💻 computer science

Predicting Traffic Accidents and Fatalities with Transformer-Based Models and Big Data for Enhanced Policy and Safety Insights

Este estudio propone un marco escalable impulsado por grandes datos que utiliza un Transformador Paralelo Espacio-Temporal (STPT) y técnicas de agrupamiento para predecir con precisión los accidentes de tráfico y las fatalidades en Bangkok, permitiendo así intervenciones de políticas basadas en evidencia para mejorar la seguridad vial urbana.

Autores originales: Sudarat Sukjaroen, Xiaodan Dong, ST Boris Choy, Weidong Huang, Adel Fadhl Noor Ahmed

Publicado 2026-07-14

📖 5 min de lectura🧠 Análisis profundo

CC BY 4.0

Autores originales: Sudarat Sukjaroen, Xiaodan Dong, ST Boris Choy, Weidong Huang, Adel Fadhl Noor Ahmed

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 las carreteras de Bangkok como un juego gigante y caótico de persecución jugado por millones de coches, motocicletas y peatones cada uno de estos días. A veces, el juego sale perfecto; otras veces, los jugadores chocan entre sí y, lamentablemente, algunos no logran levantarse. Un equipo de investigadores decidió dejar de jugar al "¿quién es quién?" y, en su lugar, construyó un detective digital súper inteligente para descubrir exactamente cuándo y dónde es más probable que ocurran estos accidentes, y qué tan graves podrían llegar a ser.

El kit de herramientas del detective: Una bola de cristal hecha de matemáticas
En lugar de solo mirar un mapa y adivinar, el equipo alimentó a su detective con un enorme banquete de datos: 10,163 registros de accidentes de 2019 a 2024, recuentos de tráfico de 387 puntos diferentes, informes meteorológicos e incluso los tipos específicos de vehículos involucrados. No usaron solo un cerebro; construyeron todo un equipo de cerebros digitales.

El jugador estrella fue un nuevo tipo de IA llamada Transformer (específicamente, un Transformer Paralelo Espacio-Temporal, o STPT). Piensa en este modelo como un bibliotecario súper organizado que puede leer todos los libros de la biblioteca al mismo tiempo, notando cómo una historia en una sección se conecta con una historia en otra sección a millas de distancia. Observó tanto el tiempo (cuándo ocurrió el choque) como el espacio (dónde ocurrió) al mismo tiempo.

La gran revelación: Lo que los datos realmente dicen
Los resultados fueron bastante geniales, pero llegaron con algunas advertencias importantes.

El mejor detective: El modelo Transformer fue el mejor para predecir el número de accidentes y víctimas mortales, cometiendo menos errores en comparación con métodos más antiguos como ecuaciones matemáticas estándar o IAs más simples. Sin embargo, el artículo señala que, debido a que los accidentes fatales son raros (como encontrar una aguja en un pajar), el modelo a veces subestimó el número de muertes. Es excelente para decir "no pasará nada malo", pero es un poco tímido al predecir los desastres grandes y raros.
El segundo lugar: Un modelo llamado Gradient Boosting también fue un fuerte contendiente. Fue muy bueno distinguiendo entre un pequeño roce y un choque serio, actuando como un árbitro de mirada aguda.
Lo que descartaron: El estudio mostró explícitamente que los modelos más antiguos y simples (como la Regresión Lineal básica) no eran tan buenos para detectar los patrones complejos en estos datos desordenados. También descubrieron que solo mirar el volumen de tráfico no era suficiente; necesitabas mezclar dónde estaba la carretera, cómo estaba el clima y quién estaba conduciendo.

Las "Zonas Calientes": Donde se esconde el peligro
Al agrupar la ciudad en 10 diferentes "clústeres de densidad de tráfico" (como ordenar una habitación desordenada en 10 montones diferentes), los investigadores encontraron patrones sorprendentes:

La trampa del "Bajo Tráfico": Podrías pensar que las carreteras concurridas son las más peligrosas, pero la segunda tasa de accidentes más alta ocurrió en carreteras tranquilas y desconocidas con muy poco tráfico. Aquí, el principal culpable fue el exceso de velocidad. Los conductores en estas carreteras rectas y planas parecían pensar: "¡Nadie está mirando, así que aceleraré!". Esto provocó muchos choques por alcance, especialmente involucrando motocicletas.
La zona de los "Camiones de Carga": Otro punto caliente fue una ruta específica donde los camiones de recogida de carga eran los principales alborotadores. ¿La causa? Pasarse los semáforos en rojo e ignorar las señales de tráfico en carreteras rectas.
El factor de la "Fatalidad": Cuando se trataba de los lugares más mortales, el patrón cambiaba. Las tasas de fatalidad más altas predichas ocurrieron en carreteras rurales que involucraban motocicletas y exceso de velocidad. La segunda más alta fue en la ciudad, pero esta vez, se trataba de peatones siendo atropellados, a menudo debido a la conducción bajo los efectos del alcohol o personas que se cruzan en el camino de los coches.

