Redes Neuronales Recurrentes Y Crisp-Dm En Análisis Y Predicción De Accidentes De Tránsito En Bucaramanga, Colombia.
DOI:
https://doi.org/10.61799/2216-0388.1716Palabras clave:
accidentes de tránsito, CRISP-DM, predicción, Redes Neuronales Recurrentes (RNN).Resumen
El trabajo tuvo como objetivo implementar redes neuronales recurrentes (RNN) utilizando la metodología CRISP-DM para analizar y predecir la gravedad, la frecuencia mensual y el número diario de involucrados en accidentes de tránsito en Bucaramanga, Colombia. Se utilizaron datos recopilados desde enero de 2012 hasta septiembre de 2023. La metodología CRISP-DM orientó todas las fases del proyecto, desde la comprensión del negocio y de los datos hasta el modelado y la evaluación. Los modelos RNN, incluyendo Many-to-One y LSTM (Long Short-Term Memory), demostraron una alta precisión en la clasificación de la gravedad de los accidentes y una precisión moderada en la regresión del número de accidentes e involucrados. Los resultados proporcionaron una herramienta valiosa para las autoridades de tránsito en la mejora de la seguridad vial. Estos hallazgos destacan la utilidad de las RNN y la metodología CRISP-DM en el análisis y predicción de accidentes de tránsito, ofreciendo una base sólida para decisiones informadas en la gestión de la seguridad vial.
Descargas
Referencias
[1] J. Cabrerizo, Manual para la investigacion y reconstrucción de las causas de accidentes de tráfico. Wolters Kluwer Espana, 2016. [Online]. Available: https://elibro.net/es/lc/biblioupc/titulos/55965
[2] M. Valencia-Cárdenas, J. A. Restrepo-Morales, and F. J. Día-Serna, “Big Data Analytics in the Agribusiness Supply Chain Management”, AiBi Revista de Investigación, Administración e Ingeniería, vol. 9, no. 3, pp. 32–42, Sep. 2021, doi: 10.15649/2346030X.2583 DOI: https://doi.org/10.15649/2346030X.2583
[3] J. Quintero, L. Orjuela, J. Gordillo y A. Sánchez-Quiñones, “Análisis de implementación del Big Data en empresas y en profesionales de Contaduría Pública en Colombia. Revista Temario Científico, 2 (1), pp.50-60, 2022. Doi: https://doi.org/10.47212/Alinin.1.2.5 DOI: https://doi.org/10.47212/rtcAlinin.1.2.5
[4] F. Alhaek, W. Liang, T. M. Rajeh, M. H. Javed, and T. Li, “Learning spatial patterns and temporal dependencies for traffic accident severity prediction: A deep learning approach,” Knowl Based Syst, vol. 286, p. 111406, 2024, doi: https://doi.org/10.1016/j.knosys.2024.111406. DOI: https://doi.org/10.1016/j.knosys.2024.111406
[5] J. Casas Roma, T. Lozano Bagén, and A. Bosch Rué, Deep Learning : Principios y Fundamentos. Barcelona, SPAIN: Editorial UOC, 2020. [Online]. Available: http://ebookcentral.proquest.com/lib/universidadviu/detail.action?docID=7025971
[6] J. A. Castilo Romero, Big data. IFCT128PO. IC Editorial, 2019. [Online]. Available: https://elibro.net/es/lc/biblioupc/titulos/124254
[7] X. Yin, G. Wu, J. Wei, Y. Shen, H. Qi, and B. Yin, “Deep Learning on Traffic Prediction: Methods, Analysis, and Future Directions,” IEEE Transactions on Intelligent Transportation Systems, vol. 23, no. 6, pp. 4927–4943, Jun. 2022, doi:10.1109/tits.2021.3054840 DOI: https://doi.org/10.1109/TITS.2021.3054840
[8] P. D. Smith, Hands-On Artificial Intelligence for Beginners : An Introduction to AI Concepts, Algorithms, and Their Implementation. Birmingham, United Kingdom: Packt Publishing, Limited, 2018. [Online]. Available: http://ebookcentral.proquest.com/lib/universidadviu/detail.action?docID=5607070
[9] G. Bonaccorso, A. Fandango & R. Shanmugamani, Python: Advanced Guide to Artificial Intelligence : Expert Machine Learning Systems and Intelligent Agents Using Python. Packt Publishing, Limited. http://ebookcentral.proquest.com/lib/universidadviu/detail.action?docID=5626921
[10] J. Casas Roma, T. Lozano Bagén, and A. Bosch Rué, Deep Learning: Principios y Fundamentos. Barcelona, SPAIN: Editorial UOC, 2020. [Online]. Available: http://ebookcentral.proquest.com/lib/universidadviu/detail.action?docID=7025971
[11] T. Zhang and Y. Zheng, Introduction to Machine Learning. Springer, 2020. doi: 10.1007/978-3-030-41804-7.
