KR101473957B1 - 운전 패턴 인식에 기반하여 보험료를 결정하는 장치 및 방법 - Google Patents

Abstract

운전 패턴 인식에 기반하여 보험료를 결정하는 장치 및 방법이 개시된다. 보험료를 결정하는 방법은, 차량 내에 구비된 가속도 센서를 이용하여 수집된 운행 정보를 입력받고, 입력된 운행 정보로부터 차량의 운전자의 운전 습관 중 사고 위험에 관한 운전 패턴을 인식하며, 인식된 운전 패턴에 기초하여 운전자의 사고 위험률에 비례하는 보험료를 산출한다.

Description

운전 패턴 인식에 기반하여 보험료를 결정하는 장치 및 방법{Apparatus and method for determining insurance premium based on driving pattern recognition}

본 발명은 보험료를 결정하는 기술에 관한 것으로, 특히 차량에 구비된 다양한 센서를 이용하여 차량의 주행에 따른 감지 데이터를 수집하고 이로부터 운전자의 운전 패턴을 인식함으로써 운전 패턴으로부터 도출된 사고 위험률에 근거하여 보험료를 결정하는 장치, 방법 및 그 방법을 기록한 기록매체에 관한 것이다.

자동차에 텔레매틱스 기술을 접목하면서부터 자동차 공간 내 스마트 서비스들이 점점 확대되고 있는 상황이다. 최근 자동차에는 차량사고나 도난감지, 주차 위치 확인, 원격시스템, 차선 이탈 등을 감지할 수 있는 시스템들이 장착되고 있다. 이처럼 자동차의 성능이 고도화되면서 운전자의 안정성에 대한 관심도 높아졌으며 이에 따라 안정성을 높이기 위해 운전자의 행동 패턴을 인식하기 위한 연구들이 진행 중이다.

최근 뛰어난 휴대성과 함께 다양한 종류의 센서들을 적용한 모바일 기기의 일종인 스마트폰은 다양한 분야에 접목시킬 수 있다는 장점을 가지고 있어 이를 이용한 활발한 연구가 진행 중에 있다. 특히 휴대 전화에 구비된 가속도 센서는 이동체의 행동 내지 상태 등을 인식하는데 유용하게 이용된다. 가속도 센서를 이용하여 사람의 보행 인식 또는 제스처 인식 등의 기술들이 제안되고 있을 뿐만 아니라, 가속도 센서 내지 GPS 모듈 등을 이용하여 안전운전을 위한 관리 시스템을 구현하기 위한 연구들이 진행되고 있다.

이하에서 인용되는 선행기술문헌에는 가속도 센서를 이용하여 차량의 사고 상황에 대한 정보를 획득하고 이를 이용하여 사고 원인의 분석을 위해 활용되는 기술이 제안되어 있다. 그러나, 현재까지 알려진 기술은 차량과 이에 부가된 센서들을 활용하여 운전 정보를 획득하고 활용하는 단순한 접근이 대부분이며, 특히 차량 운전과 직접적으로 관련된 분야에서 활용되고 있는 수준에 머물러 있다.

한편, 종래의 자동차 보험료 산정과 관련하여 자동차 보험료는 운전자의 운전 경력, 사고 이력, 차량 가액 등의 전통적인 지표들에 근거하여 산출되는 것이 일반적이다. 그러나, 운전자마다 갖는 고유한 운전 습관과 이러한 운전 습관 내에 내재된 위험 요소들은 단순한 사고 이력으로부터는 파악이 어렵다는 문제점이 존재하였다. 따라서, 차량 운전에 따라 다양한 센서를 통해 획득되는 정보를 보다 고도화된 방법으로 정제하고 이로부터 운전자의 운전 습관 내에 내재된 잠재적인 위험 요소들을 객관화함으로써 보험료 산정의 근거로 삼고자 하는 요구가 제기되기에 이르렀지만, 여전히 자동차 보험사들이 운전자의 실제 운전 습관으로부터 객관적으로 지표화된 위험 요소들을 파악할 수 있는 기술적인 수단이 존재하지 않았다.

한국 공개특허 제2011-0003449호, 아진산업(주), 2011.01.12 공개.

본 발명의 실시예들이 해결하고자 하는 기술적 과제는, 종래의 자동차 보험료 산정 방법이 운전자 개인의 실질적인 운전 습관을 파악할 수 없을 뿐만 아니라 사고 이력 내지 운전 경력에만 기초하여 산출된다는 한계를 극복하고, 실제 도로의 주행 구간을 주행하는 보통의 운전자들과 보험 가입자의 운전 습관을 비교하여 보험료 산정에 반영할 수 있는 기술적 수단이 존재하지 않는다는 문제를 해소하고자 한다.

상기 기술적 과제를 해결하기 위하여, 본 발명의 일 실시예에 따른 보험료를 결정하는 방법은, 차량 내에 구비된 가속도 센서를 이용하여 수집된 운행 정보를 입력받는 단계; 입력된 상기 운행 정보로부터 상기 차량의 운전자의 운전 습관 중 사고 위험에 관한 운전 패턴을 인식하는 단계; 및 인식된 상기 운전 패턴에 기초하여 상기 운전자의 사고 위험률에 비례하는 보험료를 산출하는 단계;를 포함한다.

일 실시예에 따른 상기 보험료 결정 방법에서, 상기 운전 패턴을 인식하는 단계는, 입력된 상기 운행 정보로부터 상기 가속도 센서의 동작과 잡음으로 인해 발생된 변동 및 불연속성을 제거함으로써 데이터를 전처리하는 단계; 끝점 검출을 이용하여 상기 전처리된 데이터 중에서 패턴이 발생한 이벤트 구간을 검출하는 단계; 검출된 상기 이벤트 구간에 대하여 소정 시간 간격의 샘플 포인트(sample point)마다 데이터를 리샘플링(resampling)하는 단계; 및 운전 구간에 대하여 미리 저장된 특징 템플릿(template)과 리샘플링된 상기 데이터 간에 시퀀스(sequence)의 유사도를 측정함으로써 주행 패턴을 검출하여 해당 구간과 시간 정보를 함께 저장하는 단계;를 포함한다. 또한, 상기 이벤트 구간을 검출하는 단계는, 상기 전처리된 데이터의 에너지값만을 이용하여 검출하되, 에너지값이 제 1 임계값 이상인 점을 임시로 저장한 후, 에너지값이 제 2 임계값 이상에 도달한 경우 상기 임시 저장된 점을 이벤트 구간의 시작점(start point)으로 결정하고, 에너지값이 상기 제 2 임계값 이하로 떨어진 후, 소정 시간 이내에 에너지값이 상기 제 1 임계값 이하에 도달한 경우 이 때의 점을 이벤트 구간의 끝점(end point)으로 결정할 수 있다.

