Marco Teorico

A continuación actualizo el la Historia del arte del proyecto

En el desarrollo de modelos de predicción de  accidentalidad de tránsito se han usado distintos enfoques que pasan por el uso de modelos basados en redes bayesianas, modelos de regresión, redes neuronales artificiales, modelos neuro-difusos,  series de tiempo y algoritmos de optimización bio-inspirada. A continuación se realizará un breve resumen de los trabajos previos caracterizando de manera general los objetivos generales y el modelo usado.

Dell Acqua y Russo en su trabajo (Dell’Acqua & Francesca, 2010) 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 (Deubleinm, Schubertb, Adeya, Köhler, & Faberd, Marzo 2013) 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 (Rosas Jaimes, Campero Carmona, & Sánchez Flores, 2011)  se muestra otra 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 (Caliendoa, Guida, & Parisi, 2007). 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 trabajo (Deublein, Schubert, & Adey, 2013) 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.

(Li, Jiang, Yan, & Zhang, 2004) proponen un método de predicción  accidentes de tránsito basado en una red neural de retro-propagación (RP), teniendo en cuenta las deficiencias en la predicción de métodos lineales. Los valores de métodos tradicionales de predicción  de accidentes de tránsito se toman como entradas de una función no lineal, expresada en términos de una red neuronal RP, para que este proceso se efectué se propone una función (de mapeo) de alto nivel que relaciona las predicciones de los modelos con la función no lineal de la red. Al final del documento se muestra un ejemplo de una predicción global usando este método y se prueba la eficiencia del mismo a través de un ejemplo.

En el documento (A Ali & Bakheit, 20011) se analizan y predicen los accidentes de vías terrestres (RTA – Road traffic accidents) en Sudan  usando Redes Neuronales Artificiales (RNA), a partir del análisis de sucesos históricos prediciendo futuras tendencias, las variables de entrada en el modelo RNA fueron cuidadosamente seleccionados examinado la correlación entre el número de accidentes anual y algunos factores sociales y económicos como el crecimiento de la población anual, el producto interno bruto, el número de licencias entregadas anualmente , entre otras. Para una validación del modelo se usó la técnica de regresión por componentes principales (RCP). Ambos enfoques se usaron para modelar accidentes históricos de los años 1991 a 2009, con variables de entrada como población, número de vehículos en las vía, etc. Para evaluar los modelos se realizaron predicciones para los años 2005 a 2012, aunque ambos métodos presentaron valores muy similares en la predicción, pero el método de RNA proporciono un mejor coeficiente de determinación R2 que el método RCP. El estudio ratifico que las RNA son más adecuadas para interpolación (resultados del 2005 al 2009) que para extrapolación de datos (resultados del 2010 al 2012), pero pueden convertirse en una herramienta útil en el análisis y predicción de accidentes de tránsito y sus causas.

En el artículo de (Jadaan, Al-Fayyad, & Gammoh, 2014) 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 (Abou Amouna, Radwan, Al-kuwari, Hammuda, & Al-Khalifa, 2014), 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 (Hosseinpour, Shukri Yahaya, Mohammadreza Ghadiri, & Prasetijo, 2013) 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 (Gharehchopogh, Asheghi Dizaji, & Aghighi, 2013) 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 SwarmOptimization, por sus siglas en ingles).

En la Universidad Ohio (Sauser , 2007) 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 (Jonsson, 2005) 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.).

El artículo (Zong, Xu, & Zhang, 2013) presenta una comparación entre dos técnicas de modelado: red bayesiana y  regresión, ambos son aplicados en el análisis de gravedad de accidentes, para lo cual se estudian de manera detallada los indicadores: número de víctimas mortales, número de lesiones y daños a la propiedad. Se aplican los dos métodos en los datos publicados por el ministerio de seguridad pública de China entre 2009 a 2011 sobre tramos de la red vial de este país y se identifican los principales factores de contribución y sus efectos. En los resultados se muestra que la bondad del ajuste de red bayesiana es más alta que la de los modelos de regresión en el modelado de la gravedad del accidente,  mejorando la precisión en los resultados predichos. En el artículo se hace énfasis en ver la predicción de accidentes como uno de los pasos esenciales en el  proceso de  gestión de accidentes y de esta forma tomar medidas efectivas en la reducción de impactos de accidente y mejorar la seguridad vial.

En el trabajo (Monfared, Soori, Mehrabi, Hatami, & Delpisheh, 2013) se muestra un estudio dirigido a predecir las muertes por accidentes de tránsito en Irán, para ello se usa un modelo cualitativo basado en Box- Jenkins (conocido como ARIMA1) el cual tiene en cuenta el análisis de tendencias y los cambios estacionales y aleatorios. Para mejorar la predicción se usan tendencias mensuales en lugar de tendencias anuales, una regresión múltiple fue utilizada para extraer la relación determinista entre la variable dependiente y las series de las variables independientes, para procesar los resultados de la series de tiempo, se elimina el componente no estacionario, se identifica el modelo especifico de ARIMA estimando sus parámetros, se realiza un análisis residual y por último se evalúa el modelo predictivo. Para probar la eficiencia del modelo se compararon los resultados del modelo predictivo con datos previamente reportados oficialmente, encontrando que un índice de exactitud de predicción del 93%.

En (Wang, Wang, & Zhang, 2012) se propone un modelo que determina la causalidad de los accidentes en vías, analizando factores dinámicos   como el flujo de tráfico o el clima. Además se propone un sistema de manejo de tráfico basado en DAI (Detección automática de incidentes) que pueda predecir la probabilidad de un accidente en un determinado estado basado en los factores dinámicos  con el objetivo de apoyar la toma de decisiones en la prevención accidentes. Esta predicción se asume como proceso dinámico con un componente aleatorio y otro con una correlación entre factores, es decir que existe un componente con estados dinámicos y otro componente con factores  estrechamente relacionados a patrones de causas identificados en datos históricos.

