2026-04-17T06:08:38Zhttps://recercat.cat/oai/requestoai:recercat.cat:10230/544922025-12-17T20:25:24Zcom_2072_6col_2072_452954
RECERCAT
author
Kireeva, Irina
2022-10-19T18:34:07Z2022-10-19T18:34:07Z2022
Tutor: Vicenç Gómez CerdàTreball de fi de grau en Enginyeria Matemàtica en Ciència de DadesRoad traffic accidents represent a serious problem in Spain due to human losses, medical
and productivity costs. This project aims to gain insights about atmospheric and environmental
factors that influence accidents, specifically injury severity, with Bayesian Networks. Firstly, a
large process of data understanding, cleaning and transformation was performed to choose the
suitable data to analyze. Secondly, the correlation between selected variables has been evalu-
ated with a non-parametric Chi square test. Thirdly, two Bayesian Networking structures were
analyzed with Structure Learning techniques and Kullback-Leibler divergence and compared,
where BN-6 is an enriched model of BN-4. Finally, a Variable Elimination algorithm was used
to make inferences about the probabilities of injury severity with unknown variables. It was ob-
served that visibility and lightning conditions have the greatest influence on the target variable.
Nevertheless, the two networking structures did not present any significant differences.Los accidentes de trafico representan un grave problema en Espa ́ na debido a p ̃ erdidas huma- ́
nas, costes sanitarios y de productividad. Este proyecto tiene como objetivo obtener informacion ́
sobre los factores atmosfericos y ambientales que influyen en los accidentes, espec ́ ́ıficamente
la gravedad de las lesiones, con Redes Bayesianas. En primer lugar, se realizo un gran proceso ́
de comprension, limpieza y transformaci ́ on de datos para elegir los adecuados para analizar. En ́
segundo lugar, se ha evaluado la correlacion entre las variables seleccionadas con Chi square ́
test. En tercer lugar, se analizaron y se compararon dos estructuras de Redes Bayesianas con
tecnicas de aprendizaje de estructuras y el m ́ etodo de Kullback-Leibler divergence, donde BN- ́
6 es un modelo enriquecido de BN-4. Finalmente, se utilizo un algoritmo de Eliminaci ́ on de ́
Variables para hacer inferencias sobre las probabilidades de gravedad de la lesion con variables ́
desconocidas. Se observo que las condiciones de visibilidad y las condiciones de iluminaci ́ on ́
tienen la mayor influencia en la variable objetivo. Sin embargo, las dos estructuras de red no
presentaron diferencias significativas.Els accidents de transit representen un greu problema a Espanya per p ` erdues humanes, cos- `
tos medics i de productivitat. Aquest projecte t ` e com a objectiu obtenir coneixements sobre els ́
factors atmosferics i ambientals que influeixen en els accidents, concretament en la gravetat de `
lesions, amb Bayesian Networks. En primer lloc, es va realitzar un gran proces de comprensi ́ o, ́
neteja i transformacio de dades per triar les adequades per analitzar. En segon lloc, la corre- ́
lacio entre les variables seleccionades s’ha avaluat amb un Chi square test. En tercer lloc, es ́
van analitzar dues estructures de xarxes bayesianes amb tecniques d’aprenentatge d’estructu- `
res i divergencia Kullback-Leibler i es van comparar, on BN-6 ` es un model enriquit de BN-4. ́
Finalment, es va utilitzar un algorisme d’eliminacio de variables per fer infer ́ encies sobre les `
probabilitats de gravetat de la lesio amb variables desconegudes. Es va observar que la visibili- ́
tat i les condicions d’il·luminacio i tenen la major influ ́ encia en la variable objectiu. Tanmateix, `
les dues estructures de xarxa no presenten diferencies significatives. `
©Tots els drets reservats info:eu-repo/semantics/openAccess
Learning and reasoning about road traffic accidents using Bayesian Networks
info:eu-repo/semantics/bachelorThesis