일 실시예에 따른 상기 보험료 결정 방법에서, 상기 보험료를 산출하는 단계는, 미리 수집된 운전 구간별 안전도 기준에 따른 운전 패턴과 상기 운전자의 인식된 운전 패턴을 비교하는 단계; 상기 비교 결과로부터 운전자의 사고 위험률에 비례하는 위험 가중치를 산출하는 단계; 및 상기 운전자의 운전자 보험의 계약 조건에 따라 산출된 보험료에 상기 위험 가중치를 합산하는 단계;를 포함한다.

상기 기술적 과제를 해결하기 위하여, 본 발명의 다른 실시예에 따른 보험료를 결정하는 방법은, 차량 내에 구비된 가속도 센서를 이용하여 수집된 운행 정보를 입력받는 단계; 입력된 상기 운행 정보로부터 상기 차량의 운전자의 운전 습관 중 사고 위험에 관한 운전 패턴을 인식하는 단계; 인식된 상기 운전 패턴에 대하여 해당 구간 정보와 시간 정보를 함께 매칭시켜 디스플레이 수단에 표시하는 단계; 사용자로부터 상기 디스플레이 수단을 통해 시각적으로 인지된 운전 상황을 고려한 구간별 반영률을 입력받는 단계; 및 인식된 상기 운전 패턴에 기초하여 상기 운전자의 사고 위험률에 비례하는 보험료를 산출하되, 입력된 상기 구간별 반영률에 따라 상기 사고 위험률을 조정하는 단계;를 포함한다.

다른 실시예에 따른 보험료 결정 방법에서, 상기 운전 패턴을 인식하는 단계는, 입력된 상기 운행 정보로부터 상기 가속도 센서의 동작과 잡음으로 인해 발생된 변동 및 불연속성을 제거함으로써 데이터를 전처리하는 단계; 끝점 검출을 이용하여 상기 전처리된 데이터 중에서 패턴이 발생한 이벤트 구간을 검출하는 단계; 검출된 상기 이벤트 구간에 대하여 소정 시간 간격의 샘플 포인트마다 데이터를 리샘플링하는 단계; 및 운전 구간에 대하여 미리 저장된 특징 템플릿과 리샘플링된 상기 데이터 간에 시퀀스의 유사도를 측정함으로써 주행 패턴을 검출하여 해당 구간과 시간 정보를 함께 저장하는 단계;를 포함한다.

다른 실시예에 따른 보험료 결정 방법에서, 상기 보험료를 산출하는 단계는, 미리 수집된 운전 구간별 안전도 기준에 따른 운전 패턴과 상기 운전자의 인식된 운전 패턴을 비교하는 단계; 상기 비교 결과로부터 운전자의 사고 위험률에 비례하는 위험 가중치를 산출하는 단계; 및 상기 운전자의 운전자 보험의 계약 조건에 따라 산출된 보험료에 상기 위험 가중치를 합산하는 단계;를 포함한다.

나아가, 이하에서는 상기 기재된 보험료를 결정하는 방법들을 컴퓨터에서 실행시키기 위한 프로그램을 기록한 컴퓨터로 읽을 수 있는 기록매체를 제공한다.

상기 기술적 과제를 해결하기 위하여, 본 발명의 일 실시예에 따른 보험료를 결정하는 장치는, 차량 내에 구비된 가속도 센서를 이용하여 수집된 운행 정보를 입력받는 입력부; 및 입력된 상기 운행 정보로부터 상기 차량의 운전자의 운전 습관 중 사고 위험에 관한 운전 패턴을 인식하고, 인식된 상기 운전 패턴에 기초하여 상기 운전자의 사고 위험률에 비례하는 보험료를 산출하는 연산부;를 포함하되, 상기 연산부는, 입력된 상기 운행 정보로부터 상기 가속도 센서의 동작과 잡음으로 인해 발생된 변동 및 불연속성을 제거함으로써 데이터를 전처리하고, 끝점 검출을 이용하여 상기 전처리된 데이터 중에서 패턴이 발생한 이벤트 구간을 검출하고, 검출된 상기 이벤트 구간에 대하여 소정 시간 간격의 샘플 포인트마다 데이터를 리샘플링하고, 운전 구간에 대하여 미리 저장된 특징 템플릿과 리샘플링된 상기 데이터 간에 시퀀스의 유사도를 측정함으로써 주행 패턴을 검출하며, 미리 수집된 운전 구간별 안전도 기준에 따른 운전 패턴과 상기 운전자의 인식된 운전 패턴을 비교하고, 상기 비교 결과로부터 운전자의 사고 위험률에 비례하는 위험 가중치를 산출하고, 상기 운전자의 운전자 보험의 계약 조건에 따라 산출된 보험료에 상기 위험 가중치를 합산한다.

종래의 자동차 보험료 산정 방법이 운전자 개인의 실질적인 운전 습관을 파악할 수 없었는데 반해, 본 발명의 실시예들은, 차량 내에 구비된 가속도 센서를 이용하여 수집된 운행 정보로부터 추출된 운전 패턴을 이용하여 실제 운전자의 사고 위험률에 비례하는 보험료를 산출함으로써, 보다 정확한 보험료 산정이 가능하며, 운전자별로 운전 습관에 기반한 개별화된 보험료 산정의 근거로서 활용될 수 있다.

도 1은 본 발명의 일 실시예에 따른 운전 패턴 인식에 기반하여 보험료를 결정하는 방법을 도시한 흐름도이다.
도 2는 본 발명의 일 실시예에 따른 도 1의 보험료 결정 방법에서 운전 패턴을 인식하는 과정을 보다 구체적으로 도시한 흐름도이다.
도 3은 본 발명의 일 실시예에 따른 운전 패턴을 인식함에 있어서 이벤트 구간을 검출하는 방법을 설명하기 위한 도면이다.
도 4는 본 발명의 일 실시예에 따른 도 3의 이벤트 구간 검출 방법에 따른 검출 결과를 예시한 도면이다.
도 5는 본 발명의 일 실시예에 따른 운전 패턴을 인식함에 있어서 데이터를 리샘플링(resampling)하는 방법을 설명하기 위한 도면이다.
도 6a 내지 도 6e는 본 발명의 일 실시예에 따른 운전 패턴을 인식함에 있어서 활용되는 특징 템플릿의 유형을 설명하기 위한 도면이다.
도 7은 본 발명의 일 실시예에 따른 도 1의 보험료 결정 방법에서 사고 위험률에 비례하는 보험료를 산출하는 과정을 보다 구체적으로 도시한 흐름도이다.
도 8은 본 발명의 다른 실시예에 따른 사고 위험률이 조정된 보험료를 결정하는 방법을 도시한 흐름도이다.
도 9는 본 발명의 다른 실시예에 따른 도 8의 보험료 결정 방법에서 디스플레이 수단을 통해 표시되는 정보를 예시한 도면이다.
도 10은 본 발명의 일 실시예에 따른 운전 패턴 인식에 기반하여 보험료를 결정하는 장치를 도시한 블록도이다.
도 11은 본 발명의 일 실시예에 따른 보험료 결정 장치에서 활용될 수 있는 가속도 센서의 좌표계를 예시한 도면이다.

