Metaanálisis del fenómeno de infracciones viales a partir de algoritmos de inteligencia artificial
DOI:
https://doi.org/10.26507/paper.3160Palabras clave:
Infracciones viales, Inteligencia artificialResumen
Las infracciones viales en las megalopolis del mundo generan altos costos sociales que, tienen efectos negativos en la productividad de las organizaciones, la calidad de vida de los ciudadanos y son un elemento importante en el incremento del tráfico vehicular. Este trabajo permite hacer un metaanálisis de las metodologías disponibles para tratar con información categórica, como el análisis de correspondencias múltiples (MCA, FAMD), Kmeans y los árboles de decisión de clasificación, para entender el fenómeno y considerar su posible predicción. Para este trabajo, se utilizan los algoritmos implementados en RStudio y PYTHON, contando con la información pública disponible de infracciones de la ciudad de Bogotá. El trabajo es un resultado parcial que permitirá desarrollar modelos para mejorar la distribución urbana de mercancías en la ciudad. Dentro de los resultados explorados hasta el momento los análisis de correspondencias múltiples permiten reducir la complejidad en el número de variables seleccionadas para el estudio y considerarlas desde su naturaleza categórica, en la implementación Kmeans se obtiene el mapa de calor y los clústeres de las geolocalizaciones, donde se presenta con mayor frecuencia las infracciones de la ciudad y propone puntos de control para disminuir su criticidad, por último se expone la posibilidad de implementar árboles de clasificación para estimar su predicción, y asegurar alternativas previas que disminuya el indicador.
Descargas
Citas
Agencia Nacional de Seguridad Vial. (2023). Boletin estadístico Bogotá D.C.
Al-Mistarehi, B. W., Alomari, A. H., Imam, R., & Mashaqba, M. (2022). Using Machine Learning Models to Forecast Severity Level of Traffic Crashes by R Studio and ArcGIS. Frontiers in Built Environment, 8(April), 1–14. https://doi.org/10.3389/fbuil.2022.860805
Chellai, F. (2022). Application of the Hybrid Forecasting Models to Road Traffic Accidents in Algeria. Statistika, 102(2), 184–197. https://doi.org/10.54694/STAT.2021.37
Deretić, N., Stanimirović, D., Al Awadh, M., Vujanović, N., & Djukić, A. (2022). SARIMA Modelling Approach for Forecasting of Traffic Accidents. Sustainability (Switzerland), 14(8). https://doi.org/10.3390/su14084403
Husson, F., Le, S., & Pages, J. (2010). Exploratory Multivariate Analysis by Example Using R. Chapman and Hall. https://doi.org/10.1201/b10345
Khasawneh, M. A., Al-Omari, A. A., & Ganam, B. (2022). Forecasting Traffic Accidents in Developing Countries Using Time Series Analysis. Jordan Journal of Civil Engineering, 16(1), 54–70.
Learning Statics in R. (2023). https://ademos.people.uic.edu/Chapter24.html
Organization, W. H. (2023a). Death on the roads. Death on the Roads. https://extranet.who.int/roadsafety/death-on-the-roads/#country_or_area/COL
Organization, W. H. (2023b). Road safety. https://www.who.int/health-topics/road-safety#tab=tab_2
Organzation, W. H. (2023). Pedrestrian Safety. https://www.who.int/publications/i/item/9789240072497
Pages, J. (2004). Analyse factorielle de donnees mixtes. Revue Statistique Appliquee. LII(4).
Pedrogosa, F., Varoquaux, G., Gramfort, A., Michel, V., & Thirion, B. (2011). Scikit-learn: Machine Learning in Python Fabian. Journal of Machine Learning Research, 12, 2825–2830. https://doi.org/10.1289/EHP4713
Sumit, K., Ross, V., Ruiter, R. A. C., Polders, E., Wets, G., & Brijs, K. (2022). An Exploration of Characteristics and Time Series Forecast of Fatal Road Crashes in Manipal, India. Sustainability (Switzerland), 14(5). https://doi.org/10.3390/su14052851
Descargas
Publicado
Cómo citar
Evento
Sección
Licencia
Derechos de autor 2023 Asociación Colombiana de Facultades de Ingeniería - ACOFI
Esta obra está bajo una licencia internacional Creative Commons Atribución-NoComercial-SinDerivadas 4.0.
Estadísticas de artículo | |
---|---|
Vistas de resúmenes | |
Vistas de PDF | |
Descargas de PDF | |
Vistas de HTML | |
Otras vistas |