Análisis documental del uso de IA para apoyar la identificación y mitigación de riesgos de ser peatones en los accidentes de tránsito en la ciudad de Bucaramanga
A lo largo de los años, se ha evidenciado que, en los accidentes de tránsito, los peatones son frecuentemente los más afectados. Desde lesiones leves como fracturas y raspones, hasta la fatalidad, los peatones enfrentan riesgos considerables en las vías. Esta situación se debe, en gran medida, a la...
- Autores:
-
Carrillo Jerez, Aider Sebastián
- Tipo de recurso:
- Fecha de publicación:
- 2024
- Institución:
- Universidad Cooperativa de Colombia
- Repositorio:
- Repositorio UCC
- Idioma:
- spa
- OAI Identifier:
- oai:repository.ucc.edu.co:20.500.12494/56457
- Acceso en línea:
- https://hdl.handle.net/20.500.12494/56457
- Palabra clave:
- 000 - Ciencias de la computación, información y obras generales
I.A
Mitigación
Riesgos
Peatones
I.A
Mitigation
Risks
Pedestrians
- Rights
- openAccess
- License
- https://creativecommons.org/licenses/by-nc-nd/4.0/
| id |
COOPER2_6adf079e3cc4d84aa424310e0b19dfe5 |
|---|---|
| oai_identifier_str |
oai:repository.ucc.edu.co:20.500.12494/56457 |
| network_acronym_str |
COOPER2 |
| network_name_str |
Repositorio UCC |
| repository_id_str |
|
| dc.title.none.fl_str_mv |
Análisis documental del uso de IA para apoyar la identificación y mitigación de riesgos de ser peatones en los accidentes de tránsito en la ciudad de Bucaramanga |
| title |
Análisis documental del uso de IA para apoyar la identificación y mitigación de riesgos de ser peatones en los accidentes de tránsito en la ciudad de Bucaramanga |
| spellingShingle |
Análisis documental del uso de IA para apoyar la identificación y mitigación de riesgos de ser peatones en los accidentes de tránsito en la ciudad de Bucaramanga 000 - Ciencias de la computación, información y obras generales I.A Mitigación Riesgos Peatones I.A Mitigation Risks Pedestrians |
| title_short |
Análisis documental del uso de IA para apoyar la identificación y mitigación de riesgos de ser peatones en los accidentes de tránsito en la ciudad de Bucaramanga |
| title_full |
Análisis documental del uso de IA para apoyar la identificación y mitigación de riesgos de ser peatones en los accidentes de tránsito en la ciudad de Bucaramanga |
| title_fullStr |
Análisis documental del uso de IA para apoyar la identificación y mitigación de riesgos de ser peatones en los accidentes de tránsito en la ciudad de Bucaramanga |
| title_full_unstemmed |
Análisis documental del uso de IA para apoyar la identificación y mitigación de riesgos de ser peatones en los accidentes de tránsito en la ciudad de Bucaramanga |
| title_sort |
Análisis documental del uso de IA para apoyar la identificación y mitigación de riesgos de ser peatones en los accidentes de tránsito en la ciudad de Bucaramanga |
| dc.creator.fl_str_mv |
Carrillo Jerez, Aider Sebastián |
| dc.contributor.advisor.none.fl_str_mv |
Martínez, Andrea Cristina Arias Quintero, Pedro Alberto |
| dc.contributor.author.none.fl_str_mv |
Carrillo Jerez, Aider Sebastián |
| dc.subject.ddc.none.fl_str_mv |
000 - Ciencias de la computación, información y obras generales |
| topic |
000 - Ciencias de la computación, información y obras generales I.A Mitigación Riesgos Peatones I.A Mitigation Risks Pedestrians |
| dc.subject.proposal.spa.fl_str_mv |
I.A Mitigación Riesgos Peatones |
| dc.subject.proposal.eng.fl_str_mv |
I.A Mitigation Risks Pedestrians |
| description |
A lo largo de los años, se ha evidenciado que, en los accidentes de tránsito, los peatones son frecuentemente los más afectados. Desde lesiones leves como fracturas y raspones, hasta la fatalidad, los peatones enfrentan riesgos considerables en las vías. Esta situación se debe, en gran medida, a la falta de una educación vial adecuada. Los peatones, a menudo, no son conscientes de su rol como actores viales, lo que incrementa su vulnerabilidad y los pone en situaciones de riesgo que podrían evitarse con un mejor conocimiento y prácticas de seguridad vial. La educación vial para peatones es un componente crucial para la reducción de