KR20170115831A - 운전자 구분을 이용한 보험 상품의 제안 방법 및 그 장치 - Google Patents

운전자 구분을 이용한 보험 상품의 제안 방법 및 그 장치 Download PDF

Info

Publication number
KR20170115831A
KR20170115831A KR1020160043536A KR20160043536A KR20170115831A KR 20170115831 A KR20170115831 A KR 20170115831A KR 1020160043536 A KR1020160043536 A KR 1020160043536A KR 20160043536 A KR20160043536 A KR 20160043536A KR 20170115831 A KR20170115831 A KR 20170115831A
Authority
KR
South Korea
Prior art keywords
driver
driving
vehicle
classification
information
Prior art date
Application number
KR1020160043536A
Other languages
English (en)
Other versions
KR102531005B1 (ko
Inventor
이준열
김원필
박현철
이진이
이상원
정길용
서창교
나성준
최진한
전철희
오이슬
Original Assignee
삼성에스디에스 주식회사
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by 삼성에스디에스 주식회사 filed Critical 삼성에스디에스 주식회사
Priority to KR1020160043536A priority Critical patent/KR102531005B1/ko
Publication of KR20170115831A publication Critical patent/KR20170115831A/ko
Application granted granted Critical
Publication of KR102531005B1 publication Critical patent/KR102531005B1/ko

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q40/00—Finance; Insurance; Tax strategies; Processing of corporate or income taxes
    • G06Q40/08—Insurance
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q10/00—Administration; Management
    • G06Q10/10—Office automation; Time management
    • G—PHYSICS
    • G07—CHECKING-DEVICES
    • G07C—TIME OR ATTENDANCE REGISTERS; REGISTERING OR INDICATING THE WORKING OF MACHINES; GENERATING RANDOM NUMBERS; VOTING OR LOTTERY APPARATUS; ARRANGEMENTS, SYSTEMS OR APPARATUS FOR CHECKING NOT PROVIDED FOR ELSEWHERE
    • G07C5/00—Registering or indicating the working of vehicles
    • G07C5/02—Registering or indicating driving, working, idle, or waiting time only
    • G—PHYSICS
    • G07—CHECKING-DEVICES
    • G07C—TIME OR ATTENDANCE REGISTERS; REGISTERING OR INDICATING THE WORKING OF MACHINES; GENERATING RANDOM NUMBERS; VOTING OR LOTTERY APPARATUS; ARRANGEMENTS, SYSTEMS OR APPARATUS FOR CHECKING NOT PROVIDED FOR ELSEWHERE
    • G07C5/00—Registering or indicating the working of vehicles
    • G07C5/08—Registering or indicating performance data other than driving, working, idle, or waiting time, with or without registering driving, working, idle or waiting time
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B60—VEHICLES IN GENERAL
    • B60W—CONJOINT CONTROL OF VEHICLE SUB-UNITS OF DIFFERENT TYPE OR DIFFERENT FUNCTION; CONTROL SYSTEMS SPECIALLY ADAPTED FOR HYBRID VEHICLES; ROAD VEHICLE DRIVE CONTROL SYSTEMS FOR PURPOSES NOT RELATED TO THE CONTROL OF A PARTICULAR SUB-UNIT
    • B60W40/00—Estimation or calculation of non-directly measurable driving parameters for road vehicle drive control systems not related to the control of a particular sub unit, e.g. by using mathematical models
    • B60W40/08—Estimation or calculation of non-directly measurable driving parameters for road vehicle drive control systems not related to the control of a particular sub unit, e.g. by using mathematical models related to drivers or passengers
    • B60W2040/0809—Driver authorisation; Driver identity check
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B60—VEHICLES IN GENERAL
    • B60W—CONJOINT CONTROL OF VEHICLE SUB-UNITS OF DIFFERENT TYPE OR DIFFERENT FUNCTION; CONTROL SYSTEMS SPECIALLY ADAPTED FOR HYBRID VEHICLES; ROAD VEHICLE DRIVE CONTROL SYSTEMS FOR PURPOSES NOT RELATED TO THE CONTROL OF A PARTICULAR SUB-UNIT
    • B60W40/00—Estimation or calculation of non-directly measurable driving parameters for road vehicle drive control systems not related to the control of a particular sub unit, e.g. by using mathematical models
    • B60W40/08—Estimation or calculation of non-directly measurable driving parameters for road vehicle drive control systems not related to the control of a particular sub unit, e.g. by using mathematical models related to drivers or passengers
    • B60W2040/0881—Seat occupation; Driver or passenger presence

Landscapes

  • Business, Economics & Management (AREA)
  • Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Physics & Mathematics (AREA)
  • Strategic Management (AREA)
  • Accounting & Taxation (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Marketing (AREA)
  • Finance (AREA)
  • Economics (AREA)
  • Theoretical Computer Science (AREA)
  • Human Resources & Organizations (AREA)
  • General Business, Economics & Management (AREA)
  • Quality & Reliability (AREA)
  • Tourism & Hospitality (AREA)
  • Data Mining & Analysis (AREA)
  • Operations Research (AREA)
  • Development Economics (AREA)
  • Technology Law (AREA)
  • Financial Or Insurance-Related Operations Such As Payment And Settlement (AREA)
  • Traffic Control Systems (AREA)

Abstract

본 발명의 일 태양에 따른 운전자 구분을 이용한 보험료 결정 장치는, 하나 이상의 프로세서와 상기 프로세서에 의하여 수행되는 컴퓨터 프로그램을 로드하는 메모리 및 다수 운전자가 운전하는 차량의 운행 기록을 저장하는 스토리지를 포함하되, 상기 컴퓨터 프로그램은, 기 설정된 운전자 구분 모델을 이용하여, 상기 운행 기록을 생성한 운전자를 식별하는 오퍼레이션과 일정 기간 동안 상기 차량에 대한 각 운전자별 운전 점유율을 산출하는 오퍼레이션 및 상기 차량에 대해 상기 다수 운전자를 위한 보험 상품을 제안하되, 상기 각 운전자별 운전 점유율을 이용하여 제안하는 오퍼레이션을 포함할 수 있다.

