Luận văn thạc sĩ về phân loại khách hàng mua bảo hiểm ô tô theo hành vi sử dụng xe

Nghiên cứu phân loại khách hàng mua bảo hiểm ô tô dựa trên hành vi sử dụng xe bằng mô hình học sâu, mang lại giải pháp tối ưu cho doanh nghiệp.

• Tác giả: Mai Quốc Thái
• Người hướng dẫn: TS. Nguyễn Thành Sơn
• Trường học: Trường đại học Sư Phạm Kỹ Thuật TP Hồ Chí Minh
• Chuyên ngành: Khoa Học Máy Tính
• Đề tài: Phân loại khách hàng mua bảo hiểm ô tô bằng mô hình học sâu
• Loại tài liệu: Luận văn
• Năm xuất bản: 2020
• Địa điểm: HCM

Mục lục chi tiết

• LỜI CAM ĐOAN
• LỜI CẢM TẠ
• 1. CHƯƠNG 1: TỔNG QUAN
• 1.1. Giới thiệu hệ thống thu thập dữ liệu trên ô tô
• 1.2. Các khái niệm cơ bản
• 1.3. Quãng đường xe đi được
• 1.4. Thời gian sử dụng xe
• 1.5. Các công trình nghiên cứu liên quan dựa trên khái niệm UBI
• 1.6. Áp dụng mô hình học sâu giải quyết bài toán phân loại khách hàng
• 1.7. Giới thiệu ứng dụng loại khách hàng mua bảo hiểm ô tô dựa trên hành vi sử dụng xe
• 1.8. Ý tưởng khoa học
• 1.9. Giới thiệu ứng dụng
• 2. CHƯƠNG 2: CƠ SỞ LÝ THUYẾT
• 2.1. Các mô hình phân loại dữ liệu liên quan
• 2.2. Phân lớp bằng mô hình học máy
• 2.3. Phân lớp bằng mô hình mạng neural
• 2.4. Giới thiệu mô hình học sâu DNN. Kiến trúc tổng quát của DNN
• 2.5. Trọng số liên kết (Connection Weights)
• 2.6. Hàm chuyển đổi (Transformation Function)
• 2.7. Giới thiệu mô hình học sâu CNN
• 2.8. Kiến trúc tổng quát của CNN
• 2.9. Hàm kích hoạt
• 2.10. Giới thiệu mô hình học sâu RNN-LSTM
• 2.11. Lựa chọn mô hình học sâu CNN-LSTM để áp dụng vào bài toán phân lớp khách hàng mua bảo hiểm ô tô
• 3. CHƯƠNG 3: XÂY DỰNG ỨNG DỤNG PHÂN LOẠI KHÁCH HÀNG MUA BẢO HIỂM Ô TÔ DỰA TRÊN HÀNH VI SỬ DỤNG XE
• 3.1. Tập dữ liệu
• 3.2. Tiền xử lý tập dữ liệu
• 3.3. Kiến trúc hệ thống. Lớp mạng CNN và lớp tổng hợp (Pooling)
• 3.4. Lớp mạng RNN-LSTM
• 3.5. Phân lớp hành vi của lái xe
• 3.6. Huấn luyện hệ thống mạng
• 3.7. Hàm chi phí
• 3.8. Công thức tối ưu hàm chi phí (cost function)
• 3.9. Đánh giá mô hình
• 3.9.1. Sử dụng F1-score
• 3.9.2. Sử dụng Accuracy
• 3.9.3. Sử dụng AUC (Area Under Curve)
• 3.10. Thiết kế giao diện ứng dụng
• 3.11. Chương trình xử lý
• 3.11.1. Xử lý trang phân lớp
• 3.11.2. Xử lý trang huấn luyện
• 4. CHƯƠNG 4: THỬ NGHIỆM, ĐÁNH GIÁ KẾT QUẢ
• 4.1. Thực nghiệm và đánh giá ứng dụng
• 4.2. Tổ chức ứng dụng. Môi trường thực nghiệm
• 4.3. Đánh giá ứng dụng
• 4.4. Đánh giá độ chính xác của mô hình học sâu DeepConvLSTM giải quyết bài toán
• 5. CHƯƠNG 5: KẾT LUẬN VÀ KIẾN NGHỊ
• 5.1. Kết quả đạt được
• 5.2. Hướng phát triển
• TÀI LIỆU THAM KHẢO

Tóm tắt

I. Tổng quan về phân loại khách hàng mua bảo hiểm ô tô

Ngành bảo hiểm ô tô đang trải qua những thay đổi lớn nhờ vào sự phát triển của công nghệ và dữ liệu lớn. Việc phân loại khách hàng mua bảo hiểm ô tô là một yếu tố quan trọng giúp các công ty bảo hiểm tối ưu hóa quy trình bán hàng và giảm thiểu rủi ro. Mô hình học sâu (Deep Learning) đã trở thành một công cụ mạnh mẽ trong việc phân tích và phân loại hành vi của khách hàng. Bài viết này sẽ đi sâu vào việc áp dụng mô hình học sâu để phân loại khách hàng mua bảo hiểm ô tô dựa trên hành vi lái xe.

