Metaanálisis del fenómeno de infracciones viales a partir de algoritmos de inteligencia artificial

Las infracciones viales en las megalopolis del mundo generan altos costos sociales que, tienen efectos negativos en la productividad de las organizaciones, la calidad de vida de los ciudadanos y son un elemento importante en el incremento del tráfico vehicular. Este trabajo permite hacer un metaanálisis de las metodologías disponibles para tratar con información categórica, como el análisis de correspondencias múltiples (MCA, FAMD), Kmeans y los árboles de decisión de clasificación, para entender el fenómeno y considerar su posible predicción. Para este trabajo, se utilizan los algoritmos implementados en RStudio y PYTHON, contando con la información pública disponible de infracciones de la ciudad de Bogotá. El trabajo es un resultado parcial que permitirá desarrollar modelos para mejorar la distribución urbana de mercancías en la ciudad. Dentro de los resultados explorados hasta el momento los análisis de correspondencias múltiples permiten reducir la complejidad en el número de variables seleccionadas para el estudio y considerarlas desde su naturaleza categórica, en la implementación Kmeans se obtiene el mapa de calor y los clústeres de las geolocalizaciones, donde se presenta con mayor frecuencia las infracciones de la ciudad y propone puntos de control para disminuir su criticidad, por último se expone la posibilidad de implementar árboles de clasificación para estimar su predicción, y asegurar alternativas previas que disminuya el indicador.