Regras de associação entre as características dos veículos e os acidentes de trânsito em rodovias federais brasileiras através de aprendizado de máquina
Autor(a) principal: | |
---|---|
Data de Publicação: | 2022 |
Tipo de documento: | Dissertação |
Idioma: | por |
Título da fonte: | Repositório Institucional da UFMG |
Texto Completo: | http://hdl.handle.net/1843/47414 |
Resumo: | Acidentes de trânsito são considerados graves e sérios problemas de saúde pública, os quais acarretam em uma série de mortos e feridos, representando não apenas números, mas vidas humanas perdidas. Em vista disso, o impacto social, somado aos custos com expressivo número de mortos e feridos, evidencia a necessidade de uma análise mais profunda das causas de acidentes e, por este motivo, esta pesquisa teve como objetivo central identificar regras de associação entre as causas de acidentes e as características dos veículos, das estradas, dos usuários e do meio ambiente em rodovias federais brasileiras, comparando as técnicas de aprendizado de máquina Apriori, Eclat, FP-Growth e FP-Max no tratamento dos dados. Para atingir tal objetivo, a metodologia desta pesquisa empregou o uso de tabulação de dados de variáveis categóricas, utilizando-se de um método misto para coleta e transformação dos dados e análise dos resultados, por meio de um procedimento dentro de um contexto real e local em um estudo de caso. Como resultado, foi possível realizar a comparação entre os algoritmos e verificar que os algoritmos Apriori, FP-Growth e Eclat apresentam o mesmo desempenho, com índices de suporte e quantidade de características similares, onde, quanto maior a quantidade de características, menor o índice de suporte. O FP-Max propõe uma maior métrica de suporte para maior quantidade de características e apresentou desfecho contrário, proporcionando um resultado mais preciso. O FP-Max e o Eclat não apresentaram índices de lift e confiança para o banco de dados analisado. Em vista destes fatores, é possível afirmar que a colaboração de um método capaz de entender as causas dos acidentes pode auxiliar políticas públicas, de modo a ser uma boa contribuição social e científica, visto que esta pesquisa tem potencial promissor para ser utilizada como base de diversos estudos e pela Polícia Rodoviária Federal, bem como engenheiros de segurança, poder público e pelo setor privado como concessionárias de rodovias e desenvolvedores de aplicativos mobile. |
id |
UFMG_3974a1bc6d08f17de78706e7bcb12672 |
---|---|
oai_identifier_str |
oai:repositorio.ufmg.br:1843/47414 |
network_acronym_str |
UFMG |
network_name_str |
Repositório Institucional da UFMG |
repository_id_str |
|
spelling |
Marcelo Franco Portohttp://lattes.cnpq.br/6154592978170837Renata Maria Abrantes Baracho PortoRicardo Poley Martins FerreiraSandro Laudareshttp://lattes.cnpq.br/8314537552408665Ramon Batista de Araújo2022-11-24T12:48:41Z2022-11-24T12:48:41Z2022-03-31http://hdl.handle.net/1843/47414Acidentes de trânsito são considerados graves e sérios problemas de saúde pública, os quais acarretam em uma série de mortos e feridos, representando não apenas números, mas vidas humanas perdidas. Em vista disso, o impacto social, somado aos custos com expressivo número de mortos e feridos, evidencia a necessidade de uma análise mais profunda das causas de acidentes e, por este motivo, esta pesquisa teve como objetivo central identificar regras de associação entre as causas de acidentes e as características dos veículos, das estradas, dos usuários e do meio ambiente em rodovias federais brasileiras, comparando as técnicas de aprendizado de máquina Apriori, Eclat, FP-Growth e FP-Max no tratamento dos dados. Para atingir tal objetivo, a metodologia desta pesquisa empregou o uso de tabulação de dados de variáveis categóricas, utilizando-se de um método misto para coleta e