Técnicas de Aprendizado de Máquina para Predição de Gravidade de Acidentes em Rodovias do Estado do Rio de Janeiro
DOI:
https://doi.org/10.5753/reic.2025.6274Keywords:
Aprendizado de Máquina, Gravidade de Acidentes, Segurança ViáriaAbstract
Devido à sua dependência do transporte rodoviário, a segurança viária é um desafio significativo no Brasil. O estado do Rio de Janeiro apresenta padrões recorrentes de acidentes graves, demandando a identificação de seus principais fatores de risco. Este estudo aplicou técnicas de aprendizado de máquina para desenvolver um modelo preditivo para a gravidade de acidentes ocorridos nas rodovias federais do estado entre 2020 e 2023, utilizando dados da Polícia Rodoviária Federal (PRF). Foram comparados sete algoritmos de classificação supervisionada, com hiperparâmetros otimizados e avaliação por validação cruzada. O modelo de Regressão Logística apresentou o desempenho mais robusto, alcançando 73,85% de acurácia. A análise de interpretabilidade com a ferramenta LIME indicou que o tipo de acidente, a fase do dia, as condições meteorológicas, a localização geográfica e a densidade de acidentes por quilômetro foram os preditores mais influentes. Os resultados podem subsidiar a formulação de políticas públicas de prevenção mais eficazes.
Descargas
Citas
Amorim, B. d. S. P. (2019). Uso de aprendizado de máquina para classificação de risco de acidentes em rodovias. Master’s thesis, Universidade Federal de Campina Grande, Campina Grande. Dissertação de Mestrado. Disponível em: [link].
Atwah, A. and Al-Mousa, A. (2021). Car accident severity classification using machine learning. In International Conference on Innovation and Intelligence for Informatics, Computing, and Technologies (3ICT), pages 186–192, online. DOI: 10.1109/3ICT53449.2021.9581646.
Balfaqih, M. et al. (2021). An accident detection and classification system using internet of things and machine learning towards smart city. Sustainability, 14(1):1–13. DOI: 10.3390/su14010210.
Bischl, B. et al. (2023). Hyperparameter optimization: Foundations, algorithms, best practices and open challenges. WIREs Data Mining and Knowledge Discovery, 13(2):1–43. DOI: 10.1002/widm.1484.
Brasil (2022). Geografia. disponível em: [link]. Acesso em: 20 Janeiro 2025.
Brasil (2023). Rodovias federais. disponível em: [link]. Acesso em: 20 Janeiro 2025.
Bruce, P. and Bruce, A. (2017). Practical Statistics for Data Scientists: 50 Essential Concepts. O’Reilly, Sebastopol.
Cardoso, S. P. C. (2023). Optimizing process mining algorithms: A hyperparameter tuning approach. Master’s thesis, Universidade do Porto, Porto.
CNT (2024). Painel cnt de acidentes rodoviários. disponível em: [link]. Acesso em: 20 Janeiro 2025.
Costa, A. D. M., De Freitas, A. G. O., and Pinheiro, R. P. (2021). Mineração de dados na construção de modelo de predição de acidentes com vítimas em recife. Revista de Engenharia e Pesquisa Aplicada, 6(3):70–80. DOI: 10.25286/repa.v6i3.1707.
Costa, J. D. J., Bernardini, F. C., and Viterbo Filho, J. (2014). A mineração de dados e a qualidade de conhecimentos extraídos dos boletins de ocorrência das rodovias federais brasileiras. AtoZ: novas práticas em informação e conhecimento, pages 139–157. DOI: 10.5380/atoz.v3i2.41346.
De Almeida, R. L. F. et al. (2013). Via, homem e veículo: fatores de risco associados à gravidade dos acidentes de trânsito. Revista Saúde Pública, 47(4):718–732. DOI: 10.1590/S0034-8910.2013047003657.
Demšar, U., Harris, P., Brunsdon, S., Fotheringham, A. S., and McLoone, S. (2013). Principal component analysis on spatial data: an overview. Annals of the Association of American Geographers, 103(1):106–128. DOI: 10.1080/00045608.2012.689236.
DER-RJ (2024). Mapa rodoviário. Secretaria de Estado de Infraestrutura e Obras Públicas, Departamento de Estradas de Rodagem. Escala 1:450.000. [link].
Grus, J. (2021). Data Science do Zero - Noções Fundamentais com Python. Alta Books, Rio de Janeiro, 2ª edition.
