(Luận văn thạc sĩ hcmute) phân loại khách hàng mua bảo hiểm ô tô theo hành vi sử dụng xe bằng mô hình học sâu

BỘ GIÁO DỤC VÀ ĐÀO TẠO TRƯỜNG ĐẠI HỌC SƯ PHẠM KỸ THUẬT THÀNH PHỐ HỒ CHÍ MINH LUẬN VĂN THẠC SĨ MAI QUỐC THÁI PHÂN LOẠI KHÁCH HÀNG MUA BẢO HIỂM Ô TÔ THEO HÀNH VI SỬ DỤNG XE BẰNG MƠ HÌNH HỌC SÂU NGÀNH: KHOA HỌC MÁY TÍNH – 1331081 S K C0 Tp Hồ Chí Minh, tháng 11/2020 Luan van BỘ GIÁO DỤC VÀ ĐÀO TẠO TRƯỜNG ĐẠI HỌC SƯ PHẠM KỸ THUẬT THÀNH PHỐ HỒ CHÍ MINH LUẬN VĂN THẠC SĨ MAI QUỐC THÁI PHÂN LOẠI KHÁCH HÀNG MUA BẢO HIỂM Ô TÔ THEO HÀNH VI SỬ DỤNG XE BẰNG MÔ HÌNH HỌC SÂU NGÀNH: KHOA HỌC MÁY TÍNH – 1331081 Hướng dẫn khoa học: TS NGUYỄN THÀNH SƠN Tp Hồ Chí Minh, tháng 11 năm 2020 Luan van Luan van Luan van Luan van Luan van Luan van Luan van Luan van BỘ GIÁO DỤC VÀ ĐÀO TẠO CỘNG HÒA XÃ HỘI CHỦ NGHĨA VIỆT TRƯỜNG ĐẠI HỌC SƯ PHẠM KỸ NAM THUẬT Độc lập - Tự - Hạnh phúc THÀNH PHỐ HỒ CHÍ MINH NHIỆM VỤ NGHIÊN CỨU Họ tên học viên: Mai Quốc Thái MSHV: 1331808 Ngày, tháng, năm sinh: 01/10/1995 Nơi sinh: VĨnh Long Chuyên ngành: Khoa học máy tính Mã chuyên ngành: KHMT18B I TÊN ĐỀ TÀI: Phân loại khách hàng mua bảo hiểm ô tô theo hành vi sử dụng xe mơ hình học sâu NHIỆM VỤ VÀ NỘI DUNG: - Tìm hiểu sở liệu UBI giải thuật tiền xử lý liệu - Trình bày mơ hình học sâu liên quan, xây dựng mơ hình học sâu đáp ứng yêu cầu toán - Cài đặt kiểm tra độ xác mơ hình tối ưu hóa mơ hình - Đưa nhận xét, đánh giá thực nghiệm II NGÀY GIAO NHIỆM VỤ: 28/08/2019 III NGÀY HOÀN THÀNH NHIỆM VỤ: 28/02/2020 IV NGƯỜI HƯỚNG DẪN KHOA HỌC: TS Nguyễn Thành Sơn Tp Hồ Chí Minh, ngày 28 tháng 08 năm 2019 NGƯỜI HƯỚNG DẪN CHỦ NHIỆM BỘ MÔN ĐÀO TẠO (Họ tên chữ ký) (Họ tên chữ ký) TRƯỞNG KHOA/VIỆN….……… (Họ tên chữ ký) i Luan van Bước 7: Có thể phân tích liệu UBI thông qua biểu đồ nhằm củng cố định người dùng Một số tính mở rộng: Thay đổi ngôn ngữ: 77 Luan van Làm rõ nghĩa kết phân lớp cách thêm ToolTip, StatusTip hình bên Một số chức phần Setting để thay đổi giao diện biểu đồ UBI nhằm giúp dễ phân tích 78 Luan van 79 Luan van PHÂN LOẠI KHÁCH HÀNG MUA BẢO HIỂM Ô TÔ THEO HÀNH VI SỬ DỤNG XE BẰNG MƠ HÌNH HỌC SÂU Classifying Customers Who Buy Car Insurance Based On Their Car Use Behavior payment offers By Applying Deep Learning Model Mai Quoc Thai1 1Trường đại học Sư phạm Kỹ thuật TP.HCM TĨM TẮT Ngành cơng nghiệp ô tô giới nói chung nước ta nói riêng liên tục có bước chuyển phát triển khơng ngừng, với cách mạng cơng nghiệp lần thứ tư góp phần đưa ngành tơ đến vị trí cao với công nghệ tiên tiến xe tự hành, hệ thống