Ingegneria civile e architettura

Nello studio dei sistemi di trasporto l’acquisizione e l’utilizzo di informazioni corrette e aggiornate sullo stato dei sistemi rappresentano da sempre elementi di centrale importanza per la produzione di analisi adeguate ed affidabili. Sfortunatamente in molti ambiti applicativi le informazioni disponibili per le analisi sono invece spesso carenti o di bassa qualità, e il loro utilizzo si traduce in risultati affetti da elevata incertezza e talvolta di dubbia validità. I processi di evoluzione tecnologica che interessano campi quali l’informatica, l’elettronica e le telecomunicazioni stanno rendendo progressivamente più semplice e conveniente l’acquisizione di rilevanti quantità di dati di interesse per le analisi trasportistiche, sia tradizionalmente raccolti per studi trasportistici (ad esempio dati di traffico rilevati su tronchi stradali) sia non direttamente connessi ad un uso trasportistico (ad esempio segnali Bluetooth e GPS provenienti da dispositivi di telefonia mobile). Tuttavia in molti casi l’ampia disponibilità di dati, soprattutto nel secondo caso, non si traduce in immediata spendibilità applicativa. I dati sono infatti spesso disomogenei dal punto di vista informativo, caratterizzati da una qualità non necessariamente elevata e spesso richiedono onerosi processi di verifica e validazione. In questi particolari contesti l’applicazione di tecniche di Data Mining può dimostrarsi una soluzione indubbiamente vantaggiosa. Esse infatti, per loro intrinseca natura, rendono possibile la gestione efficace di grandi quantità di dati e la produzione di risultati sempre più robusti all’aumentare delle dimensioni della base di dati disponibile. Sulla base di queste considerazioni questo lavoro di tesi si è concentrato in primo luogo su un’attenta revisione delle più consolidate tecniche di Data Mining, individuando gli ambiti applicativi, nel campo dei trasporti, in cui esse possono rappresentare dei validi strumenti di analisi. Con il termine Data Mining si fa riferimento al processo di estrazione dell’informazione presente in un certo insieme di dati, finalizzato ad individuare relazioni “nascoste” nei dati stessi o comunque a sintetizzare in modalità nuove la visione su di essi. Esso rappresenta una parte di un più ampio processo di estrazione della conoscenza, che inizia con un’accurata selezione e trasformazione dei dati disponibili (come detto i dati sottoposti a “mining” sono spesso raccolti con altri obiettivi) e si conclude con un’attenta interpretazione e valutazione dei risultati. Uno schema di classificazione generalmente accettato suddivide le tecniche di Data Mining in sei categorie in rapporto alla funzione considerata: stima (reti neurali, modelli di regressione, alberi decisionali), previsione (reti neurali, alberi decisionali), classificazione (k-nearest neighbour, alberi decisionali, reti neurali), raggruppamento (tecniche di clustering, Self-Organising-Maps), associazione (regole di associazione) e descrizione (regole di associazione, clustering, alberi decisionali). Nel presentare un quadro d’insieme dell’ampia letteratura esistente in materia, uno specifico rilievo è stato dato alle più consolidate tecniche di classificazione, raggruppamento e associazione, in quanto maggiormente impiegate nei diversi contesti applicativi. Successivamente è stato tracciato uno stato dell’arte per ciò che attiene le applicazioni in ambito trasportistico. In tal senso la revisione dei lavori prodotti ha evidenziato la notevole flessibilità d’uso di queste tecniche e la loro crescente diffusione applicativa. Molti sono infatti i filoni di ricerca che hanno beneficiato di queste tecniche innovative; tra questi nel lavoro di tesi si sono evidenziati alcuni tra i più interessanti: la previsione a breve termine dei flussi di traffico da dati storici o in real-time (traffic forecasting), l’identificazione e la quantificazione dei fattori che influenzano i fenomeni di incidentalità, l’analisi di sistemi di gestione delle pavimentazioni stradali e di sistemi di monitoraggio del traffico. La seconda parte della tesi si è invece focalizzata su un’applicazione delle tecniche di Data Mining allo studio del funzionamento di un sistema viario, attraverso una revisione critica della Procedura FHWA (Federal Highway Administration) per il monitoraggio del traffico stradale. La scelta di questo filone di ricerca è data dal fatto che la raccolta di informazioni sui volumi di traffico è un aspetto rilevante nell’attività di pianificazione dei trasporti (ambito stradale), quale componente significativa del processo conoscitivo. D’altra parte i costi legati alla gestione dei sistemi di monitoraggio, sia per attrezzature che per personale, richiedono una crescente attenzione alla loro progettazione, al fine di ottenere la massima qualità dei risultati. Negli Stati Uniti la FHWA definisce periodicamente alcune linee guida per migliorare questi aspetti attraverso la Traffic Monitoring Guide (2001) e ha raggiunto progressivamente un ruolo di riferimento per altre agenzie dello stesso tipo in altre parti del mondo, Italia compresa. Tale procedura è basata sull’uso congiunto di rilievi di diversa durata (rilievi in continuo con strumenti fissi e rilievi di breve durata con apparecchiature portatili) ed è finalizzata principalmente alla stima del Traffico Giornaliero Medio Annuo (Annual Average Daily Traffic, AADT). L’analisi della letteratura esistente ha individuato la lacuna principale della procedura FHWA nella determinazione dei gruppi tipologici di strade sulla base dei profili temporali di traffico e nell’assegnazione delle sezioni monitorate con rilievi di breve durata a questi gruppi. L’approccio elaborato si è pertanto posto l’obiettivo di migliorare la procedura relativamente a questi due aspetti rilevanti. Per trattare l’esistenza di situazioni di incerta attribuzione di una sezione stradale ad un certo gruppo tipologico, specie quando non è semplice fornire una chiara definizione in termini trasportistici (ad esempio strada “pendolare” o “turistica”), sono state adottate tecniche di Fuzzy Clustering, garantendo un’opportuna trattazione formale del problema. Per quanto concerne il secondo aspetto, le sezioni non monitorate in continuo vengono inserite nel gruppo tipologico più simile rispetto ai profili temporali di traffico osservati. Per effettuare l’assegnazione di queste sezioni ai gruppi tipologici, l’approccio proposto ha utilizzato una Rete Neurale Artificiale, opportunamente progettata per mantenere l’incertezza presente nella fase di creazione dei gruppi fino alla fine del processo. L’output della rete è infatti rappresentato dall’insieme delle probabilità di appartenenza del rilievo di breve durata ai diversi gruppi tipologici ed è interpretato utilizzando la teoria di Dempster-Shafer. Le misure di incertezza associate all’output (indici di non-specificità e discordanza) permettono di descrivere sinteticamente la qualità dell’informazione disponibile. L’approccio proposto è stato implementato considerando i dati di monitoraggio provenienti dal programma SITRA (Sistema Informativo TRAsporti) della Provincia di Venezia. Rispetto all’ambito applicativo di interesse è stata verificata la validità dell’approccio, confrontando i risultati ottenuti nella stima dell’AADT con precedenti approcci proposti in letteratura. L’analisi comparativa dei risultati ha permesso di rilevare una migliore accuratezza delle stime e soprattutto la possibilità, assente nei precedenti approcci, di evidenziare eventuali carenze informative (dovute all’esiguo numero di dati) e la necessità di procedere con ulteriori rilievi di traffico. I risultati positivi ottenuti in questa fase sperimentale hanno permesso di avviare il progetto per la realizzazione di uno strumento software di immediata spendibilità applicativa