Escute esse artigo
Tempo de leitura: 4 minutos

 

Instituição de Ensino Superior: UNIVERSIDADE FEDERAL DE CAMPINA GRANDE
Programa: CIÊNCIA DA COMPUTAÇÃO (24009016005P0)
Título: USO DE APRENDIZADO DE MÁQUINA PARA CLASSIFICAÇÃO DE RISCOS DE ACIDENTES EM RODOVIAS
Autor: BRUNNA DE SOUSA PEREIRA AMORIM
Tipo de Trabalho de Conclusão: DISSERTAÇÃO
Data Defesa: 21/08/2019
Resumo:
Soluções para identificação dos fatores que influenciam o acontecimento de acidentes em rodovias e a identificação de trechos de risco estão sendo estudados e aplicados por pesquisadores e governos de todo o mundo, a fim de encontrar uma solução que possa diminuir o número de tais acidentes. No entanto, o estudo de acidentes em rodovias depende do local onde o mesmo acontece. Destarte, esta pesquisa faz uso de técnicas de aprendizado de máquina supervisionado e aprendizado de máquina automatizado com o uso de diferentes características para analisar seu impacto na tarefa de predição do risco de acidentes graves ou não-graves em trechos de rodovias brasileiras, a fim de otimizar o desempenho e a performance dos classificadores. Os dados de acidentes foram pré-processados, analisados e técnicas de seleção de atributos foram empregadas, resultando em uma base com informações sobre o dia da semana, o turno do dia em que o acidente aconteceu, o tipo da pista, o traçado da via, o sentido da rodovia, a condição meteorológica no momento do acidente e o tipo do acidente. Diferentes modelos de aprendizado de máquina foram treinados e avaliados em quatro cenários diferentes: o cenário A utiliza uma base de dados desbalanceada com o atributo “Frequência de Acidentes”, enquanto o cenário B consiste na base de dados desbalanceada sem tal atributo; o cenário C faz uso da base de dados balanceada com o atributo “Frequência de Acidentes” e o cenário D utiliza a base de dados balanceada sem este atributo. A avaliação experimental ocorreu com o emprego das métricas acurácia, precisão, revocação e medida F. Os resultados dos cenários A e B não foram relevantes ao estudo, uma vez que os classificadores não convergiram, classificando os dados em apenas uma classe: não-grave. O melhor resultado para o cenário C foi a Rede Neural MLP, que obteve 85% de acurácia, 87% de precisão, 85% de revocação e 84% de medida F. Já para o cenário D, os melhores resultados foram combinações de dois modelos diferentes: Random Forest+BernoulliNB e Logistic Regression+ExtraTreesClassifier, ambos com 84,58% de acurácia, 88,14% de precisão, 84,58% de revocação e 84,06% medida F.

Palavras-Chave: aprendizado de máquina;aprendizado de máquina automatizado;seleção de características;redução de dimensionalidade;risco de acidente em rodovias;classificação de risco

Abstract: In order to decrease the number of road accidents, solutions to identify influencing factors of road accidents and its risk areas are being researched throughout the world. However, road accident studies depend upon its location, hence this study uses supervised machine learning techniques and automated machine learning to classify accident risk sections of brazilian federal roads in severe or not-severe, using several features. The accident data was analized, pre-processed and its features were selected using different techniques, resulting in a set of information containing the week day and time the accident happened, the road type, the road route, the road orientation, the weather condition when the accident happened and the accident type. Machine learning models were trained and evaluated in four different scenarios: scenario A used a imbalanced database with the “accident frequency” feature, while scenario B used a imbalanced database without the “accident frequency” feature; scenario C used a balanced database with the “accident frequency” feature and scenario D used a balanced database without the “accident frequency” feature. To validate the model, the accuracy, precision, recall and F-measure metrics were used. Scenarios A and B results were disregarded since all models preticted only one class: not-severe. Scenario C best result was a MLP neural network model with 85% of accuracy, 87% of precision, 85% of recall and 84% of F-measure. The best results to scenario D were two combinations of classifiers: first, the combination of Random Forest and BernoulliNB; second, the combination of Logistic Regression and ExtraTreesClassifier, both resulting in 84,58% of accuracy, 88,14% of precision, 84,58% of recall and 84,06% of F-measure.

Keyword: machine learning;automated machine learning;feature selection;dimensionality reduction;road accident risk;risk classification

Volume: 01
Páginas: 93
Idioma: PORTUGUES
Biblioteca Depositária: UNIVERSIDADE FEDERAL DE CAMPINA GRANDE
Autorização de divulgação: O trabalho possui divulgação autorizada
Anexo: Dissertacao-Brunna
Área de Concentração: CIENCIA DA COMPUTACAO
Linha de Pesquisa: METODOLOGIA E TÉCNICAS DA COMPUTAÇÃO
Projeto de Pesquisa:

Compartilhe!