CN109791677A - 用于在社区中对交通工具数据进行地理参考和评分的***和方法 - Google Patents
用于在社区中对交通工具数据进行地理参考和评分的***和方法 Download PDFInfo
- Publication number
- CN109791677A CN109791677A CN201780042180.1A CN201780042180A CN109791677A CN 109791677 A CN109791677 A CN 109791677A CN 201780042180 A CN201780042180 A CN 201780042180A CN 109791677 A CN109791677 A CN 109791677A
- Authority
- CN
- China
- Prior art keywords
- community
- geographic
- computer system
- index
- data
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q40/00—Finance; Insurance; Tax strategies; Processing of corporate or income taxes
- G06Q40/08—Insurance
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q30/00—Commerce
- G06Q30/02—Marketing; Price estimation or determination; Fundraising
- G06Q30/0201—Market modelling; Market analysis; Collecting market data
- G06Q30/0204—Market segmentation
- G06Q30/0205—Location or geographical consideration
Landscapes
- Business, Economics & Management (AREA)
- Accounting & Taxation (AREA)
- Finance (AREA)
- Engineering & Computer Science (AREA)
- Strategic Management (AREA)
- Development Economics (AREA)
- Entrepreneurship & Innovation (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Business, Economics & Management (AREA)
- General Physics & Mathematics (AREA)
- Marketing (AREA)
- Economics (AREA)
- Technology Law (AREA)
- Data Mining & Analysis (AREA)
- Game Theory and Decision Science (AREA)
- Financial Or Insurance-Related Operations Such As Payment And Settlement (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
- Traffic Control Systems (AREA)
Abstract
用于评估交通工具风险的计算机***可包括:存储指令的数据存储设备;数据处理器,其被配置成执行指令以引起计算机***:提供针对多个交通工具的聚合交通工具数据,包括多个交通工具的位置数据;确定针对聚合交通工具数据要分析的至少一个地理区域;接收所述至少一个地理区域中的所述多个交通工具的事件信息,所述事件信息包括预定类型的事件的位置信息;基于多个交通工具的所接收的事件信息来确定所述至少一个地理区域内的多个地理社区的边界;以及基于每个地理社区中的所述事件信息来将风险简档分配给所确定的地理社区中的每个。
Description
技术领域
本发明涉及用于在对交通工具数据聚合、组织和评分中使用的***和方法,尤其涉及有风险的地理区域。
背景技术
保险在投保人市场里越来越变成一种商品,因此通常根据价格提供来选择保险公司。另一方面,对于保险公司来说,准确的费率制定已经变得比以往更加重要。费率制定中的关键问题是:“什么风险因素或变量对预测索赔的可能性、频率和严重性是重要的”。
尽管存在影响费率的许多明显风险因素,但是在不应用更复杂的分析的情况下可能在难以识别(如果不是不可能)的变量之间存在非直观的关系。
所需要的事物是对大量交通工具数据聚合和评分的***和方法。
发明内容
用于评估交通工具风险的计算机***可包括:存储指令的数据存储设备;数据处理器,其被配置成执行指令以引起计算机***:为多个交通工具提供包括多个交通工具的位置数据的聚合交通工具数据;确定针对聚合的交通工具数据要分析的至少一个地理区域;接收所述至少一个地理区域中的所述多个交通工具的事件信息,所述事件信息包括预定类型的事件的位置信息;基于所接收的多个交通工具的事件信息确定所述至少一个地理区域内的多个地理社区的边界;并且基于每个地理社区中的事件信息将风险简档分配给确定的地理社区中的每个。
根据以下详细描述、附图和权利要求的考虑,本发明的另外的特征、优点和实施例被阐述或是显而易见的。此外,要理解的是,本发明的前述发明内容和下面的详细描述两者是示例性的,并且旨在提供进一步的解释而不限制所要求保护的本发明的范围。
附图说明
图1示出了根据本发明实施例的用于接收和组织交通工具数据的框架。
图2示出了根据本发明实施例的用于接收和组织交通工具数据的框架。
图3示出了根据本发明实施例的用于接收和组织数据的流程图。
图4A-4C示出了根据本发明实施例的社区内的不同风险的各种区域/社区。
图5示出了根据本发明实施例的社区的天气数据。
图6示出了根据本发明实施例的交通工具的速度和按社区的分布。
图7示出了根据本发明实施例的各种变量的得分分布。
图8示出了根据本发明实施例的与具有对应分布的特定情境相关的驱动模式。
具体实施方式
下面详细讨论本发明的一些实施例。在描述实施例中,为了清楚的缘故而使用了特定术语。然而,本发明不旨在受限于所选择的特定术语和示例。相关领域的技术人员将认识到,在不脱离本发明的广义概念的情况下,可以采用其他等同部件并开发其他方法。本说明书中任何地方引用的所有参考(包括背景技术和具体实施方式部分)通过引用被并入,如同每个已被分别地并入。
