Source : preprint arXiv:2412.08106v2 [stat.AP], 31 mars 2025 · pas de DOI dans le PDF · Department of Statistical Sciences, University of Toronto · accès OPEN · PDF DrivingRiskAnomalyTelematics2025.pdf, sha256 b35f3af942b46631…, 38 pages Lu le : 2026-11-02. LECTURE COMPLÈTE : texte intégral des 38 pages, annexes A à D comprises ; la bibliographie (p. 31-32) n’a été parcourue que pour identifier les références citées, et les estimateurs de l’annexe A n’ont pas été redérivés. Les valeurs de tableaux reprises ici viennent des pages 17, 20, 23, 25, 26, 27 et 38, relues sur la page rendue ou dans le texte extrait. Statut summarized. Thème : detection · détection non supervisée d’anomalies de conduite par modèle de Markov caché en temps continu Métadonnées vérifiées dans le PDF : auteurs (Ian Weng Chan, Andrei L. Badescu, X. Sheldon Lin), année 2025 et titre conformes à corpus.yaml. Pas de DOI ni de revue dans le PDF (preprint arXiv).

Contexte et question

L’assurance auto exploite la télématique surtout par des agrégats de trajet (comptes de freinages brusques, etc.) qui ignorent la structure temporelle des signaux. Les sinistres sont rares et datés au jour, sans que le trajet en cause soit connu. Les auteurs demandent s’il est possible, sans étiquettes ni covariables classiques (âge, véhicule), de mesurer à quel point un trajet s’écarte de la conduite habituelle, puis de relier cet écart au risque d’accident, au niveau du trajet et du conducteur (§1).

Méthode

• Modèle : chaîne de Markov cachée en temps continu (CTHMM), homogène, à S états latents, matrice de taux Q, observations conditionnellement indépendantes par dimension. Elle accepte des pas de temps irréguliers sans interpolation (§3.1). Estimation par EM, avec exponentielles de matrices pour les espérances de transitions et de durées (§4). Implémentation Julia publique (HMMToolkit, §4.2.3).
• Signaux modélisés : vitesse, accélération longitudinale, accélération latérale. Les accélérations sont calculées à partir des positions GPS converties en UTM : vitesse par dérivée de la position (remise à l’échelle sur la vitesse GPS), accélération par dérivée de la vitesse, puis projection tangentielle (longitudinale) et normale (latérale) (§2.2).
• Les trajets sont découpés en intervalles à vitesse non nulle, car les pseudo-résidus sont inefficaces près d’une frontière du domaine ; le modèle est ajusté sur ces sous-intervalles, l’évaluation se fait par trajet (§3.3).
• Détection : pseudo-résidus de prévision normalisés (Zucchini et al. 2016) ; un point est un outlier si |z| ≥ 3. L’indice d’anomalie d’un trajet pour une dimension est la proportion d’outliers (éq. 2) ; l’indice normalisé le divise par le maximum du conducteur (éq. 3) (§3.2-3.3).
• Deux régimes : un modèle par conducteur (écart à ses propres habitudes) ou un modèle poolé (comparaison et classement entre conducteurs) (§3.3).
• Hypothèse explicite : la conduite est majoritairement normale ; nombre d’états choisi par AIC/BIC en partant d’au moins 5 pour 3 dimensions (§3.3). Lois d’émission : Gamma pour la vitesse, Normale pour les deux accélérations (§5.2).
• Classifieurs en aval : GLM, GAM (splines cubiques) et XGBoost (20 itérations), évalués en validation croisée à 5 plis, plis constitués par fenêtre (§6.2).

