Nuevo marco para utilizar la minería de datos y reglas de asociación para la clasificación de la gravedad de accidentes de tráfico
Introducción: los accidentes de tránsito son una carga indeseable para la sociedad. Cada año se reportan alrededor de un millón de muertes y más de diez millones de lesiones debido a accidentes de tráfico. Por lo tanto, se deben implementar medidas de prevención de accidentes de tráfico para superar la tasa de accidentalidad. Los países tienen diferentes condiciones geográficas y ambientales y, por ello, las variables que inciden varían en cada país. El análisis de los datos de accidentes de tráfico es muy útil para revelar los factores o variables que inciden en la accidentalidad en diferentes países. Este artículo fue escrito en el 2016 en el Instituto de Tecnología y Ciencia, Mohan Nagar, Ghaziabad, UP, India.
Metodología: proponemos un marco para utilizar la minería de datos y reglas de asociación (arm) para la clasificación de severidad de los datos de accidentes de tráfico obtenidos de registros policiales en eldistrito de Mujjafarnagar, Uttarpradesh, India
Resultados: los resultados revelan ciertamente algunos factores ocultos que se pueden aplicar para entender las variables detrás de la accidentalidad de tráfico en esta región.
Conclusiones: el marco permite establecer tres categorías en el conjunto de datos que representan el tipo de gravedad del accidente: fatal, lesiones graves, y lesiones menores o inexistentes. Las reglas de asociación expusieron diferentes factores relacionados con los accidentes de tráfico en cada categoría. Los datos extraídos proporcionan información importante que se puede emplear para adaptar las medidas preventivas para superar la gravedad de los accidentes de tráfico en el distrito de Muzzafarnagar.
Cómo citar
Licencia
Derechos de autor 2017 Ingeniería solidaria
Esta obra está bajo una licencia internacional Creative Commons Atribución-NoComercial-SinDerivadas 4.0.
Compromiso ético y cesión de derechos
El autor debe declarar que su trabajo es original e inédito y que no se ha postulado a evaluación simultánea para su publicación por otro medio. Además, debe asegurar que no tiene impedimentos de ninguna naturaleza para la concesión de los derechos previstos en el contrato.
El autor se compromete a esperar el resultado de evaluación de la revista Ingeniería Solidaria, antes de considerar su presentación a otro medio; en caso de que la respuesta de publicación sea positiva, adicionalmente, se compromete a responder por cualquier acción de reivindicación, plagio u otra clase de reclamación que al respecto pudiera sobrevenir por parte de terceros.
Asimismo, debe declarar que, como autor o coautor, está de acuerdo por completo con los contenidos presentados en el trabajo y ceder todos los derechos patrimoniales, es decir, su reproducción, comunicación pública, distribución, divulgación, transformación, puesta a disposición y demás formas de utilización de la obra por cualquier medio o procedimiento, por el término de su protección legal y en todos los países del mundo, al Fondo Editorial de la Universidad Cooperativa de Colombia, de manera gratuita y sin contraprestación presente o futura.
S. Kumar & D. Toshniwal, “A novel framework to analyze road accident time series data”, Journal of Big Data, vol. 3, no. 8, pp.1-11, 2016. doi:10.1186/s40537-016-0044-5
World Health Organization (who), Global status report on road safety 2013. Supporting a decade of
action, Luxembourg: who, 2013. Available: http://www.who.int/violence_injury_prevention/road_safety_status/2013/en/
M. Karlaftis & A. Tarko, “Heterogeneity considerations in accident modeling”, Accid. Anal. Prev., vol. 30, no. 4, pp. 425-433, 1998.
S. Kumar & D. Toshniwal, “Analysis of hourly road accident counts using hierarchical clustering and
cophenetic correlation coefficient (cpcc)”, Journal of Big Data, vol. 3, no. 13, pp. 1-11, 2016.
P. N. Tan, M. Steinbach & V.Kumar, Introduction to data mining, Boston: Pearson Addison-Wesley, 2006,
p. 769.
S. Kumar & D. Toshniwal, “Analysing road accident data using association rule mining”, in International
conference on computing communication and security (icccs-2015), Kanyakumari, India, Nov. 2-3, 2015.
J. Han & M. Kamber, Data mining: concepts and techniques, United States: Morgan Kaufmann Publishers,
P. J. Ossenbruggen et al.,”Roadway safety in rural and small urbanized areas”, Accidents Analysis and Prevention, vol. 33, no. 4, pp. 485-498, 2001.
L. Mussone et al., “An analysis of urban collisions using an artificial intelligence model”, Accident Analysis and Prevention, vol. 31, pp. 705-718, 1999
L. Chang & W. Chen, “Data mining of tree based models to analyze freeway accident frequency”,
Journal of Safety Research, vol. 36, pp. 365- 375, 2005.
D. Oña, G. López, R. Mujalli & F. J. Calvo, “Analysis of traffic accidents on rural highways using latent
class clustering and bayesian networks”, Accid Anal Prev, vol. 51, pp. 1-10, 2013.
S. Kumar & D. Toshniwal, “A data mining framework to analyze road accident data”, Journal of Big Data, vol. 2, no. 1, pp. 1-18, 2015. doi:10.1186/s40537-015-0035-y
S. Kumar, D. Toshniwal & M. Parida, “A comparative analysis of heterogeneity in road accident data using data mining techniques”, Evolving Systems. doi: 10.1007/s12530-016-9165-5
K. Geurts, G. Wets, T. Brijs & K. Vanhoof, “Profiling of high frequency accident locations by use of association rules”. Transportation Research Record Journal of the Transportation Research Board, vol. 1840, 2003. doi:10.3141/1840-14
L. Thakali, T. Kwon & L. Fu, “Identification of crash hotspots using kernel density estimation and Kriging
methods: a comparison”, J. Mod. Transp., vol. 23, no. 3, pp. 93-106, 2015.
S. Kumar & D. Toshniwal, “A data mining approach to characterize road accident locations”, J. Mod.
Tran sp., vol. 24, no. 1, pp. 62-72, 2016.
J. Abellan, G. López & J. Ona,“Analysis of Traffic Accident Severity using Decision Rules via Decision
Trees”, Expert System with Applications, vol. 40, no. 15, pp. 6047-6054, 2013. doi:10.1016/j.eswa.2013.05.027
T. B. Tesema, A. Abraham & C. Grosan, “Rule mining and classification of road accidents using adaptive
regression trees”, Int J Simulation, vol. 6, pp. 80-94, 2005.
T. Kashani, A. S. Mohaymany & A. Rajbari, “A Data Mining Approach to Identify Key Factors of Traffic
Injury Severity”, Promet-Traffic & Transportation, vol. 23, pp. 11-17, 2011.
B. Depaire, G. Wets & K. Vanhoof, “Traffic Accident Segmentation by means of Latent Class Clustering”,
Accident Analysis and Prevention, vol. 40, pp. 1257-1266, 2008.
O. H. Kwon, W. Rhee & Y. Yoon, “Application of Classification Algorithms for Analysis of Road Safety Risk Factor Dependencies”, Accident Analysis and Prevention, vol. 75, pp. 1-15, 2015.
R. Agrawal & R. Srikant,“Fast Algorithms for Mining Association Rules in Large Databases”, in
Proceedings of the 20th International Conference on Very Large Data Bases, Santiago de Chile, Chile, Sept. 12-15, 1994, pp. 487-499.
