安全驾车模型的探讨
作为传统的汽车售后零部件公司，每个公司各自的产品数据是核心价值之一。
相关零件的系统组合，就是产品套装。
多个零部件公司的产品数据集合，就是数据库。
结合维修企业和保险公司，就是方案。
根据驾驶行为和出险记录甚至替换产品的等级差异进行车主奖励的差异化车险
差异化车险的基础是数据采集
驾驶安全性的推广基础是驾驶模型的建立。
同时提供司机乐趣的方案
保险公司利用UBI，会构建两个分析模型，一个是驾驶风险模型，一个是基于驾驶风险和其他风险的保险定价模型。
1、驾驶风险模型是需要拥有车联网数据具备车联网运营经验，懂驾驶行为，懂车，能够进行数据分析，一般是主机厂、TSP或者数据平台公司。
2、保险精算模型是具备车险资质和精算经验，一般是保险公司，保险经纪公司，精算咨询服务公司
对大部分采用UBI计算的保险公司/车联网公司来说，驾驶风险模型会用到50个以上的变量，这些变量大部分是通过车联网采集，前装数据会多一点，质量好点，后装OBD的方式，有一些数据的噪音。
这些变量一般是：行驶里程（参配、图片、询价） ，平均出行的时长、平均出行距离、平均每天出行次数、平均每天出行时间、平均一天驾驶距离 、平均一周驾驶距离、周一到周五平均驾驶次数、周末驾驶次数、平均速度、急加速/百公里、急刹车/百公里、路型、各地形的行驶里程、个地形的驾驶时间、各地形的停车时间、转弯次数、横向加速次数、滚动停止、变道次数、变速频率、变速级别、巡航控制、左转弯次数、速度偏差、假期驾驶、驾驶类型（速度VS时间）、驾驶类型偏差、出行半径、交叉口次数、转弯信号灯、安全带状态、安全气囊状态、灯/雨刷状态、车辆维修状态、出行间隔、拥堵指数、手机使用等。因为各个变量之间也具备关联关系，这里我们会有基本算法的选择，是使用线性聚类，还是神经网络的决策树算法。
以下是我们粗略的认识。 UBI的基础不仅仅是数据，而且也需要一个标准的安全驾车模型。
但是，逻辑上，这个模型，至少完美的模型还不存在。因为假设存在，那么直接就可以给无人驾驶使用了。原因在于理想场景和实际，尤其是欠发达地区的路况和场景极为复杂。 在中国驾车，突发状况的产生甚至超出电脑游戏开发者的想象。而且与其说驾车行为是技能研究，不如说更是心理学，基于场景的多变量科学。
目前的UBI，尤其是数学模型与其说是保险公司的辅助工具，不如说是车队和车主本身量化评测，以及逐步纠正自己驾车行为的有力工具。可能更是车主之间PK的乐趣所在。 就如控制酒驾，是司机被动受到管教。记录仪和数据提成和分享，是主动寓教于乐的主动安全措施。利益相关方都会获益，除了传统的零部件企业，会减低事故车的营业。
具体而言，行车数据的分析，需要场景的匹配。
l 同样的道路，天气不同，驾车模式是不同的。在雪地，就要启动S模式。
l 在高速大型弯道，方向盘不动，那么几秒钟你就横跨了四个车道，而数据是看不出你一口气变化四根车道的。
l 在路况复杂，接近危险阶段，横向加速变道，是安全模式，还是危险模式？
l 在国外所有车道都是在限速以上高速行驶；在大陆，大多数车辆在快车道缓慢行车。
l 平均车速高好，还是低好？ 300公里沪宁高速三个小时完成同四个小时完成的区别，哪个更安全？
昨天参加汽车金融大数据峰会，驾车来回沪宁，去程刹车两次踩刹车，其中一次就是接近事故路段的减速：
是一溜的双B婚礼车队，其中一辆同向追尾大货车。 卡车司机感觉很纳闷。 如何预防这样的事故？ 一路他们的驾车行为都很好。 还好没有排着队撞上去。
应该需要这样的装置
双镜头，其中一个镜头是监视司机的眼球（皮）。
上面还都是被动检测司机的疲劳状况。更需要增强每个司机的主动安全技能和意识。 计算眼球周期性巡视左右反光镜和头部后视镜的次数。不对周围司机的习性进行预判，和预先设定发生紧急路况的反应措施，都是重大车祸的主要因素。
昨天的第二次刹车，就是平生最危险的一次：
跟行最右边车道的司机一段时间就觉得其心理状态有点异样。在同他并行时，他突然试图强行变道下高速。 我前面是慢行的车辆，左边是慢行的货车，没用空间避让。 但是在他试图打方向的同时，我已经鸣号。毫发无损躲过一劫。
因此判断司机优劣的重要指标之一是其眼球的转动。但是保险公司是没有本事和意愿挑选可以采取主动安全模式的司机的。 更好的教育和培训在于民间的寓教于乐。
所以整个安全行车是多个行业的综合措施和合作。
试图用一套算法，一个模型来解决如此复杂的问题，估计只有到全部实行无人驾驶，保险公司也不用了。
此次行车的数据每秒上传云端。整理后定向分享与合作伙伴。可能成为大陆驾车的基准。
本文部分内容节选自业内人士：我是大肠