Tesis:
Métodos estadísticos para la identificación de patrones de influencia en la accidentalidad de conductores con implicación de vehículos comerciales ligeros
- Autor: PILLAJO QUIJIA, Giovanny
- Título: Métodos estadísticos para la identificación de patrones de influencia en la accidentalidad de conductores con implicación de vehículos comerciales ligeros
- Fecha: 2022
- Materia: Sin materia definida
- Escuela: E.T.S.I. DISEÑO INDUSTRIAL
- Departamentos: INGENIERIA MECANICA,QUIMICA Y DISEÑO INDUSTRIAL
- Acceso electrónico: https://oa.upm.es/70349/
- Director/a 1º: ARENAS RAMÍREZ, Blanca del Valle
- Resumen: El estudio de la accidentalidad en las carreteras ha sido uno de los campos de investigación más desarrollados en los últimos años por una gran cantidad de investigadores y fabricantes de vehículos de automoción, cuyos resultados han permitido mejorar las medidas en la seguridad vial, sin embargo, se ha llegado a una etapa de receso dónde se hace necesario e importante investigar desde otras perspectivas. Esta investigación se centra en vehículos comerciales ligeros (llamados comúnmente furgonetas y camiones ligeros) que debido al crecimiento en su demanda del comercio electrónico (transporte de paquetería) así como el incremento del parque automotor, la población de conductores y la diversidad de tipología en peso y tamaño constructivo, lo que ha reflejado en un mayor índice de riesgo de accidente. Dicha motivación viene encaminada en el continuo avance de la Organización de las Naciones Unidas a través del marco Agenda 2030 para el desarrollo sostenible (Objetivo 3 - meta 3.6) que es la de alcanzar la reducción del número de muertes. El objetivo general de esta tesis es analizar las variables y patrones que influyen en la severidad del conductor originado por un accidente de tráfico. El conjunto de este tipo de vehículos tiene la particularidad de uso intensivo, pero no se exige formación ni permiso especial, es decir, tan solo el permiso para turismos. Para llevar a cabo este propósito, se cuenta con una base de datos de accidentes proveída por la Dirección General de Tráfico, y se ha planteado el análisis de severidad mediante aplicación de modelos de clasificación por aprendizaje automático supervisado (Machine Learning): Árbol de Clasificación y Regresión (CART), Bosques Aleatorios (RF), Máquinas de vectores de soporte (SVM) y un modelo logístico como método estadístico tradicional. El enfoque propuesto RF+CART parte del aprovechamiento de las ventajas que provee éstas dos metodologías, la de selección de variables (RF) y generación de reglas de clasificación (CART). Dicha propuesta se evalúa con los demás modelos en términos de importancia de variables y rendimiento de la predicción. Como etapa complementaria de análisis de patrones de comportamiento de riesgo se aplica la metodología de contraste de proporciones por tramo de edad y género, y un análisis de tendencia de tasas de uso de cinturón de seguridad con enfoque jerárquico bayesiano. El enfoque desarrollado en este estudio nos permitió identificar variables categóricas significativas para dos tipos de accidentes, como son el uso de cinturón de seguridad, ubicación de la lesión, condición psicofísica, edad del conductor. Los modelos BLM y SVM desarrollados han permitido contrastar la clasificación de las variables significativas y el rendimiento de la predicción. El conocimiento adquirido de esta tesis intenta contribuir a brindar información y herramientas que permitan a las autoridades de control en la toma de decisiones para mejorar la seguridad en la línea de los Objetivos de Desarrollo Sostenible para 2030 planteado por las Naciones Unidas. La evidencia de este trabajo podría llevar a la adopción de nuevas medidas y controles para mejorar la seguridad vial. ----------ABSTRACT---------- The study of road accidents has been one of the most developed research fields in recent years by many researchers and automotive vehicle manufacturers. The results from the research have made it possible to improve road safety measures. However, a recess stage has been reached in the reduction of accidents and deaths, so it is both necessary and important to investigate from other perspectives. This thesis focuses on light commercial vehicles (commonly called Light Trucks and Vans -LTV-) and their risk index. Due to the growth in demand of e-commerce (shipping and delivery service) as well as the increase in the number of vehicles, the population of drivers and the diversity of typology in weight and construction size, light commercial vehicles have a higher risk of accidents. The aforementioned is focused on the ongoing progress of the United Nations Organization and the 2030 Agenda for Sustainable Development framework (Objective 3 - goal 3.6), which is to achieve a reduction in the number of deaths. The general objective of this thesis is to analyse the variables and patterns that influence the injury-severity of the driver caused by a traffic accident. The majority of LTV’s in particular, have a high frequency of use, but no training or special permission is required, such as the driver’s permit required for passenger cars. To carry out this purpose, there is a database of accidents provided by the General Directorate of Traffic, the severity analysis proposed was through the application of supervised automatic learning classification models (Machine Learning): Classification Tree and Regression (CART), Random Forests (RF), Support Vector Machine (SVM) and a Logistic Model as a traditional statistical method. The proposed RF + CART approach draws on the advantages provided by these two methodologies, the selection of variables (RF) and the generation of classification rules (CART). This proposal is evaluated with the other models in terms of the order of importance of variables and the prediction of performance. In a final stage of risk behaviour patterns, the methodology of contrasting proportions by age group and gender was applied, and a trend analysis of seat belt use rates was carried out with a hierarchical Bayesian approach. The approach developed in this study allowed us to identify significant categorical variables for two types of accidents: rollover and run-off-roadway, such as the use of seat belts, location of the injury, psychophysical condition and age of the driver. The BLM and SVM models developed have made it possible to compare and validate the classification of the significant variables and the performance of the prediction. The knowledge acquired from this thesis tries to contribute and offer information and tools that allow Department of Motor Vehicle Authorities and other Official Organism to make decisions to improve security in line with the Sustainable Development Goals for 2030 proposed by the United Nations. Evidence from this work could lead to the adoption of new measures and controls to improve road safety.