Nas últimas décadas, o aumento dos acidentes de trânsito representa um desafio significativo para a saúde pública e a infraestrutura, especialmente em regiões que urbanizam rapidamente, como a Índia. Estratégias reativas tradicionais para a prevenção de acidentes têm se mostrado insuficientes na mitigação proativa desses incidentes. Esta pesquisa enfatiza a necessidade crucial de sistemas preditivos inteligentes ao introduzir uma estrutura baseada em dados para prever acidentes de trânsito usando técnicas de ML e mineração de dados. A abordagem envolve o pré-processamento de dados históricos de acidentes para eliminar ruídos e valores ausentes, seguido pelo treinamento de modelos de classificação como Árvores de Decisão, Floresta Aleatória e Máquinas de Vetores de Suporte. A avaliação do desempenho do modelo inclui padrões como exatidão, precisão, recall e F1-score. Através da integração com uma aplicação baseada em Streamlit, o modelo permite previsões e visualizações em tempo real de áreas de alto risco de acidentes. Os resultados revelam que a Floresta Aleatória alcançou a maior precisão de 88%, sublinhando o potencial da estrutura em apoiar planejadores urbanos, autoridades de trânsito e equipes de emergência na implementação de medidas preventivas. Esta investigação lança as bases para soluções inteligentes e escaláveis para melhorar a segurança no transporte.
Girish Kumar D (Ter,) estudou esta questão.