Titolo della tesi: Data-Driven and Machine Learning Approaches for Transport Planning and Management
La sicurezza stradale e la previsione della domanda di trasporto rappresentano sfide critiche nella mobilità urbana e nella pianificazione dei trasporti. Questa ricerca affronta due problemi fondamentali: la previsione accurata della gravità degli incidenti stradali e la previsione della domanda di trasporto utilizzando approcci di apprendimento automatico. La gravità degli incidenti stradali è influenzata da molteplici fattori interagenti, tra cui le condizioni stradali, il flusso di traffico e le variabili ambientali, ma i modelli esistenti faticano a gestire dati sbilanciati, la mancanza di interpretabilità e l'incertezza predittiva. Allo stesso modo, i modelli di previsione della domanda devono catturare complessi schemi spazio-temporali nella mobilità urbana, un compito che i metodi tradizionali non riescono ad affrontare adeguatamente.
Per la sicurezza stradale e la previsione della gravità degli incidenti, questo studio impiega un modello basato su XGBoost, integrando i dati sugli incidenti con informazioni derivate dal flusso di traffico della rete stradale. Il dataset analizzato comprende registrazioni di incidenti avvenuti a Roma tra il 2006 e il 2022, arricchite con dati di assegnazione del traffico. Per affrontare il problema dello sbilanciamento dei dati, viene applicata la Synthetic Minority Over-sampling Technique (SMOTE), mentre l'analisi SHAP è utilizzata per interpretare il contributo delle variabili. Inoltre, la tecnica della Conformal Prediction è incorporata per quantificare l'incertezza predittiva, garantendo maggiore affidabilità nella classificazione della gravità degli incidenti. I risultati dimostrano che l'integrazione dei dati sul flusso di traffico migliora significativamente la precisione della previsione, in particolare nei casi di incidenti gravi. L'analisi evidenzia come fattori quali velocità, congestione e progettazione stradale siano determinanti per la severità degli incidenti.
Per la previsione della domanda di trasporto, vengono implementate architetture di deep learning avanzate, tra cui Bi-Directional Long Short-Term Memory (Bi-LSTM), 3D-Convolutional Neural Networks (3D-CNNs) e Temporal Graph Networks (TGNet), per prevedere la domanda di viaggio urbano. Lo studio utilizza il dataset dei taxi gialli di New York (NYC Yellow Taxi dataset), sfruttando dati spazio-temporali ad alta risoluzione per addestrare modelli capaci di catturare sia dipendenze spaziali che temporali. I risultati indicano che i modelli di deep learning superano le prestazioni dei metodi tradizionali, ma la loro efficacia dipende fortemente dalla granularità e dalla rappresentazione dei dati.
Questa tesi apporta contributi significativi nei campi della modellazione della sicurezza stradale e della previsione della domanda di trasporto, introducendo nuovi framework basati su apprendimento automatico, integrando tecniche di assegnazione del traffico e migliorando l'interpretabilità dei modelli. Le implicazioni di questa ricerca sono rilevanti per la progettazione ingegneristica e le politiche di trasporto, consentendo interventi proattivi per la sicurezza stradale, una migliore allocazione delle risorse e una pianificazione urbana più efficiente.