A lo largo del trabajo, planteamos diversas soluciones posibles para resolver la tarea de predecir accidentes en Madrid. Algunos modelos no ofrecieron los resultados esperados.
Otros permitieron predicciones correctas y mejoraron las tasas de acierto basadas en datos promedio, pero fueron descartados al aportar información menos relevante que el enfoque finalmente adoptado.
A continuación, una breve descripción de los diversos intentos y modelos.
El análisis exploratorio de datos mostró patrones claros de estacionalidad en la evolución del número de accidentes. Esto alentaba la posibilidad de usar un modelo de series temporales para identificar esos patrones y proyectarlos para predecir futuros accidentes.
Como muestra la imagen inferior, el modelo testeado en BigML detectó el patrón (línea verde), pero no logramos proyectarlo (zona sombreada a la derecha). Lo mismo ocurrió con una segunda prueba directamente en Python con la librería Prophet. El cuaderno Colab puede consultarse aquí.
Como los intentos por predecir cifras de accidentes con modelos de regresión ofrecían resultados poco precisos debido a las variaciones de un día a otro, categorizamos accidentes por su gravedad y planteamos el problema como una clasificación binaria entre accidentes graves y leves, basándonos en features como distrito, tipo de accidente, tipo de conductor, edad, hora, fecha, etc.
En este caso, los resultados fueron positivos, pero no tan útiles como los del enfoque finalmente adoptado.
De los modelos descartados, el que mejor resultados arrojó fue la predicción de accidentes agrupados por semana: un modo de reducir la fuerte dispersión de datos diarios.
Trabajando con datos de 2015 a 2018 y variables como distrito, tráfico diario medio en cada zona, superficie, densidad de población, zonas verdes, superficie de calzada, semana, mes y año, y algo de preprocesado (incluyendo limpieza de anomalías).
Obtuvimos un R Squared de 0.45 y un MSE que mejora en más de un 80% el de predicciones basadas en la media (lo que esté haciendo el Ayuntamiento) y en un 1000% el de predicciones al azar. Con sklearn en Python obtuvimos resultados prácticamente iguales. El cuaderno Colab puede consultarse aquí.
Finalmente, probamos en BigMl dos enfoques no supervisados para resolver el problema de diferente manera:
Clusterización: para ver si podíamos encontrar "accidentes tipo", pero no funcionó como esperábamos y los resultados fueron poco orientativos.
Anomaly detection: una vía etiquetar accidentes entre "tipo" e "inusual" y plantear en base a eso una clasificación binaria predicitiva.