Klasyfikator neuronowy RBF rozmiaru szkody komunikacyjnej

CZECH Piotr 1 FIGLUS Tomasz 2 KAŁUŻA Robert 3 ŁUKASIK Rafał 4 Klasyfikator neuronowy RBF rozmiaru szkody komunikacyjnej WPROWADZENIE Wysoka liczba zdarzeń szkodowych w ruchu drogowym w Polsce powoduje, iż zagadnienia dotyczące likwidacji szkód osobowych oraz restytucji uszkodzonego mienia stanowią ważny aspekt życia społecznego i gospodarczego kraju [4, 7, 14-17, 23]. Według metodyki likwidacji szkód stosowanej w zakładach ubezpieczeń, uwzględniany jest podział szkód komunikacyjnych na tzw. częściowe i całkowite [14]. W przypadku zdarzeń szkodowych objętych ochroną odpowiedzialności cywilnej sprawcy (OC), szkoda kwalifikowana jest jako częściowa, gdy koszt naprawy pojazdu nie przekracza jego wartości rynkowej. Koszt naprawy pojazdu określa się zgodnie z technologią ustaloną przez producenta pojazdu. Pojazd spełniający ten warunek dopuszcza się do naprawy. W sytuacji, gdy koszt naprawy przekracza wartość rynkową samochodu, zachodzi tzw. szkoda całkowita. Dla szkód całkowitych kwotę należnego odszkodowania ustala się na zasadzie różnicy pomiędzy wartością samochodu przed szkodą oraz wartością pojazdu w stanie uszkodzonym (tzw. Pozostałości). W tym przypadku naprawa samochodu kwalifikowana jest jako ekonomicznie nieuzasadniona, a preferowaną formę likwidacji stanowi zbycie przez poszkodowanego pojazdu uszkodzonego i zakup samochodu o parametrach odpowiadających pojazdowi przed szkodą. W tym wypadku występuje brak zgody ubezpieczyciela na pokrycie kosztów naprawy. Metodyka analogiczna zachodzi dla umów ubezpieczeń dobrowolnych (Autocasco). Różnica polega jedynie na tym, iż w zależności od warunków ogólnych ubezpieczyciela, szkoda rozliczana jest jako całkowita już w przypadku, gdy koszt naprawy pojazdu przekracza 70 80% wartości rynkowej pojazdu przed wystąpieniem szkody. Rozmiar szkody komunikacyjnej według rzeczoznawczej metodyki likwidacji szkód stosowanej przez zakłady ubezpieczeń określa się z zależności: (1) gdzie: KN koszt naprawy pojazdu, zł, WR wartość rynkowa pojazdu, zł. Jeżeli wyznaczony z zależności (1) rozmiar szkody wynosi R 1, to szkodę przyjmuje się za częściową i rozlicza się według kosztów naprawy pojazdu. Koszt ten oblicza się na podstawie technologii naprawy i cennika części zamiennych producenta pojazdu. Natomiast jeżeli rozmiar szkody wynosi R>1, to szkodę przyjmuje się jako całkowitą, a naprawa pojazdu jest ekonomicznie nieuzasadniona. W tym przypadku kwotę należnego odszkodowania stanowi różnica wartości samochodu przed szkodą i wartości pojazdu w stanie uszkodzonym (tzw. pozostałości). Sposób klasyfikacji szkody komunikacyjnej ze względu na jej rozmiar wyrażony stosunkiem technologicznych kosztów naprawy samochodu do jego wartości rynkowej determinuje sposób rozliczenia szkody, a tym samym wysokość kwoty należnego odszkodowania. Tak więc podjęcie przez likwidatora szkody prawidłowej decyzji o trybie procesu likwidacji ma zasadnicze znaczenie 1 Politechnika Śląska, Wydział Transportu, ul. Krasińskiego 8, Katowice 40-019, Tel:+ 4832 603-41-18, piotr.czech@polsl.pl 2 Politechnika Śląska, Wydział Transportu, ul. Krasińskiego 8, Katowice 40-019, Tel:+ 4832 603-41-18, tomasz.figlus@polsl.pl 3 Politechnika Śląska, Wydział Transportu, ul. Krasińskiego 8, Katowice 40-019, Tel:+ 4832 603-41-18 4 Politechnika Śląska, Wydział Transportu, ul. Krasińskiego 8, Katowice 40-019, Tel:+ 4832 603-41-18 2903

