Assessing Driving Risk via Telematics Time Series Data
Vehicle telematics provides granular data for dynamic driving risk assessment, but current methods often rely on aggregated metrics and do not fully exploit the rich time-series structure of telematics data. This presentation introduces a flexible framework using continuous-time hidden Markov model (CTHMM) to analyze trip-level telematics data. Unlike existing methods, the CTHMM models raw time-series data without predefined thresholds on harsh driving events or assumptions about accident probabilities. Moreover, our analysis relies solely on telematics data, requiring no traditional covariates. Using unsupervised anomaly detection based on pseudo-residuals, we identify deviations from normal driving patterns linked to accident risk. The model is validated with controlled and real-world datasets. Additionally, the methodology reveals significant behavioural differences between drivers with and without claims, offering insights for insurance, accident analysis, and prevention.
Évaluation du risque de conduite à l’aide de données télématiques de séries temporelles
La télématique automobile fournit des données granulaires pour l’évaluation dynamique des risques liés à la conduite, mais les méthodes actuelles reposent souvent sur des métriques agrégées et n’exploitent pas pleinement la riche structure des séries temporelles des données télématiques. Cet exposé présente un cadre flexible utilisant un modèle de Markov caché en temps continu (CTHMM) pour analyser les données télématiques au niveau des trajets. Contrairement aux méthodes existantes, le CTHMM modélise les données brutes de séries temporelles sans seuils prédéfinis sur les événements de conduite difficiles ni hypothèses sur les probabilités d’accident. En outre, notre analyse repose uniquement sur les données télématiques et ne nécessite pas de covariables traditionnelles. Grâce à la détection non supervisée des anomalies basée sur des pseudo-résidus, nous déterminons les écarts par rapport aux schémas de conduite normaux liés au risque d’accident. Le modèle est validé à l’aide d’ensembles de données contrôlées et réelles. De plus, la méthodologie révèle des différences comportementales significatives entre les conducteurs avec et sans sinistres, ce qui offre des perspectives pour l’assurance, l’analyse des accidents et la prévention.
Date and Time
-
Langue de la présentation orale
Anglais
Langue des supports visuels
Anglais