💻 computer science

Classification of High-Risk Paratransit Drivers Using Ensemble Machine Learning

Este estudio utiliza un conjunto de algoritmos de aprendizaje automático, en el que la Regresión Logística surgió como el modelo más eficaz, para clasificar a los conductores de paratránsito de alto riesgo en Gazipur, Bangladesh, basándose en factores socioeconómicos y operativos, ofreciendo así a las autoridades de transporte una herramienta basada en datos para intervenciones de seguridad dirigidas.

Autores originales: Md Sifat Bin Siraj, Shumaila Noor, Md Emon Miah, Md Jubayadul Islam, Saifullah Mahmud, Jannatul Ferdous, Sk. Md. Ahaduz

Publicado 2026-08-13

📖 5 min de lectura🧠 Análisis profundo

CC BY 4.0

Autores originales: Md Sifat Bin Siraj, Shumaila Noor, Md Emon Miah, Md Jubayadul Islam, Saifullah Mahmud, Jannatul Ferdous, Sk. Md. Ahaduz

Artículo original bajo licencia CC BY 4.0 (https://creativecommons.org/licenses/by/4.0/). ✨ Esta es una explicación generada por IA del artículo a continuación. No ha sido escrita ni avalada por los autores. Para mayor precisión técnica, consulte el artículo original. Leer descargo de responsabilidad completo

Imagina una ciudad como un organismo gigante y vivo. En muchas ciudades en desarrollo, el sistema de transporte "formal" —como los grandes autobuses con horarios fijos— suele ser el esqueleto, pero le faltan algunos huesos. Cuando el esqueleto no puede llegar a cada rincón, una capa flexible e informal de vehículos pequeños (rickshaws, triciclos motorizados y easy bikes) interviene para llenar los vacíos. Esta capa informal es el sistema inmunológico de la ciudad y su equipo de respuesta ante emergencias, todo en uno; mantiene a la gente en movimiento incluso cuando ocurren inundaciones, huelgas o se agota el combustible. Pero, al igual que cualquier sistema inmunológico, tiene puntos débiles. La mayor variable en este sistema no es la carretera ni el clima; es el conductor. Durante décadas, los expertos en seguridad han intentado determinar quién es propenso a chocar usando una matemática de la vieja escuela que cuenta los accidentes como si fueran marcas de conteo en una pared. Pero contar accidentes pasados es como intentar predecir una tormenta mirando los charcos después de que la lluvia ya ha caído. El verdadero desafío es detectar las "nubes de tormenta" antes de que caiga la primera gota. Aquí es donde entra en juego una nueva rama de la ciencia llamada aprendizaje automático. Piensa en el aprendizaje automático no como una bola de cristal, sino como un detective superinteligente que observa la historia de vida completa de un conductor —sus ingresos, su vehículo, sus hábitos— para adivinar quién podría estar en problemas mañana, en lugar de simplemente castigarlo por lo que sucedió ayer.

Este artículo trata sobre ese trabajo de detective. Un equipo de investigadores fue a Gazipur, Bangladesh, una bulliciosa ciudad industrial donde trabajan miles de estos conductores informales, para ver si podían construir un mejor "radar de riesgo". Entrevistaron a 507 conductores, preguntándoles sobre su vida diaria, sus ganancias, sus vehículos y su historial de accidentes. En lugar de solo contar cuántas veces chocó alguien, utilizaron cinco algoritmos diferentes de aprendizaje automático (patrones de cerebro digital) para clasificar a estos conductores en dos grupos: "Seguros" y de "Alto Riesgo". Querían ver si estos detectives digitales podían encontrar a los conductores peligrosos mejor que los métodos matemáticos tradicionales.

Los resultados fueron un poco sorprendentes y muy prácticos. Los investigadores descubrieron que la herramienta más simple de su kit, un modelo llamado Regresión Logística, fue en realidad la que mejor funcionó. Logró identificar correctamente alrededor del 57% de los conductores verdaderamente riesgosos, lo cual fue una mejora enorme —aproximadamente un 40% mejor en captarlos— en comparación con los métodos de conteo tradicionales. Los métodos antiguos estaban tan enfocados en ser precisos que pasaban por alto a muchos de los verdaderos alborotadores. El nuevo modelo, sin embargo, fue mejor para detectar los peligros potenciales, incluso si ocasionalmente señalaba a un conductor seguro por error (lo que los investigadores decidieron que era un intercambio más seguro que pasar por alto a uno peligroso).