Description

운전자 구분을 이용한 보험 상품의 제안 방법 및 그 장치 {Method and apparatus for guiding automobile insurance using driver recognizing}
본 발명은 운전자 구분을 이용하여 보험 상품을 제안하는 방법 및 그 장치에 관한 것이다. 보다 자세하게는 운전자의 운전 기록을 이용하여 운전자를 구분함으로써, 운전자에게 적합한 보험 상품을 제안하는 방법 및 그 방법을 수행하는 장치에 관한 것이다.
하나의 차량을 복수의 운전자가 운전하는 경우 보험 상품에 각각 가입하기보다, 하나의 보험 상품에 함께 가입하는 것이 일반적이다. 즉, 운전자 중에서 주로 차량을 운전하는 운전자를 주보험자로, 그 외의 운전자를 종보험자로 하여 하나의 보험 상품에 가입을 한다.
이 경우 주보험자가 누구인지에 따라서 보험 상품의 보장 사항과 보장 금액이 달라질 수 있다. 즉, 보험료가 달라질 수 있다. 그래서 사고 기록이 적은 운전자, 운전 경력이 많은 운전자를 주보험자로 계약한 후, 실제로는 종보험자가 주로 차량을 운전하는 경우가 종종 발생하기도 한다.
즉, 종래에는 계약 당시에 보험 계약서에 명시된 주보험자를 위주로, 보편적 사고 위험 평가 기준에 따라 보험료를 책정한다. 그러나 이러한 보험 상품은 실제 몇 명의 운전자가 해당 차량을 운전하는지, 또 어느 정도의 비율로 운전하는지 파악하는데 한계가 있다.
이를 해결하기 위하여 운전자를 식별하는 방법이 많이 연구되어 왔다. 예를 들면, Ford 자동차가 출원한 US 2016-0039429 A1에는 사용자의 제스처(gesture)을 인식하여 운전자를 식별하는 방법이 소개되어 있다. 또한, GM 자동차가 출원한 US 2013-0166104 A1에는 휴대가 가능한 외부 장치를 이용하여 사용자를 식별하는 방법이 소개되어 있다.
이처럼 운전자가 운전 전에 자신이 누구라고 차량의 시스템에 스스로 인증(authentication)하는 방법은 많은 연구가 있어 왔다. 그러나 운전자가 자발적으로 인증절차를 수행하도록 유도하는 것은 상용화로 적용하기 어렵다는 단점이 있다. 특히, 예로 든 것처럼 실제 주로 차량을 운전하는 운전자와 주보험자를 다르게 계약하는 경우에는 적용이 어렵다는 문제점도 존재한다.
이에 운전자가 스스로 인증할 필요 없이, 차량의 운전자를 자동으로 구분하고, 이를 이용하여 적합한 보험료를 산출할 수 있는 방법이 요구된다.
본 발명이 해결하고자 하는 기술적 과제는 운전자 구분을 이용하여 보험 상품을 제안하는 방법 및 그 장치를 제공하는 것이다.
본 발명의 기술적 과제들은 이상에서 언급한 기술적 과제들로 제한되지 않으며, 언급되지 않은 또 다른 기술적 과제들은 아래의 기재로부터 통상의 기술자에게 명확하게 이해될 수 있을 것이다.
상기 기술적 과제를 해결하기 위한 본 발명의 일 태양에 따른 운전자 구분을 이용한 보험료 결정 방법은, 보험료 결정 장치가, 다수 운전자 약정이 맺어진 차량의 운행 기록을 수신하는 단계와 상기 보험료 결정 장치가, 기 설정된 운전자 구분 모델을 이용하여, 상기 운행 기록을 생성한 운전자를 식별하는 단계 및 상기 보험료 결정 장치가, 일정 기간 동안 상기 차량에 대한 각 운전자별 운전 점유율을 산출하는 단계를 포함할 수 있다.
일 실시예에서, 상기 보험료 결정 장치가, 상기 차량에 대해 상기 다수 운전자를 위한 보험 상품의 보험료를 결정하되, 상기 각 운전자별 운전 점유율 및 각 운전자별 보험료를 이용하여 결정하는 단계를 더 포함할 수 있다.
다른 실시예에서, 상기 보험료를 결정하는 단계는, 상기 다수 운전자에 대해 각 1인의 보험료와 각 1인의 운전 점유율을 곱한 값을 합산하여, 상기 다수 운전자를 위한 보험 상품의 보험료를 결정하는 단계를 포함할 수 있다.
또 다른 실시예에서, 상기 보험료 결정 장치가, 상기 차량 외의 차량에 대해 상기 다수 운전자 중 1인를 위한 보험 상품의 보험료를 결정하되, 상기 운전자 구분 모델에서 상기 1인이 해당되는 모델과 상기 모델의 위험도를 이용하여 상기 1인을 위한 보험 상품의 보험료를 결정하는 단계를 포함할 수 있다.
또 다른 실시예에서, 상기 차량의 운행 기록을 수신하는 단계는, 운행의 시각 정보, 위치 정보, 차량 상태 정보, 가속 센서 정보, 충격 센서 정보 중에서 하나 이상을 수신하는 단계를 포함할 수 있다.
또 다른 실시예에서, 상기 운전자 구분 모델은, 상기 차량과 동일한 차종을 운전하는 다른 운전자의 운행 기록을 수신하고, 상기 다른 운전자의 운행 기록을 기계 학습하여 생성한 것이다.
또 다른 실시예에서, 상기 운전자를 식별하는 단계는, 상기 운행 기록의 운전 습관 특성을 추출하는 단계 및 상기 운전 습관 특성에 상기 운전자 구분 모델을 적용하는 단계를 포함할 수 있다.
또 다른 실시예에서, 상기 운전자 구분 모델은, 상기 다른 운전자의 운행 기록을 스코어링(scoring)하여 상기 다른 운전자의 운행 기록의 공격적 성향 점수를 산출하여 생성한 것이다.
또 다른 실시예에서, 상기 운전자 구분 모델은, 상기 다른 운전자의 운행 기록을 클러스터링(clustering)하여 생성한 것이다.
또 다른 실시예에서, 상기 운전자 구분 모델은, 상기 다른 운전자의 운행 기록에 포함된 충격 센서 정보를 이용하여, 상기 운전자 구분 모델에 속한 각 모델별 위험도를 산출하는 것이다.
또 다른 실시예에서, 상기 운전자를 식별하는 단계는, 상기 운행 기록의 운전 습관 특성을 추출하는 단계 및 상기 운전 습관 특성에 상기 운전자 구분 모델을 적용하는 단계를 포함할 수 있다.
또 다른 실시예에서, 상기 운전 습관 특성을 추출하는 단계는, 상기 운행 기록의 과속 비율 및 속도, 급가속/급감속 빈도, 경로 변경 시 토크(torque), 방지턱 통과 시 충격량(impulse) 중에서 하나 이상을 추출하는 단계를 포함할 수 있다.
또 다른 실시예에서, 상기 운전 습관 특성을 추출하는 단계는, 상기 운행 기록의 운행 시간대, 운행이 지속된 시간, 운행 경로, 운행 거리 중에서 하나 이상을 추출하는 단계를 포함할 수 있다.
또 다른 실시예에서, 상기 운전자를 식별하는 단계는, 복수 개의 운전자 구분 모델을 이용하여, 각 운전자 구분 모델 별로 상기 운행 기록을 생성한 운전자를 예측하는 단계 및 상기 복수 개의 운전자 구분 모델 중에서 가장 많은 운전자 구분 모델이 예측한 운전자를 상기 운전자로 식별하는 단계를 포함할 수 있다.
또 다른 실시예에서, 상기 각 운전자별 운전 점유율을 산출하는 단계는, 상기 다수 운전자에 대해 각 1인의 누적 운행 시간 또는 누적 운행 거리의 비율을 이용하여 운전 점유율을 산출하는 단계를 포함할 수 있다.
상기 기술적 과제를 해결하기 위한 본 발명의 다른 태양에 따른 운전자 구분을 이용한 보험료 결정 방법은, 보험료 결정 장치가, 차량의 운행 기록을 일정 기간 동안 수신하는 단계와 상기 보험료 결정 장치가, 상기 일정 기간 동안의 운행 기록을 클러스터링 하여 각 클러스터별 운전 점유율을 산출하는 단계 및 상기 보험료 결정 장치가, 상기 차량에 대한 보험료를 결정하되, 상기 각 클러스터별 운전 점유율 및 각 클러스터별 보험료를 이용하여 결정하는 단계를 포함할 수 있다.
상기 기술적 과제를 해결하기 위한 본 발명의 또 다른 태양에 따른 운전자 구분을 이용한 보험료 결정 장치는, 하나 이상의 프로세서와 상기 프로세서에 의하여 수행되는 컴퓨터 프로그램을 로드하는 메모리 및 다수 운전자가 운전하는 차량의 운행 기록을 저장하는 스토리지를 포함하되, 상기 컴퓨터 프로그램은, 기 설정된 운전자 구분 모델을 이용하여, 상기 운행 기록을 생성한 운전자를 식별하는 오퍼레이션과 일정 기간 동안 상기 차량에 대한 각 운전자별 운전 점유율을 산출하는 오퍼레이션 및 상기 차량에 대해 상기 다수 운전자를 위한 보험 상품을 제안하되, 상기 각 운전자별 운전 점유율을 이용하여 제안하는 오퍼레이션을 포함할 수 있다.
일 실시예에서, 상기 보험 상품을 제안하는 오퍼레이션은, 상기 다수 운전자에 대해 각 1인의 보험료에 각 1인의 운전 점유율을 곱한 값을 합산하여, 상기 다수 운전자를 위한 보험료를 결정하는 오퍼레이션을 포함할 수 있다.
다른 실시예에서, 상기 운전자를 식별하는 오퍼레이션은, 상기 차량과 동일한 차종을 운전하는 다른 운전자의 운행 기록을 기계 학습하여, 상기 운전자 구분 모델을 생성하고 갱신하는 오퍼레이션을 포함할 수 있다.
또 다른 실시예에서, 상기 운전자를 식별하는 오퍼레이션은, 상기 운행 기록의 운전 습관 특성을 추출하는 오퍼레이션 및 상기 운전 습관 특성에 상기 운전자 구분 모델을 적용하는 오퍼레이션을 포함할 수 있다.
또 다른 실시예에서, 상기 각 운전자별 운전 점유율을 산출하는 오퍼레이션은, 상기 다수 운전자에 대해 각 1인의 누적 운행 시간 또는 누적 운행 거리의 비율을 연산하여 운전 점유율을 산출하는 오퍼레이션을 포함할 수 있다.
상기와 같은 본 발명에 따르면 동일 차량에 대한 운전 기록을 바탕으로 각각의 운전자의 운전 기록을 구분함으로써, 개인별로 운행한 총 소요시간의 비중과 교통사고 위험도를 각각 산출할 수 있다. 이를 통해 하나의 동일 차량을 2인 이상이 운전하는 경우에 하나의 보험 상품에 가입하더라도 합리적인 보험료를 책정하여 제안할 수 있다.