w sprawie wyceny. Obecnie w zakładach ubezpieczeń w Polsce stosowane są dwa systemy rzeczoznawcze służące do kalkulowania rozmiaru szkód w pojazdach INFO-EKSPERT oraz EUROTAX. Zdarza się, iż wycena tej samej szkody sporządzona przez rzeczoznawcę w obu systemach znacząco się różni. Zgodnie z kalkulacją wykonaną w jednym z systemów zasadnym byłoby rozliczenie danej szkody jako całkowitej, a według danych drugiego systemu jako częściowej. W związku z czym w niniejszym opracowaniu podjęto próbę zastosowania sztucznych sieci neuronowych RBF jako dodatkowego narzędzia pomocnego w procesie likwidacji szkód komunikacyjnych. Narzędzie to ma być pomocne w rozpoznawaniu oraz klasyfikacji szkód pod względem ich rozmiaru na szkody częściowe i całkowite. 1 METODA BADAŃ W zaplanowanym eksperymencie badawczym postanowiono sprawdzić przydatność sztucznych sieci neuronowych w zadaniu klasyfikacji rozmiaru szkody komunikacyjnej jako skutku zderzenia pojazdów w ruchu drogowym. W najnowszej literaturze można spotkać cały szereg możliwych zastosowań metod sztucznej inteligencji [1, 2, 8, 9, 12, 13, 19-21, 24, 25]. W przeprowadzonych doświadczeniach postanowiono wykorzystać sztuczne sieci neuronowe typu RBF [1, 2, 8, 9, 12, 13, 21]. Wyróżniającą cechą sztucznych sieci neuronowych jest możliwość modelowania przez nie dowolnych nieliniowości, przy równoczesnym zachowaniu odporności na zakłócenia. Dodatkowo sieci neuronowe posiadają umiejętność uogólniania wiedzy pozyskiwanej w procesie uczenia do analizy nowych przypadków danego zjawiska [1, 2, 8, 9, 12, 13, 19-21, 24, 25]. W przeprowadzonych badaniach wykorzystywano sztuczne sieci neuronowe typu RBF (Radial Basis Function). Radialne sieci neuronowe są używane jako klasyfikatory neuronowe dzielące zbiór danych na ustaloną liczbę kategorii wyjściowych. Posiadają budowę trójwarstwową warstwa wejściowa, ukryta oraz wyjściowa. Liczba neuronów wyjściowych równa jest liczbie kategorii klasyfikacji. Wykorzystując ten typ sieci należy odpowiednio dobrać współczynnik wygładzający. Reprezentuje on odchylenie radialne funkcji Gaussowskich i jest miarą zasięgu neuronów w warstwie ukrytej [13, 21]. W przeprowadzonych eksperymentach sieć neuronowa miała za zadanie sklasyfikować dane zdarzenie szkodowe do jednej z dwóch klas odpowiadających wystąpieniu szkody częściowej oraz całkowitej. Sieci neuronowe wykorzystywane w badaniach miały na wyjściu jeden neuron. W eksperymentach mających na celu budowę poprawnie działającego klasyfikatora neuronowego typu RBF sprawdzono działanie sieci dla 86 różnych wartości współczynnika. Wykorzystane w badaniach dane zostały pozyskane z dokumentacji szkodowych sporządzonych w działającym na polskim rynku jednym z zakładów ubezpieczeń. Dane obejmowały tysiąc przypadków szkodowych. Na podstawie dokumentacji szkodowej udało się zebrać następujące informacje o zdarzeniu: miesiąc wystąpienia zdarzenia szkodowego, godzina wystąpienia zdarzenia szkodowego, teren, w którym wystąpiło zdarzenie szkodowe, typ nadwozia pojazdu poszkodowanego i sprawcy, wiek pojazdu poszkodowanego i sprawcy, kolor pojazdu poszkodowanego i sprawcy, masa pojazdu poszkodowanego i sprawcy, prędkość pojazdu poszkodowanego i sprawcy, płeć poszkodowanego i sprawcy, wiek poszkodowanego i sprawcy, doświadczenie poszkodowanego i sprawcy w prowadzeniu pojazdów, typ zdarzenia szkodowego, rodzaj kolizji, 2904