术语“计算机”旨在具有可在计算设备中使用的广泛含义,例如诸如但不限于单机或客户端或服务器设备。计算机还可以包括输入设备,该输入设备包括可以允许信息从例如用户输入到计算机***中的任何机制或机制组合。输入设备可以包括被配置成从例如用户接收用于计算机***的信息的逻辑。输入设备的示例可以包括,例如但不限于包括鼠标、基于笔的定点设备或诸如数字转换器、触敏显示设备和/或键盘或其他数据输入设备的其他定点设备。其他输入设备可以包括例如但不限于包括生物测定输入设备、视频源、音频源、麦克风、网络相机、视频相机和/或其他相机。输入设备可以有线地或无线地与处理器通信。
术语“数据处理器”旨在具有广泛的含义,其包括例如但不限于包括连接到通信基础设施的一个或多个中央处理单元(例如但不限于通信总线、交叉条、互连或网络等)。术语数据处理器可以包括可以解释和执行指令的任何类型的处理器、微处理器和/或处理逻辑(例如诸如,现场可编程门阵列(FPGA))。数据处理器可以包括单个设备(诸如例如,单核)和/或一组设备(例如,多核)。数据处理器可以包括被配置成执行被配置成实现一个或多个实施例的计算机可执行指令的逻辑。
术语“数据存储设备”旨在具有广泛的含义,其包括可移动存储驱动器、安装在硬盘驱动器中的硬盘、闪存、可移动盘、其他类型的存储器、不可移动的盘、诸如亚马逊、苹果、戴尔、谷歌,微软等的云存储以及其他存储实现。另外,应当注意,各种电磁辐射(例如无线通信、通过导电线(例如但不限于双绞线、CATS等)或光学介质(例如但不限于光纤)承载的电通信等)可以进行编码以在例如通信网络上承载本发明实施例的计算机可执行指令和/或计算机数据。这些计算机程序产品可以向计算机***提供软件。应当注意,包括用于在处理器中执行的计算机可执行指令的计算机可读介质可以被配置成存储本发明的各种实施例。
所公开的是可以提供给保险公司的本发明实施例的一般描述,其可以识别和评估驾驶行为以及与事故风险相关联的地理社区。
本发明实施例涉及提供保险远程信息处理服务以及在汽车租赁和车队管理、汽车制造和政府部门中开创应用。本发明实施例可以包括使用远程信息处理数据来确定取决于驾驶员如何驾驶的与驾驶员相关联的风险程度。而且,本发明实施例可以包括使用远程信息处理数据来基于事故信息确定与地理社区相关联的风险程度。此服务可以提供可以基于聚合的交通工具数据和预测模型技术而应用于对驾驶员评分中的方法。
多年来,保险公司已通过考虑许多统计因素以及使用关于投保人在过去数年中可能已经引起的事故的历史记录来评估具有事故的风险,所述统计因素已被示出是重要指标(投保人的性别、年龄、教育、专业,居住区,交通工具类型等)。
远程信息处理允许引入新的指标,其对到风险的暴露的影响可以比传统的“间接”指标更直接。“远程信息处理指标”也可以动态地评估(例如,每个月),而传统的间接指标可以固有地是静态的。因此,远程信息处理指标可用于教育投保人逐步降低其对风险的暴露。作为本发明实施例的方法的基石之一的“透明原理”在本情境中可以是理想的,以实现对驾驶员和对保险公司的互利。
然而,并非所有远程信息处理指标已经实现了足以用于操作使用的公众认可和标准化水平。一些更成熟,一些则较不成熟。这主要取决于现有精算信息的可用性,所述现有精算信息可用来将指标与风险的客观证据相关联。对于此类相关,可以在其中已经生成的特定情境内评估个体驾驶风格的多个驾驶模式。例如,用户可以展示与各种指标有关的驾驶模式。除了针对一群驾驶员的驾驶模式检测(benchmark)的驾驶模式之外,还可以使用社区特定的事故信息,以便可以针对碰撞信息对特定驾驶员的驾驶模式或目的地检测。此数据可以包括关于地理单位中的事故和碰撞的特定信息,如下面更详细地解释的。可以使用数字或阈值评分***对驾驶员进行评分,以关于该群体对驾驶员进行评级。
图1示出了如何可以针对特定应用而对本情境中的数据组织、应用和评分的流程图。如从图1可以看到的,传感器110、汽车制造商数据112、黑盒114和/或智能电话116可用来为用户和/或交通工具提供数据。
这些设备110、112、114和/或116可以被配置成包括可连接到互联网的计算机部件,以使得它们能够成为物联网设备。这些设备可以被配置成与一个或多个物联网中枢站118进行硬连线或无线通信。中枢站118可以具有被配置成与物联网设备和一个或多个通信网络对接的任何类型的设备。
原始感官数据或读数可以关于物理环境来解释,例如使用情形/情境意识,以便提供语义服务。一些服务可能是时间敏感的。例如,可能需要以实时方式在IoT设备上执行用于控制物理环境的动作。物理IoT设备可以提供多个类型的服务,或者多个IoT设备可以协作或集合在一起来提供服务。此数据可涉及事故,包括涉及多个交通工具的事故的严重性、频率和类型。
数据流可以前进到管理来自IoT中枢站118的数据的远程信息处理设备管理模块120。数据还可以前进到远程信息处理平台数据流模块122。对于去往和来自物理环境的流量,物理IoT设备可以生成可能本质上是事件驱动、查询驱动或周期性的数据流。来自物理IoT设备的读数或原始感官数据中可能存在不确定性。一些IoT设备(例如分布式相机)可以生成高速数据流,而其他IoT设备可以生成极低的数据速率流。从大多数IoT设备生成的数据流是实时数据流,其可以在不同的时间尺度(time scale)上变化。可能存在任播、多播、广播和汇聚传输业务模式。地理信息服务数据服务模块126可以与远程信息处理平台数据流模块122中的所获取的数据对接,其可以提供情境信息。
本发明实施例可以包括专业服务,其基于远程信息处理数据提供聚合的用户简档风险评分。具体地,本发明实施例可以使得客户能够定义真实的风险行为或驾驶的地理社区。
“按简档的风险评分值”可以表示预测模型的结果。
服务的起源可以依赖于通过多年远程信息处理经验所收集的强大且广泛的大数据环境。
在驾驶习惯(与时间、距离和地点有关的信息)、驾驶行为(与加速、中止、转弯等有关的信息)和具有在空间和时间上分析的大量已登记碰撞的外部数据信息方面,可针对汽车驾驶员的群体的统计有效性要求此数据。
本发明实施例旨在支持发起远程信息处理程序中的保险,从而为表示保险风险组合的聚合的风险类别提供风险评分。
风险评分可以定义为针对碰撞事件的预测模型,其利用通过数年来由各种传感器和设备收集的数据。因此,该服务可以用于基于投保人风险简档的精确表征的风险取向政策折扣。
为了处理识别各种风险因素的关系的实际问题,可以使用先进的分析模型。本发明实施例可以包括基于大远程信息处理数据的远程信息处理服务,其允许相对于在不同情境中生成的若干驾驶风格视角来对每个驾驶员进行排序。另外,与那些特定社区中的驾驶员群体的碰撞信息相比,可以根据驾驶员的地理驾驶模式的碰撞信息基准来对驾驶员进行排序。