El juego del "¿Qué pasaría si...?" (Y lo que no es)
Los investigadores utilizaron un "Árbol de Decisión" (que es como un diagrama de flujo de "Si esto, entonces aquello") para averiguar exactamente qué condiciones conducían a estos choques. Por ejemplo, descubrieron que si una carretera es recta, no tiene pendiente y hay una motocicleta involucrada, el riesgo de accidente aumenta.

El veredic fact: Un mapa, no una varita mágica
El artículo sugiere que este nuevo marco es una herramienta poderosa para los planificadores urbanos. No es una varita mágica que detiene todos los choques instantáneamente. En cambio, es un mapa de alta tecnología que dice: "Oye, si pones cámaras de velocidad en estas carreteras rectas específicas, o si les enseñas a los motociclistas a usar mejor su equipo en estas áreas rurales específicas, podrías salvar vidas".

Los autores advierten cuidadosamente que, aunque su modelo es mejor que los anteriores, todavía está aprendiendo. Sugieren que, en el futuro, si pudieran añadir metraje de video de los rostros y comportamientos de los conductores, el detective podría volverse aún más inteligente. Por ahora, sin embargo, han demostrado que mezclar grandes datos con una IA sofisticada puede ayudarnos a ver los patrones invisibles que conducen a los accidentes, dándonos una mejor oportunidad de arreglarlos antes de que sucedan.

Resumen Técnico: Predicción de Accidentes de Tráfico y Fatalidades con Modelos Basados en Transformers y Big Data

Planteamiento del Problema
La seguridad vial sigue siendo un desafío crítico para la salud pública, particularmente en áreas metropolitanas como Bangkok, Tailandia, que experimenta altas tasas de accidentes y fatalidades. Si bien el aprendizaje profundo ha mostrado potencial en la predicción de accidentes, los modelos existentes suelen centrarse en tipos específicos de accidentes (por ejemplo, conflictos por alcance) o no logran integrar adecuadamente la compleja heterogeneidad espacial y temporal. Existe la necesidad de un marco escalable que prediga conjuntamente la frecuencia de accidentes y el número de fatalidades mediante la incorporación de una amplia gama de variables —incluyendo el volumen de tráfico, las condiciones ambientales, el comportamiento del conductor y la composición de los vehículos— para proporcionar inteligencia basada en evidencia para intervenciones de políticas dirigidas.

Metodología
El estudio propone un marco integral que integra el análisis de big data con arquitecturas avanzadas de aprendizaje profundo. La metodología consta de tres etapas principales:

Integración y Preprocesamiento de Datos:
- Conjuntos de Datos: El estudio combina un conjunto de datos gubernamentales de 9,729 registros de accidentes de tráfico vial (enero de 2019 – julio de 2024) con datos de volumen de tráfico de 387 estaciones de monitoreo.
- Características: El vector de predictores ( $X_i$ ) incluye 37 dimensiones categorizadas en atributos temporales, información espacial/de ruta, medidas de involucramiento de vehículos/humanos y variables relacionadas con las víctimas.
- Clustering: Se aplica el agrupamiento no supervisado K-means a los datos de volumen de tráfico para identificar 10 clústeres de densidad de tráfico distintos. Este paso captura la heterogeneidad espacial y permite el análisis de patrones de accidentes bajo diversas condiciones de tráfico.
Enfoques de Modelado:
El estudio evalúa nueve modelos, con un enfoque específico en dos arquitecturas novedosas de aprendizaje profundo:
- Transformer Paralelo Espacio-Temporal (STPT): Esta arquitectura integra codificadores Transformer y Redes Convolucionales de Grafos (GCN) en paralelo. Utiliza un mecanismo de autoatención para capturar dependencias temporales de largo alcance y estructuras de grafos para modelar correlaciones espaciales entre nodos (por ejemplo, proximidad de latitud/longitud). El resultado es una fusión ponderada de características espaciales y temporales controlada por un coeficiente aprendible $\alpha$ .
- Red Neuronal de Grafos (GNN): Este modelo representa segmentos de carretera como nodos y aprende relaciones mediante el paso de mensajes en un grafo definido por proximidad geográfica o similitud de tráfico. Agrega información de nodos vecinos para modelar dependencias espaciales localizadas.
- Modelos de Referencia (Baselines): Para la comparación, el estudio incluye Gradient Boosting, Árboles de Decisión, XGBoost, LightGBM, Random Forest, Regresión Lineal, Regresión de Vectores de Soporte (SVR) y Redes Neuronales estándar.
Análisis e Interpretación:
- El rendimiento del modelo se evalúa utilizando el Error Cuadrático Medio (MSE), el Error Absoluto Medio (MAE) y el Área Bajo la Curva de Característica Operativa del Receptor (AUC-ROC).
- Se emplea el análisis de Árbol de Decisión en los datos agrupados para identificar condiciones específicas (por ejemplo, volumen de tráfico, tipo de vehículo, geometría de la vía) que conducen a altas tasas de accidentes y fatalidades.
- Se utiliza el mapeo de puntos críticos (hotspots) geoespaciales para visualizar corredores de alto riesgo.

