Classificação das Causas de Acidentes em Rodovias de Minas Gerais - Utilizando Machine Learning

Aug 5, 2026

Carregar por Levi

Acidentes de transporte terrestre figuram entre as principais causas de mortalidade global, com impactos relevantes em saúde e economia, exigindo apoio técnico para aprimorar investigação e prevenção. O estudo compara e seleciona modelos de Machine Learning para classificar as causas de acidentes em rodovias federais de Minas Gerais, Brasil, usando dados da Polícia Rodoviária Federal de 01/01/2023 a 30/09/2023. Foram avaliados Random Forest, Support Vector Machine e K-Nearest Neighbors. O SVM apresentou melhor acurácia e índice Kappa; o RF teve desempenho aceitável e o K-NN foi inferior e mais lento. A análise reforça a escolha criteriosa do modelo combinando desempenho e eficiência computacional.

IdiomaPortuguese

CategoriaPesquisa e Relatórios

FormatoPDF

Páginas15

Tempo de leitura23 min

AcessoDownload gratuito

Índice

Introdução

Dados e contexto de segurança viária

Objetivo do estudo e abordagem com Machine Learning

Classificação e avaliação de modelos

Classifica¸c˜ao das Causas de Acidentes em Rodovias de Minas Gerais Utilizando Machine Learning Lucas Ferreira Rosa 1†, Miguel Carvalho Nascimento 1 , W´elson Antˆonio de Oliveira 1 , Momate Emate Ossifo2 , Paulo Henrique Sales Guimar˜aes3 1 Programa de p´os-gradua¸c˜ao em estat´ıstica e experimenta¸c˜ao agropecu´aria, Instituto de ciˆencias exatase Tecnol´ogicas, Universidade Federal de Lavras (UFLA) . 2 Escola Superior de Desenvolvimento Rural, Universidade Eduardo Mondlane, Mo¸cambique. 3 Departamento de Estat´ıstica, Instituto de Ciˆencias Exatas e Tecnol´ogicas, Universidade Federal de Lavras (UFLA) . Resumo: Os acidentes de transporte terrestre s˜ao uma das principais causas de mortalidade global, especialmente entre jovens e adultos, e causam impactos significativos em ´areas essenciais como sa´udee economia. Este estudo visa comparar e selecionar um modelo para classificar as causas de acidentes em rodovias federais de Minas Gerais, Brasil, utilizando m´etodos de tratamento de dados e t´ecnicas de Machine Learning. Dados da Pol´ıcia Rodovi´aria Federal, de 01/01/2023 a 30/09/2023, foram usados para analisar os algoritmos Random Forest (RF), Support Vector Machine (SVM) e K-Nearest Neighbors (K-NN) . O SVM apresentou a melhor acur´acia e ´ındice Kappa, enquanto o RF teve um desempenhorazo´avel e o K-NN foi inferior e mais lento. A an´alise refor¸ca a importˆancia de escolher criteriosamenteo modelo, considerando desempenho e eficiˆencia computacional. O estudo visa apoiar as autoridades de seguran¸ca, como a Pol´ıcia Rodovi´aria Federal, na an´alise e registro das ocorrˆencias, fortalecendo aconstru¸c˜ao de uma base de dados robusta e confi´avel para o preenchimento do Boletim de Acidente de Trˆansito. Palavras-chave: Aprendizado Supervisionado; K-Nearest Neighbor; Random Forest; Support Vector Machine. Classification of Accident Causes on Highways in Minas Gerais Using Machine Learning Abstract: Road traffic accidents are one of the leading causes of global mortality, especially among young people and adults, and they have significant impacts on essential areas such as health and the economy. This study aims to compare and select a model to classify the causes of accidents on federal highways in Minas Gerais, Brazil, using data processing methods and Machine Learning techniques. Data from the Federal Highway Police, from January 1, 2023, to September 30, 2023, were used to analyze the Random Forest (RF), Support Vector Machine (SVM), and K-Nearest Neighbors (K-NN) algorithms. The SVM showed the best accuracy and Kappa index, while the RF had reasonable performance, and the K-NN was inferior and slower. The analysis reinforces the importance of carefully choosing the model, considering performance and computational efficiency. The study aims to support security authorities, such as the Federal Highway Police, in analyzing and recording occurrences, strengthening the construction of a robust and reliable database for filling out the Traffic Accident Report. Keywords: Supervised Learning; K-Nearest Neighbor; Random Forest; Support Vector Machine. †Autor correspondente: [lucasferreira_77@hotmail.com.br](lucasferreira_77@hotmail.com.br) Manuscrito recebido em: 24/07/2024 Manuscrito revisado em: 30/09/2024 Manuscrito aceito em: 03/10/2024 Sigmae, Alfenas, v.13, n.4, p. 123-137. 2024. 68➟ Reuni˜ao da Regi˜ao Brasileira da Sociedade Internacional de Biometria (RBRAS) Introdu¸c˜ao De acordo com o Global Status Report on Road Safety (GSRRS) de 2023 da World Health Organization (WHO), desde 2019, com mais de 2 mortes por minuto e mais de 3.200 por dia, os acidentes de trˆansito continuam a ser a principal causa de morte de crian¸cas e jovens com idades entre 5 e 29 anos e a 12➟ principal causa de morte considerando todas as idades. Dois ter¸cos dessas mortes ocorrem entre pessoas em idade produtiva (18 a 59 anos), causandoenormes preju´ızos `a sa´ude, al´em de impactos sociais e econˆomicos em

Perguntas frequentes

Qual é o objetivo principal do estudo?

Comparar e selecionar um modelo de Machine Learning para classificar as causas de acidentes em rodovias federais de Minas Gerais, apoiando autoridades na análise e registro das ocorrências.

Quais algoritmos foram avaliados para a classificação?

Foram analisados Random Forest (RF), Support Vector Machine (SVM) e K-Nearest Neighbors (K-NN), com foco em desempenho e eficiência computacional.

Qual modelo apresentou o melhor desempenho?

O SVM apresentou a melhor acurácia e o maior índice Kappa. O RF teve desempenho razoável e o K-NN foi inferior e mais lento.

Aug 5, 2026

Carregar por Levi