studio degli incidenti stradali nella città di parma mediante l

STUDIO DEGLI INCIDENTI STRADALI NELLA CITTÀ DI PARMA
MEDIANTE L’IMPLEMENTAZIONE DI UNA RETE NEURALE ARTIFICIALE
Antonio Montepara – Università di Parma
Felice Giuliani – Università di Parma
1, INTRODUZIONE
una media di circa 11.000 transiti orari diurni ed un
Lo studio delle cause di un sinistro stradale è una
volume orario di punta superiore a 30.000 veicoli/ora [1-
operazione
2]. Quasi il 90% di questi spostamenti si effettuano in
particolarmente
intervengono
numerosi
complessa
fattori
solo
nella
quale
apparentemente
ambito urbano.
indipendenti fra loro quali il comportamento umano, la
Recenti provvedimenti di riorganizzazione del trasporto
velocità, la geometria del tracciato e della sezione
pubblico e di riordino della rete stradale locale, hanno in
stradale,
parte modificato l’assetto del trasporto urbano, tutelando
le
caratteristiche
superficiali
della
pavimentazione, le condizioni atmosferiche.
il centro cittadino e risolvendo alcuni nodi complessi
L’impiego di strumenti statistici operativi come le reti
della viabilità.
neurali artificiali consente di analizzare il peso che
Tuttavia lo sviluppo della mobilità non ha portato benefici
ciascun fattore assume nell’interpretazione e quindi nella
tangibili nell’ambito della sicurezza stradale e purtroppo,
previsione dell’evento incidentale.
in linea con le tendenze nazionali ed europee, è ancora
Nel caso studiato nella città di Parma, sulla base delle
elevato il numero degli incidenti stradali propri del
informazioni ottenute dal registro dei sinistri stradali
contesto urbano di circolazione; il 67% dei sinistri rilevati
verificatisi negli ultimi anni sulle cinque arterie principali,
nella Provincia di Parma dal 1995 al 1998 si sono
è stata implementata ed addestrata una rete neurale
verificati in ambito urbano [3].
artificiale. Tale strumento, per la completezza e per la
Un quadro riassuntivo del fenomeno dell’incidentalità
numerosità dei dati elaborati, ha permesso l’analisi
nella
dell’incidentalità
con
dall’elaborazione statistica dei dati messi a disposizione
risultati che superano i limiti di affidabilità di un qualsiasi
dal Comando di Polizia Municipale dal gennaio 1996 al
modello statistico parametrico.
dicembre 1999, il quale, operando in modo capillare nel
per
tronchi
stradali
omogenei
città
di
Parma
è
ben
rappresentato
territorio cittadino, possiede un database dei sinistri
2. INCIDENTALITÀ NELLA CITTÀ DI PARMA
aggiornato e rappresentativo della quasi totalità degli
La provincia di Parma è dotata di una delle più
incidenti rilevati sul territorio (Tabella 1).
importanti
Emilia
Da una prima osservazione, risulta che il fenomeno è
Romagna; in corrispondenza dell’ambito urbano del
stazionario nella sua entità e che la maggior parte degli
Capoluogo,
incidenti ha provocato il ferimento degli utenti coinvolti.
reti
il
infrastrutturali
sistema
di
della
Regione
comunicazioni
risulta
particolarmente articolato, vista la interconnessione fra
la S.S. n. 9 “Via Emilia” (attraversamento est-ovest) e
Tabella 1
Incidenti rilevati dai Vigili Urbani di Parma (1996/99).
l’autostrada A1 mediante la locale Tangenziale Nord.
Anno del rilievo
1996
1997
1998
1999
permette la comunicazione con la Valle del Taro e
Incidenti con soli danni
586
652
683
496
l’autostrada A15, e la Via Langhirano, importante arteria
Incidenti con feriti
835
864
1002
1014
di accesso alla città ed all’area universitaria.
Incidenti con morti
8
15
8
20
Da Parma diparte, dunque, una raggiera di strade statali
Numero totale incidenti
1429
1531
1693
1530
e provinciali in comunicazione dall’appennino ai centri
Numero feriti
1049
1096
1238
1304
della pianura, del bacino del Po e della Lombardia.