앞서 설명한 바와 같이, 차량과 센서를 활용한 운전 정보를 분석하는 연구를 통해 운전자의 평시 주행 정보로부터 교통 사고를 유발할 수 있는 위험 운전에 대한 분석을 하여 운전자의 운전 패턴 및 성향 평가가 가능하며, 이로부터 위험 운전을 억제시키는 효과를 가져 올 수 있다. 따라서, 본 발명의 실시예들은 상기된 문제 의식으로부터 안출된 것으로서, 차량 내에 구비된 가속도 센서로부터 획득된 데이터를 이용하여 차량의 주행 패턴을 인식하고, 인식된 주행 패턴에 기초하여 운전자의 운전 습관으로부터 위험 요소를 판별함으로써 이에 따라 운전자 개인별로 차등적인 보험료를 산정할 수 있는 기술적 수단을 제안한다.

이하에서는, 도면을 참조하여 상기된 기술적 과제를 해결하기 위한 본 발명의 실시예들을 구체적으로 설명한다. 다만, 하기의 설명 및 첨부된 도면에서 본 발명의 요지를 흐릴 수 있는 공지 기능 또는 구성에 대한 상세한 설명은 생략한다. 또한, 도면 전체에 걸쳐 동일한 구성 요소들은 가능한 한 동일한 명칭 및 도면 부호로 나타내고 있음에 유의하여야 한다.

도 1은 본 발명의 일 실시예에 따른 운전 패턴 인식에 기반하여 보험료를 결정하는 방법을 도시한 흐름도로서, 다음과 같은 일련의 단계들을 포함한다. 이들 처리 과정은 하나의 전자적인 데이터 처리 수단을 통해 수행될 수 있으며, 그 운영 주체는 보험료 산정을 하고자 하는 자가 될 수 있다. 예를 들어, 자동차 보험사가 이러한 데이터 처리 수단의 운영 주체가 될 수 있으며, 물리적으로는 적어도 하나의 프로세서(processor)를 구비한 보험료 산출 서버(server)로서 구현될 수 있다. 따라서, 이하에서는 편의상 이러한 물리적인 구성을 예를 들어 설명하였으나, 본 발명이 속하는 기술 분야에서 통상의 지식을 가진 자는 이러한 보험료 산출 수단이 이하의 예시와 기술적 특징이 유지되는 다양한 형태로서 구현될 수 있음을 알 수 있다.

S110 단계에서, 자동차 보험사의 보험료 산출 서버는 차량 내에 구비된 가속도 센서를 이용하여 수집된 운행 정보를 입력받는다. 이를 위해 차량 내에는 가속도 센서가 구비되어야 하며, 독립형(stand-alone)으로 구현된 가속도 센서뿐만 아니라, 휴대 단말 내에 부가된 가속도 센서 등 다양한 형태로 제작된 제품이 활용될 수 있다. 이들 가속도 센서를 이용하여 해당 차량의 운행 중 기록된 운행 정보는 본 S110 단계를 통해 보험료 산출 서버에 입력된다. 구현의 관점에서 휴대 단말 내에 저장된 운행 기록을 서버로 업로드하거나, 차량 내 마련된 별도의 기록 장치로부터 전자적 행태의 데이터를 전송받을 수 있을 것이다.

S120 단계에서, 보험료 산출 서버는 S110 단계를 통해 입력된 상기 운행 정보로부터 상기 차량의 운전자의 운전 습관 중 사고 위험에 관한 운전 패턴을 인식한다. S120 단계에서, 보험료 산출 서버는 입력된 운행 정보 전체를 활용하는 것이 아니라, 시계열적으로 기록된 운행 기록 중 사고 위험에 관한 정보만을 발췌하고 이로부터 운전자의 운전 습관을 판별할 수 있는 운전 패턴을 인식한다. 예를 들어, 사고 위험과 연관된 상황은 U-턴이나 급정차 등과 같은 특정 상황이 될 수 있으며, 본 발명의 실시예들은 이러한 사고 위험과 연관된 상황의 유형을 미리 분류하여 저장해놓고, 운전자의 운행 정보 중 이에 해당하는 기록에 집중하여 운전 패턴을 분석하게 된다. 운전 패턴 인식에 관하여는 이후 도 2를 통해 보다 구체적으로 설명하도록 한다.

S130 단계에서, 보험료 산출 서버는 S120 단계를 통해 인식된 상기 운전 패턴에 기초하여 상기 운전자의 사고 위험률에 비례하는 보험료를 산출한다. 통상적인 보험료 산출 방법은 본 발명의 본질을 벗어나는 것으로서 여기서는 구체적인 설명은 생략하도록 한다. 다만, S130 단계에는 통상적인 보험료 산출 방법에 따라 운전자 개인의 보험료를 산출하되, S120 단계를 통해 인식된 운전 패턴으로부터 운전자의 사고 위험률을 도출하고, 이러한 사고 위험률을 고려하여 운전자 개인별로 차별화된 보험료를 산출하게 된다. 즉, 운전자 개인별 사고 위험률을 반영하여 통상적인 자동차 보험료를 조정하게 된다. 사고 위험률을 고려한 보험료 산출에 관하여는 이후 도 7을 통해 보다 구체적으로 설명하도록 한다.

도 2는 본 발명의 일 실시예에 따른 도 1의 보험료 결정 방법에서 운전 패턴을 인식하는 과정을 보다 구체적으로 도시한 흐름도로서, 설명의 중복을 피하기 위해 여기서는 S110 단계(운행 정보의 입력) 직후의 상황을 가정하여 S120 단계(운전 패턴의 인식)만을 기술하도록 한다. S120 단계는 다시 다음의 4개 과정으로 구성된다.

[1] 전처리 과정

S121 단계에서는 S110 단계를 통해 입력된 운행 정보로부터 가속도 센서의 동작과 잡음으로 인해 발생된 변동 및 불연속성을 제거함으로써 데이터를 전처리한다.

