Made available in DSpace on 2016-06-02T20:01:03Z (GMT). No. of bitstreams: 1 DissMMM.pdf: 1370681 bytes, checksum: 4891da17b25caf7951985f7209d9c825 (MD5) Previous issue date: 2005-10-06 / The technological development has generated great amount of potential data bases in order to supply information for several aspects related to road safety. However, the transformation of these great amount of data in useful information for the technicians, public managers and the population in general, requests the modeling and the treatment of these data using some analysis tools that allow a visualization of the results in form easily understandable. This work presents a new methodology of traffic accidents analysis based in the artificial neural network (ANN). ANN can be very useful for organizations, public or particular, mainly to those that propose to understand the phenomena of the traffic in order to looking for solutions integrated to several areas such as education, engineering and fiscalization. This research had as general objective to identify the patterns of traffic accidents that happened at urban intersections. The data of accidents that happened in the period from 2000 to 2003, in the city of São Carlos were used for the case study, in order to subsidize the elaboration and the evaluation of public policies of traffic accidents reduction and specially the reduction of accident severity. The study explores the assumption that different accident types are related to different patterns. The patterns obtained by ANN showed that there are significant differences in the factors that can affect the different types of accidents. The knowledge of the patterns of each accident type is essential to develop actions corrective or preventive road safety's improvement in order to avoid undesirable effects when these actions are implemented. However, the comparison between the patterns of the different types of accidents was difficult due to the heterogeneity of the situations and the different elements that compose the road environment that can affect the occurrence of the accident. / O desenvolvimento tecnológico tem gerado grandes bases de dados com potencial para fornecer informações sobre diversos aspectos relacionados com a segurança viária. No entanto, a conversão de um grande volume de dados em informações úteis para os técnicos, gestores públicos e a população em geral, requer a modelagem e o tratamento destes dados utilizando ferramentas de análise que permitam uma visualização dos resultados de forma facilmente compreensível. Este trabalho apresenta uma nova metodologia para análise de acidentes de trânsito fundamentada na rede neural artificial (RNA). A RNA pode ser de grande utilidade para organizações públicas e privadas, principalmente para aquelas que se propõem compreender os fenômenos do trânsito a fim de buscar soluções integradas em diversas áreas tais como educação, engenharia e fiscalização. A pesquisa teve como objetivo geral identificar os padrões de acidentes de trânsito que ocorreram nas interseções urbanas. Os dados de acidentes que ocorreram no período de 2000 a 2003, na cidade de São Carlos foram utilizados para o estudo de caso, visando fornecer subsídios para a elaboração e a avaliação de políticas públicas voltadas para redução do número de acidentes de trânsito e essencialmente na redução global da severidade. O estudo explora a suposição de que diferentes tipos de acidente estão relacionados com padrões distintos. Os padrões obtidos através da RNA mostram que há divergências significativas nos fatores que podem influenciar os diferentes tipos de acidentes. Conhecer padrões de cada tipo de acidente se faz necessária para que as medidas corretivas ou preventivas voltadas para a melhoria da segurança viária não resultem em efeitos indesejados quando são implementadas, no entanto comparações entre padrões de diferentes tipos de acidentes mostraram-se particularmente difíceis devido à heterogeneidade das situações e dos diferentes elementos que compõem o ambiente viário e que podem influenciar na ocorrência do acidente.