Please use this identifier to cite or link to this item: https://hdl.handle.net/11000/4536
Full metadata record
DC FieldValueLanguage
dc.contributor.advisorGil Aparicio, Arturo-
dc.contributor.advisorPérez Martín, Agustín-
dc.contributor.authorÚbeda González, David-
dc.contributor.otherDepartamentos de la UMH::Ingeniería de Sistemas y Automáticaes
dc.date.accessioned2018-02-19T09:02:32Z-
dc.date.available2018-02-19T09:02:32Z-
dc.date.created2017-09-15-
dc.date.issued2018-02-19-
dc.identifier.ismn590-
dc.identifier.urihttp://hdl.handle.net/11000/4536-
dc.description.abstractEn este trabajo se propone una nueva técnica de predicción, basada en dos modelos de clasificación y regresión, destinada a guiar al usuario en su comportamiento al volante a través de la dotación de inteligencia vial colectiva al vehículo y a los dispositivos que se usen en él. En base al análisis previo de las características que envuelven a los accidentes de tráfico y mediante sistemas que sean capaces de aprender de forma autónoma en base a nuevas incidencias, este trabajo será de posible aplicación para evitar situaciones futuras no deseadas. Se propone para ello un modelo probabilístico de clasificación que permite predecir la severidad de un accidente de tráfico para cada uno de los ocupantes de un vehículo, en caso de que éste ocurriera. A lo largo del documento se presentarán resultados comparando diferentes técnicas de selección de predictores de entre un gran conjunto de variables disponibles, que se aplican sobre un conjunto de datos masivos de accidentes de tráfico. Finalmente, el modelo de clasificación propuesto, basado conjuntamente en Random Forest y BayesGLM, permitirá inferir las relaciones entre accidentes y sus factores contribuyentes, con el fin de reconocer las causas que determinan los daños asociados a cada víctima, permitiendo así extraer información que puede resultar de suma importancia en la planificación de políticas de reducción de accidentes de tráfico válidas para los gobiernos, pero también y quizás más importante sea la posibilidad de dotar a los vehículos de inteligencia en seguridad vial para obtener rutas más seguras. Las aportaciones de este trabajo se han aplicado a dos casos prácticos con resultados muy satisfactorios. En ellos se estudió la predicción de daños a los ocupantes de los vehículos mediante el análisis de los accidentes de tráfico ocurridos durante los periodos de 2011 a 2015 en España y entre 2009 a 2014 en Reino Unido. En él se demuestra científicamente que el sistema es capaz de aprender a partir de una serie de datos recogidos sobre accidentes de tráfico y de encontrar tendencias en ellos estadísticamente demostrables y probables a través de escoger correctamente la información y clasificarla mediante técnicas basadas en la supervisión entre algoritmos de regresión o de clasificación.es
dc.description.abstractaccident for each of its occupants. The model is intended to provide a collective intelligence to the vehicle and also will be useful to improve the userâAès driving behavior. For this purpose, a probabilistic classification model is proposed that allows to predict the severity of a traffic accident based on a set of predictors that were involved in the collision. A massive dataset of accidents has been used to test the techniques presented in this study. Different approaches for reducing the number of features involved in each road accident are presented and tested. Based on the previous analysis of all the characteristics that involve traffic accidents and through autonomous systems that are able to learn from new incidents, this study will be of possible application to avoid future undesirable events. The model proposed is based on the Random Forest and BayesGLM algorithms and allow us to infer the relationships between accidents and their contributing factors, in order to recognize the causes that determine the physical damages associated to each victim, thus allowing us to extract information that can be of great importance when planning traffic policies by governments. In addition, another important applications involves the possibility of providing vehicles with the intelligence to choose safer routes, thus increasing the overall road safety. This work has been applied in two practical cases with very satisfactory results. On the one hand, the research includes the prediction of injuries to vehicle occupants by analyzing the traffic accidents that occurred from 2011 to 2015 in Spain and from 2009 to 2014 in the United Kingdom. The results presented demonstrate that the system is able to learn from a series of data collected on traffic accidents and to find trends in them that can be statistically demonstrable. The algorithm proposed is able to process the information and classify it by a supervised combination of regression and classification techniques.es
dc.formatapplication/pdfes
dc.format.extent379es
dc.language.isospaes
dc.rightsinfo:eu-repo/semantics/openAccesses
dc.subjectIngenieríaes
dc.subjectPredicción estadísticaes
dc.subjectAccidentes de tráficoes
dc.subject.otherCDU:6 - Ciencias aplicadas:62 - Ingeniería. Tecnologíaes
dc.subject.otherCDU::6 - Ciencias aplicadas:68 - Tecnología cibernética y automáticaes
dc.titlePredicción de la severidad de accidentes de tráfico en la Red de Carreteras de España y Reino Unido mediante modelos estadísticos basados en Random Forest y Regresión Logísticaes
dc.typeinfo:eu-repo/semantics/doctoralThesises
Appears in Collections:
Tesis doctorales - Ciencias e Ingenierías


Thumbnail

View/Open:
 TD Úbeda González, David.pdf
15 MB
Adobe PDF
Share:


Creative Commons ???jsp.display-item.text9???