Modelação e predição de eventos raros – um estudo comparativo

Abstract

A modelação de eventos raros constitui um desafio central na ciência de dados aplicada à segurança rodoviária. Este estudo, centrado no distrito de Setúbal (2016–2023), analisou sinistros registados pela GNR, complementados com variáveis meteorológicas e infraestruturais. Testaram-se modelos estatísticos e de machine learning (Regressão Logística, Firth, Random Forest, XGBoost, C5.0 e Naive Bayes), avaliados por PR-AUC, ROC-AUC, 𝐹1 e Brier score. Para mitigar o desequilíbrio extremo (≈2% casos graves), aplicaram-se técnicas de oversampling (ROSE e SMOTENC) apenas no treino, evitando data leakage, e definiu-se o ponto de corte pela maximização do 𝐹2-score. O XGBoost e a Logística de Firth mostraram melhor compromisso entre sensibilidade e calibração, com AUC≈0,88. Conclui-se que a combinação de reamostragem adequada e calibração criteriosa melhora a previsão de sinistros graves, oferecendo suporte à definição de políticas de prevenção baseadas em evidência; - Modelling and Prediction of Rare Events – a comparative study - Abstract (English): Modelling rare events remains a central challenge in data science applied to road safety. This study focuses on severe road accidents in the district of Setúbal (2019–2023), using data from the National Republican Guard (GNR), complemented with meteorological and infrastructural information. Several statistical and machine learning models (Logistic Regression, Firth, Random Forest, XGBoost, C5.0 and Naive Bayes) were evaluated through PR-AUC, ROC-AUC, F₁ and Brier score metrics. To address the strong class imbalance (≈2% severe accidents), oversampling techniques (ROSE and SMOTENC) were applied only to the training set, avoiding data leakage, and thresholds were defined by maximising the F₂-score. The XGBoost and Firth logistic models achieved the best balance between sensitivity and calibration (AUC≈0,88). Results demonstrate that combining appropriate resampling with careful calibration enhances the prediction of severe road accidents, supporting evidence-based decision-making in road safety policies.