胡显标 ¹, 朱晓宇 ²,马玉莲 ^3*, 邱屹常⁴，唐庆¹

1  密苏里科技大学 罗拉分校 土木建筑与环境工程系，美国 密苏里州65409

2 美国Metropia公司，美国亚利桑那州图森 85718

3. 北德克萨斯大学，金融报销房地产与法律系  美国德克萨斯州丹顿市 76203

4. 亚利桑那大学 土木工程与工程力学系，美国亚利桑那州图森 85719

5. 亚利桑那大学 土木工程与工程力学系，美国亚利桑那州图森 85719

1. 引言

常见的车险定价模式通常基于诸如驾驶员年龄、性别、驾龄、生活城市、事故记录、理赔历史等静态信息，而忽视了驾驶员的开车习惯、出行行为等个人因素。而实际上，这些因素对驾驶员的行车安全与保险公司可能需要承担的赔付风险而言可能更为重要。在年龄、驾龄等方面都相同的情况下，如果一个驾驶员每年开车两万公里、经常超速行驶，刹车油门都踩得较猛，开车时经常打电话或者发短信，而另一个驾驶员每年只开五千公里，平时开车都遵守交通规则，一般而言第一个驾驶员的危险系数与发生交通事故的概率会远高于第二个。如果保险公司对两个人征收同样的保费，可能会带来一系列的问题，也不利于保险公司精确计算客户风险、细分客户群体。

针对于此，基于驾驶行为的汽车保险费计算模式（Usage Based Insurance, UBI, 或者Pay-As-You-Drive-And-You-Save, PAYDAYS）近年来在欧美国家开始流行。UBI保险定价的优势在于人们不会因为有更好的驾驶经验而支付更多的保险费，而可以通过更安全的方式驾驶更少的里程来节省费用。但在目前已进行的驾驶风险研究中，绝大多数研究人员和保险公司目前仅仅依靠用户的GPS轨迹来进行建模分析，例如出行次数、出行时间、急刹车等。这些研究并不考虑周围环境的其他可能导致碰撞风险的关键风险因素，即情景敏感风险因素（包括驾驶员车辆周围的道路状况和交通流）。例如如果我们能持续的观察到一个司机开车速度明显比周围的平均交通流要快（或者更慢），那么我们就有充足的理由相信他的行为与常人有些不同，而这种不同在没有将行驶轨迹与交通状况进行融合之前是无法完成的。

本研究提出一种新的情景驾驶风险建模和分析方法，结合地理网络信息和动态交通状况，并从智能手机GPS模块收集个性化驾驶行为数据来识别驾驶风险因素并评估各种情景下的驾驶行为，并研究情景驾驶行为对保险公司的意义。

2. 数据采集

从三十万七千次行程中收集了总共两亿八千万次非重复的轨迹记录，其中行程时间为106741小时，覆盖里程为2611837英里。大部分数据来自三个美国城市：Tucson AZ，Austin TX和El Paso TX。情景数据包含两类：一是地理网络数据集（包含一组路段和节点）；二是时变交通动态条件（包括历史交通数据集和实时交通信息），并在此基础上将多源数据进行融合。

3. 情景驾驶性能测量

定义了五个测量值以捕获轨迹和路段级的驾驶性能。相对速度测量驾驶员的行驶速度与同一路段上的实时交通速度之间的变化。情景超速描述用户在不同情景下的行驶速度与规定的限速之间的差异。平稳性测量加速和减速行为的稳定性。急刹车和启动测量车辆运行中的加速和减速过程。

4. 驾驶性能和风险分析

4.1.  驾驶员层面的聚类分析

通过主成分分析，我们将驾驶性能变量减少到两个主要因素：踏板操作（PC1）和速度控制（PC2）。利用这两个因素，构造聚类法（k-均值法）的分类解释变量，将驾驶员分为五个具有相似驾驶行为的组，第一组驾驶员G1在踏板和速度操作方面表现良好，约占总用户的20%。34.5%的驾驶员属于G2组，并且在踏板操作方面表现良好，但在速度控制方面表现不佳，这表明他们可能超速或偏离了平均交通速度。第三组G3包括频繁超速或速度行为不一致但踏板操作良好的驾驶员，占总用户的24.3%。G4占11.8%，表示在车速方面表现良好，但踏板操作不太好的驾驶员。最后一组G5包括在踏板和速度操作方面都表现不佳的驾驶员，在制动或油门踏板上频繁进行急操作，并且行驶速度严重偏离交通流量或速度限制，包括9.4%的驾驶员。

