Análisis y predicción de la lesividad en accidentes de tráfico mediante la aplicación de random forest

Herrera Briones, Juan (2021). Análisis y predicción de la lesividad en accidentes de tráfico mediante la aplicación de random forest. Proyecto Fin de Carrera / Trabajo Fin de Grado, E.T.S.I. Industriales (UPM).

Description

Title: Análisis y predicción de la lesividad en accidentes de tráfico mediante la aplicación de random forest
Author/s:
  • Herrera Briones, Juan
Contributor/s:
  • Mira McWilliams, José Manuel
  • Sanjurjo de No, María Almudena
Item Type: Final Project
Degree: Grado en Ingeniería en Tecnologías Industriales
Date: June 2021
Subjects:
Freetext Keywords: Accidente de tráfico, lesividad, seguridad vial, Machine Learning, CART (Classification and Regression Trees), Random Forest, predicción, análisis, modelos, variables, Out of Bag (OOB) Error, matriz de confusión, precisión global, precisión local
Faculty: E.T.S.I. Industriales (UPM)
Department: Ingeniería de Organización, Administración de Empresas y Estadística
Creative Commons Licenses: Recognition - No derivative works - Non commercial

Full text

[img]
Preview
PDF - Requires a PDF viewer, such as GSview, Xpdf or Adobe Acrobat Reader
Download (3MB) | Preview

Abstract

La seguridad vial constituye uno de los ámbitos de mayor importancia y repercusión a nivel mundial, generando un enorme impacto, tanto social como económico, sobre cada uno de los diferentes estados. En el aspecto social, los accidentes de tráfico suponen una de las principales causas de fallecimientos, produciéndose alrededor de 1.350.000 muertes al año en todo el mundo por estos motivos, según la Organización Mundial de la Salud (OMS). Además, existe una desigualdad territorial en cuanto a este tipo de sucesos, siendo los países menos desarrollados los que sufren una mayor cantidad de siniestros viales y donde se alcanzan las cifras de mortalidad más altas. Por otro lado, en el aspecto económico, los países se ven obligados afrontar un gran desembolso como consecuencia de los accidentes de tráfico producidos, el cual representa aproximadamente un 2% de su PIB. Todo ello motiva que se lleve a cabo un más que significante trabajo y esfuerzo constante por parte de los distintos organismos en la materia referida a la seguridad vial. En este aspecto, durante los últimos años han sido creadas y puestas en marcha numerosas campañas y planes de acción, con los que se ha conseguido lograr una reducción de la siniestralidad y mortalidad en las carreteras. Bajo este contexto, surge el proyecto en cuestión, que busca analizar y predecir la lesividad que se alcanza en los accidentes de tráfico empleando técnicas de análisis de datos. Concretamente, se utiliza para ello la técnica del Random Forest (Bosque Aleatorio), que forma parte de la disciplina del Machine Learning (aprendizaje automático). Esta última se encuentra en auge actualmente, y se basa en la capacidad de aprendizaje de manera autónoma por parte de los sistemas a partir de una gran cantidad de datos, sin requerir de un trabajo constante paralelo que sea realizado por un ser humano. El objetivo de este Trabajo de Fin de Grado es analizar y predecir la lesividad que se alcanza en los accidentes de tráfico según algunas de las características propias del siniestro. Para conseguirlo, se crean diversos modelos estadísticos de Random Forest, en los que la variable a predecir (variable respuesta o de salida) es la lesividad del accidente, mientras que las variables que condicionan dicha predicción (variables de entrada) son varias características del mismo. Además, estos modelos generados van a permitir estimar la influencia o importancia de cada uno de los factores estudiados (variables de entrada) sobre la lesividad de los siniestros viales, de manera que sea posible conocer en qué aspectos es de más provecho trabajar con el objetivo de reducir la mortalidad de los accidentes de tráfico.

More information

Item ID: 67548
DC Identifier: https://oa.upm.es/67548/
OAI Identifier: oai:oa.upm.es:67548
Deposited by: Biblioteca ETSI Industriales
Deposited on: 30 Aug 2021 09:55
Last Modified: 30 Nov 2021 23:30
  • Logo InvestigaM (UPM)
  • Logo GEOUP4
  • Logo Open Access
  • Open Access
  • Logo Sherpa/Romeo
    Check whether the anglo-saxon journal in which you have published an article allows you to also publish it under open access.
  • Logo Dulcinea
    Check whether the spanish journal in which you have published an article allows you to also publish it under open access.
  • Logo de Recolecta
  • Logo del Observatorio I+D+i UPM
  • Logo de OpenCourseWare UPM