센서 데이터를 획득하는 과정에서 도로의 노면 상태나 작은 차량의 흔들림에도 각각의 센서들은 민감하게 반응하기 때문에 주행 패턴을 인식하기 앞서 수집된 데이터의 전처리 과정이 선행되어야 할 필요가 있다. 이러한 전처리 과정에서는 스무딩(smoothing)과 정규화(normalize) 과정을 통해 데이터를 처리하는 것이 바람직하다. 스무딩 작업은 센서 데이터를 획득하는 과정에서 센서의 동작과 잡음 때문에 발생 가능한 미세한 변동과 불연속성 등을 제거하기 위해 적용한다. 가속도 센서 스트림은 각 축별로 k구간(단, k는 양의 정수)의 평균을 취해 스무딩 작업을 한다. 센서 스트림이

라고 할 때, 스무딩은 다음의 수학식 1과 같이 정의된다.

정규화 과정은 3축 가속도 센서 데이터의 x, y, z축의 각 기준값이 상이하므로 동일하게 처리하기 위해 적용한다. 정규화를 통해 각 축들의 기준값을 원점으로 이동시킬 수 있다. 정규화는 다음의 수학식 2와 같이 정의될 수 있다.

[2] 이벤트 구간 검출 과정

S122 단계에서는 끝점 검출을 이용하여 S121 단계를 통해 전처리된 데이터 중에서 패턴이 발생한 이벤트 구간을 검출하는데, 이벤트 구간을 검출하는 방법을 예시하고 있는 도 3을 참조하도록 하자.

주행 패턴을 인식하기 위해서는 패턴이 발생한 구간을 검출해야 한다. 이벤트 구간 검출 방법은 음성 인식에서 사용되는 끝점 검출 방식을 차용할 수 있다. 다만, 음성인식 분야에서는 에너지값과 영교차율 방식을 적용하고 있는데, 음성 데이터와 가속도 센서 데이터는 특성의 차이가 있기 때문에 영교차율 방식을 제외하고 에너지값 만을 적용하여 본 이벤트 구간 검출에 활용하도록 한다.

또한, 좀 더 정확한 이벤트 구간의 시작점(Start Point, SP)과 끝점(EndPoint, EP)을 검출하기 위해 본 발명의 실시예들은 이중 임계값(Threshold_1, Threshold_2)을 사용한다. 검출 방법은 다음과 같다.

우선, 첫 번째 임계값 Threshold_1을 만족하는 점(p1)들을 임시로 저장한다. 이후, 처음으로 Threshold_2 이상이 된 점(p2)을 찾으면 가장 최근에 저장된 점(p1)을 이벤트 구간의 시작점으로 결정한다. 그런 다음, 끝점의 검출은 임계값 Threshold_2를 일정 시간(△t) 동안 만족하지 못하고 동시에 임계값 Threshold_1 보다 작은 점(p4)을 이벤트 구간의 끝점으로 결정하게 된다.

도 4는 본 발명의 일 실시예에 따른 도 3의 이벤트 구간 검출 방법에 따른 검출 결과를 예시한 도면으로서, 실제 수집된 데이터 내에 3개의 패턴을 포함하고 있다. 도 4에서, E1는 급출발을 의미하고, E2는 우회전을 의미하고, E3는 감속을 의미하며, SP 및 EP는 각각 E2 구간의 시작점과 끝점을 의미한다. 이벤트 구간 검출 방법을 적용하여 3개의 패턴 구간을 분류하였으며, 하단은 분류한 결과 중 우회전 패턴(E2) 구간의 센서 스트림을 확장한 예이다.

요약하건대, 본 발명의 실시예들에 따른 보험료 산출 방법에서 이벤트 구간을 검출하는 과정은, 전처리된 데이터의 에너지값만을 이용하여 검출하되, 에너지값이 제 1 임계값 이상인 점을 임시로 저장한 후, 에너지값이 제 2 임계값 이상에 도달한 경우 상기 임시 저장된 점을 이벤트 구간의 시작점(start point)으로 결정하고, 에너지값이 상기 제 2 임계값 이하로 떨어진 후, 일정 시간 이내에 에너지값이 상기 제 1 임계값 이하에 도달한 경우 이 때의 점을 이벤트 구간의 끝점(end point)으로 결정할 수 있다.

다시 도 2로 돌아와서, S123 단계를 설명하도록 한다.

[3] 데이터 리샘플링 과정

S123 단계에서는 S122 단계를 통해 검출된 이벤트 구간에 대하여 일정 시간 간격의 샘플 포인트(sample point)마다 데이터를 리샘플링(resampling)한다.

제안된 방법에서 특징 템플릿을 생성하기 위해서 입력 데이터의 길이가 모두 동일하게 처리한다. 이를 위해 데이터의 길이를 60개의 샘플 포인트(예를 들어, 3초가 될 수 있다.)로 리샘플링(Resampling)한다. 리샘플링은 이벤트 구간 검출 과정을 통해 패턴이 발생한 구간의 데이터를 이용하며 선형 보간법(Linear Interpolation)을 적용할 수 있다. 도 5는 이러한 리샘플링을 적용한 결과를 예시한 도면이다.

도 5에서 하단의 그래프는 리샘플링 후의 데이터로서, 상단의 처리 전의 데이터와 비교하면 길이가 182개의 샘플 포인트에서 60개의 샘플 포인트로 줄어든 결과를 확인할 수 있으며, 보간법에 의해 데이터 스트림이 필터링된 결과도 확인할 수 있다.

다시 도 2로 돌아와서, S124 단계를 설명하도록 한다.

[4] 동적 시간 워핑 ( Dynamic Time Warping , DTW ) 과정

S124 단계에서는 운전 구간에 대하여 미리 저장된 특징 템플릿(template)과 S123 단계를 통해 리샘플링된 데이터 간에 시퀀스(sequence)의 유사도를 측정함으로써 주행 패턴을 검출하고, 해당 구간과 시간 정보를 함께 저장한다. 이 때, 상기 구간 패턴은 회전 구간, 가속 구간, 감속 구간 및 과속 방지턱 구간 중에서 선택된 어느 하나 또는 둘 이상의 조합에 의해 나타나는 운전 패턴인 것이 바람직하다. 이러한 구간 패턴은 운전자의 운전 습관 중 위험 요소를 탐지하고자 하는 특정 상황을 고려하여 선택된 것으로서, 이상에서 제시된 단일 구간뿐만 아니라, 2개 이상의 구간이 병렬적으로 경합하는 상황도 존재할 수 있으므로 이들의 조합에 의한 패턴 또한 고려할 필요가 있다.