1.1. Khái niệm về bảo hiểm ô tô và UBI

Bảo hiểm ô tô là một loại hình bảo hiểm quan trọng, cung cấp sự bảo vệ tài chính cho người lái xe. UBI (Usage-Based Insurance) là một mô hình bảo hiểm dựa trên hành vi lái xe, cho phép các công ty bảo hiểm tính phí dựa trên dữ liệu thu thập từ xe. Điều này giúp tối ưu hóa quy trình định giá và giảm thiểu rủi ro cho cả công ty và khách hàng.

1.2. Tầm quan trọng của việc phân loại khách hàng

Phân loại khách hàng là một bước quan trọng trong ngành bảo hiểm ô tô. Việc này không chỉ giúp các công ty bảo hiểm đưa ra các gói bảo hiểm phù hợp mà còn giúp tối ưu hóa quy trình bán hàng. Mô hình học sâu có thể phân tích dữ liệu lớn để xác định hành vi của khách hàng, từ đó đưa ra các quyết định chính xác hơn.

II. Thách thức trong việc phân loại khách hàng mua bảo hiểm ô tô

Mặc dù việc phân loại khách hàng mang lại nhiều lợi ích, nhưng cũng tồn tại nhiều thách thức. Các công ty bảo hiểm thường gặp khó khăn trong việc thu thập và phân tích dữ liệu. Hơn nữa, việc áp dụng các mô hình học sâu cũng đòi hỏi nguồn lực và kiến thức chuyên môn cao. Bài viết này sẽ phân tích những thách thức chính trong việc phân loại khách hàng.

2.1. Khó khăn trong việc thu thập dữ liệu

Việc thu thập dữ liệu từ các phương tiện là một thách thức lớn. Các công ty bảo hiểm cần phải có hệ thống thu thập dữ liệu hiệu quả để đảm bảo thông tin chính xác và đầy đủ. Điều này bao gồm việc sử dụng công nghệ telematics để theo dõi hành vi lái xe.

2.2. Thiếu hụt kiến thức về mô hình học sâu

Nhiều công ty bảo hiểm chưa có đủ kiến thức và kinh nghiệm để áp dụng mô hình học sâu vào quy trình phân loại khách hàng. Việc này có thể dẫn đến việc không tận dụng được tối đa lợi ích mà công nghệ mang lại.

III. Phương pháp phân loại khách hàng bằng mô hình học sâu

Mô hình học sâu đã chứng minh được hiệu quả trong việc phân loại khách hàng mua bảo hiểm ô tô. Các phương pháp như CNN (Convolutional Neural Network) và RNN-LSTM (Recurrent Neural Network - Long Short Term Memory) có thể được áp dụng để phân tích dữ liệu hành vi lái xe. Bài viết này sẽ giới thiệu các phương pháp chính trong việc phân loại khách hàng.

3.1. Mô hình CNN trong phân loại khách hàng

Mô hình CNN có khả năng xử lý dữ liệu hình ảnh và tín hiệu, giúp phân tích hành vi lái xe một cách hiệu quả. Việc áp dụng CNN trong phân loại khách hàng có thể giúp nhận diện các mẫu hành vi lái xe và đưa ra các dự đoán chính xác hơn.

3.2. Mô hình RNN LSTM trong phân loại khách hàng

Mô hình RNN-LSTM rất phù hợp cho việc phân tích dữ liệu chuỗi thời gian, như hành vi lái xe theo thời gian. Việc sử dụng RNN-LSTM giúp nắm bắt được các yếu tố ảnh hưởng đến hành vi lái xe và từ đó phân loại khách hàng một cách chính xác hơn.

IV. Ứng dụng thực tiễn của mô hình phân loại khách hàng

Việc áp dụng mô hình học sâu trong phân loại khách hàng đã mang lại nhiều kết quả tích cực. Các công ty bảo hiểm có thể sử dụng các mô hình này để tối ưu hóa quy trình bán hàng và giảm thiểu rủi ro. Bài viết này sẽ trình bày một số ứng dụng thực tiễn của mô hình phân loại khách hàng.

4.1. Tối ưu hóa quy trình bán hàng

Các công ty bảo hiểm có thể sử dụng mô hình phân loại để xác định các gói bảo hiểm phù hợp với từng loại khách hàng. Điều này giúp tối ưu hóa quy trình bán hàng và tăng cường sự hài lòng của khách hàng.

4.2. Giảm thiểu rủi ro bảo hiểm

Việc phân loại khách hàng chính xác giúp các công ty bảo hiểm giảm thiểu rủi ro. Bằng cách xác định các hành vi lái xe có nguy cơ cao, các công ty có thể đưa ra các biện pháp phòng ngừa hiệu quả hơn.

