dc.contributor.advisor | Anguita, Davide <1963> | |
dc.contributor.advisor | Siri, Silvia <1978> | |
dc.contributor.advisor | Pasquale, Cecilia Caterina <1986> | |
dc.contributor.advisor | Oneto, Luca <1986> | |
dc.contributor.author | Raimondi, Giacomo <1999> | |
dc.contributor.author | Cantatore, Filippo <1999> | |
dc.date.accessioned | 2024-04-04T14:24:53Z | |
dc.date.available | 2024-04-04T14:24:53Z | |
dc.date.issued | 2024-03-27 | |
dc.identifier.uri | https://unire.unige.it/handle/123456789/8253 | |
dc.description.abstract | La presente tesi di ricerca si propone di affrontare la crescente necessita di metodologie efficienti nel campo del controllo stradale mediante lo sviluppo di un modello surrogato basato su machine learning per simulazioni di reti di traffico urbane. Il machine learning è un approccio computazionale che consente ai sistemi di apprendere dai dati e migliorare le prestazioni senza essere esplicitamente programmati; i modelli surrogati sono modelli semplificati o approssimati costruiti per sostituire modelli complessi o computazionalmente onerosi, mantenendo al contempo una buona precisione di risposta. L’innovazione consiste nel superare le limitazioni computazionali dei simulatori microscopici di traffico consolidati, come il software Aimsun, con l’obiettivo di permettere l’applicazione di algoritmi di controllo efficaci in tempo reale. L’attenzione e quindi concentrata sullo sviluppo di un modello predittivo capace di fornire stime immediate dello stato del traffico. L’addestramento e il test di tale modello sono stati condotti utilizzando dati generati con il software Aimsun sulla rete del comune di Rapallo, adottato come caso di studio. Il modello ha dimostrato risultati significativi, raggiungendo previsioni accurate con un errore medio del 10%. La ricerca costituisce pertanto un contributo sostanziale nell’applicazione del machine learning al controllo del traffico urbano, superando le sfide computazionali e presentando una valida alternativa alle metodologie attualmente esistenti. | it_IT |
dc.description.abstract | The present research thesis aims to address the growing need for efficient methodologies in the field of traffic control through the development of a surrogate model based on machine learning for urban traffic network simulations. Machine learning is a computational approach that enables systems to learn from data and improve performance without being explicitly programmed; surrogate models are simplified or approximated models built to replace complex or computationally expensive models, while still maintaining good response accuracy. The innovation lies in overcoming the computational limitations of established microscopic traffic simulators, such as the Aimsun software, with the goal of enabling the application of effective real-time control algorithms. The focus is, therefore, on the development of a predictive model capable of providing immediate traffic state estimates. The training and testing of this model were conducted using data generated with the Aimsun software on the network of the municipality of Rapallo, adopted as a case study. The model has demonstrated significant results, achieving accurate predictions with an average error of 10%. The research thus constitutes a substantial contribution to the application of machine learning to urban traffic control, overcoming computational challenges and presenting a valid alternative to currently existing methodologies. | en_UK |
dc.language.iso | it | |
dc.language.iso | en | |
dc.rights | info:eu-repo/semantics/restrictedAccess | |
dc.title | Sviluppo di un modello surrogato di un simulatore di reti di traffico urbane basato su tecniche di Machine Learning | it_IT |
dc.title.alternative | Development of a Machine Learning-based surrogate model of a traffic simulator for an urban road network | en_UK |
dc.type | info:eu-repo/semantics/masterThesis | |
dc.subject.miur | ING-INF/05 - SISTEMI DI ELABORAZIONE DELLE INFORMAZIONI | |
dc.subject.miur | ING-INF/04 - AUTOMATICA | |
dc.publisher.name | Università degli studi di Genova | |
dc.date.academicyear | 2022/2023 | |
dc.description.corsolaurea | 8734 - INGEGNERIA GESTIONALE | |
dc.description.area | 9 - INGEGNERIA | |
dc.description.department | 100025 - DIPARTIMENTO DI INGEGNERIA MECCANICA, ENERGETICA, GESTIONALE E DEI TRASPORTI | |