La parte más interesante de la historia es lo que el modelo descubrió sobre por qué los conductores son riesgosos. Los datos destrozaron una suposición común: que cuanto más experiencia tiene un conductor, más seguro es. En este estudio, el grupo de "Alto Riesgo" tenía en realidad más experiencia de conducción (un promedio de 8.6 años) que el grupo "Seguro" (un promedio de 6.2 años). Los investigadores sugieren que esto podría deberse a que los conductores experimentados se vuelven excesivamente confiados o complacientes, pensando que conocen las carreteras demasiado bien como para cometer errores. Es como un jugador veterano que deja de revisar sus esquinas porque cree que ya lo ha visto todo.

Otra señal de alerta masiva fue el tipo de vehículo. Los conductores que operan triciclos motorizados (como los auto-rickshaws CNG) tenían aproximadamente tres veces más probabilidades de ser de alto riesgo que aquellos que conducen rickshaws no motorizados o easy bikes. El modelo de aprendizaje automático trató el tipo de vehículo como la pista más importante, más importante que la edad o la educación. Resulta que la velocidad y la potencia de los vehículos motorizados, combinadas con la presión para ganar más dinero, crean la tormenta perfecta para los accidentes.

Entonces, ¿qué significa esto para el mundo real? El artículo sugiere que los funcionarios de la ciudad no deberían limitarse a esperar a que ocurran los accidentes para luego castigar a los conductores. En su lugar, pueden usar este "radar de riesgo" para verificar a los conductores antes de que renueven sus licencias. Si un conductor tiene un vehículo motorizado, ingresos diarios altos (lo que podría significar que tiene prisa) y mucha experiencia, el sistema puede señalarlo para un curso de actualización o una verificación de seguridad. Los investigadores argumentan que este enfoque convierte una aburrida lista administrativa de titulares de licencias en un mapa de seguridad vivo. No requiere cámaras o sensores costosos; simplemente utiliza la información que la ciudad ya posee. Al enfocarse en la mezcla específica de tipo de vehículo, experiencia y presión económica, las ciudades pueden proteger su capa de transporte más vulnerable, manteniendo el "sistema inmunológico" de la ciudad fuerte y listo para manejar lo que venga después.

Resumen Técnico: Clasificación de Conductores de Paratránsito de Alto Riesgo Mediante Aprendizaje Automático de Conjunto (Ensemble)

Planteamiento del Problema
En los centros urbanos en desarrollo como Gazipur, Bangladesh, los sistemas de paratránsito (por ejemplo, auto-rickshaws, easy bikes) sirven como un amortiguador crítico para la resiliencia del transporte urbano, absorbiendo la demanda que las redes formales no pueden satisfacer. Sin embargo, la seguridad de esta flota informal está pobremente caracterizada. Los sistemas regulatorios convencionales luchan por abordar los problemas de seguridad porque el riesgo a nivel de conductor se evalúa a menudo mediante métodos estadísticos tradicionales (por ejemplo, regresión de Poisson o Binomial Negativa) que modelan la frecuencia de accidentes en lugar de predecir categorías de riesgo individuales. Estos modelos lineales no logran capturar las interacciones no lineales entre el comportamiento del conductor, los factores socioeconómicos y los tipos de vehículos, lo que limita la capacidad de las autoridades para identificar proactivamente a los conductores de alto riesgo para intervenciones dirigidas. Además, los datos de siniestralidad en este sector están inherentemente desbalanceados, con conductores seguros superando ampliamente a aquellos con historiales de accidentes, lo que complica el entrenamiento de modelos predictivos.

Metodología
El estudio utilizó un conjunto de datos de 507 conductores de paratránsito en Gazipur, recolectados mediante entrevistas estructuradas cara a cara entre julio y diciembre de 2021. Los conductores fueron categorizados en dos grupos basados en su historial de accidentes autoinformado: "Seguros" (un accidente, $n=386$ ) y "Riesgosos" (dos o más accidentes, $n=121$ ).

La investigación empleó un enfoque comparativo de aprendizaje automático que involucró cinco algoritmos de clasificación:

Regresión Logística: Un modelo interpretable de base con regularización L2.
Random Forest: Un conjunto de 200 árboles de decisión utilizando bootstrap aggregating.
XGBoost: Un algoritmo de potenciación de gradiente secuencial con regularización.
Gradient Boosting: Un enfoque de ajuste de árboles secuencial.
Stacking Ensemble: Un meta-aprendiz que combina Regresión Logística, Random Forest y XGBoost.

Para abordar el desbalance de clases (76% seguros frente a 24% riesgosos), se aplicó la Técnica de Sobremuestreo de la Minoría Sintética (SMOTE) exclusivamente al conjunto de entrenamiento para generar ejemplos sintéticos de riesgo, equilibrando los datos de entrenamiento a una relación 270:270. El conjunto de datos se dividió en 70% de entrenamiento y 30% de prueba utilizando muestreo estratificado.