accidentes. Sin embargo, ha sido un aspecto tradicionalmente subestimado. La falta de programas educativos robustos y accesibles ha contribuido a que muchos peatones ignoren las normas básicas de seguridad vial. Este desconocimiento no solo pone en peligro sus vidas, sino que también incrementa la incidencia de siniestros viales. La recopilación de datos a lo largo de los años ha permitido identificar patrones y factores de riesgo, proporcionando una base para desarrollar estrategias de prevención más efectivas. En este contexto, la inteligencia artificial (IA) surge como una herramienta poderosa para abordar la problemática de los accidentes de tránsito que involucran a peatones. La IA tiene la capacidad de procesar grandes volúmenes de información de manera precisa y rápida, superando las limitaciones humanas en términos de tiempo y precisión. |
| publishDate |
2024 |
| dc.date.accessioned.none.fl_str_mv |
2024-07-22T20:59:34Z |
| dc.date.available.none.fl_str_mv |
2024-07-22T20:59:34Z |
| dc.date.issued.none.fl_str_mv |
2024-07-20 |
| dc.type.none.fl_str_mv |
Trabajo de grado - Maestría |
| dc.type.content.none.fl_str_mv |
Text |
| dc.type.driver.none.fl_str_mv |
info:eu-repo/semantics/masterThesis |
| dc.type.redcol.none.fl_str_mv |
http://purl.org/redcol/resource_type/TM |
| dc.type.version.none.fl_str_mv |
info:eu-repo/semantics/acceptedVersion |
| status_str |
acceptedVersion |
| dc.identifier.citation.none.fl_str_mv |
Carrillo Jerez, A. S. (2024). Análisis documental del uso de IA para apoyar la identificación y mitigación de riesgos de ser peatones en los accidentes de tránsito en la ciudad de Bucaramanga. [Tesis de posgrado, Universidad Cooperativa de Colombia] Repositorio Institucional Universidad Cooperativa de Colombia. https://hdl.handle.net/20.500.12494/56457 |
| dc.identifier.uri.none.fl_str_mv |
https://hdl.handle.net/20.500.12494/56457 |
| identifier_str_mv |
Carrillo Jerez, A. S. (2024). Análisis documental del uso de IA para apoyar la identificación y mitigación de riesgos de ser peatones en los accidentes de tránsito en la ciudad de Bucaramanga. [Tesis de posgrado, Universidad Cooperativa de Colombia] Repositorio Institucional Universidad Cooperativa de Colombia. https://hdl.handle.net/20.500.12494/56457 |
| url |
https://hdl.handle.net/20.500.12494/56457 |
| dc.language.iso.none.fl_str_mv |
spa |
| language |
spa |
| dc.relation.references.none.fl_str_mv |
Banco Interamericano de Desarrollo (BID). (2019). Estudio comparativo sobre educación vial en América Latina. Chen, X., & Zhang, Y. (2017). A deep learning approach to predict traffic accidents based on big data. IEEE Access, 5, 12968-12976. Chen, X., Zhang, Y., & Wang, H. (2021). A novel approach for real-time crash prediction using LSTM network. Accident Analysis & Prevention, 147, 105743. Dandona, R., Kumar, G. A., Ameer, M. A., Ahmed, G. M., & Dandona, L. (2008). Desigualdades en seguridad vial por fallecimientos en peatones. Revista de Seguridad Vial, 3(2), 123-145. Dextre, J. (2020). Efectos de un programa de educación vial, tránsito y movilidad sobre actitudes y conocimientos de escolares de Barranquilla Elvik, R., & Vaa, T. (2004). The handbook of road safety measures. Elsevier. Fagnant, D. J., & Kockelman, K. (2015). Preparing a nation for autonomous vehicles: opportunities, barriers and policy recommendations. Transportation Research Part A: Policy and Practice, 77, 167-181. Fernández, L., Ávila, M., & Milanés, V. (2017). Medidas preventivas en educación vial. Revista de Psicología y Educación, 9(1), 25-39. Gilster, P. (1997). Educación vial en la era digital: cultura vial y educación permanente. Redalyc. Gómez, M., Ayala, S., & Campos, J. (2018). Factores de accidentalidad en peatones. Revista de Estudios de Seguridad Vial, 5(3), 98-112. Goodall, N. J. (2014). Machine ethics and automated vehicles. In Road Vehicle Automation (pp. 93-102). Springer. González, R. M., Blanco, L., & Estevez, E. (2015). Intelligent transportation systems in vehicular networks: Characteristics and challenges. Intelligent Transportation Systems Magazine, IEEE, 7(2), 