średnia szerokość deformacji mierzona w kierunku stycznej zderzenia, średnia wysokość deformacji, wartość odkształcenia trwałego na kierunku normalnej zderzenia, wartość współczynnika wytrzymałościowego zależnego od konstrukcji nadwozia pojazdu poszkodowanego i sprawcy. Kolejne miesiące od stycznia do grudnia, oznaczono jako 1 do 12. Godzinę wystąpienia zdarzenia zakodowano jako 1 do 24, co odpowiadało pełnym godzinom zegarowym. Miejsca, w których wystąpiło zdarzenie szkodowe zostały podzielony na dwa typy: teren zabudowany, poza terenem zabudowanym. Nadwozia pojazdów zostały sklasyfikowane jako: jednobryłowe, dwubryłowe, trójbryłowe. Nadwozia pojazdów uczestniczących w kolizji występowały w następujących kolorach: białym, czarnym, szarym, jasno zielonym, ciemno zielonym, jasno niebieskim, ciemno niebieskim, czerwonym, bordowym, srebrnym, żółtym, pomarańczowym, grafitowym, innym. Jako rodzaj kolizji określono zderzenie pojazdów w ruchu i najechanie na pojazd zatrzymujący się. Za typ zdarzenia szkodowego przyjęto: najechanie na tył pojazdu, uderzenie w bok pojazdu, uderzenie w przód pojazdu, uderzenie w naroże pojazdu. W trakcie eksperymentów podjęto również próby klasyfikacji szkody przy zmniejszonej liczbie danych wejściowych podawanych na wejścia sztucznych sieci neuronowych. W tych przypadkach ograniczono liczbę danych wejściowych tylko do tych, które wiążą się bezpośrednio z mechaniką zderzenia, pomijając dane o charakterze statystycznym, czy też subiektywnym. Przeprowadzono również eksperymenty przy zmniejszonej liczbie przypadków uczących i testujących, usuwając z macierzy danych wejściowych te przypadki, dla których sieci wykazywały największe wartości błędów. Przypadki takie można potraktować jako zawierające informacje błędnie zanotowane w analizowanych dokumentacjach szkodowych. Liczba usuniętych z macierzy danych, nie przekraczała 10% całego zbioru. 2905

Ponieważ wykorzystywano sieci neuronowe uczono metodami z nauczycielem, niezbędnym było wcześniejsze wyznaczenie poprawnych odpowiedzi sieci. Zostało to zrealizowane poprzez wyznaczenie, zgodnie z rzeczoznawczą metodyką likwidacji szkód, rozmiaru szkody R z zależności (1). 2 WYNIKI BADAŃ Celem przeprowadzonych badań była próba wykorzystania sieci neuronowych typu RBF do klasyfikacji zdarzenia szkodowego jako szkody częściowej lub całkowitej. Przeprowadzone badania podzielono na dwie części. W pierwszej, sprawdzano możliwość klasyfikacji dla sieci, na wejścia których podawano 26 danych (miesiąc wystąpienia zdarzenia szkodowego, godzina wystąpienia zdarzenia szkodowego, teren, w którym wystąpiło zdarzenie szkodowe, typ nadwozia pojazdu poszkodowanego i sprawcy, wiek pojazdu poszkodowanego i sprawcy, kolor pojazdu poszkodowanego i sprawcy, masa pojazdu poszkodowanego i sprawcy, prędkość pojazdu poszkodowanego i sprawcy, płeć poszkodowanego i sprawcy, wiek poszkodowanego i sprawcy, doświadczenie poszkodowanego i sprawcy w prowadzeniu pojazdów, typ zdarzenia szkodowego, rodzaj kolizji, średnia szerokość deformacji mierzona w kierunku stycznej zderzenia, średnia wysokość deformacji, wartość odkształcenia trwałego na kierunku normalnej zderzenia, wartość współczynnika wytrzymałościowego zależnego od konstrukcji nadwozia pojazdu poszkodowanego i sprawcy). W drugiej części, liczbę danych wejściowych ograniczono do 14. Miało to na celu sprawdzenie możliwości klasyfikacji przy ograniczonej liczbie danych opisujących dane zdarzenie szkodowe. Ze zbioru danych usunięto informacje statystyczne oraz subiektywne podawane w aktach szkody. Dane wejściowej dla sztucznych sieci stanowiły: teren, w którym wystąpiło zdarzenie szkodowe, typ nadwozia pojazdu