또한 이 때 구분한 각 운전자별 운전 습관과 운전자 구분 모델의 위험도를 이용하여, 추후 복수 운전자 중에서 1인이 다른 차량에 대한 보험 상품을 가입할 때, 보험료 산정을 위한 기준으로 활용할 수 있어 보다 합리적인 보험료의 보험 상품을 제안할 수 있다.
본 발명의 효과들은 이상에서 언급한 효과들로 제한되지 않으며, 언급되지 않은 또 다른 효과들은 아래의 기재로부터 통상의 기술자에게 명확하게 이해 될 수 있을 것이다.
도 1a 내지 도 1b는 본 발명의 몇몇 실시예에서 사용될 수 있는 자동차의 운행 기록 정보를 설명하기 위한 예시도이다.
도 2는 본 발명의 일 실시예에 따른 운전자 구분을 이용한 보험료 결정 방법을 설명하기 위한 흐름도이다.
도 3은 본 발명의 일 실시예에 따른 운전자 구분을 이용한 보험 상품의 제안 시스템을 설명하기 위한 구성도이다.
도 4는 본 발명의 몇몇 실시예에서 사용될 수 있는 운행 기록 정보와 개별 운행 정보를 설명하기 위한 예시도이다.
도 5는 본 발명의 몇몇 실시예에서 사용될 수 있는 운전 습관을 결정하는 요인들을 설명하기 위한 예시도이다.
도 6a 내지 도 6b는 본 발명의 일 실시예에 다른 운전자 구분 모델을 생성하는 과정을 설명하기 위한 개념도이다.
도 7a는 본 발명의 일 실시예에 따른 운행 정보를 이용하여, 운전자 구분 모델을 생성하는 방법의 순서도이다.
도 7b는 본 발명의 일 실시예에 따른 운전자 구분 모델을 이용하여, 운전자를 식별하는 방법의 순서도이다.
도 8은 본 발명의 일 실시예에 따른 운전자 구분을 이용한 보험료 결정 방법을 설명하기 위한 예시도이다.
도 9는 본 발명의 일 실시예에 따른 운전자 구분을 이용한 보험료 결정 장치의 하드웨어 구성도이다.
이하, 첨부된 도면을 참조하여 본 발명의 바람직한 실시예를 상세히 설명한다. 본 발명의 이점 및 특징, 그리고 그것들을 달성하는 방법은 첨부되는 도면과 함께 상세하게 후술되어 있는 실시 예들을 참조하면 명확해질 것이다. 그러나 본 발명은 이하에서 게시되는 실시예에 한정되는 것이 아니라 서로 다른 다양한 형태로 구현될 수 있으며, 단지 본 실시 예들은 본 발명의 게시가 완전하도록 하고, 본 발명이 속하는 기술 분야에서 통상의 지식을 가진 자에게 발명의 범주를 완전하게 알려주기 위해 제공되는 것이며, 본 발명은 청구항의 범주에 의해 정의될 뿐이다. 명세서 전체에 걸쳐 동일 참조 부호는 동일 구성 요소를 지칭한다.
다른 정의가 없다면, 본 명세서에서 사용되는 모든 용어(기술 및 과학적 용어를 포함)는 본 발명이 속하는 기술 분야에서 통상의 지식을 가진 자에게 공통적으로 이해될 수 있는 의미로 사용될 수 있을 것이다. 또 일반적으로 사용되는 사전에 정의되어 있는 용어들은 명백하게 특별히 정의되어 있지 않는 한 이상적으로 또는 과도하게 해석되지 않는다. 본 명세서에서 사용된 용어는 실시예들을 설명하기 위한 것이며 본 발명을 제한하고자 하는 것은 아니다. 본 명세서에서, 단수형은 문구에서 특별히 언급하지 않는 한 복수형도 포함한다.
명세서에서 사용되는 "포함한다 (comprises)" 및/또는 "포함하는 (comprising)"은 언급된 구성 요소, 단계, 동작 및/또는 소자는 하나 이상의 다른 구성 요소, 단계, 동작 및/또는 소자의 존재 또는 추가를 배제하지 않는다.
이하, 본 발명에 대하여 첨부된 도면에 따라 보다 상세히 설명한다.
도 1a 내지 도 1b는 본 발명의 몇몇 실시예에서 사용되는 자동차의 운행 기록 정보를 설명하기 위한 예시도이다.
최근에 생산되는 자동차는 계측과 제어를 위한 센서들을 탑재하고 있다. 흔히, 전자 제어 장치(ECU; Electronic Control Unit)라 불리는 장치를 이용하여 이러한 센서들을 관리한다. 초기 전자 제어 장치의 목적은 점화 시기, 연료 분사, 가변 밸브 시점, 공회전, 한계값 설정 등의 엔진의 핵심 기능을 정밀하게 제어하는 것이었다. 그러나, 차량과 컴퓨터 성능의 발전과 함께 구동 계통, 제동 계통, 조향 계통 등 차량의 모든 부분으로 점차 확장되고 있다. 이러한 전자 제어 장치를 관리하기 위한 OBD(On-Board Diagnostics)의 국제적인 표준도 정해지고 있는 상황이다. 이를 통해서 자동차의 운행 상태에 대한 정보를 시시각각 시계열적으로 수집할 수 있다.
본 발명은 이렇게 시계열적으로 수집되는 자동차의 운행 기록 정보를 이용하여 운전자를 구분하기 위한 발명이다. 예를 들면, 도 1a와 도 1b는 서로 다른 두 운전자가 동일한 자동차를 동일한 경로로 운전할 때, 300초 이내의 시간 동안 자동차의 속도 변화를 기록한 그래프이다. 도 1a와 도 1b를 참고하면, 동일한 조건에서 동일한 자동차를 운전하더라도 운전자의 운전 습관에 따라서 자동차의 속도 변화가 다른 것을 볼 수 있다.
예를 들면, 갑자기 속도가 증가하거나 감소하는 경우를 기준으로 살펴보면, 도 1a의 경우 마지막 300초에 가까운 시간대인 t1에서만 급정거가 있었으나, 도 1b의 경우에는 t2와 t3, t4의 시간대에 세 번의 급정거가 있는 것을 볼 수 있다. 즉, 동일한 조건에서 운전을 하더라도 운전자의 운전 습관에 따라 운행 기록 정보가 달라질 수 있다. 운전자의 운전 습관은 쉽게 바뀌지 않으며, 자동차 운전에 있어서 위험도와 관련이 있으므로, 이를 이용하여 운전자를 구분하는 한편 보험료를 산출하는데 활용한다면 바람직할 것이다.
도 2는 본 발명의 일 실시예에 따른 운전자 구분을 이용한 보험료 결정 방법을 설명하기 위한 흐름도이다.
도 2를 참고하면, 본 발명은 크게 3개의 단계를 거쳐서 진행이 될 수 있다. 제1 단계는 각 차량의 전자 장치에 운행 정보를 수집할 수 있는 기기를 설치하는 것이다. 차량 진단 장치 연결부(110)을 통해서 차량의 시각 정보, 위치 정보, 충격 정보 및 차량 운행 정보 등을 수집할 수 있다.
시각 정보는 운행 정보가 수집된 시간에 관한 정보이며, 위치 정보는 GPS 정보를 말한다. 충격 정보란 예를 들면 과속방지턱을 통과하는 순간의 충격량과 같은 정보를 말한다. 그 외에도 접촉 사고나 충돌 사고와 같은 경우에도 충격량이 발생할 수 있다. 이처럼 충격량에 관한 정보를 수집하여 전송할 수 있다. 그리고 차량 운행 정보란 속도나 방향 즉, 엑셀이나 브레이크 및 핸들(handle or steering wheel)과 기어 등의 조작과 관련된 정보이다.
다만 도 2의 예시된 시각 정보, 위치 정보, 충격 정보 등은 운행 정보의 일 예시이며 발명을 한정하기 위함은 아니다. 그 외에도 자동차 운행과 관련된 다양한 정보를 운행 정보로 수집하여 전송할 수 있다. 이처럼 자동차 운행과 관련된 정보를 운행 정보 수집 및 전송 장치(120)에서 수집하여 서버에 전송한다.
제2 단계는 수신한 빅데이터를 서버가 분석하여 운전자 구분 모델을 생성하고 각 모델의 위험도를 산출하는 단계이다. 운행 정보가 전송되는 서버의 일 예로 보험사(200)의 서버를 들 수 있다. 보험사(200)에서는 복수의 운전자의 운행 정보, 이른바 빅데이터(big data)를 분석하여, 운전 습관을 이용한 운전자 구분 모델을 만들 수 있다. 또한 충격 센서를 기반으로 측정한 사고 추정 정보를 이용하여, 운전 습관과 사고 발생 빈도의 상관 관계를 분석함으로써, 보험료 산정에 활용할 수 있다.
이를 위해서 서버로 전송되는 정보는 복수 운전자의 운행 정보 및 사고 추정 정보이다. 보험사(200)의 서버는 운행 정보를 저장하기 위한 운행 정보 DB(213)와 사고 추정 정보를 저장하기 위한 사고 추정 정보 DB(211)를 포함할 수 있다. 물론 그 외에도 추후 각 운전자의 개별 운행 정보가 저장될 개별 운행 정보 DB(215)를 더 포함할 수 있다.
운행 정보 DB(213)에 저장된 복수의 운전자의 운행 정보를 기반으로 운전자를 구분하는 시스템(250)을 구성할 수 있다. 예를 들면, 운전자 구분 시스템(150)은 운전 습관을 수치화 할 수 있는 운전 습관 특성 추출 모듈(251)과, 추출한 운전 습관의 특성을 구분하고 분석하기 위한 운전 습관 특성 구분 분석 모델(253) 및 각 모델을 검증하는 운전 습관 특성 구분 검증 모델(255)를 포함할 수 있다. 이렇게 3개의 모듈이 운전자 구분 시스템(250)의 3대 모듈에 해당한다.
물론 이 외에도 운전자 구분 시스템(250)는 추가적인 모듈을 더 포함할 수도 있다. 예를 들면, 특정 제1 운전자 구분 모델에 속한 운전자들의 사고 추정 정보를 연산하여, 해당 특정 제1 운전자 구분 모델의 위험도를 산출하는 위험도 평가 모듈을 더 포함할 수 있다. 운전 습관이란 사고 발생에도 영향을 미치므로 운전 습관을 이용하여 운전자 구분 모델을 생성하면서, 동시에 해당 운전자 구분 모델의 위험도를 평가하여 추후 보험료 산정에 활용할 수 있다.