26-36. Guo, W., & Abdel-Aty, M. (2018). Using convolutional neural networks for real-time crash prediction at signalized intersections. Accident Analysis & Prevention, 111, 236-243. Guo, W., & Abdel-Aty, M. (2018). Using convolutional neural networks for real-time crash prediction at signalized intersections. Accident Analysis & Prevention, 111, 236-243. Hussain, I., Abdel-Aty, M., Zhai, C., & Lee, J. (2019). Predicting real-time safety for freeway traffic operations using connected vehicles and recurrent neural networks. Journal of Intelligent Transportation Systems, 23(3), 197-207. Kim, J., Park, K., & Lee, S. (2021). Prediction of traffic accidents using a hybrid machine learning model. Safety Science, 135, 105132. Li, H., & Ding, Y. (2018). A data-driven approach for real-time crash prediction on urban roads. Accident Analysis & Prevention, 123, 76-88. Levinson, J., Askeland, J., Becker, J., Dolson, J., Held, D., Kammel, S., ... & Thrun, S. (2011). Towards fully autonomous driving: Systems and algorithms. In Intelligent Vehicles Symposium (IV), 2011 IEEE (pp. 163-168). IEEE. Liu, P., Gao, X., & Zhan, X. (2023). Crash frequency prediction using machine learning methods: A comprehensive study. Transportation Research Part C: Emerging Technologies, 144, 103937. Li, J., Wang, X., & Wu, W. (2017). Predicting traffic accident risk using deep learning models. IEEE Transactions on Intelligent Transportation Systems, 18(11), 3152-3160. Li, J., Wang, H., & Sun, Y. (2021). Dynamic crash prediction on urban expressways: A deep learning approach. IEEE Transactions on Intelligent Transportation Systems, 22(12), 7896-7905. Lin, P. S., Yu, R., & Tsai, Y. C. (2018). Development of real-time pedestrian collision prediction models using traffic data. Accident Analysis & Prevention, 121, 216-226. Liu, Y., Zhao, Y., & Quddus, M. (2020). Predicting crash frequency using advanced machine learning methods: A comparative analysis. Transportation Research Part C: Emerging Technologies, 114, 435-452. Ma, X., Wang, Y., & Zhao, X. (2020). Crash risk prediction on urban roads using a deep learning model. Accident Analysis & Prevention, 141, 105503. Moyano, S., Jucksch, D., & Bianchi, A. (2014). Intervenciones efectivas en educación vial. Revista de Psicología Aplicada, 6(2), 45-60. Observatorio Nacional de Seguridad Vial. (2022). Eficacia de campañas de educación vial en zonas escolares en Bogotá. Onishi, K., et al. (2005). Factores de riesgo en atropellos a peatones. Journal of Traffic Injury Prevention, 12(4), 300-312. Organización Mundial de la Salud (OMS). (2018). Global status report on road safety 2018. Geneva: World Health Organization. Peden, M., Scurfield, R., Sleet, D., Mohan, D., Hyder, A. A., Jarawan, E., & Mathers, C. (2004). World report on road traffic injury prevention. World Health Organization. Prieto, F., Meriño, M., & González, J. (2020). Efectos de un programa de educación vial, tránsito y movilidad sobre actitudes y conocimientos de escolares de Barranquilla (Colombia). Revista Latinoamericana de Psicología Educativa, 18(3), 203-220. Rodríguez, M., & Campuzano, A. (2022). Desigualdades en seguridad vial por fallecimientos en peatones. Rudin-Brown, C. M., & Jamson, S. L. (Eds.). (2013). Behavioural adaptation and road safety: Theory, evidence and action. CRC Press. Secretaría de Salud. (2015). Programa de acción específico sobre seguridad vial 2013-2018. Ministerio de Salud y Protección Social. Secretaría Distrital de Movilidad de Bogotá. (2020). Conciencia y comportamiento vial de los peatones en Bogotá. Universidad del Valle. (2023). Evaluación de programas de educación vial en Cali. Universidad Nacional de Colombia, Sede Medellín. (2021). Investigación sobre la educación vial en Medellín. Wang, H., & Liu, Y. (2017). Using machine learning models to predict crash risk on urban expressways. Accident Analysis & Prevention, 103, 34-43. Wang, H., Liu, X., & Zhang, J. (2021). Real-time crash risk prediction based on a deep learning model. Accident Analysis & Prevention, 149, 105870. Wang, X., & Jiang, H. (2019). Machine learning approaches for traffic accident