El Planteamiento del problema inicial está definido de la siguiente forma:
Actualmente en el ámbito local no se conocen sistemas que permitan alertar a peatones y conductores de los niveles de riesgo de accidentalidad en una determinada vía, que tome en cuenta información histórica y variables que puedan influir en la ocurrencia de un evento en un momento determinado.
La identificación de sectores con mayor probabilidad de ocurrencia de accidentalidad generalmente se realiza de manera estática, tomando exclusivamente el número de accidentes previos en el lugar, sin tener en cuenta las variables que caracterizan la ocurrencia de dichos accidentes (tipo de vehículo, hora, clima, etc.) y su dinámica, haciendo imposible caracterizar un nivel de riesgo a partir de un estado particular.
Con el crecimiento continuo del flujo de automóviles y de la infraestructura vial se espera que el número de accidentes crezca de manera proporcional, si no se toman medidas de control que permitan a peatones y conductores mantenerse alerta a factores de riesgo presentes en el medio no podrán tomar de manera anticipada decisiones que puedan evitar algún incidente.
La medidas de control de accidentalidad regularmente van enfocadas al planteamiento de campañas de prevención en determinados causas de riesgo sin embargo existen factores que se escapan a un control humano (ej. el clima), en cuyo caso el establecimiento de alertas puede ser de gran ayuda para su prevención.
Los Objetivos se definieron como :
General
Proponer un sistema de alerta de riesgo de accidentalidad, mediante la formulación de un modelo de cálculo de niveles de riesgo en tramos viales, para la generación de avisos oportunos a usuarios del sistema vial urbano de la ciudad Bogotá D.C.
Específicos
• Definir las variables de mayor impacto en la ocurrencia de accidentes de tránsito, analizando la información histórica existente y estudios previos similares, para involucrarlas en el modelo de cálculo de niveles de riesgo.
• Formular un modelo de cálculo de niveles de riesgo, estudiando las relaciones entre las variables definidas aplicando modelos matemáticos y/o probabilísticos, que permita categorizar el riesgo de accidentalidad en un tramo vial.
• Desarrollar una aplicación móvil, aplicando el modelo formulado, para visualizar las alertas de niveles de riesgo en tramos viales.
A continuación se presentaran algunos de los trabajos previos (Historia del arte) , relacionados al proyecto propuesto:
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 “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.
http://onlinepubs.trb.org/onlinepubs/conferences/2011/RSS/3/Rosas-Jaimes.pdf
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, trafico 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.incluyendo además del flujo de tráfico, geometría de la infraestructura y factores medioambientales, otras variables relacionadas a la seguridad como la distancia visual de detención y características de la superficie del pavimento 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.
http://waset.org/publications/9997805/prediction-of-road-accidents-in-qatar-by-2022
http://waset.org/publications/9997805/prediction-of-road-accidents-in-qatar-by-2022
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.
http://download.springer.com/static/pdf/398/art%253A10.1007%252Fs12205-013-0036-3.pdf?auth66=1401564045_36045824f9c8d8ce764644923c47fbeb&ext=.pdf
http://download.springer.com/static/pdf/398/art%253A10.1007%252Fs12205-013-0036-3.pdf?auth66=1401564045_36045824f9c8d8ce764644923c47fbeb&ext=.pdf
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).
Una aplicación similar que pretende predecir la accidentalidad fue propuesta en la Universidad Ohio en donde se propone una aplicación que conciertos características medio-ambientales muestre lo tramos viales con mayor riesgo de accidentes. Esa aplicación fue diseñada para facilitar el control de las vías en el estado de Ohio en estados unidos.
