Road accident forecast by using predictive modeling techniques

Abstract

Los accidentes de tránsito son una gran preocupación a nivel mundial, ya que tienen un impacto significativo en la seguridad, la salud y el bienestar de las personas, por lo que constituyen un importante campo de investigación sobre el uso de técnicas y algoritmos de última generación para analizarlos y predecirlos. El estudio de los accidentes de tráfico se ha realizado a partir de la información publicada por las entidades de tráfico, pero gracias a la ubicuidad y disponibilidad de las redes sociales es posible disponer de información detallada y en tiempo real de los accidentes de tráfico, lo que permite realizar estudios detallados que incluyen eventos de accidentalidad vial no registrados. El objetivo de esta tesis es proponer un modelo predictivo para estimar la probabilidad de accidentes de tránsito en un área determinada mediante la integración de información proveniente de entidades oficiales y redes sociales relacionadas con accidentes viales y eventos de infraestructura vial. El modelo diseñado fue un modelo de aprendizaje profundo, compuesto por unidades recurrentes cerradas y redes neuronales convolucionales. Los resultados obtenidos se compararon con resultados publicados por otros investigadores y muestran resultados prometedores, lo que indica que, en el contexto del problema, el modelo de aprendizaje profundo propuesto supera a otros modelos de aprendizaje profundo disponibles en la literatura. La información proporcionada por el modelo puede ser valiosa para que las agencias de control de tráfico planifiquen actividades de prevención de accidentes de tráfico. (Texto tomado de la fuente)

Traffic accidents are a major global concern as they have a significant impact on safety, health, and well-being. Therefore, it is an important area of research to analyze and predict accidents using state-of-the-art techniques and algorithms. Traditionally, the study of traffic accidents has been conducted using information from traffic entities and road police forces. However, with the rise of social media platforms, it's now possible to access detailed and real-time information about road accidents in a specific region, which allows for more comprehensive studies, even including unrecorded road accident events. This thesis aims to develop a predictive model that estimates the probability of road accidents in a specific area by combining information from official entities and social media related to road accidents and road infrastructure events. The proposed model is an ensemble deep learning model made up of Gated Recurrent Units and Convolutional Neural Networks. The results were compared with other published research and the outcomes are promising, indicating that the proposed ensemble deep learning model is more effective than other deep learning models reported in literature. The information provided by the model could be valuable for traffic control agencies to plan road accident prevention activities.