Un estudio de investigadores de la Universidad de Barcelona y la City University of Hong Kong analizó datos de telemetría de 354 conductores comerciales durante un año —287.511 viajes, más de 8,1 millones de kilómetros recorridos— para predecir "casi accidentes" (near-miss events): eventos de riesgo detectados por los sensores del vehículo y sistemas ADAS, que no llegan a ser un choque pero sí una señal de que algo estuvo cerca de salir mal. El problema es que estos eventos son raros: la mayoría de las semanas, un conductor tiene cero. Los modelos estadísticos comunes no manejan bien esa escasez y terminan subestimando el riesgo real. Los autores propusieron un modelo (Poisson inflado en cero, o ZIP) que primero agrupa a los conductores por estilo de manejo antes de estimar el riesgo, y logró mejor calibración que los modelos de telemetría anteriores. La aplicación práctica: primas de seguro —o scores de flota— más justos, que reconocen que no todos los conductores con el mismo puntaje manejan igual de parecido.
El problema de medir algo que casi nunca pasa
Un score de conducción típico se construye contando eventos: cuántas frenadas bruscas, cuántos excesos de velocidad, cuántas aceleraciones agresivas tuvo un conductor en una semana. Es un enfoque que funciona bien para eventos frecuentes, pero se vuelve frágil cuando el evento que interesa medir es raro.
Los casi accidentes —momentos en los que el vehículo estuvo cerca de un choque, detectados por sensores y sistemas de asistencia al conductor (ADAS), sin que el choque llegara a ocurrir— son exactamente ese caso: la gran mayoría de las semanas, un conductor tiene cero. Un modelo estadístico estándar, entrenado con datos donde casi todo es cero, tiende a aplanar las diferencias reales entre un conductor genuinamente riesgoso y uno que tuvo mala suerte una sola vez.
Cómo lo resolvió el estudio
El equipo de investigación trabajó con datos de telemetría de alta resolución de 354 conductores comerciales —287.511 viajes y 8.142.896 kilómetros recorridos a lo largo de un año— y construyó un modelo Poisson inflado en cero (ZIP, por sus siglas en inglés) que primero identifica grupos latentes de estilo de manejo, y recién después estima, para cada grupo, la probabilidad de un casi accidente en una semana dada.
La diferencia frente a un modelo tradicional es esa separación en dos pasos: en lugar de asumir que todos los conductores responden a la misma distribución de riesgo, el modelo reconoce que hay estilos de manejo heterogéneos y ajusta la estimación según a qué grupo pertenece cada conductor. Los propios autores reportan mejoras consistentes frente a modelos de telemetría anteriores, con mejor ajuste dentro de la muestra y mejor calibración al probarlo con datos nuevos.
Qué significa esto para leer el score de tu flota
La motivación original del estudio es actuarial —calcular primas de seguro por uso (UBI) semana a semana, de forma más justa que con variables fijas como el modelo del auto o la edad del conductor—, pero el hallazgo de fondo aplica igual dentro de una flota: si tu score de conducción solo cuenta frenadas bruscas y excesos de velocidad, te falta la señal de los casi accidentes, que captura riesgo real que esos otros eventos no siempre reflejan.
La lectura práctica no es reemplazar las métricas actuales, sino tratarlas como un piso: dos conductores con el mismo puntaje de frenadas bruscas pueden tener historiales de riesgo muy distintos si uno tuvo varios casi accidentes y el otro ninguno. Cuantos más tipos de señal capture el sistema de telemetría de un vehículo, más difícil es que ese tipo de diferencia quede oculta.
¿Qué es exactamente un "casi accidente" o near-miss event?
Es un evento de riesgo detectado por los sensores del vehículo o sistemas ADAS —por ejemplo, una frenada de emergencia evitada por poco, o una alerta de colisión inminente— que no llega a convertirse en un choque real, pero que funciona como una señal de que el riesgo estuvo presente.
¿El estudio se hizo con autos particulares o con una flota comercial?
Con una flota comercial de 354 conductores. El paper no detalla el tipo exacto de vehículo, pero el hallazgo central —que los eventos raros necesitan un modelo estadístico distinto al de los eventos frecuentes— es un principio general de análisis de datos de telemetría, no algo específico de un tipo de vehículo.
¿Por qué un modelo estadístico común no funciona bien con eventos raros?
Porque cuando la gran mayoría de las observaciones son cero, un modelo que asume una única distribución de riesgo para todos los conductores tiende a subestimar las diferencias reales entre ellos. El modelo del estudio corrige esto separando primero a los conductores en grupos de estilo de manejo antes de estimar el riesgo de cada grupo.