Formato del dataset de accidentes

En el set de datos Tráfico Calle 30. Histórico de incidencias y accidentes hay un apartado de descripción de accidentes. Lamentablemente, en el formato actual no es muy útil.

Al estar escrito en lenguaje natural, extraer información de estos datos nos sería complicado. Lo ideal sería tener una serie de categorías cerradas en las cuales organizar los accidentes. Esto haría posible implementar estos datos en modelos como Heimdall30.

Datos sobre la velocidad

La velocidad es uno de los principales factores en un accidente de tráfico, pero actualmente no contamos con datos sobre la velocidad de los accidentados ni la velocidad media de los vehículos en cada tramo.

Ambas métricas podrían resultar de interés a la hora de predecir la probabilidad de accidentes, e incluso a la hora de crear nuevas aplicaciones centradas en el usuario, como recomendaciones personalizadas de velocidad para cada tramo.

Más sensores de actividad climática

Actualmente contamos con 4 estaciones meteorológicas generando datos abiertos en Madrid: En el aeropuerto, en Ciudad Universitaria, en Retiro y en Cuatro Caminos.

Lo ideal sería general datos propios de precipitaciones, humedad, temperatura y demás variables ligados a diversos tramos de la M-30.

La alternativa sería utilizar las estaciones actuales y calcular la media, o generar un sistema que estime la meteorología de cada tramo en función a los datos de esas 4 estaciones.

Datos de circulación

Los actuales datos de circulación en el dataset Tráfico Calle 30. Histórico de incidencias y accidentes simplemente hablan de circulación fluída, densa o congestionada.

Durante la generación del modelo final a implementar en toda la M-30, tendremos a un matemático trabajando con un ingeniero de caminos, juntos crearán un modelo matemático que estime el numero de vehículos circulando por cada tramo en todo momento.

Además de ser esencial para que nuestro modelo funcione (lo necesitamos para calcular la probabilidad de accidente), este dato en formato numerico podría añadirse a las variables que el modelo usa para generar su predicción.

Características del tramo

Crear un mapa de la M-30 tramo a tramo, ligado un dataset con categorías como: Curvatura de la carretera, número de carriles, señalización o uniones de otros tramos.

Este tipo de datos podrían mejorar el porcentaje de acierto de nuestro modelo y abrir posibles nuevas aplicaciones alrededor de la ingeniería de caminos y distribución de señales.

Detección de puntos negros

Gracias a nuestro modelo, podríamos detectar posibles puntos negros de accidentes incluso antes de que se produzcan.

Esto tiene una complicación, ya que sería difícil de evaluar si queremos prevenir esos accidentes.

Si nuestro modelo predice que va a haber un mayor número de accidentes en cierto tramo y nosotros actuamos implementando medidas para prevenirlos de manera exitosa, eso significaría que hemos conseguido reducir los accidentes, es decir, nuestro modelo "ha fallado".

No por ello deberíamos dejar de intentar reducir los accidentes, pero no deberíamos actuar en función de lo que diga el modelo a no ser que la etapa de evaluación haya terminado y confiemos en sus resultados.

Avisos electrónicos

Al saber en que tramos hay mayor probabilidad de accidentes, podemos proyectar avisos electronicos para que las personas circulando aumenten su precaución al volante.

Nos encontramos con la misma problemática que el punto anterior, si conseguimos prevenir un accidente que hubiera ocurrido, eso perjudiacará a la evaluación de nuestro modelo, por lo que hay que tener estos avisos en cuenta a la hora de la evaluación.

Distribución de recursos

Tanto la policía como SAMUR podrían utilizar los datos de nuestro modelo para distribuir sus recursos de una manera más eficiente, situando los remolques y vehículos de actuación rápida en las bases cercanas a los puntos con más peligro de accidente.

Análisis de factores que aumentan el riesgo

Si incluyéramos los datos de características de tramo anteriormente mencionados (Curvatura de la carretera, número de carriles...) podríamos utilizar este modelo para evaluar posibles configuraciones alternativas, o evaluar la mejora en los tramos recientemente cambiados.

¿Cómo influiría en los accidentes de tráfico si X tramo tuviera un mayor ángulo de curvatura? Podrás cambiar los parámetros en Heimdall30 y obtén una estimación sin tener que construir nada.

¿Cómo ha afectado a la seguridad vial la obra en X carretera comparado con su anterior configuración? Sí mantienes un "digital twin" con los datos de la anterior configuración y compara los resultados estimados con los datos reales del nuevo tramo podrás evaluar el éxito de la obra.