论文部分内容阅读
UBI(usage-based insurance)车险是现阶段车辆保险研究领域的热点,海量自然驾驶数据可以为UBI车险研究提供驾驶员在受干扰最小的状况下的车辆运行数据。通过合理的方式分析车辆运行数据的风险后,可以依据风险进行UBI车险费率的厘定。因为车险价格由用户的行为决定,所以通过驾驶行为确定车险费用有助于规范驾驶员的驾驶行为,改善道路交通安全状况。因此,本研究力求基于自然驾驶数据合理地构建UBI定价模型,以保费奖惩促使驾驶员改善驾驶行为,提高交通安全水平。首先,本文在总结分析国内外对交通大数据挖掘预处理、自然驾驶数据的应用、驾驶行为研究理论与方法、交通风险评估方法和模型等相关成果的基础上,对OBD数据结构、特征进行了介绍和分析,并设计了数据质量的识别和优化算法,采用SQL server和Python完成数据的预处理过程,方便后续数据分析过程对数据的读取与调用。其次通过理论分析的方法确定出险频率预测模型中的风险指标,设计了风险因子的挖掘算法,采用Python编程完成数据挖掘并整合成包含各风险指标的车辆报告。运用主成分分析和因子分析精简了风险因子的数量,再通过多重共线性检验确定风险因子中有5组存在共线性关系,为模型构建提供变量选取依据。再次,本文采用Logistic模型、泊松回归模型、负二项回归模型、零膨胀泊松回归模型和零膨胀负二项回归模型构建了车辆出险频率预测模型,并对各模型进行评价对比,评价结果表明拟合效果最好的模型是泊松回归模型,其出险预测精度达到 98.9398%。最后,在原始数据库中选取了 3444个车辆进行实例分析,将基于泊松回归的车辆出险次数预测模型应用于UBI车险的自主核保系数调整实例中,确定车险费率系数,完成UBI车险定价过程,并展示了实例数据的出险次数预测结果。再将UBI车险费用和传统车险费用进行对比,展示了基于UBI定价的费率变化情况,证明了通过UBI定价可以形成对驾驶员的奖惩机制,从而有效的提高道路交通安全水平。