Predire la variazione del ritardo dei treni con il Machine Learning: il caso di un rete metropolitana

Abstract

Prevedere i ritardi dei treni a breve termine è una sfida cruciale per le moderne reti metropolitane. Questa tesi presenta una pipeline di Machine Learning end-to-end per stimare le variazioni di ritardo utilizzando dati telemetrici ad alta frequenza provenienti dai circuiti di binario. Il progetto spazia dal parsing dei log di sistema grezzi fino all'estrazione di complesse feature spazio-temporali. Per gestire il forte sbilanciamento delle classi tipico dei dati ferroviari, sono stati addestrati modelli di regressione ensemble (Random Forest, LightGBM, XGBoost) implementando una pesatura a scaglioni (Tiered Sample Weighting) e una Cross-Validation per gruppi per prevenire il data leakage. I risultati su linee topologicamente diverse dimostrano che, mentre LightGBM eccelle nelle reti congestionate, il Random Forest con penalità a gradino garantisce una robustezza superiore contro il rumore stocastico. L'affidabilità dei modelli come sistema di allerta precoce è stata validata tramite un'analisi ROC adattata

Predicting short-term train delays is a critical challenge for modern urban metro networks. This thesis presents an end-to-end Machine Learning pipeline to forecast delay variations using high-frequency track circuit telemetry. The project spans from raw log parsing to the extraction of structured spatial-temporal features. To address the severe class imbalance inherent in railway operations, ensemble regression models (Random Forest, LightGBM, XGBoost) were trained using a custom Tiered Sample Weighting strategy and Group-wise Cross-Validation to prevent data leakage. Experimental results across topologically distinct subway lines demonstrate that while LightGBM excels in highly congested networks, Random Forest with step-weight penalties offers superior robustness against stochastic noise. The models' reliability as an operational early warning system was successfully validated via an adapted ROC curve analysis