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, s...

Full description

Autores:
Tejeda Gutiérrez, Manlio Josué
Calao Pérez, Juan Felipe
Hidalgo Corredor, Katherine
Tipo de recurso:
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.
Rights
License
Universidad del Norte
id REPOUNORT2_427d56eb09acff844bef34e8704c9054
oai_identifier_str oai:manglar.uninorte.edu.co:10584/9886
network_acronym_str REPOUNORT2
network_name_str Repositorio Uninorte
repository_id_str
dc.title.es_ES.fl_str_mv Estimación de probabilidad de accidentalidad en función de la hora en zonas de alto riesgo en Barranquilla usando técnicas de Machine Learning.
dc.title.en_US.fl_str_mv Estimation of probability of accident in time function in high-risk areas in Barranquilla using Machine Learning techniques.
title Estimación de probabilidad de accidentalidad en función de la hora en zonas de alto riesgo en Barranquilla usando técnicas de Machine Learning.
spellingShingle Estimación de probabilidad de accidentalidad en función de la hora en zonas de alto riesgo en Barranquilla usando técnicas de Machine Learning.
Estimación de Densidad del Kernel, Machine Learning, accidentalidad, accidentalidad en Barranquilla.
Kernel Density Estimation, Machine Learning, accident rate, accident rate in Barranquilla.
title_short Estimación de probabilidad de accidentalidad en función de la hora en zonas de alto riesgo en Barranquilla usando técnicas de Machine Learning.
title_full Estimación de probabilidad de accidentalidad en función de la hora en zonas de alto riesgo en Barranquilla usando técnicas de Machine Learning.
title_fullStr Estimación de probabilidad de accidentalidad en función de la hora en zonas de alto riesgo en Barranquilla usando técnicas de Machine Learning.
title_full_unstemmed Estimación de probabilidad de accidentalidad en función de la hora en zonas de alto riesgo en Barranquilla usando técnicas de Machine Learning.
title_sort Estimación de probabilidad de accidentalidad en función de la hora en zonas de alto riesgo en Barranquilla usando técnicas de Machine Learning.
dc.creator.fl_str_mv Tejeda Gutiérrez, Manlio Josué
Calao Pérez, Juan Felipe
Hidalgo Corredor, Katherine
dc.contributor.advisor.none.fl_str_mv Niño Ruiz, Elias David
dc.contributor.author.none.fl_str_mv Tejeda Gutiérrez, Manlio Josué
Calao Pérez, Juan Felipe
Hidalgo Corredor, Katherine
dc.subject.es_ES.fl_str_mv Estimación de Densidad del Kernel, Machine Learning, accidentalidad, accidentalidad en Barranquilla.
topic Estimación de Densidad del Kernel, Machine Learning, accidentalidad, accidentalidad en Barranquilla.
Kernel Density Estimation, Machine Learning, accident rate, accident rate in Barranquilla.
dc.subject.en_US.fl_str_mv Kernel Density Estimation, Machine Learning, accident rate, accident rate in Barranquilla.
description 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.
publishDate 2021
dc.date.accessioned.none.fl_str_mv 2021-12-01T21:48:53Z
dc.date.available.none.fl_str_mv 2021-12-01T21:48:53Z
dc.date.issued.none.fl_str_mv 2021-11-30
dc.type.es_ES.fl_str_mv article
dc.type.coar.fl_str_mv http://purl.org/coar/resource_type/c_6501
dc.identifier.uri.none.fl_str_mv http://hdl.handle.net/10584/9886
url http://hdl.handle.net/10584/9886
dc.language.iso.es_ES.fl_str_mv spa
language spa
dc.rights.es_ES.fl_str_mv Universidad del Norte
dc.rights.coar.fl_str_mv http://purl.org/coar/access_right/c_abf2
rights_invalid_str_mv Universidad del Norte
http://purl.org/coar/access_right/c_abf2
dc.publisher.es_ES.fl_str_mv Barranquilla, Universidad del Norte, 2021
institution Universidad del Norte
bitstream.url.fl_str_mv https://manglar.uninorte.edu.co/bitstream/10584/9886/3/license.txt
https://manglar.uninorte.edu.co/bitstream/10584/9886/1/arquitectura%20%281%29.png
https://manglar.uninorte.edu.co/bitstream/10584/9886/2/arquitectura.png
bitstream.checksum.fl_str_mv 8a4605be74aa9ea9d79846c1fba20a33
eb1b4ba7aeb69ecc026945c9209c95ac
8b07f3c507cc66379dc186cbd72d1dba
bitstream.checksumAlgorithm.fl_str_mv MD5
MD5
MD5
repository.name.fl_str_mv Repositorio Digital de la Universidad del Norte
repository.mail.fl_str_mv mauribe@uninorte.edu.co
_version_ 1812183098854473728
spelling Niño Ruiz, Elias DavidTejeda Gutiérrez, Manlio JosuéCalao Pérez, Juan FelipeHidalgo Corredor, Katherine2021-12-01T21:48:53Z2021-12-01T21:48:53Z2021-11-30http://hdl.handle.net/10584/9886La 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.The road accident rate in a city so great as Barranquilla is, it is a subject that needs attention for the consequences and affectations that this brings its inhabitants, that is why with the help of Kernel Density Estimation, a learning algorithm automated or machine learning, and PoweBi, was done an analysis and estimation of the probability of the accidents in the city depending on the hours of the day; this with the aim of being a starting point in the search for solutions to the problem and anticipate the users of which are the top 50 sites and at what time of the day there is a greater probability that a accident; an interactive page was built for this where users can find out about the routes with more risk of claims and be more careful in these sites. The results of this project show that the addresses with the highest probability of accidents It is found mainly on the main roads such as the ring road (110th street), 40th street (82nd career) and 30th street and, in terms of hours, it is more likely that a accident at 7 in the morning and at 2 in the afternoon. By Elsewhere in the analysis it was found that the amount accidents decreased notably in 2020 and 2021 due to the Covid-19 pandemic that caused that citizens were confined to their homes.spaBarranquilla, Universidad del Norte, 2021Universidad del Nortehttp://purl.org/coar/access_right/c_abf2Estimación de Densidad del Kernel, Machine Learning, accidentalidad, accidentalidad en Barranquilla.Kernel Density Estimation, Machine Learning, accident rate, accident rate in Barranquilla.Estimación de probabilidad de accidentalidad en función de la hora en zonas de alto riesgo en Barranquilla usando técnicas de Machine Learning.Estimation of probability of accident in time function in high-risk areas in Barranquilla using Machine Learning techniques.articlehttp://purl.org/coar/resource_type/c_6501LICENSElicense.txtlicense.txttext/plain; charset=utf-81748https://manglar.uninorte.edu.co/bitstream/10584/9886/3/license.txt8a4605be74aa9ea9d79846c1fba20a33MD53ORIGINALarquitectura (1).pngarquitectura (1).pngArquitectura lógica de la solución.image/png116390https://manglar.uninorte.edu.co/bitstream/10584/9886/1/arquitectura%20%281%29.pngeb1b4ba7aeb69ecc026945c9209c95acMD51arquitectura.pngarquitectura.pngLogical architecture of the solutionimage/png112920https://manglar.uninorte.edu.co/bitstream/10584/9886/2/arquitectura.png8b07f3c507cc66379dc186cbd72d1dbaMD5210584/9886oai:manglar.uninorte.edu.co:10584/98862021-12-01 16:48:53.761Repositorio Digital de la Universidad del Nortemauribe@uninorte.edu.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