poszkodowanego i sprawcy, wiek pojazdu poszkodowanego i sprawcy, masa pojazdu poszkodowanego i sprawcy, typ zdarzenia szkodowego, rodzaj kolizji, średnia szerokość deformacji mierzona w kierunku stycznej zderzenia, średnia wysokość deformacji, wartość odkształcenia trwałego na kierunku normalnej zderzenia, wartość współczynnika wytrzymałościowego zależnego od konstrukcji nadwozia pojazdu poszkodowanego i sprawcy. W przeprowadzonych badaniach sprawdzano działanie sztucznych sieci neuronowych typu RBF dla różnych wartości współczynnika γ. Otrzymane wyniki dla pierwszej i drugiej części badań pokazano na rysunkach 1 i 2. Dla pierwszego przypadku uzyskano minimalną wartość błędu testowania wynoszącą 19%. Taki poziom minimalnego błędu otrzymano dla parametru γ równego 0,5. W drugim przypadku, po ograniczeniu liczby wejść sztucznych sieci neuronowych, uzyskano niższą wartość minimalnego błędu testowania. Błąd ten wyniósł 18,2% dla parametru γ równego 0,08. W trakcie przeprowadzanych badań zauważono, że dla niektórych przypadków szkód komunikacyjnych, testowane sieci neuronowe charakteryzowały się ogromnym błędem, niezależnie od zastosowanej architektury i parametrów sieci. Może to być spowodowane błędnie spisanymi informacjami w aktach danego zdarzenia szkodowego. Przeprowadzono więc dodatkowe badania, których celem było sprawdzenie działania sztucznych sieci neuronowych typu RBF, które uczone i testowane były przy wykorzystaniu informacji z ograniczonej liczby akt zdarzeń szkodowych. Z całej wykorzystywanej w pierwszych dwóch częściach badań macierzy danych, usunięto ok. 10% przypadków, dla których otrzymywano bardzo wysokie wartości błędów testowania. Podobnie jak poprzednio, badania przeprowadzono w dwóch częściach, przy identycznych założeniach. 2906

Rys.1. Błąd klasyfikacji szkody komunikacyjnej dla 26 danych wejściowych Rys.2. Błąd klasyfikacji szkody komunikacyjnej dla 14 danych wejściowych Na rysunkach 3 i 4 pokazano wyniki badań dla sztucznych sieci neuronowych typu RBF, które uczone i testowane były przy wykorzystaniu informacji z ograniczonej bazy akt zdarzeń szkodowych. 2907

Rys.3. Błąd klasyfikacji szkody komunikacyjnej dla 26 danych wejściowych przy zmniejszonej macierzy danych Rys. 4. Błąd klasyfikacji szkody komunikacyjnej dla 14 danych wejściowych przy zmniejszonej macierzy danych Zarówno w pierwszym, jak i drugim przypadku, uzyskano minimalną wartość błędu testowania na poziomie 16,5%. Wynik ten jest lepszy niż uzyskany w poprzednich eksperymentach. W przypadku wykorzystywania w procesie uczenia i testowania wszystkich informacji, które można było znaleźć w aktach dotyczących zdarzeń szkodowych, błąd na tym poziomie uzyskano dla parametru γ równego 0,4. Natomiast minimalny błąd w przypadku sieci neuronowych uczonych przy ograniczonej liczbie informacji wejściowych uzyskano dla parametru γ równego 0,03; 0,05; i 0,08. 2908

PODSUMOWANIE Każdego dnia na polskich drogach dochodzi do zdarzeń szkodowych. Dane statystyczne wskazują, że ich liczba pomimo licznych zmian w obowiązujących przepisach prawa wcale nie maleje. Konsekwencją zaistnienia takiego zdarzenia nierzadko jest potrzeba dochodzenia swojego roszczenia skierowanego do sprawcy zdarzenia lub zakładu ubezpieczeń. W przypadku, gdy dane zdarzenie rozpatruje ubezpieczyciel, przyjęta procedura nakazuje określić, czy opłacalna jest naprawa pojazdu, czy też należy go zutylizować. Do tego celu przeprowadza się ekspertyzę rzeczoznawczą, która jednoznacznie określa