Minería de datos para determinar los factores más influyentes en la ocurrencia de siniestros de tránsito en Ecuador en el año 2020.

Abstract

La ocurrencia de siniestros de tránsito representa un problema de salud pública a nivel nacional y regional, ocasionando pérdidas humanas, además de que cada día va en aumento a nivel mundial, es por ello que resulta oportuno plantear un estudio que permita determinar cuáles son los factores que ocasionan la ocurrencia de siniestros de tránsito. El objetivo del presente Trabajo de Titulación (TT) es aplicar minería de datos para determinar los factores más influyentes en la ocurrencia de siniestros de tránsito en Ecuador en el año 2020, esto se llevó a cabo mediante cinco fases de la metodología de Descubrimiento de Conocimiento en Bases de Datos (KDD) constituida por: búsqueda de información, obtención de datos, depuración de la base de datos, aplicación de técnicas de minería de datos e interpretación y presentación de resultados, por lo cual, por medio del establecimiento de lineamientos para la búsqueda de información se obtuvo el conjunto de datos recolectado por la Agencia Nacional de Tránsito (ANT), en el que consta la recopilación de los partes policiales, diseñados y aprobados por cada uno de los entes de control, bajo los parámetros técnicos establecidos por la misma institución, que reposa en su sitio web oficial. Utilizando las herramientas OpenRefine y RStudio se realizó la depuración del conjunto de datos obtenido, evaluando y determinando las variables más útiles y relevantes para el objeto de estudio. Las herramientas de software empleadas para la aplicación de los algoritmos de minería de datos fueron SPSS Statistics y Weka. Se aplicaron siete técnicas predictivas de minería de datos: CHAID, CHAID Exhaustivo, CRT, Perceptrón Multicapa, Función de Base Radial, Naive Bayes y BayesNet. La evaluación de estos algoritmos se realizó comparando los resultados obtenidos por cada uno, en relación a métricas de rendimiento con respecto a porcentajes de clasificación correcta de las instancias y de precisión. El algoritmo CHAID Exhaustivo fue el que obtuvo los mejores resultados con un porcentaje de clasificación correcta del 58,38% y 44,60% de precisión, con el cual se identificó los patrones más importantes en los datos y se evaluó las posibles asociaciones entre las variables recogidas. Finalmente, se determinó que el factor humano es el factor más influyente con una probabilidad de ocurrencia del 69,64%. Palabras clave: Minería de datos, metodología KDD, Árboles de Decisión, Redes Neuronales, Redes Bayesianas, Siniestros de Tránsito en Ecuador.