transformação dos dados e análise dos resultados, por meio de um procedimento dentro de um contexto real e local em um estudo de caso. Como resultado, foi possível realizar a comparação entre os algoritmos e verificar que os algoritmos Apriori, FP-Growth e Eclat apresentam o mesmo desempenho, com índices de suporte e quantidade de características similares, onde, quanto maior a quantidade de características, menor o índice de suporte. O FP-Max propõe uma maior métrica de suporte para maior quantidade de características e apresentou desfecho contrário, proporcionando um resultado mais preciso. O FP-Max e o Eclat não apresentaram índices de lift e confiança para o banco de dados analisado. Em vista destes fatores, é possível afirmar que a colaboração de um método capaz de entender as causas dos acidentes pode auxiliar políticas públicas, de modo a ser uma boa contribuição social e científica, visto que esta pesquisa tem potencial promissor para ser utilizada como base de diversos estudos e pela Polícia Rodoviária Federal, bem como engenheiros de segurança, poder público e pelo setor privado como concessionárias de rodovias e desenvolvedores de aplicativos mobile.Traffic accidents are pressing public health problems, which lead to a series of deaths and injuries, representing not only numbers, but lost human lives. In view of this, the social impact added to the costs with a significant number of deaths and injuries highlight the need for a deeper analysis of the causes of accident. For this reason, this research aimed at identifying association rules between the causes of accidents and the characteristics of vehicles, roads, users, and the environment on Brazilian federal highways, comparing the Apriori, Eclat, FPGrowth, and FP-Max machine learning techniques in data processing. To achieve this objective, the methodology of this research basically applied the use of categorical variables data tabulation, using a mixed method for data collection and transformation and analysis of results, through a procedure within a real and local context in a case study. In this way, through the analysis of the results, it was possible to compare the algorithms and, thus, verify that the Apriori, FP-Growth, and Eclat algorithms perform equally, with similar support and number of characteristics indexes, where the higher the number of characteristics, the lower the support index. On the other hand, the FP-Max, which proposes a greater support metric for a higher number of characteristics, achieved the opposite outcome, consequently providing a more accurate result. However, FP-Max, as well as Eclat, did not present lift and confidence indexes for the analyzed database. Therefore, taking these factors into consideration, it is possible to affirm that the collaboration of a method capable of understanding the causes of accidents can help public policies and be a strong social and scientific contribution. This research has a promising potential to be used as a basis for several studies, by the Federal Highway Police itself, safety engineers, public authorities, and also by the private sector such as highway concessionaires and mobile application developers.porUniversidade Federal de Minas GeraisPrograma de Pós-Graduação em Geotecnia e TransportesUFMGBrasilENG - DEPARTAMENTO DE ENGENHARIA TRANSPORTES E GEOTECNIATransportesAprendizado de computadorAcidentes de trânsitoAlgoritmosAcidentesRegras de associaçãoAprendizado de máquinaAlgoritmosRegras de associação entre as características dos veículos e os acidentes de trânsito em rodovias federais brasileiras através de aprendizado de máquinainfo:eu-repo/semantics/publishedVersioninfo:eu-repo/semantics/masterThesisinfo:eu-repo/semantics/openAccessreponame:Repositório Institucional da UFMGinstname:Universidade Federal de Minas Gerais (UFMG)instacron:UFMGORIGINALRegras