Predictive Evaluation of Driver Behavior Using Machine Learning and Exogenous Data
| Thesis title: | Prediktívne hodnotenie vodičského správania s využitím strojového učenia a exogénnych dát |
|---|---|
| Author: | Marcinčák, Kristián |
| Thesis type: | Diploma thesis |
| Supervisor: | Karkošková, Soňa |
| Opponents: | Matějka, Martin |
| Thesis language: | Slovensky |
| Abstract: | Diplomová práca sa zaoberá návrhom a implementáciou systému pre prediktívne hodnotenie vodičského správania s využitím strojového učenia a externých kontextových dát. Vzhľadom na absenciu reálnych telematických záznamov je riešenie postavené na synteticky generovaných jazdných profiloch, ktoré modelujú realistické dopravné scenáre. Cieľom práce je vytvoriť regresný model, ktorý na základe parametrov jazdy a pridružených exogénnych faktorov predikuje číselné skóre reprezentujúce mieru bezpečnosti danej jazdy. Výsledkom práce je funkčný regresný model strojového učenia, ktorý na základe jazdných metrík a externého kontextu predikuje hodnotu bezpečnostného skóre jazdy v intervale 0 až 100. Model je obohatený o premenné ako denná doba, počasie či typ komunikácie, ktoré umožňujú zohľadniť širší kontext jazdy. Výsledky sú doplnené vizualizáciami a agregáciou na úrovni vodiča, čím je umožnená dlhodobá analýza správania. Navrhnuté riešenie demonštruje technickú uskutočniteľnosť regresného hodnotenia vodičského správania s dôrazom na interpretovateľnosť a praktickú využiteľnosť v oblasti flotilového manažmentu alebo poisťovníctva. |
| Keywords: | strojové učenie; prediktívna analytika; bezpečnostné skóre; hodnotenie vodičského správania; modelovanie rizika; telematické systémy |
| Thesis title: | Prediktívne hodnotenie vodičského správania s využitím strojového učenia a exogénnych dát |
|---|---|
| Author: | Marcinčák, Kristián |
| Thesis type: | Diplomová práce |
| Supervisor: | Karkošková, Soňa |
| Opponents: | Matějka, Martin |
| Thesis language: | Slovensky |
| Abstract: | Diplomová práce se zabývá návrhem a implementací systému pro prediktivní hodnocení řidičského chování s využitím strojového učení a externích kontextových dat. Vzhledem k absenci reálných telematických záznamů je řešení postaveno na synteticky generovaných jízdních profilech, které modelují realistické dopravní scénáře. Cílem práce je vytvořit regresní model, který na základě parametrů jízdy a přidružených exogenních faktorů predikuje číselné skóre reprezentující míru bezpečnosti dané jízdy. Výsledkem práce je funkční regresní model strojového učení, který na základě jízdních metrik a externího kontextu predikuje hodnotu bezpečnostního skóre jízdy v intervalu 0 až 100. Model je obohacen o proměnné, jako je denní doba, počasí či typ komunikace, které umožňují zohlednit širší kontext jízdy. Výsledky jsou doplněny vizualizacemi a agregací na úrovni řidiče, což umožňuje dlouhodobou analýzu chování. Navržené řešení demonstruje technickou uskutečnitelnost regresního hodnocení řidičského chování s důrazem na interpretovatelnost a praktickou využitelnost v oblasti flotilového managementu nebo pojišťovnictví. |
| Keywords: | modelování rizika; hodnocení řidičského chování; telematické systémy; strojové učení; bezpečnostní skóre; prediktivní analytika |
| Thesis title: | Predictive Evaluation of Driver Behavior Using Machine Learning and Exogenous Data |
|---|---|
| Author: | Marcinčák, Kristián |
| Thesis type: | Diploma thesis |
| Supervisor: | Karkošková, Soňa |
| Opponents: | Matějka, Martin |
| Thesis language: | Slovensky |
| Abstract: | This thesis focuses on the design and implementation of a system for predictive driver behavior evaluation using machine learning and external contextual data. Due to the absence of real telematics records, the proposed solution is based on synthetically generated driving profiles that simulate realistic traffic scenarios. The aim of the work is to develop a regression model that, based on driving parameters and associated exogenous factors, predicts a numerical score representing the safety level of a given drive. The model output is a risk score on a scale from 0 to 100, where higher values indicate higher risk. The model is enriched with variables such as time of day, weather conditions, and road type, allowing for the inclusion of broader driving context. The results are complemented by driver-level visualizations and aggregations, enabling long-term behavioral analysis. The proposed solution demonstrates the technical feasibility of regression-based driver risk scoring, with an emphasis on interpretability and practical applicability in fleet management and insurance use cases. |
| Keywords: | driver behavior evaluation; predictive analytics; telematics systems; risk modeling; machine learning; safety score |
Information about study
| Study programme: | Data a analytika pro business |
|---|---|
| Type of study programme: | Magisterský studijní program |
| Assigned degree: | Ing. |
| Institutions assigning academic degree: | Vysoká škola ekonomická v Praze |
| Faculty: | Faculty of Informatics and Statistics |
| Department: | Department of Information Technologies |
Information on submission and defense
| Date of assignment: | 4. 5. 2025 |
|---|---|
| Date of submission: | 27. 11. 2025 |
| Date of defense: | 19. 1. 2026 |
| Identifier in the InSIS system: | https://insis.vse.cz/zp/92271/podrobnosti |
Files for download
Main text
File publication postponed to: 19. 1. 2031 Download
File publication postponed to: 19. 1. 2031 Download
Příloha práce
File publication postponed to: 19. 1. 2031 Download
File publication postponed to: 19. 1. 2031 Download
Příloha práce
File publication postponed to: 19. 1. 2031 Download
File publication postponed to: 19. 1. 2031 Download
Příloha práce
File publication postponed to: 19. 1. 2031 Download
File publication postponed to: 19. 1. 2031 Download