viễn thông - thông tin ô tô (telematic), trợ lý ảo,… Với mức tăng trưởng ngành ô tơ bảo hiểm tơ loại bảo hiểm quan trọng cung cấp bảo vệ tài cách giảm thiểu thiệt hại trách nhiệm pháp lý từ tai nạn xe Nhưng để đạt điều cơng ty bảo hiểm phải tiến hành phân loại khách hàng dựa vào hành vi lái xe để đưa gói bảo hiểm xe phù hợp với loại khác hàng, từ giúp công ty bảo hiểm đạt lợi nhuận tối đa thu hút nhiều khách hàng Tuy nhiên, việc phân loại khách hàng công ty bảo hiểm địi hỏi phải có phân tích kỹ thuật phức tạp Để giải vấn đề cần có ứng dụng phân loại khách hàng với độ xác cao phải xử lý liệu lớn nhiều chiều Đề tài sâu vào phân tích xây dựng ứng dụng phân loại khách hàng chuẩn bị mua bảo hiểm dựa vào hành vi sử dụng xe họ thông qua việc kết hợp hai mơ hình học sâu CNN LSTM nhằm hỗ trợ người bán bảo hiểm đưa định xác gói bảo hiểm chương trình khuyến phù hợp với khách hàng dựa liệu UBI Từ khóa: liệu UBI; CNN; LSTM; phân loại bảo hiểm ô tô ABSTRACT Profiling driver behaviors and designing appropriate pricing models are essential for auto insurance companies to gain profits and attract customers (drivers) Because of human driving behaviors are personalized and unique, and the automobile UBI(Usage Based Insurance) data of drivers could be helpful to automatically identify different driving behaviors therefore the insurance companies can provide the better insurance payment offers But how to classification those customers base on the UBI data This paper provides a method to apply deep learning algorithm (DeepConvLSTM) by fusing convolutional neural networks (CNN) and recurrent neural 80 Luan van networks (LSTM) which is more suitable for time series UBI data The application will base on the customer's data (UBI) to classify thier behaviors to support the insurance companies determind their customer payment offers With the strength of CNN model, the processing time will be improved and the accuracy is higher by using the LSTM model to process the time serie data Keywords: UBI data; Deeplearning; CNN; LSTM; Usage Based Insurance GIỚI THIỆU việc giải yêu cầu tốn địi hỏi Với phát triển mạnh công nghệ việc xử lý liệu lớn nhiều chiều nên tác giả truyền nhận liệu tạo tiền đề cho nhiều hướng đến sử dụng mơ hình học sâu ngành cơng nghiệp phát triển, lĩnh CNN(Convolutional Neural Network), vực cơng nghệ thu thập liệu ô tô LSTM (Long Short Term Memory) kết hợp không ngoại lệ Nhiều ứng dụng liên quan thu hai mơ hình (DeepConvLSTM) để tậng thập liệu người dùng đẩy mạnh