%0 Journal Article 
%A Martinez Bielostotzky, Daniel Alexander
%A Rueda Iglesias, Andrés Felipe
%T Análisis y predicción de accidentes de tránsito en Barranquilla mediante técnicas de minería de datos


%U http://hdl.handle.net/10584/8445
%X En Colombia, específicamente en el departamento del Atlántico, los datos preliminares procesados por el Observatorio Nacional de Seguridad Vial (ONSV) con base en los registros proporcionados por el Instituto Nacional de Medicina Legal y Ciencias Forenses (INMLCF) revelan que la cantidad de accidentes de tránsito han mantenido un comportamiento constante desde el 2012. Esto refleja una necesidad clara de descubrir, comprender y analizar los patrones de la frecuencia de estos accidentes en el tiempo.

La solución software tipo data mining propuesta para afrontar esta problemática de gestión, gobierno y minería de datos es la creación de una plataforma DSaaP (Data Science as a Platform). Ésta brinda un conjunto de tableros de mando con análisis y predicciones de la frecuencia de accidentes en la ciudad. Partiendo de datos abiertos públicos (sobre vehículos, víctimas y momento del accidente) se entrega la información de forma específica a cada rol de usuario asignado por un administrador. El proceso de minería de datos se desarrolló usando la metodología CRISP-DM y su salida son los tableros de mando para la plataforma software con la que los usuarios interactúan.

Los resultados del proyecto permitieron reportar satisfactoriamente los patrones históricos en el comportamiento de los accidentes. Estos tienen frecuencias mensuales, semanales y diarias e incluso tendencias según las zonas de la ciudad donde ocurrieron. También, se encontraron patrones en la cantidad de vehículos accidentados con diferencias según su tipo y servicio.

A su vez, se encontraron patrones en las víctimas de los accidentes, específicamente entre conductor vs acompañante, motociclistas vs parrilleros y vehículos vs peatones. Finalmente, para la predicción se aplicó un modelo regresivo de series de tiempo llamado Prophet. Éste tiene en cuenta los patrones encontrados para hacer la estimación y obtuvo un error de 1.2% para el mes de enero de 2019 con un MAE de 3.73 accidentes para todo 2018.

%K minería de datos
%K accidentes de tránsito
%K gobierno de datos
%K data mining
%K road traffic accidents
%K data governance
%~ GOEDOC, SUB GOETTINGEN