Resumen
El siguiente trabajo establece algoritmos de Machine Learning como herramienta para una posible solución al problema de seguridad vial en una ciudad a través de datos abiertos. El propósito del análisis desarrollado es reducir el riesgo de amenaza de la integridad física de los peatones mediante la geolocalización en tiempo real, tomando en cuenta los lugares mas seguros para transitar. Se
estudió una base de datos de disposición libre (portal de datos abiertos de San Isidro, distrito de Lima, Peru). Estos datos guardan registros de distintos tipos de accidentes (la mayoría del tipo automovilístico) ocurridos en diferentes lugares de este distrito, los cuales se analizarán para establecer un recorrido seguro, disminuyendo la probabilidad de que un usuario sufra un accidente. Por tanto, para este trabajo se han usado tecnicas de algoritmos de aprendizaje No Supervisado (Clustering): k-Means. Asimismo, previamente, se ha realizado un tratamiento de datos utilizando la técnica de Análisis de Componentes Principales (PCA).
estudió una base de datos de disposición libre (portal de datos abiertos de San Isidro, distrito de Lima, Peru). Estos datos guardan registros de distintos tipos de accidentes (la mayoría del tipo automovilístico) ocurridos en diferentes lugares de este distrito, los cuales se analizarán para establecer un recorrido seguro, disminuyendo la probabilidad de que un usuario sufra un accidente. Por tanto, para este trabajo se han usado tecnicas de algoritmos de aprendizaje No Supervisado (Clustering): k-Means. Asimismo, previamente, se ha realizado un tratamiento de datos utilizando la técnica de Análisis de Componentes Principales (PCA).
Título traducido de la contribución | Identification of risk zones for Road Safety through unsupervised learning algorithms |
---|---|
Idioma original | Español |
Título de la publicación alojada | Proceedings of the 16th LACCEI International Multi-Conference for Engineering, Education, and Technology: “Innovation in Education and Inclusion” |
Páginas | 1-9 |
Número de páginas | 10 |
DOI | |
Estado | Publicada - 2018 |
Palabras Clave
- Machine learning
- Smart City
- Open Data
- PCA
- kMeans
- safe routes
- citizen security