论文部分内容阅读
伴随我国城市化发展，城市道路交通安全问题愈加严重。世界卫生组织表示，到2030年道路交通事故将成为世界第七大死因；而我国道路交通安全问题更甚，历年我国汽车交通万车死亡率是发达国家的4~8倍[3]，因此通过管理手段提升汽车安全是相当有必要的。随着交通出行工具多样化发展，出租车成为了城市居民必不可少的出行工具。我国有世界上最多的出租车，且出租车日均行驶里程要远高于小汽车，如上海全市出租车占机动车保有量1.78%，周转量占比却达到10.07%。出租车安全事故时有发生，如何评估、控制出租车运行安全风险对提升道路交通安全的作用将十分显著。本文探讨基于大数据和机器学习算法来评估出租车安全风险的方法，并给出车辆风险管理和UBI(Usage Based Insurance)的应用场景。
首先，第二章中介绍了大数据处理技术和出租车轨迹数据，对300G上海市2016年3月的出租车原始数据进行预处理，并对出租车运行基本特征进行了分析。指出2012年到2016年上海市出租车数量基本保持稳定，但运行效率有所提升；夜间停驻时间长短与驾驶习惯相关，夜间停驻时间较短的驾驶员有明显疲劳驾驶倾向，夜间停驻空间分布主要集中在市中心区域；出租车OD点空间分布基本一致，出发地与目的地平衡说明打车越来越方便，郊区与市中心的差距正在缩小；周末与工作日特征明显不同，周末的运营时间和载客时间、运营里程和载客里程、单次载客距离和载客时间都少于工作日。分析指出道路驾驶安全风险依然突出，驾驶员超速驾驶行为比较，占比达86.98%；同时，尽管疲劳驾驶比例达到15.27%的比例，且疲劳驾驶行为大多是集中于1次；部分驾驶员加速度偏大，其中占比为0.85%的驾驶员加速度超过一般家用车加速度中值，存在激进驾驶行为。
其次，第三章介绍了出租车运行安全风险考量维度，分析了出租车运营载客安全风险特征，包括运行速度、驾驶稳定性和超速行为等特征，作为分析刻画出租车安全风险画像的基本特征；进行方差分析和相关性分析，建立了安全风险特征集合，并完成训练集标签获取，指出安全风险特征在一天中不同时段区别明显。
然后，第四章给出一套出租车运行安全风险预测的有效算法。介绍了GBDT、XGboost和LR模型原理，基于这些算法设计了一个融合模型用于提升模型效果。特征工程中利用前进后退法完成特征选择，特征集合分类为主特征集合和辅助特征集合。根据给定模型评估方法，对训练完成的模型预测效果进行评估，效果显示单模型实际效果良好。融合模型对单模型效果在精确率、AUC和F1值都有所提升，其中融合模型精度0.9982，比最佳单模型提升了0.7%；融合模型AUC比最佳单模型稍有提高；融合模型F1值为0.9963，比最佳单模型提升了0.4%。
最后，在第五章中，结合实际、当前发展和对未来发展方向的预测，在大数据以及人工智能时代到来之际，提出车辆风险管理策略和精准保险应用场景。基于平台化管理来支持大数据算力，机器学习算法预测支撑车辆风险管理策略实施，降低行业运行安全风险，精准分析驾驶者安全风险等级，从而实现精准保险。第六章中总结了文章结论与成果，并对未来发展进行展望。
首先，第二章中介绍了大数据处理技术和出租车轨迹数据，对300G上海市2016年3月的出租车原始数据进行预处理，并对出租车运行基本特征进行了分析。指出2012年到2016年上海市出租车数量基本保持稳定，但运行效率有所提升；夜间停驻时间长短与驾驶习惯相关，夜间停驻时间较短的驾驶员有明显疲劳驾驶倾向，夜间停驻空间分布主要集中在市中心区域；出租车OD点空间分布基本一致，出发地与目的地平衡说明打车越来越方便，郊区与市中心的差距正在缩小；周末与工作日特征明显不同，周末的运营时间和载客时间、运营里程和载客里程、单次载客距离和载客时间都少于工作日。分析指出道路驾驶安全风险依然突出，驾驶员超速驾驶行为比较，占比达86.98%；同时，尽管疲劳驾驶比例达到15.27%的比例，且疲劳驾驶行为大多是集中于1次；部分驾驶员加速度偏大，其中占比为0.85%的驾驶员加速度超过一般家用车加速度中值，存在激进驾驶行为。
其次，第三章介绍了出租车运行安全风险考量维度，分析了出租车运营载客安全风险特征，包括运行速度、驾驶稳定性和超速行为等特征，作为分析刻画出租车安全风险画像的基本特征；进行方差分析和相关性分析，建立了安全风险特征集合，并完成训练集标签获取，指出安全风险特征在一天中不同时段区别明显。
然后，第四章给出一套出租车运行安全风险预测的有效算法。介绍了GBDT、XGboost和LR模型原理，基于这些算法设计了一个融合模型用于提升模型效果。特征工程中利用前进后退法完成特征选择，特征集合分类为主特征集合和辅助特征集合。根据给定模型评估方法，对训练完成的模型预测效果进行评估，效果显示单模型实际效果良好。融合模型对单模型效果在精确率、AUC和F1值都有所提升，其中融合模型精度0.9982，比最佳单模型提升了0.7%；融合模型AUC比最佳单模型稍有提高；融合模型F1值为0.9963，比最佳单模型提升了0.4%。
最后，在第五章中，结合实际、当前发展和对未来发展方向的预测，在大数据以及人工智能时代到来之际，提出车辆风险管理策略和精准保险应用场景。基于平台化管理来支持大数据算力，机器学习算法预测支撑车辆风险管理策略实施，降低行业运行安全风险，精准分析驾驶者安全风险等级，从而实现精准保险。第六章中总结了文章结论与成果，并对未来发展进行展望。