Modelo predictivo de accidentalidad para víctimas no fatales en la concesión Devinorte

Identificando la necesidad de promover mecanismos que permitan caracterizar y plantear soluciones técnicas encaminadas a la mitigación de la siniestralidad, se busca Incorporar avances tecnológicos para el análisis de datos y se observa la pertinencia de explotar modelos de predicción de siniestros mediante el uso de RNA (Redes Neuronales Artificiales). Aun cuando no han sido ampliamente masificados como alternativa para tratar de entender y buscar relaciones entre las variables que involucran la ocurrencia de un siniestro vial, el Machine Learning y las RNA ya se destacan como herramientas aplicadas en otras áreas, por ejemplo, identificación de patrones, análisis de imágenes o implementación de algoritmos predictivos con fines comerciales. Mostrando en todos los casos, su capacidad de procesar, predecir y resolver problemas que involucran un gran volumen de datos. La aplicación de un modelo predictivo de siniestralidad mediante RNA, a través de modelos computacionales que incluyen el uso de algoritmos para el descenso del gradiente para optimizar los resultados, permiten desarrollar un modelo que involucra las variables de entrada obtenidas mediante formatos de recopilación para siniestros que involucran solo daños materiales en un periodo de operación de la Concesión DEVINORTE (2010-2016) y las salidas de datos reales obtenidos de dichos registros de siniestralidad, los cuales, posteriormente son comparados con las salidas proyectadas por el modelo de RNA, buscando obtener una aproximación cercana a las salidas reales. De modo que permite evaluar tanto la fidelidad del modelo, como identificar un potencial uso práctico en la resolución de problemas que involucran siniestralidad vial. Cabe resaltar que, si bien la aplicación de RNA equivalen a una solución específica para el conjunto de datos, se pretende verificar si es posible aplicar estos modelos, en otras concesiones o zonas de estudio dónde sea posible obtener información para diferentes líneas temporales con registros de siniestralidad vial.Identifying the need to promote mechanisms that allow characterizing and proposing technical solutions aimed at mitigating accidents, it seeks to incorporate technological advances for data analysis and the relevance of exploiting accident prediction models through the use of RNA (Networks Artificial Neural). Even though they have not been widely used as an alternative to try to understand and look for relationships between the variables that involve the occurrence of a road accident, Machine Learning and ANNs already stand out as tools applied in other areas, for example, pattern identification , image analysis or implementation of predictive algorithms for commercial purposes. Showing in all cases, its ability to process, predict and solve problems that involve a large volume of data. The application of a predictive accident rate model using ANN, through computational models that include the use of gradient descent algorithms to optimize the results, allow the development of a model that involves the input variables obtained through collection formats for claims that involve only material damage in a period of operation of the DEVINORTE Concession (2010-2016) and the outputs of real data obtained from said accident records, which are subsequently compared with the outputs projected by the RNA model, seeking to obtain a close approach to actual exits. Thus, it allows evaluating both the fidelity of the model and identifying a potential practical use in solving problems involving road accidents. It should be noted that, although the application of ANN is equivalent to a specific solution for the data set, it is intended to verify whether it is possible to apply these models, in other concessions or study areas where it is possible to obtain information for different time lines with records of road accident rate.MaestríaMagíster en Ingeniería Civil con Énfasis en Transito y Transport