De la Predicción a la Prevención: Uso de Minería de Texto y Aprendizaje Automático Explicable para el Análisis de...

Área de la Ciencia:

• Seguridad del Transporte
• Ciencia de Datos
• Análisis de Riesgos

Sus antecedentes:

• Los accidentes de autobuses urbanos plantean importantes desafíos de seguridad y operacionales en áreas densamente pobladas.
• Los datos de accidentes a menudo contienen información narrativa no estructurada crucial para comprender las causas.
• Los métodos analíticos existentes pueden carecer de la interpretabilidad necesaria para intervenciones de seguridad efectivas.

Objetivo del estudio:

• Desarrollar y validar un marco de aprendizaje automático para identificar, cuantificar e interpretar los factores que contribuyen a los accidentes graves de autobuses.
• Mejorar la precisión predictiva y la interpretabilidad de los modelos de gravedad de accidentes integrando datos de texto no estructurados.
• Proporcionar información procesable para que las partes interesadas implementen medidas de seguridad específicas.

Principales métodos:

• Integración de un modelo de tópicos estructurales (STM) para extraer escenarios de accidentes de datos narrativos.
• Utilización de un clasificador extreme gradient boosting (XGBoost) para predecir la gravedad de los accidentes.
• Aplicación de SHapley Additive exPlanations (SHAP) para la interpretación global y local de las predicciones del modelo.

Principales resultados:

• El marco de aprendizaje automático mejoró significativamente la precisión predictiva y la interpretabilidad al incorporar patrones de accidentes derivados de texto.
• Los factores de riesgo clave identificados incluyen colisiones traseras con scooters eléctricos, paradas bruscas que causan lesiones a los pasajeros y maniobras de giro a la izquierda en congestión de tráfico.
• El análisis SHAP proporcionó información clara y procesable sobre la causalidad de los accidentes tanto a nivel general como a nivel de incidentes específicos.

Conclusiones:

• El marco analítico desarrollado integra eficazmente datos estructurados y no estructurados para el modelado de riesgos interpretable en el transporte.
• Los hallazgos ofrecen orientación práctica para conductores, operadores de tránsito y legisladores para mitigar los riesgos de accidentes de autobuses urbanos.
• El enfoque modular proporciona una base transferible para el análisis de riesgos en diversos dominios de transporte y seguridad.