高级分析技术有助于理解多个风险变量之间的关系。与传统的预测建模类似,本发明实施例可以利用使用远程信息处理变量的建模。保险提供商可以使用这些模型来准确估计损失并相应地设定最具竞争力的费率。
如果应用于大数据集(其是远程信息处理环境的情境),这些模型可以非常强大,从而定义最具预测性的因素并识别具有差的或不相关的区分能力的一些。
本发明结果的实施例的值依赖于大数据资产,特别是考虑到引起碰撞事件的概率所针对的驾驶习惯和行为多变量效应。还可以考虑事故的地理位置,并且甚至使其覆盖有驾驶模式信息。
本发明实施例的目的是估计被保险人和他/她的风险简档之间的***关系。这可涉及基于碰撞信息来生成地理风险社区。也就是说,基于事故频率、严重性或类型,一些地理区域或社区可能被评级为比其他的更可能经历事故。事故信息可以基于用户在风险地理社区中驾驶的程度来并入到用户的风险简档中。针对事故风险对地理社区进行表征或评级的此过程可称为分区或区域分类。
区域分类是影响费率制定过程的主要过程之一。在一些实施例中,该过程可以包括利用诸如城市密度的地理人口统计数据来对风险区定义和分类。在实施例中,该过程可以利用在SAS中使用OPTGRAPH程序的Louvain方法。
以下是Louvain算法的简要说明:
!最初每个节点作为它自己的社区或区域。
!将每个节点从它当前社区移动到邻近社区,其最大地增加模块化(模块化是图表划分为社区的质量的度量)。重复步骤,直到模块化不能进一步改善为止。
!在超节点中将每个社区中的节点分组。基于超节点来构建新图表。重复步骤,直到模块化不能进一步改善或已达到最大迭代次数。
在我们的实现的情况下,该算法用来基于共同特性(类似容纳设施)聚合微区域以及定义新的邻近地理区域并且对于这些特性尽可能均一。由于图表,该应用基于地理地图,其中:
- 每个微区域表示节点;
- 如果表示的微区域在它们的邻居当中,则连接两个节点;
- 链接的强度是两个区域之间的相似的程度(在我们的例子中,用来定义债券的强度的变量指示结构生活区域的类型:城镇、有人居住的、工业区和分散的房屋。
通过地理参考碰撞事件,该过程可以关于附近概念来工作,寻求最佳区域定义并使用其他特定外部信息,诸如城市密度。因此,可以利用基于碰撞和有效客户里程的新区域风险定义。然后可以将新的分区分类用作预测模型的因素。新的分区分类的示例可以从图4A-4C中看到。
图1示出了用于分析过程和模型构建的框架、模型和数据结构。数据可以包括用本地处理能力(来自原始数据)“认证”的结构化数据。本发明实施例可以包括对提供控制和数据可靠性的强大且灵活的工具的访问。本发明实施例可以包括在分析和定义感兴趣的KPI(SAS)中将平台用作软件即服务。
图2示出了架构可以从设备的事务、属性和外部数据收集数据,以更好地表征驾驶员的行为并丰富知识。
可以在多个维度上分析设备和驾驶员,以突出其主要特征和行为。这些维度可以包括:
•时间和空间;
•交通工具数据;
•社会人口统计数据;
•情境数据(交通,天气);
•事故信息。
该架构可以允许向驾驶员分配得分,其将驾驶员的简档定位在相对于其他驾驶员的尺度中。所有多个驾驶风格视角有助于定义驾驶员行为足迹或来自其加权模式[子得分]的线性组合的驾驶员全局得分。
子得分和全局得分是数据驱动的统计模型的结果,其基于应用于大远程信息处理数据上的SAS技术,所述大远程信息处理数据是关于来自全世界客户基础中安装的数百万台设备的通过数周和数月的驾驶员习惯和行为收集的。
由于本发明实施例中的数据的广度,关于通过提供投保人的驾驶模式执行它的情境来考虑每个驾驶风格视角。这可以允许向驾驶员分配得分,所述得分将他的模式相对于其他驾驶员以尺度来定位。
所有多个驾驶风格视角都有助于定义驾驶员行为足迹,所述驾驶员行为足迹是来自他的加权模式[子得分]的线性组合的驾驶员全局得分。子得分和全局得分是数据驱动的统计模型的结果,其基于应用于大远程信息处理数据上的SAS技术,所述大远程信息处理数据是关于来自全世界客户基础中安装的数百万台设备的通过数周和数月的驾驶员的习惯和行为收集的。
如上面定义的,数据周期允许实现多个数据驱动模型、通过对整个数据库的后向重新处理验证的新颖专有算法,从而符合数据保护指令以及更加限制性的本地规章来运行。
图3示出了收集到预测建模和评分的数据的进展。
行为足迹是大远程信息处理数据和分析模型所利用的服务,其提供强大的洞察力,以对由统计模型应用产生为相关的各个驾驶模式理解和评分。这些子得分表示每个投保人相对于在相同情境下分析的群体的特定驾驶风格的排序。
这可能是重要的假设,因为不同的情境可以对相同的驾驶风格不同地排序,因为它们可以是它的强大影响者。
为了更好地理解分析模型的能力,考虑基于公共层的数据周期管理是必要的,所述公共层是在那里已通过质量检查、归一化、渐进式充实的不同步骤将原始的(基于历史远程信息处理数据)提升到商业环境的层。
图6示出了社区的速度和里程分布的基准分析(根据特定类型的日[工作、星期六、周末]、该天中的时间[早上、下午、晚上]和道路类型[城市、远郊、农村])。如在图6中可以看到的,社区(从右侧的键的编码的颜色)可以具有速度和里程分布的各种扩展。此外,每个社区的中间速度可能变化,如图6底部处的图表中所示。可以在此类数据的顶部上叠加碰撞或事故信息,以确定每个特定区域或社区中的事故的类型、数量和频率。
基于GPS定位的指标
“何处”指标
多年的统计证据示出,在某些区域或道路类型等方面的驾驶使投保人暴露于相对于其他情况的更高的碰撞风险。因此,这是“成熟”指标,意味着客观要素证实了驾驶汽车的“何处”与风险之间的相关性。
不同的保险公司可能具有不同的标准来对道路和区域进行分类,以便详细地定义“何处”指标。简单且流行的方法是区分建筑区域、高速公路和所有其余的(本质上是不包括高速公路的乡村区域)。行政边界(例如省份)可以加到上面分类以改良指标。一些保险公司希望考虑更大数目的道路类别来评估指标,但是通常不推荐这个,因为它可导致太“粒状的”并且对地理数据库的准确度太敏感的结果(甚至来自主要供应商的不包括最新的道路、道路类别的最新地理数据库通常基于有争议的标准来估计等)。最佳解决方案通常是保险公司历史上采用的评估位置相关风险的标准与可通过地理数据库可靠地计算的最相似指标之间的折衷。
“何时”指标。
统计证据还支持在该天(或该周)的某些时间中驾驶会使投保人暴露于更高的碰撞风险。该天期间的高峰时段或周末的夜晚(尤其是年轻的驾驶员)可能是典型的示例。再次地,这个指标是“成熟的”,因为客观要素证实了驾驶汽车的“何时”与风险之间的相关性。