빅데이터를 분석하여 운전자를 식별하기 위한 모델을 구성하였으면, 실제 각 운전자의 개별 운행 정보를 바탕으로 운전자를 식별하기 위한 제3 단계를 위한 준비는 모두 마치게 된다. 제3 단계는 개별 운행 정보 DB(215)에 저장된 각 개별 운행 정보를 바탕으로 해당 운행 정보에 대응되는 운전자 모델을 결정하고, 해당 운전자 모델의 위험도 등급을 이용하여 실제 운전자에게 적합한 보험 상품을 제안하는 단계이다.
기존에는 운전 경력, 사고 유무, 사고 회수 등과 같은 피상적인 정보를 기준으로, 보편적 사고 위험 평가 기준에 따라 보험료를 책정했다면, 본 발명에서는 실제 운전자의 운전 습관을 구분하여 모델을 생성하고, 해당 모델에 속한 실제 운전자의 사고 정보를 바탕으로 위험도를 산출하여 보험료 산정에 활용함으로써, 보다 적절한 보험 상품을 개발하고 운전자에게 제안할 수 있는 효과가 있다.
또한, 하나의 차량을 두 명 이상의 운전자가 운전할 때, 예를 들면 부부가 하나의 자동차를 대상으로 보험 상품에 가입할 때, 운전 습관을 기준으로 자동으로 주운전자와 종운전자를 자동으로 구별할 수 있다는 장점이 있다. 주운전자와 종운전자를 자동으로 구별하면, 이를 보험 계약에도 반영하여 주보험자와 종보험자로 계약할 수 있으므로, 계약 내용과 실제 운전 태양을 일치시킬 수 있는 효과가 있다.
도 2의 각 단계를 보다 자세히 살펴보면, 차량의 운행 정보 수집 및 전송 장치(120)는 일정 시간 간격으로 운행 기록을 수집한다. 운행 기록이란 자동차 운행과 관련된 로데이터(raw data)를 말한다. 즉, 운전자가 시동을 켜고, 운전을 하다가, 자동차를 완전히 멈추고, 시동을 끄는 일련의 과정을 운행(trip)이라고 할 때, 정해진 주기마다 측정된 운행과 관련된 일련의 정보를 운행 기록이라 한다. 운행 기록에 대해서는 추후 도 4에서 보다 자세히 살펴보기로 한다.
이러한 운행 기록에는 운전자 고유의 운전 습관과 성향이 반영되어 있다. 마치 지문(fingerprint)이나 서명(signature)처럼 이를 이용하여 운전자를 식별할 수 있다. 예를 들면, 예행 운전에 소요되는 시간, 일정 속도까지 올라가는데 걸리는 가속도와 소요 시간, 엑셀과 브레이크를 이용하는 습성, 차선 변경을 하는 습성, 차선 변경 시 소용되는 토크(torque)의 크기, 차량에 충격이 발생하는 상황 예를 들면 과속방지턱을 통과할 때 대응하는 습성, 주 운행 시간대, 운행 경로, 운행 소요 거리 및 시간 등과 같은 여러 항목에서 각 운전자마다 차이가 있다. 앞서 예로 든 각 항목은 이해의 편의를 돕기 위한 것일 뿐 발명을 한정하기 위함은 아니다.
이처럼 운전자 개개인의 운전 습성의 차이나 나타나는 인자들을 운전 습관 특성(driving signature)라고 정의한다. 이는 일종의 DNA처럼 구성되며 각각의 항목들이 상호 연관 관계를 가지고 연결되어 있다. 예를 들면 공격적인 성향의 운전자일수록 일정 속도까지 올라가는데 걸리는 시간은 짧으며, 엑셀과 브레이크를 자주 사용하고, 차선 변경이 잦으며, 과속방지턱을 통과할 때 속도를 많이 줄이지 않고, 즉 큰 충격량을 가지고 통과하는 상황이 많을 것이다.
또한 이러한 운전 습관 특성은 사고와 밀접한 관련이 있다. 상대적으로 방어적으로 운전하는 운전자일수록 사고 빈도도 낮을 것이며 사고의 경중도 가벼울 것이다. 그러므로 운전 습관 특성을 이용하여 운전자를 식별하면서, 동시에 해당 운전자의 위험도를 평가할 수 있다. 즉 본 발명은 운전 습관 특성을 활용하여 보험 상품에 적용할 수 있는 방법과 그 장치에 대하여 다루고 있다. 예를 들면 운전자 각각의 모델과 위험도를 평가하고 있으므로 2인 이상이 보험 상품에 가입해 있다가, 그 중 일부가 단일 운전자 가입으로 보험 상품을 새로 선택하려고 하면 기존의 운전자 모델과 위험도 등급을 활용하여 보험료를 책정할 수도 있다.
여기서 각 운전자를 식별하는 과정은 각 운전자의 운전 습관 특성을 이용하여 classification이나 clustering을 적용하여 운전자를 식별하게 된다. classification이나 clustering에 관해서는 추후 도 6a 내지 6b에서 보다 자세히 설명하기로 한다.
운전자를 구분하기 위한 모델을 생성하고, 검증을 통해서 각 구분자 모델의 품질을 평가한다. 또한, 하나의 운전자 구분 모델이 아니라, 복수의 운전자 구분 모델을 활용할 수 있다. 복수의 운전자 구분 모델을 사용함으로써, 오류를 줄일 수 있다. 이에 대해서는 추후 도 6a 내지 6b에서 보다 자세히 설명하기로 한다.
도 3은 본 발명의 일 실시예에 따른 운전자 구분을 이용한 보험 상품의 제안 시스템을 설명하기 위한 구성도이다.
도 3을 참고하면, 본 발명의 운전자 구분을 이용한 보험 상품의 제안 시스템은 운행 정보를 수집하고 전송하는 클라이언트 측(client-side)의 차량(100)과 수집한 운행 정보를 분석하고 평가하여 운전자를 식별하고 위험도를 산출하는 서버 측(server-side)의 보험 상품 제안 서비스 시스템(200)으로 나눌 수 있다. 여기서 보험 상품 제안 서비스 시스템(200)은 보험사의 서버가 될 수 있다.
차량(100)의 차량 진단 연결부(100)는 차량의 전자 장치로부터 운행과 관련된 계측 정보를 수집하고 이를 운행 정보 수집 및 전송 장치(120)으로 전달하면, 운행 정보 수집 및 전송 장치(120)는 네트워크(700)를 통해 운행 정보를 서버(200)로 전송한다.
보험사의 서버는 크게 3개의 계층을 가진다. 하나는 데이터를 분석하는 분석 시스템 계층으로 이는 주로 빅데이터 분석을 통해 운전자를 식별하기 위한 틀을 만드는 곳이다. 분석 시스템 계층에는 앞서 설명한 운전자 구분 시스템(250)이 있다. 운전자 구분 시스템(250)은 운행 정보 수집 서버(230)로부터 대량의 운행 정보를 전달 받아서, 이를 가공하여 운전자 구분 모델(253)을 생성하고 제공한다. 또한 운전자 구분 모델(253)은 기계 학습을 통해 운행 정보가 누적되면 누적될수록 지속적으로 갱신되면서 정확도를 높일 수 있다.
다른 하나는 서비스 시스템 계층으로 개별 운전자의 운행 정보에 운전자 구분 모델(253)을 적용하여 운전자를 식별하는 계층이다. 이를 통해 하나의 차량을 서로 다른 운전자가 운전하더라도 저마다의 운전 특성을 운전자 구분 모델(253)에 적용하여 서로 다른 운전자임을 자동으로 식별할 수 있는 것이다. 즉, 운행 평가 시스템(270)이 개별 운행 정보를 이용하여 운전자를 식별하고 위험도를 산출하는 기능을 제공한다.
마지막 하나는 데이터 베이스 계층으로 여러 개의 데이터베이스가 여기에 속하게 된다. 우선 운행 정보 수집 서버(230)가 네트워크(700)를 통해 복수의 차량으로부터 수신한 운행 정보가 저장되는 운행 정보 DB(213)와 사고 추정 정보가 저장되는 사고 추정 정보 DB(211)가 있다. 또한, 하나의 차량에 대해 운전자를 식별하기 위한 개별 운행 정보가 저장되는 개별 운행 정보 DB(215)가 있다. 각 개별 운행 정보에 운전자 구분 모델(253)을 적용하여 운전자를 식별하고 나면, 운행 평가 시스템(270)은 각 운전자의 위험도를 산출하여 개별 운행 위험도 DB(217)에 저장한다.
이상으로 운전자 구분 모델을 생성하고 개별 운행 정보에 이를 적용하여 운전자를 식별하는 방법을 개괄적으로 살펴보았다. 또한 그 과정에서 위험도를 산출하여 보험 상품을 제안하는 방법도 개괄적으로 살펴보았다. 이후부터는 각각의 단계에 대해서 보다 자세하게 살펴보기로 한다.
도 4는 본 발명의 몇몇 실시예에서 사용될 수 있는 운행 기록 정보와 개별 운행 정보를 설명하기 위한 예시도이다.
도 2에서 살펴본 것처럼 차량 진단 장치 연결부(110)에서 수집한 운행 기록 정보(115)는 운행과 관련된 로데이터 형식이다. 도 4를 참고하면 운행 기록 정보(115)는 XML 형태로 수집될 수 있다. 기본 차량 정보에는 차에 대한 정보가 수집되는 것으로 차종이나 모델, 연식 등과 같은 정보가 기록되며, 운행 목록은 운행이 시작되어서 끝날 때까지 일정 주기마다 측정된 운행과 관련된 일련의 정보들이 수집될 수 있다. 예를 들면, 데이터가 수집된 시각, 그 때의 GPS 정보, 차량 상태 정보, 가속 센서 정보, 충격 센서 정보와 같은 정보들이 수집될 수 있다.
운행 기록 정보(115)는 로데이터의 형태이므로 이를 그대로 서버(200)에 전송하기 전에 추가적인 가공이 있을 수 있다. 이렇게 데이터의 양을 줄여서 가공된 정보를 개별 운행 정보(215)라 한다. 개별 운행 정보(215)를 참고하면 운행 기록 정보(115)를 취합하여 운행 시간 정보와 운행 습관 특성 정보를 추출한 것을 볼 수 있다.
운행 시간 정보에는 출발 시각, 종료 시각, 주행 시간, 정지 시간과 같은 정보가 포함될 수 있다. 그리고 운행 습관 특성 정보에는 주행 속도의 평균 및 표준 편차, 최소값 및 최대값 같은 정보가 포함될 수 있다. 또한 급가속 횟수나 급감속 횟수, 급정지 횟수, 급회전 횟수, 급 U턴 횟수, 유효 충격 횟수 같은 정보가 포함될 수 있다.
도 4에는 도시되지 않았지만, 개별 운행 정보(215)에는 추가적인 정보가 더 포함될 수 있다. 예를 들면 운행 시간 정보와 유사하게 운행 거리 정보가 포함될 수도 있다. 운행 거리 정보에는 출발 위치, 종료 위치, 총 운행 거리와 같은 정보가 포함될 수 있다.