phục dụng ưu điểm mà hai mơ hình mang vụ nhiều cho nhu cầu phân tích kỹ thuật, quản lại nhằm tăng độ xác thời gian xử lý lý, đánh giá, bảo dưỡng v.v… Trong phải kể đến liệu UBI (Usage Based Insurance) CÁC CƠNG TRÌNH NGHIÊN CỨU LIÊN QUAN loại liệu thu thập Cơng trình nghiên cứu Bing He thông qua hệ thống cảm biến xe nhằm công đề cập báo ghi lại trình sử dụng xe người dùng “Profiling Driver Behavior for Personalized liệu kèm với phương thức tính Insurance Pricing and Maximal Profit” [1] tốn, chuẩn hóa liệu nhằm phục vụ cho Bài báo nêu khái niệm chung để ngành bảo hiểm cứu trợ xây dựng phân loại khách hàng theo tiêu chí Nhận thấy tiềm loại liệu nhu cầu phân tích liệu UBI cho việc phân loại đánh giá khách hàng thông qua lịch sử hành vi lái xe báo trình bày việc xây dựng ứng dụng phân loại khách hàng dựa hành vi họ phản ánh “trả phí theo cách bạn lái xe” áp dụng PROFILE-PRICE-PROFIT (PPP) tảng dựa vào để xây dựng nên cơng thức tính tốn dự báo giá, nhiên điểm hạn chế áp dụng AI mức độ học máy để tính tốn liệu phức tạp chưa áp dụng học sâu, liệu báo chủ yếu xây thu thập thông qua liệu UBI Để xử lý liệu lớn nhiều chiều tác giả tham khảo nghiên cứu có liên quan trước đó[1][2], kết đưa mơ hình học sâu có nhiều ưu điểm dựng qua bốn trường gồm: thời gian lái xe, vận tốc, độ tăng/giảm tốc, loại đường Các liệu nên giải toán phạm vi hẹp nên thiếu tính khách quan, mơ hình sau xây dựng khó 81 Luan van khăn việc cập nhật lại tốn có liệu phải chuẩn hóa lấy mẫu theo thay đổi, giải thuật chưa sử dụng mơ hình cửa sổ trượt (sliding window) Khi loại liệu quan trọng khác (dữ liệu phanh xe, liệu có dạng 𝜒 ∊ ℝ hành trình chuyến xe,…) để xử lý dẫn đến 𝜒 = (𝜒 , 𝜒 , 𝜒 , … , 𝜒 có sai số ,𝜒 ) Trong 𝑁 số chiều 𝜒 , 𝑀 số Shaimaa M Hegazy, Mohamed N Moustafa, “Classifying Aggressive Drivers for Better Traffic Signal Control” [2] Tác giả đưa mơ hình dự báo tình hình giao thơng áp dụng mơ hình học sâu, ứng dụng sử dụng liệu lớn vị trí phương tiện để dự báo tình trạng kẹt xe Nhìn chung với nghiên cứu cung cấp thêm kiến thức để nắm rõ cách thức tổ chức áp dụng học sâu để giải quết tốn phân lớp × lượng mẫu (những cửa sổ trượt) tập liệu 𝜒 3.2 Mơ hình học sâu CNN Mơ hình CNN bao gồm kết hợp nhiều lớp tích chập lại với mà lớp có tính tốn hàm kích hoạt phi tuyến (nonlinear activation function) ReLU hay để tạo thông tin trừu tượng cho lớp Hay nói khác mơ hình CNN liên kết lớp với CÁC KHÁI NIỆM CƠ BẢN mà kết đầu lớp trước 3.1 Dữ liệu UBI trừu tượng hóa thơng qua hàm kích hoạt Tập liệu UBI (data set) sử dụng để đánh giá mơ hình Ocslab [3] Những liệu thu thập thông qua hệ thống thu thập liệu Hàn Quốc nhằm phục vụ thi “Bảo mật thông tin R&D 2018” [4] đầu vào lớp tích chập Đến giai đoạn cuối kết hợp lại tất đặc trưng lại với đầu hồn chỉnh để tiến hành phân tích hay áp dụng vào tốn cụ thể Dữ liệu bao gồm 94,401 mẫu, chia thành 10 lớp đại diện, ký hiệu từ A đến I tương ứng cho lớp hành vi lái xe khác với A tốt Các mẫu lấy mẫu khoảng thời gian (8 sáng – 11 tối), với tần số lấy mẫu 1Hz Hình 1.Mơ hình mạng nơ ron CNN 3.3 Mơ hình học sâu LSTM Tất đặc tính (features) đưa trực Mơ hình LSTM hệ thống mạng nơron tiếp vào mơ hình mà khơng thơng qua phát triển với ý tưởng kết nối thông giải thuật lựa chọn (features selection) tin từ lớp trước lại với nhằm hỗ Nhưng trước đưa vào mơ hình loại trợ cho việc xử lý lớp Tùy vào ứng 82 Luan van dụng mà việc thu thập liệu xa hay Vì biên độ liệu lớn nên gần lớp xử lý Lấy ví dụ chúng trước đưa vào mơ hình học sâu chúng cần ta cần xử lý câu nhận dạng “hôm phải chuẩn hóa theo cơng thức sau: [thời_tiết_tốt] [sinh_viên] đến [trường] 𝜒̅ = [bình_thường]” có thông tin sinh_viên (𝜒 − 𝑚𝑒𝑎𝑛(𝜒 )) 𝑠𝑡𝑑(𝜒 ) 𝜒 = (𝜒̅ , 𝜒̅ , 𝜒̅ , … , 𝜒̅ dự đốn từ trường mà khơng cần , 𝜒̅ ) nhiều thông tin xa sinh_viên, để xử Với 𝑚𝑒𝑎𝑛(𝜒 ) 𝑠𝑡𝑑(𝜒 ) lý dự đốn từ [bình_thường] cần trung bình độ lệch chuẩn chiều thứ nth mạng phải hỗ trợ nhớ lâu (LSTM-Long loại liệu (feature) short term memory) Do đầu vào mơ hình học sâu ma trận số nên ta cần xử lý liệu dạng sổ trượt cho tính năng, nhằm chia liệu thành đoạn rời để đưa vào mơ hình tính tốn Cụ thể đoạn liệu se có độ rộng Tx , với chu kì trượt Hình 2.Minh họa mối liên kết tế bào thuộc mơ hình LSTM cửa sổ nhỏ độ rộng Tx/2 đảm bảo liệu sau phân đoạn không bị đặc trưng Với liệu có 𝑁 XÂY DỰNG ỨNG DỤNG chiều số lượng mẫu xi Dx = Tx × 4.1 Tiền xử lý liệu Tất đặc tính (features) đưa trực tiếp vào mơ hình mà khơng thơng qua 𝑁 hay biểu diễn dạng: 𝑥 = (𝜒̅ giải thuật lựa chọn (features selection) , 𝜒̅ , 𝜒̅ , … , 𝜒̅ ) ∊ ℝ , (𝑡 Nhưng trước đưa vào mơ hình loại = 𝑇 , 𝑇 + ∆𝑡, 𝑇 + 2∆𝑡, … ) liệu phải chuẩn hóa lấy mẫu theo mơ hình cửa sổ trượt (sliding window) Khi liệu có dạng 𝜒 ∊ ℝ × 𝜒 = (𝜒 , 𝜒 , 𝜒 , … , 𝜒 ,𝜒 ) Trong 𝑁 số chiều 𝜒 , 𝑀 số lượng mẫu (những cửa sổ trượt) tập liệu 𝜒 Hình 3.Minh họa trình xử lý liệu 4.2 Kết hợp hai mơ hình học sâu 83 Luan van Mơ hình DeepConvLSTM phát 4.3 Các hàm công thức đánh giá triển từ báo [5] nghiên cứu Hàm chi phí: mơ hình học sâu cải tiến Trong đề tài tác giả dựa kết mơ hình đó, báo tác