Numero deceduti
8
16
9
21
Circa 208.000 veicoli/giorno attraversano il cordone,
Totale persone lese
1057
1112
1247
1325
Le direttrici sud principali sono la Via Spezia, che
inteso come limite della città, in entrata e in uscita, con
1
Le autovetture costituiscono certamente la categoria di
veicoli
più
coinvolta
nell’evento
incidentale,
ma
separate, composta da due corsie per senso di marcia;
è
si sviluppa in ambito extraurbano;
particolarmente importante il numero di velocipedi e
- “Via Langhirano”, strada a carreggiata unica, a doppio
ciclomotori, nota anche la locale vocazione all’uso di
senso di circolazione, composta da due corsie; si
questi mezzi (Figura 1).
sviluppa sia in ambito urbano che extraurbano.
In linea con il dato nazionale, anche per Parma il
Interpretare il fenomeno della incidentalità propria di
mancato rispetto delle precedenze e degli obblighi
queste cinque arterie, comporta un’analisi dei fattori
nonché l’elevata velocità di marcia costituiscono le
legati alle condizioni meteorologiche, alla composizione
infrazioni che maggiormente vengono rilevate dopo un
del categorie di utenti, nonché una qualificazione
incidente (Figura 2).
dell’evento
in
relazione
alla
gravità
delle
sue
conseguenze in un arco temporale di osservazione
Mezzi a
2 ruote
21%
Altro
3%
sufficientemente ampio (Tabelle 2, 3, 4). Mentre la
Autocarri
7%
ripartizione degli incidenti fra conducente e passeggero,
anche in relazione al sesso dell’utente coinvolto, segue
la
nazionale,
risulta
particolarmente
significativo il dato riferito ad una elevata percentuale di
Autovetture
66%
Pedoni
3%
tendenza
sinistri accaduti in condizioni meteorologiche favorevoli,
di pavimentazione asciutta e con intensità di traffico
normale o scarsa. Circa il 9% degli incidenti è avvenuto
coinvolgendo solo un veicolo.
Figura 1 – Soggetti coinvolti negli incidenti (1996/99).
Altro
18%
Tabella 2
Utenti coinvolti in incidenti sulle arterie nere (1997/2001).
Velocità
16%
Precedenza
33%
Obblighi,
divieti,
limitazioni
33%
Utenti
Conducente
Passeggero
Totale (%)
Maschi
1518
225
69,6
Femmine
474
288
30,4
Totale
1992
513
100
Tabella 3
Esito degli incidenti sulle arterie nere (1997/2001).
Figura 2 – Infrazioni rilevate nei sinistri (1996/99).
2.1 “Arterie nere” della viabilità parmigiana
Un’analisi di dettaglio dei dati disponibili ha permesso di
formulare una triste graduatoria delle strade di Parma
Utenti
Illesi Feriti lievi
Feriti gravi/Morti Totale
Conducente
1366
570
42/14
1992
Passeggero
389
124
0/0
513
Totale
1755
694
42/14
2505
ove, sulla base dei dati forniti dalla locale Polizia
Tabella 4
Condizioni ambientali al momento degli incidenti
sulle arterie nere (1997/2001).
Municipale, viene rilevato il maggior tasso di incidentalità
stradale proprio delle cosiddette “arterie nere”:
- S.S.9 “Via Emilia Ovest”, strada a carreggiata unica, a
Condizioni Meteorologiche
doppio senso di circolazione, composta da due corsie;
Sereno
Nuvoloso
Pioggia
Neve
Nebbia
si sviluppa sia in ambito urbano che extraurbano;
73,4%
18,1%
7,5%
0,3%
0,8%
- “Via Emilia Est”, strada a carreggiata unica, a doppio
Condizioni della Pavimentazione
senso di circolazione, composta da due corsie; si
sviluppa in ambito urbano;
Asciutta
Bagnata
Sdrucc.
Ghiaccio
Neve
85,2%
13,0%
1,0%
0,5%
0,2%
- “Via La Spezia”, strada a carreggiata unica, a doppio
Condizioni del Traffico
senso di circolazione, composta da due corsie; si
sviluppa sia in ambito urbano che extraurbano;
- S.S.9 “Tangenziale Nord”, strada
a carreggiate
2
Intenso
Normale
Scarso
37,0%
49,8%
13,2%
Il 53% degli incidenti ha coinvolto persone di età
correlazione positiva, mentre r =-1 massima correlazione
compresa fra 20 e 39 anni. Questi dati, se da un lato
negativa.
evidenziano un chiaro ruolo del fattore umano, in termini
In riferimento ai dati della Tabella 5, il valore 0,562
di scarsa concentrazione alla guida e di generale
indica una buona correlazione positiva tra le variabili
disattenzione, dall’altro poco si può concludere circa
“incidente” e “velocità”. La correlazione tra “aderenza” ed
l’influenza del tipo e delle condizioni della sede stradale.