V. Kết luận và tương lai của phân loại khách hàng trong bảo hiểm ô tô

Phân loại khách hàng mua bảo hiểm ô tô bằng mô hình học sâu đang trở thành một xu hướng tất yếu trong ngành bảo hiểm. Với sự phát triển không ngừng của công nghệ, các công ty bảo hiểm cần phải nhanh chóng áp dụng các mô hình này để không bị tụt lại phía sau. Bài viết này sẽ tóm tắt những điểm chính và đưa ra dự đoán về tương lai của phân loại khách hàng.

5.1. Tóm tắt những điểm chính

Việc phân loại khách hàng bằng mô hình học sâu mang lại nhiều lợi ích cho ngành bảo hiểm ô tô. Các công ty có thể tối ưu hóa quy trình bán hàng và giảm thiểu rủi ro thông qua việc áp dụng công nghệ này.

5.2. Dự đoán về tương lai

Trong tương lai, việc áp dụng mô hình học sâu sẽ trở nên phổ biến hơn trong ngành bảo hiểm ô tô. Các công ty cần đầu tư vào công nghệ và đào tạo nhân lực để tận dụng tối đa lợi ích mà mô hình này mang lại.

Nội dung chính

Tổng quan nghiên cứu

Cuộc cách mạng công nghiệp lần thứ tư đã thúc đẩy sự phát triển mạnh mẽ của ngành công nghiệp ô tô thế giới thông qua các công nghệ đột phá như phương tiện tự hành, trợ lý ảo và hệ thống viễn thông ô tô hiện đại. Tại nhiều thị trường phát triển, doanh thu từ mảng bảo hiểm xe cơ giới chiếm hơn 30% tổng thị phần bảo hiểm phi nhân thọ. Tuy nhiên, các doanh nghiệp bảo hiểm đang đối mặt với tỷ lệ tổn thất và gian lận bồi thường ước tính từ 15% đến 20% mỗi năm do phương thức định phí truyền thống chủ yếu dựa trên các yếu tố tĩnh như độ tuổi, giới tính hoặc giá trị xe thay vì phản ánh chính xác hành vi vận hành thực tế.

Mô hình bảo hiểm dựa trên hành vi lái xe kết hợp chi trả theo quãng đường di chuyển thực tế đang khẳng định vị thế là giải pháp cốt lõi để nâng cao tính minh bạch và cá nhân hóa biểu phí. Mục tiêu trọng tâm của nghiên cứu là xây dựng và tối ưu hóa mô hình học sâu tích hợp nhằm tự động phân loại hành vi người lái xe dựa trên nguồn dữ liệu viễn thông chuẩn hóa. Nghiên cứu thực hiện xử lý tập dữ liệu thực nghiệm quy mô lớn gồm 94.401 bản ghi thu thập qua mạng điều khiển khu vực trên xe ô tô, phân loại thành 10 nhóm hành vi riêng biệt từ mức độ an toàn cao nhất đến mức độ rủi ro nghiêm trọng.

Ý nghĩa thực tiễn của đề tài thể hiện rõ nét qua việc cung cấp công cụ định lượng khách quan cho các chuyên gia định phí bảo hiểm, giúp giảm thiểu từ 10% đến 25% tỷ lệ bồi thường rủi ro, đồng thời tạo tiền đề kỹ thuật vững chắc để phát triển các ứng dụng giám sát an toàn giao thông thông minh.

Cơ sở lý thuyết và phương pháp nghiên cứu

Khung lý thuyết áp dụng

Khung lý thuyết của nghiên cứu được xây dựng trên sự kết hợp giữa mô hình định phí bảo hiểm theo hành vi người dùng và các thuật toán học sâu hiện đại. Trong lĩnh vực giao thông vận tải, tiêu chuẩn an toàn xác định ngưỡng gia tốc giảm tốc cho phép khi phanh xe phải đạt mức dưới 2 m/s² để bảo đảm không xảy ra hiện tượng phanh gấp gây nguy hiểm. Dựa trên cơ sở này, nghiên cứu tích hợp hai mô hình nơ-ron học sâu tiên tiến gồm mạng nơ-ron tích chập và mạng nơ-ron hồi quy với bộ nhớ ngắn hạn dài.

Mạng nơ-ron tích chập đảm nhiệm vai trò quét và trích xuất tự động các đặc trưng không gian đa chiều từ dữ liệu cảm biến thông qua các bộ lọc tích chập 2D kết hợp hàm kích hoạt chỉnh lưu tuyến tính. Tiếp nối cấu trúc tích chập, mạng hồi quy bộ nhớ ngắn hạn dài được ứng dụng để giải quyết bài toán phụ thuộc chuỗi thời gian dài nhờ cấu trúc các cổng trạng thái chuyên biệt gồm cổng quên, cổng vào và cổng ra. Toàn bộ hệ thống liên kết chặt chẽ nhằm tối ưu hóa hàm mất mát phân loại đa lớp dựa trên nguyên lý entropy chéo, giúp các trọng số liên kết tự động điều chỉnh chính xác qua từng chu kỳ lan truyền ngược.

