Prevedere la durata degli incidenti stradali con il machine learning

La congestione del traffico è un grosso problema, soprattutto quando ci sono incidenti come incidenti stradali o detriti sulla strada. Queste situazioni possono causare ritardi, emissioni aumentate e rischi per la sicurezza per chiunque sia sulla strada. Per i Centri di Gestione del Traffico (TMC) che si occupano di questi incidenti, sapere quanto durerà un Incidente è fondamentale. Tuttavia, prevedere la durata di un incidente è spesso difficile, il che rende complicato decidere quali risorse inviare. Questo studio ha sviluppato un sistema di machine learning che può prevedere quanto dureranno gli incidenti basandosi sulle informazioni disponibili proprio quando l'incidente viene segnalato. Previsioni accurate possono aiutare i gestori del traffico a fare scelte migliori riguardo le risorse, come decidere se inviare camion di soccorso o squadre di manutenzione.

#Che cos'è un incidente?

In termini di traffico, un incidente è una situazione che interrompe il flusso del traffico. Questo può includere cose come incidenti tra veicoli, detriti sulla strada o veicoli guasti. Questi eventi non solo causano ritardi per gli automobilisti, ma possono anche portare a ulteriori incidenti e a una maggiore richiesta di servizi di emergenza.

La durata totale di un incidente può essere suddivisa in tre parti: il tempo che ci vuole per segnalare l'incidente, il tempo di risposta dei servizi di emergenza e il tempo necessario per rimuovere l'incidente dalla strada. Anche se i TMC non possono controllare quanto dura l'incidente stesso, possono ridurre il tempo complessivo per liberarlo inviando rapidamente le giuste risorse.

#Importanza di prevedere la durata degli incidenti

Previsioni accurate su quanto tempo ci vorrà per liberare un incidente sono importanti per i TMC. Possono usare queste informazioni per avvisare gli automobilisti riguardo ai ritardi e per prendere provvedimenti per prevenire ulteriori incidenti. Studi precedenti hanno esaminato vari fattori che possono influenzare la durata degli incidenti, incluso il tipo di incidente, l'ora del giorno, il meteo e le condizioni del traffico.

I metodi precedenti per prevedere la durata degli incidenti utilizzavano principalmente tecniche statistiche più semplici come la Regressione lineare. Questi metodi erano limitati perché non utilizzavano spesso abbastanza dati. Altre tecniche, come il machine learning, sono adesso più diffuse perché possono gestire dataset più ampi e apprendere schemi complessi meglio.

Sono stati usati vari metodi in passato, tra cui logica fuzzy e reti neurali artificiali. Tuttavia, questi metodi a volte avevano delle limitazioni, come la mancanza di dati sufficienti o la difficoltà nell'adattarsi a condizioni in cambiamento.

#Approcci di machine learning

Il machine learning offre una serie di strumenti che possono aiutare nelle previsioni della durata degli incidenti. Può identificare schemi e relazioni dai dati passati, che possono essere molto utili per prevedere la durata degli incidenti. Per questo studio, è stato sviluppato un processo di machine learning in due fasi.

#Fase Uno: Classificazione

Il primo passo classifica un incidente in una delle tre categorie in base a quanto si prevede che duri:

1. Breve durata (meno di 30 minuti)
2. Media durata (30 minuti a 2 ore)
3. Lunga durata (più di 2 ore)

Nella classificazione iniziale, vengono utilizzate solo informazioni di base disponibili subito dopo che un incidente è segnalato, come l’ora del giorno e la posizione. Questo aiuta gli operatori TMC a sapere quali incidenti potrebbero necessitare di attenzione immediata e quali risorse dovrebbero essere inviate.

#Fase Due: Regressione

Una volta classificati gli incidenti, viene utilizzato un modello di regressione per fornire una previsione più precisa su quanto durerà effettivamente l'incidente in minuti. Questo secondo passaggio utilizza informazioni più dettagliate, come le condizioni stradali e i fattori ambientali, per migliorare l'accuratezza.

Le prestazioni dei modelli di machine learning utilizzati in questo studio sono state valutate utilizzando diverse metriche per assicurarsi che fossero precisi e utili.