de associação entre as características dos veículos e os acidentes de trânsito em rodovias federais brasileiras por meio de.pdfRegras de associação entre as características dos veículos e os acidentes de trânsito em rodovias federais brasileiras por meio de.pdfapplication/pdf3138903https://repositorio.ufmg.br/bitstream/1843/47414/3/Regras%20de%20associa%c3%a7%c3%a3o%20entre%20as%20caracter%c3%adsticas%20dos%20ve%c3%adculos%20e%20os%20acidentes%20de%20tr%c3%a2nsito%20em%20rodovias%20federais%20brasileiras%20por%20meio%20de.pdf7c88d78e8ea558c95b6a8bdc260c92c8MD53LICENSElicense.txtlicense.txttext/plain; charset=utf-82118https://repositorio.ufmg.br/bitstream/1843/47414/4/license.txtcda590c95a0b51b4d15f60c9642ca272MD541843/474142022-11-24 09:48:41.775oai:repositorio.ufmg.br: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ório de PublicaçõesPUBhttps://repositorio.ufmg.br/oaiopendoar:2022-11-24T12:48:41Repositório Institucional da UFMG - Universidade Federal de Minas Gerais (UFMG)false |
dc.title.pt_BR.fl_str_mv |
Regras de associação entre as características dos veículos e os acidentes de trânsito em rodovias federais brasileiras através de aprendizado de máquina |
title |
Regras de associação entre as características dos veículos e os acidentes de trânsito em rodovias federais brasileiras através de aprendizado de máquina |
spellingShingle |
Regras de associação entre as características dos veículos e os acidentes de trânsito em rodovias federais brasileiras através de aprendizado de máquina Ramon Batista de Araújo Acidentes Regras de associação Aprendizado de máquina Algoritmos Transportes Aprendizado de computador Acidentes de trânsito Algoritmos |
title_short |
Regras de associação entre as características dos veículos e os acidentes de trânsito em rodovias federais brasileiras através de aprendizado de máquina |
title_full |
Regras de associação entre as características dos veículos e os acidentes de trânsito em rodovias federais brasileiras através de aprendizado de máquina |
title_fullStr |
Regras de associação entre as características dos veículos e os acidentes de trânsito em rodovias federais brasileiras através de aprendizado de máquina |
title_full_unstemmed |
Regras de associação entre as características dos veículos e os acidentes de trânsito em rodovias federais brasileiras através de aprendizado de máquina |
title_sort |
Regras de associação entre as características dos veículos e os acidentes de trânsito em rodovias federais brasileiras através de aprendizado de máquina |
author |
Ramon Batista de Araújo |
author_facet |
Ramon Batista de Araújo |
author_role |
author |
dc.contributor.advisor1.fl_str_mv |
Marcelo Franco Porto |
dc.contributor.advisor1Lattes.fl_str_mv |
http://lattes.cnpq.br/6154592978170837 |
dc.contributor.referee1.fl_str_mv |
Renata Maria Abrantes Baracho Porto |
dc.contributor.referee2.fl_str_mv |
Ricardo Poley Martins Ferreira |
dc.contributor.referee3.fl_str_mv |
Sandro Laudares |
dc.contributor.authorLattes.fl_str_mv |
http://lattes.cnpq.br/8314537552408665 |
dc.contributor.author.fl_str_mv |
Ramon Batista de Araújo |
contributor_str_mv |
Marcelo Franco Porto Renata Maria Abrantes Baracho Porto Ricardo Poley Martins Ferreira Sandro Laudares |
dc.subject.por.fl_str_mv |
Acidentes Regras de associação Aprendizado de máquina Algoritmos |
topic |
Acidentes Regras de associação Aprendizado de máquina Algoritmos Transportes Aprendizado de computador Acidentes de trânsito Algoritmos |
dc.subject.other.pt_BR.fl_str_mv |
Transportes Aprendizado de computador Acidentes de trânsito Algoritmos |
description |