保险公司可能具有不同的标准来将该天或该周的时段分类成被视为“高风险”对“低风险”。如在“何处”指标的情况下,这主要与保险公司历史上用来识别高峰时段和其他高风险条件的标准相关。
然后可以将“何处”和“何时”指标组合为二维指标。同样的原则可适用于将在下面段落中描述的其他指标,因此可以定义具有许多维度的指标。然而,定义太复杂的指标可能会危及朝向投保人的“教育”方面:如果用户因为它们太复杂而不了解指标,则他们不能改善其行为。虽然多维度指标对于精算分析是理想的,但是从投保人的视角来看,它们肯定不是理想的。可以在精算分析的准确度和对投保人所示出的复杂性之间进行权衡。
“多少”指标
此指标可以旨在驾驶距离(里程)方面或驾驶时间方面。即使它是非常成熟的指标,它评估碰撞风险的使用仍然是有点争议。行进非常有限的里程/时间的临时驾驶员可能比频繁有经验的驾驶员更暴露于风险。尽管如此,任何人都非常容易理解,这个指标对按使用付费的价目表非常受欢迎,通常处于与“何处”和/或“何时”指标的多维度结合中,而不管它实际上反映了对风险的真实暴露。
“多长”指标
此指标与没有中断地驾驶的时间段相关。名义上,它应该是非常成熟的指标,因为已经为专业驾驶员的安全定义了具体的规范。然而,应用类似的标准来评估非专业驾驶员的风险暴露(即使被限制到当进行相对长途旅行时的情况)到目前为止已被相当忽视。通过远程信息处理技术(可能与“何处”或“何时”指标结合)易于测量,并且对于最终用户而言也非常容易理解,从驾驶行为角度来看,此指标将可能值得更多注意。
“速度”指标
几乎所有地方的速度限制的存在是速度被识别为影响事故风险的因素的指示。然而,使用远程信息处理技术来定期监视交通工具的速度并得出关于投保人实际暴露于事故风险的结论仍然相当有争议。
“速度”指标通常可以与“何处”指标结合使用,因为与速度相关联的危险水平取决于例如交通工具是否在高速公路上而不是在小乡村公路中或在城区中而是大大不同的。从技术上讲,可以作出速度与其他指标的任何组合,但是这对于以下异议总是留有空间:低速度值可能比高速度值更加有风险得多,这取决于具体情境(例如,在相对于完全沙漠高速公路的非常密集的交通流中)。
测量速度的具体方式也有点争议。一些保险公司认为瞬时速度是最重要的因素。然而,由GPS测量的瞬时速度更加受到误差的影响(通常由于多径,即接收由交通工具附近的一些对象反射的GPS信号),因此准确度可能不是最佳的。其他保险公司考虑在短时间段上的平均速度,因为与专业驾驶员相关的规范要求评估在一分钟时段中的平均速度。标准记录原则可以适应两个观点:所有记录包括瞬时速度以及相对于先前记录的驾驶距离和时间。通过将驾驶距离除以时间,可以容易地导出连续记录之间的平均速度。
基于加速度计和陀螺仪的指标
下面段落中描述的指标在关于它们的有效性的客观认可方面可用作潜在风险因素。总之,因为过去没有人***地测量过此类指标,所以没有人能够通过重要的统计来证明此类指标与实际事故风险之间的相关性。本发明实施例包括验证这些类型的指标以确定对于这些指标中的一些示出较高值的驾驶员是否对应于具有较差的事故风险得分的那些。下面段落中描述的指标基于共同概念:“安全裕度”的评估。基本原理如下:当发生对驾驶员来说意外的事情时,事故倾向于发生,并且驾驶员不能以可以避免事故的这样的方式来反应(例如,通过制动和/或转向)。如果驾驶员具有适应纠正机动的更多可能性,他/她将可能能够避免事故,或者至少减少对交通工具和/或人员的损害。执行纠正机动的此类可能性是创新指标尝试评估的“安全裕度”。
“转弯”指标
此指标可以评估驾驶员是否倾向于以相对于拐角半径的相对高的速度来驾驶通过拐角。如果发生意外的任何事情(例如,要避免的事物、突然潮湿或滑的路面等),驾驶员不具有改变方向并承担纠正机动的裕度。
一些专家驾驶员(例如,安全驾驶的教练)记住了如果驾驶员更准确地知道他们的汽车提供多少转向性能则可以避免许多碰撞。他们认为,从未经历他们的汽车的完全转向能力的人们在进行旨在避免事故的紧急机动的情况下不能使用此类能力。替代地,熟悉他们的汽车的完全转向能力的驾驶员可能会在需要的情况下更加迅速地利用它们。因此,从他们的观点来看,“转弯”驾驶员可能比“非转弯”驾驶员更少暴露于风险。这些意见强调需要正确验证过程,以确保所选择的指标与事故风险至少在统计上客观相关。
此指标的测量是基于横向加速度(“Y”轴,即垂直于交通工具的移动的轴)。连续测量Y轴加速度样本并对其进行适当滤波以去除测量噪声。特定记录存在于整个数据报告方案中,存储关于在两个连续记录之间的时间/空间的间隔中测量的关于横向加速度的重要摘要信息。然后在中央***中进行统计评估(例如,所收集的值的分布),并且将其与其他指标(例如“何处”和/或“何时”)可能地相关联。
“方向改变”指标
此指标可以评估驾驶员是否倾向于快速改变方向,例如当在多车道道路上改变车道时。如果发生意外的任何事情(例如,另一汽车正移动到相同车道),则驾驶员没有改变方向并承担纠正机动的裕度。
此指标的测量是基于横向加速度,类似于“转弯”指标。“方向改变”可以与“转弯”区分开,因为加速事件的持续时间通常较短。
“赛车”指标
此指标可以评估驾驶员是否倾向于只要可能就使用大量交通工具的加速和制动能力。如果发生意外的任何事情(例如,要避免的事情、突然潮湿或滑的路面等),驾驶员几乎没有承担纠正机动(减速和制动)的裕度。
与“转弯”指标的情况一样,仍然存在关于评估风险的此指标的有效性的一些讨论。一些专家驾驶员记住了从未经历他们的汽车的完全制动能力的人们在进行旨在避免事故的紧急机动的情况下不能使用此类能力。因此,从他们的观点来看,“赛车”驾驶员可能比“非赛车”驾驶员更少暴露于风险。
原则上,此指标的测量可以通过分析速度的变化或直接通过加速度传感器而经由GPS来进行。然而,经由GPS的速度测量可能受到由多径引起的误差的影响,并且导数的计算倾向于放大此类误差的影响。因此,本发明实施例为此目的利用加速度传感器,类似于“转弯”指标,但是使用纵轴(“X”轴)而不是横轴(“Y”轴)。
“尾随”指标
此指标可以评估驾驶员是否倾向于跟随他们的汽车前方的交通工具,可能地保持接近或超出安全前进间隙。这给驾驶员留下较小裕度来在发生意外的任何事情的情况下进行反应。
根据本发明的一些实施例的用于此指标的传感器将是使用光学或射频技术的前进间隙的直接测量。这个类型的传感器可以在制造时引入在汽车上,或者它们可以安装在非从工厂装备的汽车上。然而,从工厂装备的汽车数目或装备其他汽车的复杂性和成本使得前进间隙传感器的使用目前不节省成本。
