通过无监督检测遥测时间序列数据中的异常来评估驾驶风险

车辆遥测数据为动态驾驶风险评估提供了细粒度数据，但现有方法通常依赖聚合指标（如急刹车次数），未能充分利用遥测数据丰富的时序结构。在本文中，我们引入了一个灵活的框架，利用连续时间隐马尔可夫模型（CTHMM）来建模和分析行程级遥测数据。与现有方法不同，CTHMM 在无需对急驾驶事件预设阈值或对事故概率做假设的情况下对原始时序数据进行建模。此外，我们的分析仅基于遥测数据，无需驾驶员或车辆特征等传统协变量。通过基于伪残差的无监督异常检测，我们识别偏离正常驾驶模式的偏差——即将驾驶员历史或群体中观察到的普遍行为定义为正常——这些偏差与事故风险相关联。在受控数据集和真实数据集上的验证表明，CTHMM 能有效检测异常驾驶行为和事故概率较高的行程。在真实数据分析中，纵向和横向加速度的较高异常水平始终与更大的事故风险相关，使用该信息的分类模型在行程级分析中取得了高达 0.86 的 ROC-AUC 值，在区分有索赔记录的驾驶员时达到了 0.78。此外，该方法揭示了有索赔记录和无索赔记录驾驶员之间的显著行为差异，为保险应用、事故分析和预防提供了有价值的见解。