Géron, A. (2021). Mãos à Obra - Aprendizado de Máquina com Scikit-Learn, Keras e TensorFlow. Alta Books, Rio de Janeiro, 2ª edition.
Hadjidimitriou, N. S. et al. (2020). Machine learning for severity classification of accidents involving powered two wheelers. IEEE Transactions on Intelligent Transportation Systems, 21(10):4308–4317. DOI: 10.1109/TITS.2019.2939624.
Harrison, M. (2019). Machine Learning - Guia de Referência Rápida: Trabalhando com dados estruturados em Python, volume 1. Novatec, Rio de Janeiro.
IPEA (2020). Custos dos acidentes de trânsito no brasil: Estimativa simplificada com base na atualização das pesquisas do ipea sobre custos de acidentes nos aglomerados urbanos e rodovias. Relatório Técnico 1415-4765, IPEA, Brasília. [link].
Iranitalab, A. and Khattak, A. (2017). Comparison of four statistical and machine learning methods for crash severity prediction. Accident Analysis & Prevention, 108:27–36. DOI: 10.1016/j.aap.2017.08.008.
Kamel, H., Abdulah, D., and M. Al-Tuwaijari, J. (2019). Cancer classification using gaussian naive bayes. In International Engineering Conference (IEC), pages 165–170, Erbil. DOI: 10.1109/IEC47844.2019.8950650.
Kraut, C. and Sapia, H. M. (2022). Aprendizado de máquina utilizando agrupamento e regressão na previsão de locais de acidentes de trânsito em zonas urbanas. Colloquium Exactarum, 14:1–11. DOI: 10.5747/ce.2022.v14.n1.e380.
Larsen, K. R. and Becker, D. S. (2021). Automated Machine Learning for Business. Oxford University Press, Oxford, 1ª edition.
Li, D. and Kanoulas, E. (2018). Bayesian optimization for optimizing retrieval systems. In Web Search and Data Mining Conference, volume 11, pages 360–368, Marina Del Rey. DOI: 10.1145/3159652.3159665.
Magalhães, D., Pozo, A., and Machado, S. (2022). Técnicas de aprendizado de máquinas aplicadas à classificação de decisões judiciais. Revista de Estudos Empíricos em Direito, 9. DOI: 10.19092/reed.v9.573.
Malaquias, E. O. et al. (2021). Acidentes em rodovias brasileiras: Um estudo com técnicas de machine learning para classificar a causa das ocorrências. In Congresso de Pesquisa e Ensino em Transporte da ANPET, number 35, pages 2322–2334, On-line. [link].
Martins, I. E. S. and De Andrade, M. H. S. (2021). Aplicação de técnicas de aprendizado de máquina na análise de ocorrências de trânsito de belo horizonte - mg. Journal of Innovation and Science: Research and Application, 1(1):67–74. DOI: 10.56509/joins.2021.v1.101.
Minussi, J. A., Damacena, C., and Ness Jr., W. L. (2002). Um modelo de previsão de solvência utilizando regressão logística. Journal of Contemporary Administration, 6(3):109–128. DOI: 10.1590/S1415-65552002000300007.
Ribeiro, M. T., Singh, S., and Guestrin, C. (2016). "why should i trust you?": Explaining the predictions of any classifier. In Proceedings of the 22nd ACM SIGKDD International Conference on Knowledge Discovery and Data Mining, KDD ’16, pages 1135–1144. ACM. DOI: 10.1145/2939672.2939778.
Santos, D. e. o. (2021). Machine learning approaches to traffic accident analysis and hotspot prediction. Computers, 10(12):1–15. DOI: 10.3390/computers10120157.
Scholz, J. C. W. and Pinheiro, Y. P. (2023). Prevendo a gravidade de acidentes rodoviários no brasil: A influência do ambiente e características do veículo. Trabalho de Conclusão de Curso (Graduação em Engenharia de Computação). Disponível em: [link].
Wu, J. et al. (2019). Hyperparameter optimization for machine learning models based on bayesian optimization. Journal of Electronic Science and Technology. DOI: 10.11989/JEST.1674-862X.80904120.
Descargas
Published
Cómo citar
Issue
Section
Licencia
Derechos de autor 2025 Os autores
Esta obra está bajo una licencia internacional Creative Commons Atribución 4.0.