prediction: A comparative study. Journal of Advanced Transportation, 2019, 1-12. Wu, W., Qin, X., & Zhan, X. (2019). Citywide traffic accident risk prediction using a deep learning model. IEEE Transactions on Intelligent Transportation Systems, 21(6), 2384-2397. Wu, W., & Zhan, X. (2017). A spatiotemporal deep learning approach to predict citywide traffic accident risk. IEEE Transactions on Intelligent Transportation Systems, 18(6), 1470-1480. Wu, W., & Zhang, Y. (2020). Spatiotemporal prediction of traffic accidents using a deep learning approach. IEEE Access, 8, 115426-115435. Wu, Y., Chen, X., & Wang, Y. (2022). An ensemble learning approach for predicting traffic accident risk using big data. Accident Analysis & Prevention, 160, 106335. Xu, C., Wang, X., & Liu, Y. (2019). A deep learning approach to predict traffic crash risk using big data. Accident Analysis & Prevention, 127, 128-137. Yu, R., & Liu, X. (2019). Developing a real-time crash prediction model using machine learning methods. Accident Analysis & Prevention, 134, 105319. Zhang, X., & Pradhan, A. K. (2018). An analysis of driving behaviors using a hidden Markov model for car-following scenarios. Accident Analysis & Prevention, 120, 24-32. Zhao, X., Wang, H., & Zhu, M. (2017). Real-time traffic crash prediction using machine learning techniques. Safety Science, 106, 21-27. Zhao, X., Zhang, Y., & Xu, Y. (2019). Real-time traffic crash prediction based on a hybrid model. IEEE Access, 7, 14278-14285. Zhao, X., Wang, H., & Zhu, M. (2020). A comprehensive model for crash risk prediction on urban roads using deep learning. Journal of Safety Research, 75, 93-102. Zhao, X., & Chen, X. (2020). An LSTM network based model for real-time crash prediction using traffic data. Accident Analysis & Prevention, 138, 105427. Zhu, X., Zheng, Z., & Jiang, S. (2023). A deep learning approach for real-time prediction of crash risk using trajectory data. Accident Analysis & Prevention, 174, 106765. Zhang, Y., & Xu, Y. (2020). Real-time traffic crash prediction using a hybrid model. Safety Science, 123, 104555. Zhang, Y., Yu, R., & Xu, Y. (2022). Real-time traffic accident prediction using advanced machine learning techniques. Safety Science, 146, 105550. Zhu, X., Wang, H., & Jiang, S. (2018). A deep learning approach to predict traffic accidents based on real-time data. Journal of Traffic and Transportation Engineering (English Edition), 5(6), 511-518. |
| dc.rights.uri.none.fl_str_mv |
https://creativecommons.org/licenses/by-nc-nd/4.0/ |
| dc.rights.accessrights.none.fl_str_mv |
info:eu-repo/semantics/openAccess |
| dc.rights.creativecommons.none.fl_str_mv |
Attribution-NonCommercial-NoDerivatives 4.0 International |
| dc.rights.coar.none.fl_str_mv |
http://purl.org/coar/access_right/c_abf2 |
| rights_invalid_str_mv |
https://creativecommons.org/licenses/by-nc-nd/4.0/ Attribution-NonCommercial-NoDerivatives 4.0 International http://purl.org/coar/access_right/c_abf2 |
| eu_rights_str_mv |
openAccess |
| dc.format.extent.none.fl_str_mv |
43 p. |
| dc.format.mimetype.none.fl_str_mv |
application/pdf |
| dc.publisher.none.fl_str_mv |
Universidad Cooperativa de Colombia, Facultad de Ingenierías, Maestría en Gestión de Tecnologías de Información, Bucaramanga |
| dc.publisher.program.none.fl_str_mv |
Maestría en Gestión de Tecnologías de la Información |
| dc.publisher.faculty.none.fl_str_mv |
Ingenierías |
| dc.publisher.place.none.fl_str_mv |
Bucaramanga |
| dc.publisher.branch.none.fl_str_mv |
Bucaramanga |
| publisher.none.fl_str_mv |
Universidad Cooperativa de Colombia, Facultad de Ingenierías, Maestría en Gestión de Tecnologías de Información, Bucaramanga |
| institution |
Universidad Cooperativa de Colombia |
| bitstream.url.fl_str_mv |