“尾随”指标可以通过间接过程进行评估。紧跟另一交通工具的驾驶员倾向于频繁地加速和减速。如果与“赛车”行为相比,加速度值可以的确更小,然而加速和减速的频率可以更大。因此,测量原理可以类似于“赛车”指标,但是在“X”轴上的加速度符号(正到负并且反之亦然)的频繁和重复变化被计算而不是更大且更偶然的“峰值”(正或负)。
创新指标的验证
如先前段落中所述,某些指标与事故风险之间的关系尚未被证实,并且在某些情况下甚至有点有争议。验证关于风险的指标可能不由远程信息处理服务的提供商单独进行:可能要求保险公司的合作。
可以将两个可能的方法用于验证:
具有“先验”知识。对重要群体的“样本”投保人进行了实验活动,所述“样本”投保人对风险的暴露已经由保险公司通过其历史索赔记录知晓。指标在时间段内进行评估。如果更多暴露于风险的投保人(基于“先验”知识)示出更大的指标值,则发生验证。此方法被假定在较短的时间中提供结果,并且具有投保人的较小群体,然而其准确度在某种程度上受到关于对风险的个体暴露的“先验”知识的准确度的影响;并且
没有“先验知识”。随机群体的投保人进行了实验活动。该群体和实验的持续时间可以足以允许在观察时段期间发生大量事故,从而可以基于实际事故来评估个体的风险暴露。如果更多暴露于风险的投保人(基于发生的实际事故而不是“先验”知识)示出更大的指标值,则发生验证。此方法被假定要求更大的群体和更长的观察时间来实现统计上稳定的结果。
上面的方法不是相互排斥的,并且它们实际上可以作为分布在多年上的计划的两个阶段来执行。
在本发明实施例中使用的验证过程将经验证的碰撞利用到我们的预测模型中,并且在此类信息可用的那些情况下,利用来自保险公司的索赔信息。
对于统计评估,所有驾驶员可以通过他们的驾驶模式来表示,它们中的每个基于在“特定情境”中考虑的“驾驶风格视角”。驾驶风格视角根据四个基本得分而基于以下参数:
超速——此参数提供相对于速度的排序。速度被视为根据专有协议从设备收集的数据所提供的即时速度和参考预定义情境在统计水平下计算的平均速度两者。
线性驾驶行为——此参数提供相对于如前面定义的加速和制动的驾驶员风格。这些事件由五个测量来描述:开始和结束速度、持续时间、平均加速度、参考预定义情境的最大加速度。
转弯——此参数提供相对于上面定义的转弯的驾驶员模式。与线性驾驶行为事件类似,转弯由五个测量描述:开始和结束速度、持续时间、平均加速度、参考预定义情境的最大加速度。
不同天气条件中的里程——此参数提供了相对于其中生成里程的天气条件(即天气情境)的驾驶风格。
所有这些驾驶风格参数是关于它们被生成的不同情境来考虑的。
该表示出了针对速度、线性驾驶行为、转弯驾驶行为考虑的完整情境。
上表说明所考虑的情境的总组合可以是36,其是3(日的类型)×4(日的时间)×3(道路类型——H/U/C)。
在生成它的情境中考虑的每个驾驶风格定义了驾驶模式。对每个驾驶风格参数(即时间窗口)的所有值进行预定义和标准化,以允许正确应用统计模型并推断正确的观察。如所提到的,线性和转弯得分可以通过加速、制动和转弯事件来定义,所述事件利用五个测量来测量:平均加速度、最大加速度、结束和开始速度以及持续时间。除了五个测量之外,第六测量可以是强度,其包括测量的频率(例如,以时间或距离为单位)。
这些测量中的每一个在组合的情境的每个中产生分布。这些分布用特定KPI(第一和第三四分位数、中位数、最大值)来描述。速度得分由即时速度定义,所述即时速度在组合的情境的每个中产生分布。另一KPI可以定义为每个情境的平均速度。
服务目标是通过相对于每个国家的相同驾驶模式和基本得分的他的驾驶模式(在情境中分析的驾驶风格)的基准来对每个驾驶员进行排序。
因此,例如,如果相对于其他驾驶员群体进行检测,则此服务允许回答驾驶员如何被排序。可以考虑以下两点:
1)驾驶员在夜晚期间或在城市道路和特定道路类型上的“中间即时速度”,或
2)驾驶员的他的制动的最大强度,发生在该天期间,在周末期间的高速公路上等。
当然,驾驶员通过定义他的模式的若干情境来表征,并且他可以相对于对他的驾驶风格视角中的每个有意义的所有情境进行比较/检测。
下文中描述的模型和概念满足上面要求。
全局个体评分作为行为足迹。
权重可以通过下面描述的不同方法来分配:
!商业公司需要;
!每个模式(情境中的驾驶风格)可以在数据驱动的基础上加权,例如在所有测量中的它的信息能力(例如其非缺失相关性或其可变性);
!利用基于碰撞信息的预测模型。
统计处理的频率(得分/子得分和情境)。
该服务提供以下列出的以下评分(驾驶模式和行为足迹)的计算:
! [S]超速
! [La Lb]线性驾驶行为(加速/制动)
! [C]转弯
! [M]到危险天气条件的暴露
! [O]总得分等于4个子得分的加权组合。
所有得分可以示为从0到1的范围内的离散表示,其中它可以:
!表示最好的得分;或者
!表示最坏的得分。
具有最好绝对得分的驾驶员可以具有接近零的得分值。得分将具有每日/每周/月计算频率。
在缺少数据的情况下,得分将示为具有相关原因的“不可用”(数周期间没有旅行,因为……的原因而没有收集数据)。
情境使用的倾向(***移动性)。
除了模式和足迹之外,还可以提供一些另外的信息,其示出相对于使用的情境的驾驶员态度(***移动性)。特别是相同频率的得分将为每个用户提供以下信息:
! [p1]跨多个区域/社区[1个区域或多个区域]移动的倾向或在有风险区域/社区中行进的倾向;
! [p2]在所述日期间的不同时间[1个时间窗或多个时间窗]中行进的倾向;
! [p3]在不同日中行进的倾向;
! [p4]在不同道路类型中行进的倾向;
! [p4]在不同天气状态中行进的倾向。
利用异质性基尼指数导出情境的倾向来作为分类变量的统计变异性的度量。零的基尼指数表示完全相等,1的基尼系数表示值之间的最大不等。
如图5中所示,可以在白天/夜晚的每个时段中为每个社区收集天气信息。
图7示出了基于远程信息处理变量的预测模型,其可以改善定价准确度,识别风险较少的客户。本发明实施例可以包括与该多个设备相关联的数据;里程;事件的数目;制动/加速的数目;转弯实例的数目;经验证的碰撞的数目;天气检测的数目;每个类型的区域/社区的事故风险信息;和交通工具信息的数目。
利用此类信息,可以针对改善的准确度来分析不同的人口特征。例如,风险可以归因于一定百分比的年轻驾驶员,而不是年轻驾驶员被集体地标记为有风险。因此,虽然较高百分比的年轻驾驶员可能被归类为关于作为整体的其他驾驶员来说有风险,但是将相当百分比的年轻驾驶员归类为没有风险是可能的。因此,可以基于预测模型和分析来更准确地识别先前风险组的子集。而且,虽然一些服务可以将地理区域标记为有风险(例如城市、特定城市或县),但是本发明实施例可以通过聚集驾驶员群体的事故信息来更准确地隔离有风险的区域/社区。
