No podrás conectarte si excedes diez intentos fallidos.
La Agencia SINC ofrece servicios diferentes dependiendo de tu perfil.
Selecciona el tuyo:
Investigadores de la Universidad de Granada han desarrollado una técnica estadística que permite analizar de forma exhaustiva todas las causas posibles que afectan a la severidad de un siniestro. Su trabajo permite mostrar relaciones entre las variables que no podrían ser identificadas con los métodos tradicionales.
Un trabajo publicado en el último número de la revista Accident Analysis & Prevention formula una nueva técnica estadística basada en minería de datos para identificar las variables que afectan a la gravedad de un accidente de tráfico.
Su autor principal, Juan de Oña López, responsable del grupo de investigación Transporte y Seguridad (TRYSE) del departamento de Ingeniería Civil de la Universidad de Granada, explica que “los accidentes de tráfico son sucesos eventuales, y su análisis requiere el conocimiento de las particularidades que los definen. Uno de los principales problemas con los que se encuentran los investigadores cuando se analizan los datos de accidentes de tráfico es su heterogeneidad, de modo que, si durante el análisis no se tienen en cuenta ciertas relaciones existentes entre las variables, estas pueden quedar ocultas”.
Análisis de 3.229 accidentes
Se analizaron 3.229 accidentes ocurridos en las carreteras de dos carriles (uno por sentido) de la provincia de Granada entre los años 2004 y 2008, con hasta tres vehículos involucrados en el accidente. Para describir cada accidente, los investigadores utilizaron un total de 18 variables relacionadas con las características de la carretera, el accidente, el entorno y el propio conductor.
Los resultados muestran que el análisis de clases latentes permite segmentar los accidentes en cuatro ‘clusters’ o grupos distintos, definidos en relación con la tipología del accidente, el número de vehículos involucrados, los ocupantes del vehículo, el tamaño del arcén y existencia de pavimentación en el mismo.
La principal diferencia en la identificación de los ‘clusters’ es la tipología del accidente: dos hacen referencia a colisiones, mientras que otros dos hacen referencia a salidas de vía, y la presencia de arcén pavimentado.
Sobre la base de datos original (BDO), así como sobre cada uno de los ‘clusters’ definidos, los investigadores de la UGR identificaron las variables que afectan a la severidad del accidente. Los resultados muestran que en todos los casos (BDO y 4 clusters) existe una relación directa entre la severidad del accidente y las siguientes variables: mes, hora, número de heridos, tipo de accidente, causa, edad, sexo, ancho de calzada, tipo de arcén, marcas viales y visibilidad.
Pero además, se muestran relaciones específicas en los ‘clusters’ que no aparecen cuando se analiza únicamente la base de datos original, tales como la relación directa entre la severidad y las condiciones atmosféricas, la presencia del arcén pavimentado y el número de vehículos involucrados en el accidente.
Referencia bibliográfica:
Juan de Oña, Griselda López, Randa Mujalli, Francisco J. Calvo. Analysis of traffic accidents on rural highways using Latent Class Clustering and Bayesian Networks. Accident Analysis & Prevention. Volume 51, March 2013, Pages 1–10
Solo para medios:
Si eres periodista y quieres el contacto con los investigadores, regístrate en SINC como periodista.
La Fundación BBVA ha galardonado al informático japonés, de la Universidad Carnegie Mellon (EE UU), por crear los algoritmos que permiten a las máquinas comprender las imágenes y procesar los movimientos. Sus técnicas están presentes en los coches autónomos, los drones y todos los robots con capacidad de visión, como los que se usan en cirugía.
Investigadores de la Universidad de León han aplicado redes neuronales artificiales a imágenes captadas con drones para reconocer, con un 95 % de acierto, la huella que dejaron las explotaciones auríferas de los romanos en el noroeste peninsular. El sistema se puede aplicar para reducir los riesgos asociados a las minas abandonadas, que causan pérdidas humanas y económicas en todo el mundo.
