Predicción de accidentes de tránsito en la Ciudad de Buenos Aires :aplicación de métodos predictivos para la identificación de zonas de riesgo de accidentes de tránsito en la Ciudad de Buenos Aires

Abstract

Los accidentes de tránsito son una problemática significativa en la Ciudad de Buenos Aires, influenciada por factores como la infraestructura vial, el comportamiento de los conductores y las características urbanas. Este trabajo analiza patrones espacio-temporales del tránsito y variables urbanas para desarrollar modelos predictivos capaces de clasificar zonas de riesgo. Basándose en las primeras etapas de la metodología CRISP-DM, el estudio integra datos geoespaciales y temporales para anticipar la probabilidad de siniestralidad en distintas áreas de la ciudad. La fase de comprensión del negocio define el problema de la siniestralidad vial. En la fase de comprensión de los datos, se recopila información sobre patrones de tráfico, condiciones ambientales y características urbanas, creando una base sólida para el análisis predictivo. El proceso de preparación de los datos incluye limpieza, transformación y normalización, lo que asegura que los datos estén listos para el modelado. En esta etapa, se implementan y evalúan modelos predictivos, como Random Forest y Gradient Boosting, para estimar la probabilidad de siniestralidad. La evaluación de los modelos se realiza a través de matrices de confusión, que permiten medir la precisión en la clasificación de zonas de alto, medio y bajo riesgo. Los resultados obtenidos constituyen una herramienta predictiva importante para optimizar la asignación de recursos en seguridad vial y guiar políticas públicas orientadas a reducir la siniestralidad urbana en la Ciudad de Buenos Aires. Este modelo no solo mejora la toma de decisiones, sino que también contribuye a una planificación urbana más eficiente y proactiva, con un enfoque en la prevención de accidentes.