Al giorno d’oggi, la sicurezza stradale è un problema significativo che riguarda tutti. L’Organizzazione Mondiale della Sanità afferma che ogni anno muoiono più di 1,35 milioni di persone a causa di incidenti stradali. In particolare, le lesioni da incidente rappresentano la principale causa di morte per i bambini e i giovani adulti tra i 5 e i 29 anni [1].
Queste cifre allarmanti portano a una chiamata urgente alla comunità accademica per sviluppare soluzioni innovative e affidabili per prevenire il più possibile gli incidenti stradali gravi, individuando per quanto possibile le cause di quelli già occorsi.
In questo articolo, estratto da una delle nostre recenti pubblicazioni sulla rivista scientifica internazionale “Transportation Research Record: Journal of the Transportation Research Board”, proponiamo agli Enti gestori stradali di ricorrere a strategie di modellizzazione avanzate per la gestione della sicurezza stradale; in particolare, suggeriamo loro di sfruttare le potenzialità delle reti neurali artificiali, comunemente definite Artificial Neural Networks (ANNs).
Questa ricerca, dal titolo Overfitting Prevention in Accident Prediction Models: Bayesian Regularization of Artificial Neural Networks [2], è stata presentata a Gennaio 2021 al Transportation Research Board 101st Annual Meeting, Congresso internazionale leader nel settore infrastrutture e ingegneria dei trasporti che si tiene ogni anno a Washington D.C., Stati Uniti (https://www.trb.org/AnnualMeeting/).
Il caso studio e le reti neurali artificiali
Il caso studio ha visto l’utilizzo di una ANN per la previsione della frequenza incidentale sulla Strada Grande Comunicazione Firenze-Pisa-Livorno (Figura 2), la quale – con i suoi 100 km di estensione – collega le tre omonime province della Toscana.
La S.G.C. FI-PI-LI ha carreggiate separate e due corsie per senso di marcia, prevede l’utilizzo di intersezioni a livelli sfalsati e svincoli per la connessione con la rete stradale circostante, e presenta un flusso di traffico che va da circa 15.000 a circa 25.000 veicoli al giorno per direzione di marcia. Lo studio ha considerato le caratteristiche geometrico-funzionali della S.G.C. FI-PI-LI come input della ANN e gli incidenti stradali occorsi nel periodo 2015-2019 come output del modello.
Utilizzando la tecnica denominata “Bayesian Regularization” [3 e 4], l’ANN è in grado di processare i dati geometrico-funzionali della strada integrandoli con le informazioni sulle registrazioni incidentali. Questo processo consente di identificare pattern e correlazioni nascoste tra gli input e l’output del modello.
L’ANN così calibrata è dunque in grado di svolgere molteplici compiti:
- individuare i punti neri della stessa infrastruttura, ossia tutte quelle sezioni stradali in cui si è registrata un’incidentalità media superiore a quanto ci si potrebbe aspettare su di una strada di simile geometria e condizioni operative;
- fare previsioni accurate su eventuali accadimenti incidentali futuri o su possibili scenari simulati (ipotizzando determinati valori di traffico e velocità operativa);
- identificare il nesso causale tra informazioni geometrico-funzionali e registrazioni incidentali, in modo da predisporre specifici interventi di manutenzione stradale che mirano a limitare l’occorrenza di sinistri.
Ma esattamente cos’è una ANN e come funziona?
In termini semplici, una ANN è un tipo di algoritmo di apprendimento automatico affine al funzionamento del cervello umano [5]. È composto da strati successivi di nodi interconnessi (Figura 3), chiamati neuroni artificiali, i quali possono elaborare e analizzare grandi quantità di dati proprio come farebbe il cervello umano.
I neuroni artificiali ricevono in input un segnale numerico che codifica, in questo caso, le caratteristiche geometrico-funzionali della strada in esame. I neuroni del primo strato processano questo segnale e, tramite collegamenti sinaptici artificiali, lo inviano a strati di neuroni successivi.
L’allenamento della ANN è dunque possibile poiché si conoscono sia gli input che l’output desiderato (si definisce allenamento supervisionato). Addestrando così la ANN su un grande set di dati, essa può imparare a riconoscere legami, anche estremamente complessi e non lineari, tra input e output.
Nel caso di studio, la ANN è stata addestrata sui dati raccolti da diverse fonti di informazione. Sono stati raccolti dati sulla sezione trasversale e sulla geometria della strada, come la larghezza delle corsie, la larghezza della banchina sinistra e della banchina destra, la pendenza longitudinale, la geometria planimetrica orizzontale e la geometria altimetrica, nonché i dati sul flusso del traffico e la velocità operativa (pari all’ottantacinquesimo percentile della distribuzione delle velocità tenute dagli utenti della strada), la distanza di visuale libera e l’influenza delle aree di immissione e di uscita in prossimità di intersezioni a livelli sfalsati e svincoli.
Come anticipato, sono stati raccolti anche i dati sugli incidenti occorsi. La ANN ha analizzato e integrato tutte queste informazioni, ed è stata in grado di individuare la correlazione nascosta tra i vari input geometrico-funzionali e la frequenza incidentale.
La valutazione del modello
Per valutare le prestazioni della ANN, è stato realizzato un grafico a dispersione (comunemente definito scatterplot) e un ulteriore grafico che riporta la distribuzione dei residui (ossia che mostra la distribuzione della differenza tra incidenti osservati e stimati dalla ANN).