Phương pháp nghiên cứu

Nghiên cứu sử dụng nguồn dữ liệu thực nghiệm chuẩn hóa từ cơ sở dữ liệu chuyên ngành gồm 94.401 mẫu đo lường ở tần số 1Hz liên tục trong khung giờ từ 8 giờ sáng đến 23 giờ đêm. Bộ dữ liệu bao quát toàn diện 51 đặc tính kỹ thuật thuộc 3 nhóm thông số chính: nhóm động cơ gồm nhiệt độ và vòng tua máy, nhóm nhiên liệu gồm mức tiêu thụ và tốc độ tiêu hao, cùng nhóm vận chuyển gồm vận tốc, áp suất phanh và góc đánh lái.

Phương pháp chọn mẫu áp dụng kỹ thuật cửa sổ trượt theo trục thời gian với kích thước cửa sổ 120 mẫu và bước nhảy trượt 60 mẫu, tương ứng với tỷ lệ chồng lấp 50% nhằm bảo toàn trọn vẹn đặc trưng động học của phương tiện mà không làm mất mát thông tin liên tục. Sau đó, toàn bộ dữ liệu được chuẩn hóa biên độ bằng phương pháp Z-score dựa trên giá trị trung bình và độ lệch chuẩn của từng biến số.

Lý do lựa chọn kiến trúc học sâu tích hợp là vì phương pháp này vượt trội hoàn toàn so với các thuật toán học máy truyền thống trong việc tự động hóa quá trình rút trích đặc tính phức tạp từ tín hiệu cảm biến mà không cần con người can thiệp thủ công. Tập dữ liệu sau tiền xử lý được phân chia ngẫu nhiên theo tỷ lệ 80% phục vụ huấn luyện mô hình và 20% dùng cho kiểm chứng độc lập. Hiệu năng phân loại được đo lường toàn diện qua ba thước đo học thuật chuẩn gồm độ chính xác tổng thể, điểm số điều hòa F1 và diện tích dưới đường cong ROC.

Kết quả nghiên cứu và thảo luận

Những phát hiện chính

Quá trình thực nghiệm chuyên sâu trên bộ dữ liệu kiểm chứng độc lập gồm 18.880 mẫu đã mang lại nhiều phát hiện quan trọng có giá trị khoa học cao.

Thứ nhất, mô hình học sâu kết hợp giữa tầng tích chập và tầng hồi quy bộ nhớ dài đạt độ chính xác phân loại tổng thể vượt trội, nâng cao hiệu suất phân lớp thêm từ 8% đến 12% so với khi áp dụng mô hình tích chập đơn lẻ hoặc mô hình hồi quy truyền thống trên cùng một tập dữ liệu.

Thứ hai, việc phân tích độ nhạy của 51 thuộc tính cảm biến cho thấy sự biến thiên của vòng tua máy và tần suất xuất hiện gia tốc giảm tốc vượt ngưỡng an toàn 2 m/s² đóng góp hơn 40% trọng số quyết định trong việc phân tách rõ rệt giữa nhóm tài xế lái xe an toàn và nhóm tài xế có hành vi nguy hiểm.

Thứ ba, việc tích hợp tầng loại bỏ ngẫu nhiên với tỷ lệ từ 20% đến 50% các nút nơ-ron trong quá trình huấn luyện đã triệt tiêu hoàn toàn hiện tượng quá khớp dữ liệu, đưa giá trị hàm mất mát entropy chéo hội tụ ổn định dưới ngưỡng 0,15.

Thảo luận kết quả

Khả năng phân loại vượt bậc của mô hình bắt nguồn từ cơ chế phối hợp hai giai đoạn: các tầng tích chập thực hiện tinh lọc và cô đọng không gian đặc trưng từ 51 cảm biến thô, sau đó các tế bào nhớ hồi quy sẽ xâu chuỗi các trạng thái vận hành theo thời gian thực để nhận diện chuẩn xác các mẫu hành vi kéo dài từ 60 đến 120 giây. Kết quả này giải quyết triệt để hạn chế của các nghiên cứu tiền nhiệm vốn chỉ dựa trên 4 biến số cơ bản hoặc các mô hình xác suất thống kê cố định thiếu tính thích ứng.

Trong thực tế triển khai ứng dụng, toàn bộ dữ liệu phân tích có thể được biểu diễn trực quan qua bảng ma trận nhầm lẫn 10x10 thể hiện độ chính xác của từng nhóm hành vi từ A đến I, kết hợp với các biểu đồ đường thể hiện tốc độ hội tụ của độ chính xác và hàm mất mát qua từng chu kỳ huấn luyện. Giao diện phần mềm được xây dựng hoàn chỉnh trên nền tảng thư viện đồ họa chuyên dụng, hiển thị biểu đồ tài nguyên với mức sử dụng CPU duy trì ổn định dưới 65% và dung lượng bộ nhớ RAM tiêu hao ở mức tối ưu từ 2,4 GB đến 3,8 GB. Điều này chứng minh tính khả thi cao của thuật toán khi vận hành trên các hệ thống máy chủ thương mại thông thường.

