A bibliometric analysis and benchmark of machine learning and autoML in crash severity prediction: The case study of three Colombian cities

Los accidentes de tráfico son motivo de preocupación en todo el mundo, ya que son una de las principales causas de muerte a nivel mundial. Una de las políticas diseñadas para hacerles frente es el diseño y despliegue de sistemas de seguridad vial. de seguridad vial. Estos tienen como objetivo predecir los accidentes basándose en los registros históricos, proporcionados por las nuevas tecnologías del Internet de las Cosas (IoT), para mejorar la gestión del flujo de tráfico. (IoT), para mejorar la gestión del flujo de tráfico y promover carreteras más seguras. El aumento de los datos El aumento de la disponibilidad de datos ha ayudado al aprendizaje automático (ML) a abordar la predicción de colisiones y su gravedad. La literatura informa de numerosas contribuciones en relación con artículos de estudio, comparaciones experimentales de varias técnicas y el diseño de nuevos métodos en el punto en que la predicción de la gravedad de los accidentes (CSP) y el ML convergen. A pesar de estos avances, y por lo que sabemos, no existen artículos de investigación exhaustivos artículos de investigación que aborden de forma teórica y práctica el problema de la selección de modelos (MSP) en CSP. Por lo tanto, este artículo presenta un análisis bibliométrico y un punto de referencia experimental de ML y aprendizaje automático (AutoML) como un enfoque adecuado para abordar automáticamente el MSP en CSP.

• Autores: Maestre Góngora, Gina Paola; Angarita, Juan Sebastián; Fajardo Calderin, Jenny
• Tipo de recurso: Article of journal
• Fecha de publicación: 2021
• Institución: Universidad Cooperativa de Colombia
• Repositorio: Repositorio UCC
• OAI Identifier: oai:repository.ucc.edu.co:20.500.12494/44403
• Acceso en línea: https://doi.org/10.3390/s21248401; https://hdl.handle.net/20.500.12494/44403
• Palabra clave: Prediccion de accidentes; Aprendizaje supervisado; Aprendizaje de Maquina; Crash severity prediction; Supervised learning; Machine learning
• Rights: openAccess
• License: Atribución – Sin Derivar