汽车保险一直是中国财产保险的主要保险,车险保费规模在财产保险中排名第一。随着大数据,车联网等技术的兴起,以及中国商业车险费率市场化改革的不断推进,汽车保险费率差异化已成为汽车保险市场发展的必要趋势,有关驾驶行为保险的研究也逐渐受到关注。相对传统的车险费率因子,驾驶行为指标与最终的出险情况具有更显著的相关关系,能够使车险定价更加精确和公平。为研究驾驶行为与最终的出险情况的相关关系,本文构建了两种出险预测模型,分别为传统的机器学习模型(包括贝叶斯分类器、支持向量机、BP神经网络)和卷积神经网络模型。在传统机器学习出险预测模型中,先是从原始的时间戳记录下的驾驶行为数据提取行程特征、时间特征、速度特征、角度特征、通话状态特征等五大特征,共十八大指标,然后通过描述性统计分析发现“有出险记录的标的对应的驾驶行为相对较差”,接着将十八个驾驶行为指标用于传统机器学习模型进行出险情况预测。实证结果显示贝叶斯分类器预测准确率为57.1%,支持向量机预测准确率为71.4%,BP神经网络预测准确率为81.0%。在卷积神经网络出险预测模型中,将驾驶行为数据按照时间顺序构建速度、加速度、角度、通话状态的四维驾驶行为矩阵。通过对比出险标的与没出险标的的驾驶行为矩阵也发现“有出险记录的标的对应的驾驶行为相对较差”,接着将四维驾驶行为矩阵用于卷积神经网络模型进行出险情况预测分析,实证结果显示卷积神经网络的预测准确率达到92.0%,明显优于三大传统机器学习预测模型。最后基于卷积神经网络的实证结果提出了关于新增驾驶行为因子的车险费率厘定方案,并向保险公司,车联网公司,政府提出相应的建议。