Resumen

Cada año, más de 50 millones de personas resultan heridas y 1,35 millones mueren en accidentes de tráfico. Los comportamientos de riesgo al volante son responsables de más de la mitad de los accidentes de tráfico mortales. La identificación de conductas de riesgo al volante en conjuntos de datos de conducción en condiciones reales (RWD) es una vía prometedora para reducir la carga de mortalidad asociada a estos comportamientos inseguros, pero para ello es necesario superar numerosos obstáculos técnicos. En este artículo describimos la aplicación de un proceso de varias etapas para clasificar los datos RWD no etiquetados como potencialmente peligrosos o no. En la primera fase, los datos se reformatean y reducen para prepararlos para la clasificación. En la segunda etapa, los subconjuntos de los datos reformateados se etiquetan como potencialmente peligrosos (o no) utilizando el método Iterative-DBSCAN. En la tercera etapa, los subconjuntos etiquetados se utilizan para ajustar modelos de clasificación de bosque aleatorio (RF). Se eligieron los modelos RF después de comprobar que funcionaban mejor que los modelos de regresión logística y redes neuronales artificiales. En la última etapa, los modelos RF se utilizan de forma predictiva para etiquetar los datos RWD restantes como potencialmente arriesgados (o no). La implementación de cada etapa se describe y analiza para la clasificación de datos RWD de vehículos en vías públicas en Ann Arbor, Michigan. En total, identificamos 22,7 millones de observaciones de conducción potencialmente arriesgada de un total de 268,2 millones de observaciones. Este estudio proporciona un enfoque novedoso para identificar comportamientos de conducción potencialmente arriesgados dentro de los conjuntos de datos RWD. Como tal, este estudio representa un paso importante en la implementación de protocolos diseñados para abordar y prevenir los daños asociados con la conducción de riesgo.

• Materias:Infraestructura de transportes Ingeniería del transporte Accidentes de transito Seguridad del transporte Planificación de ruta
• Subjects:Transport infrastructure Transport engineering Traffic accidents Transport safety Path planning
• Palabras claves:conductas de riesgo al volante, datos de rwd, aplicación, modelos de rf, modelos de redes neuronales artificiales, conductas de riesgo al volante, accidentes mortales de vehículos, numerosos obstáculos técnicos, clasificación, datos
• Keywords:risky driving behaviors, rwd data, implementation, rf models, artificial neural network models, risky driving behaviors, fatal vehicle accidents, numerous technical hurdles, classification, data