如图8中所示,可以分析的人口特征的其他示例是在城市区域具有最高里程的驾驶员、具有风险交通工具的驾驶员(例如,智能的)、由于高度使用转弯、加速和制动而具有激进驾驶行为的驾驶员。
模式分析
图8示出了针对投保人X的特定情境(基准)的收集的测量(即时速度)的观察的时段(即月)。在图8中,情境是上午(7:00-14:00)和市区外道路。此外,中位数、第一四分位数、第三四分位数和最大值已被计算为关于测量分布(即时速度)的最相关统计。
每个基准可以表示特定的情境。它可以表示驾驶员在特定情境中的行为(即上午和市区外)。并且基准可以为评估各个驾驶员风险模式提供值,因为行为本身并不是不规则的,而是它与其中其发生的情境相关。
在本发明的一些实施例中可以考虑以下一般要求:
可持续性:评估行为的成本应与保险公司和投保人可获得的利益一致;
可行性:作为可持续性的特定组成部分,测量原则应该是使得它们通过使用以合理的成本可用的可靠的技术是可行的。“保险远程信息处理服务”所提供的操作稳定性和规模经济可以被视为开发在它们的顶部上的创新概念的起始点;
准确度:测量原则应该是使得能够以合理的准确度来评估行为,并且如果必要的话可以支持验证过程,以证明行为和风险之间的客观相关;以及
适用性:尽可能地,概念应具有一般基础和适用性,使得原则上它们可以由任何保险公司来应用,从而允许不损害其他要求的定制水平(例如,其维持对可持续性必要的规模经济)。
这允许塑造驾驶员驾驶模式(在不同情境中驾驶风格的视角)并且用每个国家的更广泛的群体来检测它们,以便定义与特定投保人相关的得分。
在描述实施例中,为了清楚的缘故而使用了特定术语。然而,本发明不旨在受限于所选择的特定术语和示例。相关领域的技术人员将认识到,在不脱离本发明的宽泛概念的情况下,可以采用其他等同部件并开发其他方法。
虽然前面的描述是针对本发明的优选实施例,但是要注意,其他变化和修改对于本领域技术人员来说将是显而易见的,并且可以在不脱离本发明的精神或范围的情况下进行。此外,结合本发明的一个实施例描述的特征可以与其他实施例相结合来使用,即使上面没有明确声明。
Claims (17)
1.一种用于评估交通工具风险的计算机***,包括:
存储指令的数据存储设备;
数据处理器,其被配置成执行指令以引起计算机***:
提供针对多个交通工具的聚合交通工具数据,包括多个交通工具的位置数据;
确定针对聚合交通工具数据要分析的至少一个地理区域;
接收所述至少一个地理区域中的所述多个交通工具的事件信息,所述事件信息包括预定类型的事件的位置信息;
基于多个交通工具的所接收的事件信息来确定所述至少一个地理区域内的多个地理社区的边界;以及
基于每个地理社区中的所述事件信息来将风险简档分配给所确定的地理社区中的每个。
2.根据权利要求1所述的***,其中,确定所述多个地理社区是基于所述多个交通工具的所述事件信息的邻近聚类。
3.根据权利要求1所述的***,其中,所述地理社区是多边形成形的。
4.根据权利要求1所述的***,其中,所述事件信息包括碰撞的发生率、碰撞的强度和所述多个交通工具的碰撞的分析。
5.根据权利要求1所述的***,其中,每个地理社区的风险简档包括对应于与所述地理社区相关联的事故中得到风险的程度的得分。
6.根据权利要求5所述的计算机***,其中,所述得分是离散的,所述离散得分是预定数目的离散类别之一。
7.根据权利要求5所述的计算机***,其中,所述地理社区的所述得分是连续的,所述连续得分包括折合值。
8.根据权利要求1所述的计算机***,其中,所述处理器还被配置成引起所述计算机***:
使用与情境的预定集合相关和在地理社区中的所计算的驾驶风格视角来确定多个交通工具的模式;以及
通过使用针对所确定的驾驶模式的至少一个测量参数来计算用于多个交通工具的指标,
其中,基于所计算的多个交通工具的指标来确定所述地理社区的风险简档。
9.根据权利要求8所述的计算机***,其中,所述至少一个测量参数包括超速、线性驾驶行为、转弯和里程中的至少一个。
10.根据权利要求8所述的计算机***,其中,所述指标之一是线性和转弯参数,使用针对特定地理社区中的多个交通工具检测的所有地理社区中的多个交通工具的加速、制动和转弯测量来测量所述线性和转弯指标。
11.根据权利要求10所述的计算机***,其中,每个地理社区的得分是通过以下来生成的:使用所有地理社区中的多个交通工具的平均加速度、最大加速度、结束和开始速度以及持续时间来测量指标,并且针对特定地理社区中的多个交通工具检测指标。
12.根据权利要求11所述的计算机***,其中,测量指标进一步使用多个交通工具的强度。
13.根据权利要求12所述的计算机***,其中,所述总得分在0和1之间。
14.根据权利要求11所述的计算机***,其中,所述处理器还被配置成生成所述驾驶模式中的每个的分布,并且其中所述检测包括使用所述分布来比较地理社区。
15.根据权利要求14所述的计算机***,其中,所述分布包括多个关键性能指标,所述关键性能指标包括第一四分位数、中位数、第三四分位数和最大范围中的阈值。
16.根据权利要求8所述的计算机***,其中,所述指标之一是速度参数,所述速度参数是从所述特定交通工具的瞬时速度测量的。
17.根据权利要求1所述的计算机***,其中,所述数据处理器还被配置成对所述预定参数进行归一化,其中,评估所述特定交通工具使用所述归一化预定参数的统计模型。
Applications Claiming Priority (3)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
IT102016000071099A IT201600071099A1 (it) | 2016-07-07 | 2016-07-07 | Sistemi e metodi per georeferenziare e dare punteggi a dati di veicoli in comunità |
IT102016000071099 | 2016-07-07 | ||
PCT/IB2017/054043 WO2018007953A1 (en) | 2016-07-07 | 2017-07-05 | Systems and methods for georeferencing and scoring vehicle data in communities |
Publications (1)
Publication Number | Publication Date |
---|---|
CN109791677A true CN109791677A (zh) | 2019-05-21 |
Family
ID=57610035
