Publicación: Impacto de las cámaras de fotodetección en la seguridad vial del área metropolitana de Medellín
Portada
PDF 
FLIP Citas bibliográficas
Gestores Bibliográficos
Indexadores
Código QR
Director
Autor corporativo
Recolector de datos
Otros/Desconocido
Director audiovisual
Editor/Compilador
Editores
Tipo de Material
Fecha
Cita bibliográfica
Título de serie/ reporte/ volumen/ colección
Es Parte de
Resumen en español
RESUMEN: esta tesis aborda el desafío de predecir la gravedad de los incidentes de tránsito en las vías del Área Metropolitana de Medellín, donde se hayan implementado cámaras de fotodetección, mediante el uso de técnicas de aprendizaje automático. El objetivo principal es, determinar el nivel de eficiencia de las cámaras de fotodetección en cuanto a la disminución de los accidentes de tránsito, con base en las variables de influencia y condiciones de su entorno. Utilizando datos de informes de la alcaldía de Medellín y a través de la aplicación de algoritmos de regresión y clasificación como: Regresión lineal (LR), Clasificador de crestas (Ridge), K-Vecinos más cercanos (KNN), Máquinas de vectores de soporte (SVM), Árboles de decisión embolsados (BDT), Bosque aleatorio (RF) y Aumento del gradiente estocástico (GB), además de métricas de validación como: Curva de aprendizaje, Índice jaccard, Puntuación F1 y Matriz de confusión para garantizar el desempeño del modelo de Machine Learning; y también de técnicas de sobre-muestreo para abordar el desequilibrio en el caso de faltar información. Los resultados mostraron que el clasificador (GB) obtuvo la mejor precisión en el conjunto de prueba, con un valor medio del 75% y el modelo (RF) entrenado con el conjunto de datos balanceado, alcanzó una precisión media del 74% para este mismo conjunto de datos. Estos resultados demuestran la eficacia del modelo para la predicción de la gravedad de los accidentes de tránsito ocurridos en cada cámara de fotodetección; a pesar de ser una investigación con fines académicos. En conclusión, esta tesis proporciona una metodología adecuada para predecir la gravedad de los accidentes de tránsito, utilizando técnicas de aprendizaje automático. Por lo que, el modelo desarrollado puede ser de gran utilidad para las autoridades encargadas de las medidas preventivas de accidentes. Brindando una herramienta al momento de la implementación de cámaras de fotodetección en futuras zonas, mediante una respuesta más eficiente y oportuna.
Resumen en inglés
ABSTRACT: this thesis addresses the challenge of predicting the severity of traffic incidents on the roads of the Metropolitan Area of Medellin, where photodetection cameras have been implemented, through the use of machine learning techniques. The main objective is to determine the level of efficiency of photodetection cameras in terms of reducing traffic accidents, based on the variables of influence and conditions of their environment. Using data from reports of the mayor's office of Medellin and through the application of regression and classification algorithms such as: Linear Regression (LR), Ridge Classifier (Ridge), K-Nearest Neighbors (KNN), Support Vector Machines (SVM), Bagged Decision Trees (BDT), Random Forest (RF) and Stochastic Gradient Boosting (GB), in addition to validation metrics such as: Learning Curve, Jaccard Index, F1 Score and Confusion Matrix to ensure the performance of the Machine Learning model; and also oversampling techniques to address imbalance in the case of missing information. The results showed that the classifier (GB) obtained the best accuracy in the test set, with an average value of 75% and the model (RF) trained with the balanced dataset, reached an average accuracy of 74% for this same dataset. These results demonstrate the effectiveness of the model for the prediction of the severity of traffic accidents occurred in each photo detection camera, despite being research for academic purposes. In conclusion, this thesis provides a suitable methodology for establishing the severity level of a traffic incident based on various vehicle and environmental input characteristics, using machine learning techniques. This allows for the comparison of scenarios, particularly in areas equipped with photo detection cameras. Therefore, the developed model can be highly beneficial for authorities responsible for preventive measures against accidents, offering a valuable tool during the implementation of photo detection cameras in future areas, ensuring a more efficient and timely response.