https://repository.ucc.edu.co/bitstreams/20d7e00a-bef8-413d-9e5b-54f7bf1f05d0/download https://repository.ucc.edu.co/bitstreams/27ba0d3d-dad4-4371-baf9-330987c40a7c/download https://repository.ucc.edu.co/bitstreams/7e7b3e1d-fc56-4d18-ac9b-e8fa49e5091a/download https://repository.ucc.edu.co/bitstreams/c279122c-278e-4b9d-8dbf-c2041e1aabd8/download https://repository.ucc.edu.co/bitstreams/f82b9990-00dc-45c8-b111-f400c103e86e/download https://repository.ucc.edu.co/bitstreams/10209f13-b2cc-4411-8a54-aa94b6c0ea30/download https://repository.ucc.edu.co/bitstreams/bc0328ff-854b-4074-97b3-682f50f4bf13/download https://repository.ucc.edu.co/bitstreams/c4f0a122-3ca3-4617-a5ef-4bf292953ecb/download https://repository.ucc.edu.co/bitstreams/a8957587-5376-40f3-a47b-008480dfa840/download https://repository.ucc.edu.co/bitstreams/b83d2dd8-4c04-4ce0-8911-9423fdf00e96/download https://repository.ucc.edu.co/bitstreams/b9312853-f97f-40ee-80aa-70b7c9bd72ea/download |
| bitstream.checksum.fl_str_mv |
4460e5956bc1d1639be9ae6146a50347 db524a855314ed754138def798fd5d23 cf42338c5dba593c975fb1042c3624bc 2a3f2e5324834cd266fa754ccb35d3a0 3bce4f7ab09dfc588f126e1e36e98a45 0d0a0fa0d75e8920fdecc75dccc16134 32c62281a4677aef2e47c91195b7eb4f a3f82a29e7d6980894be17e821003457 5247229aec28a01f55ef9a743a5d2e68 5be3c229720f0733dabefa870cfc05a2 d27e01eb72727b514d40a4b5855b2b54 |
| bitstream.checksumAlgorithm.fl_str_mv |
MD5 MD5 MD5 MD5 MD5 MD5 MD5 MD5 MD5 MD5 MD5 |
| repository.name.fl_str_mv |
Repositorio Institucional Universidad Cooperativa de Colombia |
| repository.mail.fl_str_mv |
bdigital@metabiblioteca.com |
| _version_ |
1814247114993041408 |
| spelling |
Martínez, Andrea CristinaArias Quintero, Pedro AlbertoCarrillo Jerez, Aider Sebastián2024-07-22T20:59:34Z2024-07-22T20:59:34Z2024-07-20Carrillo Jerez, A. S. (2024). Análisis documental del uso de IA para apoyar la identificación y mitigación de riesgos de ser peatones en los accidentes de tránsito en la ciudad de Bucaramanga. [Tesis de posgrado, Universidad Cooperativa de Colombia] Repositorio Institucional Universidad Cooperativa de Colombia. https://hdl.handle.net/20.500.12494/56457https://hdl.handle.net/20.500.12494/56457A lo largo de los años, se ha evidenciado que, en los accidentes de tránsito, los peatones son frecuentemente los más afectados. Desde lesiones leves como fracturas y raspones, hasta la fatalidad, los peatones enfrentan riesgos considerables en las vías. Esta situación se debe, en gran medida, a la falta de una educación vial adecuada. Los peatones, a menudo, no son conscientes de su rol como actores viales, lo que incrementa su vulnerabilidad y los pone en situaciones de riesgo que podrían evitarse con un mejor conocimiento y prácticas de seguridad vial. La educación vial para peatones es un componente crucial para la reducción de accidentes. Sin embargo, ha sido un aspecto tradicionalmente subestimado. La falta de programas educativos robustos y accesibles ha contribuido a que muchos peatones ignoren las normas básicas de seguridad vial. Este desconocimiento no solo pone en peligro sus vidas, sino que también incrementa la incidencia de siniestros viales. La recopilación de datos a lo largo de los años ha permitido identificar patrones y factores de riesgo, proporcionando una base para desarrollar estrategias de prevención más efectivas. En este contexto, la inteligencia artificial (IA) surge como una herramienta poderosa para abordar la problemática de los accidentes de tránsito que involucran a peatones. La IA tiene la capacidad de procesar grandes volúmenes de información de manera precisa y rápida, superando las limitaciones humanas en términos de tiempo y precisión.Over the years, it has become evident that, in traffic accidents, pedestrians are often the most affected. From minor injuries such as fractures and scrapes to fatalities, pedestrians face considerable risks on the roads. This situation is largely due to the lack of adequate road safety education. Pedestrians are often unaware of their role as road actors, which increases their vulnerability and puts them in risky situations that could be avoided with better knowledge and road safety practices. Pedestrian road safety education is a crucial component of accident reduction. However, it has been a traditionally underestimated aspect. The lack of robust and accessible educational programs has contributed to many pedestrians ignoring basic road safety rules. This lack of knowledge not only endangers their