Hisoria del Arte

Algunos otros articulos revisados del escogido

Dell Acqua y Russo en su trabajo  “Accident prediction models for road networks” realizan un modelo de predicción de accidentes basado en un modelo de regresión multivariado con variables como el flujo de tráfico, ancho del carril, inclinación vertical, velocidad de cambio de la curvatura, su estudio fue aplicado en la provincia de Salermo al sur de Italia.

En el trabajo “Prediction of road accidents: A Bayesian hierarchical approach” se presenta una nueva metodología para la predicción de la ocurrencia de accidentes de tránsito.  Usando una combinación de tres métodos estadísticos: Actualización –gama para el manejo de las tasas de ocurrencia de accidentes con personas heridas, Un análisis de regresión de Poisson - logarítmica normal multivariada jerárquica para las correlaciones entre las variables independientes del modelo ( que representan las causas del accidentes ) y los valores de salida (representado por el número de accidentes), y por ultimo un algoritmo de inferencia usando Redes probabilísticas Bayesianas implementado por medio de técnicas de minería de datos, con el fin de representar la no linealidad entre las variables de entrada de la variables de salida del modelo y las incertidumbres presentes en desarrollo del modelo. Al final la metodología se usa para la identificación geo-referenciada de los tramos viales con mayor ocurrencia de accidentes y es aplicado a dos ciudades austriacas.

En el artículo “Prediction under bayesian ap proach of car accidents in urban intersections”  se muestra otro implementación basada en reglas bayes. Para ello se usan tres distribuciones, la primera es un modelo de Poisson Mixto, que representa un promedio ponderado de tasas de ocurrencia de accidentes, el segundo es un modelo  Poisson – gamma de una variable, que introduce un efecto aleatorio a los errores de las variables. Finalmente, el tercer modelo es un modelo  Poisson – gamma de dos variables que especifica la relación entre la frecuencia de accidentes y el flujo vehicular. Su análisis es realizado en intersecciones viales, pues a partir de un análisis previo detectan que es donde ocurre el mayor número de accidentes. La aplicación del modelo predictivo la realizan en las vías rurales de Toluca, en el estado de México en México.

Los métodos estadísticos basados en regresiones han sido probados de manera continua en “A crash-prediction model for multilane roads”. Construyen un modelo de predicción de choques enfocado a vías rurales multi –carril. Se usaron los modelos de regresión binomial, poisson y multi-nomial negativo para modelar la frecuencia de ocurrencia de accidentes, mientras que los parámetros del modelo se estimaron por el método de máxima verosimilitud y se realizó una prueban de verosimilitud generalizada para detectar las variables significativas que se deben incluir en la ecuación del modelo. Como variables candidatas explicativas se tomaron: longitud tramo, curvatura, tráfico promedio diario anual, distancia de visibilidad, coeficiente de fricción lateral, pendiente longitudinal, presencia de intersección, además se toma en cuenta el efecto de la precipitación y suposiciones sobre el tiempo de secado sobre un determinado material. Al final de la creación de los modelos los autores mencionan su efectividad en la detección de factores críticos, las predicciones  de los accidentes luego de cambiar los diseños de las vías.

En el artículo de “Prediction of Road Traffic Accidents in Jordan using Artificial Neural Network” se crea una modelo predictivo usando Redes Neuronales Artificiales, con el objetivo de detectar los  posibles accidentes de tránsito basados en información histórica su aplicación la realizan en la información de accidentalidad de Jordania.

Otro enfoque que hace uso de redes neuronales artificiales es mostrado en “Prediction of Road Accidents in Qatar by 2022”, en este trabajo crean un modelo de predicción que pretende identificar los factores críticos de mayor efecto en las causas de accidentes de tránsito en Qatar y predecir el número total de accidentes para el año 2022. Para su implementación  usan los métodos de Regresión Lineal Múltiple y Redes Neuronales Artificiales. Los resultados obtenidos por ambas técnicas discutiendo su alcance y efectividad.

En “Application of Adaptive Neuro-fuzzy Inference System for road accident prediction” desarrollan  un sistema de inferencia Neuro-difuso para modelar accidentes de tránsito, usando como variables de entrada las características de las vías como: el ancho, el uso del suelo, los puntos de acceso, la densidad horizontal de curvatura, el grado de longitud.  Este modelo usa índices estadísticos de rendimiento usando los modelos de distribución Poisson, Binomial Negativa y modelos de regresión exponencial no lineal.

Otro enfoque se da usando  algoritmos de optimización bio-inspirados, en el artículo: “Evaluation of particle swarm optimization algorithm in prediction of the car accidents on the roads: a case study” se presenta un método para determinar relaciones complejas entre los factores involucrados en un accidente y de esta forma modela un patrón de comportamiento, este patrón es detectado usando algoritmo de Optimización de partículas (PSO - Particle Swarm 

Optimization, por sus siglas en ingles).

En la Universidad Ohio se desarrolló un software que identifica la probabilidad de accidentes de tráfico en determinados momentos y lugares de las carreteras estatales. El modelo diseñado se basa en datos históricos de choques, en algoritmos estadísticos para el cálculo de niveles de riesgo sobre los segmentos de vías y cartografía para su visualización. Permitiendo establecer predicciones de los riesgos en un lugar específico de la red vial.  

La tesis doctoral de Thomas Jonsson se desarrolla un modelo de accidentalidad para vías urbanas incluyendo intersecciones menores, en su estudio su principal objetivo es analizar el rendimiento de los modelos predictivos teniendo en cuenta varios factores como: las medidas de vulnerabilidad de usuarios viales, medidas de velocidad en tiempo real, y  la división de los accidentes vehiculares en dos grupos;  accidentes con un solo vehículo y accidentes entre vehículos. El estudio se realizó en 8 ciudades suecas, con información propia y a partir de reportes de accidentalidad oficiales. El modelo de accidentes fue desarrollado usando un modelamiento lineal generalizado con distribución Cuasi-Poisson, el modelo es desarrollado con un conjunto de datos es validado con otro conjunto para medir la efectividad del mismo. Las variables tomadas en cuenta en este estudio son: Vehículos por día, Número de peatones por día cruzando o caminando a través de una via, número de bicicletas por día sobre la vía, variación del uso del suelo en la vía (categorizando entre residencial, institucional, industrial o ninguno), tipo  de la vía (categorizado entre autopista, perimetral o central), visibilidad (calificando la visibilidad entre bueno, medio o  malo). Existencia de cruces dedicados para usuarios sobre la vía, límites de velocidad recomendados en cada tramo vial y la existencia de cualquier sitio de entrada y salida de automóviles de manera frecuente sobre la vía (como centros comerciales, grandes parqueaderos etc.).

En el trabajo “Prediction of road accidents: comparison of two Bayesian methods” se comparan dos métodos bayesianos para el desarrollo de modelos de predicción de accidentes: uno basado en el método de Bayes empírico  y otro que usa redes probabilísticas bayesianas. Ambos métodos son utilizados en el desarrollo de modelos de predicción  multivariada en eventos de accidentes útiles en los sistemas de gestión de seguridad.  El modelo es probado en la red vial rural de Austria, demostrando la efectividad de las predicciones de ambos modelos sin embargo se encuentra que el método que usa redes probabilísticas bayesianas tienen un mayor coeficiente de correlación que el encontrado por el método de bayes empírico.