또한 개별 운행 정보(215)에는 그 외에도 운전자 프로파일의 정보가 더 포함될 수도 있다. 운전자 프로파일의 정보에는 운전자 식별 인자나 실 운전자 정보가 포함될 수 있다. 다만, 여기서 실 운전자 정보는 개별 운행 정보(215)에 있어서 필수적인 요소는 아니다.
도 5는 본 발명의 몇몇 실시예에서 사용될 수 있는 운전 습관을 결정하는 요인들을 설명하기 위한 예시도이다.
도 5를 참고하면 운행 정보 DB(213)에 저장된 운행 정보를 바탕으로 운전자 구분 모델을 생성하는 과정을 볼 수 있다. 앞서 도 4에서 살펴본 것처럼 운행 정보에는 다양한 정보들이 포함될 수 있다. 예를 들면, 운행 시각, 운전 시간 및 운행 경로와 같은 정보가 포함될 수 있다. 또한 특정 경로에서의 평균 주행 속도와 같은 정보가 포함될 수 있다.
뿐만 아니라 급감속 또는 급가속 이벤트에 관한 정보, 경로 변경 빈도 및 이에 따른 토크의 세기, 과속방지턱이 있는 곳에서의 차량 속도 및 충격량 세기, 터널 안에서의 경로 변경 이벤트에 관한 정보, 사고 다발 지역을 운행하는 빈도, 대인 또는 대차 충돌 시 발생하는 차량 충격량 및 이벤트에 대한 정보, 졸음 또는 음주 운전이 의심되는 비 정상적인 운전 기록에 대한 정보가 포함될 수 있다.
이를 이용하여 운전자의 운행 습관을 결정할 수 있다. 크게 3개의 분류로 나눌 수 있다. 첫번째로 운전 습성에 따른 식별(216a)은 과속 습성, 급가속/급감속 습성, 경로 변경 습성, 방지턱 통과 습성과 같은 정보를 고려할 수 있다. 과속 습성으로는 평균 대비 +10km/h, +20km/h와 같은 정보를 이용할 수 있다. 급가속/급감속 습성은 운행 거리당 평균 몇 회와 같은 정보를 말한다. 경로 변경 습성은 경로를 급격히 바꾸는지 또는 천천히 바꾸는지 등과 같은 정보이다. 즉 차선 변경이나 회전 시 속도와 토크를 이용하여 산출할 수 있는 정보이다. 이 외에도 다양한 정보를 이용하여 운전 습성을 파악할 수 있다.
두번째로 생활 습성에 따른 식별(216b)는 주 운전 시간대, 주 운행 경로, 운행 거리 및 운행 시간을 고려할 수 있다. 출퇴근 시간대에 주로 운전한다거나, 사고 다발 지역을 주로 운전한다거나, 장거리 운전이 많다거나 등과 같은 정보를 고려하여 운행 습관을 결정할 수 있다.
마지막으로 위험 운전과 따른 식별(216c)는 접촉 사고 정보, 터널에서의 운행 습관, 비정상 운행 패턴을 고려할 수 있다. 접촉 사고 정보는 충격량의 변화를 이용하여 감지한 정보로 운행 거리당 또는 운행 시간당 접촉 사고 빈도를 말한다. 비정상 운행 패턴이란 음주 운전 또는 졸음 운전이 의심되는 패턴이 얼마나 자주 발견되는지를 말한다.
다만, 도 5의 예는 운행 정보(213)의 이해의 편의를 돕기 위한 것일 뿐 발명을 한정하고자 함이 아니다. 그 외에도 운행과 관련된 다양한 항목들을 고려하여 운전자의 운행 습관을 결정할 수 있다. 즉, 운전자 구분 모델을 생성할 수 있다. 운전자 구분 모델에 대해서 도 6a 내지 6b를 살펴보기로 한다.
도 6a 내지 도 6b는 본 발명의 일 실시예에 다른 운전자 구분 모델을 생성하는 과정을 설명하기 위한 개념도이다.
앞서 도 2에 대한 설명을 수행하면서 운전자 구분 모델(253)을 생성하는데 classification 또는 clustering을 이용할 수 있다고 언급하였다. 도 6a는 classification의 일 예시이며, 도 6b는 clustering의 일 예시이다.
우선 classification은 사전에 정해진 기준에 따라 운전자를 구별하는 방법을 말한다. 예를 들면, 도 5의 각 항목을 스코어링(scoring) 하고, 합산하여 개별 운행 정보의 공격성 점수를 산출할 수 있다. 그리고 공격성 점수를 구간으로 나누어 공격적 성향의 운전자나 중립적 성향의 운전자 또는 방어적 성향의 운전자로 나눌 수 있다. 도 6a의 예에서는 등급을 5개로 나누었으나 이는 일 예에 지나지 않는다.
도 5의 각 항목을 스코어링 하는 과정은 사고 추정 정보를 이용하여 수행할 수 있다. 예를 들면, 빅데이터 분석을 통해 분당 급가속 횟수와 사고 빈도의 상관 관계를 연산하여, 분당 급가속 횟수 항목의 공격성 점수를 사전에 설정하는 방식이다. 구체적으로는, 분당 급가속 횟수가 0.12 라면 공격성 점수를 +1.2 시키는 방식으로 공격성 점수를 산출할 수 있다. 또는 과속 습성이 +18km/h라면 공격성 점수를 +1.8 시키는 방식으로 항목별 공격성 점수를 산출할 수 있다.
이처럼 각 항목의 공격성 점수를 합산하여 해당 개별 운행 정보의 최종적인 공격성 점수를 산출하여, 운전자를 식별할 수 있다. 이처럼 자동차 운전자의 운전 습성이 사고의 빈도 및 정도와 연관 관계가 있으므로, 빅데이터 분석을 통해 상관관계를 해석하여 항목별 공격성 점수를 산출하기 위한 식을 사전에 설정하면, 그 후에는 개별 운행 정보(215)를 공격성 점수 산출식에 적용하여 사전에 구분한 공격성 등급에서 어디에 해당하는지 확인하는 것으로도 운전자를 구분할 수 있다.
물론 이 과정에서, 지속적으로 운행 정보와 사고 추정 정보를 수집하여 공격성 점수를 산출하기 위한 식을 갱신해 나갈 수 있다. 즉, 기계 학습을 통해 운전자 구분 모델을 검증하고 수정해 나갈 수 있다. 또한 복수의 운전자 구분 모델을 이용하여 운전자를 식별할 수도 있다. 예를 들면 하나의 운전자 구분 모델만 이용하는 경우 데이터 특이점에 의해 오류가 발생할 수 있으므로, 검증을 통해 예측 정확도가 높은 5개의 운전자 구분 모델을 생성하여, 각 운전가 구분 모델이 예측한 운전자의 등급을 다수결에 의해서 최종적으로 운전자를 식별할 수도 있다.
도 6a에서 살펴본 스코어링에 의한 운전자 구별은 classification의 일 예일뿐이며 그 외에도 다양한 classification을 적용할 수 있다. 예를 들면 각 항목별로 트리 구조를 생성하여 운전자를 식별할 수도 있다. 즉, 분당 급가속 횟수가 0.5보다 큰지 작은지에 따라 노드가 분기되고, 그 아래 자식 노드에서 다시 각각 과속 습성이 평균보다 +10km/h보다 큰지 작은지에 따라서 노드가 분기되는 방식을 통해서 운전자를 식별할 수도 있다. 이 역시 사전에 설정된 기준에 따라 운전자를 구분한다는 점에서 classification의 일 예에 속한다.
반면 도 6b를 참고하면 clustering를 이용하여 운전자를 식별하는 것을 볼 수 있다. 보통 클러스터링에는 K-means 알고리즘을 많이 사용한다. K-means 알고리즘은 주어진 N개의 데이터를, N보다 작거나 같은 K개의 덩어리(cluster)로 분류하는 알고리즘이다. 이 때 각 덩어리를 나누는 과정은 각 덩어리에 속한 데이터들의 비용 함수를 최소화 하는 방식으로 이루어진다. 이 때 비용 함수란 각 덩어리의 중심에서 각 데이터까지의 유클리드 기하학 상의 거리의 제곱 합으로 한다. 즉, ||x-μi||2 (x는 각 데이터, μi는 각 덩어리의 중심)의 합이 최소가 되도록 데이터를 K 개의 덩어리로 분류하는 방법이다.
도 6b는 K-means 알고리즘에 의해 데이터를 3개의 덩어리로 분류하는 과정을 도시한 것이다. 도 6b를 참고하면 좌표평면상에 수많은 데이터가 있고 이를 3개의 덩어리로 묶은 것을 볼 수 있다. K-means 알고리즘은 비용 함수를 유클리드 기하학 상의 거리의 제곱 합으로 구하므로, 1차원, 2차원, 3차원, 그리고 그 이상의 다차원에서 거리를 연산하기 위한 좌표가 필요하다. 여기서 좌표란 데이터를 여러 개의 그룹을 나누고자 할 때, 그 기준이 되는 속성들로 만든 좌표를 말한다. 즉 개별 운행 정보(215)의 각 항목들을 수치를 좌표로 환산하여 클러스터링을 수행할 수 있다.
도 7a는 본 발명의 일 실시예에 따른 운행 정보를 이용하여, 운전자 구분 모델을 생성하는 방법의 순서도이다.
도 7a를 참고하면, 우선 운행 기록을 입력한다(S1100). 즉, 각 차량에 설치된 전자 장치를 통해서 운행 기록이 수집되어 이를 서버에 전송한다. 서버에서는 복수의 차량에서 수집한 운행 기록을 데이터 베이스에 저장하고(S1200), 빅데이터 분석을 수행한다.
즉, 운전 습관 특성 정보를 추출하여 차량의 운전과 관련된 지표를 항목화하고(S1300), 기계 학습을 위한 학습 데이터를 생성한다(S1400). 기계 학습을 수행하는 과정은, 분석 알고리즘 별로 반복 학습을 통해 진행된다(S1500). 즉, 훈련 모델을 구축하여 운전자를 분류해보고(S1510), 평가 모델을 이용하여 예측의 정확도를 확인하면서 각 훈련 모델에 다시 피드백을 가해 훈련 모델을 점차 수정해 가는 방식을 거치게 된다(S1530).
기계 학습 과정을 통해서(S1500), 평가 결과가 우수한 운전자 구분 모델을 복수 개 선정한다. 하나의 운전자 구분 모델을 이용하는 것보다 복수 개의 운전자 구분 모델을 이용하는 것이 특이 데이터로 인한 오류를 줄일 수 있다. 이렇게 생성된 모델은 추후 개별 운행 정보를 이용하여 운전자를 식별하는 도 7b의 S2400 단계에 제공된다.