En el documento  (Ramani & Shanthi, 2012) se muestra un trabajo de investigación exploratoria en el uso de técnicas de minería de datos para predicción  patrones de accidentes de tránsito con peatones involucrados. Por una parte se tipifica la información de las causas de accidentes, identificando un patrón de comportamiento de sus características inherentes. En este estudio, se usan 4 algoritmos de árboles de decisión: árbol aleatorio, C4.5, J48 y Decisión “Stump”,  los cuales son conectados a una base de datos de accidentes mortales ocurridos durante el año 2010 en Gran Bretaña. Por último se utiliza un método de validación cruzada con k iteraciones,  para realizar una comparación de rendimiento de los 4 modelos propuestos a partir de la medición de la estimación no sesgada de cada uno.

(Accident Analysis and Prediction of Model on National Highways, 2012) se muestra un análisis de las variaciones anuales y mensuales de la tasa de accidentes en determinados tramos de vía,  así como los cambios en dicha tasa a partir del aumento del volumen de tráfico. En los  datos de accidentalidad del 2000 al 2010 en la India  se las se analiza varios factores que influyen en la variación de la tasa de accidentalidad como el tipo de vehículo participante en el accidente  (vehículos de dos ruedas, automóviles, autobuses y vehículos pesados) o la fecha del suceso. Al final del estudio se desarrolla un modelo heurístico de predicción de accidentes basado en el tráfico promedio diario anual y las condiciones de la vía.

Bibliografía

A Ali, G., & Bakheit, C. S. (20011). Comparative analysis and prediction of traffic accidents in Sudan using artificial neural networks and statistical methods. Proceedings of the 30th Southern African Transport Conference (SATC), (págs. 202-214). Pretoria, South Africa.

Abou Amouna, M., Radwan, A., Al-kuwari, L., Hammuda, A., & Al-Khalifa, K. (2014). Prediction of Road Accidents in Qatar by 2022. International Journal of Mechanical, Industrial Science and Engineering, 8(2), 472-477.

Accident Analysis and Prediction of Model on National Highways. (2012). International Journal of Advanced Technology in Civil Engineering, 1(2), 25-30.

Caliendoa, C., Guida, M., & Parisi, A. (2007). A crash-prediction model for multilane roads. Accident Analysis and Prevention, 39, 657-670.

Dell’Acqua , G., & Francesca, R. (2010). Accident prediction models for road networks. 4th International Symposium on Highway Geometric Design, (pág. 11). Valencia, España.

Deublein, M., Schubert, M., & Adey, B. (2013). Prediction of road accidents: Comparison of two Bayesian methods. Structure and Infrastructure Engineering: Maintenance, Management, Life-Cycle Design and Performance.

Deubleinm, M., Schubertb, M., Adeya, B. T., Köhler, J., & Faberd, M. (Marzo 2013). Prediction of road accidents: A Bayesian hierarchical approach. Accident Analysis & Prevention, 51.

Gharehchopogh, F., Asheghi Dizaji, Z., & Aghighi, Z. (Agosto de 2013). Evaluation of particle swarm optimization algorithm in prediction of the car accidents on the roads: a case study. International Journal on Computational Sciences & Applications (IJCSA), 1-12.

Hosseinpour, M., Shukri Yahaya, A., Mohammadreza Ghadiri, S., & Prasetijo, J. (2013). Application of Adaptive Neuro-fuzzy Inference System for road accident prediction. KSCE Journal of Civil Engineering, 17(7), 1761-1772.

Jadaan, K., Al-Fayyad, M., & Gammoh, H. (Junio de 2014). Prediction of Road Traffic Accidents in Jordan using Artificial Neural Network (ANN). Journal of Traffic and Logistics Engineering, 2(2), 92-94.

Jonsson, T. (2005). Predictive models for accidents on urban links. Lund University, Lund Institute of Technology, Techovology and Society, Traffic of Technology. Lund , Suecia: Lund University.

Li, X., Jiang, G., Yan, Y., & Zhang, N. (2004). Research on comprehensive prediction method of road accidents based on bp neural network. Applications of Advanced Technologies in Transportation Engineering, (págs. 636-640). Beijing, China.

Monfared, A., Soori, H., Mehrabi, Y., Hatami, H., & Delpisheh, A. (2013). Prediction of fatal road traffic crashes in iran using the box-jenkins time series model. Journal of Asian Scientific Research, 3(4), 425-430.

Ramani, R., & Shanthi, S. (2012). Classifier prediction evaluation in modeling road traffic accident data. Computational Intelligence & Computing Research (ICCIC), IEEE, (págs. 1-4).

Rosas Jaimes, O. A., Campero Carmona, A. C., & Sánchez Flores, O. L. (2011). Prediction under bayesian approach of car accidents in urban intersections. Submitted to the 3rd International Conference on Road Safety and Simulation, (pág. 19). Indianapolis, USA.

Sauser , B. (2 de 04 de 2007). MIT Technology Review. Recuperado el 28 de 05 de 2014, de http://www.technologyreview.com/news/407619/predicting-highway-crashes/

Wang, Y., Wang, Z., & Zhang, C. (Noviembre de 2012). Research of method of propensity prediction for road traffic safety based on trans-department information. International Journal of Computer and Communication Engineering, 379-382.

Zong, F., Xu, H., & Zhang, H. (2013). Prediction for traffic accident severity: comparing the bayesian network and regression models. Mathematical Problems in Engineering, 1-9.