lives, but also increases the incidence of road accidents. Data collection over the years has identified patterns and risk factors, providing a basis for developing more effective prevention strategies. In this context, artificial intelligence (AI) emerges as a powerful tool to address the problem of traffic accidents involving pedestrians. AI has the ability to process large volumes of information accurately and quickly, surpassing human limitations in terms of time and accuracy.Introducción -- Planteamiento del Problema -- Justificación -- Objetivos -- Marco teórico -- Estado del Arte -- Marco conceptual -- Metodología -- Resultados -- Conclusiones -- Discusión -- Referentes bibliográficos --MaestríaIngeniero de Sistemas43 p.application/pdfspaUniversidad Cooperativa de Colombia, Facultad de Ingenierías, Maestría en Gestión de Tecnologías de Información, BucaramangaMaestría en Gestión de Tecnologías de la InformaciónIngenieríasBucaramangaBucaramangahttps://creativecommons.org/licenses/by-nc-nd/4.0/info:eu-repo/semantics/openAccessAttribution-NonCommercial-NoDerivatives 4.0 Internationalhttp://purl.org/coar/access_right/c_abf2000 - Ciencias de la computación, información y obras generalesI.AMitigaciónRiesgosPeatonesI.AMitigationRisksPedestriansAnálisis documental del uso de IA para apoyar la identificación y mitigación de riesgos de ser peatones en los accidentes de tránsito en la ciudad de BucaramangaTrabajo de grado - MaestríaTextinfo:eu-repo/semantics/masterThesishttp://purl.org/redcol/resource_type/TMinfo:eu-repo/semantics/acceptedVersionBanco Interamericano de Desarrollo (BID). (2019). Estudio comparativo sobre educación vial en América Latina.Chen, X., & Zhang, Y. (2017). A deep learning approach to predict traffic accidents based on big data. IEEE Access, 5, 12968-12976.Chen, X., Zhang, Y., & Wang, H. (2021). A novel approach for real-time crash prediction using LSTM network. Accident Analysis & Prevention, 147, 105743.Dandona, R., Kumar, G. A., Ameer, M. A., Ahmed, G. M., & Dandona, L. (2008). Desigualdades en seguridad vial por fallecimientos en peatones. Revista de Seguridad Vial, 3(2), 123-145.Dextre, J. (2020). Efectos de un programa de educación vial, tránsito y movilidad sobre actitudes y conocimientos de escolares de BarranquillaElvik, R., & Vaa, T. (2004). The handbook of road safety measures. Elsevier.Fagnant, D. J., & Kockelman, K. (2015). Preparing a nation for autonomous vehicles: opportunities, barriers and policy recommendations. Transportation Research Part A: Policy and Practice, 77, 167-181.Fernández, L., Ávila, M., & Milanés, V. (2017). Medidas preventivas en educación vial. Revista de Psicología y Educación, 9(1), 25-39.Gilster, P. (1997). Educación vial en la era digital: cultura vial y educación permanente. Redalyc.Gómez, M., Ayala, S., & Campos, J. (2018). Factores de accidentalidad en peatones. Revista de Estudios de Seguridad Vial, 5(3), 98-112.Goodall, N. J. (2014). Machine ethics and automated vehicles. In Road Vehicle Automation (pp. 93-102). Springer.González, R. M., Blanco, L., & Estevez, E. (2015). Intelligent transportation systems in vehicular networks: Characteristics and challenges. Intelligent Transportation Systems Magazine, IEEE, 7(2), 26-36.Guo, W., & Abdel-Aty, M. (2018). Using convolutional neural networks for real-time crash prediction at signalized intersections. Accident Analysis & Prevention, 111, 236-243.Guo, W., & Abdel-Aty, M. (2018). Using convolutional neural networks for real-time crash prediction at signalized intersections. Accident Analysis & Prevention, 111, 236-243.Hussain, I., Abdel-Aty, M., Zhai, C., & Lee, J. (2019). Predicting real-time safety for freeway traffic operations using connected vehicles and recurrent neural networks. Journal of Intelligent Transportation Systems, 23(3), 197-207.Kim, J., Park, K., & Lee, S. (2021). Prediction of traffic accidents using a hybrid machine learning model. Safety Science, 135, 105132.Li, H., & Ding, Y. (2018). A data-driven approach for real-time crash prediction on urban roads. Accident Analysis & Prevention, 123, 