A Bayesian Approach for Prioritising Driving Behaviour Investigations in Telematic Auto Insurance Policies

要約

自動車保険会社は、保険対象の車両に設置されたブラックボックスレコーダーを介してテレマティック情報にアクセスする機会が増えており、リスクの増加や無保険活動を示す可能性のある望ましくない行動を特定したいと考えています。
ただし、機械学習によるそのような行動の特定は簡単ではなく、結果は完璧とは程遠く、疑わしいケースを確認するには人間による調査が必要です。
GPS データの自動分析によって生成される、適切に形成された優先度スコアにより、保険会社は時間をより効率的に活用できるようになり、調査中の行動の検出が向上します。
このような行為の例としては、食事や荷物の配達など、商業目的で民間保険が適用された車両を使用することが挙げられます。
まず、地理空間情報によって強化された旅行 GPS と加速度計のデータを利用して、配達運転のための不完全な分類器を旅行ごとにトレーニングします。
私たちは、ベータ二項分布の混合を利用して、稀な高スコアグループまたは一般的な低スコアグループのいずれかに属するとして肯定的に分類される旅行を引き受ける保険契約者の傾向をモデル化し、このパラメータを学習します。
MCMCを使用したモデル。
このモデルは、任意の回数の旅行とアラートが与えられた場合に、どの保険契約者でも自動アラートを定期的に生成する事後確率を提供します。
この事後確率は優先度スコアに変換され、手動調査で最も価値のある候補を選択するために使用されます。
1 年間にわたるテストにより、保険契約者は商用運転活動の可能性によって毎週ランク付けされました。
上位 0.9% は本稿執筆時点で引受会社によって少なくとも 1 回確認されており、そのうち 99.4% が正しく特定されたことが確認されており、このアプローチが手動検索と比較して人員配置の効率の大幅な向上を達成していることを示しています。

要約(オリジナル)

Automotive insurers increasingly have access to telematic information via black-box recorders installed in the insured vehicle, and wish to identify undesirable behaviour which may signify increased risk or uninsured activities. However, identification of such behaviour with machine learning is non-trivial, and results are far from perfect, requiring human investigation to verify suspected cases. An appropriately formed priority score, generated by automated analysis of GPS data, allows underwriters to make more efficient use of their time, improving detection of the behaviour under investigation. An example of such behaviour is the use of a privately insured vehicle for commercial purposes, such as delivering meals and parcels. We first make use of trip GPS and accelerometer data, augmented by geospatial information, to train an imperfect classifier for delivery driving on a per-trip basis. We make use of a mixture of Beta-Binomial distributions to model the propensity of a policyholder to undertake trips which result in a positive classification as being drawn from either a rare high-scoring or common low-scoring group, and learn the parameters of this model using MCMC. This model provides us with a posterior probability that any policyholder will be a regular generator of automated alerts given any number of trips and alerts. This posterior probability is converted to a priority score, which was used to select the most valuable candidates for manual investigation. Testing over a 1-year period ranked policyholders by likelihood of commercial driving activity on a weekly basis. The top 0.9% have been reviewed at least once by the underwriters at the time of writing, and of those 99.4% have been confirmed as correctly identified, showing the approach has achieved a significant improvement in efficiency of human resource allocation compared to manual searching.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google