Données

• Étude contrôlée : UAH-DriveSet (Romera et al. 2016), six conducteurs, conduite normale, agressive et somnolente sur autoroute et route secondaire. Vitesse GPS à 1 Hz, accélérations filtrées (Kalman) à 10 Hz, ré-échantillonnées à 1 s. D6 (véhicule électrique) est écarté ; D1 à D5 donnent 7 trajets chacun, soit 35 (§5.1, §5.3).
• Données réelles : locations de voitures en Australie, médiane 1 mois, moyenne 2 mois ; 1 678 locations avec au moins un sinistre responsable et 16 495 sans, sinistres de janvier 2019 à janvier 2023 (§2.1, §6.1). Jeu propriétaire, non partageable (Data Availability).
• Les séries sont irrégulières à cause d’un « curve logging » du fournisseur, qui supprime les points jugés peu significatifs (§2.1).
• Vérité terrain approchée : des « déclencheurs d’accident » du fournisseur (seuils sur l’accéléromètre) ne couvrent qu’environ 10 % des sinistres, soit 94 « trajets cibles » ; on cherche ces 94 trajets parmi 1 765 trajets situés dans une fenêtre de 3 jours autour de la date de perte, de 2 à 63 trajets par fenêtre (§6.1).
• Pour l’analyse poolée : entraînement sur 100 locations (10 avec sinistre, 90 sans), quatre tirages ; évaluation sur toutes les locations, sur toute leur durée (§6.3).

Résultats chiffrés

Étude contrôlée (UAH-DriveSet).

• Modèles individuels à 20 états, meilleur AIC et BIC parmi 5, 10, 15, 20 et 25 états (25 donne des lois dégénérées) ; moyenne sur 100 initialisations aléatoires (§5.2, Tab. 3, p. 17).
• Les deux trajets agressifs de chaque conducteur ont un indice plus élevé en accélération longitudinale ; la relation de l’accélération latérale avec le comportement est jugée moins directe par les auteurs (« less straightforward », §5.2, p. 16). Exception : pour D1, mélange avec le trajet somnolent sur route secondaire quand le nombre d’états est faible (§5.2, p. 18).
• Seuil de 3 écarts-types : sur route secondaire, les trajets normaux ont en moyenne 0,82 % d’outliers, contre 3,84 % avec un seuil de 2 écarts-types (§5.2, p. 17). À 4 écarts-types, les trajets agressifs ne se distinguent plus (§5.2, p. 16).
• Modèle poolé (35 trajets) : le trajet agressif de D2 sur route secondaire est le plus anormal en longitudinal (rang 1), puis celui de D5 sur autoroute (rang 2) (Tab. 7, §5.3, p. 20). Les auteurs précisent qu’ils ne peuvent pas valider ce classement, aucun conducteur n’ayant eu d’accident (p. 21).

Identification des trajets cibles (modèles individuels, 20 états, §6.2).

• ROC-AUC en validation croisée à 5 plis, population entière (Tab. 10, p. 23) : GLM 0,849 (indices bruts) et 0,863 (normalisés) ; GAM 0,857 et 0,853 ; XGBoost 0,825 et 0,826.
• ROC-AUC par fenêtre de 3 jours (Tab. 11, p. 25) : moyenne de 0,844 à 0,857, médiane de 0,952 à 0,978. Part des fenêtres où le trajet cible est classé premier : de 0,436 à 0,532.
• Dans le GAM sur tout le jeu, les indices longitudinal et latéral sont significatifs (p < 2e-16), pas celui de vitesse (p = 0,586 en brut, 0,549 en normalisé) (Tab. 12, p. 25).
• Un modèle individuel prend au plus 10 minutes (Julia) (§6.2, p. 22).

Comparaison locations avec et sans sinistre (modèle poolé, 10 % de sinistres à l’entraînement, §6.3).