giả dựa nghiên cứu báo [5] để đưa lựa nghiên cứu để áp dụng vào toán chọn tối ưu hàm chi phí cross- phân loại khách hàng mua bảo hiểm dựa entropy Hàm chi phí thích hợp với chuẩn liệu UBI tốn phân lớp có nhiều lớp mơ hình học sâu Cụ thể mơ hình học sâu bao gồm kết hợp hai mơ hình CNN LSTM Hai mơ hình mạnh riêng kết hợp chúng lại thu kết tốt phức tạp tập liệu có nhiều đặc tính (feature) 𝐽 (𝑤) = − sử dụng chúng riêng lẻ (𝑦 ( ) log 𝑦 𝑥 + − 𝑦 log(1 − 𝑦(𝑥 ( ) ))) Với (𝑥 ( ) , 𝑦 ( ) ) mẫu đầu vào nhãn thứ i, 𝑦(𝑥 ) kết dự đoán mẫu 𝑥 Đánh giá qua cơng thức Accuracy: Độ xác tính tốn dựa tỷ lệ dự đốn so với tổng số mẫu Hình 4.Mơ tả mơ hình học sâu áp dụng vào toán[5] Ta dễ dàng thấy mơ hình bao gồm mơ hình học sâu mạnh CNN chịu nhiệm vụ cho phần tiền xử lý, rút trích đặt 𝐴𝑐𝑐𝑢𝑟𝑎𝑐𝑦 = Trong giải thuật đưa dự đốn cho cửa sổ liệu (window data), mẫu dự đoán làm tăng tỷ lệ Accuracy Đánh giá qua AUC: trưng LSTM phần xử lý tính tốn cho phân lớp Với hỗ trợ mơ hình CNN liệu đầu vào tinh giảm loại bỏ thông tin thừa từ tiết kiệm thời AUC thơng số đánh giá độ xác tốn phân lớp nhị phân Độ xác tính tốn theo cơng thức sau: 𝐴𝑈𝐶 (𝑇𝑃 𝑟𝑎𝑡𝑒) gian cho tồn trình huấn luyện, riêng = với mạnh mơ hình LSTM nhận liệu xử lý từ trước để tiến hành phân lớp làm tăng độ xác cho tốn 𝑆ố 𝑚ẫ𝑢 𝑑ự đ𝑜á𝑛 đú𝑛𝑔 𝑇ổ𝑛𝑔 𝑠ố 𝑚ẫ𝑢 𝑇𝑟𝑢𝑒𝑃𝑜𝑠𝑖𝑡𝑖𝑣𝑒 𝐹𝑎𝑙𝑠𝑒𝑁𝑎𝑔𝑎𝑡𝑖𝑣𝑒 + 𝑇𝑟𝑢𝑒𝑃𝑜𝑠𝑖𝑡𝑖𝑣𝑒 Trong độ xác AUC tính theo tỷ lệ số mẫu dự đốn xác (True positive) với tổng số mẫu dự đoán FalseNagative + TruePositive 84 Luan van Thực thi mơ hình: lớp chịu trách 4.4 Tổ chức ứng dụng Ứng dụng viết ngơn ngữ nhiệm thực thi mơ hình học sâu cách python phiên 3.7 sử dụng thư viện gọi thư viện Tensorflow gọi Tensorflow 2.3.1 hỗ trợ thiết kế mơ lớp hình học sâu Cụ thể cấu trúc ứng dụng gồm KẾT QUẢ THỰC NGHIỆM 5.1 Môi trường thực nghiệm Ứng dụng cài đặt chạy thử phần: Giao diện thông số, cấu hình: lớp phần cứng máy tính: giao tiếp trực tiếp với người dùng cách - Hệ điều hành: Windows 10 64bit cho phép người dùng nhập thông tin đầu - Chip xử lý: Intel Core Duo vào để tùy chỉnh mơ hình học sâu trước T6570, 2.10GHz (2CPUs) khởi chạy - Bộ nhớ RAM: 4G Huấn luyện phân lớp: lớp chịu - Chip xử lý đồ họa: Khơng có trách nhiệm chuyển thông số từ lớp giao diện vào mơ hình tiến hành khởi chạy Bên thơng tin cấu hình cho lớp mơ hình huấn luyện phân lớp Nói mơ hình bao gồm DeepConvLSTM cách khác lớp lớp thiết kế (mơ hình kết hợp CNN+LSTM), mơ hình tồn ứng dụng lớp chịu trách nhiệm CNN mơ hình LSTM Tác giả tiến hành trung chuyển liệu đầu vào so sánh trực tiếp