segnaletica &sicurezza
Nicholas Fiorentini(1) Massimo Losa(2)
ALGORITMI DI APPRENDIMENTO AUTOMATICO
NELLE PROCEDURE DI SCREENING METODOLOGIE A BASSO COSTO DI IMPLEMENTAZIONE PER ATTIVITÀ DI SCREENING DI RETI INFRASTRUTTURALI ESTESE E COMPLESSE VOLTE ALL’INDIVIDUAZIONE DI SITI AD ELEVATA INCIDENTALITÀ CON ELEVATA AFFIDABILITÀ (photo credit: https://www.cdpequity.it/media/open-fiberinfrastrutture-digitali-per-la-mobilita-intelligente.kl)
L
e procedure di screening, se utilizzate per l’identificazione degli elementi stradali caratterizzati da valori anomali della frequenza incidentale (siti ad elevata incidentalità), possono essere validi strumenti di supporto per gli Enti Gestori delle reti stradali che hanno necessità di eseguire, in modo rapido ed efficiente, valutazioni sulla sicurezza oggettiva di ciascun elemento della rete, sia esso un arco o un’intersezione. Questa esigenza è particolarmente sentita quando le risorse finanziarie disponibili per la programmazione degli interventi di manutenzione e di adeguamento funzionale delle infrastrutture sono limitate e devono essere utilizzate con oculatezza per ottenere la massima efficacia degli investimenti finalizzati al miglioramento del livello di sicurezza di reti infrastrutturali estese e complesse.
A tal proposito, in questo articolo viene presentata un’innovativa procedura di screening, applicata al caso delle strade extraurbane secondarie, che è basata su due diversi algoritmi di apprendimento automatico (Algoritmi di Machine Learning - AML). In analogia con quanto avviene nelle tradizionali procedure di screening, detti algoritmi sono stati calibrati per poter classificare un sito stradale come “potenzialmente sicuro” o “suscettibile all’evento incidentale”, sulla base della storia incidentale e di un insieme di caratteristiche geometriche, funzionali e ambientali del sito in esame. I due algoritmi di apprendimento automatico sono stati calibrati e validati sulla rete gestita dalla Regione Toscana, utilizzando un campione composto da 1.990 elementi stradali, sulla metà dei quali si è verificato almeno un incidente [1]; gli AML utilizzati sono denominati “Albero Decisionale” (Decision Tree) e “Foresta Casuale” (Random Forest); in particolare, l’algoritmo “Foresta Casuale” ha mostrato le migliori performance nella previsione della pericolosità di un sito, con un’accuratezza pari al 73,53%. Gli algoritmi automatici proposti possono essere usati agevolmente per gestire in modo efficiente una rete stradale, consentendo di stilare una lista delle ispezioni preventive alla pianificazione degli interventi, come richiesto dal Decreto Legislativo 35/2011 [2].
LA DEFINIZIONE DI SCREENING
1. La procedura di screening consente l’individuazione di siti ad elevata incidentalità in reti infrastrutturali estese e complesse (photo credit: https://medium.com/geoai/using-machine-learning-to-predictcar-accident-risk-4d92c91a7d57)
170
STRADE & AUTOSTRADE 5-2020
Il manuale americano della sicurezza stradale [3] individua le procedure di screening come parte cruciale del ciclo di gestione della sicurezza stradale. Lo screening è una metodologia di analisi, che può essere utilizzata per lo studio di una rete stradale con lo scopo di individuare gli elementi più critici e che necessitano di interventi di miglioramento della sicurezza. Esso può essere definito una metodologia a basso costo perché è caratterizzato dall’assenza di ispezioni in situ ed è basato unicamente sul database storico e su strumenti di analisi opportunamente calibrati.
www.stradeeautostrade.it
