Aplicación de técnicas de Machine Learning para el análisis de la siniestralidad vial en la zona urbana del Cantón Loja

El incremento alarmante de accidentes de tránsito a nivel mundial está generando graves consecuencias sociales, económicas y humanas, lo que ha motivado la implementación de ciertas estrategias para su prevención. Este estudio emplea técnicas de minería de datos y modelos de Machine Learning (ML), específicamente de Redes Neuronales Artificiales (RNA), para analizar registros históricos de siniestro de tránsito ocurridos dentro del Cantón Loja entre 2020 y 2023. Con el modelo se busca clasificar los accidentes de tránsito según su tipología, con el fin de proponer medidas preventivas basadas en evidencias. Se utilizó una metodología de procesamiento de datos, basada en Pandas de Python y haciendo uso de Excel como herramienta de datos. Con esto se aplicó un modelo RNA MLP (Multi-Layer Perceptron) capaz de detectar patrones complejos. La elección de este algoritmo se fundamenta en la capacidad de manejar relaciones no lineales y es bueno para grandes cantidades de datos. Tras un proceso de entrenamiento y validación de los datos, el modelo logró una precisión de 82% en la clasificación de siniestros. Los resultados muestran que la mayor incidencia de los accidentes se da por atropello, choques, rozamiento y volcamiento. Estos hallazgos resaltan la importancia de usar herramientas de aprendizaje automático en la seguridad vial, ofreciendo un enfoque innovador que combina la capacidad de clasificación con medidas preventivas. La metodología aplicada en este trabajo puede usarse para futuras investigaciones con el fin de optimizar recursos y reducir la incidencia de accidentes.

• Hovedforfatter: Cañart Maldonado, Ricardo Samael (author)
• Format: bachelorThesis
• Udgivet: 2025
• Fag: Accidentes de tránsito; Machine learning; Colisiones vehiculares; Seguridad vial; Aprendizaje automático; Algoritmos de clasificación
• Online adgang: https://dspace.unl.edu.ec/handle/123456789/32527