“incidente” indica una leggera dipendenza negativa;
Allorché si vogliano evidenziare situazioni ascrivibili ad
questo significa che ad una maggiore aderenza fa
anomalie dell’infrastruttura, in relazione soprattutto allo
riscontro un minor numero di sinistri.
stato della pavimentazione e della segnaletica, è
La correlazione tra interruzioni del flusso (variabile
importante
dicotomica
notare
che,
quanto
più
il
periodo
di
0=assenza,
1=presenza)
e
numero
di
monitoraggio degli incidenti è breve, tanto più è elevato il
incidenti, pari a 0,410 indica una buona dipendenza
rischio di analizzare una sinistrosità episodica, derivante
positiva, ovvero in presenza di stop, passaggi pedonali,
cioè da situazioni temporanee. Al contrario la scelta di
semafori o altre interruzioni obbligatorie del flusso fa
un periodo di osservazione troppo lungo accresce il
riscontro un maggior numero di sinistri.
rischio che si possa verificare una incompatibilità dei
dati, in quanto possono evolvere in modo sostanziale le
Tabella 5
Correlazione fra velocità e numero di incidenti.
caratteristiche dell’infrastruttura e la disciplina della
Numero di Incidenti N
circolazione.
Correlazione di Pearson r
Pertanto, in riferimento allo stato di manutenzione delle
N – Velocità/Limite
+0,562
pavimentazioni stradali delle “arterie nere”, rilevato in
N – Aderenza
-0,210
modo capillare nel corso del mese di aprile del 2001, si
N – Interruzioni del flusso
+0,410
sono cercate correlazioni con l’evento incidente stradale
ed in particolare con le condizioni nelle quali esso si è
L’analisi di correlazione è uno strumento valido per
verificato nell’arco temporale 1997/2001.
evidenziare l’esistenza di un legame tra le variabili, ma
non permette di individuare alcuna forma funzionale,
2.2 Analisi statistica preliminare
cosa possibile attraverso un tradizionale grafico a
Tramite le analisi di correlazione classiche si è voluto
dispersione (Figure 3 e 4). Dall’analisi delle curve di
appurare l’esistenza o meno di un legame tra numero di
adattamento, di tipo quadratico, i valori di Rsq sono tutti
incidenti ed alcune caratteristiche delle “arterie nere”
tendenzialmente bassi, in misura maggiore quelli delle
quali, le condizioni di flusso interrotto (presenza di stop,
curve dell’aderenza. L’adattamento aumenterebbe se si
passaggi
considerasse un modello che spieghi il numero di
pedonali,
semafori),
un
indicatore
dell’aderenza disponibile, espressa come resistenza di
incidenti
attrito radente in unità BPN (CNR 105-1985), e la
utilizzando lo strumento della regressione multipla, ma
velocità
ciò è possibile solo interpolando i dati con funzioni
media
di
percorrenza
nei
diversi
tronchi,
con
più
di
una
variabile,
per
esempio
lineari.
quest’ultima rapportata al limite di velocità localmente
consentito. Sulla base dei dati a disposizione è stato
40
calcolato l’indice di correlazione di Pearson:
30
σ
r = XY
σ X σY
(1)
20
Tale indice è dato dal rapporto tra la covarianza delle
10
n° incidenti
due variabili (X, Y) ed il prodotto delle loro deviazioni
standard; risulta pertanto un indice normalizzato.
L’indice r assume valori compresi tra –1 e 1. Il valore r=0
indica
indipendenza
(lineare)
tra
le
variabili,
Rsq =0.3580
0
-10
.2
cioè
.4
.6
.8
1.0
1.2
Velocità / Limite di velocità
vel/limite nel tronco
assenza di correlazione. Il valore r =1 indica massima
Figura 3 – Grafico a dispersione velocità-incidenti.
3
1.4
Ogni volta che viene presentato un esempio, quindi,
40
l'algoritmo tenta di orientare i parametri della rete ai
valori ottimali per la soluzione dell'esempio: in questo
30
Rsq =0.0524
modo l'algoritmo cerca iterativamente di assecondare
20
tutti gli esempi. I parametri di cui si parla sono
essenzialmente i pesi o fattori di collegamento tra i
n° incidenti
10
neuroni che compongono la rete. Una rete neurale è
infatti composta da un certo numero di neuroni collegati
0
tra loro da collegamenti "pesati", proprio come lo sono i
-10
10
20
30
40
50
60
neuroni del cervello umano [6].
