Resumen de Búsqueda de Patrones con Machine Learning en Datos de Siniestros de Tránsito

Emanuel Guillermo Muñoz Muñoz, Douglas Andrés Verduga Alcívar, Guerrero Alcívar Yandri Francinet, Miguel Angel Lapo Palacios, Octavio Zorrilla Briones

• español

  Este estudio investiga la aplicación de técnicas de Machine Learning (ML), específicamente el algoritmo de clustering K-Means y la reducción de dimensionalidad mediante PCA, para identificar patrones en datos de siniestros de tránsito. Analizando un conjunto de datos que incluye 21,352 registros de siniestros, este trabajo clasifica los accidentes en cuatro clusters distintos, revelando diferencias significativas en las características de los siniestros relacionadas con la ubicación, hora del día, causas y condiciones ambientales. Los resultados destacan la complejidad de los factores que contribuyen a los siniestros de tránsito y subrayan la necesidad de intervenciones personalizadas para mejorar la seguridad vial. Este enfoque permite una comprensión más profunda de los patrones de siniestros, facilitando el desarrollo de políticas y estrategias de prevención más efectivas. Este estudio no solo amplía la literatura existente, ofreciendo una metodología analítica robusta para el análisis de datos de siniestros, sino que también proporciona orientación práctica para la implementación de intervenciones de seguridad vial dirigidas y basadas en evidencia. Recomendamos futuras investigaciones para incluir más variables, comparar diferentes modelos de ML y realizar estudios longitudinales que permitan evaluar la evolución de los patrones de siniestros y la efectividad de las políticas de seguridad vial implementadas.

• English

  This study explores the application of Machine Learning (ML) techniques, specifically the K-Means clustering algorithm and dimensionality reduction via PCA, to identify patterns in traffic accident data. Analyzing a dataset comprising 21,352 accident records, this work classifies the accidents into four distinct clusters, revealing significant differences in accident characteristics related to location, time of day, causes, and environmental conditions. The results highlight the complexity of factors contributing to traffic accidents and underline the need for customized interventions to enhance road safety. This approach allows for a deeper understanding of accident patterns, facilitating the development of more effective policies and prevention strategies. This study not only extends the existing literature by offering a robust analytical methodology for accident data analysis but also provides practical guidance for the implementation of targeted and evidence-based road safety interventions. We recommend further research to include additional variables, compare different ML models, and conduct longitudinal studies to assess the evolution of accident patterns and the effectiveness of implemented road safety policies.