Modelli autoregressivi vettoriali per la previsione a breve termine dei dati di traffico

Abstract

Lo scopo di questo studio è ottimizzare i tempi di percorrenza e ridurre le code stradali attraverso l'identificazione delle fasce orarie di traffico. Questa è stata resa possibile attraverso l'applicazione di algoritmi di apprendimento supervisionato. Sono state quindi generate previsioni dei valori di flusso di traffico con un anticipo di 1 ora per segmenti stradali rappresentativi della città di Los Angeles. Questi valori sono stati confrontati con una previsione "Lazy", basata sulla semplice replicazione dei dati dell'ultima ora, assumendo che il pattern di traffico rimanga stabile nel tempo. Questa metodologia consente di quantificare il miglioramento delle previsioni ottenibile mediante l'uso del modello rispetto all'approccio inattivo. Lo studio è stato condotto presso On AIR a Genova utilizzando Python come linguaggio di programmazione. Nella ricerca sono stati impiegati diversi modelli predittivi per analizzare il traffico stradale. I dati utilizzati sono stati raccolti attraverso sensori con l'obiettivo di migliorare la precisione delle previsioni. Tra i modelli applicati si includono l'ARIMA (AutoRegressive Integrated Moving Average) e il VAR (Vector AutoRegressive), noti per la loro efficacia nell'analisi delle serie storiche. Inoltre, è stato esplorato l'utilizzo di un modello non lineare: il Random Forest Regressor. Questa varietà di approcci permette di valutare e confrontare diverse metodologie predittive per ottenere previsioni più accurate sul traffico stradale.

The study aims to enhance travel times and alleviate traffic congestion by pinpointing peak traffic periods. This was achieved through the implementation of supervised learning algorithms. Predictions of traffic volume were generated one hour in advance for representative road segments in Los Angeles. These predictions were contrasted with a "Lazy" forecast, which replicates the previous hour's data, assuming a consistent traffic pattern. This methodology enables the quantification of forecast improvements compared to passive approaches. Conducted at On AIR in Genoa, the study utilized Python for programming. Various predictive models, such as ARIMA and VAR, known for their efficacy in time series analysis, were employed to analyze road traffic. Data collected from sensors aimed to enhance forecast accuracy. Additionally, a nonlinear model, the Random Forest Regressor, was explored. This diverse range of approaches facilitates the evaluation and comparison of predictive methodologies for more precise road traffic forecasts.