76-88.Levinson, J., Askeland, J., Becker, J., Dolson, J., Held, D., Kammel, S., ... & Thrun, S. (2011). Towards fully autonomous driving: Systems and algorithms. In Intelligent Vehicles Symposium (IV), 2011 IEEE (pp. 163-168). IEEE.Liu, P., Gao, X., & Zhan, X. (2023). Crash frequency prediction using machine learning methods: A comprehensive study. Transportation Research Part C: Emerging Technologies, 144, 103937.Li, J., Wang, X., & Wu, W. (2017). Predicting traffic accident risk using deep learning models. IEEE Transactions on Intelligent Transportation Systems, 18(11), 3152-3160.Li, J., Wang, H., & Sun, Y. (2021). Dynamic crash prediction on urban expressways: A deep learning approach. IEEE Transactions on Intelligent Transportation Systems, 22(12), 7896-7905.Lin, P. S., Yu, R., & Tsai, Y. C. (2018). Development of real-time pedestrian collision prediction models using traffic data. Accident Analysis & Prevention, 121, 216-226.Liu, Y., Zhao, Y., & Quddus, M. (2020). Predicting crash frequency using advanced machine learning methods: A comparative analysis. Transportation Research Part C: Emerging Technologies, 114, 435-452.Ma, X., Wang, Y., & Zhao, X. (2020). Crash risk prediction on urban roads using a deep learning model. Accident Analysis & Prevention, 141, 105503.Moyano, S., Jucksch, D., & Bianchi, A. (2014). Intervenciones efectivas en educación vial. Revista de Psicología Aplicada, 6(2), 45-60.Observatorio Nacional de Seguridad Vial. (2022). Eficacia de campañas de educación vial en zonas escolares en Bogotá.Onishi, K., et al. (2005). Factores de riesgo en atropellos a peatones. Journal of Traffic Injury Prevention, 12(4), 300-312.Organización Mundial de la Salud (OMS). (2018). Global status report on road safety 2018. Geneva: World Health Organization.Peden, M., Scurfield, R., Sleet, D., Mohan, D., Hyder, A. A., Jarawan, E., & Mathers, C. (2004). World report on road traffic injury prevention. World Health Organization.Prieto, F., Meriño, M., & González, J. (2020). Efectos de un programa de educación vial, tránsito y movilidad sobre actitudes y conocimientos de escolares de Barranquilla (Colombia). Revista Latinoamericana de Psicología Educativa, 18(3), 203-220.Rodríguez, M., & Campuzano, A. (2022). Desigualdades en seguridad vial por fallecimientos en peatones.Rudin-Brown, C. M., & Jamson, S. L. (Eds.). (2013). Behavioural adaptation and road safety: Theory, evidence and action. CRC Press.Secretaría de Salud. (2015). Programa de acción específico sobre seguridad vial 2013-2018. Ministerio de Salud y Protección Social.Secretaría Distrital de Movilidad de Bogotá. (2020). Conciencia y comportamiento vial de los peatones en Bogotá.Universidad del Valle. (2023). Evaluación de programas de educación vial en Cali.Universidad Nacional de Colombia, Sede Medellín. (2021). Investigación sobre la educación vial en Medellín.Wang, H., & Liu, Y. (2017). Using machine learning models to predict crash risk on urban expressways. Accident Analysis & Prevention, 103, 34-43.Wang, H., Liu, X., & Zhang, J. (2021). Real-time crash risk prediction based on a deep learning model. Accident Analysis & Prevention, 149, 105870.Wang, X., & Jiang, H. (2019). Machine learning approaches for traffic accident prediction: A comparative study. Journal of Advanced Transportation, 2019, 1-12.Wu, W., Qin, X., & Zhan, X. (2019). Citywide traffic accident risk prediction using a deep learning model. IEEE Transactions on Intelligent Transportation Systems, 21(6), 2384-2397.Wu, W., & Zhan, X. (2017). A spatiotemporal deep learning approach to predict citywide traffic accident risk. IEEE Transactions on Intelligent Transportation Systems, 18(6), 1470-1480.Wu, W., & Zhang, Y. (2020). Spatiotemporal prediction of traffic accidents using a deep learning approach. IEEE Access, 8, 115426-115435.Wu, Y., Chen, X., & Wang, Y. (2022). An ensemble learning approach for predicting traffic accident risk using big data. Accident Analysis & Prevention, 160, 106335.Xu, C., Wang, X., & Liu, Y. (2019). A deep learning approach to predict traffic crash risk using big data. Accident Analysis & Prevention, 127, 