한편, 상기 특징 템플릿은 운전 구간의 각 구간 패턴별로 수집된 훈련 집합의 평균으로부터 생성되게 되는데, 이하에서는 우선 시퀀스의 유사도를 측정하는 과정(DTW)을 설명하기에 앞서, 특징 템플릿을 구성하는 방법을 먼저 설명하도록 한다.

S124 단계를 수행하기 위해서는 DTW를 적용하기 앞서 비교 대상이 되는 특징 템플릿을 구성할 필요가 있다. 특징 템플릿의 구성은 리샘플링을 통해 길이가 동일한 데이터인 훈련 집합(Training Set)의 평균 계산을 적용하여 만든다. 본 실시예를 통해 특징 템플릿을 생성하기 위해 훈련 집합에 사용된 데이터의 수는 각각 30개씩 사용되었다.

도 6a 내지 도 6e는 본 발명의 일 실시예에 따른 운전 패턴을 인식함에 있어서 활용되는 특징 템플릿의 유형을 설명하기 위한 도면으로서, 각 패턴별 훈련 집합의 평균에 의해 만들어진 특징 템플릿을 예시하고 있다.

도 6a는 순서대로 각각 좌회전 및 U턴 상황에서의 특징 템플릿을 예시한 도면으로서, 하단의 U턴 그래프에서 표시된 부분은 브레이크 조작에 의해 나타난 결과가 아니라 가속도의 특성상 180도 회전하면서 차량이 앞으로 나아가려는 힘(전방으로 쏠림)에 의해 감속 효과와 비슷한 형태를 보인 결과이다.

도 6b는 순서대로 각각 우회전과 급감속 상황에서의 특징 템플릿을 예시한 도면이며, 도 6c는 순서대로 각각 급출발과 급가속 상황에서의 특징 템플릿을 예시한 도면이다.

도 6d 및 도 6e는 과속방지턱의 특징 템플릿으로서, 보다 정확한 인식 결과를 얻기 위하여 데이터 스트림의 흐름을 살펴보고 4가지 분류로 구성한 결과이다. 도 6d는 순서대로 각각 감속 중 과속방지턱과 저속 주행 중 과속방지턱 상황에서의 특징 템플릿을 예시한 도면이며, 도 6e는 저속 주행 중 과속방지턱 상황에서의 특징 템플릿을 예시한 도면이다.

이상과 같이 미리 구성된 특징 템플릿을 활용하여 S124 단계에서는 시퀀스의 유사도를 측정(DTW)함으로써 주행 패턴을 검출한다. 이러한 DTW는 음성인식에서 주로 사용되는 알고리즘으로서 시계열 패턴에 적용 가능한 패턴 인식 방법의 하나이다. DTW 알고리즘은 열의 길이가 일치하지 않는 두 시퀀스의 유사도를 측정하는 매칭 방법에 적합한데, 본 발명의 실시예들에서는 DTW 알고리즘을 적용하여 유사도를 평가하되, 시험 집합(Test Set)의 데이터 또한 선형 보간법에 의한 리샘플링을 적용한다. 그 이유는 음성 인식 등의 패턴 인식에 비해 비교하고자 하는 패턴의 수가 상당히 적으며, 음성 데이터와 달리 각 패턴의 가속도의 변화는 시각적으로도 쉽게 구분되며, 데이터 값보다 흐름의 변화에 중점을 두어 리샘플링을 적용하여도 무관하다고 판단되었기 때문이다. 또한, 리샘플링을 통해 DTW 알고리즘의 연산 과정이 단축되어 처리 속도의 향상 효과도 볼 수 있다.

2개의 시퀀스가

와

같이 주어졌을 때, DTW 알고리즘은 다음의 수학식 3에 의해 결정된다.

수학식 3에서

는 각 시퀀스의 요소들 간의 거리(cost)이며, 이러한

는 다음의 수학식 4에 의해 구해진다.

그러면, X, Y 두 시퀀스의 유사도는 다음의 수학식 5에 의해 결정된다.

따라서, 수학식 5에 의한 결과의 값이 작을수록 유사도가 높다고 볼 수 있다. 즉, 입력된 데이터와 특징 템플릿을 DTW 알고리즘을 통해 비교하여 유사도가 높은 패턴을 결정하게 된다. 이 때, DTW 알고리즘에 의해 검출된 주행 패턴 결과는 센서 스트림 상의 시간과 검출 구간을 함께 저장되는 것이 바람직하다.

도 7은 본 발명의 일 실시예에 따른 도 1의 보험료 결정 방법에서 사고 위험률에 비례하는 보험료를 산출하는 과정을 보다 구체적으로 도시한 흐름도로서, 여기서는 설명의 중복을 피하고자 S120 단계(운전 패턴 인식) 이후의 상황을 가정하며, S130 단계(보험료 산출)만에 집중하여 설명하도록 한다.

S131 단계에서는 미리 수집된 운전 구간별 안전도 기준에 따른 운전 패턴과 운전자의 인식된 운전 패턴을 비교한다. 이 때, 미리 수집된 운전 구간별 안전도 기준이란, 실제 도로의 각 구간별로 통상적인 운전자가 안전한 수준에서 운전함으로써 수집된 운전 패턴의 통계값을 의미하며, 보험료를 산출하고자 하는 보험 가입자의 운전 습관과의 비교를 위한 기준이 된다. 이를 위해 보험사는 시험 차량을 이용하여 실제 도로의 각 구간별로 규정된 도로교통법을 준수하며 운행을 하고, 이 때 수집된 운행 기록으로부터 운전 패턴을 추출하여 통계 처리하는 것이 바람직하다.

S132 단계에서는 S131 단계를 통해 비교 결과로부터 운전자의 사고 위험률에 비례하는 위험 가중치를 산출한다. 앞서, S120 단계를 통해 운전 패턴이 인식되었으므로, S131 단계에서 운전 패턴에 대응하는 구간에서의 안전도 기준에 따른 운전 패턴을 서로 비교하였다면, 실제 운전자의 운행 기록이 안전 기준을 얼마나 초과하는지를 알 수 있다. 따라서, S132 단계에서는 S131 단계의 비교 결과를 통해 얻어진 정량적인 차이값에 비례하는 위험 가중치를 산출할 수 있다.

