Mejorar la seguridad vial en ciudades inteligentes mediante técnicas de aprendizaje automático

Por qué las calles más seguras importan a todos

Cada vez que bajamos de la acera, montamos en bicicleta o cruzamos una intersección en coche, entramos en un sistema donde pequeños errores pueden tener consecuencias que cambian la vida. Este estudio plantea una pregunta sencilla pero vital: ¿podemos usar herramientas de datos modernas para predecir qué situaciones viales son más propensas a causar daños graves y corregirlas antes de que ocurran choques? Al comparar registros reales de accidentes de Toronto (Canadá) y Rawalpindi (Pakistán), los autores muestran cómo las ideas de ciudad inteligente y el aprendizaje automático pueden convertir números crudos en cambios prácticos que salvan vidas.

Examinando de cerca los accidentes reales

Los investigadores reunieron dos grandes colecciones de registros policiales y de emergencias. Una, de Toronto, rastrea miles de colisiones con personas fallecidas o gravemente heridas durante más de una década. La otra, de Rawalpindi, cubre decenas de miles de accidentes reportados al servicio de rescate de la ciudad durante el periodo de COVID‑19. Cada registro incluye detalles como la hora del día, el día de la semana, el tipo de vía, la iluminación y el clima, las edades y roles de las personas (conductor, ciclista, peatón) y lo que ocurría justo antes del impacto, como exceso de velocidad o conducción agresiva. Antes de cualquier modelado, el equipo limpió los datos, trató los valores faltantes y convirtió muchos campos de texto en forma numérica que los ordenadores puedan entender.

Enseñar a las máquinas a juzgar la gravedad de los choques

El primer objetivo fue predecir cuán gravemente resultarían heridas las personas en una colisión dada. Para ello, los autores probaron una amplia gama de métodos de aprendizaje automático, desde herramientas clásicas como “bosques” de árboles de decisión hasta redes de aprendizaje profundo más complejas, a menudo utilizadas en reconocimiento de voz o imágenes. Entrenaron estos modelos con una parte de los datos y comprobaron su rendimiento con el resto, pidiendo a cada modelo que clasificara los choques en categorías como sin lesión, lesión leve, lesión grave o fatal. Entre todos los enfoques, destacaron dos: XGBoost y Random Forest, ambos combinan muchos árboles de decisión simples en un “comité” más potente. Incluso sin un ajuste exhaustivo, estos modelos clasificaron correctamente los niveles de lesión en aproximadamente tres cuartas partes de los casos de Toronto; tras un ajuste cuidadoso, Random Forest en particular se volvió extremadamente preciso en los datos de entrenamiento.

Descubrir patrones ocultos detrás de los daños graves

La predicción por sí sola no dice a las autoridades qué cambiar en el terreno, por lo que el segundo objetivo fue descubrir combinaciones de condiciones que aparecen repetidamente en choques graves. Para ello, el equipo usó minería de reglas de asociación, una técnica que filtra los datos en busca de patrones “si‑esto‑entonces‑aquello”. En ambas ciudades, ciertos elementos reaparecieron una y otra vez en los casos con heridas graves: exceso de velocidad, conducción agresiva o descuidada, pérdida de control por parte del conductor, falta de atención y colisiones que involucran a peatones o motociclistas. La ausencia de controles de tráfico en vías principales y en intersecciones concurridas también emergió como un factor de riesgo clave. En los datos de Rawalpindi, la conducción nocturna, la lluvia y el elevado uso de motocicletas durante los fines de semana se vincularon especialmente con fracturas aisladas y otras lesiones; en Toronto, las situaciones peligrosas con frecuencia se concentraron alrededor de determinados distritos y momentos de la semana.

Ciudades diferentes, lecciones compartidas

Al comparar una ciudad norteamericana de renta alta con otra del sur de Asia en rápido crecimiento, el estudio muestra peculiaridades locales y problemas universales. Los registros de Pakistán revelan muchos choques graves entre usuarios muy jóvenes de motocicletas que las usan como transporte cotidiano, a menudo sin cascos y en vías con poca iluminación. Los datos de Canadá, en contraste, señalan con más fuerza las amenazas que enfrentan peatones y ciclistas en distritos urbanos, donde los vehículos que giran y la conducción agresiva en intersecciones son comunes. A pesar de estas diferencias, ambos países muestran beneficios claros al centrarse en el comportamiento del conductor, límites de velocidad más seguros y pasos mejor diseñados para peatones y ciclistas.

Convertir los conocimientos en viajes más seguros

En términos sencillos, el trabajo demuestra que los ordenadores pueden aprender de choques pasados para señalar cuándo y dónde es más probable que ocurra la próxima lesión grave y qué hábitos o puntos débiles de la red vial son los responsables. Modelos de aprendizaje automático como XGBoost y Random Forest pueden integrarse en sistemas de ciudades inteligentes que vigilen el tráfico en tiempo real, ayuden a los servicios de emergencia a priorizar los incidentes más peligrosos y orienten a los planificadores hacia soluciones concretas como semáforos, control de velocidad, iluminación y educación para conductores jóvenes. Aunque el estudio se limita a dos ciudades y afronta retos como datos desequilibrados, ofrece un plan práctico: combinar grandes registros de accidentes del mundo real con análisis de datos modernos y usar los resultados para diseñar carreteras y normas que nos protejan a todos de forma silenciosa cada vez que viajamos.

Cita: Abid, M.S., Hussain, M., Nabi, S. et al. Improving road safety in smart cities using machine learning techniques. Sci Rep 16, 10793 (2026). https://doi.org/10.1038/s41598-026-36795-6

Palabras clave: seguridad vial, accidentes de tráfico, ciudades inteligentes, aprendizaje automático, predicción de lesiones