128-137.Yu, R., & Liu, X. (2019). Developing a real-time crash prediction model using machine learning methods. Accident Analysis & Prevention, 134, 105319.Zhang, X., & Pradhan, A. K. (2018). An analysis of driving behaviors using a hidden Markov model for car-following scenarios. Accident Analysis & Prevention, 120, 24-32.Zhao, X., Wang, H., & Zhu, M. (2017). Real-time traffic crash prediction using machine learning techniques. Safety Science, 106, 21-27.Zhao, X., Zhang, Y., & Xu, Y. (2019). Real-time traffic crash prediction based on a hybrid model. IEEE Access, 7, 14278-14285.Zhao, X., Wang, H., & Zhu, M. (2020). A comprehensive model for crash risk prediction on urban roads using deep learning. Journal of Safety Research, 75, 93-102.Zhao, X., & Chen, X. (2020). An LSTM network based model for real-time crash prediction using traffic data. Accident Analysis & Prevention, 138, 105427.Zhu, X., Zheng, Z., & Jiang, S. (2023). A deep learning approach for real-time prediction of crash risk using trajectory data. Accident Analysis & Prevention, 174, 106765.Zhang, Y., & Xu, Y. (2020). Real-time traffic crash prediction using a hybrid model. Safety Science, 123, 104555.Zhang, Y., Yu, R., & Xu, Y. (2022). Real-time traffic accident prediction using advanced machine learning techniques. Safety Science, 146, 105550.Zhu, X., Wang, H., & Jiang, S. (2018). A deep learning approach to predict traffic accidents based on real-time data. Journal of Traffic and Transportation Engineering (English Edition), 5(6), 511-518.PublicationCC-LICENSElicense_rdflicense_rdfapplication/rdf+xml; charset=utf-8805https://repository.ucc.edu.co/bitstreams/20d7e00a-bef8-413d-9e5b-54f7bf1f05d0/download4460e5956bc1d1639be9ae6146a50347MD53ORIGINAL2024_Trabajo_Grado.pdf2024_Trabajo_Grado.pdfapplication/pdf769091https://repository.ucc.edu.co/bitstreams/27ba0d3d-dad4-4371-baf9-330987c40a7c/downloaddb524a855314ed754138def798fd5d23MD562024_Licencia_Uso.pdf2024_Licencia_Uso.pdfapplication/pdf198746https://repository.ucc.edu.co/bitstreams/7e7b3e1d-fc56-4d18-ac9b-e8fa49e5091a/downloadcf42338c5dba593c975fb1042c3624bcMD552024_Acta_Sustentacion.pdf2024_Acta_Sustentacion.pdfapplication/pdf137551https://repository.ucc.edu.co/bitstreams/c279122c-278e-4b9d-8dbf-c2041e1aabd8/download2a3f2e5324834cd266fa754ccb35d3a0MD52LICENSElicense.txtlicense.txttext/plain; charset=utf-84334https://repository.ucc.edu.co/bitstreams/f82b9990-00dc-45c8-b111-f400c103e86e/download3bce4f7ab09dfc588f126e1e36e98a45MD54TEXT2024_Trabajo_Grado.pdf.txt2024_Trabajo_Grado.pdf.txtExtracted texttext/plain78663https://repository.ucc.edu.co/bitstreams/10209f13-b2cc-4411-8a54-aa94b6c0ea30/download0d0a0fa0d75e8920fdecc75dccc16134MD572024_Licencia_Uso.pdf.txt2024_Licencia_Uso.pdf.txtExtracted texttext/plain5938https://repository.ucc.edu.co/bitstreams/bc0328ff-854b-4074-97b3-682f50f4bf13/download32c62281a4677aef2e47c91195b7eb4fMD592024_Acta_Sustentacion.pdf.txt2024_Acta_Sustentacion.pdf.txtExtracted texttext/plain2141https://repository.ucc.edu.co/bitstreams/c4f0a122-3ca3-4617-a5ef-4bf292953ecb/downloada3f82a29e7d6980894be17e821003457MD511THUMBNAIL2024_Trabajo_Grado.pdf.jpg2024_Trabajo_Grado.pdf.jpgGenerated Thumbnailimage/jpeg8385https://repository.ucc.edu.co/bitstreams/a8957587-5376-40f3-a47b-008480dfa840/download5247229aec28a01f55ef9a743a5d2e68MD582024_Licencia_Uso.pdf.jpg2024_Licencia_Uso.pdf.jpgGenerated Thumbnailimage/jpeg12602https://repository.ucc.edu.co/bitstreams/b83d2dd8-4c04-4ce0-8911-9423fdf00e96/download5be3c229720f0733dabefa870cfc05a2MD5102024_Acta_Sustentacion.pdf.jpg2024_Acta_Sustentacion.pdf.jpgGenerated Thumbnailimage/jpeg12389https://repository.ucc.edu.co/bitstreams/b9312853-f97f-40ee-80aa-70b7c9bd72ea/downloadd27e01eb72727b514d40a4b5855b2b54MD51220.500.12494/56457oai:repository.ucc.edu.co:20.500.12494/564572024-07-23 03:07:51.879https://creativecommons.org/licenses/by-nc-nd/4.0/Attribution-NonCommercial-NoDerivatives 4.0 Internationalopen.accesshttps://repository.ucc.edu.coRepositorio Institucional Universidad Cooperativa de Colombiabdigital@metabiblioteca.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 |