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.