70
Aderenza
Esistono molti tipi di reti neurali che sono differenziati
Figura 4 – Grafico a dispersione aderenza-incidenti.
sulla base di alcune caratteristiche fondamentali:
- tipo di utilizzo e architettura dei collegamenti;
Da queste considerazioni emerge, dunque, la necessità
- tipo di apprendimento (supervisionato o meno);
di uno strumento statistico differente, in grado di cogliere
- algoritmo di apprendimento.
e descrivere legami complessi e non lineari, quali le reti
Nel
neurali artificiali [4].
implementazione di una rete del tipo Back Propagation
Neural
caso
proposto,
Network,
si
regolata
farà
dalla
riferimento
alla
retro-propagazione
3. IMPLEMENTAZIONE DELLA RETE NEURALE
dell’errore. Tale scelta è stata spesso preferita da altri
3.1 Reti Neurali Artificiali
Autori nel campo della analisi di incidentalità con reti
Una
rete
neurale
artificiale
simula
l'attività
di
neurali artificiali [7-8-9].
elaborazione delle informazioni che avviene nel cervello
umano durante l’apprendimento ed il riconoscimento nel
3.2 Definizione del Data Set
processo
è
L’elaborazione dei soli dati forniti dal Comando di Polizia
semplici
Municipale di Parma, non consente tal quale di definire
decisionale;
essenzialmente
una
una
rete
interconnessione
neurale
di
elementi computazionali basati su funzioni matematiche.
un modello di previsione e di analisi degli incidenti, come
Essa usa migliaia o centinaia di migliaia di neuroni
una Rete Neurale Artificiale, in quanto l’evento incidente
simulati, fortemente interconnessi per processare le
è sempre presente. Pertanto è stato costruito un
informazioni in parallelo [5].
supporto completo di dati, sulla base di rilievi geometrici
In una rete neurale le informazioni sono scomposte in
e misure in situ (data set), quale indispensabile base di
informazioni "elementari" contenute all’interno di ogni
addestramento della rete neurale.
singolo neurone. Una rete neurale può essere vista
Le cinque strade oggetto di studio, denominate arterie
come un sistema in grado di dare una risposta ad una
nere,
domanda o fornire un output in risposta ad un input.
caratteristiche omogenee (358 “Tronchi Esempio”), per
La
combinazione
in/out
ovvero
la
funzione
di
sono
state
pertanto
divise
in
tronchi
ciascuno dei quali vengono attribuiti valori propri dei
trasferimento della rete non viene programmata, ma
seguenti parametri:
viene
- la velocità di percorrenza del tratto/velocità limite;
ottenuta
attraverso
un
processo
di
"addestramento" con dati empirici. In pratica la rete
- la larghezza della carreggiata, in metri;
apprende la funzione che lega l’output con l’input
- il flusso veicolare rilevato nell’ora di punta, in veic/h;
attraverso la presentazione di esempi corretti di coppie
- l’aderenza (BPN);
input/output. Effettivamente, per ogni input presentato
- le condizioni della segnaletica orizzontale
alla rete, nel processo di apprendimento, la rete fornisce
(assente=0, buono stato=1, cattivo stato=2);
un output che si discosta di una certa quantità δ
dall'output
desiderato:
l'algoritmo
di
di
- la presenza di intersezioni a raso
(nessuna intersezione=0, tre bracci=1, più bracci=2);
addestramento
modifica alcuni parametri della rete e la indirizza nella
- la presenza di semafori o attraversamenti pedonali
fasce di scelta.
(assenti=0, presenti=1);
- Il numero di incidenti nel periodo di osservazione.
