Percorrer por autor "Rodrigues, Victoria Carolina Pita"
A mostrar 1 - 1 de 1
Resultados por página
Opções de ordenação
- Estudo da previsão da gravidade dos acidentes rodoviários e dos fatores contribuintes utilizando machine learningPublication . Rodrigues, Victoria Carolina Pita; Santos, Bertha Maria Batista dosOs acidentes rodoviários representam uma das principais causas de morte e ferimentos em Portugal. Em 2023, mais da metade dos acidentes com vítimas (52,7%) foi provocada por colisões, os despistes representaram 33,6% dos casos, enquanto os atropelamentos corresponderam a 13,4%, resultando em 479 mortes, 2.646 feridos graves e 42.890 feridos leves. Diante desse cenário, este estudo tem como objetivo desenvolver modelos preditivos para a gravidade dos acidentes rodoviários do tipo colisão e despiste, utilizando técnicas de aprendizado de máquina (Machine Learning), com base em dados fornecidos pela Autoridade Nacional de Segurança Rodoviária (ANSR) referentes ao período de 2019 a 2023. Para tratar o desequilíbrio entre as classes de gravidade da variável de resposta (feridos leves vs. feridos graves e vítimas fatais), foram aplicadas as técnicas de balanceamento SMOTE (Synthetic Minority Over-sampling Technique) e RUS (Random UnderSampling). Os algoritmos analisados foram: Naive Bayes (NB), Artificial Neural Network (ANN), Support Vector Machine (SVM), Decision Tree (DT), Random Forest (RF) e K-Nearest Neighbors (KNN). Os modelos foram treinados utilizando a validação cruzada com 10 subconjuntos e a divisão percentual 80/20 (80% para treinamento e 20% para teste). Os resultados demonstraram que os melhores desempenhos foram obtidos com o algoritmo Random Forest, especialmente quando aplicado à base de dados balanceada com a técnica SMOTE, apresentando para os acidentes do tipo colisão uma área sob a curva ROC de 0,886 e um coeficiente Kappa igual a 0,607, já para os acidentes do tipo despiste a área sob a curva ROC apresentou um valor de 0,871 e um coeficiente Kappa de 0,573. A análise dos modelos também permitiu a identificação das variáveis mais influentes nos acidentes (fatores de risco), possibilitando a definição de recomendações para intervenções na infraestrutura viária e comportamento dos condutores, com vista à redução dos acidentes com consequências mais graves. Permitiu ainda a realização de estudos de previsão da gravidade dos acidentes mediante a modificação desses fatores na base de dados original. Os resultados desta pesquisa evidenciam o potencial do uso de técnicas de Machine Learning como ferramenta de apoio à tomada de decisão na área da segurança viária.