我國(guó)經(jīng)濟(jì)的不斷發(fā)展和人民生活水平的穩(wěn)步提升使得我國(guó)機(jī)動(dòng)車保有量逐年增長(zhǎng),帶來(lái)了諸如交通安全、道路堵塞、環(huán)境污染等新的問(wèn)題并給車險(xiǎn)業(yè)、交通監(jiān)管部門(mén)帶來(lái)了新的挑戰(zhàn)。依托物聯(lián)網(wǎng)概念產(chǎn)生的車聯(lián)網(wǎng)技術(shù)和基于統(tǒng)計(jì)學(xué)方法的數(shù)據(jù)挖掘理論為這些問(wèn)題與挑戰(zhàn)的解決提供了新思路。本文結(jié)合國(guó)內(nèi)著名車聯(lián)網(wǎng)數(shù)據(jù)平臺(tái)N公司數(shù)據(jù),搭建了車輛駕駛畫(huà)像體系和風(fēng)險(xiǎn)分析模型。本文首先按照數(shù)據(jù)挖掘理論對(duì)數(shù)據(jù)進(jìn)行了預(yù)處理,繼而從車輛實(shí)際駕駛中的各種情景出發(fā),提取和構(gòu)建了一系列場(chǎng)景變量,并對(duì)變量集進(jìn)行了描述性統(tǒng)計(jì)分析。在場(chǎng)景變量和描述性統(tǒng)計(jì)分析基礎(chǔ)上,比較各類變量抽取方法,綜合運(yùn)用稀疏主成分分析和K-均值聚類分析算法,創(chuàng)新性地設(shè)計(jì)了多層次、多維度的車輛駕駛畫(huà)像SVT系統(tǒng)。在車輛風(fēng)險(xiǎn)研究部分,本文結(jié)合出險(xiǎn)數(shù)據(jù)的特點(diǎn),建立了變量篩選-樣本平衡-分類算法框架,并對(duì)各種方法進(jìn)行了比較。本文提出的SVT車輛畫(huà)像系統(tǒng)可以實(shí)現(xiàn)對(duì)車輛進(jìn)行場(chǎng)景變量維度、車輛維度、時(shí)間維度的分層次全面刻畫(huà)。變量篩選-樣本平衡-分類算法框架下的LASSO+過(guò)采樣+隨機(jī)森林算法也實(shí)現(xiàn)了較高的風(fēng)險(xiǎn)預(yù)測(cè)精度。研究結(jié)果對(duì)于車聯(lián)網(wǎng)相關(guān)產(chǎn)品的創(chuàng)新和UBI車險(xiǎn)定價(jià)具有較高的商業(yè)應(yīng)用價(jià)...

【文章頁(yè)數(shù)】：76 頁(yè)

【學(xué)位級(jí)別】：碩士

【文章目錄】：
摘要
abstract
第一章 緒論
    1.1 課題的研究背景和研究意義
    1.2 國(guó)內(nèi)外研究現(xiàn)狀
    1.3 課題研究?jī)?nèi)容
    1.4 本文結(jié)構(gòu)安排
    1.5 本文主要?jiǎng)?chuàng)新點(diǎn)
    1.6 本章小結(jié)
第二章 課題相關(guān)背景知識(shí)介紹
    2.1 車聯(lián)網(wǎng)和大數(shù)據(jù)分析的概念
    2.2 車聯(lián)網(wǎng)大數(shù)據(jù)的應(yīng)用系統(tǒng)框架
    2.3 車聯(lián)網(wǎng)大數(shù)據(jù)的應(yīng)用場(chǎng)景
        2.3.1 V2P場(chǎng)景——智能駕駛行為分析
        2.3.2 V2V場(chǎng)景——智能行車
        2.3.3 V2R場(chǎng)景——智能道路
    2.4 車聯(lián)網(wǎng)大數(shù)據(jù)與UBI車險(xiǎn)
    2.5 本章小結(jié)
第三章 場(chǎng)景變量的設(shè)計(jì)和描述性統(tǒng)計(jì)分析
    3.1 數(shù)據(jù)集簡(jiǎn)介及數(shù)據(jù)預(yù)處理
    3.2 場(chǎng)景變量的設(shè)計(jì)
    3.3 描述性統(tǒng)計(jì)分析
    3.4 本章小結(jié)
第四章 SVT車輛駕駛畫(huà)像系統(tǒng)的建立及分析
    4.1 SVT車輛駕駛畫(huà)像系統(tǒng)框架
    4.2 場(chǎng)景變量維度的設(shè)計(jì)和分析
        4.2.1 上層(SU層)場(chǎng)景變量維度生成方法
        4.2.2 場(chǎng)景變量維度分析
    4.3 車輛維度的設(shè)計(jì)和分析
        4.3.1 上層(VU層)車輛維度生成方法
        4.3.2 車輛維度分析
    4.4 時(shí)間維度分析
        4.4.1 周內(nèi)各天分析
        4.4.2 月度分析
    4.5 本章小結(jié)
第五章 基于車聯(lián)網(wǎng)數(shù)據(jù)的車輛駕駛風(fēng)險(xiǎn)分析模型
    5.1 變量篩選-樣本平衡-分類算法框架
        5.1.1 變量篩選-樣本平衡-分類算法框架的建立
        5.1.2 變量篩選方法
        5.1.3 樣本平衡方法
        5.1.4 分類算法
    5.2 基于變量篩選-樣本平衡-分類算法框架的車輛駕駛風(fēng)險(xiǎn)分析
        5.2.1 變量篩選和樣本平衡
        5.2.2 車輛駕駛風(fēng)險(xiǎn)模型的構(gòu)建與評(píng)價(jià)
    5.3 本章小結(jié)
第六章 車輛駕駛畫(huà)像系統(tǒng)和駕駛風(fēng)險(xiǎn)分析模型的商業(yè)應(yīng)用
    6.1 車輛駕駛畫(huà)像系統(tǒng)和駕駛風(fēng)險(xiǎn)分析模型與相關(guān)產(chǎn)品創(chuàng)新
    6.2 駕駛風(fēng)險(xiǎn)分析模型與UBI車險(xiǎn)定價(jià)
    6.3 本章小結(jié)
第七章 總結(jié)與展望
    7.1 全文總結(jié)
    7.2 課題展望
        7.2.1 車聯(lián)網(wǎng)大數(shù)據(jù)的應(yīng)用發(fā)展趨勢(shì)展望
        7.2.2 本課題研究展望
    7.3 本章小結(jié)
參考文獻(xiàn)
致謝
攻讀碩士學(xué)位期間已發(fā)表或錄用的論文



本文編號(hào)：3754267