Estimación de probabilidad de accidentalidad en función de la hora en zonas de alto riesgo en Barranquilla usando técnicas de Machine Learning.

La accidentalidad vial en una ciudad tan grande como es Barranquilla, es un tema que necesita atención por las consecuencias y afectaciones que esta trae a sus habitantes, es por ello que con ayuda de Kernel Density Estimation, un algoritmo de aprendizaje automatizado o machine learning, y PoweBi, se hizo un análisis y estimación de la probabilidad de los accidentes en la ciudad en función de las horas del día; esto con el objetivo de ser un punto de partida en la búsqueda de soluciones a la problemática y prever a los usuarios de cuales son los top 50 sitios y a que horas del día hay una mayor probabilidad de que ocurra un accidente; para ello se construyó una página interactiva donde los usuarios se podrán informar de las rutas con mas riesgo de siniestros y tener mayor cuidado en estos sitios. Los resultados de este proyecto demuestran que las direcciones con mayor probabilidades de accidentes se encuentra principalmente en las vías principales como la circunvalar(calle 110), vía 40 (carrera 82) y la calle 30 y, en cuanto a horas es mas probable que se presente un accidente a las 7 de la mañana y a las 2 de la tarde. Por otra parte en el análisis se pudo encontrar que la cantidad de accidentes disminuyó notablemente en los años 2020 y 2021 a causa de la pandemia del Covid-19 que provocó que los ciudadanos se mantuvieran confinados en sus casas.

• Autores: Tejeda Gutiérrez, Manlio Josué; Calao Pérez, Juan Felipe; Hidalgo Corredor, Katherine
• Fecha de publicación: 2021
• Institución: Universidad del Norte
• Repositorio: Repositorio Uninorte
• Idioma: spa
• OAI Identifier: oai:manglar.uninorte.edu.co:10584/9886
• Acceso en línea: http://hdl.handle.net/10584/9886
• Palabra clave: Estimación de Densidad del Kernel, Machine Learning, accidentalidad, accidentalidad en Barranquilla.; Kernel Density Estimation, Machine Learning, accident rate, accident rate in Barranquilla.
• License: Universidad del Norte