S133 단계에서는 운전자의 운전자 보험의 계약 조건에 따라 산출된 보험료에 S132 단계를 통해 산출된 위험 가중치를 합산함으로써 최종적인 운전자 보험료를 산정하게 된다. 여기서 운전자 보험의 계약 조건에 따라 산출된 보험료라 함은, 통상적인 보험료 산출 방법에 따른 보험료를 의미한다. 즉, 운전자의 실제 운행 데이터를 고려하지 않고, 통상적인 보험료 산정 기준들(예를 들어, 차량 가액, 운전 경력, 사고 이력 등이 될 수 있다.)에 따라 산출된 보험료에 S132 단계를 통해 산출된 위험 가중치를 반영함으로써 최종적인 운전자 보험료를 결정한다. 만약 운전자가 안전 운행을 하는 사람이라면, 상대적으로 낮은 위험 가중치가 반영됨으로써 최종적인 운전자 보험료는 통상적인 보험료와 같거나 낮아질 수 있을 것이다. 반면, 운전자가 위험한 운전 습관을 갖고 있다면, 상대적으로 높은 위험 가중치가 반영됨으로써 최종적이 운전자 보험료는 통상적인 보험료보다 높아질 것이다.

도 8은 본 발명의 다른 실시예에 따른 사고 위험률이 조정된 보험료를 결정하는 방법을 도시한 흐름도로서, 앞서 설명한 도 1의 보험료 결정 방법의 S110 단계와 S120 단계는 그 수행 과정이 동일하다. 따라서, 설명의 중복을 피하기 위해 여기서는 S120 단계가 완료되었다고 가정하고, 그 이후의 과정만을 설명하도록 한다. 도 8의 실시예는 도 1의 보험료 결정 방법과 달리 보험사의 담당 직원이 운전자의 운행 기록에 관한 추가적인 자료를 시각적으로 확인함으로써 기계적인 보험료 산출 과정 중에 나타날 수 있는 예외적인 상황을 고려하여 사고 위험률을 조정할 수 있는 기술적 수단을 제안한다.

S830 단계에서, 보험사의 보험료 산출 서버는 S120 단계를 통해 인식된 상기 운전 패턴에 대하여 해당 구간 정보와 시간 정보를 함께 매칭시켜 디스플레이 수단에 표시한다. 즉, 검출된 구간의 시간 정보를 이용하여 각 주행 패턴에 해당하는 비디오 영상과 매칭하여 운전자에게 제공하여줌으로써 주행 패턴을 분석하는데 활용할 수 있다. 이를 위해 차량에는 가속도 센서 외에 영상을 촬영할 수 있는 카메라가 구비되어야 할 것이다. 또한, 운행 구간에 대한 위치 정보를 확보하기 위해 GPS 모듈이 활용되는 것도 바람직하다.

도 9는 본 발명의 다른 실시예에 따른 도 8의 보험료 결정 방법에서 디스플레이 수단을 통해 표시되는 정보를 예시한 도면으로서, 스마트폰을 이용하여 획득된 영상 정보, 가속도 센서 정보 및 GPS 정보를 취합하여 하나의 화면에 매칭시켜 화면 상에 표시한 영상이다. 즉, 스마트폰의 카메라를 통해 운행하는 구간의 영상을 촬영하고, 스마트폰의 가속도 센서를 통해 수집되는 패턴의 센서 스트림을 기록하고, GPS 모듈을 통해 수집되는 위치 정보를 지도 상에 표시하였음을 확인할 수 있다.

다시 도 8로 돌아와, S840 단계로 진행한다.

S840 단계에서, 보험사의 보험료 산출 서버는 사용자로부터 디스플레이 수단을 통해 시각적으로 인지된 운전 상황을 고려한 구간별 반영률을 입력받는다. 즉, 보험사의 담당 직원은 S830 단계를 통해 디스플레이 수단에 표시된 영상을 확인하면서 운전 상황 중 돌발 상황은 없는지 여부를 판단하고, 이를 고려하여 해당 구간에서의 위험도 반영률을 입력할 수 있다. 예를 들어, S110 단계를 통해 입력된 사용자의 운행 정보가 비록 수치적으로는 난폭 운전에 해당할지라도, 실제 영상을 확인한 결과 도로에 개가 뛰어드는 상황과 같은 돌발 상황으로 인한 것일 경우, 이러한 구간의 데이터는 보험료 산출을 위한 위험도 반영에서 제외하는 것이 타당할 것이다. 이를 위해 본 발명의 실시예는, S830 단계를 통해 실제 기록 상황에 대한 영상 정보를 제공하고, S840 단계를 통해 사용자로부터 위험도 반영률을 입력받게 된다.

S850 단계에서, 보험사의 보험료 산출 서버는 S120 단계를 통해 인식된 상기 운전 패턴에 기초하여 운전자의 사고 위험률에 비례하는 보험료를 산출하되, S840 단계를 통해 입력된 상기 구간별 반영률에 따라 사고 위험률을 조정함으로써, 최종적인 운전자 보험료를 결정한다. 물론, 사고 위험률을 조정하기에 앞서 보험료를 산출하는 과정은, 미리 수집된 운전 구간별 안전도 기준에 따른 운전 패턴과 상기 운전자의 인식된 운전 패턴을 비교하고, 상기 비교 결과로부터 운전자의 사고 위험률에 비례하는 위험 가중치를 산출하며, 상기 운전자의 운전자 보험의 계약 조건에 따라 산출된 보험료에 상기 위험 가중치를 합산하게 된다.

도 10은 본 발명의 일 실시예에 따른 운전 패턴 인식에 기반하여 보험료를 결정하는 장치를 도시한 블록도로서, 앞서 기술한 도 1 및 도 8의 각 과정에 대응하는 동작을 수행하는 구성을 포함하고 있으므로, 여기서는 설명의 중복을 피하기 위해 장치적 특징과 데이터의 흐름에 집중하여 그 개요만을 약술하도록 한다.

도 10에서 보험료를 결정하는 장치(20)는 보험사의 보험료 산출 서버가 될 수 있으며, 다양한 센서(11, 13, 15)가 구비된 차량(10)으로부터 감지된 운행 정보를 입력받는다.

보험료 산출 서버의 입력부(21)는 차량(10) 내에 구비된 가속도 센서를 이용하여 수집된 운행 정보를 입력받는다. 이러한 입력부(21)는 전자적 데이터의 입력이 용이한 다양한 입력 단자 내지 통신 수단으로서 구현될 수 있다. 예를 들어, 유무선 네트워크 인터페이스 또는 USB 내지 시리얼 단자 등이 될 수 있다.

보험료 산출 서버의 연산부(23)는 입력부(21)를 통해 입력된 상기 운행 정보로부터 상기 차량의 운전자의 운전 습관 중 사고 위험에 관한 운전 패턴을 인식하고, 인식된 상기 운전 패턴에 기초하여 상기 운전자의 사고 위험률에 비례하는 보험료를 산출한다.