klasyfikację danej szkody do częściowej lub całkowitej. Praktyka pokazuje, że wycena tej samej szkody sporządzona przez rzeczoznawcę w różnych systemach bywa różna. Dlatego też w przeprowadzonych badaniach podjęto próbę wykorzystania sztucznych sieci neuronowych typu RBF do określenia czy następstwem danego zdarzenia szkodowego jest wystąpienie szkody częściowej, czy też całkowitej. Przeprowadzone eksperymenty wskazują na taką możliwość. Należy jednak zauważyć, że istotny wpływ na uzyskane wyniki ma zarówno architektura zastosowanej sztucznej sieci neuronowej, jak również dane wykorzystywane w procesie uczenia i testowania. Jak pokazują wyniki, poprzez odpowiedni dobór danych wejściowych co wiąże się z liczbą wejść sieci, oraz informacji pozyskanych z konkretnych przypadków zaistnienia szkody komunikacyjnej co związane jest z liczebnością zbioru uczącego i testującego, można uzyskać lepsze działanie sztucznych sieci neuronowych. Wydaje się celowym rozszerzenie przeprowadzonych badań o wykorzystanie innego doboru danych wejściowych oraz innego typu zastosowanego klasyfikatora wykorzystującego jedną z metod sztucznej inteligencji. Nie należy również zapominać, że oprócz badań związanych z zaistniałą szkodą komunikacyjną [7, 14-17, 23], niezwykle istotne są mające na celu zwiększenie trwałości i wydłużenia czasu niezawodnej pracy, monitorowania stanu technicznego pojazdów, czy też zastosowania inteligentnych systemów w środkach transportu i infrastrukturze drogowej [1-3, 5, 6, 10, 11, 18, 22, 24, 25]. Streszczenie W artykule przedstawiono wyniki prób zastosowania sieci neuronowej typu RBF do określenia rozmiaru szkody komunikacyjnej będącej skutkiem kolizji drogowej. Jako parametr badawczy przyjęto rozmiar szkody określony współczynnikiem zależnym od kosztu naprawy uszkodzonego pojazdu oraz jego wartości rynkowej. Elementy mechanizmu szkodowego determinujące sposób kwalifikacji szkody stanowiły czynniki wewnętrzne układu, tj. cechy techniczne pojazdów, cechy osobnicze kierujących, wpływ czynników atmosferycznych oraz lokalizacji czasowo-przestrzennej zdarzenia. Badaniem objęto przypadki zgłoszone celem likwidacji w śląskim oddziale jednego z zakładów ubezpieczeń. W przeprowadzonych badaniach sprawdzono działanie sieci neuronowych przy ograniczonej liczbie danych wejściowych. RBF neural classifier of the communication damage size Abstract In the article the results of the attempts of RBF neural network application to define the size of a communication damage being the result of a road collision were presented. The size of the damage was used as a research parameter defined by the coefficient dependent on the cost of repair of the damaged vehicle and its market value. The elements of the damage mechanism determining the way of damage qualification were the inner factors of the system, that is; the technical features of the vehicles, the character features of the drivers, the influence of the weather conditions and the location of the event in time and space. The research was conducted on cases reported for liquidation in Silesian branch of one of the insurance companies. In the conducted research the working of the neural networks with the limited input data was checked. 2909

