Predicción de accidentes en tiempo real en autopistas basada en SHAP-RFECV y datos de cobro electrónico de peajes:...

Área de la Ciencia:

• Seguridad Vial e Ingeniería
• Aplicaciones de Aprendizaje Automático en Transporte
• Ciencia de Datos para Modelado Predictivo

Sus antecedentes:

• La predicción de accidentes en tiempo real es crucial para la gestión proactiva de la seguridad vial.
• Los modelos existentes enfrentan desafíos con la selección de características debido a la alta dimensionalidad, correlaciones y sobreajuste.
• La selección de características impacta significativamente el rendimiento y la interpretabilidad del modelo en la predicción de accidentes.

Objetivo del estudio:

• Proponer y validar un novedoso algoritmo SHAP-RFECV de selección de características para la predicción de accidentes en tiempo real.
• Mejorar la precisión y la interpretabilidad de los modelos de predicción de seguridad vial.
• Identificar características críticas del tráfico que influyen en la ocurrencia de accidentes.

Principales métodos:

• Integración de los valores de SHapley Additive exPlanations (SHAP) con Recursive Feature Elimination with Cross-Validation (RFECV).
• Aplicación de modelos de aprendizaje automático que incluyen XGBoost, boosting categórico y light gradient boosting en datos de cobro electrónico de peajes.
• Comparación con modelos de referencia y métodos tradicionales de selección de características (RFECV, LASSO, Boruta, importancia de permutación).

Principales resultados:

• El algoritmo SHAP-RFECV redujo efectivamente el número de características óptimas de 47 a 21 para XGBoost.
• XGBoost con SHAP-RFECV logró un alto rendimiento de predicción fuera de muestra (AUC: 0.8350, Recall: 73.12%, Precisión: 79.54%).
• SHAP-RFECV demostró una precisión predictiva e interpretabilidad superiores en comparación con los métodos tradicionales.

Conclusiones:

• El algoritmo propuesto SHAP-RFECV es un método robusto y eficaz para la selección de características en la predicción de accidentes en tiempo real.
• La velocidad promedio en los 5-10 minutos precedentes, la proporción de flujo de camiones y la desviación estándar de la velocidad son predictores críticos de accidentes.
• El marco SHAP proporciona información valiosa sobre la importancia de las características y los efectos de interacción para el análisis de la seguridad vial.