Análise temporal dos acidentes de trânsito no estado de São Paulo

um estudo de caso na cidade de Carapicuíba no período de 2015 a 2024

Autores

DOI:

https://doi.org/10.26853/Refas_ISSN-2359-182X_v11n03_05

Palavras-chave:

Acidentes de Trânsito, Mineração de Dados, Random Forest, Carapicuíba, Análise Temporal

Resumo

O presente artigo realiza uma análise temporal dos acidentes de trânsito em Carapicuíba, na região metropolitana de São Paulo, utilizando uma abordagem exploratória e preditiva. O objetivo é identificar padrões, tendências e fatores associados a esses incidentes. O estudo também compara os resultados com as cidades vizinhas de Osasco e Barueri. Foram utilizados dados públicos do Sistema de Informações Gerenciais de Acidentes de Trânsito (Infosiga SP) para analisar acidentes entre 2015 e 2024, incluindo sinistros não fatais, perfil das vítimas, tipos de acidentes e características das vias. Entre 2019 e 2024, Carapicuíba registrou 5.794 sinistros, com um pico de 1.187 acidentes em 2022. Osasco apresentou o maior número, totalizando 10.922 acidentes, enquanto Barueri teve 7.815 no mesmo período. Em 2024, os números foram menores, com 360 acidentes em Carapicuíba, 608 em Osasco e 506 em Barueri, devido à disponibilidade de dados apenas até abril de 2024. Foi utilizada a técnica de mineração de dados Random Forest para identificar padrões de acidentes, como horários críticos e locais problemáticos, incluindo a Avenida Inocêncio Seráfico em Carapicuíba e a Avenida dos Autonomistas em Osasco. O estudo oferece insights valiosos para a formulação de políticas públicas voltadas à segurança viária. A análise comparativa sugere que Carapicuíba, Osasco e Barueri compartilham padrões semelhantes, com maior incidência de acidentes à tarde e à noite.

Downloads

Não há dados estatísticos.

Biografia do Autor

Drausio de Castro, Fatec Carapicuíba

Docente da disciplina de Estatística Aplicada do curso superior tecnológico em Análise e Desenvolvimento de Sistemas na Fatec Carapicuíba.

Enrico Ferreira dos Santos, Fatec Carapicuíba

Graduando do curso superior tecnológico em Análise e Desenvolvimento de Sistemas pela Faculdade de Tecnologia de Carapicuíba.

Murilo Martins Alves, Fatec Carapicuíba

Graduando do curso superior tecnológico em Análise e Desenvolvimento de Sistemas pela Faculdade de Tecnologia de Carapicuíba.

Samuel Henrique Ricomini Souza, Fatec Carapicuíba

Graduando do curso superior tecnológico em Análise e Desenvolvimento de Sistemas pela Faculdade de Tecnologia de Carapicuíba.

Referências

BREIMAN, L. Random Forests. Machine Learning, v. 45, n. 1, p. 5-32, 2001.

BREIMAN, L.; FREIDMAN, J. H.; OLSHEN, R. A.; STONE, C. J. Classification and Regression Trees. Wadsworth and Brooks/Cole Advanced Books & Software, 1986.

CHAUDHURI, S.; DAYAL, U.; NARASAYYA, V. An overview of business intelligence technology. Communications of the ACM, 54(8), 88-98, 2011.

FAYYAD, Usama; HAUSSLER, David; STOLORZ, Paul. Mining and knowledge discovery in databases: Analysis automation interface. Advances in Knowledge Discovery and Data Mining, [s.l.], v. 1, n. 1, p. 30, 1996.

GABER, Mohamed Medhat; ZASLAVSKY, Arkady; KRISHNASWAMY, Shonali. Mining data streams: a review. ACM SIGMOD Record, v. 34, n. 2, p. 18-26, 2005.

GOOGLE. Google Colaboratory. Disponível em: <https://colab.research.google.com/>. Acesso em: 09 maio 2024.

HADDON, W. A Logical Framework for Categorizing Highway Safety Phenomena and Activity. Journal of Trauma, v. 10, n. 3, p. 312-323, 1970.

HAN, Jiawei; KAMBER, Micheline; PEI, Jian. Data mining: concepts and techniques. 3rd ed. San Francisco: Morgan Kaufmann, 2011.

HASTIE, T.; TIBSHIRANI, R.; FRIEDMAN, J. The Elements of Statistical Learning: Data Mining, Inference, and Prediction. 2nd ed. Springer, 2009.

HUNTER, J. D. Matplotlib: A 2D Graphics Environment. Zenodo, (Versão 3.7.1). Disponível em: <https://matplotlib.org/>. Acesso em: 09 maio 2024.

