基于车联网衍生特征的夜间车险理赔预测：一种多层次方法
机器学习
2022-05-11 v1 应用统计
摘要
近年来，已经可以收集驾驶员的 GPS 数据，并将这些数据纳入针对该驾驶员的汽车保险定价中。这些数据被持续收集并每晚处理为元数据，由每次离散行程的里程和时间摘要，以及一组描述行程属性（例如驾驶员疲劳或驾驶员分心）的行为评分组成，因此我们考察它是否可用于通过成功分类发生在导致该驾驶员提出理赔的行程之前的行程来识别风险升高的时段。识别驾驶员的风险升高时段很有价值，因为它创造了干预并潜在避免理赔的机会。我们考察驾驶员每次行程的元数据，并训练一个分类器来预测该驾驶员的下一次行程是否为发生理赔的行程。通过实现受试者工作特征曲线下面积 above 0.6，我们表明提前预测理赔是可能的。此外，我们比较了以行驶里程等暴露特征训练的 XGBoost 分类器与以计算速度评分等行为特征训练的 XGBoost 分类器在预测驾驶员是否会发生理赔时的预测能力（以受试者工作特征曲线下面积衡量）。
引用
@article{arxiv.2205.04616,
title = {Nightly Automobile Claims Prediction from Telematics-Derived Features: A Multilevel Approach},
author = {Allen R. Williams and Yoolim Jin and Anthony Duer and Tuka Alhanai and Mohammad Ghassemi},
journal= {arXiv preprint arXiv:2205.04616},
year = {2022}
}