Modelos de previsão de acidentes em rodovia brasileira de pista dupla

Abstract

A modelagem da segurança viária é uma importante estratégia para o gerenciamento da segurança viária (GSV). O desenvolvimento de modelos de resposta multivariada (consideração simultânea de ocorrência de acidentes de diferentes níveis de severidade) também tem grande utilidade e carece de exploração. Um desafio inicial na previsão de frequência de acidentes é a estratégia de segmentação da rodovia, especialmente quanto a extensão do segmento. Em relação a abordagem metodológica, técnicas de aprendizado de máquina (AM), especialmente redes neurais artificiais (RNA), são apresentadas como potencial alternativa. Diante disso, o estudo desenvolvido buscou avaliar o potencial de utilização de técnicas de AM para o desenvolvimento de modelos de previsão de frequência de acidentes segundo três níveis de severidade, e ainda, avaliar a influência da extensão do segmento no desenvolvimento deste tipo de modelo. O trecho de rodovia de pista dupla analisado foi segmentado em 10 diferentes extensões fixas, sendo caracterizado por variáveis de geometria, operação e pavimento, nos períodos 2011-2014 e 2015-2018. Para fins comparativos, foi empregado o modelo multivariado Poisson lognormal (MVPLN) no processo de modelagem. Todos os modelos desenvolvidos tiveram a validade replicativa investigada e, destes, foram selecionados os melhores modelos que foram, também, verificados em termos da validação preditiva e estrutural. Esse procedimento permitiu confirmar a adequação do uso de RNA para a modelagem proposta – com ligeira superioridade à outra abordagem –, mas também revelou limitações dessa técnica. De igual modo, as vantagens e fragilidades dos modelos MVPLN também foram conhecidas. Assim foi possível concluir que duas técnicas são adequadas para a modelagem da segurança viária, devendo ser empregada aquela que melhor se adeque ao propósito do estudo em questão, ou ainda, considerar a associação entre elas