BIBLIOGRAFIA 1. Czech P.: Wspomaganie systemu OBD sztucznymi sieciami neuronowymi wykorzystującymi sygnały wibroakustyczne jako metoda diagnozowania uszkodzeń silników spalinowych w pojazdach. Wydawnictwo ITE. Radom 2014. 2. Czech P., Łazarz B., Wojnar G.: Wykrywanie lokalnych uszkodzeń zębów kół przekładni z wykorzystaniem sztucznych sieci neuronowych i algorytmów genetycznych. Wydawnictwo ITE, Radom 2007. 3. Droździel P.: The influence of the vehicle work organization conditions on the engine start-up parameters. Eksploatacja i Niezawodnosc - Maintenance and Reliability, Vol. 1(37), 2008. 4. Główny Urząd Statystyczny: Rocznik Statystyczny Rzeczypospolitej Polskiej. 5. Grega R., Homišin J., Kaššay P., Krajňák J.: The analyse of vibrations after changing shaft coupling in drive belt conveyer. Zeszyty Naukowe. Transport / Politechnika Śląska 2011, z. 72. 6. Harachová D., Medvecká-Beňová S.: Applying the modutarity principle in design of drive systems in mechanotherapeutic devices. Grant journal 2013, Vol. 2, no. 2. 7. Kończykowski W.: Odtwarzanie i analiza przebiegu wypadku drogowego. Info-Ekspert, Warszawa 1994. 8. Korbicz J., Kościelny J., Kowalczuk Z., Cholewa W. (praca zbiorowa): Fault diagnosis, Models, Artificial Intelligence, Applications. Springer-Verlag. Berlin 2004. 9. Lula P.: Jednokierunkowe sieci neuronowe w modelowaniu zjawisk ekonomicznych. Wydawnictwo Akademii Ekonomicznej w Krakowie, Kraków 1999. 10. Medvecká-Beňová S., Vojtková J.: Analysis of asymmetric tooth stiffness in eccentric elliptical gearing. Technológ 2013, Roč. 5, č. 4. 11. Młyńczak J.: Analysis of intelligent transport systems (ITS) in public transport of upper Silesia. Modern Transport Telematics, Communications in Computer and Information Science 2011, No 239. 12. Nałęcz M., Duch W., Korbicz J., Rutkowski L., Tadeusiewicz R.: Sieci neuronowe. Biocybernetyka i Inżynieria Biomedyczna, tom 6. Akademicka Oficyna Wydawnicza EXIT, Warszawa. 2000. 13. Osowski S.: Sieci neuronowe do przetwarzania informacji. Oficyna Wydawnicza Politechniki Warszawskiej, Warszawa. 2000. 14. Pawelec K.: Poszkodowany w wypadku drogowym. Wydawnictwo C. H. Beck, Warszawa 2001. 15. Praca zbiorowa: Problematyka prawna i techniczna wypadków drogowych. Instytut Ekspertyz Sądowych. Kraków 1998. 16. Praca zbiorowa: Wypadki drogowe. Vademecum biegłego sądowego. Instytut Ekspertyz Sądowych. Kraków 2006. 17. Prochowski L., Unarski J., Wach W., Wicher J.: Podstawy rekonstrukcji wypadków drogowych. Wydawnictwa Naukowo-Techniczne. Warszawa 2008. 18. Puškár M., Bigoš P., Puškárová P.: Accurate measurements of output characteristics and detonations of motorbike high-speed racing engine and their optimization at actual atmospheric conditions and combusted mixture composition. Measurement 2012, Vol. 45. 19. Tadeusiewicz R.: Sieci neuronowe. Akademicka Oficyna Wydawnicza, Warszawa. 1993. 20. Tadeusiewicz R., Chaki R., Chaki N.: Exploring Neural Networks with C#. CRC Press, Taylor & Francis Group. Boca Raton 2014. 21. Tadeusiewicz R., Lula P.: Wprowadzenie do sieci neuronowych. Wydawnictwo StatSoft. Kraków 2001. 22. Urbanský M., Homišin J., Krajňák J.: Analysis of the causes of gaseous medium pressure changes in compression space of pneumatic coupling. Transactions of the Universities of Košice 2011, Vol. 2. 23. Wicher J.: Bezpieczeństwo samochodów i ruchu drogowego. WKiŁ. Warszawa 2004. 24. Zimroz R: Metody adaptacyjne w diagnostyce układów napędowych maszyn górniczych. Wydawnictwo Politechniki Wrocławskiej, Wrocław 2010. 2910

25. Zuber N., Bajrić R., Šostakov R.: Gearbox faults identification using vibration signal analysis and artificial intelligence methods. Eksploatacja i Niezawodnosc - Maintenance and Reliability,Vol. 16(1), 2014. 2911