4
3.3 Creazione ed addestramento della rete
Tale rete è stata addestrata con i diversi algoritmi di
In accordo con la struttura delle reti neurali, la
apprendimento facendo variare nello stesso tempo il
popolazione di “tronchi esempio” è stata suddivisa nei
numero delle unità nascoste.
seguenti gruppi di campioni:
Questa architettura di rete neurale completamente
- Training set: serie di dati utilizzati per l'apprendimento
connessa è stata sperimentata su diverse combinazioni
della rete, ovvero nell’attribuzione dei pesi nel processo
di input/target. Per ciascuna combinazione sono state
di elaborazione dei dati;
eseguite prove facendo variare il numero delle unità
- Validation set: serie di dati utilizzati per mettere a punto
nascoste e il tipo di algoritmo di apprendimento.
i vari parametri della rete neurale, per esempio per
In ogni prova è stata, infine, analizzata la performance
scegliere il numero di unità nascoste nella rete (i nodi
function della rete in termini di errore quadratico medio
nello strato nascosto sono risultati, in ultimo, 40).
sul training set e l'analisi di regressione sul validation set
Al fine di individuare la rete neurale che meglio
per comprendere se la rete riusciva a generalizzare.
interpreta una serie nuova di dati, ovvero che sia in
Per
grado di costituire un valido modello previsionale, è stata
utilizzato il Toolbox Neural Networks di Matlab 6.0,
valutata la funzione di errore utilizzando dati indipendenti
mentre per apprendimento è stato utilizzato l’algoritmo di
da quelli usati per l'apprendimento.
Levenberg e Marquard [10-11] che ha una convergenza
L'insieme dei “tronchi esempio” a disposizione sono stati
rapida in poche epoche.
l’implementazione
della
rete
neurale
è
stato
suddivisi quindi in due gruppi distinti: 179 sezioni sono
state assegnate al training set e 179 sezioni al validation
3.5 Generalizzazione della rete
set; le sezioni sono state selezionate in modo tale che
Dall'analisi di convergenza è emerso che tutta la rete è
ciascun
in grado di apprendere bene i dati del training set
set
di
dati
risultasse
eterogeneo
e
ottenendo valori di errore relativamente bassi, ma per
rappresentativo dell'intera popolazione.
scegliere definitivamente la rete è necessario fare un
3.4 Architettura della rete
confronto con un set di dati (validation set) indipendente
La rete neurale implementata è composta da uno strato
da quello utilizzato per l'addestramento e vedere se la
di input, uno strato nascosto e uno strato di output.
rete è, appunto, in grado di generalizzare.
Il nodo di input è composto da 7 nodi che rappresentano
Il
le 7 variabili: velocità, larghezza carreggiata, flusso
generalizzazione di una rete è il metodo dell'early
veicolare,
stopping [12-13]. Per implementare tale metodo bisogna
aderenza,
segnaletica,
intersezioni,
metodo
più
usato
per
valutare
il
potere
di
interruzioni del flusso.
innanzitutto creare una struttura che contenga gli input
Lo strato di output è composto da un solo nodo che
ed i target del validation set ed introdurla nella rete
rappresenta in numero di incidenti.
insieme al training set per l'addestramento: durante
Lo schema dell'architettura della rete completamente
l'addestramento la rete valuta contemporaneamente
connessa con un solo strato nascosto è rappresentato in
l'errore sul training e sul validation set e l'addestramento
Figura 5.
viene
interrotto
quando
l'errore
sul
validation
set
comincia a crescere dopo un certo numero di iterazioni.
In
Figura 7 si nota come nel caso della rete
completamente connessa con 40 unità nascoste e
addestrata con l'algoritmo Levenberg-Marquard, l'errore
sul training set riesca a diventare zero consentendo
dunque alla rete di interpretare perfettamente i dati del
training set.
Figura 5 – Architettura della rete.
Addestrando la stessa rete con il metodo dell'early
stopping si constata come questa non riesca a
Nello strato nascosto sono compresi la matrice dei pesi
raggiungere le medesime performance sul training set,
delle connessioni tra le unità nascoste e quelle di input,
perché l'apprendimento si blocca quasi subito a causa
l'operatore somma e la funzione di trasferimento.
5
della crescita dell'errore sul validation set e non perché
4. ANALISI E PREVISIONE DEI SINISTRI STRADALI
si sia raggiunto un punto di minimo locale.
MEDIANTE RETE NEURALE ARTIFICIALE
Ne consegue che, dato l'errore più elevato, non si ha la
In tema di sicurezza stradale è opinione diffusa, ed in
perfetta regressione come nel caso di addestramento
parte corretta, che molti degli incidenti stradali si
esclusivamente sul training set (Figura 8), ma nel caso
sarebbero potuti evitare se gli utenti coinvolti avessero
degli
stradali nella città di Parma resta
adottato velocità e comportamenti adeguati alle diverse
comunque ottimo l’adattamento della rete con il metodo
condizioni di circolazione. In effetti, il fattore umano
dell'early
riveste
incidenti
stopping
(R=0,818).
