馃殾 Predicci贸n de Accidentes de Tr谩nsito
Autores: Calf铆n & Fern谩ndez
馃幆 Objetivo
Analizar las condiciones del entorno urbano y vehicular para predecir la cantidad de accidentes de tr谩nsito usando modelos de miner铆a de datos, y comunicar visualmente los hallazgos a partir de datos reales.
馃攳 Insights Principales
1. Densidad de tr谩fico y multas: combinaci贸n cr铆tica
A mayor densidad y mayor cantidad de multas, el riesgo de accidentes predichos aumenta significativamente.
2. Lluvia + mal pavimento = m谩s accidentes
Las zonas con pavimento deteriorado y lluvia intensa presentan mayores niveles de accidentes predichos.
3. Variables m谩s influyentes
Seg煤n el 谩rbol de regresi贸n, las variables con mayor impacto fueron:
Densidad del tr谩fico o "traffic_density" , Multas de tr谩fico o "traffic_fine_amount", Intensidad de la lluvia o "rain_intensity" y la cantidad de veh铆culos o "vehicle_count".
馃 Modelo Aplicado
Se utiliz贸 un 谩rbol de regresi贸n (`DecisionTreeRegressor`) con ajuste de hiperpar谩metros mediante `GridSearchCV`. Se aplic贸 escalamiento previo de los datos con `StandardScaler`.
馃搳 Visualizaciones
-
Nube de palabras con variables m谩s importantes
-
Gr谩fico de dispersi贸n: Pavimento vs Accidentes
馃搶 Aplicaciones reales
Este modelo de predicci贸n es una herramienta estrat茅gica para **organismos p煤blicos y municipales**, dise帽ada para generar un impacto directo en la seguridad vial. Permite:
- **Focalizar recursos** en 谩reas y momentos de mayor riesgo predicho.
- **Mejorar la fiscalizaci贸n** y la presencia preventiva donde m谩s se necesita.
- **Reducir significativamente la ocurrencia de accidentes** al identificar y mitigar condiciones cr铆ticas del entorno urbano y vehicular.
Su implementaci贸n se traduce en ciudades m谩s seguras y una gesti贸n m谩s eficiente de la infraestructura vial.
馃敆 Enlaces 煤tiles
Publicaci贸n en LinkedIn Belen Calf铆n: Ir
Publicaci贸n en LinkedIn Diego Fern谩ndez: Ir
Repositorio del c贸digo: Ir