도 7b는 본 발명의 일 실시예에 따른 운전자 구분 모델을 이용하여, 운전자를 식별하는 방법의 순서도이다.
도 7a가 기계 학습을 통해 운전자 구분을 위한 모델을 생성하는 과정이었다면, 도 7b는 도 7a에서 생성된 운전자 구분 모델을 적용하여 실제 개별 운행 기록으로부터 운전자를 식별하는 과정이다. 도 7b를 참고하면, 도 7a와 마찬가지로 각 차량에 설치된 전자 장치를 통해서 운행 기록이 수집되어 이를 서버에 전송한다(S2100). 그리고, 수신한 운행 기록을 데이터베이스에 저장하고(S2200), 분석을 위한 운전 습관 특성 정보를 추출한다(S2300).
그 후에는 도 7a에서 생성한 운전자 구분 모델을 적용하여 운전자 식별 인자를 도출한다(S2400). 즉, 운전자의 공격성 등급이나(classification), 클러스터(cluster)를 도출한다. 이 때 하나의 운전자 구분 모델을 이용하는 것이 아니라 복수의 운전자 구분 모델을 이용하므로, 다수결에 의한 운전자 식별 인자를 결정하여 오류를 줄일 수 있다(S2500).
이렇게 구분한 운전자의 식별 인자를 개별 운행 정보 DB에 저장한다(S2600). 즉, 도 4의 운전자 프로파일에서 운전자 식별 인자로 기록하고 이를 추후 보험 상품 제안에 활용할 수 있다. 실제 보험 상품을 제안하는 과정을 다음의 도 8을 통해서 살펴보도록 한다.
도 8은 본 발명의 일 실시예에 따른 운전자 구분을 이용한 보험료 결정 방법을 설명하기 위한 예시도이다.
도 8을 참고하면, 부부가 하나의 차량(100)을 함께 운전하는 경우, 보험 상품을 제안하는 과정을 볼 수 있다. 일단 남편을 운전자 1(301a), 아내를 운전자 2(301b)라 할 때, 두 사람이 필요에 따라 차량(100)을 운전할 수 있다. 예를 들면 평일에는 남편이 출퇴근하면서 차량(100)을 운전하고, 주말에는 가족 나들이를 위해서 아내가 차량(100)을 운전하는 경우가 있을 수 있다.
이 때 운전자 구분 모델을 적용하면, 운전자 1(301a)는 Model 1에 해당하는 운전자로, 운전자 2(301b)는 Model 2에 해당하는 운전자로 구별한 것을 볼 수 있다. 즉 본 발명은 운전자가 누구인지 파악하는 것이 목적이 아니라 어떠한 성향의 운전자인지를 파악하는 것이 목적이다. 운전자의 신원이 아니라 운전자의 성향을 파악한다는 점에서 운전자를 인증하는 포드 자동차의 발명이나 GM 자동차의 발명과는 차이를 가진다.
남편을 Model 1의 성향을 가진 운전자로 아내를 Model 2의 성향을 가진 운전자로 식별한 후에는 각 모델별 위험도를 이용하여 보험 상품을 제안할 수 있다. 예를 들면 Model 1의 위험도 등급은 A이며, A 등급의 보험료는 월 18만원이 최적이고, Model 2의 위험도 등급은 B이며, B 등급의 보험료는 월 8만원이 최적이라고 가정해보자.
이 때 이 부부가 가입해야하는 보험 상품은, 부부의 자동차 운전 점유율을 기준으로 산정할 수 있다. 남편이 70%의 비율로 자동차를 운전하고, 아내가 30%의 비율로 자동차를 운전한다면 최종 보험료는 남편의 보험료 18만원 * 0.7 = 12.6 만원과 아내의 보험료 8만원 * 0.3 = 2.4 만원을 합한 금액인 15만원으로 결정될 수 있다. 여기서 자동차의 운전 점유율이란, 운행 시간이나 운행 거리 중에서 하나 이상을 이용해서 산정할 수 있다.
보험료를 산정하는 과정에서는 점유율 외에도 다양한 지표를 활용할 수 있다. 남편과 아내의 운행 기록을 분석하여 각각의 운행 기록을 구별할 수 있으므로, 과속 비율이나 음주 운전 및 졸음 운전 비율을 고려하여 보험료를 가감할 수 있다. 음주 운전이나 졸음 운전은 핸들 조작과 관련된 정보를 통해서 추정이 가능하다.
또는 주 운전 시간대나 운행 경로를 고려하여 보험료를 가감할 수 있다. 심야 또는 새벽과 같이 야간 운전이 많은 경우나, 사고 다발 지역을 주로 운전하는 경우 추가적인 보험료를 납부하도록 제안할 수 있다. 즉, 운전자 각각의 운전 성향 및 운행 기록을 반영하여 보험 상품의 보험료를 책정하고 특약을 추가할 수 있다.
여기서 운전자 1(301a)과 운전자 2(301b)의 점유율을 산출하는 과정은 다른 차량의 운행 기록을 수집하고, 빅데이터 분석을 통해 생성한 운전자 구분 모델을 이용하지 않고서도 진행될 수 있다. 대신 이 때에는 해당 차량을 운행한 운전자 1(301a)과 운전자 2(301b)의 운행 기록을 수집하여 클러스터링함으로써, 점유율을 산출할 수도 있다. 즉 기 설정된 운전자 구분 모델을 이용해서 운전자를 식별하거나, 또는 기 설정된 운전자 구분 모델이 없더라도 클러스터링을 이용해서 점유율을 산출할 수 있다.
또한, 이렇게 각 운전자별 운전 습관을 모니터링하여 운전자를 구분하고 위험도를 평가함으로써, 추후 복수 운전자 중 1인이 별도의 차량에 대한 보험 상품을 가입할 때 보험료 책정을 위한 지표로 활용할 수 있다.
예를 들면 도 8의 예에서 남편과 아내가 하나의 차량을 운전하다가 추후 아내가 별도로 차량을 구매하여 남편과 아내가 각각 별도의 차량을 운전한다고 가정할 때, 기존에 둘이서 운전하던 차량에 대한 보험료도 조정이 필요하며, 아내가 새로 사서 운전하는 차량에 대해서도 보험료 산정이 필요하다. 이 과정에서 기존에 생성한 남편과 아내의 운전 점유율 및 남편과 아내의 운전자 구분 모델에 따른 위험도를 활용하여 보험료를 산정할 수 있다.
도 9는 본 발명의 일 실시예에 따른 운전자 구분을 이용한 보험료 결정 장치의 하드웨어 구성도이다.
도 9를 참고하면 운전자 구분을 이용한 보험료 결정 장치(10)는 하나 이상의 프로세서(510), 메모리(520), 스토리지(560) 및 인터페이스(570)을 포함할 수 있다. 프로세서(510), 메모리(520), 스토리지(560) 및 인터페이스(570)는 시스템 버스(550)를 통하여 데이터를 송수신한다.
프로세서(510)는 메모리(520)에 로드 된 컴퓨터 프로그램을 실행하고, 메모리(520)는 상기 컴퓨터 프로그램을 스토리지(560)에서 로드(load) 한다. 상기 컴퓨터 프로그램은, 운행 정보 수집 오퍼레이션(521), 운행 정보 분석 오퍼레이션(523), 운전자 식별 오퍼레이션(535), 및 보험 상품 개발 오퍼레이션(527)을 포함할 수 있다.
운행 정보 수집 오퍼레이션(521)은 인터페이스(570)을 통해서 복수의 차량(100)의 운행 정보를 수집한다. 수집한 운행 정보를 시스템 버스(550)을 통해 스토리지(560)의 운행 정보(563)로 저장한다. 저장된 운행 정보(563)는 추후 기계 학습을 통해 운전자 구분 모델(565)를 생성할 때 활용될 수 있다.
운행 정보 분석 오퍼레이션(523)은 운행 정보(563)에 기계 학습을 적용하는 과정을 수행한다. 즉, 훈련 모델과 평가 모델을 통해 운전자를 구분하기 위한 최적의 모델을 복수 개 선정하는 과정을 거친다. 이렇게 선정된 복수 개의 모델을 시스템 버스(550)을 통해 스토리지(560)의 운전자 구분 모델(565)에 저장한다. 이는 추후에 각각의 운전자를 식별하기 위한 과정에서 활용될 수 있다.
운전자 식별 오퍼레이션(525)는 운전자 구분 모델(565)를 개벌 운행 정보(567)에 적용하여 각 운행 정보의 운전자를 식별한다. 즉 운전자의 성향을 판단하고 해당 운전자 성향의 위험도를 산출하는 것이다. 운전자의 성향과 위험도는 추후 보험 상품을 제안하는 과정에서 활용될 수 있다.
보험 상품 개발 오퍼레이션(527)은 스토리지(560)의 운전자의 성향과 위험도를 이용하여 보험 상품을 제안할 수 있다. 예를 들면 2인 이상의 운전자가 하나의 차량을 운전하는 경우 실질적인 점유율에 따라 주보험자와 종보험자를 판단하고 보험료를 책정한다거나, 주행 경로, 주행 시간 등을 고려하여 특약을 추가로 제안할 수 있다. 이렇게 생성된 보험 상품은 시스템 버스(550)을 통해 스토리지(560)의 보험 상품 정보(569)로 저장된다.
도 9의 각 구성 요소는 소프트웨어(Software) 또는, FPGA(Field Programmable Gate Array)나 ASIC(Application-Specific Integrated Circuit)과 같은 하드웨어(Hardware)를 의미할 수 있다. 그렇지만, 상기 구성 요소들은 소프트웨어 또는 하드웨어에 한정되는 의미는 아니며, 어드레싱(Addressing)할 수 있는 저장 매체에 있도록 구성될 수도 있고, 하나 또는 그 이상의 프로세서들을 실행시키도록 구성될 수도 있다. 상기 구성 요소들 안에서 제공되는 기능은 더 세분화된 구성 요소에 의하여 구현될 수 있으며, 복수의 구성 요소들을 합하여 특정한 기능을 수행하는 하나의 구성 요소로 구현될 수도 있다.
이상 첨부된 도면을 참조하여 본 발명의 실시예들을 설명하였지만, 본 발명이 속하는 기술 분야에서 통상의 지식을 가진 자는 본 발명이 그 기술적 사상이나 필수적인 특징을 변경하지 않고서 다른 구체적인 형태로 실시될 수 있다는 것을 이해할 수 있을 것이다. 그러므로 이상에서 기술한 실시예들은 모든 면에서 예시적인 것이며 한정적이 아닌 것으로 이해해야만 한다.