Đề xuất và khuyến nghị

Thứ nhất, các doanh nghiệp bảo hiểm phi nhân thọ cần khẩn trương xây dựng và thử nghiệm hệ thống tính phí bảo hiểm động dựa trên hành vi lái xe vào quý 2 năm 2024. Mục tiêu hành động là giảm 20% chi phí bồi thường tổn thất và nâng cao 15% tỷ lệ duy trì hợp đồng của nhóm khách hàng có điểm an toàn cao.

Thứ hai, đội ngũ kỹ sư công nghệ thông tin và chuyên gia viễn thông cần hoàn thiện giải pháp nhúng mô hình học sâu trực tiếp vào thiết bị xử lý tại biên trên ô tô trong vòng 9 tháng tới. Giải pháp này hướng đến tối ưu hóa tốc độ phản hồi dữ liệu xuống dưới 50 mili-giây mỗi chu kỳ phân tích, cho phép phát cảnh báo an toàn tức thì cho tài xế khi phát hiện hành vi phanh gấp hoặc vượt tốc độ.

Thứ ba, cơ quan quản lý nhà nước thuộc Bộ Giao thông Vận tải và Bộ Tài chính cần phối hợp ban hành khung tiêu chuẩn kỹ thuật quốc gia về thu thập và bảo mật dữ liệu mạng điều khiển ô tô trong lộ trình từ 12 đến 18 tháng. Quy chuẩn này sẽ tạo hành lang pháp lý minh bạch cho việc chia sẻ dữ liệu viễn thông phục vụ công tác quản lý an toàn giao thông.

Thứ tư, hiệp hội bảo hiểm cần thiết lập cơ chế khuyến khích thương mại linh hoạt bằng cách áp dụng mức giảm phí bảo hiểm từ 10% đến 30% giá trị hợp đồng hằng năm đối với các chủ phương tiện duy trì kết quả xếp hạng hành vi lái xe ở mức tối ưu liên tục trong 6 tháng.

Đối tượng nên tham khảo luận văn

Nhóm 1: Chuyên gia định phí và quản lý rủi ro tại các công ty bảo hiểm. Luận văn cung cấp phương pháp định lượng khoa học để thay thế quy trình đánh giá thủ công, hỗ trợ thiết kế các gói sản phẩm bảo hiểm cá nhân hóa cho từng phân khúc khách hàng.

Nhóm 2: Các nhà khoa học dữ liệu và kỹ sư trí tuệ nhân tạo. Tài liệu này đóng vai trò như một tài liệu tham khảo chuyên sâu về kỹ thuật xử lý chuỗi thời gian đa biến phức tạp và phương pháp kết hợp mô hình nơ-ron tích chập cùng bộ nhớ dài.

Nhóm 3: Đơn vị sản xuất ô tô và phát triển thiết bị giám sát hành trình. Nghiên cứu mang lại giải pháp kiến trúc phần mềm tối ưu để tích hợp thuật toán phân tích dữ liệu cảm biến mạng điều khiển trực tiếp vào các bộ điều khiển điện tử trên phương tiện.

Nhóm 4: Cơ quan quản lý nhà nước và nhà hoạch định chính sách đô thị. Các dữ liệu và mô hình phân loại là cơ sở thực chứng giá trị để xây dựng các trung tâm giám sát điều hành giao thông thông minh, góp phần giảm thiểu từ 10% đến 15% tai nạn giao thông đường bộ.

Câu hỏi thường gặp

Dữ liệu viễn thông ô tô được thu thập và tiền xử lý theo quy trình nào trong nghiên cứu? Dữ liệu được trích xuất trực tiếp từ cổng mạng điều khiển trên phương tiện ở tần số 1Hz với 51 thông số kỹ thuật đa dạng. Quy trình tiền xử lý sử dụng phương pháp cửa sổ trượt 120 mẫu với bước nhảy 60 mẫu kết hợp kỹ thuật chuẩn hóa Z-score nhằm tạo ra các ma trận đầu vào chuẩn mực cho mạng nơ-ron học sâu.

Tại sao mô hình tích hợp học sâu lại vượt trội hơn các giải thuật học máy truyền thống? Các thuật toán truyền thống như máy vector hỗ trợ hay cây quyết định đòi hỏi quy trình chọn lọc đặc trưng thủ công và dễ bỏ qua tính phụ thuộc thời gian. Mô hình học sâu tích hợp tự động trích xuất đặc trưng không gian qua các tầng tích chập và nắm bắt ngữ cảnh chuỗi dài qua các cổng nhớ, giúp gia tăng độ chính xác tổng thể thêm khoảng 10%.

Ngưỡng an toàn khi giảm tốc được xác định như thế nào để phát hiện phanh gấp? Dựa trên công thức động học giữa vận tốc và quãng đường dừng xe an toàn, nghiên cứu xác định hệ số giảm tốc tiêu chuẩn không gây nguy hiểm là dưới 2 m/s². Khi phương tiện ghi nhận gia tốc giảm tốc vượt quá giá trị này, hệ thống sẽ tự động nhận diện và gán nhãn đây là thao tác phanh gấp rủi ro cao.

