Búsqueda de Patrones con Machine Learning en Datos de Siniestros de Tránsito

Este estudio investiga la aplicación de técnicas de Machine Learning (ML), específicamente el algoritmo de clustering K-Means y la reducción de dimensionalidad mediante PCA, para identificar patrones en datos de siniestros de tránsito. Analizando un conjunto de datos que incluye 21,352 registros de...

Full description

Saved in:
Bibliographic Details
Published inCiencia Latina Revista Científica Multidisciplinar Vol. 8; no. 2; pp. 1617 - 1638
Main Authors Muñoz Muñoz, Emanuel Guillermo, Verduga Alcívar, Douglas Andrés, Yandri Francinet, Guerrero Alcívar, Lapo Palacios, Miguel Angel, Zorrilla Briones, Octavio
Format Journal Article
LanguageEnglish
Spanish
Published 23.04.2024
Subjects
clustering k
dimensionality reduction
machine learning
means
means clustering
reducción de dimensionalidad
road safety
seguridad vial
siniestros de tránsito
traffic crashes
Online AccessGet full text

Cover

More Information
Summary:Este estudio investiga la aplicación de técnicas de Machine Learning (ML), específicamente el algoritmo de clustering K-Means y la reducción de dimensionalidad mediante PCA, para identificar patrones en datos de siniestros de tránsito. Analizando un conjunto de datos que incluye 21,352 registros de siniestros, este trabajo clasifica los accidentes en cuatro clusters distintos, revelando diferencias significativas en las características de los siniestros relacionadas con la ubicación, hora del día, causas y condiciones ambientales. Los resultados destacan la complejidad de los factores que contribuyen a los siniestros de tránsito y subrayan la necesidad de intervenciones personalizadas para mejorar la seguridad vial. Este enfoque permite una comprensión más profunda de los patrones de siniestros, facilitando el desarrollo de políticas y estrategias de prevención más efectivas. Este estudio no solo amplía la literatura existente, ofreciendo una metodología analítica robusta para el análisis de datos de siniestros, sino que también proporciona orientación práctica para la implementación de intervenciones de seguridad vial dirigidas y basadas en evidencia. Recomendamos futuras investigaciones para incluir más variables, comparar diferentes modelos de ML y realizar estudios longitudinales que permitan evaluar la evolución de los patrones de siniestros y la efectividad de las políticas de seguridad vial implementadas.
ISSN:2707-2207
2707-2215
2707-2215
DOI:10.37811/cl_rcm.v8i2.10592