Los accidentes de tránsito son uno de los mayores problemas a nivel mundial, siendo una de las principales causas de muerte y pérdidas económicas en el mundo. Los países en desarrollo, principalmente sus ciudades intermedias, son algunas de las más afectadas por esta problemática. A pesar de los diferentes intentos por contrarrestarla, no se han logrado resultados significativos; sin embargo, técnicas avanzadas de análisis de datos o Machine Learning (ML) han tomado fuerza en esta área en los últimos años. Desafortunadamente, las autoridades de tránsito de ciudades intermedias de países en desarrollo cuentan con datos insuficientes, incompletos o simplemente son inexistentes. Esta situación no permite que técnicas de ML fueran usadas para el análisis de accidentalidad. Por lo tanto, el objetivo de este trabajo es revisar las diferentes alternativas que ayuden en la recolección de datos y la creación de soluciones inteligentes relacionadas con la detección de posibles accidentes de tránsito.
Este trabajo propone un sistema que permite identificar zonas con alta probabilidad de accidentes de tránsito mediante la teoría de near-crash (o casi-choques). La construcción del sistema consideró las siguientes cinco fases de desarrollo: a) Identificación de los dispositivos, variables cinemáticas y algoritmos que ayuden a caracterizar eventos de near-crash; b) Construcción de una arquitectura para el desarrollo del prototipo del sistema, considerando arquitecturas de sistemas inteligentes de transporte (ITS) de referencia y otras arquitecturas similares relacionadas; c) Diseño y desarrollo de un prototipo del sistema de detección inteligente de riesgo de colisión (SDIRC), incluyendo un módulo de recolección de datos (Hardware), un módulo de análisis inteligente de la información (Software) y un modelo de ML (que consideró los algoritmos: Support Vector Machine, Decision Tree y Random Forest); d) Diseño y desarrollo de pruebas de campo en el contexto de una ciudad intermedia de un país en desarrollo, con las cuales se construyó un conjunto de datos (data set) de variables cinemáticas medidas en vehículos; e) Validación del funcionamiento del sistema y del algoritmo clasificador mediante las pruebas de campo. Los resultados de la implementación del prototipo del sistema fueron satisfactorios, permitiendo detectar near-crashes a partir de un modelo de ML generado con el algoritmo de RF. El rendimiento medio obtenido en cada una de las métricas del modelo de ML fue superior a 0.95. Además, con las pruebas de validación realizadas se logró identificar zonas de alta accidentalidad en la ciudad escogida como caso de estudio, demostrando que existe una relación entre las zonas donde ocurrieron mayor número de near-crashes y las zonas de accidentalidad más frecuente.
Traffic accidents are one of the biggest problems worldwide, being one of the leading causes of death and economic loss in the world. Low and middle-income countries, mainly their intermediate cities, are the most affected by this problem. Despite the different attempts to counteract this problem, no significant results have been achieved. However, advanced data analysis techniques including Machine Learning (ML) have gained strength in this area in recent years. Unfortunately, the transit authorities of intermediate cities in developing countries have insufficient, incomplete, or simply non-existent data. This situation does not allow ML techniques to be used for accident analysis. Therefore, the objective of this work is to review the different alternatives that help in data collection and the creation of intelligent solutions related to the detection of possible traffic accidents.
This work proposes a system to identify areas with high probability of traffic accidents by means of the near-crash theory. The construction of the system considered the following five development phases: a) Identification of devices, kinematic variables and algorithms that help characterize near-crash events; b) Construction of an architecture for the development of the system prototype, considering reference Intelligent Transportation Systems (ITS) architectures and other similar related architectures; c) Design and development of an Intelligent collision risk detection system prototype (ICRDS), including a data collection module (Hardware), an intelligent information analysis module (Software) and an ML model (which considered algorithms: Support Vector Machine, Decision Tree and Random Forest); d) Design and development of field tests in the context of an intermediate city of a developing country, with which a data set of kinematic variables measured in vehicles was built; e) Validation of the performance of the system and the classifier algorithm through the field tests. The results of the implementation of the system prototype were satisfactory, allowing to detect near-crashes from an ML model generated with the RF algorithm. The average performance obtained in each of the metrics of the ML model was greater than 0.95. In addition, with the validation tests performed, it was possible to identify areas with a high accident rate in the city chosen as a case study, demonstrating that there is a relationship between the areas where the greatest number of near-crashes occurred and the areas with the most frequent accident rates.
