Possibilidades em inteligência artificial na detecção de padrões e previsão de acidentes em rodovias

• Ano de defesa: 2019
• Autor(a) principal: Chuerubim, Maria Ligia
• Tipo de documento: Tese
• Tipo de acesso: Acesso aberto
• Idioma: por
• Instituição de defesa: Biblioteca Digitais de Teses e Dissertações da USP
• Palavras-chave em Português: acidentes rodoviários; Aprendizado de Máquina; Artificial Intelligence; banco de dados georreferenciados; classification methods; georeferenced database; grouping methods; HSM; Inteligência Artificial; machine learning; métodos de agrupamento; métodos de classificação; predição de acidentes; prediction of accidents; road accidents
• Link de acesso: http://www.teses.usp.br/teses/disponiveis/18/18143/tde-30042019-091209/

Nesta tese é apresentada uma investigação de possibilidades em Inteligência Artificial na detecção de padrões e previsão de acidentes em rodovias. Para tanto, é realizada uma avaliação de diferentes técnicas de Aprendizado de Máquina baseadas em abordagens de agrupamento, classificação e predição de links, com base em dados de acidentes georreferenciados e modelados em estruturas de clustering, árvores (CART) e redes (redes neurais artificiais, redes bayesianas e redes complexas). Os resultados revelaram que as abordagens baseadas em redes complexas possibilitaram a detecção de estruturas de agrupamentos mais robustas, quando comparadas as técnicas tradicionais de clustering, uma vez que consideram na estrutura topológica dos dados conceitos de vizinhança. O agrupamento dos dados proporciona a redução da heterogeneidade das bases de dados, bem como a obtenção de regras de decisão (CART) com maior probabilidade de ocorrência e taxa geral de acerto. A classificação supervisionada da severidade dos acidentes em redes, utilizando as modelagens de redes neurais artificiais e redes bayesianas, permitiu identificar simultaneamente os fatores contribuintes a ocorrência dos acidentes, sejam estes associados ao motorista, as variáveis de infraestrutura viária ou as condições do ambiente. No entanto, por considerar o peso das variáveis utilizadas no processo de modelagem, a classificação por redes bayesianas tende a ser mais realista, sendo menos sensível ao overfitting. Quanto à predição dos acidentes, foi possível pela predição de links utilizando a abordagem de redes complexas bipartidas, identificar alta correlação entre os acidentes preditos e os acidentes observados para uma determinada época. A abordagem proposta é flexível ao número de variáveis necessárias ao processo de modelagem, o que permite a realização de um diversificado número de estudos. No entanto, quando se considera a modelagem simplificada, formada pelas variáveis recomendadas pelo Highway Safety Manual (HSM), da Association of State Highway na Transportation (AASHTO), verifica-se que a predição é mais precisa e acurada, uma vez que esta modelagem considera fundamentalmente variáveis de infraestrutura viária, enquanto que na modelagem geral são consideradas também variáveis ambientais, que são mais variantes no tempo e no espaço. Até o presente momento, o método proposto é o mais adequado para explicar o comportamento e aspectos dinâmicos em ambientes rodoviários. No entanto, a abordagem proposta foi limitada pela quantidade de dados explorados, bem como por anomalias decorrentes a processos de execução de obras no trecho da rodovia em análise. Ademais, pode ser aplicada em problemas de diferentes escalas e para diversos estudos de caso. Portanto, por meio da modelagem de redes bipartidas georreferenciadas é possível não apenas realizar a predição de acidentes em rodovias, como também verificar a variação da acidentalidade viária e os níveis de segurança e desempenho de uma rodovia.