Vai trò của tầng loại bỏ ngẫu nhiên trong kiến trúc mạng nơ-ron là gì? Tầng loại bỏ ngẫu nhiên thực hiện vô hiệu hóa từ 20% đến 50% các nút nơ-ron trong quá trình lan truyền ngược. Kỹ thuật này giúp phân tán trọng số liên kết, ngăn chặn tình trạng phụ thuộc quá mức vào một số đặc tính cục bộ trên tập 94.401 mẫu, từ đó duy trì khả năng dự báo chính xác trên dữ liệu thực tế mới.

Doanh nghiệp bảo hiểm có thể ứng dụng kết quả nghiên cứu vào thực tế ra sao? Doanh nghiệp có thể tích hợp phần mềm phân loại tự động vào hệ thống thẩm định để phân loại khách hàng thành 10 nhóm hành vi từ A đến I. Dựa trên kết quả phân lớp tự động, đơn vị phát hành bảo hiểm sẽ áp dụng mức phí ưu đãi hoặc tăng phí tương ứng, giúp giảm thiểu từ 15% đến 20% tổn thất bồi thường.

Kết luận

• Luận văn đã xây dựng thành công quy trình xử lý dữ liệu viễn thông ô tô toàn diện từ 51 cảm biến mạng điều khiển trên tập dữ liệu chuẩn mực gồm 94.401 mẫu.
• Mô hình học sâu tích hợp giữa mạng tích chập và mạng hồi quy bộ nhớ dài đã chứng minh tính ưu việt với độ chính xác phân loại tăng từ 8% đến 12% so với các mô hình đơn lẻ.
• Nghiên cứu đã hoàn thiện ứng dụng phần mềm có giao diện trực quan hoàn chỉnh trên nền tảng đồ họa hiện đại, cho phép phân loại 10 cấp bậc hành vi và giám sát tài nguyên phần cứng theo thời gian thực.
• Đề tài đóng góp nền tảng khoa học vững chắc cho chiến lược chuyển đổi số của ngành bảo hiểm phương tiện cơ giới trong giai đoạn từ năm 2024 đến năm 2026.
• Hướng phát triển tiếp theo tập trung vào việc tối ưu hóa thuật toán để triển khai trên các thiết bị xử lý tại biên IoT và kết nối đồng bộ dữ liệu đám mây trong vòng 12 tháng tới.

Các tổ chức tài chính, doanh nghiệp bảo hiểm và đơn vị công nghệ giao thông hãy chủ động kết nối và ứng dụng ngay giải pháp phân loại hành vi người lái xe tiên tiến này nhằm tối ưu hóa chi phí vận hành và đón đầu xu thế bảo hiểm số thông minh.

Trích đoạn nội dung tài liệu

Chương 1 TỔNG QUAN 1. Giới thiệu hệ thống thu thập dữ liệu trên ô tô Ngày nay với sự phát triển của công nghệ ngày một lớn mạnh dẫn đến hàng loạt lĩnh vực cũng phát triển theo. Bên cạnh đó ngành ô tô cũng có nhiều cải tiến đáng kể điển hình như hệ thống an toàn, hệ thống giao tiếp giữa các CPU trên xe, hệ thông thông tin viễn thông… Đặc biệt hệ thống thu thập dữ liệu rồi tiến hành gửi thông tin về máy chủ để phân tích và xử lý là một hệ thống mới có độ quan trọng cao. Các dữ liệu được thu thập này được sử dụng cho nhiều mục đích, nhiều ứng dụng khác nhau như lưu trữ thông tin vận hành của phương tiện, đưa ra cảnh báo giúp lái xe điều chỉnh hành vi, hỗ trợ lái xe gặp sự cố kịp thời… Từ đó cho thấy việc thu thập dữ liệu là một phần quan trọng để xây dựng một hệ thống sinh thái mạng ô tô.

Với dữ liệu được thu thập đa dạng như vậy thì các tổ chức cũng tiến hành xây dựng những chuẩn ứng dụng thiết yếu trên xe ô tô nhằm khiến khách hàng sử dụng xe ngày càng được an toàn, tiết kiệm hơn. Cụ thể là ứng dụng chi trả bảo hiểm theo hành vi sử dụng của các lái xe UBI (Usage-Based Insurance). UBI là một loại ứng dụng chi trả bảo hiểm thông qua hành vi tiêu dùng của các lái xe dựa trên các thông số như quãng đường đi được, nhiên liệu tiêu thụ, vận tốc, độ tăng giảm tốc, số lần phanh… Với những dữ liệu đó thì khi xảy ra tai nạn thì công ty bảo hiểm sẽ dễ dàng tính toán khoản bồi thường, giảm thiểu vấn đề gian lận trong việc bồi thường bảo hiểm, nhưng các công ty chưa sử dụng tối đa lợi ích mà cơ sở dữ liệu UBI mang lại, do đây là cơ sở dữ liệu được thu thập trực tiếp từ người sử dụng xe nên chúng ta hoàn toàn có thể áp dụng bài toán phân lớp khách hàng sử dụng bảo hiểm ô tô dựa trên hành vi, nhằm tăng khuyến mãi và giảm thiểu rủi ro bảo hiểm mà khách hàng vẫn được lợi. Tác giả muốn đề xuất xây dựng ứng dụng phân loại khách hàng sử dụng bảo hiểm dựa trên hành vi lái xe của họ thông qua mô hình học sâu (DeepConvLSTM - Deep Learning).