I
risultati
sono
rappresentati nei grafici delle Figure 9 e 10.
un
ruolo
prevalente
nella
sicurezza
della
circolazione ma è comunque compito del progettista
stradale
garantire
un
elevato
grado
di
sicurezza
intrinseca della infrastruttura di trasporto nelle condizioni
prevalenti di traffico.
Se in fase di progettazione e di prima realizzazione, la
strada deve garantire una percorribilità confortevole e
sicura, la gestione delle infrastrutture esistenti, pone il
problema di un adeguamento funzionale che tenga
conto della evoluzione dello stato dell’opera e che ponga
in essere tutti quegli accorgimenti per aumentare il grado
di sicurezza in termini di riduzione del proprio tasso di
incidentalità. Spesso gli interventi su strada vengono
eseguiti
sulla
base
di
scelte
affrettate,
a
volte
conseguenti dell’ennesimo triste episodio.
Nel caso in esame, l’implementazione della rete neurale
artificiale per le arterie nere di Parma, permette di
4.3 Risultati
gestire uno strumento di interpretazione dei sinistri che,
per ciascuno dei 358 tronchi, individua la relazione tra il
Figura 7 – Performance Function per la rete addestrata
senza validation set.
tasso di incidentalità e le caratteristiche funzionali
dell’infrastruttura, offrendo in ultima analisi un riscontro
della efficacia di un intervento di manutenzione in termini
di tasso di incidentalità atteso.
La rete neurale, addestrata con tutte le informazioni del
data set, è pronta ad interpretare i nuovi input proposti
dal tecnico.
A titolo di esempio, si descrivono gli scenari previsti in
alcuni tronchi della arterie nere, simulando l’attuazione di
alcuni interventi su strada (Tabella 6).
I tratti analizzati sono:
- Via Emilia Est: tratto compreso fra l’intersezione con
Via Usiglio e quella con Via Rossigni (sezz. 309-314);
- Via La Spezia: tratto compreso fra l’intersezione con
Via Pellico e quella con Via Chiavari (sezz. 170-179);
- Via Emilia Ovest: tratto compreso fra l’intersezione con
Via Cremonese a quella con Via Pini (sezz. 85-94).
Le previsioni sono state effettuate sia con la rete
addestrata senza validation set che con la rete
Figura 8 – Performance Function per la rete addestrata
con il validation set.
addestrata con il validation set.
6
40
Numero di Incidenti
35
Incidenti effettivi
30
25
Incidenti previsti dalla rete
neurale
20
Incidenti previsti dalla rete
neurale (con validation)
15
10
5
0
1 2 3 4
5 6
7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 25 26 27 28 29 30 31 32 33 34
Tronchi Esempio Tangenziale Nord (Carreggiata Ovest)
Incidenti effettivi
16
Numero di Incidenti
14
Incidenti previsti dalla rete
neurale
12
Incidenti previsti dalla rete
neurale (con validation)
10
8
6
4
2
0
35 36 37 38 39 40 41 42 43 44 45 46 47 48 49 50 51 52 53 54 55 56 57 58 59 60 61 62 63 64 65 66 67 68
Tronchi Esempio Tangenziale Nord (Carreggiata Est)
Incidenti effettivi
Numero di Incidenti
14
12
Incidenti previsti dalla rete
neurale
10
Incidenti previsti dalla rete
neurale (con validation)
8
6
4
2
Tronchi Esempio Via La Spezia
Figura 9 – Modello di previsione degli incidenti stradali di alcune “arterie nere” della città di Parma.
7
20
9
20
3
20
6
19
7
20
0
19
1
19
4
18
8
18
5
18
2
17
9
17
6
17
3
16
7
17
0
16
1
16
4
15
8
15
5
15
2
14
9
14
6
14
3
14
0
0
30
Incidenti effettivi
Numero di Incidenti
25
20
Incidenti previsti dalla rete
neurale
15
Incidenti previsti dalla rete
neurale (con validation)
10
5
268
266
264
262
260
258
256
254
252
250
248
246
244
242
240
238
236
234
232
230
228
226
224
222
220
218
216
214
212
210
0
Tronchi Esempio Via Langhirano (tratto urbano)
9
Incidenti effettivi
8
Incidenti previsti dalla rete
neurale
Numero di Incidenti
7
6
Incidenti previsti dalla rete
neurale (con validation)
5
4
3
2
1
30
3
30
1
29
9
29
7
29
5
29
3
29
1
28
9
28
7
28
5
28
3
28
1
27
9
27
7
27
5
27
3
27
1
26
9
0
Numero di Incidenti
Tronchi Esempio Via Langhirano (tratto extraurbano)
25
Incidenti effettivi
20
Incidenti previsti dalla rete
neurale
15
Incidenti previsti dalla rete
neurale (con validation)
10
5
Tronchi Esempio Via Emilia Est
Figura 10 – Modello di previsione degli incidenti stradali di alcune “arterie nere” della città di Parma.