Claims (18)

  1. 보험료 결정 장치가, 다수 운전자 약정이 맺어진 차량의 운행 기록을 수신하는 단계;
    상기 보험료 결정 장치가, 기 설정된 운전자 구분 모델을 이용하여, 상기 운행 기록을 생성한 운전자를 식별하는 단계; 및
    상기 보험료 결정 장치가, 일정 기간 동안 상기 차량에 대한 각 운전자별 운전 점유율을 산출하는 단계;
    운전자 구분을 이용한 보험료 결정 방법.
  2. 제1항에 있어서,
    상기 보험료 결정 장치가, 상기 차량에 대해 상기 다수 운전자를 위한 보험 상품의 보험료를 결정하되,
    상기 각 운전자별 운전 점유율 및 각 운전자별 보험료를 이용하여 결정하는 단계를 더 포함하는,
    운전자 구분을 이용한 보험료 결정 방법.
  3. 제2항에 있어서,
    상기 보험료 결정 장치가, 상기 차량 외의 차량에 대해 상기 다수 운전자 중 1인를 위한 보험 상품의 보험료를 결정하되,
    상기 운전자 구분 모델에서 상기 1인이 해당되는 모델과 상기 모델의 위험도를 이용하여 상기 1인을 위한 보험 상품의 보험료를 결정하는 단계를 포함하는,
    운전자 구분을 이용한 보험료 결정 방법.
  4. 제1항에 있어서,
    상기 차량의 운행 기록을 수신하는 단계는,
    운행의 시각 정보, 위치 정보, 차량 상태 정보, 가속 센서 정보, 충격 센서 정보 중에서 하나 이상을 수신하는 단계를 포함하는,
    운전자 구분을 이용한 보험료 결정 방법.
  5. 제1항에 있어서,
    상기 운전자 구분 모델은,
    상기 차량과 동일한 차종을 운전하는 다른 운전자의 운행 기록을 수신하고, 상기 다른 운전자의 운행 기록을 기계 학습하여 생성한 것인,
    운전자 구분을 이용한 보험료 결정 방법.
  6. 제5항에 있어서,
    상기 운전자 구분 모델은,
    상기 다른 운전자의 운행 기록을 스코어링(scoring)하여 상기 다른 운전자의 운행 기록의 공격적 성향 점수를 산출하여 생성한 것인,
    운전자 구분을 이용한 보험료 결정 방법.
  7. 제5항에 있어서,
    상기 운전자 구분 모델은,
    상기 다른 운전자의 운행 기록을 클러스터링(clustering)하여 생성한 것인,
    운전자 구분을 이용한 보험료 결정 방법.
  8. 제5항에 있어서,
    상기 운전자 구분 모델은,
    상기 다른 운전자의 운행 기록에 포함된 충격 센서 정보를 이용하여, 상기 운전자 구분 모델에 속한 각 모델별 위험도를 산출하는 것인,
    운전자 구분을 이용한 보험료 결정 방법.
  9. 제1항에 있어서,
    상기 운전자를 식별하는 단계는,
    상기 운행 기록의 운전 습관 특성을 추출하는 단계; 및
    상기 운전 습관 특성에 상기 운전자 구분 모델을 적용하는 단계를 포함하는,
    운전자 구분을 이용한 보험료 결정 방법.
  10. 제9항에 있어서,
    상기 운전 습관 특성을 추출하는 단계는,
    상기 운행 기록의 과속 비율 및 속도, 급가속/급감속 빈도, 경로 변경 시 토크(torque), 방지턱 통과 시 충격량(impulse) 중에서 하나 이상을 추출하는 단계를 포함하는,
    운전자 구분을 이용한 보험료 결정 방법.
  11. 제9항에 있어서,
    상기 운전 습관 특성을 추출하는 단계는,
    상기 운행 기록의 운행 시간대, 운행이 지속된 시간, 운행 경로, 운행 거리 중에서 하나 이상을 추출하는 단계를 포함하는,
    운전자 구분을 이용한 보험료 결정 방법.
  12. 제1항에 있어서,
    상기 운전자를 식별하는 단계는,
    복수 개의 운전자 구분 모델을 이용하여, 각 운전자 구분 모델 별로 상기 운행 기록을 생성한 운전자를 예측하는 단계; 및
    상기 복수 개의 운전자 구분 모델 중에서 가장 많은 운전자 구분 모델이 예측한 운전자를 상기 운전자로 식별하는 단계를 포함하는,
    운전자 구분을 이용한 보험료 결정 방법.
  13. 제1항에 있어서,
    상기 각 운전자별 운전 점유율을 산출하는 단계는,
    상기 다수 운전자에 대해 각 1인의 누적 운행 시간 또는 누적 운행 거리의 비율을 이용하여 운전 점유율을 산출하는 단계를 포함하는,
    운전자 구분을 이용한 보험료 결정 방법.
  14. 보험료 결정 장치가, 차량의 운행 기록을 일정 기간 동안 수신하는 단계;
    상기 보험료 결정 장치가, 상기 일정 기간 동안의 운행 기록을 클러스터링 하여 각 클러스터별 운전 점유율을 산출하는 단계; 및
    상기 보험료 결정 장치가, 상기 차량에 대한 보험료를 결정하되, 상기 각 클러스터별 운전 점유율 및 각 클러스터별 보험료를 이용하여 결정하는 단계를 포함하는,
    운전자 구분을 이용한 보험료 결정 방법.
  15. 하나 이상의 프로세서;
    상기 프로세서에 의하여 수행되는 컴퓨터 프로그램을 로드하는 메모리; 및
    다수 운전자가 운전하는 차량의 운행 기록을 저장하는 스토리지를 포함하되,
    상기 컴퓨터 프로그램은,
    기 설정된 운전자 구분 모델을 이용하여, 상기 운행 기록을 생성한 운전자를 식별하는 오퍼레이션;
    일정 기간 동안 상기 차량에 대한 각 운전자별 운전 점유율을 산출하는 오퍼레이션; 및
    상기 차량에 대해 상기 다수 운전자를 위한 보험 상품을 제안하되, 상기 각 운전자별 운전 점유율을 이용하여 제안하는 오퍼레이션을 포함하는,
    운전자 구분을 이용한 보험료 결정 장치.
  16. 제15항에 있어서,
    상기 운전자를 식별하는 오퍼레이션은,
    상기 차량과 동일한 차종을 운전하는 다른 운전자의 운행 기록을 기계 학습하여, 상기 운전자 구분 모델을 생성하고 갱신하는 오퍼레이션을 포함하는,
    운전자 구분을 이용한 보험료 결정 장치.
  17. 제15항에 있어서,
    상기 운전자를 식별하는 오퍼레이션은,
    상기 운행 기록의 운전 습관 특성을 추출하는 오퍼레이션; 및
    상기 운전 습관 특성에 상기 운전자 구분 모델을 적용하는 오퍼레이션을 포함하는,
    운전자 구분을 이용한 보험료 결정 장치.
  18. 제15항에 있어서,
    상기 각 운전자별 운전 점유율을 산출하는 오퍼레이션은,
    상기 다수 운전자에 대해 각 1인의 누적 운행 시간 또는 누적 운행 거리의 비율을 연산하여 운전 점유율을 산출하는 오퍼레이션을 포함하는,
    운전자 구분을 이용한 보험료 결정 장치.
KR1020160043536A 2016-04-08 2016-04-08 운전자 구분을 이용한 보험 상품의 제안 방법 및 그 장치 KR102531005B1 (ko)

