基于深度集成学习的驾驶行为风险分析与车辆保险智能定价模型研究

With the further development of market-oriented reform of automobile insurance pricing, the study of insurance premium pricing is gradually transferred to the analysis and research of UBI (Usage-Based Insurance). However, the current research is based on the statistical analysis of the driving behavior on a superficial level. On the basis of analyzing the driving behavior in depth, this research puts forward a ternary integration framework of human, automobile and environment. We will analyze driving data from multiple dimensions and establish a stereoscopic driving behavior model. On the basis of the model, we analyze the influence of environmental factors on driving behavior, and the influence of driving behavior of adjacent vehicles by using region connection calculus theory. Through the construction of multi-source heterogeneous data platform, this study integrates data derived from ADAS image sensors, geographic information system, global positioning system and weather system as well as other data. Through deep learning algorithms, a variety of features are extracted from corresponding data. Owing to powerful generalization ability of semi-supervised deep learning algorithm, we can establish the pricing model of automobile insurance based on driving behavior and environmental factors. Through the depth of learning whose structure is more close to the human brain given to ability of abstraction and analysis, we can get a more reasonable automobile insurance pricing determination method, which has important practical significance on the realization of China's automobile insurance precision, personalized pricing.

随着我国机动车辆保险费率市场化进度的加快，保险定价研究得到学界和业界的持续关注。然而，目前的研究主要集中于使用静态信息（如车辆信息等）基础上引入少量的驾驶行为信息（比如行驶里程等）进行建模，定价精度有待提高。本项目在深入分析驾驶行为的基础上，通过整合ADAS图像传感器、地理信息系统、全球定位系统及天气系统等多源异构大数据，建立一个人-车辆-环境三元一体化研究框架，利用区域连接演算理论建立车辆之间驾驶行为关系的立体化驾驶行为模型，并在此基础上深入分析地理和环境因素对驾驶行为的影响。进一步地，利用深度学习模型分别建立基于驾驶员信息、驾驶行为与环境因子的车辆保险费率定价模型，并通过集成学习框架进行多模型融合，制定更加合理的机动车辆保险费率厘定方法。本项目的研究成果不仅可以通过多因素耦合提高驾驶行为风险评估精度，督促驾驶员改善驾驶习惯，而且对我国车险精准化、个性化定价具有重要的现实意义。

机动车辆保险是我国保险市场上的主要财产险险种，传统的机动车辆保险费率厘定模型局限于公里数、车辆型号等统计因素，很少考虑到根据具体的驾驶行为为机动车辆进行定价。本项目综合运用深度学习和集成学习方法，引入驾驶行为因子和环境因子，对机动车保险费率智能厘定模型和方法进行系统地研究。首先，建立了一个基于深度集成学习的预测分析研究框架，提出了混合集成模型与方法，并构造了基于不同理论的集成策略，包括基于递归深度随机子空间集成学习模型、基于递归神经网络深度学习的预测模型和基于长短期记忆的深度随机子空间学习的时空预测模型，丰富了深度集成学习理论，为机动车保险定价研究提供了模型基础。其次，对驾驶风险分析和机动车保险定价等建模和监测方法进行了深入的研究。在驾驶风险分析中，提出了基于CNN-LSTM深度学习模型的车辆驾驶风险评估模型。该模型结合驾驶模式以及目标车辆和周围车辆之间的相互作用，提高了预测模型的准确性。在机动车保险定价研究中提出了基于深度集成学习的机动车保险定价模型，该模型使用深度学习技术从高维数据中提取有效特征，同时通过权重的调整，不同特征的重要程度不同，对机动车保险定价的影响也不同，为多维因素和个性化保险费率提供了算法依据。最后，基于上述理论和模型，开发了一个基于驾驶行为和环境因素的保费厘定系统，对机动车驾驶行为和环境因素进行实时监测和预测分析，给出机动车保险费率智能厘定结果，提高车险定价的客观性与公平性，提高工作质量与效率的同时促进机动车保险行业良性发展。本项目的研究理论上建立基于驾驶行为和环境因子的机动车保费厘定模型，丰富和扩充了保险定价理论与方法，同时应用中可直接为保险行业提供决策支持，使得保险公司与广大车主都能受益。