또한, 연산부(23)는, 입력된 상기 운행 정보로부터 상기 가속도 센서의 동작과 잡음으로 인해 발생된 변동 및 불연속성을 제거함으로써 데이터를 전처리하고, 끝점 검출을 이용하여 상기 전처리된 데이터 중에서 패턴이 발생한 이벤트 구간을 검출하고, 검출된 상기 이벤트 구간에 대하여 일정 시간 간격의 샘플 포인트마다 데이터를 리샘플링하고, 운전 구간에 대하여 미리 저장된 특징 템플릿과 리샘플링된 상기 데이터 간에 시퀀스의 유사도를 측정함으로써 주행 패턴을 검출한다. 이를 위해 특징 템플릿은 데이터베이스(25) 내에 미리 구성되어 저장되는 것이 바람직하다.

또한, 연산부(23)는, 미리 수집된 운전 구간별 안전도 기준에 따른 운전 패턴과 상기 운전자의 인식된 운전 패턴을 비교하고, 상기 비교 결과로부터 운전자의 사고 위험률에 비례하는 위험 가중치를 산출하고, 상기 운전자의 운전자 보험의 계약 조건에 따라 산출된 보험료에 상기 위험 가중치를 합산한다. 이를 위해 미리 수집된 운전 구간별 안전도 기준에 따른 운전 패턴은 데이터베이스(25) 내에 저장될 수 있다.

한편, 본 발명의 다른 실시예에 따른 보험료 결정 장치는 디스플레이 수단(30)을 더 포함할 수 있다. 이러한 디스플레이 수단(30)을 통해 식별된 운전 패턴과 더불어 실제 촬영된 영상과 위치 정보를 매칭시켜 표시함으로써, 보험사의 담당 직원으로 하여금 운전 상황 중의 위험도 반영률을 입력받도록 유도할 수 있을 것이다.

이하에서는, 차량 내에 구비된 센서들과 이상의 보험료 결정 방법에서 정의된 일련의 연산 방법에 따른 소프트웨어를 제작하여 본 발명의 실시예들의 성능 평가 및 그 결과를 소개하도록 한다.

본 실험의 데이터 획득 환경은 다음과 같다. LG-LU3000 기종의 안드로이드 스마트폰을 차량의 전면 유리에 부착된 거치대에 설치하였으며 군산대학교 캠퍼스에서 실제 주행을 통해 주행 정보들을 획득하였다. 실제 주행을 통해 좌회전, U턴, 우회전, 급감속, 급출발, 급가속, 과속방지턱(감속하며 과속방지턱, 저속 주행 중 과속방지턱) 총 7개의 패턴 데이터를 수집하였다. 모든 패턴은 60km 이내의 속도에서 촬영하였으며 획득한 데이터의 상세 정보는 다음의 표 1과 같다.

본 실험에서는 3축 가속도 센서만을 이용하여 접근하였으며, 비디오 영상과 매칭하기 위해 부가적으로 비디오 데이터와 시간 정보를 획득하였다. 비디오 데이터는 mp4 파일 형태로 16 프레임(frames per second) 영상(320*240)을 획득하였다.

도 11은 본 발명의 일 실시예에 따른 보험료 결정 장치에서 활용될 수 있는 가속도 센서의 좌표계를 예시한 도면으로서, 본 실험에서 실제 사용된 3축 가속도 센서가 구비된 스마트폰의 좌표계를 도시하였다. 스마트폰은 거치대에 가로로 설치하였으며 X축이 중력 방향, Y축이 차량의 좌우 방향, Z축이 차량의 진행 방향에 해당된다.

실험은 훈련 집합의 데이터를 포함한 모든 데이터를 기반으로 인식률을 판별하였다. 인식률의 판별은 전체 데이터의 스트림에서 이벤트 구간 검출 알고리즘을 적용하여 인식된 구간의 데이터를 비디오 스트림과 비교, 각 패턴을 수작업으로 분류한 후 인식기를 통해 정확도를 계산하였다. 인식결과를 살펴보면 본 실험에서는 약 97%의 우수한 인식률을 보여주었다.

종래의 자동차 보험료 산정 방법이 운전자 개인의 실질적인 운전 습관을 파악할 수 없었는데 반해, 상기된 본 발명의 실시예들에 따르면, 차량 내에 구비된 가속도 센서를 이용하여 수집된 운행 정보로부터 추출된 운전 패턴을 이용하여 실제 운전자의 사고 위험률에 비례하는 보험료를 산출함으로써, 보다 정확한 보험료 산정이 가능하며, 운전자별로 운전 습과에 기반한 개별화된 보험료 산정의 근거로서 활용될 수 있다. 특히, 이상에서 제안된 본 발명의 실시예들의 장점은, 주행 패턴별로 운전 성향을 판단할 수 있도록 주행 패턴을 검출 및 인지하는 방법을 제시하고, 각 패턴별로 데이터를 획득하여 훈련시킴으로써 인식률을 향상시킨 방법을 제공함으로써, 객관적인 보험료 산정을 유도할 수 있음에 있다.

한편, 본 발명의 실시예들은 컴퓨터로 읽을 수 있는 기록 매체에 컴퓨터가 읽을 수 있는 코드로 구현하는 것이 가능하다. 컴퓨터가 읽을 수 있는 기록 매체는 컴퓨터 시스템에 의하여 읽혀질 수 있는 데이터가 저장되는 모든 종류의 기록 장치를 포함한다.

컴퓨터가 읽을 수 있는 기록 매체의 예로는 ROM, RAM, CD-ROM, 자기 테이프, 플로피디스크, 광 데이터 저장장치 등이 있으며, 또한 캐리어 웨이브(예를 들어 인터넷을 통한 전송)의 형태로 구현하는 것을 포함한다. 또한, 컴퓨터가 읽을 수 있는 기록 매체는 네트워크로 연결된 컴퓨터 시스템에 분산되어, 분산 방식으로 컴퓨터가 읽을 수 있는 코드가 저장되고 실행될 수 있다. 그리고 본 발명을 구현하기 위한 기능적인(functional) 프로그램, 코드 및 코드 세그먼트들은 본 발명이 속하는 기술 분야의 프로그래머들에 의하여 용이하게 추론될 수 있다.