8
358
356
354
352
350
348
346
344
342
340
338
336
334
332
330
328
326
324
322
320
318
316
314
312
310
308
306
304
0
a seguito di un modifica delle condizioni di circolazione e
Tabella 6
Alcuni risultati prodotti dalla Rete Neurale Artificiale.
delle caratteristiche dell’infrastruttura (diminuzione della
Via Emilia Est
Sezioni
velocità del 30%, aumento del valore BPN in sito del
Incidenti
Incidenti
Incidenti previsti
accaduti
previsti (*)
dopo modifiche (*)
Entrambe le reti indicano correttamente una diminuzione
309
1
1-1
0-0
degli incidenti ma mentre la rete senza validation set
310
8
6-4
1-1
interpreta al meglio l’andamento degli incidenti rilevati, la
311
4
5-6
4-3
rete non completamente addestrata (con validation set)
312
1
2-1
2-0
è in grado di generalizzare in modo completo.
313
9
9-6
3-4
Infatti la rete completamente addestrata mostra problemi
314
3
3-2
2-1
di generalizzazione in alcune sezioni (312, 171 ed 86).
Totale
26
26-20
12-9 (-54%/-55%)
30% ed efficiente segnaletica orizzontale).
La rete è sensibile ovviamente anche a valori dei
parametri che inducono un aumento degli incidenti, quali
Via La Spezia
Sezioni
peggioramento
delle
condizioni
della
segnaletica,
Incidenti
Incidenti
Incidenti previsti
accaduti
previsti (*)
dopo modifiche (*)
aumento della velocità di percorrenza, diminuzione
170
4
4-2
4-1
dell’aderenza; in quest’ultimo caso, è ancora più
171
1
0-1
3-1
172
10
9-9
3-4
173
7
6-7
1-2
174
3
3-5
1-2
175
5
4-3
0-1
176
1
1-1
0-1
177
1
1-2
0-1
178
2
1-1
0-0
179
11
10-12
4-5
Totale
45
39-43
16-18 (-59%/-58%)
evidente come la rete completamente addestrata non è
del tutto adatta ad effettuare previsioni (overfitting).
Facendo
pertanto
uso
della
rete
addestrata
con
validation set, sono stati simulati scenari sulla base delle
osservazioni di tutte le 358 sezioni stradali, mantenendo
inalterate tutte le condizioni e cambiando ciascuno dei
parametri di riferimento. La Tabella 7 mostra alcuni
risultati ottenuti.
Tabella 7
Alcuni scenari previsti dalla Rete Neurale Artificiale.
Via Emilia Ovest
Numero di
Numero di
Incidenti
Incidenti
Incidenti previsti
Variazione dei
incidenti
incidenti
Variazione
accaduti
previsti (*)
dopo modifiche(*)
Parametri
osservati
previsti
Incidenti
85
5
5-9
0-4
949
894
-6%
86
3
3-6
2-3
87
3
3-6
0-2
Velocità (-30%)
949
659
-31%
88
4
4-7
1-2
BPN (+30%)
949
805
-15%
89
8
8-9
6-4
90
17
17-12
10-8
91
4
4-3
1-1
949
488
-49%
92
1
1-1
0-1
93
2
1-1
0-1
94
15
16-14
8-9
Totale
62
62-68
28-35 (-55%/-49%)
Sezioni
Segnaletica
sempre efficiente
Velocità (-30%)
BPN (+30)
Segnaletica
sempre efficiente
4. 2 Conclusioni
Sulla base di quanto sopra evidenziato, imponendo una
maggiore disciplina della circolazione ed apportando
(*) Valori della rete senza-con validation set.
