Dimension reduction techniques for summarized telematics data

운전자 텔레매틱스 데이터의 사용이 자동차보험에서 인기를 얻었음에도 전통적인 요금 책정 모형에서 사용되는 텔레매틱스 데이터의 고차원성을 처리하는 것이 보험사의 관심을 얻어왔다. 이 논문에서는 제안된 범주형 임베딩 및 주성분 분석을 기반으로 하는 차원 축소 기법을 통하여, 데이터의 필수 정보를 잃지 않고 범주형 및 연속형 공변량을 효율적으로 처리함으로써 더 해석할 수 있고 안정적인 예측 모델을 적합할 수 있도록 한다. 수치적 분석에 따르면 제안된 데이터 처리 방식이 차원축소를 적용하지 않은 고전적인 일반화선형모형에 비해 더 안정적인 예측값과 합리적인 적합도를 생성하는 것으로 나타났다.

While use of driver telematics data gained popularity in automobile insurance, dealing with high dimensionality of telematics data used in traditional ratemaking models has gained interest from insurers. In this article, a dimension reduction scheme is proposed based on categorical embedding and principal components analysis to handle both the categorical and continuous covariates efficiently and calibrate a more interpretable and reliable predictive model without losing the essential information of the data. According to numerical studies, the proposed data processing scheme produces more stable predicted values and reasonable goodness-of-fit compared to the classical GLMs without proper dimension reduction.