL周波数モデルにおける地理的情報の予測値は,地理的表現方法よりもモデルの複雑さに大きく依存しており,地理的コンテキストは個々の空間情報に制限があるにもかかわらず組み込むことができることを示す。
関連論文リスト
- Learning to Explore: Policy-Guided Outlier Synthesis for Graph Out-of-Distribution Detection [51.93878677594561]
教師なしグラフレベルのOOD検出では、モデルは通常、IDデータのみを使用して訓練される。
本稿では,スタティックスを学習した探索戦略に置き換える政策誘導型アウトリア合成フレームワークを提案する。
論文 参考訳（メタデータ） (2026-02-28T11:40:18Z) - Generative MIMO Beam Map Construction for Location Recovery and Beam Tracking [67.65578956523403]
本稿では,スパースチャネル状態情報(CSI)から位置ラベルを直接復元する生成フレームワークを提案する。
生のCSIを直接格納する代わりに、小型の低次元無線地図の埋め込みを学び、生成モデルを利用して高次元CSIを再構築する。
数値実験により,NLOSシナリオにおける局所化精度が30%以上向上し,20%のキャパシティゲインが得られることが示された。
論文 参考訳（メタデータ） (2025-11-21T07:25:49Z) - GEO-Bench-2: From Performance to Capability, Rethinking Evaluation in Geospatial AI [52.13138825802668]
GeoFMは地球観測を変革しているが、評価には標準化されたプロトコルが欠けている。
GEO-Bench-2は、分類、セグメンテーション、回帰、オブジェクト検出、インスタンスセグメンテーションにまたがる包括的なフレームワークでこの問題に対処する。
GEO-Bench-2のコード、データ、およびリーダーボードは、パーミッシブライセンスの下で公開されている。
論文 参考訳（メタデータ） (2025-11-19T17:45:02Z) - Landslide Hazard Mapping with Geospatial Foundation Models: Geographical Generalizability, Data Scarcity, and Band Adaptability [11.01843362076594]
地すべりマッピングのための地空間基盤モデル(GeoFM)を適用するためのフレームワークを提案する。
Prithvi-EO-2.0はタスク固有のCNN(U-Net, U-Net++)、視覚変換器(Segformer, SwinV2-B)、その他のGeoFMを一貫して上回っている。
我々は,地すべり研究において,計算コストや再利用可能なAI対応トレーニングデータの限定的利用といった課題を強調した。
論文 参考訳（メタデータ） (2025-11-06T15:47:37Z) - GeoReg: Weight-Constrained Few-Shot Regression for Socio-Economic Estimation using LLM [12.740560201477798]
本研究は,多様なデータソースを統合し,社会経済指標を推定する回帰モデルであるGeoRegを紹介する。
開発段階の異なる3つの国における実験により、我々のモデルは社会経済指標の推定において基準線を上回っていることが示された。
論文 参考訳（メタデータ） (2025-07-17T17:42:29Z) - HyBiomass: Global Hyperspectral Imagery Benchmark Dataset for Evaluating Geospatial Foundation Models in Forest Aboveground Biomass Estimation [1.0408909053766147]
本研究では,森林表層バイオマス(AGB)推定のためのグローバル分散ベンチマークデータセットを提案する。
このベンチマークデータセットは、環境マッピング・分析プログラム(EnMAP)衛星からのHSIと、AGB密度推定の予測を組み合わせたものである。
このデータセットを用いた実験結果から,評価されたGeo-FMがベースラインU-Netの性能を上回り得るか,場合によっては超えることを示した。
論文 参考訳（メタデータ） (2025-06-12T21:29:20Z) - Performance and Generalizability Impacts of Incorporating Location Encoders into Deep Learning for Dynamic PM2.5 Estimation [0.39762912548964846]
動的・空間的不均一な応用のための深層学習における位置情報の効果について検討する。
日表面PM2.5を衛星観測と地上観測により推定した。
以上の結果から,空間一般化の支援により,原座標は領域内の性能を向上させることができるが,領域間の一般化性は低下することが示された。
論文 参考訳（メタデータ） (2025-05-24T02:00:34Z) - GEOBench-VLM: Benchmarking Vision-Language Models for Geospatial Tasks [84.86699025256705]
本稿では,地理空間的タスクの視覚言語モデル(VLM)を評価するためのベンチマークであるGEOBench-VLMを提案する。
私たちのベンチマークでは、手動で検証された命令が1万以上あり、さまざまな視覚条件、オブジェクトタイプ、スケールにまたがっています。
地理空間固有の課題における性能を評価するために,いくつかの最先端のVLMを評価した。
論文 参考訳（メタデータ） (2024-11-28T18:59:56Z) - GeoNet: Benchmarking Unsupervised Adaptation across Geographies [71.23141626803287]
地理的ロバスト性の問題について検討し、3つの主要な貢献を行う。
まず,地理的適応のための大規模データセットGeoNetを紹介する。
第2に、シーンコンテキストにおける大きな変化から、ドメインシフトの主な原因が生じるという仮説を立てる。
第3に、最先端の教師なしドメイン適応アルゴリズムとアーキテクチャを広範囲に評価する。
論文 参考訳（メタデータ） (2023-03-27T17:59:34Z) - Activation Regression for Continuous Domain Generalization with
Applications to Crop Classification [48.795866501365694]
衛星画像の地理的変異は、機械学習モデルが新しい領域に一般化する能力に影響を与える。
中分解能ランドサット8衛星画像の地理的一般化を連続領域適応問題としてモデル化する。
我々は,アメリカ大陸全域に空間分布するデータセットを開発した。
論文 参考訳（メタデータ） (2022-04-14T15:41:39Z) - Learning Geo-Contextual Embeddings for Commuting Flow Prediction [20.600183945696863]
インフラ・土地利用情報に基づく通勤フローの予測は都市計画・公共政策開発に不可欠である。
重力モデルのような従来のモデルは、主に物理原理から派生し、現実のシナリオにおける予測力によって制限される。
本研究では,空間的相関を空間的コンテキスト情報から捉えて,通勤フロー予測を行うモデルであるGeo-contextual Multitask Embedding Learner (GMEL)を提案する。
論文 参考訳（メタデータ） (2020-05-04T17:45:18Z)
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。