����������������������������������������������������������������������������������������� ��� �

���������������������������������������������������������������������������������

 

An�lisis de incidentes de transito mediante la calidad del modelo KNN������

����������������������� �����������

Analysis of traffic incidents using the quality of the KNN model

 

An�lise de incidentes de tr�nsito usando a qualidade do modelo KNN

 

 

Mario Gerardo Moreno-Pallares ^I

mario.moreno01@epn.edu.ec

https://orcid.org/0000-0001-9083-8816

 

Rodrigo Rigoberto Moreno-Pallares ^II

rodrigo.moreno@espoch.edu.ec

https://orcid.org/0000-0003-1877-6942

 

 

�����������

Correspondencia: mario.moreno01@epn.edu.ec

 

Ciencias t�cnicas y aplicadas

Art�culo de revisi�n

 

 

*Recibido: 30 de septiembre de 2020 *Aceptado: 29 de octubre de 2020 * Publicado: 18 de noviembre de 2020

 

       I.            Ingeniero en Sistemas Inform�ticos, Escuela Polit�cnica Nacional, Riobamba, Ecuador.

    II.            Magister en Ingenier�a Industrial y Productividad Msc, Ingeniero Industrial, Formaci�n de Formadores, Escuela Superior Polit�cnica de Chimborazo, Riobamba, Ecuador.

Resumen

El presente estudio es una investigaci�n referente a la clasificaci�n de incidentes de tr�nsito, los cuales se encuentran plasmados en videos por parte de c�maras ya sean de seguridad u otro dispositivo de video, con la ayuda de las nuevas tecnolog�as inform�ticas se encuentran resultados con un alto nivel de porcentaje de exactitud, con los datos obtenidos y el modelo de clasificaci�n correspondiente podemos dar una predicci�n de los incidentes suscitados en el lugar donde ocurren estos actos de riesgos que afectan a conductores, peatones y la propiedad tanto p�blica como privada, las tecnolog�as de KNN con datos en crudo y normalizados, SSD Mobilenet ayuda a detectar los autom�viles y su seguimiento lo realizamos con la t�cnica del centroide en los videos recolectados, esto ayuda a tener una mejor perspectiva del comportamiento de los incidentes en cualquier lugar geogr�fico donde exista demasiado trafico o que siempre ocurran riesgos de incidentes, para que autoridades y encargados de la seguridad vial puedan tomar mejores decisiones y poder disminuir la tasa de crecimientos de incidentes de tr�nsito.

Palabras claves: Incidente; inform�tica; seguridad vial; detecci�n; machine learning; inteligencia artificial; tracking.

 

Abstract

This study is an investigation related to the classification of traffic incidents, which are captured in videos by security cameras or another video device, with the help of new computer technologies, results with a high level of percentage of accuracy, with the data obtained and the corresponding classification model we can give a prediction of the incidents arising in the place where these acts of risk occur that verify drivers, pedestrians and both public and private property, the technologies of KNN with raw and normalized data, SSD Mobilenet helps detect cars and their monitoring is carried out with the centroid technique in the videos collected, this helps to have a better perspective of the behavior of incidents in any geographical place where there is traffic or risks of incidents always occur, so that authorities and those in charge of the road safety can make better decisions and be able to reduce the growth rate of traffic incidents.

Keywords: Incident; it; road safety; detection; machine learning; artificial intelligence; tracking.

 

 

Resumo

Este estudo � uma investiga��o relacionada � classifica��o dos incidentes de tr�nsito, que s�o capturados em v�deos por c�meras de seguran�a ou outro dispositivo de v�deo, com o aux�lio de novas tecnologias de inform�tica, resultados com alta n�vel de percentagem de precis�o, com os dados obtidos e o modelo de classifica��o correspondente podemos dar uma previs�o dos incidentes ocorridos no local onde ocorrem estes atos de risco que afetam motoristas, pe�es e bens p�blicos e privados, as tecnologias de KNN com dados brutos e normalizados, SSD Mobilenet auxilia na detec��o de carros e seu monitoramento � realizado com a t�cnica de centr�ide nos v�deos coletados, o que ajuda a ter uma melhor perspectiva do comportamento de incidentes em qualquer local geogr�fico onde haja muito tr�fego ou que sempre ocorrem riscos de incidentes, de modo que autoridades e gestores da seguran�a no tr�nsito pode tomar melhores decis�es e ser capaz de reduzir a taxa de crescimento de incidentes de tr�nsito

Palavras-chave: Incidente; Inform�tica; seguran�a rodovi�ria; detec��o; aprendizado de m�quina; intelig�ncia artificial; rastreamento.

 

Introducci�n

Seg�n la ANT, en el presente periodo del a�o 2020 se tiene un total de 11488 siniestros de tr�nsito, lesionados y fallecidos, el cual es diferente al a�o 2019 con 24595, este fen�meno ocurre por la pandemia que estamos pasado pero si observamos los datos del 2008 en adelantes estos suben cada a�o, loas cuales son datos muy preocupantes, las carretas y arterias viales de cualquier orden ayudan al desplazamiento tanto de personas como mercanc�as, y cada vez el aumento significativo de veh�culos de todo tipo ayudan a que los incidentes de transito aumenten [1], el factor m�s destacado para que esto ocurra es la velocidad con la que cada veh�culo circula en las carreteras este es un factor que determina el tipo de incidente que puede existir [22], y estos factores no solamente son problema esto ocurre en todo el mundo como es el caso de la Regi�n Andina donde se han producido alrededor de 127 decesos por cada mill�n de habitantes causado por siniestros automovil�sticos en la Uni�n Europea se registra 50 fallecidos por mill�n de habitantes [3] .

