kth.sePublications
Change search
CiteExportLink to record
Permanent link

Direct link
Cite
Citation style
  • apa
  • ieee
  • modern-language-association-8th-edition
  • vancouver
  • Other style
More styles
Language
  • de-DE
  • en-GB
  • en-US
  • fi-FI
  • nn-NO
  • nn-NB
  • sv-SE
  • Other locale
More languages
Output format
  • html
  • text
  • asciidoc
  • rtf
Analysis and Use of Telemetry Data for Car Insurance Premiums
KTH, School of Engineering Sciences (SCI), Mathematics (Dept.), Mathematical Statistics.
KTH, School of Engineering Sciences (SCI), Mathematics (Dept.), Mathematical Statistics.
2023 (English)Independent thesis Advanced level (degree of Master (Two Years)), 20 credits / 30 HE creditsStudent thesisAlternative title
Analys och Användning av Telemetridata för Bilförsäkringspremier (Swedish)
Abstract [en]

Paydrive is a pioneer in the Swedish auto insurance market. Being able to influence your insurancepremium through your driving is a concept that is still in its early stages. Throughout this thesis,an attempt to consolidate the vast amounts of data gathered while driving with neural networkshas been made, together with comparisons to the currently existing generalized linear models. Inthe end, a full analysis of the data yielded four distinct groupings of customer behavior but becauseof how the data is structured the results from the modeling became sub-optimal. Insurance datais typically very skewed and zero-heavy due to the absence of accidents. The original researchquestion is whether it is possible to use two neural networks, calculating the probability of anaccident, r, and the size of a potential claim, s respectively. These two factors could be multipliedto determine a final insurance premium as c = r · s.

Using statistical standards and tools such as the Gini-coefficient, R2 values, MSE, and MAE themodels were evaluated both individually and pairwise. However, previous research in the fieldshows there haven’t been big enough advancements in this area yet. This thesis comes to the sameconclusion that due to the volatile nature of neural networks and the skewness of the data, it isincredibly difficult to get good results. Future work in the field could result in fairer prices forcustomers on their insurance premiums.

Abstract [sv]

Paydrive är pionjärer i den Svenska fordonsförsäkringsmarknaden. Att kunna påverka hur mycketdu betalar genom din körstil är ett koncept som ännu är i sin barndom. Genom denna avhan-dling har ett försök att konsolidera de enorma mängderna insamlad data med neurala nätverkgjorts, tillsammans med en jämförelse mot de redan existerande generaliserade linjära modellerna.Fyra distinkta kundgrupperingar kunde hittas i datan efter en fullskalig analys men på grund avhur datan är strukturerad producerades endast icke-optimala modeller. Försäkringsdata är alltidväldigt noll-fylld och skev mot noll då kunder oftast inte råkar ut för olyckor. Den ursprungligaforskningsfrågan är huruvida det är möjligt att med hjälp av två, neurala nätverk, beräkna sanno-likheten för en olycka, r, och storleken av en skada, s. Dessa två faktorer kan sedan multiplicerasihop för att best ̈amma en slutgiltig försäkringspremie som c = r · s.

Genom statistiska standarder och verktyg som Gini-koefficienten, R2 värden, MSE och MAEutvärderades modellerna individuellt och parvis. Dessvärre visar våra resultat vad föregåendeforskning redan visat på, det saknas resurser och verktyg för att effektivt kombinera neuralanätverk med telemetrisk data. Framtida arbete inom området kan komma att leda till rättvisarepriser för kunder vad gäller försäkringspremier.

Place, publisher, year, edition, pages
2023. , p. 59
Series
TRITA-SCI-GRU ; 2023:388
Keywords [en]
Telemetry, Neural Networks, Statistics, Mathematics
Keywords [sv]
Telemetri, Neurala Nätverk, Statistik, Matematik
National Category
Other Mathematics
Identifiers
URN: urn:nbn:se:kth:diva-340428OAI: oai:DiVA.org:kth-340428DiVA, id: diva2:1817012
External cooperation
Paydrive AB
Subject / course
Mathematical Statistics
Educational program
Master of Science - Applied and Computational Mathematics
Supervisors
Examiners
Available from: 2023-12-05 Created: 2023-12-05 Last updated: 2023-12-05Bibliographically approved

Open Access in DiVA

fulltext(2858 kB)139 downloads
File information
File name FULLTEXT01.pdfFile size 2858 kBChecksum SHA-512
9c0403654c9f62e362053c24deb8032dbac004696ace54c4829ea181d8a6126238b002a6eaa39c937dab1637e4fbd41efccd6b8adde4a4ff504305501413b2fd
Type fulltextMimetype application/pdf

By organisation
Mathematical Statistics
Other Mathematics

Search outside of DiVA

GoogleGoogle Scholar
Total: 139 downloads
The number of downloads is the sum of all downloads of full texts. It may include eg previous versions that are now no longer available

urn-nbn

Altmetric score

urn-nbn
Total: 281 hits
CiteExportLink to record
Permanent link

Direct link
Cite
Citation style
  • apa
  • ieee
  • modern-language-association-8th-edition
  • vancouver
  • Other style
More styles
Language
  • de-DE
  • en-GB
  • en-US
  • fi-FI
  • nn-NO
  • nn-NB
  • sv-SE
  • Other locale
More languages
Output format
  • html
  • text
  • asciidoc
  • rtf