El modelo estadístico predice la probabilidad de muerte, el comportamiento de atado y otras variables relacionadas con los accidentes automovilísticos.

El modelo de previsibilidad creado por el equipo de investigación de SMU puede calcular la probabilidad de que ciertas variables, como conducir en estado de ebriedad o acelerar 20 millas, provoquen un accidente automovilístico grave.

P.ej modelo estadístico predice que un hombre de 25 años involucrado en un accidente de dos autos tendrá un 2 por ciento de probabilidad de morir en el accidente si conduce un Ford Focus 2012 en una carretera seca de Dallas a las 2 pm. y va 80 mph en la autopista con un límite de velocidad de 70 mph.

Sin embargo, la probabilidad de que un accidente sea fatal para el mismo conductor en el mismo automóvil a la misma velocidad aumenta al 10 por ciento si bebe alcohol. Modelo predecir.

El equipo de investigación ha creado un sistema interactivo en línea que permite a cualquier persona utilizar su modelo predictivo. Este sistema se puede encontrar en http://gessmu.azurewebsites.net/ de acuerdo con la Sección VII. Sistema Explorador de Precios de Accidentes.

Tony Ng, profesor de ciencias estadísticas en SMU y uno de los coautores del modelo, dijo que la herramienta podría ser particularmente útil como herramienta educativa para concretar el impacto real de determinadas condiciones y comportamientos de conducción en varios grupos de destinatarios, p. ej. conductores jovenes.

“Es de esperar que esto pueda influir positivamente en el comportamiento del conductor y reducir el número de accidentes al aumentar la conciencia de los conductores sobre los hábitos de conducción inseguros”, dijo Ng.

Usar técnicas de análisis de datos, como el modelo SMU, para el análisis. datos de tráfico También puede identificar potencialmente las fuentes de accidentes y sus causas, ayudando a los funcionarios de carreteras a mejorar la seguridad vial. Por ejemplo, los datos se pueden usar para ajustar los límites de velocidad en una carretera determinada o para indicar la ubicación de cámaras donde los conductores conocen la velocidad, dijo Ng.

SMU (Southern Methodist University) utilizó el sistema de estimación general del Departamento de Transporte de EE. UU. datos, que es una muestra representativa de todos los tipos de accidentes automovilísticos notificados por la policía compilados por la Administración Nacional de Seguridad Vial para todos los estados entre 1988 y 2013. Ng y un equipo de exalumnos del Departamento de Ciencias Estadísticas de SMU también utilizaron las Hojas de Datos de Costos de Muerte por Accidentes de Automóviles y Estatales de Evaluación de Seguridad del Departamento de Transporte de EE. UU. Para crear el modelo.

Publicaron un estudio sobre un modelo predictivo en la revista Computational Statistics. Este artículo se basa en una entrada de la competencia GSS Data Challenge 2016 organizada por las tres secciones de la Asociación Estadounidense de Estadística: cálculos estadísticos, gráficos estadísticos y estadísticas gubernamentales.

Los coautores estudiantiles son Gunes Alkan, Robert Farrow, Haichen Liu, Clayton Moore, Yihan Xu, Ziyuan Xu, Yuzhi Yan y Yifan Zhong. Estos estudiantes hicieron una contribución significativa a la recopilación de datos, la preparación para el análisis, el desarrollo de un modelo matemático que podría usarse y la creación de un sistema interactivo en línea. Lynne Stokes, profesora de ciencias estadísticas en SMU, también participó en el estudio.

Su modelo utiliza 11 variables diferentes para predecir el máximo daño posible a un conductor. Se tuvieron en cuenta tanto factores humanos como la edad y sexo del conductor, como el estado de la carretera, el límite de velocidad y el estado del accidente.

Los investigadores tomaron estas variables para analizar la probabilidad de que un accidente automovilístico provoque lesiones que van desde lesiones leves hasta la muerte. También analizaron los daños materiales como resultado de un accidente con uno o más vehículos, así como los costos médicos.

Ng advierte que el modelo que han creado es tan bueno como los datos. Al igual que con cualquier modelo estadístico creado, los resultados pueden contener errores porque los datos que utilizaron como fuente principal confirmaron los errores de medición.

No obstante, Ng enfatizó: “El modelo puede considerarse una herramienta educativa útil para concienciar al público en general de los riesgos y evitar malas conductas de conducción como exceso de velocidad y conducir ebrio“.