4.2.  风险性能分析

我们首先用负二项式回归对数据进行建模，并解释了过度分散，结果如表1所示。所有这些模型都使用过去三年中的故障事故数量作为响应变量，并将每个驾驶员报告的年龄和行驶里程作为解释变量。在10种不同的测量方法中，模型1结果表明，定义的情景驾驶行为性能测量与事故频率显著相关，并且习惯性驾驶性能良好的驾驶员在车辆事故中不太可能发生事故或出现故障，与预期一致。模型2确认了驾驶性能和驾驶风险之间的联系，以及定义的情景性能测量和碰撞记录之间的相关性。研究结果表明速度控制操控比踏板操控对故障事故风险的的影响更大。模型3则进一步验证了上述发现。总的来说，所有模型都验证了定义的驾驶性能和故障事故风险之间的关系。

5.  总结

本文提出了一种从智能手机GPS模块中采集个性化驾驶行为数据的新方法，结合地理网络信息和动态交通状况，识别驾驶风险因素以及评估不同环境下的驾驶行为。在数值分析部分，首先进行主成分分析，揭示了两个主要成分，即踏板和速度，可以反应大部分驾驶行为。在此基础上，采用聚类方法将驾驶员分为五组。随后建了三个统计回归分析模型，验证了踏板操作和行驶速度与更多的故障事故有显著的相关性。在所有驾驶员级别变量中，在最坏情况下，相对速度性能更好，平均平稳加速/减速更好的驾驶员不太可能发生故障事故。这些发现表明，定义的情景驾驶行为性能测量与驾驶风险显著相关，从而验证了所提出的研究模型的价值。我们的研究结果进一步推进了现有知识体系发展，并为高级的PAYDAYS保险定价提供了基础。

6.  参考文献

Bordoff, J. and P. J. Noel (2008). Pay-As-You-Drive Auto Insurance: A Simple Way to Reduce Driving-Related Harms and Increase Equity, The Brookings Institution, Washington, D.C.

Castro, M., R. Paleti and C. R. Bhat (2012). "A latent variable representation of count data models to accommodate spatial and temporal dependence: Application to predicting crash frequency at intersections." Transportation Research Part B: Methodological 46(1): 253-272.

Chong, L., M. M. Abbas, A. Medina Flintsch and B. Higgs (2013). "A rule-based neural network approach to model driver naturalistic behavior in traffic." Transportation Research Part C: Emerging Technologies 32: 207-223.

Greene, W. H. and D. A. Hensher (2010). Modeling Ordered Choices A Primer, Cambridge University Press.

Guo, F., X. Wang and M. A. Abdel-Aty (2010). "Modeling signalized intersection safety with corridor-level spatial correlations." Accident Analysis & Prevention 42(1): 84-92.

Huang, Y., D. J. Sun and L.-H. Zhang (2018). Identifying Intra-Personal Heterogeneity of Driver Behavior from Taxi GPS Traces.

Jonah, B. A. (1986). "Accident risk and risk-taking behaviour among young drivers." Accident Analysis & Prevention 18(4): 255-271.

Jun, J., R. Guensler and J. Ogle (2011). "Differences in observed speed patterns between crash-involved and crash-not-involved drivers: Application of in-vehicle monitoring technology." Transportation Research Part C: Emerging Technologies 19(4): 569-578.

Jun, J., J. Ogle and R. Guensler (2007). "Relationships Between Crash Involvement and Temporal-Spatial Driving Behavior Activity Patterns: Use of Data for Vehicles with Global Positioning Systems." Transportation Research Record: Journal of the Transportation Research Board 2019: 246-255.

Lord, D. and F. Mannering (2010). "The statistical analysis of crash-frequency data: A review and assessment of methodological alternatives." Transportation Research Part A: Policy and Practice 44(5): 291-305.

Ma, Y.-L., X. Zhu, X. Hu and Y.-C. Chiu (2018). "The use of context-sensitive insurance telematics data in auto insurance rate making." Transportation Research Part A: Policy and Practice 113: 243-258.

Park, B.-J., D. Lord and C. Lee (2014). "Finite mixture modeling for vehicle crash data with application to hotspot identification." Accident Analysis & Prevention 71: 319-326.

Rhodes, N. and K. Pivik (2011). "Age and gender differences in risky driving: The roles of positive affect and risk perception." Accident Analysis & Prevention 43(3): 923-931.

Sun, D. and L. Elefteriadou (2014). "A Driver Behavior-Based Lane-Changing Model for Urban Arterial Streets." Transportation Science 48(2): 184-205.

Sun, D., K. Zhang and S. Shen (2018). "Analyzing spatiotemporal traffic line source emissions based on massive didi online car-hailing service data." Transportation Research Part D: Transport and Environment 62: 699-714.