Urban Crash Prevention:
Análisis Predictivo de Accidentes de Tráfico en La Ciudad de Madrid
Presentación TFG
Antonio Adam Béjar Gladkowski Trabajo Fin de Grado
15 Enero 2023
Agenda
1
2
5 4 3
6
Contexto y Objetivos
Metodología y Planificación Análisis
Aplicación y prototipos: Diseño, Desarrollo y Modelos
Demostración Aplicación Web Conclusiones
Contexto
Escenario Urbano
Ciudad de Madrid Open Data
Base de datos grande
Problemática grave
Accidentes de tráfico 2021: 1004 muertes
2022: 1129 muertes
Justificación
Tema siempre sensible en los medios Quinta causa de mortandad
Aprender de los datos
Motivación
Servicio al Ciudadano Prevenir accidentes Efecto sostenibilidad
Objetivos
Modelo analítico de accidentes
Predicción probabilidad accidentes y lesividad
Aplicación web Servicio al ciudadano
Metodología
Iniciación Planificación Cierre
Seguimiento y control
Retroalimentación
PMBOK + CRISP - DM
Planificación
45 60
170
25
1 Gestión del Proyecto 2 Análisis y Diseño 3 Construcción 4 Gestión de Riesgos
145 25
Construcción Contingencia
300 h
Captura Datos
Diseño Sistema
Primer Informe
Modelo predictivo
Modelo Accidentes
MVP I
Segundo informe
Informe Cierre Informe inicial
Planificación - Hitos
Octubre Noviembre Diciembre Enero
Planificación – Análisis de Riesgos
Fallo de planificación
Dificultades adquisición
datos
Dificultades técnicas Dificultades
técnicas- éticas Dificultades
legales
Falta de plataforma
RIESGOS
Preventivas Correctivas
Análisis
Análisis de Casos
• Factores influyentes
• Modelización del caso
Análisis Funcional
• Establecer requisitos
• Catalogar requisitos
Accidentes
Factor Humano
Análisis del caso - Accidentes
Externos
Factor Medio Ambiente
Factor Entorno Factor
Vehículo
Conductor Lesividad
Análisis – Casos de uso
Análisis Funcional - Requisitos
Edad
Destino Origen
Transito
Intensidad
Via
Meteorología Horario
Fecha
Sexo Via
Concreta
Ruta
MVP I
MVP II Y MVP III
Aplicación y prototipos: Diseño – Plataformas
Evaluación Individual Plataformas
Aplicación y prototipos: Diseño – Aplicación
Logotipo
Introducción
Dashboard
Prototipos
Aplicación y prototipos: Desarrollo - Estrategia
Datos originales
Preprocesamiento
Datos Accidente
Datos Lesividad
Datos Completos
EDA Lesividad
EDA Accidentes ML Accidentes - Predictor
ML lesividad - Clasificador
Dashboard
Servicio Web - Prototipos
Aplicación y prototipos: Desarrollo - Prototipos
Almacenamiento
Procesamiento y Tratamiento
Análisis de Datos
Modelo Predictivo Datos
Externos
Origen de
Datos BackEnd
Servicio Web
FrontEnd
Usuario
Aplicación y prototipos: Desarrollo EDA
Preprocesamiento Accidentes 2010-2018
Accidentes 2019-2022
EDA Lesividad EDA Accidentes
Grupo de riesgo
Mayor Lesividad
Picos
BICICLETA MOTOCICLETA PESADOS TURISMO
0-05 06-09 10-14 15-17 18-20 21-24 25-29 30-34 35-39 40-44 45-49 50-54 55-59 60-64 65-69 70-74 +74
Aplicación y prototipos: Modelos ML
Modelos ML
Validar
Train
Datos
EDAs
Modelos Predictivos
Modelos Clasificación
Random Forest Regressor
Decision Tree Regressor
KNeighbors Regressor
Multiple Linear Regressor
Kmeans
Neural Network
MLP
Random Forest Classifier
KNN
Demostración de la Aplicación Web
https://abejarg.pythonanywhere.com/
Servicio al ciudadano Objetivos
cumplidos
Prototipado escalable
Cuadro de Mandos
Sencillez
Motivación
Efectos Sostenibilidad
Conclusiones
