Priorização de variáveis explicativas na modelagem de acidentes de trânsito utilizando técnicas de aprendizado de máquina

• Type: Article in International Conference Proceedings Book
• Date: 2019

Authors

Philippe Silva (Author) Other; Michelle Andrade (Author) Other; Sara Ferreira (Author) FEUP

Conference proceedings International

Title: Anais do Congresso de Pesquisa e Ensino em Transportes

Pages: 3565-3576

Other information

Resumo (PT): A priorização de variáveis no processo de modelagem de acidentes pode contribuir para otimização de recursos e indicação de quais dados são prioritários para coleta. Assim, este estudo objetivou investigar a influência da priorização de variáveis no ajuste de modelos de previsão de acidentes de resposta multivariada (número de acidentes sem vítimas, número de acidentes com vítimas e número de acidentes com mortes). Duas abordagens foram empregadas: técnicas de agrupamento de árvores de decisão (Random Forest e Boosted Trees) para a priorização inicial e posterior modelagem com uso de redes neurais artificiais (RNA); e, utilização direta de RNA para priorização e modelagem. Os resultados gerais, entretanto, indicaram piora no ajuste dos modelos quando da redução do número de variáveis explicativas. Apesar disso, acredita-se que a evolução de técnicas de aprendizado de máquina de dados que lidem melhor com resposta multivariada, conduzam à identificação adequada das variáveis mais importantes para modelagem.

Abstract (EN): The prioritization of variables in the process of accident modeling can contribute to the optimization of resource and indication of which data are priority to collect. This study aimed to investigate the influence of the prioritization of variables in the adjustment of accident predictive models of multivariate response (number of accidents without victims, number of accidents with victims and number of accidents with deaths). Two approaches were used: decision tree grouping techniques (Random Forest and Boosted Trees) for initial prioritization and later modeling using artificial neural networks (ANN); and, direct use of ANN for both, prioritization and modeling. Overall results, however, indicated a worse fitness of the models when the number of explanatory variables was reduced. Despite this, it is believed that the evolution of machine learning techniques that best deal with multivariate response, lead to the adequate identification of the most important variables for modeling.

Language: English

Type (Professor's evaluation): Scientific

No. of pages: 12