Acidentes de trânsito são considerados graves e sérios problemas de saúde pública, os quais acarretam em uma série de mortos e feridos, representando não apenas números, mas vidas humanas perdidas. Em vista disso, o impacto social, somado aos custos com expressivo número de mortos e feridos, evidencia a necessidade de uma análise mais profunda das causas de acidentes e, por este motivo, esta pesquisa teve como objetivo central identificar regras de associação entre as causas de acidentes e as características dos veículos, das estradas, dos usuários e do meio ambiente em rodovias federais brasileiras, comparando as técnicas de aprendizado de máquina Apriori, Eclat, FP-Growth e FP-Max no tratamento dos dados. Para atingir tal objetivo, a metodologia desta pesquisa empregou o uso de tabulação de dados de variáveis categóricas, utilizando-se de um método misto para coleta e transformação dos dados e análise dos resultados, por meio de um procedimento dentro de um contexto real e local em um estudo de caso. Como resultado, foi possível realizar a comparação entre os algoritmos e verificar que os algoritmos Apriori, FP-Growth e Eclat apresentam o mesmo desempenho, com índices de suporte e quantidade de características similares, onde, quanto maior a quantidade de características, menor o índice de suporte. O FP-Max propõe uma maior métrica de suporte para maior quantidade de características e apresentou desfecho contrário, proporcionando um resultado mais preciso. O FP-Max e o Eclat não apresentaram índices de lift e confiança para o banco de dados analisado. Em vista destes fatores, é possível afirmar que a colaboração de um método capaz de entender as causas dos acidentes pode auxiliar políticas públicas, de modo a ser uma boa contribuição social e científica, visto que esta pesquisa tem potencial promissor para ser utilizada como base de diversos estudos e pela Polícia Rodoviária Federal, bem como engenheiros de segurança, poder público e pelo setor privado como concessionárias de rodovias e desenvolvedores de aplicativos mobile. |
publishDate |
2022 |
dc.date.accessioned.fl_str_mv |
2022-11-24T12:48:41Z |
dc.date.available.fl_str_mv |
2022-11-24T12:48:41Z |
dc.date.issued.fl_str_mv |
2022-03-31 |
dc.type.status.fl_str_mv |
info:eu-repo/semantics/publishedVersion |
dc.type.driver.fl_str_mv |
info:eu-repo/semantics/masterThesis |
format |
masterThesis |
status_str |
publishedVersion |
dc.identifier.uri.fl_str_mv |
http://hdl.handle.net/1843/47414 |
url |
http://hdl.handle.net/1843/47414 |
dc.language.iso.fl_str_mv |
por |
language |
por |
dc.rights.driver.fl_str_mv |
info:eu-repo/semantics/openAccess |
eu_rights_str_mv |
openAccess |
dc.publisher.none.fl_str_mv |
Universidade Federal de Minas Gerais |
dc.publisher.program.fl_str_mv |
Programa de Pós-Graduação em Geotecnia e Transportes |
dc.publisher.initials.fl_str_mv |
UFMG |
dc.publisher.country.fl_str_mv |
Brasil |
dc.publisher.department.fl_str_mv |
ENG - DEPARTAMENTO DE ENGENHARIA TRANSPORTES E GEOTECNIA |
publisher.none.fl_str_mv |
Universidade Federal de Minas Gerais |
dc.source.none.fl_str_mv |
reponame:Repositório Institucional da UFMG instname:Universidade Federal de Minas Gerais (UFMG) instacron:UFMG |
instname_str |
Universidade Federal de Minas Gerais (UFMG) |
instacron_str |
UFMG |
institution |
UFMG |
reponame_str |
Repositório Institucional da UFMG |
collection |
Repositório Institucional da UFMG |
bitstream.url.fl_str_mv |
https://repositorio.ufmg.br/bitstream/1843/47414/3/Regras%20de%20associa%c3%a7%c3%a3o%20entre%20as%20caracter%c3%adsticas%20dos%20ve%c3%adculos%20e%20os%20acidentes%20de%20tr%c3%a2nsito%20em%20rodovias%20federais%20brasileiras%20por%20meio%20de.pdf https://repositorio.ufmg.br/bitstream/1843/47414/4/license.txt |
bitstream.checksum.fl_str_mv |
7c88d78e8ea558c95b6a8bdc260c92c8 cda590c95a0b51b4d15f60c9642ca272 |
bitstream.checksumAlgorithm.fl_str_mv |
MD5 MD5 |
repository.name.fl_str_mv |
Repositório Institucional da UFMG - Universidade Federal de Minas Gerais (UFMG) |
repository.mail.fl_str_mv |
|
_version_ |
1803589241160073216 |