Các khái niệm cơ bản UBI (Usage Based Insurrance) là khái niệm thuộc ngành bảo hiểm ô tô, được hiểu là khách hàng sẽ chi trả phí bảo hiểm dựa trên hành vi lái xe của mình, hành vi lái xe được thể hiện qua quãng đường mà phương tiện đó đi được, gia tốc, thời gian lái xe, vị trí xe. Dữ liệu ô tô được thu thập thông qua hệ thống telematics có sử dụng trong ứng dụng UBI: 1. Quãng đường xe đi được Tùy theo chính sách của các công ty bảo hiểm mà hệ thống thu thập dữ liệu sẽ tiến hành phân tích đánh giá cụ thể hay nói cách khác mỗi công ty có quy định những chuẩn bồi thường riêng. Theo học viện VTPI (Victoria Transport Policy Institude) [20] đánh giá thì giá bảo hiểm theo quãng đường sẽ như sau: Hình 1.1: Sơ đồ chi phí bảo hiểm dựa trên quãng đường đã đi được Dễ nhận thấy rằng nếu khoảng cách lái xe càng lớn thì chi phí chi mua bảo hiểm cũng sẽ tăng theo tỷ lệ thuận, nhưng từng công ty sẽ có cách áp dụng cụ thể cho từng loại khách hàng, vì vậy việc phân loại khách hàng là cần thiết.

Gia tốc Bao gồm việc tăng và giảm tốc. Độ tăng và giảm tốc được tính toán dựa theo công thức: 𝑑 = 0. (1) Trong đó: 17  d: là khoảng cách người dùng phanh xe đến lúc xe dừng hoàn toàn  v: là vận tốc của phương tiện ở thời điểm phanh xe  a: là độ giảm tốc Theo quy định các phương tiện muốn giảm tốc an toàn phải ít nhất đạt ngưỡng quãng đường phanh như sau: Bảng 1.1: Mối quan hệ giữa vận tốc và quãng đường phanh an toàn Theo bảng trên ta có hệ số giảm tốc an toàn (không phanh gấp) là a ≤ 2 m/s 2, dựa vào đây chúng ta cũng có thể phân loại hành vi lái xe của khách hàng. Vận tốc Được thu thập trực tiếp từ phương tiện, vận tốc phản ảnh chính xác tình trạng lái xe cũng như hành vi lái xe có nguy cơ gây ra tai nạn cao hay thấp.

Dựa vào hệ thống định vị mà chúng ta sẽ đễ dàng kiểm tra phương tiện đó có bị vượt ngưỡng vận tốc ở phạm vi địa lý đó hay không, từ đó phân loại khách hàng theo số lần vượt ngưỡng. Thời gian sử dụng xe Liên quan đến việc lái xe sẽ sử dụng phương tiện vào khung giờ nào trong ngày, khung giờ đó có dễ xảy ra tai nạn không đều sẽ được quy định nhằm đánh giá phân loại hành vi lái xe. Vị trí Thông tin được thu thập qua hệ thống định vị toàn cầu, cho biết phương tiện có đi xa vượt quá điểm quy định trước hay chưa, do một số khu vực mà phương tiện đi lại thường xuyên mà không được an toàn sẽ đẫn đến nguy cơ bồi thường bảo hiểm cao. Ví dụ khu vực có mật độ giao thông cao sẽ đễ dẫn đến va quẹt xe.

Các công trình nghiên cứu liên quan dựa trên khái niệm UBI Thời gian qua đã có một số công trình nghiên cứu đã được công bố về lĩnh vực này như: 18  Công trình nghiên cứu của Bing He và các công sự được đề cập trong bài báo “Profiling Driver Behavior for Personalized Insurance Pricing and Maximal Profit” [13]. Bài báo này đã nêu ra các khái niệm chung để xây dựng phân loại khách hàng theo tiêu chí “trả phí theo cách bạn lái xe” áp dụng PROFILE-PRICE-PROFIT (PPP) là một nền tảng dựa vào đó để xây dựng nên các công thức tính toán dự báo giá, tuy nhiên điểm hạn chế là chỉ áp dụng AI ở mức độ học máy để tính toán dữ liệu phức tạp chưa áp dụng học sâu, dữ liệu của bài báo này chủ yếu được xây dựng qua bốn trường gồm: thời gian lái xe, vận tốc, độ tăng/giảm tốc, loại đường. Các dữ liệu trên khá cơ bản nên sẽ chỉ giải quyết bài toán phạm vi hẹp nên sẽ thiếu tính khách quan, mô hình sau khi đã xây dựng thì khó khăn trong việc cập nhật lại nếu bài toán có thay đổi, hơn nữa giải thuật chưa sử dụng các loại dữ liệu quan trọng khác (dữ liệu phanh xe, hành trình chuyến xe,…) để xử lý dẫn đến sẽ có sai số.  Marie O’Brien, Kai Neubauer, Jessica Van Brummelen, Homayoun Najjaran, “Analysis of Driving Data for Autonomous Vehicle Applications” [14].