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201780042180.1A Pending CN109791677A (zh) | 2016-07-07 | 2017-07-05 | 用于在社区中对交通工具数据进行地理参考和评分的***和方法 |
Country Status (8)
Country | Link |
---|---|
US (1) | US20200334761A1 (zh) |
EP (1) | EP3482367A1 (zh) |
JP (1) | JP2019522296A (zh) |
CN (1) | CN109791677A (zh) |
CA (1) | CA3027831A1 (zh) |
IT (1) | IT201600071099A1 (zh) |
RU (1) | RU2018145712A (zh) |
WO (1) | WO2018007953A1 (zh) |
Families Citing this family (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US10399584B2 (en) | 2014-03-27 | 2019-09-03 | Ge Global Sourcing Llc | System and method integrating an energy management system and yard planner system |
US10705519B2 (en) | 2016-04-25 | 2020-07-07 | Transportation Ip Holdings, Llc | Distributed vehicle system control system and method |
US11341525B1 (en) | 2020-01-24 | 2022-05-24 | BlueOwl, LLC | Systems and methods for telematics data marketplace |
CN113284030B (zh) * | 2021-06-28 | 2023-05-23 | 南京信息工程大学 | 一种城市交通网络社区划分方法 |
US12026729B1 (en) | 2021-10-04 | 2024-07-02 | BlueOwl, LLC | Systems and methods for match evaluation based on change in telematics inferences via a telematics marketplace |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20120123806A1 (en) * | 2009-12-31 | 2012-05-17 | Schumann Jr Douglas D | Systems and methods for providing a safety score associated with a user location |
US8417715B1 (en) * | 2007-12-19 | 2013-04-09 | Tilmann Bruckhaus | Platform independent plug-in methods and systems for data mining and analytics |
US20140067434A1 (en) * | 2012-08-30 | 2014-03-06 | Agero, Inc. | Methods and Systems for Providing Risk Profile Analytics |
-
2016
- 2016-07-07 IT IT102016000071099A patent/IT201600071099A1/it unknown
-
2017
- 2017-07-05 CA CA3027831A patent/CA3027831A1/en not_active Abandoned
- 2017-07-05 JP JP2019500260A patent/JP2019522296A/ja active Pending
- 2017-07-05 EP EP17737646.4A patent/EP3482367A1/en not_active Withdrawn
- 2017-07-05 WO PCT/IB2017/054043 patent/WO2018007953A1/en unknown
- 2017-07-05 US US16/311,014 patent/US20200334761A1/en not_active Abandoned
- 2017-07-05 RU RU2018145712A patent/RU2018145712A/ru unknown
- 2017-07-05 CN CN201780042180.1A patent/CN109791677A/zh active Pending
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US8417715B1 (en) * | 2007-12-19 | 2013-04-09 | Tilmann Bruckhaus | Platform independent plug-in methods and systems for data mining and analytics |
US20120123806A1 (en) * | 2009-12-31 | 2012-05-17 | Schumann Jr Douglas D | Systems and methods for providing a safety score associated with a user location |
US20140067434A1 (en) * | 2012-08-30 | 2014-03-06 | Agero, Inc. | Methods and Systems for Providing Risk Profile Analytics |
Also Published As
Publication number | Publication date |
---|---|
WO2018007953A1 (en) | 2018-01-11 |
CA3027831A1 (en) | 2018-01-11 |
RU2018145712A (ru) | 2020-06-25 |