Contribuciones Clave

Aplicación de Arquitectura Novedosa: El estudio llena un vacío de investigación al aplicar el Transformer Paralelo Espacio-Temporal (STPT) para predecir tanto la ocurrencia de accidentes como las tasas de fatalidad, yendo más allá de la predicción de un solo tipo de accidente.
Integración Integral de Variables: A diferencia de estudios previos, este marco analiza conjuntamente 37 variables a través de dimensiones espaciales, temporales, conductuales y ambientales.
Perspectiva Basada en Clústeres: Al integrar el clustering de K-means con el modelado predictivo, el estudio revela cómo los patrones de accidentes difieren significamente a través de los niveles de densidad de tráfico, identificando clústeres específicos con tasas anormalmente altas de accidentes o fatalidades.
Marco de Políticas Accionables: La investigación traduce los resultados del modelo en estrategias de mitigación específicas y dirigidas para los puntos críticos identificados, tales como el control de velocidad en carreteras rectas o medidas de seguridad para peatones.

Resultados

Desempeño Predictivo: El modelo STPT logró el Error Cuadrático Medio más bajo (MSE = 0.0009), superando a todos los demás modelos en la predicción de tasas de fatalidad. Sin embargo, los autores señalan que el modelo subestima las fatalidades en eventos raros de alta severidad debido al desequilibrio de clases en el conjunto de datos.
Capacidad de Clasificación: El Regresor de Gradient Boosting demostró el mayor poder discriminativo con un AUC de 0.8405, seguido por la GNN (AUC = 0.8103). El modelo STPT mostró un desempeño de clasificación moderado (AUC = 0.7783).
Descubrimiento de Patrones:
- Tendencias Temporales: Las tasas de accidentes alcanzan su punto máximo durante las horas pico de los días laborables (8–9 AM, 4–5 PM) y periodos festivos (diciembre/enero).
- Análisis de Clústeres: Los clústeres 5 y 6 exhibieron las tasas de accidentes más altas, mientras que el Clúster 9 mostró la tasa de fatalidad más alta.
- Especificidades de los Puntos Críticos:
  - Segunda Tasa de Accidentes Más Alta: Asociada con bajo volumen de tráfico, rutas desconocidas, motocicletas, exceso de velocidad y colisiones por alcance en carreteras rectas.
  - Tasa de Fatalidad Más Alta: Vinculada a carreteras rurales, motocicletas, exceso de velocidad y carreteras rectas con pendientes.
  - Fatalidades de Peatones: Correlacionadas con conducción bajo los efectos del alcohol, negligencia y colisiones que involucran camionetas de carga en carreteras rectas.

Significancia y Reivindicaciones
El artículo afirma que el marco propuesto ofrece un enfoque transferible y escalable para la evaluación de la seguridad vial urbana. Al aprovechar el big data y el aprendizaje profundo, el estudio demuestra la capacidad de identificar condiciones de alto riesgo y patrones ocultos que los métodos estadísticos tradicionales podrían omitir. Los autores sostienen que esta inteligencia basada en evidencia permite intervenciones dirigidas —como mejoras en la infraestructura, control de velocidad y campañas de concienciación pública— contribuyendo finalmente a la reducción de lesiones y muertes relacionadas con el tráfico. El estudio enfatiza que, si bien los modelos muestran una alta precisión predictiva, el trabajo futuro debería abordar el desequilibrio de clases e integrar datos multimodales (por ejemplo, flujos visuales) para mejorar aún más las medidas de seguridad proactivas.

Más como este