ba mơ hình để chịu trách nhiệm gọi thư viện Tensorflow dễ dàng thấy tối ưu kết hợp mơ để thực thi hình CNN LSTM với hai mơ hình cịn lại chúng hoạt động riêng lẻ Bảng 1.Thông số lớp mô hình 85 Luan van Bảng 2.So sánh thời gian huấn luyện độ xác mơ hình 5.2 So sánh độ xác mơ hình Sau trình huấn luyện cần Như Bảng ta thấy mơ hình đánh giá mơ hình thơng qua tập kiểm LSTM-15 có số độ xác cao tra chuẩn bị sẵn hồn tồn tách biệt hai mơ hình lại hỗ trợ với tập liệu UBI dùng trình 15 đặc trưng, 15 đặc trưng phải chọn huấn luyện, thu kết sau: thông qua giải thuật tiền xử lý liệu, dẫn đến khó khăn việc mở rộng hệ thống Mơ hình CNN có tốc độ huấn luyện ấn tượng (3 giây/epoch Bảng 2) nhiên độ xác thấp so với hai mơ hình cịn lại, CNN xử lý rời rạc hóa liệu phân lớp nhiên liệu dạng liên tục nên lớp RMM-LSTM phát huy mạnh việc xử lý loại liệu mày Mơ hình học sâu DeepConvLSTM có độ cao mơ hình CNN thời gian huấn luyện chưa nhanh CNN mà Bảng Kết thực nghiệm mơ hình tất 51 chiều liệu phép xử lý khơng DeepConvLSTM thơng qua chọn lọc mơ hình LSTM Kết luận mơ hình DeepConcLSTM lai ghép hai mơ hình CNN LSTM từ có mạnh so với mơ hình truyền thống tốc độ huấn luyện, độ xác, số chiều liệu lớn… 5.3 Đánh giá tập liệu thực tế 86 Luan van Bảng Kết thực nghiệm mơ hình LSTM Qua so sánh nhận thấy mơ hình kết hợp DeepConvLSTM đạt độ xác tương đối cao 86.70% cao mơ hình CNN với độ xác 80% Và với ưu mơ hình LSTM đạt độ xác cao 93.33% Tuy nhiên đánh giá cách khách quan mơ mơ hình kết hợp DeepConvLSTM tối ưu mơ hình CNN độ xác thời gian thực thi độ mở rộng mơ hình LSTM Bảng Kết thực nghiệm mơ hình CNN KẾT LUẬN VÀ HƯỚNG PHÁT TRIỂN Bài báo trình bày cấu trúc giải thuật tiền xử lý liệu UBI, với lý thuyết mơ hình học sâu để từ làm sở để xây dựng ứng dụng phân loại khách hàng mua bảo hiểm thông qua hành vi lái xe Là tiền đề phát triển, cải tiến cho nghiên cứu thuộc lĩnh vực phân loại bảo hiểm với tập liệu lớn nhiều chiều, dựa tập liệu UBI Ứng dụng cài đặt thành công mơ hình DeepConvLSTM (Deep learning Convolution and Long Short Term Memory), CNN (Convolution Neural Network) LSTM (Long Short Term Memory) để áp dụng vào toán phân loại Ứng dụng đáp ứng yêu cầu đề tài dùng liệu lớn theo chuẩn UBI để 87 Luan van phân loại hành vi lái xe khách hàng, nhằm từ hổ trợ cho tốn chi trả gói - Xử lý liệu trực tuyến thơng qua mơ hình điện tốn đám mây liệu lớn bảo hiểm theo lớp phân loại tương ứng - Cải tiến phần huấn luyện liệu để giảm thời gian huấn luyện tăng hiệu đầu mơ hình Hướng phát triển: - Liên kết