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...
- 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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 |