Publication
Driver Profile Classification
| dc.contributor.advisor | Lourenço, André Ribeiro | |
| dc.contributor.advisor | Ferreira, Artur Jorge | |
| dc.contributor.author | Loureiro, Luís Miguel Pinto | |
| dc.date.accessioned | 2024-10-23T08:50:30Z | |
| dc.date.available | 2024-10-23T08:50:30Z | |
| dc.date.issued | 2023-07 | |
| dc.description | Dissertação para obtenção do Grau de Mestre em Engenharia Informática e de Computadores | |
| dc.description.abstract | Nowadays, we have billions of vehicles around the world. In most countries, insurance against civil liability for vehicles is mandatory. Usually, insurance companies define vehicle insurance rates according to static known time-invariant variables or with a slight adjustment over time. The insurance rates calculation relies mostly on factors such as the age of the driver, the number of years one holds a driving license, and the driving history. These variables are not in close connection with the everyday behavior of the driver on the road, thus being not fair for young drivers, for instance. In this thesis, we follow a pay-as-you-behave approach, in which we describe the research and development work to devise a driver profile classification solution, based on driver behavior data. From data records with the trips from different drivers, we build a dataset, targeting a driver profile classification task. We explore and evaluate the use of machine learning techniques over the dataset, starting with an unsupervised approach and moving to a supervised one, where we save the final model. We also develop a REST API to serve as proof of concept to classify drivers and fleets, that uses the best model to determine the driver profile. The experimental results show that unsupervised machine learning techniques can cluster and identify distinct trip profiles, and supervised learning techniques are capa ble of classifying different trips based on the profiles found, which are then used to assign the driver profile. Many drivers revealed to have inconsistent driver behavior over time. The majority of the drivers has a non-aggressive driving style, some are aggressive, and a few are risky style drivers. | pt_PT |
| dc.description.abstract | Hoje em dia, existem milhares de milhões de veículos em todo o mundo. Na maioria dos países, seguro de veículo é obrigatório. Normalmente, as companhias de seguro definem as taxas de seguro de veículos de acordo com variáveis estáticas, ou que têm um ligeiro ajustamento ao longo tempo, como a idade do condutor, o número de anos encartado, e o histórico de condução. Estas variáveis não estão directamente relacionadas com o comportamento diário do condutor na estrada, não sendo por isso justas para os jovens condutores. Nesta tese adoptamos uma abordagem pay-as-you-behave, na qual analisamos a literatura e descrevemos o trabalho desenvolvido para conceber uma solução de classificação do perfil de condução. A partir de registos de dados de viagens com diferentes condutores, desenvolvemos um dataset organizado por viagens. Exploramos e avaliamos o uso de técnicas de aprendizagem automática sobre o conjunto de dados, começando com uma abordagem não supervisionada, e de seguida, supervisionada. Foi também desenvolvida uma REST API que serve como exemplo de uma abordagem para classificar condutores e frotas de veículos. Os resultados experimentais mostram que as técnicas não supervisionadas são capazes de realizar agrupamento dos dados, e identificar diferentes perfis de condução. As técnicas supervisionadas conseguem classificar diferentes viagens com base nos perfis encontrados, que são depois utilizados para calcular o perfil de condução. No conjunto de dados utilizado, a maior parte dos condutores revelaram ter um comportamento inconsistente ao longo do tempo. | pt_PT |
| dc.description.version | info:eu-repo/semantics/publishedVersion | pt_PT |
| dc.identifier.citation | LOUREIRO, Luís Miguel Pinto – Driver Profile Classification. Lisboa: Instituto Superior de Engenharia de Lisboa. 2023. Dissertação de Mestrado. | pt_PT |
| dc.identifier.tid | 203594193 | |
| dc.identifier.uri | http://hdl.handle.net/10400.21/17787 | |
| dc.language.iso | eng | pt_PT |
| dc.publisher | Instituto Superior de Engenharia de Lisboa | pt_PT |
| dc.subject | i-DREAMS project | pt_PT |
| dc.subject | driver profile | pt_PT |
| dc.subject | pay-as-you-behave | pt_PT |
| dc.subject | driving dataset | pt_PT |
| dc.subject | feature engineering | pt_PT |
| dc.subject | machine learning | pt_PT |
| dc.subject | unsupervised learning | pt_PT |
| dc.subject | supervised learning | pt_PT |
| dc.subject | clustering | pt_PT |
| dc.subject | projeto i-DREAMS | pt_PT |
| dc.subject | perfil de condução | pt_PT |
| dc.subject | conjunto de dados de condução | pt_PT |
| dc.subject | extração de características | pt_PT |
| dc.subject | aprendizagem automática | pt_PT |
| dc.subject | aprendizagem não supervisionada | pt_PT |
| dc.subject | aprendizagem supervisionada | pt_PT |
| dc.subject | agrupamento | pt_PT |
| dc.title | Driver Profile Classification | pt_PT |
| dc.type | master thesis | |
| dspace.entity.type | Publication | |
| oaire.citation.endPage | 116 | pt_PT |
| oaire.citation.startPage | 1 | pt_PT |
| rcaap.rights | openAccess | pt_PT |
| rcaap.type | masterThesis | pt_PT |