• Par trajet, les moyennes sont légèrement plus basses pour les locations avec sinistre (Tab. 13, p. 26) : par exemple, en longitudinal, 0,4391 contre 0,5303 (jeu 1).
• Par location, le maximum de l’indice est environ le double (Tab. 13, p. 26) : par exemple, en longitudinal, 30,0000 contre 17,2080 (jeu 1). Les auteurs écrivent « roughly double » ; les rapports calculés sur les quatre jeux et les trois dimensions du tableau vont de 1,7 à 1,9 environ.
• Les tendances se maintiennent avec des jeux d’entraînement à 0 % et 100 % de sinistres (§6.3, p. 27) : moyennes par trajet plus basses côté sinistres, maxima par location plus élevés, par exemple en longitudinal 35,8500 contre 20,8000 (0 %) et 28,2700 contre 14,8470 (100 %) (Tab. D1, p. 38). Les auteurs écrivent que les indices longitudinal et latéral du groupe avec sinistre sont 1,5 à 2 fois ceux du groupe sans (p. 27). ROC-AUC du GLM pour les jeux 1, 2 et 3 : 0,6905, 0,7509 et 0,7861 (entraînement à 0 %) ; 0,6962, 0,7286 et 0,7669 (100 %) (Tab. D2, p. 38).
• Classification de la location (GLM, 5 plis, Tab. 14, p. 27) : jeu de covariables 1 (maxima) de 0,6824 à 0,6967 ; jeu 2 (queue de distribution) de 0,7174 à 0,7467 ; jeu 3 (queue plus nombre de trajets en offset) de 0,7707 à 0,7869, selon le jeu d’entraînement. Les auteurs les comparent à un repère de 0,65 de leur collaborateur.
• Entraînement poolé coûteux : environ une journée pour 5 000 itérations d’EM sur 100 locations (§6.3, p. 26).

Limites déclarées par les auteurs

• Aucune étiquette fine : seulement 94 trajets cibles sur 1 678 sinistres, à cause d’un taux élevé de faux négatifs du détecteur du fournisseur ; la date de perte est déclarée par le client (§6.1).
• Les résultats poolés par trajet vont à contresens de l’intuition (moyennes plus basses côté sinistres). Explication proposée : un entraînement sur 300 jours seulement (§6.3, p. 26).
• Le nombre d’états est choisi par jugement d’expert ; la sélection automatique est renvoyée à des travaux futurs (§7).
• Les trajets d’un même conducteur sont supposés indépendants ; une forte dépendance sous-estimerait la variabilité du risque (§3.1).
• Un véhicule à plusieurs conducteurs : le modèle capte la conduite dominante ; un trajet isolé peut être jugé anormal sans l’être (§6.1).
• Les outliers ne se comparent pas directement d’un conducteur à l’autre : « Outliers cannot be identified through direct comparison between drivers. » (§5.2, p. 18). D’où le modèle poolé.
• Modèle statique, hors ligne ; l’apprentissage en ligne, les covariables de route et de météo et l’intégration à la tarification sont renvoyés à des travaux futurs (§7).

Ce que ça change pour Teleforge (interprétation, hors de l’article)

• Sur les données réelles, l’accélération est dérivée du seul GPS (positions, vitesse) ; dans l’étude contrôlée, elle vient de l’accéléromètre filtré du jeu UAH (Z_KF, Y_KF). Le papier ne compare pas les deux sources et ne dit rien sur ce qu’apporterait une IMU. Le gain d’une fusion GNSS/IMU sur ce type d’indice n’est donc pas testé ici et serait un banc à monter.
• L’indice d’anomalie est un critère par trajet et par conducteur, sans seuil métier sur les événements. C’est une piste de contrôle de cohérence d’un jeu D1 : un trajet à indice très élevé signale soit une conduite atypique, soit un défaut de redressement ou de nettoyage en amont. Les auteurs ne traitent pas cette seconde lecture.
• Les séries du papier sont irrégulières (« curve logging ») et le CTHMM les absorbe sans interpolation ; à retenir pour toute source compressée ou décimée que nous aurions à traiter.
• L’accélération latérale est calculée comme la norme du résidu après projection tangentielle : elle hérite du bruit de la double dérivée de position GPS. Sa significativité dans les résultats réels est donc à lire avec cette réserve.
• Le jeu réel étant propriétaire et la vérité terrain à 10 %, les AUC de 0,78 à 0,86 ne se transposent pas telles quelles ; seule l’étude sur UAH-DriveSet (publique) est reproductible, avec le code Julia annoncé.
• Un maximum par location discrimine mieux que la moyenne (Tab. 13, p. 26), sous l’hypothèse d’un seul conducteur par location : à retenir pour toute agrégation d’indices de trajets en score conducteur.