Avaliação de técnicas de balanceamento de bases de dados para classificação da severidade de acidentes rodoviários empregando redes neurais artificiais

Autores

DOI:

https://doi.org/10.14295/transportes.v28i5.2271

Palavras-chave:

Dados desbalanceados. Severidade do acidente. Classificação e Redes Neurais Artificiais.

Resumo

Uma característica inerente aos bancos de dados de acidentes rodoviários refere-se ao desequilíbrio existente entre o número de observações associadas às ocorrências dos acidentes com vítimas fatais e não fatais, em relação aos acidentes sem vítimas. Essa particularidade conduz à necessidade da aplicação de técnicas de balanceamento, que possibilitam a reamostragem de classes e atributos. Assim, assegura-se que não haja um super ajuste dos dados em problemas de classificação. Este trabalho investigou a influência de diferentes métodos de balanceamento como undersampling, oversampling e SMOTE no processo de classificação da severidade de acidentes rodoviários pela abordagem de Redes Neurais Artificiais. Os resultados obtidos indicam que o balanceamento proporciona um ganho significativo na taxa de acerto da classificação das classes minoritárias. Verifica-se um melhor ajuste do classificador ao modelo e o ganho na qualidade e acurácia do processo de classificação, principalmente, quando são utilizadas técnicas de sobre amostragem como a SMOTE.

Downloads

Não há dados estatísticos.

Biografia do Autor

Maria Lígia Chuerubim, Universidade Federal de Uberlândia, Minas Gerais – Brasil

Possui graduação em Engenharia Cartográfica pela Universidade Estadual Paulista Júlio de Mesquita Filho (2006). Mestrado realizado junto ao Programa de Pós- Graduação em Ciências Cartográficas da UNESP (2007-2009). De 2009 a 2010, atuou como Analista de Desenvolvimento Fundiário no Programa Cadastro de Terras e Regularização Fundiária no Brasil realizado pelo Ministério do Desenvolvimento Agrário (MDA) em parceria com o Instituto de Terras do Estado de São Paulo (ITESP). De 2010 a 2011 foi Professora de Ensino Básico, Técnico e Tecnológico no Instituto Federal do Espírito Santo (IFES) junto à Coordenadoria de Geomática. Desde 2012, é Professora da Faculdade de Engenharia Civil (FECIV) na Universidade Federal de Uberlândia (UFU), onde se dedica à pesquisas na área das Geociências com ênfase em Geodésia Espacial, Engenharia de Transportes, Geoprocessamento, Planejamento Urbano e Ambiental. Doutora junto ao Programa de Engenharia de Transportes (2019) da Escola de Engenharia de São Carlos (EESC) da Universidade de São Paulo (USP), desenvolvendo sua tese na área de informações espaciais com ênfase em detecção de padrões e previsão de acidentes em rodovias. Têm interesse no desenvolvimento de pesquisas interdisciplinares com especial destaque à colaboração e desenvolvimento de cidades inteligentes. 

Leonardo N. Ferreira, Associate Laboratory of Computation and Applied Mathematics National Institute of Space Research (INPE), Brazil

I am a postdoctoral researcher at the National Institute for Space Research (INPE) from Brazil and a visiting scholar at the Humboldt-Universität zu Berlin and the Potsdam Institute for Climate Impact Research (PIK). I received MSc and Ph.D. degrees in computer science and computational mathematics from the University of São Paulo (USP). During my Ph.D., I worked as a visiting predoctoral fellow at Northwestern University (USA). My current research involves the analysis of global and regional wildfire using pattern recognition tools like machine learning and complex networks theory. This research is inserted in an international collaborative project entitled Dynamical Phenomena in Complex Networks.

Alan D.B. Valejo, Institute of Mathematical and Computer Sciences, School of Engineering of São Carlos, University of São Paulo, Brazil.

He is a PhD student at the Institute of Mathematical and Computer Sciences of the University of São Paulo (ICMC-USP), São Carlos. He holds a degree in computer science with an emphasis on Web Applications Engineering at ICMC-USP. He obtained a Master's degree in Computer Science and Computational Mathematics at ICMC-USP in 2014. He researches in the field of Artificial Intelligence and Machine Learning and is interested in issues related to analysis and mining of complex networks.

Bárbara Stolte Bezerra, Faculty of Civil Engineering, UNESP Sao Paulo State University, Brazil.

She holds a degree in Civil Engineering at Universidade de São Paulo (1995), Master's at Architecture and Urbanism from Universidade Federal da Bahia (2001) and PhD in Transport Engineering from Universidade de São Paulo (2007). Researches areas include the following subjects: traffic engineering, road safety analysis and modeling.

Giuliano Sant'Anna Marotta, Faculty of Civil Engineering, Federal University of Uberlândia, Brazil.

Bachelor's at Surveying Engineering from Universidade Federal de Viçosa (2005), master's at Civil Engineering (Spatial Information) from Universidade Federal de Viçosa (2008) and doctorate at Geosciences (Geophysics) from Universidade de Brasília (2013). Has experience in Geosciences, focusing on Geodesy and Geophysics.

Irineu da Silva, Department of Transport Engineering, School of Engineering of São Carlos, University of São Paulo, Brazil.

