2026-06-04T03:30:27Zhttps://riubu.ubu.es/oai/requestoai:riubu.ubu.es:10259/77862024-05-17T10:57:47Zcom_10259_2699col_10259_5732
00925njm 22002777a 4500
dc
Febres Eguiguren, Juan Diego
author
2021
Las lesiones y muertes causadas por los accidentes de tráfico se han convertido en un problema de
salud pública a nivel mundial, de tal magnitud que han estado presentes en las estadísticas de la
Organización Mundial de la Salud (OMS) y de varios organismos alrededor del mundo entre las diez
primeras causas de fallecimiento por más de una década. Es por ello que la Organización de las
Naciones Unidas (ONU) ha incluido entre sus objetivos de desarrollo sostenible (ODS) la meta de
reducir sus impactos a la mitad hasta 2030. A este objetivo se han unido varias organizaciones
internacionales como la Unión Europea, el Gobierno de España y la Dirección General de Tráfico (DGT).
Si bien es cierto, la minería de datos y el aprendizaje vienen desarrollándose desde hace ya mucho
tiempo, la aparición del paradigma del “Big Data” ha introducido una nueva revolución en estos
procesos de minería de datos y aprendizaje. Es así, que la aplicación sistemática de diferentes técnicas
en la modelización de distintas ramas de la ciencia, como el estudio de la seguridad vial, son
relativamente nuevas, siendo también cierto que los aportes científicos parecen ser muy
prometedores conforme se avanza en la aplicación a las diferentes ramas de estudio, debido a la
progresiva digitalización y estandarización de los datos recogidos en dichas disciplinas, permitiendo la
aplicación de estas técnicas de análisis y modelización que antes no podían utilizarse.
Esta Tesis Doctoral modeliza la lesividad de los accidentes de tráfico en España, utilizando Redes
Bayesianas para aprender la dependencia estadística entre las variables relacionadas con los factores
humanos y técnicos que tienen lugar en el momento del accidente, realizando también experimentos
que analizan la sensibilidad de la lesividad a los diferentes factores considerados en cada modelo, lo
que permite identificar aquellos más valiosos, en términos probabilísticos, los cuales incrementan o
reducen el grado de lesividad. El aporte metodológico de esta tesis es sólido, pues deja entrever en
sus aportes científicos la bondad del aprendizaje de los algoritmos de redes bayesianas en el
tratamiento de datos de los accidentes de tráfico, así como la robustez de los modelos planteados a
través del método de validación aplicado, siendo este la validación cruzada, la cual sigue un esquema
10-fold.
El aporte específico de esta tesis se centra en las cinco contribuciones científicas realizadas sobre el
estudio de la lesividad en los accidentes de tráfico en España, utilizando para ello la modelización a
través de redes bayesianas. Estas contribuciones de forma general abordan, pero no se limitan, a: (i)
un modelo que estudia la lesividad de los conductores en los accidentes de tráfico basados en el
propósito del viaje, (ii) un modelo que analiza la lesividad de los conductores en los accidentes de
tráfico según el uso de equipos de protección personal, (iii) un modelo para el análisis de la lesividad
general de los usuarios de la vías a través del comportamiento inseguro de los conductores no
alineados con las normas regulatorias de tráfico, (iv) un modelo que estudia la lesividad de los
peatones basados en su comportamiento durante los accidentes de tráfico, (v) un modelo que estudia
la lesividad general de los usuarios de las vías a través de las infracciones causadas por la conducción
distraída de base tecnológica.
http://hdl.handle.net/10259/7786
10.36443/10259/7786
Accidentes de tráfico
Análisis de datos
Redes bayesianas
Lesividad de usuarios de las vías
Modelización
Aprendizaje automatizado
Traffic accidents
Data analysis
Bayesian networks
Road traffic injuries
Modeling
Machine learning
Estudio de la lesividad de los accidentes de tráfico en España: modelización de los factores técnicos y humanos