Un estudio publicado en Accident Analysis & Prevention analizó datos de telemetría de 314 conductores en una arteria urbana de Atenas, Grecia, y entrenó modelos de machine learning explicable (XGBoost con valores SHAP) para identificar qué factores predicen mejor una frenada o una aceleración brusca. El resultado es contraintuitivo: la velocidad real del tráfico en ese momento y el nivel de congestión pesan mucho más que características fijas de la vía, como el límite de velocidad o la cantidad de carriles. En otras palabras, el contexto de tráfico del momento explica más que el diseño de la calle.
Qué midió el estudio
El equipo de investigación recolectó datos de telemetría de alta resolución de 314 conductores anónimos que circulaban por una arteria urbana de Atenas, y los cruzó con datos de tráfico en tiempo real de la misma vía —velocidad promedio, nivel de ocupación, diferencia de velocidad entre vehículos—. Con esa combinación, entrenaron un modelo para predecir cuándo iba a ocurrir una frenada o una aceleración brusca.
El modelo, basado en XGBoost con una técnica llamada SHAP para hacerlo interpretable en vez de una "caja negra", predijo correctamente más del 75% de las frenadas bruscas y más del 84% de las aceleraciones bruscas del conjunto de prueba —un nivel de precisión suficiente, según los propios autores, para pensar en un sistema de monitoreo en tiempo real.
El hallazgo contraintuitivo
Lo que más pesó para predecir una frenada o aceleración brusca no fue una característica fija de la calle —el límite de velocidad, la cantidad de carriles—, sino la situación de tráfico del momento: la velocidad real a la que circulaba el tráfico, la diferencia de velocidad entre vehículos cercanos, y cuánto tiempo llevaba el conductor expuesto a ese tramo.
Un dato específico llamó la atención de los propios investigadores: variables que suele asumirse como determinantes —el límite de velocidad de la vía y el uso del celular— tuvieron una influencia limitada sobre la ocurrencia de eventos bruscos, comparadas con la dinámica de tráfico real del momento.
Qué significa esto para interpretar el score de un conductor
Este hallazgo tiene una implicancia directa para cualquiera que gestione una flota mirando un score de conducción: dos conductores con la misma cantidad de frenadas bruscas en un período no necesariamente manejan igual de mal. Uno puede estar circulando de forma habitual por tramos de tráfico denso y variable —donde el estudio muestra que los eventos bruscos son estructuralmente más probables—, mientras el otro los tuvo en condiciones de tráfico fluido, donde la misma frenada es una señal de riesgo más clara.
La lectura práctica no es descartar el dato de frenadas bruscas, sino contextualizarlo: comparar la ruta y el tipo de tráfico habitual de cada conductor ayuda a distinguir un patrón de manejo genuinamente riesgoso de un patrón esperable dado el entorno en el que ese conductor circula la mayor parte del tiempo.
¿Esto significa que las frenadas bruscas en tráfico denso no deberían contarse en el score?
No necesariamente hay que dejar de contarlas, pero sí conviene mirarlas con el contexto de tráfico habitual del conductor antes de sacar conclusiones definitivas —el estudio muestra que el entorno de tráfico influye mucho en la probabilidad de que ocurran, más allá del estilo de manejo.
¿El estudio se hizo con datos de Argentina o Chile?
No, se hizo con datos de una arteria urbana de Atenas, Grecia. El patrón que encontró —que el contexto de tráfico pesa más que las características fijas de la vía— es un hallazgo de dinámica de tráfico en general, pero los números exactos de precisión del modelo corresponden a esa ciudad específica.
¿Qué es machine learning "explicable" y por qué importa acá?
Es una técnica que permite entender por qué un modelo de machine learning llegó a una predicción, en vez de solo confiar en el resultado como una caja negra. En este estudio, esa explicabilidad es justamente lo que permitió identificar cuáles variables pesan más para predecir un evento brusco.