運動学情報を使用した決定調整ドライバーリスク予測モデル

運転リスクの正確な予測は、クラッシュの希少性と個々のドライバーの不均一性のために困難です。この課題に取り組むことの有望な方向の1つは、接続された車両技術からますます利用できるテレマティクスデータを利用して、密なリスク予測因子を獲得することです。この作業では、テレマティクスベースの運転行動情報を使用して、最適なドライバーリスク予測モデルを開発するための意思決定に調整されたフレームワークを提案します。提案されたフレームワークを適用して、ドライバーリスクを予測するための縦方向の加速度（ACC）、減速（DEC）、横方向の加速（LAT）、およびその他のモデルパラメーターの最適なしきい値を特定します。2番目の戦略的ハイウェイ研究プログラム（SHRP 2）自然主義的な駆動データは、最もリスクの高いドライバーの上位1％から20％を特定する決定ルールとともに使用されました。結果は、意思決定調整モデルが、非テレマティクス予測因子を使用したベースラインモデルと比較して、予測精度を6.3％から26.1％改善することを示しています。提案されたモデルは、レシーバー動作特性曲線基準に基づいたモデルよりも優れており、予測精度が5.3％および31.8％改善されています。結果は、ACC、DEC、およびLATの最適なしきい値が、特にリスクの高いドライバーのごく一部を予測する場合、決定ルールに敏感であることを確認しています。この研究は、クラッシュリスク予測における運動駆動行動の価値と、予測機能を抽出するための体系的なアプローチの必要性を示しています。提案された方法は、フリートの安全管理、使用ベースの保険、ドライバーの行動介入、および接続車両安全技術開発など、幅広いアプリケーションに利益をもたらすことができます。

Accurate prediction of driving risk is challenging due to the rarity of crashes and individual driver heterogeneity. One promising direction of tackling this challenge is to take advantage of telematics data, increasingly available from connected vehicle technology, to obtain dense risk predictors. In this work, we propose a decision-adjusted framework to develop optimal driver risk prediction models using telematics-based driving behavior information. We apply the proposed framework to identify the optimal threshold values for elevated longitudinal acceleration (ACC), deceleration (DEC), lateral acceleration (LAT), and other model parameters for predicting driver risk. The Second Strategic Highway Research Program (SHRP 2) naturalistic driving data were used with the decision rule of identifying the top 1% to 20% of the riskiest drivers. The results show that the decision-adjusted model improves prediction precision by 6.3% to 26.1% compared to a baseline model using non-telematics predictors. The proposed model is superior to models based on a receiver operating characteristic curve criterion, with 5.3% and 31.8% improvement in prediction precision. The results confirm that the optimal thresholds for ACC, DEC and LAT are sensitive to the decision rules, especially when predicting a small percentage of high-risk drivers. This study demonstrates the value of kinematic driving behavior in crash risk prediction and the necessity for a systematic approach for extracting prediction features. The proposed method can benefit broad applications, including fleet safety management, use-based insurance, driver behavior intervention, as well as connected-vehicle safety technology development.