Per quanto riguarda il grafico a dispersione (Figura 4 sotto), si può apprezzare che i punti (rappresentativi delle coppie di valori Osservazione-Previsione, indicati sul grafico come “Target-Output”) sono adeguatamente disposti su una linea vicina a quella dei 45 gradi, il che indica un’ottima correlazione tra le previsioni e le osservazioni. Non ci sono outliers o cluster atipici poiché non si evidenziano punti lontani dalla linea di adattamento (linea blu) né punti concentrati in aree lontane dalla linea a 45 gradi del grafico.
Osservando il parametro R2, chiamato anche Coefficiente di Determinazione, possiamo verificare che le prestazioni della ANN sono adeguate e stabili tra la fase di training, o di addestramento, la quale presenta un R2 pari a 0,728, e la fase di test, o di validazione, il cui R2 risultante è pari a 0,721. Tanto più questo parametro si avvicina all’unità, tanto più il modello è in grado di spiegare il fenomeno per il quale esso è stato calibrato.
Inoltre, i valori di R2 simili tra fase di training e test, sono indizi che la ANN non soffre di problemi di overfitting, ossia che la rete, durante la fase di allenamento, ha appreso dai dati la giusta quantità di informazioni ed è in grado di generalizzare in maniera soddisfacente su nuovi dati che la stessa rete non conosce.
A conferma di questo fatto, possiamo osservare sul grafico a dispersione della fase di test che non ci sono previsioni eccessivamente deviate rispetto a quanto visto per la fase di allenamento; la linea di adattamento (linea rossa) rimane vicina a quella dei 45° con una pendenza comparabile a quella della fase di addestramento (linea blu).
La distribuzione dei residui (Figura 5 sotto) è stata tracciata per valutare l’accuratezza delle previsioni della ANN. Si può vedere che la distribuzione è di tipo Normale (ossia, è approssimabile da una distribuzione a campana, o di Gauss) ed è ben centrata sullo zero (ossia, l’errore medio delle previsioni è nullo). L’errore è inferiore a ±0,5 incidenti su circa il 20% degli elementi stradali, mentre l’errore cade all’interno dell’intervallo [─3, +2] incidenti su circa il 50% degli elementi stradali.
Inoltre, la distribuzione è marcatamente simmetrica; possiamo dunque affermare che non esistono intervalli di valori in cui la ANN sovrastima o sottostima il numero degli incidenti rispetto a quelli osservati.
Inoltre, il modello suggerisce l’adeguamento degli spazi disponibili per i veicoli sulla piattaforma stradale, ossia materializzare adeguate banchine in destra e sinistra dove necessario, anche a scapito di ridurre leggermente la larghezza delle corsie stradali.
Conclusioni
I potenziali benefici che possono derivare dall’uso delle ANN nelle analisi di sicurezza stradale sono enormi. Gli Enti gestori possono utilizzare queste strategie di modellizzazione avanzate per individuare i punti neri (blackspots) della rete stradale e attuare interventi preventivi che possono salvare molte vite. Inoltre, l’uso di ANN può aiutare a ottimizzare l’allocazione delle risorse e migliorare l’efficienza complessiva delle misure di sicurezza adottate.
Concludendo, possiamo certamente affermare che l’utilizzo delle reti neurali artificiali costituisca una promettente soluzione per affrontare il problema della stima degli incidenti stradali sulle strade. Gli Enti gestori possono così fare previsioni, individuare il nesso causa-effetto tra caratteristiche geometrico-funzionali di un’infrastruttura e gli incidenti occorsi, e implementare preventivamente interventi volti al miglioramento del livello di sicurezza.
Ulteriori ricerche in merito all’intelligenza artificiale e a modelli di previsione incidentale per il contesto italiano sono state realizzate e sono attualmente in corso presso il Dipartimento di Ingegneria Civile e Industriale (DICI) dell’Università di Pisa. Si suggeriscono, ai lettori interessati, gli articoli citati in Bibliografia di recente pubblicazione disponibili online o su richiesta agli autori [6, 7 e 8].
Bibliografia
[1]. World Health Organisation (WHO) – “Global status Report on Road Safety: Summary 2018”, 2018.
[2]. N. Fiorentini, D. Pellegrini, M. Losa – “Overfitting prevention in accident prediction models: bayesian regularization of artificial neural networks,” Transportation Research Record: Journal of the Transportation Research Board, 2022, doi: 10.1177/03611981221111367.
[3]. F. Burden, D. Winkler – “Bayesian regularization of neural networks”, Methods in Molecular Biology, vol. 458, pp. 25-44, 2008, doi: 10.1007/978-1-60327-101-1_3.
[4]. F. Dan Foresee, M. T. Hagan – “Gauss-Newton approximation to bayesian learning”, in Proceedings of International Conference on Neural Networks (ICNN’97), 1997, vol. 3, pp. 1930-1935. doi: 10.1109/ICNN.1997.614194.
[5]. J.J. Hopfield – “Artificial Neural Networks,” IEEE Circuits and Devices Magazine, pp. 3-10, 1988.
[6]. N. Fiorentini, P. Leandri, M. Losa – “Defining machine learning algorithms as accident prediction models for Italian two-lane rural, suburban, and urban roads”, Int J Inj Contr Saf Promot, 2022, doi: 10.1080/17457300.2022.2075397.
[7]. N. Fiorentini, M. Losa – “long-term-based road blackspot screening procedures by machine learning algorithms”, Sustainability, vol. 12, 15, p. 5972, 2020, doi: 10.3390/su12155972.
[8]. N. Fiorentini, M. Losa – “Handling imbalanced data in road crash severity prediction by machine learning algorithms”, Infrastructures, vol. 5, no. 7, p. 61, 2020, doi: 10.3390/infrastructures5070061.
> Se questo articolo ti è piaciuto, iscriviti alla Newsletter mensile al link http://eepurl.com/dpKhwL <