He holds a degree in Civil Engineering from the University of São Paulo (1980), a Master's degree in Transport Engineering from the University of São Paulo (1986) and a PhD in Geosciences from the Ecole Polytechnique Fédérale de Lausanne (1990). He is currently Prof. Associate of the University of São Paulo. Has experience in the area of Geosciences, with emphasis on Quality Control in Geodetic Measurements and Structural Monitoring.

Referências

Alejo, R.; Valdovinos, R. M. García, V. e J. H. Pacheco-Sanchez (2013) A hybrid method to face class overlap and class imbalance on neural networks and multi-class scenarios. Pattern Recognition Letters, v. 34, n. 4, p. 380–388. DOI: 10.1016/j.patrec.2012.09.003

Bolón-Canedo, V.; Sánchez-Maroño, N.; Alonso-Betanzos, A.; Benítez, J. M. e F. Herrera (2014) A review of microarray datasets and applied feature selection methods. Information Sciences, v. 282, p. 111–135. DOI: 10.1016/j.ins.2014.05.042

Chang, L-Y (2005) Analysis of freeway accident frequencies: Negative binomial regression versus artificial neural network. Safety Science, v. 43, p. 541-557. DOI: 10.1016/j.ssci.2005.04.004

Chang, L. e H. Wang (2006) Analysis of traffic injury severity: An application of non-parametric classification tree techniques. Accident Analysis & Prevention, v. 38, p. 1019–1027. DOI: 10.1016/j.aap.2006.04.009

Chen, C.; Zhang, G.; Qian, Z.; Tarefder, R. A. e Z. Tian (2016) Investigating driver injury severity patterns in rollover crashes using support vector machine models. Accident Analysis & Prevention, v. 90, p. 128–139. DOI: 10.1016/j.aap.2016.02.011

Delen, D.; Sharda, R. e M. Bessonov (2006) Identifying significant predictors of injury severity in traffic accidents using a series of artificial neural networks. Accident Analysis & Prevention, v. 38, p. 434–444. DOI: 10.1016/j.aap.2005.06.024

Facelli, K.; Lorena, A. C.; Gama, J. e A. C. P. L. F, Carvalho (2011). Inteligência Artificial: Uma abordagem de aprendizado de máqui-na. Rio de Janeiro: LTC. 378p.

Fawcett, T. (2016) Learning from Imbalanced Classes. Available in: https://www.svds.com/learning-imbalanced-classes/. Access: November/2018.

Fouladgar, M.; Parchami, M.; Elmasri, R. e A. Ghaderi (2017) Scalable Deep Traffic Flow Neural Networks for Urban Traffic Congestion Prediction. International Joint Conference on Neural Networks (IJCNN), p. 2251–2258. DOI: 10.1109/IJCNN.2017.7966128

Hosmer, D.W. e S. Lemeshow (2000) Applied logistic regression, 2nd Ed. John Wiley & Sons, New York.

Krawczyk, B. (2016) Learning from imbalanced data: open challenges and future directions. Progress in Artificial Intelligence, v. 5, n. 4, p. 221–232. DOI: 10.1007/s13748-016-0094-0

Li, J.; Fong, S.; Wong, R. K.; Mohammed, S.; Fiaidhi, J. e Y. Sung (2018) A suite of swarm dynamic multi-objective algorithms for rebalancing extremely imbalanced datasets. Applied Soft Computing Journal, p. 1–22. DOI: 10.1016/j.asoc.2017.11.028

Mussone, L.; Ferrari, A. e M. Oneta (1999) An analysis of urban collisions using an artificial intelligence model. Accident Analysis & Prevention, 31, v. 31, p. 705–718. DOI: 10.1016/S0001-4575(99)00031-7

Prati, R. C.; Batista, G. E. A. P. A. e M. C. Monard (2008) Curvas ROC para avaliação de classificadores [Internet]. IEEE Latin America Transactions. 2008; 6 (2): 215-222.Available from: http://ieeexplore.ieee.org/stamp/stamp.do?arnumber=4609920&isnumber=4609907

Salunkhe, U. R. e S. N. Mali (2016) Classifier Ensemble Design for Imbalanced Data Classification: A Hybrid Approach. Interna-tional Conference on Computational Modeling and Security (CMS 2016), v. 85, n. Cms, p. 725–732. DOI: 10.1016/j.procs.2016.05.259

Wang, C.; Qiu, C.; Zuo, X. e C. Liu (2014) An Accident Severity Classification Model Based on Multi-Objective Particle Swarm Optimization. IEICE Trans. Inf. & Syst., n. 11, p. 2863–2871 DOI: 10.1587/transinf.2014EDP7069

Yuan, J., Abdel-Aty, M., Gong, Y. e Q. Cai (2019). Real-time crash risk prediction using long short-term memory recurrent neu-ral network. Transportation research record, 2673(4), 314-326. DOI: 10.1177/0361198119840611

Downloads

Publicado

2020-12-15

Como Citar

Chuerubim, M. L., Ferreira, L. N., Valejo, A. D., Bezerra, B. S., Marotta, G. S., & da Silva, I. (2020). Avaliação de técnicas de balanceamento de bases de dados para classificação da severidade de acidentes rodoviários empregando redes neurais artificiais. TRANSPORTES, 28(5), 252–266. https://doi.org/10.14295/transportes.v28i5.2271

Edição

Seção

Artigos