이상에서 본 발명에 대하여 그 다양한 실시예들을 중심으로 살펴보았다. 본 발명에 속하는 기술 분야에서 통상의 지식을 가진 자는 본 발명이 본 발명의 본질적인 특성에서 벗어나지 않는 범위에서 변형된 형태로 구현될 수 있음을 이해할 수 있을 것이다. 그러므로 개시된 실시예들은 한정적인 관점이 아니라 설명적인 관점에서 고려되어야 한다. 본 발명의 범위는 전술한 설명이 아니라 특허청구범위에 나타나 있으며, 그와 동등한 범위 내에 있는 모든 차이점은 본 발명에 포함된 것으로 해석되어야 할 것이다.

10 : 차량 11, 13, 15 : 센서들
20 : 보험료 결정 장치 21 : 입력부
23 : 연산부 25 : 데이터베이스
30 : 디스플레이 수단

Claims (12)

1. 삭제
2. 삭제
3. 삭제
4. 삭제
5. 삭제
6. 적어도 하나의 프로세서(processor)를 구비한 보험료 산출 서버가 보험료를 결정하는 방법에 있어서,
   상기 보험료 산출 서버가 차량 내에 구비된 가속도 센서를 이용하여 수집된 운행 정보를 입력받는 단계;
   상기 보험료 산출 서버가 입력된 상기 운행 정보로부터 상기 차량의 운전자의 운전 습관 중 사고 위험에 관한 운전 패턴을 인식하는 단계;
   상기 보험료 산출 서버가 인식된 상기 운전 패턴에 대하여 해당 구간 정보와 시간 정보를 함께 매칭시켜 디스플레이 수단에 표시하는 단계;
   상기 보험료 산출 서버가 사용자로부터 상기 디스플레이 수단을 통해 시각적으로 인지된 운전 상황을 고려한 구간별 반영률을 입력받는 단계; 및
   상기 보험료 산출 서버가 인식된 상기 운전 패턴에 기초하여 상기 운전자의 사고 위험률에 비례하는 보험료를 산출하되, 입력된 상기 구간별 반영률에 따라 상기 사고 위험률을 조정하는 단계;를 포함하는 방법.
7. 제 6 항에 있어서,
   상기 운전 패턴을 인식하는 단계는,
   입력된 상기 운행 정보로부터 상기 가속도 센서의 동작과 잡음으로 인해 발생된 변동 및 불연속성을 제거함으로써 데이터를 전처리하는 단계;
   끝점 검출을 이용하여 상기 전처리된 데이터 중에서 패턴이 발생한 이벤트 구간을 검출하는 단계;
   검출된 상기 이벤트 구간에 대하여 소정 시간 간격의 샘플 포인트마다 데이터를 리샘플링하는 단계; 및
   운전 구간에 대하여 미리 저장된 특징 템플릿과 리샘플링된 상기 데이터 간에 시퀀스의 유사도를 측정함으로써 주행 패턴을 검출하여 해당 구간과 시간 정보를 함께 저장하는 단계;를 포함하는 방법.
8. 제 6 항에 있어서,
   상기 보험료를 산출하는 단계는,
   미리 수집된 운전 구간별 안전도 기준에 따른 운전 패턴과 상기 운전자의 인식된 운전 패턴을 비교하는 단계;
   상기 비교 결과로부터 운전자의 사고 위험률에 비례하는 위험 가중치를 산출하는 단계; 및
   상기 운전자의 운전자 보험의 계약 조건에 따라 산출된 보험료에 상기 위험 가중치를 합산하는 단계;를 포함하는 방법.
9. 제 6 항 내지 제 8 항 중에 어느 한 항의 방법을 컴퓨터에서 실행시키기 위한 프로그램을 기록한 컴퓨터로 읽을 수 있는 기록매체.
10. 보험료를 결정하는 장치에 있어서,
    차량 내에 구비된 가속도 센서를 이용하여 수집된 운행 정보를 입력받는 입력부; 및
    입력된 상기 운행 정보로부터 상기 차량의 운전자의 운전 습관 중 사고 위험에 관한 운전 패턴을 인식하고, 인식된 상기 운전 패턴에 대하여 해당 구간 정보와 시간 정보를 함께 매칭시켜 디스플레이 수단에 표시하고, 사용자로부터 상기 디스플레이 수단을 통해 시각적으로 인지된 운전 상황을 고려한 구간별 반영률을 입력받고, 인식된 상기 운전 패턴에 기초하여 상기 운전자의 사고 위험률에 비례하는 보험료를 산출하며, 입력된 상기 구간별 반영률에 따라 상기 사고 위험률을 조정하는 연산부;를 포함하되,
    상기 연산부는,
    입력된 상기 운행 정보로부터 상기 가속도 센서의 동작과 잡음으로 인해 발생된 변동 및 불연속성을 제거함으로써 데이터를 전처리하고, 끝점 검출을 이용하여 상기 전처리된 데이터 중에서 패턴이 발생한 이벤트 구간을 검출하고, 검출된 상기 이벤트 구간에 대하여 소정 시간 간격의 샘플 포인트마다 데이터를 리샘플링하고, 운전 구간에 대하여 미리 저장된 특징 템플릿과 리샘플링된 상기 데이터 간에 시퀀스의 유사도를 측정함으로써 주행 패턴을 검출하며,
    미리 수집된 운전 구간별 안전도 기준에 따른 운전 패턴과 상기 운전자의 인식된 운전 패턴을 비교하고, 상기 비교 결과로부터 운전자의 사고 위험률에 비례하는 위험 가중치를 산출하고, 상기 운전자의 운전자 보험의 계약 조건에 따라 산출된 보험료에 상기 위험 가중치를 합산하는 것을 특징으로 하는 장치.
11. 제 7 항에 있어서,
    상기 이벤트 구간을 검출하는 단계는,
    상기 전처리된 데이터의 에너지값만을 이용하여 검출하되,
    에너지값이 제 1 임계값 이상인 점을 임시로 저장한 후, 에너지값이 제 2 임계값 이상에 도달한 경우 상기 임시 저장된 점을 이벤트 구간의 시작점(start point)으로 결정하고,
    에너지값이 상기 제 2 임계값 이하로 떨어진 후, 소정 시간 이내에 에너지값이 상기 제 1 임계값 이하에 도달한 경우 이 때의 점을 이벤트 구간의 끝점(end point)으로 결정하는 것을 특징으로 하는 방법.
12. 제 7 항에 있어서,
    상기 특징 템플릿은 상기 운전 구간의 각 구간 패턴별로 수집된 훈련 집합의 평균으로부터 생성되며,
    상기 구간 패턴은 회전 구간, 가속 구간, 감속 구간 및 과속 방지턱 구간 중에서 선택된 어느 하나 또는 둘 이상의 조합에 의해 나타나는 운전 패턴인 것을 특징으로 하는 방법.

Images