ANALYTICAL FINANCE- Telematics + Machine Learning applied to Insurance: "PAY HOW YOU DRIVE".

La rápida evolución de la movilidad digital ha generado multitud de oportunidades y desafíos. Un desafío es el acceso de conductores no cualificados a vehículos mediante plataformas de carsharing. Otro es el auge de las redes de alquiler o compartición de cuentas en servicios de entrega de comida. Adicionalmente, sectores como el de seguros podrían beneficiarse de una mejor determinación de la responsabilidad en accidentes.

Estudios existentes han propuesto numerosas metodologías de identificación de conductores, pero aún no han considerado la aplicabilidad práctica de sus enfoques. Estos suelen depender de métodos supervisados que clasifican conductores a partir de una lista predeterminada, en lugar de determinar su estado de autorización en un vehículo solo a partir de los datos de los conductores autorizados.

Esta tesis propone un marco de identificación de conductores explícitamente diseñado para escenarios prácticos reales. El marco propuesto aprovecha los sensores inerciales de los smartphones para capturar comportamientos y hábitos de conducción específicos. Además, introduce un pipeline replicable y robusto para el filtrado y preprocesamiento de datos, e incorpora un análisis más detallado de la conducción en curva para mejorar la precisión del proceso de identificación.

Finalmente, la tesis introduce un enfoque novedoso basado en la detección de anomalías usando autoencoders, afinados a través de técnicas de Optimización Bayesiana. Este enfoque abre nuevas vías de investigación en este campo, que ha sido relativamente inexplorado, y reafirma el potencial de los smartphones para la identificación de conductores. En resumen, esta tesis destaca la importancia de alinear la investigación con los requerimientos de la industria y demuestra la viabilidad de utilizar métodos de aprendizaje no supervisados para la identificación de conductores. Los hallazgos buscan contribuir al progreso de la identificación de conductores en el ámbito de la movilidad digital.

The rapid evolution of digital mobility has brought about numerous opportunities and challenges. One such challenge is the emergence of non-qualified drivers gaining access to vehicles through the rise of car-sharing platforms. Another challenge, the prevalence of renting or sharing accounts in food delivery services, has become a growing concern. Moreover, sectors like insurance could benefit from improved liability determination, offering more just services for both the insurers and the consumers.

Existing studies have focused on classifying drivers based on various data sources (e.g. video cameras, On Board Diagnostics sensors and smartphones) but have yet to consider the practical applicability of their approaches. These approaches typically rely on supervised methods that classify drivers from a predetermined list, rather than determining their authorisation status just from the data of the authorised drivers (the only data usually available).

In response to these limitations, this paper proposes a driver identification framework explicitly designed for real-world practical scenarios. The framework leverages the inertial sensors of smartphones, which are widely accessible, to capture specific driving behaviours and habits. To ensure the reliability of the collected data, the paper introduces a replicable and robust pipeline for data filtering and preprocessing. Additionally, the framework incorporates a more detailed analysis of turns to enhance the accuracy of the identification process.

Ultimately, the paper introduces a novel approach based on anomaly detection using autoencoders, fine-tuned through Bayesian Optimization techniques.This approach opens up new avenues for research in this field, which has been relatively unexplored, and reaffirms the potential of leveraging smartphones for driver identification. In brief, this paper emphasises the significance of aligning research with industry requirements and demonstrates the viability of utilising unsupervised learning methods for driver identification. The findings seek to contribute to the progress of driver identification in the realm of digital mobility.