[12] Md. E. Shaik, Md. M. Islam, and Q. S. Hossain, “A review on neural network techniques for the prediction of road traffic accident severity,” Asian Transport Studies, vol. 7, p. 100040, 2021, doi: https://doi.org/10.1016/j.eastsj.2021.100040 DOI: https://doi.org/10.1016/j.eastsj.2021.100040
[13] Y. Zhang and Y. Sung, “Traffic Accident Detection Using Background Subtraction and CNN Encoder–Transformer Decoder in Video Frames,” Mathematics, vol. 11, no. 13, p. 2884, 2023, doi: https://doi.org/10.3390/math11132884 DOI: https://doi.org/10.3390/math11132884
[14] P. D. F, “An Overview of Different Deep Learning Techniques Used in Road Accident Detection,” International Journal of Advanced Computer Science and Applications, vol. 14, no. 11, 2023, doi: https://doi.org/10.14569/IJACSA.2023.0141144 DOI: https://doi.org/10.14569/IJACSA.2023.0141144
[15] A. Gandomi and M. Haider, “Beyond the hype: Big data concepts, methods, and analytics,” Int J Inf Manage, vol. 35, no. 2, pp. 137–144, 2015, doi:10.1016/j.ijinfomgt.2014.10.007 DOI: https://doi.org/10.1016/j.ijinfomgt.2014.10.007
[16] D.C. Rojas Nieves, Y.V. Chirinos Araque, N. Barbera, M.J. Nieves Álvarez “Empleados tóxicos hasta donde son una amenaza para las organizaciones”, Mundo Fesc, vol 13, no. 27, pp. 325-340, 2023. https://doi.org/10.61799/2216-0388.1490 DOI: https://doi.org/10.61799/2216-0388.1490
[17] M. Vergel-Ortega, Z. C. Nieto-Sánchez, C. S. Gómez-Vergel, “Predictores de innovación en programas de ingeniería y postgrado utilizando estrategias basadas en plataformas digitales,” Revista. UIS Ingeniería, vol. 20, no. 1, pp. 213-222, 2021, doi: 10.18273/revuin.v20n1-2021018 DOI: https://doi.org/10.18273/revuin.v20n1-2021018
[18] W. Y. Ayele, “Adapting CRISP-DM for Idea Mining: A Data Mining Process for Generating Ideas Using a Textual Dataset,” International Journal of Advanced Computer Science and Applications, vol. 11, no. 6, 2020, doi: https://doi.org/10.14569/IJACSA.2020.0110603 DOI: https://doi.org/10.14569/IJACSA.2020.0110603
[19] A. Géron, Hands-On Machine Learning with Scikit-Learn, Keras, and TensorFlow: Concepts, Tools, and Techniques to Build Intelligent Systems. Sebastopol: O’Reilly Media, 2019.
[20] A. So, T. V. Joseph, R. Thas John, A. Worsley, and S. Asare, The Data Science Workshop : A New, Interactive Approach to Learning Data Science. Birmingham, UNITED KINGDOM: Packt Publishing, Limited, 2020. [Online]. Available: http://ebookcentral.proquest.com/lib/universidadviu/detail.action?docID=6033288
[21] H. Wiemer, L. Drowatzky, and S. Ihlenfeldt, “Data Mining Methodology for Engineering Applications (DMME)—A Holistic Extension to the CRISP-DM Model,” Applied Sciences, vol. 9, no. 12, 2019, doi: https://doi.org/10.3390/app9122407 DOI: https://doi.org/10.3390/app9122407
[22] D. Berrar, “Cross-Validation,” in Encyclopedia of Bioinformatics and Computational Biology, Academic Press, 2018, pp. 542–545. doi:10.1016/B978-0-12-809633-8.20483-8 DOI: https://doi.org/10.1016/B978-0-12-809633-8.20349-X
[23] X. Zhang, C. Zhong, J. Zhang, T. Wang, and W. W. Y. Ng, “Robust recurrent neural networks for time series forecasting,” Neurocomputing, vol. 526, pp. 143–157, 2023, doi: https://doi.org/10.1016/j.neucom.2023.01.037 DOI: https://doi.org/10.1016/j.neucom.2023.01.037
[24] O. Colliot, Machine Learning for Brain Disorders. in Neuromethods, Vol. 197. New York, NY: Humana, 2023. [Online]. Available: https://doi.org/10.1007/978-1-0716-3195-9 DOI: https://doi.org/10.1007/978-1-0716-3195-9
[25] V. Plotnikova, M. Dumas, and F. P. Milani, “Applying the CRISP-DM data mining process in the financial services industry: Elicitation of adaptation requirements,” Data Knowl Eng, vol. 139, p. 102013, 2022, doi: https://doi.org/10.1016/j.datak.2022.102013 DOI: https://doi.org/10.1016/j.datak.2022.102013
Publicado
Número
Sección
Licencia
Derechos de autor 2025 Mundo FESC
Esta obra está bajo una licencia internacional Creative Commons Atribución-NoComercial 4.0.
