La heterogeneidad temporal en los retrasos por accidentes de tráfico: inferencia causal a partir de factores de...

Área de la Ciencia:

• Investigación de la seguridad vial
• Ingeniería de transporte
• Ciencia de datos y aprendizaje automático

Sus antecedentes:

• Los accidentes de tráfico son un importante problema de seguridad mundial con variaciones temporales complejas.
• Las estrategias actuales de seguridad vial se enfrentan a la heterogeneidad de los datos de accidentes en diferentes escalas de tiempo.
• El modelado de la causalidad de los choques es un desafío debido a los patrones secuenciales débiles y las interacciones no lineales.

Objetivo del estudio:

• Desarrollar un modelo que capte efectivamente las influencias temporales a escala múltiple en los retrasos inducidos por accidentes de tráfico.
• Abordar las limitaciones de las actuales estrategias de gestión de la seguridad vial mejorando la puntualidad y precisión de las predicciones.
• Proporcionar un marco para comprender la contribución dinámica de varios factores a la causalidad de los accidentes.

Principales métodos:

• Datos de accidentes clasificados en macroescala (estacionalidad anual) y microescala (picos diarios, variaciones día/noche).
• Se propuso un transformador de correlación de características multicanal (MCFformer) que incorpora módulos de correlación de características multicanal (MCFC) y atención de retención recurrente (RRA).
• Utilizó un enfoque de interpretación de la causalidad basado en la atención para analizar las contribuciones de los factores.

Principales resultados:

• MCF fue significativamente superior a los modelos convencionales (XGBoost, CatBoost) en la regresión de retraso de choque.
• Logró una mejora del 44% en la precisión predictiva y una reducción de más del 26% en el RMSE en condiciones difíciles.
• Identificación de las contribuciones de los factores ambientales y del entorno construido a la causalidad de los accidentes.

Conclusiones:

• El modelado temporal a múltiples escalas es efectivo para comprender las causas de los accidentes de tráfico.
• El MCFformer propuesto ofrece un rendimiento predictivo y una interpretabilidad superiores para la seguridad del tráfico.
• Los resultados proporcionan orientación práctica para el desarrollo de intervenciones dinámicas y refinadas en materia de seguridad vial.