 

Materiales y m�todos

Se utilizaron videos tanto caseros como videos profesionales, el clasificador SSD MobileNet [4] el modelo se basa en una red convolucional de retro propagaci�n, la que produce un conjunto de BBs y puntajes de instancia de clases al existir presencia de este, en la Figura 2.6.2.1, BB predeterminados y relaciones de aspecto. Esta red ha sido entrenada con PASCAL, COCO e ILSVRC [5].

�

Figura1: Arquitectura SSD.

 

MobileNet se usa en aplicaciones de visi�n integral y en m�viles. Esta red fue entrenada en TensorFlow usando RMSprop con el m�todo de descenso de gradiente, se usa pocas t�cnicas de regularizaci�n y aumentaci�n de datos. MobileNet tiene 28 capas de profundidad con 4.2 millones de par�metros que es el m�s peque�o de los modelos disponibles, adem�s utilizan el multiplicador de ancho y de resoluci�n para hacerlo a�n m�s peque�o.

El rastreador usa los centroides de los BBs los que son calculados por medio de sumas ponderadas de los puntos del borde de dicho BB perteneciente a cada objeto detectado, el uso de centroides hace a este seguidor m�s robusto de acuerdo a la oclusi�n y su desplazamiento. [6].

Al hacer un seguimiento con centroides el l�mite del objeto se lo aproximara mediante una curva param�trica definida como una suma ponderada de funciones b�sicas b_1,⋯,b_n, que puede ser representado como:

 

Ecuaci�n 16: Representaci�n din�mica del movimiento

Conjunto de datos recolectado

Se utilizaron tres bases de datos para el respectivo estudio.

 

Tabla 1: Bases de datos utilizadas

Descripci�n	N�mero de videos	Duraci�n
Incidentes	68	1011.84 segundos (16 minutos, 51 segundos)
No Incidentes	148	34698.76 segundos (9horas, 38 minutos, 24 segundos)
Total	216	9 horas 55 minutos 15 segundos

 

Diagrama de la estimaci�n de la velocidad de cada autom�vil del conjunto de datos

����������� �

Figura 2: Diagrama de la estimaci�n de la velocidad

 

Diagrama de entrenamiento de modelos de machine learning

�

Figura 3: Diagrama de entrenamiento

 

Resultados

 

Tabla 2: Resultados del modelo

METRICA DE EXACTITUD DE CADA MODELO CREADO
	MOBILENET
		CENTROIDE
KNN	DATOS EN CRUDO	0.97
	DATOS NORMALIZADOS	0.97
METRICA AREA BAJO LA CURVA DE CADA MODELO CREADO
	MOBILENET
		CENTROIDE
KNN	DATOS EN CRUDO	0.80
	DATOS NORMALIZADOS	0.53

 

Los resultados obtenidos en el estudio con el modelo estimado tenemos que la exactitud del modelo es del 97 % como se muestra en el cuadro, mientras tanto que la m�trica �rea bajo la curva ROC indica que el 80% de los incidentes de tr�fico son identificados dentro del conjunto de entrenamiento.

 

Conclusiones

Con los datos recogidos el mejor modelo es el clasificador KNN entrenado con datos en crudo, ya que es un cumple con una exactitud alta al igual que su AUC ROC que son m�tricas que aseguran la seguridad de este.

En este caso el conjunto de datos tiene un desbalance por lo que el modelo KNN cuenta como un modelo preciso por su t�cnica de elecci�n de vecinos m�s cercanos en este caso predice con gran exactitud porque existen dos grupos diferentes de datos.

 

 

 

 

�Referencias

1.      Z. Han, J. Liang, and J. Li, �Design of Intelligent Road Recognition and Warning System for Vehicles Based on Binocular Vision,� IEEE Access, vol. 6, pp. 62880�62889, 2018.

2.      MINISTERIO DE TRANSPORTE Y OBRAS PUBLICAS DEL ECUADOR, �Consecuencias del exceso de velocidad | Servicio P�blico para Pago de Accidentes de Tr�nsito.� [Online]. Available: https://www.protecciontransito.gob.ec/servicios/consecuencias-del-exceso-de-velocidad/. [Accessed: 04-Feb-2020].

3.      Banco Interamericano de desarrollo, �Conceptos pr�cticos para la implementaci�n de,� vol. 1, p. 22, 2019.

4.      Y. Xiao et al., A review of object detection based on deep learning, vol. 79, no. 33�34. Multimedia Tools and Applications, 2020.

5.      W. Liu et al., �SSD: Single shot multibox detector,� Lect. Notes Comput. Sci. (including Subser. Lect. Notes Artif. Intell. Lect. Notes Bioinformatics), vol. 9905 LNCS, pp. 21�37, 2016.

6.      J. C. Nascimento, A. J. Abrantes, and J. S. Marques, �Algorithm for centroid-based tracking of moving objects,� ICASSP, IEEE Int. Conf. Acoust. Speech Signal Process. - Proc., vol. 6, no. 1, pp. 3305�3308, 1999.

 

 

 

 

 

 

�2020 por los autores. Este art�culo es de acceso abierto y distribuido seg�n los t�rminos y condiciones de la licencia Creative Commons Atribuci�n-NoComercial-CompartirIgual 4.0 Internacional (CC BY-NC-SA 4.0) (https://creativecommons.org/licenses/by-nc-sa/4.0/).