migliorie allo stato dei manti stradali ed alla segnaletica
orizzontale, la rete riesce perfettamente ad interpretare i
In Tabella 6 sono riportati il numero di incidenti avvenuti,
dati e prevedere una sostanziale diminuzione del
il numero previsto dalla rete addestrata (senza e con
numero dei sinistri attraverso una interazione completa
validation set) ed il numero previsto dalla medesima rete
delle variabili; è evidente come ciascuna di queste incide
9
sull'evento incidente e, come in tal senso la velocità di
[6] Rosenblatt F., “The perceptron: a probabilistic model
marcia nei singoli tronchi assume un ruolo di primaria
for information storage and organization in the brain”,
importanza, anche a conferma di quanto evidenziato
Psychological Rewiew, n. 65, 1958.
dagli studi preliminari di correlazione.
[7] Bevilacqua A., Di Mino G., Giunta M., “L’analisi della
Non è trascurabile il risvolto operativo offerto dalla
fase applicativa di architettura di rete neurale per lo
implementazione della rete neurale ed il suo impiego
studio
quale strumento di previsione del numero e della
Quarry and Construction, n. 4, Aprile 1999.
localizzazione prevalente dei sinistri: si ha infatti la
[8] Abo Qudais S., “Urban road accident prediction
possibilità di individuare tronco per tronco l’influenza di
models”,
ogni fattore sul tasso di incidentalità e stabilire il migliore
Association, n. 309-I, 2001.
degli interventi finalizzati alla sua riduzione.
[9] La Torre F., Dominichini L., “Implementazione di una
Proprio nel caso di Parma, è significativo il dato che lega
rete neurale artificiale per analisi di incidentalità “, Atti
la resistenza di attrito radente della pavimentazione
del
stradale al numero dei sinistri: un aumento del 30% del
Pavimentazioni
valore di BPN, può apportare una riduzione del 15%
Sapienza”, 1997.
numero di incidenti. In effetti i valori rilevati in situ
[10] Haykin S., “Neural networks: a comprehensive
risultano piuttosto scarsi (BPN<30) anche su manti di
foundation”, Mcmillan, New York, USA, 1994.
recente costruzione, con il conseguente aumento dello
[11] Chinosi R., “Implementazione di una rete neurale
del
fenomeno
dell’incidentalità
Roads-Routes,
convegno
“La
AIPCR,
Sicurezza
Stradali”,
Università
autostradale”,
World
Intrinseca
di
Roma
Road
delle
“La
spazio necessario per l’arresto in sicurezza dei veicoli.
artificiale per lo studio dell’incidentalità nella città di
Una riduzione della velocità ovviamente apporta un
Parma”, Tesi di Laurea, Dipartimento di Ingegneria
ridimensionamento del numero degli incidenti, tuttavia,
Civile, Università degli Studi di Parma, 2001.
anche in questo caso, nella realtà propria delle arterie
[12] Zani G., “Analisi dei dati statistici – Reti neurali
nere di Parma, molti dei tronchi osservati sono
artificiali”, Capitolo II a cura di Isabella Morlini, Ed.
caratterizzati da un rapporto Velocità/Limite di velocità
Giuffrè, Milano, 2000.
spesso superiore all’unità, dato quest’ultimo allarmante,
[13] Mancuso D., “Le reti neurali come strumento di
visto che le misure fanno riferimento al traffico dell’ora di
discriminazione: una rassegna della letteratura”, Rivista
punta.
di Statistica Applicata, 1998.
5. BIBLIOGRAFIA
[1] Ceci M., “L’incidentalità in ambito urbano: proposte di
soluzione di alcuni punti neri nella città di Parma”, Tesi di
Laurea, Dipartimento di Ingegneria Civile, Università
degli Studi di Parma, 2000.
[2] Pileri P., Zazzi M., “Accessibilità pedonale nel
progetto
urbano
di
una
infrastruttura
di
trasporto
pubblico ad alta capacità: il caso di Parma”, Atti della VII
Conferenza Internazionale “Vivere e camminare in città”,
Cremona, Giugno 2000.
[3] Calzamiglia F., “Incidentalità stradale nella Provincia
di Parma – Analisi dei punti neri e strategie di
intervento”, Tesi di Laurea, Dipartimento di Ingegneria
Civile, Università degli Studi di Parma, 1999.
[4] Graziani A., Comunicazioni personali, Istituto di
Strade e Trasporti, Università di Ancona, 2001.
[5] Bishop C., “Neural networks for pattern recognition”,
Oxford University Press, Oxford, UK, 1995.
10