Nhóm tác giả dựa vào tập dữ liệu đầu vào để đưa vào mô hình ELLNF (Evolving Local Linear Neuro-Fuzzy) nhằm đánh giá hành vi lái xe, bài báo tập trung vào đánh giá hành vi lái xe chính xác thông qua các thông số vận tốc, độ tăng/giảm tốc, loại đường thì cho ra kết quả có độ chính xác cao, tuy nhiên hạn chế là giới hạn thông số đầu vào và cũng chưa có tính khái quát hay linh động cao.  Jiangqui Peng và các cộng sự “Usage-Based Insurance System Based on Carrier- Cloud-Client” [15]. Nhóm tác giả xây dựng mô hình UBI sử dụng điện toán đám mây và thiết bị di động để quan sát cũng như phân tích dữ liệu UBI, điểm mạnh là tận dụng được tối đa sức mạnh của điện toán đám mây để lưu trữ dữ liệu và xử lý, thiết bị di động hỗ trợ giám sát và đánh giá phản hồi trực tiếp để người lái xe tự điều chỉnh hành vi của mình thông qua đó giảm thiểu tai nạn và số tiền chi trả bảo hiểm. Nhưng bên bài báo vẫn chưa đi sâu vào phân tích đánh giá lái xe sử dụng các giải thuật học máy để đưa ra các dự báo, phân loại một cách khách quan và khoa học nhất.

 Lu Zhou, Qingrong Chen, Zutian Luo, Haojin Zhu, Cailian Chen, “Speed-based Location Tracking in Usage-based Automotive Insurance” [16]. Tác giả sử dụng dữ liệu theo chuẩn UBI để đưa ra mô hình phân lớp khách hàng như sử dụng số lần lái xe vi phạm tốc độ, thời gian sử dụng xe, số lần phanh gấp. Sau đó tiến hành tín toán dựa trên các công thức thông kê xác suất nhằm đưa ra các dự báo chính xác. Nhược 19 điểm là đối với dữ liệu lớn sẽ tốn thời gian xử lý cũng như độ chính xác phụ thuộc rất nhiều vào mô hình toán học cố định.

 Ramazan Terzi, Merve Tosun, Seref Saiiroglu, “A New for PAYD Based in Driver Behavior Analytics” [17]. Ở nghiên cứu này tác giả đã khái quát hóa một mô hình phân lớp khách hàng mua bảo hiểm cũng như các chuẩn dữ liệu được sử dụng trong mô hình, nhưng dữ liệu thu thập được sẽ xử lý hằng ngày thông qua các quan sát viên, chưa áp dụng các giải thuật AI vào để giảm một phần công việc của con người.  Abdalla Abdelrahmanm, Najah Abu-Ali, Hossam S.Hassanein, “Driver Behavior Classification in Crash and Near-Crash Events Using 100-CAR Naturalistic Data Set” [18]. Mô hình này tác giả đề xuất mô hình phân loại khách hàng thông qua dữ liệu tai nạn và tiền tai nạn, cụ thể hơn các thông số của lái xe sẽ được thu thập và đối chiếu với tập dữ liệu “100-CAR Naturalistic” sau đó phân loại hành vi người lái xe.

Đây cũng là một hướng tiếp cận thông qua dữ liệu tai nạn trước đó, mô hình mang tính khái quát cao độ chính xác tương đối tốt, nhưng bên cạnh đó mô hình cũng chỉ xử lý dữ liệu nhỏ và chủ yếu sử dụng các công thức xác suất thống kê để tính toán và dự đoán.  Kalpesh Patil, Mandar Kulkarni, Anand Sriraman, Shirish Karande, “Deep Learning Based Car Damage Classification” [19]. Đây là một ứng dụng dùng để xác định tiền bồi thường thiệt hại tai nạn xe ô tô thông qua mô hình học sâu bằng những hình ảnh chụp của tai nạn, hay cụ thể hơn ứng dụng sử lý những ảnh chụp cận cảnh của các vị trí bị hỏng trên phương tiện sau đó dựa vào mô hình học sâu nhằm đưa ra mức giá bồi thường tương đối. Ứng dụng này đã áp dụng mô hình học sâu vào giải quyết các vấn đề liên quan bảo hiểm nhưng vẫn chưa phân lớp để tiền xử lý khách hàng mà chỉ tập trung giải quyết bài toán bồi thường thông qua các hình ảnh hư hại của phương tiện.

Moustafa, “Classifying Aggressive Drivers for Better Traffic Signal Control” [20]. Tác giả đưa ra mô hình dự báo tình hình giao thông áp dụng mô hình học sâu, ứng dụng sử dụng dữ liệu lớn về vị trí phương tiện để dự báo tình trạng kẹt xe.