El estudio comparó estos clasificadores de aprendizaje automático contra un modelo de regresión de Poisson tradicional (convertido a clasificación binaria para la comparación). El rendimiento del modelo se evaluó mediante Exactitud (Accuracy), Precisión, Exhaustividad (Recall), F1-Score, AUC-ROC y el Coeficiente de Correlación de Matthews (MCC), designando el F1-Score como la métrica principal debido a la importancia de equilibrar los falsos positivos y los falsos negativos en contextos de seguridad. La importancia de las variables se analizó mediante la importancia de Gini, la importancia de ganancia (gain importance) y los coeficientes de regresión estandarizados.

Resultos Clave

Rendimiento del Modelo: La Regresión Logística emergió como el modelo con mejor desempeño, logrando un F1-score de 0.483 y un Recall de 0.568. Esto superó a todos los métodos de conjunto (Random Forest F1=0.406, Stacking F1=0.394, XGBoost F1=0.369).
Comparación con Métodos Tradicionales: El modelo de Regresión Logística demostró una mejora del 12.6% en el F1-score y una mejora del 40% en el Recall en comparación con el modelo tradicional de regresión de Poisson. Aunque la regresión de Poisson mostró una precisión ligeramente mayor, su significativamente menor recall (0.405) significó que no logró identificar una parte sustancial de los conductores de alto riesgo, un fallo crítico para la gestión de seguridad proactiva.
Importancia de las Variables:
- Tipo de Vehículo: La operación de vehículos de tres ruedas motorizados (CNG/leguna/tempo) fue identificada como el predictor más dominante del estatus de alto riesgo, asociado con aproximadamente tres veces el riesgo de accidentes de los modos no motorizados.
- Experiencia: Contrario a las suposiciones convencionales de seguridad, la experiencia de conducción se correlacionó positivamente con el riesgo. Los conductores riesgosos tenían significativamente más años de experiencia (8.6 años) que los conductores seguros (6.2 años), lo que sugiere que la experiencia acumulada puede conducir a la complacencia o exceso de confianza en lugar de una mayor seguridad.
- Factores Socioeconómicos: Los ingresos diarios más altos y la velocidad de conducción también fueron predictores significativos de riesgo.
Calibración: Si bien el Stacking Ensemble mostró la mejor calibración (menor puntuación de Brier), la Regresión Logística proporcionó un equilibrio superior entre discriminación e interpretabilidad.

Significancia y Contribuciones
El artículo reclama tres contribuciones primarias a la literatura de seguridad en el transporte:

Avance Metodológico: Valida que los modelos de clasificación de aprendizaje automático, particularmente los interpretables como la Regresión Logística, superan a los modelos tradicionales de regresión de conteo para el objetivo de política específico de identificar individuos de alto riesgo. El estudio demuestra que los marcos de clasificación son más adecuados para decisiones de política binarias (por ejemplo, "reentrenar a este conductor") que los modelos basados en frecuencia.
Manejo del Desbalance de Datos: El estudio aplica exitosamente SMOTE a los datos de seguridad de los conductores, permitiendo un entrenamiento de modelos robusto a pesar de la escasez de registros de accidentes en el sector informal.
Perspectivas Relevantes para Políticas: La investigación desafía la suposición de que la experiencia equivale a la seguridad, revelando que los conductores experimentados en el sector de paratránsito pueden representar mayores riesgos. Además, destaca que el tipo de vehículo es un factor de riesgo más significativo que la demografía individual del conductor.

Significancia para la Gobernanza
Los autores argumentan que este marco de clasificación proporciona a las autoridades de transporte una herramienta accionable para intervenciones de seguridad dirigidas. Al utilizar datos administrativos existentes (tipo de vehículo, ingresos, experiencia), las autoridades pueden generar puntuaciones de riesgo para priorizar recursos hacia los conductores de alto riesgo sin requerir telemática costosa o nueva infraestructura. El estudio sugiere que integrar el cribado de riesgo en el ciclo de renovación de permisos puede transformar los datos administrativos rutinarios en un indicador constante de la resiliencia del transporte urbano, apoyando los Objetivos de Desarrollo Sostenible (ODS) 9 y 11.2 al mejorar la confiabilidad de la capa de transporte informal en la que las ciudades dependen durante las disrupciones.

Resumen Técnico: Clasificación de Conductores de Paratránsito de Alto Riesgo Mediante Aprendizaje Automático de Conjunto (Ensemble)

Más como este