《如何运用大数据分析驾驶行为中风险所在.docx》由会员分享，可在线阅读，更多相关《如何运用大数据分析驾驶行为中风险所在.docx（3页珍藏版）》请在三一办公上搜索。
1、如何运用大数据分析驾驶行为中风险所在如何运用大数据分析驾驶行为中风险所在？ 我们知道，保险公司利用UBI，会构建两个分析模型，一个是驾驶风险模型，一个是基于驾驶风险和其他风险的保险定价模型。 1、驾驶风险模型是需要拥有车联网数据具备车联网运营经验，懂驾驶行为，懂车，能够进行数据分析，一般是主机厂、TSP或者数据平台公司。 2、保险精算模型是具备车险资质和精算经验，一般是保险公司，保险经纪公司，精算咨询服务公司 对大部分采用UBI计算的保险公司/车联网公司来说，驾驶风险模型会用到50个以上的变量，这些变量大部分是通过车联网采集，前装数据会多一点，质量好点，后装OBD的方式，有一些数据的噪音。 这
2、些变量一般是：行驶里程 ，平均出行的时长、平均出行距离、平均每天出行次数、平均每天出行时间、平均一天驾驶距离、平均一周驾驶距离、周一到周五平均驾驶次数、周末驾驶次数、平均速度、急加速/百公里、急刹车/百公里、路型、各地形的行驶里程、个地形的驾驶时间、各地形的停车时间、转弯次数、横向加速次数、滚动停止、变道次数、变速频率、变速级别、巡航控制、左转弯次数、速度偏差、假期驾驶、驾驶类型、驾驶类型偏差、出行半径、交叉口次数、转弯信号灯、安全带状态、安全气囊状态、灯/雨刷状态、车辆维修状态、出行间隔、拥堵指数、手机使用等。因为各个变量之间也具备关联关系，这里我们会有基本算法的选择，是使用线性聚类，还是神
3、经网络的决策树算法。 我们通过对车联网的一年，5千辆车的运行车联网数据进行了基本的算法建立，如下图。 首先通过log file建立初始数据，通过云端存储进行半结构化的数据，通过HIVE和HDInsight进行数据的清理，drivesession相当于进行驾驶风险的数列化，建立基本的数据表单，通过Dataset,AML和数据训练模式，形成最后的驾驶风险打分，打分的结果会通过WebService进行展示。目前车联网数据收集来源，这里很多工作是进行了数据的清洗工作。同时根据保险公司提供的理赔名单和驾驶车主进行匹配，在训练模型中进行相关的训练。 要建立一个驾驶风险的基准，一般要经过下图的几个步骤： 第
4、一步，数据准备： 1、了解管理层对UBI的期望和策略 2、了解目前保险公司的目前的数据来源，前装/后装/其他例如APP 3、了解可以与车联网数据集成的数据来源，例如客户基本信息、理赔数据、维修数据等 4、基于数据的基本分析，确定需要达到的目标 5、整理数据，明确数据的业务定义并进行清洗，去噪 第二步，云平台验证： 1、在保险公司的协助下，从UBI的车主中选取出险理赔的红蓝匹配样本，抽取特征值，进行打标签 2、在Azure云平台构建业务模型 3、数据导入，进行云平台运算，校验模型 4、和精算分析进行沟通，确定驾驶风险输出的可用性 第三步，形成模型基准： 1、根据云平台的验证结果，建立驾驶风险的评分模型 2、明确和其他数据的的集成和协同关系 3、建立通过驾驶风险进行骗保、客户分群的整体架构 4、研究其他UBI保险驾驶风险模型的实施路径 5、进行蓝图设计，明确驾驶风险模型完善实施的规划 下面是经过驾驶风险打分后的结果示例： 总结来看，这个整体架构和技术特点是： 1、多种数据数据的集成处理技术。 2、基于云的机器学习，汇集各种算法，通过界面拖拽构建，存储成本低，数据培训快，推向用户端快。 3、对实时运行的上千辆前装车联网数据进行了验证。