Priority Applications (1)

Application Number Priority Date Filing Date Title
KR1020160043536A KR102531005B1 (ko) 2016-04-08 2016-04-08 운전자 구분을 이용한 보험 상품의 제안 방법 및 그 장치

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
KR1020160043536A KR102531005B1 (ko) 2016-04-08 2016-04-08 운전자 구분을 이용한 보험 상품의 제안 방법 및 그 장치

Publications (2)

Publication Number Publication Date
KR20170115831A true KR20170115831A (ko) 2017-10-18
KR102531005B1 KR102531005B1 (ko) 2023-05-09

Family

ID=60296744

Family Applications (1)

Application Number Title Priority Date Filing Date
KR1020160043536A KR102531005B1 (ko) 2016-04-08 2016-04-08 운전자 구분을 이용한 보험 상품의 제안 방법 및 그 장치

Country Status (1)

Country Link
KR (1) KR102531005B1 (ko)

Cited By (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20180069204A (ko) * 2016-12-14 2018-06-25 현대자동차주식회사 차량 현가장치 제어방법
KR20200117528A (ko) * 2019-04-04 2020-10-14 한화손해보험주식회사 대인 경상 피해자에 대한 고액 합의금 대상 여부를 예측하기 위한 장치, 방법 및 이의 프로그램 기록매체
CN113780956A (zh) * 2021-09-18 2021-12-10 中国平安人寿保险股份有限公司 物流运费生成方法、装置、设备及存储介质
KR20220095430A (ko) * 2020-12-30 2022-07-07 한국과학기술원 주행 데이터 실시간 분석을 통한 운전자 시선 및 집중도 예측을 위한 컴퓨터 시스템 및 그의 방법
KR20220105464A (ko) * 2021-01-20 2022-07-27 한국과학기술원 주행 데이터 분석을 통한 운전자 식별을 위한 컴퓨터 시스템 및 그의 방법
WO2023027485A1 (ko) * 2021-08-23 2023-03-02 이도훈 차량 운행 정보와 차량 관리 데이터를 이용하는 보험 서비스 시스템
US20230061846A1 (en) * 2021-08-24 2023-03-02 Toyota Motor Engineering & Manufacturing North America, Inc. Driver classification systems and methods for obtaining an insurance rate for a vehicle
CN116665342A (zh) * 2023-08-01 2023-08-29 北京简精科技有限公司 新能源汽车驾驶行为分析方法、系统及设备
CN117196318A (zh) * 2023-11-02 2023-12-08 湖南机械之家信息科技有限公司 大型工程车辆的风险分析方法、装置和计算机设备

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20040076902A (ko) * 2003-02-27 2004-09-04 김태형 차량운전자의 운행정보 기록방법
KR20130112512A (ko) * 2012-04-04 2013-10-14 주식회사 케이티 차량 운행 서비스 제공 방법과 시스템 및 이를 위한 장치
KR101473957B1 (ko) * 2013-01-28 2014-12-18 군산대학교산학협력단 운전 패턴 인식에 기반하여 보험료를 결정하는 장치 및 방법
KR20150044199A (ko) * 2013-10-16 2015-04-24 현대모비스 주식회사 운전자 주행특성을 고려한 차량 주행위치 선정 시스템 및 그 방법
KR101555444B1 (ko) * 2014-07-10 2015-10-06 현대모비스 주식회사 차량탑재 상황감지 장치 및 그 방법
KR20160019331A (ko) * 2014-08-11 2016-02-19 주식회사 포어링크 자동차 보험료 산출 시스템

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20040076902A (ko) * 2003-02-27 2004-09-04 김태형 차량운전자의 운행정보 기록방법
KR20130112512A (ko) * 2012-04-04 2013-10-14 주식회사 케이티 차량 운행 서비스 제공 방법과 시스템 및 이를 위한 장치
KR101473957B1 (ko) * 2013-01-28 2014-12-18 군산대학교산학협력단 운전 패턴 인식에 기반하여 보험료를 결정하는 장치 및 방법
KR20150044199A (ko) * 2013-10-16 2015-04-24 현대모비스 주식회사 운전자 주행특성을 고려한 차량 주행위치 선정 시스템 및 그 방법
KR101555444B1 (ko) * 2014-07-10 2015-10-06 현대모비스 주식회사 차량탑재 상황감지 장치 및 그 방법
KR20160019331A (ko) * 2014-08-11 2016-02-19 주식회사 포어링크 자동차 보험료 산출 시스템

Cited By (13)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20180069204A (ko) * 2016-12-14 2018-06-25 현대자동차주식회사 차량 현가장치 제어방법
KR20200117528A (ko) * 2019-04-04 2020-10-14 한화손해보험주식회사 대인 경상 피해자에 대한 고액 합의금 대상 여부를 예측하기 위한 장치, 방법 및 이의 프로그램 기록매체
KR20220095430A (ko) * 2020-12-30 2022-07-07 한국과학기술원 주행 데이터 실시간 분석을 통한 운전자 시선 및 집중도 예측을 위한 컴퓨터 시스템 및 그의 방법
KR20220105464A (ko) * 2021-01-20 2022-07-27 한국과학기술원 주행 데이터 분석을 통한 운전자 식별을 위한 컴퓨터 시스템 및 그의 방법
WO2023027485A1 (ko) * 2021-08-23 2023-03-02 이도훈 차량 운행 정보와 차량 관리 데이터를 이용하는 보험 서비스 시스템
US20230061846A1 (en) * 2021-08-24 2023-03-02 Toyota Motor Engineering & Manufacturing North America, Inc. Driver classification systems and methods for obtaining an insurance rate for a vehicle
US11776064B2 (en) * 2021-08-24 2023-10-03 Toyota Motor Engineering & Manufacturing North America, Inc. Driver classification systems and methods for obtaining an insurance rate for a vehicle
CN113780956A (zh) * 2021-09-18 2021-12-10 中国平安人寿保险股份有限公司 物流运费生成方法、装置、设备及存储介质
CN113780956B (zh) * 2021-09-18 2024-02-13 中国平安人寿保险股份有限公司 物流运费生成方法、装置、设备及存储介质
CN116665342A (zh) * 2023-08-01 2023-08-29 北京简精科技有限公司 新能源汽车驾驶行为分析方法、系统及设备
CN116665342B (zh) * 2023-08-01 2023-10-03 北京简精科技有限公司 新能源汽车驾驶行为分析方法、系统及设备
CN117196318A (zh) * 2023-11-02 2023-12-08 湖南机械之家信息科技有限公司 大型工程车辆的风险分析方法、装置和计算机设备
CN117196318B (zh) * 2023-11-02 2024-01-30 湖南机械之家信息科技有限公司 大型工程车辆的风险分析方法、装置和计算机设备

Also Published As

Publication number Publication date
KR102531005B1 (ko) 2023-05-09

Similar Documents

Publication Publication Date Title
KR102531005B1 (ko) 운전자 구분을 이용한 보험 상품의 제안 방법 및 그 장치
US11407410B2 (en) Method and system for estimating an accident risk of an autonomous vehicle
US11830297B2 (en) Method for determining driving characteristics of a vehicle
US20220340148A1 (en) Method for estimating an accident risk of an autonomous vehicle
EP3578433B1 (en) Method for estimating an accident risk of an autonomous vehicle
Feng et al. Can vehicle longitudinal jerk be used to identify aggressive drivers? An examination using naturalistic driving data
US10606276B2 (en) User data-based autonomous vehicle system
US20200172112A1 (en) System and method for determining a change of a customary vehicle driver
US20070005404A1 (en) System and method for providing driving insurance
CN111428960B (zh) 一种融合多源车载传感器信息的智能车辆驾驶性自动化评价方法
Castignani et al. An evaluation study of driver profiling fuzzy algorithms using smartphones
CN107291972A (zh) 基于多源数据挖掘的汽车智能驾驶系统有效性评价方法
US20200160348A1 (en) Server device and information processing method
Martinelli et al. Cluster analysis for driver aggressiveness identification.
Priyadharshini et al. A comprehensive review of various data collection approaches, features, and algorithms used for the classification of driving style
US20210335060A1 (en) System and method for processing a reliability report associated with a vehicle
KR20200075918A (ko) 차량 및 그 제어 방법
Taguchi et al. Stochastic modeling and analysis of drivers’ decision making
US10346786B1 (en) Method for applying expert usage based data
Chung Mind, Machine, and Society: Legal and Ethical Implications of Self-Driving Cars
KR20230038129A (ko) 주행 패턴 분석 방법 및 그를 위한 장치
CN118076858A (zh) 用于生成调整能量有效轨迹的方法
CN118159459A (zh) 用于生成车辆的能量有效轨迹的方法
CN117897593A (zh) 用于生成车辆的能量有效轨迹的方法
CN118661072A (zh) 生成机动车辆的资源有效轨迹

Legal Events

Date Code Title Description
A201 Request for examination
E902 Notification of reason for refusal
E701 Decision to grant or registration of patent right
GRNT Written decision to grant