EP3482367A1 (en) | 2019-05-15 |
IT201600071099A1 (it) | 2018-01-07 |
JP2019522296A (ja) | 2019-08-08 |
US20200334761A1 (en) | 2020-10-22 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109791677A (zh) | 用于在社区中对交通工具数据进行地理参考和评分的***和方法 | |
Zheng et al. | U-air: When urban air quality inference meets big data | |
US20210192586A1 (en) | Systems and Methods for Detecting and Responding to Anomalous Traffic Conditions | |
Garnowski et al. | On factors related to car accidents on German Autobahn connectors | |
US11112797B2 (en) | System and method for improving autonomous vehicle safety performance | |
US9082072B1 (en) | Method for applying usage based data | |
CN112447041B (zh) | 识别车辆的营运行为的方法、装置及计算设备 | |
CN108062674A (zh) | 基于gps的订单欺诈识别方法、***、存储介质和电子设备 | |
Polders et al. | How to analyse accident causation? A handbook with focus on vulnarable road users | |
Nevers | Guide to Establishing Monitoring Programs for Travel Time Reliability | |
Zhang et al. | Crash prediction and risk evaluation based on traffic analysis zones | |
CN116046008A (zh) | 基于态势感知的路线规划方法、***及效能评估装置 | |
Oluwajana et al. | Macro-level collision prediction using geographically weighted negative binomial regression | |
Zhai et al. | A context-aware evaluation method of driving behavior | |
Ferreira et al. | Categorical modeling to evaluate road safety at the planning level | |
Mohanty et al. | Development of crash prediction models by assessing the role of perpetrators and victims: a comparison of ANN & logistic model using historical crash data | |
AlRajie | Investigation of using microscopic traffic simulation tools to predict traffic conflicts between right-turning vehicles and through cyclists at signalized intersections | |
Kummetha et al. | Proactive congestion management via data-driven methods and connected vehicle-based microsimulation | |
Kim et al. | A methodology for prioritizing safety indicators using individual vehicle trajectory data | |
Zhang et al. | An ensemble machine learning method for crash responsibility assignment in quasi-induced exposure theory | |
Ricord et al. | Investigation of equity biases in transportation data: a literature review synthesis | |
Harb et al. | Empirical analysis of toll-lane processing times using proportional odds augmented MARS | |
Hofmockel et al. | Multiple vehicle fusion for a robust road condition estimation based on vehicle sensors and data mining | |
Ryan et al. | Linking geospatial crash and citation data to inform equitable enforcement decisions | |
Cheng et al. | Evaluation of the impact of traffic volume on site ranking |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
WD01 | Invention patent application deemed withdrawn after publication | ||
WD01 | Invention patent application deemed withdrawn after publication |
Application publication date: 20190521 |