Road infrastructure manager: travel time forecasting
Overview
L’operatore stradale intende adottare uno strumento basato su algoritmi di intelligenza artificiale e modelli di machine learning per stimare i tempi di percorrenza sulla rete in quasi tempo reale.
Industry
Mobility & TransportationBackground
La necessità era testare una soluzione in grado di sostituire l’attuale sistema decisionale con un modello di machine learning che combina dati quasi in tempo reale provenienti da sensori fissi (bobine induttive e telecamere), dati da veicoli in movimento (floating-car data), condizioni meteorologiche e geometria stradale. Sfruttando la teoria del flusso del traffico, il modello identifica i pattern di mobilità e prevede i tempi di percorrenza e i livelli di congestione a 5, 10 e 15 minuti. Il sistema alimenta una dashboard interattiva.
Challenge
Identificare il modello di machine learning più adatto a catturare le correlazioni e i pattern di mobilità tra le numerose fonti di dati eterogenee disponibili, al fine di implementare una dashboard interattiva che consenta il monitoraggio quasi in tempo reale dello stato della rete
Approccio
Come primo passo, è stata effettuata una valutazione dei dati disponibili per valutarne qualità, affidabilità e lacune ai fini dell’integrazione nel modello di previsione dei tempi di percorrenza. Successivamente, la fase di data engineering ha permesso di identificare le caratteristiche e le correlazioni che meglio rappresentano i pattern di mobilità. Infine, dopo la selezione e il test di più modelli, è stato individuato il modello di AI più efficace per alimentare una dashboard dinamica e interattiva per la previsione del traffico nel tempo.
Risultat
Risultati ottenuti
Sviluppo di uno strumento basato su logiche data-driven e tecnologie AI che analizza velocità e tempi di percorrenza e genera previsioni a 5, 10 e 15 minuti. Testato all’interno di un perimetro operativo definito, il sistema fornisce una visione dinamica della mobilità e consente di monitorare e ottimizzare le prestazioni del modello predittivo.
17.6%
MAPE (Mean Absolute Percentage Error – misura la differenza media percentuale tra i valori previsti e quelli effettivi)
0.45
RMSE (Root Mean Squared Error – misura l’errore medio tra i valori previsti e quelli osservati)
Lascia un messaggio per entrare in contatto.