<p>Debido al aumento en los accidentes de tránsito, se propone realizar un estudio para clasificar el estado de las personas involucradas, específicamente para accidentes registrados en la región Metropolitana. Entonces, para realizar la clasificación de los accidentes de tránsito fueron utilizadas Máquinas de Soporte Vectorial (SVM), herramienta que dado un conjunto de muestras como ejemplo para entrenamiento permite etiquetar las clases y con esto entrenar la SVM para construir un modelo que prediga la clase de unanueva muestra. Esta técnica a pesar de ser robusta, también posee debilidades, las que se presentan como un problema combinatorial en la estimación y ajuste de sus parámetros de entrada. La obtención de buenos resultados depende de las características intrínsecas que presentan las SVM, además de la correcta elección de la función kernel y de los parámetros de entrada. La elección y ajuste de los parámetros fue realizada con un algoritmo evolutivo de Optimización por Enjambres de Partículas (PSO). Finalmente, para resolver el problema se desarrollaron distintos modelos utilizando SVM con algoritmos PSO, con lo que se buscaba clasificar el grado de severidad con el que resultan las personas involucradas en los accidentes de tránsito, ilesos o lesionados. En la búsqueda de mejores resultados también se utilizaron variaciones de PSO, generando distintos modelos, comparando los resultados obtenidos y con esto poder realizar la mejor elección para obtener óptimos resultados en la clasificación. Dado lo anterior, el mejor resultado se obtuvo para la comuna de Puente Alto, con un 94% de exactitud, 100% de sensibilidad y 83% de especificidad</p>
<p>Due to increased traffic accidents, a study is proposed to classify the status of those involved, especially for accidents in the Metropolitan region. Then, for the classification oftraffic accidents were used Support Vector Machines (SVM), a tool that given a set of training samples as examples allows you to tag classes and thus train the SVM to build a model that predicts the class of a new sample. This technique despite being robust, it also has weaknesses, which are presented as a combinatorial problem in estimating and adjusting their input parameters. Obtaining good results depends on the intrinsic characteristics presented by SVM also the correct choice of the kernel function and the input parameters. The choice and adjustment of parameters was performed with an evolutionary algorithm of Particle Swarm Optimization (PSO). Finally, to solve the problem different models were developed used SVM with PSO algorithms, which sought to classify the degree of severity of the people who are involved in traffic accidents, this can be uninjured or injured. Searching better results, variations of PSO where used, generating different models, comparing the results obtained with this to make the best choice for optimal results in the classification. Therefore, the best results were obtained for Puente Alto, with 94% accuracy, 100% sensitivity and 83% specificity</p>
last modification
Magíster en Ingeniería Informática
MAGISTER EN INGENIERIA INFORMATICA
<p>Debido al aumento en los accidentes de tránsito, se propone realizar un estudio para clasificar el estado de las personas involucradas, específicamente para accidentes registrados en la región Metropolitana. Entonces, para realizar la clasificación de los accidentes de tránsito fueron utilizadas Máquinas de Soporte Vectorial (SVM), herramienta que dado un conjunto de muestras como ejemplo para entrenamiento permite etiquetar las clases y con esto entrenar la SVM para construir un modelo que prediga la clase de unanueva muestra. Esta técnica a pesar de ser robusta, también posee debilidades, las que se presentan como un problema combinatorial en la estimación y ajuste de sus parámetros de entrada. La obtención de buenos resultados depende de las características intrínsecas que presentan las SVM, además de la correcta elección de la función kernel y de los parámetros de entrada. La elección y ajuste de los parámetros fue realizada con un algoritmo evolutivo de Optimización por Enjambres de Partículas (PSO). Finalmente, para resolver el problema se desarrollaron distintos modelos utilizando SVM con algoritmos PSO, con lo que se buscaba clasificar el grado de severidad con el que resultan las personas involucradas en los accidentes de tránsito, ilesos o lesionados. En la búsqueda de mejores resultados también se utilizaron variaciones de PSO, generando distintos modelos, comparando los resultados obtenidos y con esto poder realizar la mejor elección para obtener óptimos resultados en la clasificación. Dado lo anterior, el mejor resultado se obtuvo para la comuna de Puente Alto, con un 94% de exactitud, 100% de sensibilidad y 83% de especificidad</p>
<p>Due to increased traffic accidents, a study is proposed to classify the status of those involved, especially for accidents in the Metropolitan region. Then, for the classification oftraffic accidents were used Support Vector Machines (SVM), a tool that given a set of training samples as examples allows you to tag classes and thus train the SVM to build a model that predicts the class of a new sample. This technique despite being robust, it also has weaknesses, which are presented as a combinatorial problem in estimating and adjusting their input parameters. Obtaining good results depends on the intrinsic characteristics presented by SVM also the correct choice of the kernel function and the input parameters. The choice and adjustment of parameters was performed with an evolutionary algorithm of Particle Swarm Optimization (PSO). Finally, to solve the problem different models were developed used SVM with PSO algorithms, which sought to classify the degree of severity of the people who are involved in traffic accidents, this can be uninjured or injured. Searching better results, variations of PSO where used, generating different models, comparing the results obtained with this to make the best choice for optimal results in the classification. Therefore, the best results were obtained for Puente Alto, with 94% accuracy, 100% sensitivity and 83% specificity</p>