Repository logo
 
Publication

Deteção automática dos locais com maior índice de sinistralidade

2022Master thesis Open access
Simple item page
dc.contributor.advisorPereira, Ana Maria Dias Madureira
dc.contributor.authorGuimarães Júnior , Tadeu Teixeira
dc.date.accessioned2023-03-31T13:41:44Z
dc.date.available2023-03-31T13:41:44Z
dc.date.issued2022
dc.description.abstractA Polícia Rodoviária Federal (PRF) é o órgão responsável pela fiscalização de trânsito no âmbito das rodovias federais brasileiras. Uma das suas missões é garantir a segurança viária e proteger a vida dos usuários das rodovias. Um dos seus grandes desafios é identificar causas sistemáticas de acidentes, sejam estruturais ou sociais, e atuar para reduzir o número de ocorrências, por meio de políticas e patrulhamento ostensivo. O objetivo desse trabalho é realizar um estudo da utilização de técnicas de Machine Learning (ML) para a identificação dos locais com maior probabilidade de ocorrência de Acidentes de Trânsito (AT), a partir dos dados históricos de acidentes da PRF. Para isso, é analisada a capacidade de diversos algoritmos de ML em predizer o local de ocorrência de um novo AT. Além disso, é verificado se a utilização de outras variáveis que não são consideradas no método atual da instituição, tais como a condição climática, o tipo de acidente e a geolocalização do local da ocorrência, influenciam na assertividade dos algoritmos.pt_PT
dc.description.abstractThe Polícia Rodoviária Federal (PRF – Federal Highway Police) is responsible for supervising traffic on Brazilian federal highways. One of its missions is to ensure safety and protect the lives of road users. One of its great challenges is to identify systematic causes of accidents, whether structural or social, and to act to reduce the number of occurrences, through policies and ostensible patrolling. The objective of this work is to carry out a study of the use of Machine Learning (ML) techniques to identify the places with the highest probability of occurrence of Traffic Accidents (TA), from the historical accidents data of PRF. For this, the ability of several ML algorithms to predict the place of occurrence of a new TA is analyzed. In addition, it is verified whether the use of other variables that are not considered in the institution's current method, such as the weather condition, the type of accident and the geolocation of the place of occurrence, influence the assertiveness of the algorithms.pt_PT
dc.identifier.tid203114043pt_PT
dc.identifier.urihttp://hdl.handle.net/10400.22/22651
dc.language.isoporpt_PT
dc.rights.urihttp://creativecommons.org/licenses/by-nc-nd/4.0/pt_PT
dc.subjectAcidente de trânsitopt_PT
dc.subjectAcidente rodoviáriopt_PT
dc.subjectRodovias federaispt_PT
dc.subjectInteligência Artificialpt_PT
dc.subjectAprendizagem Automáticapt_PT
dc.subjectAprendizado de máquinapt_PT
dc.subjectPolícia rodoviária federalpt_PT
dc.subjectPRFpt_PT
dc.subjectTraffic accidentpt_PT
dc.subjectRoad accidentpt_PT
dc.subjectHighway accidentpt_PT
dc.subjectFederal roadspt_PT
dc.subjectBrazilian highwaypt_PT
dc.subjectFederal highwaypt_PT
dc.subjectArtificial intelligencept_PT
dc.subjectMachine Learningpt_PT
dc.subjectFederal highway policept_PT
dc.subjectDeep learningpt_PT
dc.titleDeteção automática dos locais com maior índice de sinistralidadept_PT
dc.typemaster thesis
dspace.entity.typePublication
rcaap.rightsopenAccesspt_PT
rcaap.typemasterThesispt_PT
thesis.degree.nameMestrado em Engenharia Informática - Engenharia de Softwarept_PT

Files

Original bundle
Now showing 1 - 1 of 1
No Thumbnail Available
Name:
DM_TadeuGuimaraesJunior_2022_MEI.pdf
Size:
4.14 MB
Format:
Adobe Portable Document Format
Download
License bundle
Now showing 1 - 1 of 1
No Thumbnail Available
Name:
license.txt
Size:
1.71 KB
Format:
Item-specific license agreed upon to submission
Description:
Download

Collections

ISEP - DM – Engenharia Informática