trung tâm liệu để mở rộng nguồn liệu dùng cho mơ hình huấn luyện 88 Luan van TÀI LIỆU THAM KHẢO [23] Bing He, Dian Zhang, Siyuan Liu, Hao Liu and Dawei Han, “Profiling Driver Behavior for Personalized Insurance Pricing and Maximal Profit”, 2018 IEEE International Conference on Big Data, pp 1387–1396, 2018 [24] S M Hegazy and M N Moustafa, "Classifying aggressive drivers for better traffic signal control," 2017 IEEE 20th International Conference on Intelligent Transportation Systems (ITSC), Yokohama, 2017, pp 702-707 [25] Driving Dataset [(accessed on 11 March 2020)]; Available online: http://ocslab.hksecurity.net/Datasets/driving-dataset [26] AI/ML Based Driver Classification Challenge Track [(accessed on 11 March 2020)]; Available online: http://datachallenge.kr/challenge18/vehicle/introduction/ [27] Jun Zhang, ZhongCheng Wu, Fang Li, Chengjun Xie, Tingting Ren, Jie Chen, Liu Liu, “A Deep learning framework for Driving Behavior Identification on In-Vehicle CAN-BUS Sensor Data,” Sensors 2019, doi:10.3390/s19061356 [28] Nguyen V., Nguyen M., Choi J., Kim Y “NLOS Identification in WLANs Using Deep LSTM with CNN Features,” Sensors, pp 18:4057, 2018 [29] AI/ML Based Driver Classification Challenge Track [(accessed on 11 March 2020)]; Available online: http://datachallenge.kr/challenge18/vehicle/introduction/ [30] Li X cnnPlusLSTM [(accessed in March 2020)]; Available online: https://github.com/lixiaoyu0575/cnnPlusLSTM/ [31] Saeed A Implementing a CNN for Human Activity Recognition in Tensorflow [(accessed in March 2020)]; Available online: http://aqibsaeed.github.io/2016-11-04-human-activity-recognition-cnn/ 89 Luan van Tác giả chịu trách nhiệm viết: Tp HCM, ngày 28 tháng 12 năm Họ tên: Mai Quốc Thái 2020 Đơn vị: Trường ĐH Sư Phạm Kỹ Thuật Tp Hồ Chí Minh Điện thoại: 0903165751 Xác nhận giáo viên hướng dẫn (Ký & ghi rõ họ tên) Email: quocthai11095@gmail.com TS Nguyễn Thành Sơn Luan van Luan van ... khách hàng mua bảo hiểm ô tô theo hành vi sử dụng xe mơ hình học sâu DeepConvLSTM  Xây dựng ứng dụng phân loại khách hàng mua bảo hiểm dựa hành vi lái xe thông qua giải thuật học sâu nghiên cứu... sâu CNN-LSTM để áp dụng vào toán phân lớp khách hàng mua bảo hiểm ô tô 37 Chương XÂY DỰNG ỨNG DỤNG PHÂN LOẠI KHÁCH HÀNG MUA BẢO HIỂM Ô TÔ DỰA TRÊN HÀNH VI SỬ DỤNG XE 39 3.1... TRƯỜNG ĐẠI HỌC SƯ PHẠM KỸ THUẬT THÀNH PHỐ HỒ CHÍ MINH LUẬN VĂN THẠC SĨ MAI QUỐC THÁI PHÂN LOẠI KHÁCH HÀNG MUA BẢO HIỂM Ô TÔ THEO HÀNH VI SỬ DỤNG XE BẰNG MƠ HÌNH HỌC SÂU NGÀNH: KHOA HỌC MÁY TÍNH