基于驾驶行为分类的UBI费率厘定模型

发布时间：2020-01-31 16:59

【摘要】：我国机动车保险行业规模巨大,然而盈利状况却一直不甚理想,其根本原因在于我国车险定价长期以来都遵从从车因子,忽略了驾驶员的驾驶行为差异。UBI(U sage based Insurance)作为一种欧美发达国家新兴的车辆保险模式,能够根据驾驶员的驾驶行为安全程度个性化地确定保费,从而约束驾驶员不安全驾驶行为,降低事故率,减少理赔。在我国新的费改政策环境下,研究基于我国新费改政策的UB I费率厘定理论与方法具有重要的理论价值与实际意义。因此,本文在UBI国内外研究与应用现状的基础上,提出了基于我国新费改政策的UBI费率厘定模型。首先使用分类算法建立驾驶行为与事故风险的联系,然后根据分类结果确定UBI核保系数,再将UBI核保系数引入新费率政策下的保费计算公式,形成适合我国国情的基于驾驶行为分类的UBI费率厘定模型。论文的主要内容如下:(1)建立基于驾驶行为分类的UBI费率厘定模型。首先介绍了车险费率厘定的理论基础,费率厘定因子和费率厘定方法。分析指出了现有UBI费率厘定理论的不足,即无法对驾驶行为进行客观评价。在此基础上,提出使用数据挖掘的分类技术代替依靠主观赋权法建立的驾驶行为评分体系对驾驶行为进行评估。并在新的费率体系下,建立了基于驾驶行为分类的UBI费率厘定模型,给出了费率厘定公式与厘定步骤。最后将模型应用于保费实例计算,计算过程中证明了驾驶行为分类模型对于事故风险的识别能力确实优于驾驶行为评分模型,可以使UBI费率厘定更加科学、合理。(2)根据车联网数据建立驾驶行为分类模型。以400名驾驶员的实际驾驶行为数据和出险数据作为实验数据,首先使用ExtraTrees算法进行特征选择,然后分别采用决策树、朴素贝叶斯、k-NN、神经网络、SVM分类器进行训练,再根据训练集和测试集上的准确率、测试集上的混淆矩阵和ROC曲线对分类器进行选择,得到分类性能最优的基于SVM分类器的驾驶行为分类模型,并用PSO算法与GA算法对模型参数加以优化。
【图文】：

决策树,分类问题,哺乳动物

．－相对某些分类算法而言，决策树的分类精度和分类效率比较高，能够以图形化逡逑界面展示分类规则、分类结果，易于解释和理解，能够处理连续型变量和类别型变逡逑量，同时适用于对大数据集的分类处理，计算量小，但是当有大量的变量被加入决逡逑策树模型时，决策树就会变得很庞大，不易于展示，并且降低了检索速度。逡逑

曲线,混淆矩阵

阵可以直观的表现出分类器的分类效果，但是人们还是希分类器的分类性能，以便于比较。所以引入准确率这一概念，，效果的的性能度量，其定义如下：逡逑准确宇—正确预测数逡逑￥逦预测总数逡逑寻找的模型就是把它们应用到测试集时具有最高准确率的受者操作特征曲线（ＲＯＣ）逡逑类问题，我们常常希望知道在预测为正的样本中，预测正确操作特征曲线（ＲＯＣ）就是一种表现真正率和假正率的图形横轴为假正率（ＦＰＲ），纵轴为真正率（ＴＰＲ），曲线上每一真正率与假正率下的归纳模型。图３－４为一个分类器的Ｒ０Ｃ
【学位授予单位】：北京交通大学
【学位级别】：硕士
【学位授予年份】：2017
【分类号】：F842.634

【参考文献】