IBM. Random Forest. Disponível em: <https://www.ibm.com/br-pt/cloud/learn/random-forest>. Acesso em: 6 jun. 2024.

IBM. Data Analysis: Exploratory Data Analysis (EDA). Disponível em: https://www.ibm.com/cloud/learn/exploratory-data-analysis. Acesso em: 6 jun. 2024.

MCKINNEY, Wes. pandas: powerful Python data analysis toolkit. Zenodo, (Versão 2.0.3). Disponível em: <https://pandas.pydata.org/>. Acesso em: 09 maio 2024.

MICROSOFT. Excel. Redmond: Microsoft Corporation, (Versão 2404 Build 16.0.17531.20140) 64 bits.

Ministério da Infraestrutura. OMS lança plano para reduzir acidentes e mortes no trânsito até 2030. Portal Gov.br, 28 out. 2021. Disponível em: <https://www.gov.br/transportes/pt-br/assuntos/noticias/2021/10/oms-lanca-plano-para-reduzir-acidentes-e-mortes-no-transito-ate-2030>. Acesso em: 6 jun. 2024.

MITCHELL, T. Machine Learning. McGraw-Hill, Inc., 1997.

ONU Brasil. Objetivos de Desenvolvimento Sustentável. Nações Unidas Brasil. Disponível em: <https://brasil.un.org/pt-br/sdgs>. Acesso em: 10 maio 2024.

OPAS. Apesar do progresso notável, segurança viária continua sendo um problema mundial. Organização Pan-Americana da Saúde, 13 dez. 2023. Disponível em: <https://www.paho.org/pt/noticias/13-12-2023-apesar-do-progresso-notavel-seguranca-viaria-continua-sendo-um-problema-mundial#:~:text=Este%20relat%C3%B3rio%20abrange%20o%20progresso%20entre%202010%20e,pela%20metade%20as%20mortes%20no%20tr%C3%A2nsito%20at%C3%A9%202030>. Acesso em: 09 maio 2024.

PADUA, Mateus. Machine Learning – Métricas de avaliação: Acurácia, Precisão e Recall, F1-score. Medium, 2020. Disponível em: <https://medium.com/@mateuspdua/machine-learning-m%C3%A9tricas-de-avalia%C3%A7%C3%A3o-acur%C3%A1cia-precis%C3%A3o-e-recall-d44c72307959>. Acesso em: 09 maio 2024.

PEDEN, M.; Scurfield, R.; Sleet, D.; Mohan, D.; Hyder, A.A.; Jarawan, E.; Mathers, C. World report on road traffic injury prevention. World Health Organization, 2004.

PIATETSKY-SHAPIRO, G. Discovery, analysis, and presentation of strong rules. In Knowledge Discovery in Databases, AAAI Press, 1991.

PYTHON SOFTWARE FOUNDATION. Python Language Reference, (Versão 3.10.12). Disponível em: <https://www.python.org/>. Acesso em: 09 maio 2024.

SECRETARIA DE GOVERNO - SEADE. Infosiga SP - Sistema de Informações Gerenciais de Acidentes de Trânsito do Estado de São Paulo. Governo Aberto SP, 2015. Disponível em: <http://catalogo.governoaberto.sp.gov.br/dataset/infosiga-sp-sistema-de-informacoes-gerenciais-de-acidentes-de-transito-do-estado-de-sao-paulo.> Acesso em: 09 maio 2024.

TAYLOR, S. J.; LETHAM, B. Prophet: Forecasting at scale (Versão 1.1). Disponível em: <https://github.com/facebook/prophet>. Acesso em: 09 maio 2024.

TRAFFIC accident analysis using data mining techniques. Transportation Research, [s.l.],

TUKEY, J. W. Exploratory Data Analysis. Addison-Wesley, 1977.

WANG, Y.; SHI, Y.; LI, W.; LI, J. Traffic Accident Analysis Using Data Mining Techniques. Transportation Research Part C: Emerging Technologies, v. 95, p. 99-111, 2018.

WHO. Global Status Report on Road Safety 2023. World Health Organization. Disponível em: <https://www.who.int/teams/social-determinants-of-health/safety-and-mobility/global-status-report-on-road-safety-2023>. Acesso em: 09 maio 2024.

Downloads

Publicado

28/02/2025

Como Citar

Castro, D. de, Santos, E. F. dos, Alves, M. M., & Souza, S. H. R. (2025). Análise temporal dos acidentes de trânsito no estado de São Paulo: um estudo de caso na cidade de Carapicuíba no período de 2015 a 2024. Refas - Revista Fatec Zona Sul, 11(3), 1–25. https://doi.org/10.26853/Refas_ISSN-2359-182X_v11n03_05

Edição

Seção

Análise e Desenvolvimento de Sistemas

Métricas