Análisis comparativo de modelos de aprendizaje automático con interpretación SHAP para las causas de bloqueo por...

Área de la Ciencia:

• Ingeniería de Transporte
• Ciencias Ambientales
• Ciencia de Datos

Sus antecedentes:

• El bloqueo por daños de inundaciones en autopistas amenaza de manera crítica la resiliencia del transporte.
• Las evaluaciones de riesgos existentes sufren de modelado temporal limitado, datos desequilibrados y escasa interpretabilidad.

Objetivo del estudio:

• Desarrollar un marco integrado para la predicción precisa del bloqueo por daños de inundaciones en autopistas.
• Abordar los desafíos de la evolución temporal, el desequilibrio de datos y la interpretabilidad del modelo en la evaluación de riesgos.

Principales métodos:

• Se compararon tres estrategias de equilibrio de datos: aumento con Red Generativa Antagónica de Series Temporales (TimeGAN), submuestreo y enfoques híbridos.
• Se evaluaron seis modelos de aprendizaje automático, utilizando Explicaciones Aditivas de SHapley (SHAP) para el análisis de la contribución de los factores.
• Se integró la generación temporal, la evaluación sistemática de modelos y el análisis de mecanismos interpretables.

Principales resultados:

• El modelo de Red Neuronal Multicapa, entrenado con datos aumentados por TimeGAN, logró el mayor rendimiento (puntuación F1: 49,81%, PR-AUC: 49,46%).
• Identificados los impulsores clave del riesgo: precipitación diaria (>2,8 mm), precipitación efectiva de 7 días (EP 7 >22 mm), temperatura (>21 °C) y distancia media carretera-arroyo (ARSD >0,15 km).
• Reveló que las altas temperaturas combinadas con fuertes precipitaciones y niveles elevados de EP 7 amplifican significativamente el riesgo de bloqueo.

Conclusiones:

• El marco propuesto mejora la precisión y la fiabilidad de la predicción de bloqueos por daños de inundaciones en autopistas.
• Proporciona información cuantitativa para la prevención específica de daños por inundaciones y la mejora de la resiliencia del sistema de autopistas.
• Destaca la importancia de la IA interpretable para comprender las complejas interacciones medioambientales y de transporte.