#Raccolta Dati

Per questo studio, sono stati raccolti dati da un sistema di gestione del traffico utilizzato dal Dipartimento dei Trasporti dell'Iowa. Questo dataset includeva informazioni su vari incidenti di traffico che si sono verificati nell'arco di tre anni. I dati sono stati raccolti quotidianamente e fornivano dettagli come il numero di corsie chiuse, i tempi di risposta e la gravità degli incidenti.

Lo studio si è concentrato specificamente sugli incidenti che coinvolgono collisioni e detriti, poiché questi tipi possono influenzare significativamente il flusso del traffico. I giorni di maltempo con condizioni estreme sono stati esclusi per garantire che il dataset fosse pulito e rilevante.

L'elaborazione dei dati ha incluso anche l'equilibratura del dataset poiché c'erano significativamente più incidenti a breve e media durata rispetto a quelli a lunga durata. Sono state utilizzate tecniche come la Synthetic Minority Oversampling Technique (SMOTE) per affrontare questo squilibrio.

#Panoramica del framework

Il framework sviluppato consiste in due componenti chiave: classificazione e regressione. La prima parte si concentra sulla categorizzazione degli incidenti in brevi, medi o lunghi in base alle informazioni iniziali. La seconda parte affina questa previsione utilizzando un set di caratteristiche più dettagliato man mano che diventano disponibili ulteriori informazioni.

#Modulo di classificazione

Nella fase di classificazione, sono stati testati diversi modelli di machine learning per trovare il migliore. Il modello selezionato ha raggiunto un'alta precisione, distinguendo efficacemente tra le tre categorie di durata degli incidenti.

#Modulo di regressione

Nella fase di regressione, i modelli sono stati addestrati per prevedere la durata esatta degli incidenti. Vengono utilizzati modelli diversi per ciascuna categoria di durata per garantire la massima accuratezza.

#Valutazione del Modello

Per valutare quanto bene si sono comportati i modelli, i dati sono stati suddivisi in set di addestramento e set di test. Sono state impiegate diverse metriche, tra cui l'errore assoluto medio (MAE) per i modelli di regressione e l'area sotto la curva (AUC) per i modelli di classificazione.

Lo studio ha scoperto che avere un passaggio di classificazione migliora notevolmente le previsioni. Ad esempio, quando venivano utilizzate solo caratteristiche di base, il MAE per le varie categorie di durata era notevolmente inferiore quando era presente un passo di classificazione.

#Risultati

I risultati hanno indicato che il framework di machine learning è stato efficace nel prevedere le durate degli incidenti. Nei test, il framework ha prodotto valori MAE bassi per tutte le categorie di durata, dimostrando la sua capacità di adattarsi e fornire previsioni accurate anche con informazioni limitate.

Il modello di classificazione ha prodotto valori AUC elevati, indicando che era molto bravo a categorizzare gli incidenti in modo accurato. Inoltre, i modelli di regressione hanno mostrato miglioramenti nella precisione delle previsioni man mano che venivano incluse più caratteristiche nel dataset.

#Confronto con altri metodi

Le prestazioni del framework sviluppato sono state confrontate anche con altri metodi, inclusi modelli statistici tradizionali. È stato scoperto che l'approccio di machine learning ha costantemente superato questi modelli tradizionali, in particolare in termini di accuratezza e affidabilità.

Usando il framework, i ricercatori sono stati in grado di fornire spunti che aiutano gli operatori del traffico a dare priorità agli incidenti e allocare risorse in modo più efficace.

#Conclusione e direzioni future

In conclusione, questo studio presenta un framework basato sul machine learning per prevedere la durata degli incidenti che può supportare le operazioni di gestione del traffico. La combinazione di moduli di classificazione e regressione consente previsioni in tempo reale che possono migliorare significativamente le risposte agli incidenti stradali. Anche se il framework è stato convalidato con dati dell'Iowa, ricerche future dovrebbero applicare questi metodi a dataset di altre regioni per vedere se i risultati sono validi in contesti diversi.

Il successo del framework risiede nella sua capacità di adattarsi ai dati disponibili e fornire spunti utili, migliorando in ultima analisi l'efficienza delle operazioni di gestione del traffico. Continuando a perfezionare e testare questi metodi, potrebbe essere possibile costruire un sistema più robusto in grado di gestire le complessità della gestione degli incidenti stradali.