Predicción de la gravedad de accidentes de tráfico utilizando algoritmos de aprendizaje automático

Un estudio comparativo de Random Forest, Decision Tree, SVC, KNN y regresión logística aborda la tarea crítica de predecir la gravedad de los accidentes de tráfico utilizando un conjunto diverso de algoritmos de aprendizaje automático. La predicción precisa de la gravedad de los accidentes es esencial para una respuesta oportuna de emergencia y el desarrollo de medidas de seguridad efectivas. Este proyecto evalúa sistemáticamente el rendimiento de cinco algoritmos de aprendizaje automático ampliamente utilizados: Random Forest, Decision Tree, Support Vector Classifier (SVC), k-Nearest Neighbors (KNN) y regresión logística, sobre un conjunto de datos integral que comprende información histórica de accidentes de tráfico. El estudio comienza con la recopilación y el preprocesamiento de un rico conjunto de datos, que abarca diversos factores como las condiciones meteorológicas, tipos de carreteras, hora del día y otros parámetros relevantes. Cada algoritmo se entrena en este conjunto de datos para desarrollar modelos predictivos capaces de evaluar la gravedad de los accidentes de tráfico. El proyecto compara sistemáticamente el rendimiento de los algoritmos en términos de precisión, exactitud, recuperación y F1-score, proporcionando valiosos conocimientos sobre sus fortalezas y limitaciones. Adicionalmente, el proyecto investiga la importancia de diferentes características en la influencia de las predicciones de gravedad de los accidentes. Al emplear un análisis de importancia de características, el estudio identifica variables clave que impactan significativamente la precisión de las predicciones de gravedad a través de los algoritmos evaluados. El análisis comparativo tiene como objetivo guiar a las partes interesadas, incluidas las autoridades de gestión del tráfico y los servicios de emergencia, en la selección del algoritmo más adecuado para sus necesidades específicas. Los resultados contribuyen al creciente cuerpo de conocimiento sobre aplicaciones de aprendizaje automático en la seguridad vial y proporcionan una base para la toma de decisiones informadas en la gestión y prevención de accidentes. En última instancia, los hallazgos del proyecto ofrecen una comprensión matizada de las capacidades de Random Forest, Decision Tree, SVC, KNN y regresión logística en la predicción de la gravedad de los accidentes de tráfico. Este conocimiento empodera a las partes interesadas para adoptar enfoques basados en datos en la mejora de la seguridad vial, contribuyendo así a la reducción de la gravedad de los accidentes y al mejoramiento general de las estrategias de gestión del tráfico.