Regras de associação entre as características dos veículos e os acidentes de trânsito em rodovias federais brasileiras através de aprendizado de máquina

• Ano de defesa: 2022
• Autor(a) principal: Ramon Batista de Araújo
• Orientador(a): Marcelo Franco Porto
• Banca de defesa: Renata Maria Abrantes Baracho Porto, Ricardo Poley Martins Ferreira, Sandro Laudares
• Tipo de documento: Dissertação
• Tipo de acesso: Acesso aberto
• Idioma: por
• Instituição de defesa: Universidade Federal de Minas Gerais
• Programa de Pós-Graduação: Programa de Pós-Graduação em Geotecnia e Transportes
• Departamento: ENG - DEPARTAMENTO DE ENGENHARIA TRANSPORTES E GEOTECNIA
• País: Brasil
• Palavras-chave em Português: Acidentes; Regras de associação; Aprendizado de máquina; Algoritmos
• Link de acesso: http://hdl.handle.net/1843/47414

Acidentes de trânsito são considerados graves e sérios problemas de saúde pública, os quais acarretam em uma série de mortos e feridos, representando não apenas números, mas vidas humanas perdidas. Em vista disso, o impacto social, somado aos custos com expressivo número de mortos e feridos, evidencia a necessidade de uma análise mais profunda das causas de acidentes e, por este motivo, esta pesquisa teve como objetivo central identificar regras de associação entre as causas de acidentes e as características dos veículos, das estradas, dos usuários e do meio ambiente em rodovias federais brasileiras, comparando as técnicas de aprendizado de máquina Apriori, Eclat, FP-Growth e FP-Max no tratamento dos dados. Para atingir tal objetivo, a metodologia desta pesquisa empregou o uso de tabulação de dados de variáveis categóricas, utilizando-se de um método misto para coleta e transformação dos dados e análise dos resultados, por meio de um procedimento dentro de um contexto real e local em um estudo de caso. Como resultado, foi possível realizar a comparação entre os algoritmos e verificar que os algoritmos Apriori, FP-Growth e Eclat apresentam o mesmo desempenho, com índices de suporte e quantidade de características similares, onde, quanto maior a quantidade de características, menor o índice de suporte. O FP-Max propõe uma maior métrica de suporte para maior quantidade de características e apresentou desfecho contrário, proporcionando um resultado mais preciso. O FP-Max e o Eclat não apresentaram índices de lift e confiança para o banco de dados analisado. Em vista destes fatores, é possível afirmar que a colaboração de um método capaz de entender as causas dos acidentes pode auxiliar políticas públicas, de modo a ser uma boa contribuição social e científica, visto que esta pesquisa tem potencial promissor para ser utilizada como base de diversos estudos e pela Polícia Rodoviária Federal, bem como engenheiros de segurança, poder público e pelo setor privado como concessionárias de rodovias e desenvolvedores de aplicativos mobile.