Corso di Analisi e Ottimizzazione del Traffico con AI

Lezione 1 • Introduzione ai formati dei dati sul traffico

Illustra i formati di file, gli schemi e le convenzioni di marcatura temporale più comuni utilizzati nei dataset sul traffico. Consente agli studenti di caricare e ispezionare i dati a livello di programmazione.

Lezione 2 • Metriche fondamentali del traffico e KPI

Definisce volume, velocità, densità e ritardo come indicatori primari di prestazione. Collega ogni metrica a decisioni operative nel mondo reale.

Lezione 3 • Fonti di dati e metodi di raccolta

Analizza tipologie di sensori, veicoli sonda e conteggi manuali come fonti di dati. Prepara gli studenti a valutare la qualità dei dati prima dell'analisi.

Lezione 1 • Ingegneria delle feature per i dati sul traffico

Crea variabili derivate come rapporti di velocità, indici di congestione e feature lag. Arricchisce i dataset per migliorare le prestazioni dei modelli a valle.

Lezione 2 • Fusione e integrazione dei dati

Unisce fonti eterogenee — sensori, GPS e registri degli incidenti — in dataset unificati. Risolve i conflitti di allineamento spaziale e temporale tra le fonti.

Lezione 3 • Aggregazione e ricampionamento dei dati

Trasforma conteggi grezzi ad alta frequenza in intervalli temporali appropriati per l'analisi. Supporta studi a risoluzione multipla, dai secondi ai riepiloghi giornalieri.

Lezione 4 • Gestione dei dati mancanti ed errati

Identifica le cause di letture mancanti e guasti ai sensori nei dati sul traffico. Applica strategie di imputazione e filtraggio per ripristinare l'integrità del dataset.

Lezione 1 • Teoria delle code in contesti di traffico

Applica modelli di tasso di arrivo e servizio a intersezioni e colli di bottiglia. Quantifica il ritardo e la lunghezza della coda in scenari di domanda variabile.

Lezione 2 • Modelli microscopici e di accodamento veicolare

Esamina il comportamento del singolo veicolo attraverso regole di distanziamento, tempo di reazione e accelerazione. Collega le dinamiche a livello micro ai risultati a livello di rete.

Lezione 3 • Calibrazione e validazione del modello

Stabilisce metodi per adattare i parametri del modello ai dati osservati e testare l'accuratezza predittiva. Garantisce che i modelli siano affidabili prima dell'integrazione con l'IA.

Lezione 4 • Teoria del flusso macroscopico

Illustra il diagramma fondamentale e le equazioni di conservazione che governano il flusso di traffico aggregato. Fornisce la base teorica per il benchmarking dei modelli di IA.

Lezione 1 • Modelli di previsione di serie storiche

Illustra ARIMA, livellamento esponenziale e approcci ibridi per la previsione del traffico a breve termine. Affronta la stagionalità e la non stazionarietà comuni nei dati sul traffico.

Lezione 2 • Valutazione e selezione del modello

Definisce metriche di errore specifiche per il traffico e protocolli di confronto tra modelli. Guida la selezione del modello migliore per il deployment in base ai requisiti operativi.

Lezione 3 • Fondamenti di apprendimento supervisionato

Rivede i framework di regressione e classificazione applicati ai compiti di previsione del traffico. Stabilisce il flusso di lavoro train-validate-test utilizzato in tutto il capitolo.

Lezione 4 • Metodi basati su alberi ed ensemble

Applica gradient boosting e random forest alla previsione di velocità e volume. Dimostra l'estrazione dell'importanza delle feature per la selezione delle variabili di traffico.

Lezione 1 • Modelli Transformer nella previsione del traffico

Adatta i meccanismi di self-attention alla modellazione delle dipendenze a lungo raggio nel traffico. Confronta le prestazioni dei transformer con le baseline ricorrenti.

Lezione 2 • Reti ricorrenti per dati temporali

Applica le architetture LSTM e GRU alla previsione sequenziale di serie storiche di traffico. Affronta i gradienti evanescenti e i compromessi sulla lunghezza della sequenza.

Lezione 3 • Graph neural network per reti stradali

Modella le reti stradali come grafi e applica strati GCN e GAT per catturare le dipendenze spaziali. Consente la previsione simultanea a livello di rete.

Lezione 4 • Interpretabilità e spiegabilità del modello

Applica valori SHAP, visualizzazione dell'attenzione e mappe di salienza ai modelli di deep learning per il traffico. Costruisce la fiducia degli operatori e supporta i requisiti di trasparenza normativa.

Lezione 1 • Rilevamento di oggetti per veicoli

Addestra e distribuisce modelli YOLO e Faster R-CNN per rilevare veicoli in scene di traffico. Valuta l'accuratezza del rilevamento in condizioni di illuminazione e occlusione variabili.

Lezione 2 • Algoritmi di tracciamento multi-oggetto

Implementa tracker SORT, DeepSORT e basati su filtro di Kalman per seguire i veicoli tra i fotogrammi. Produce dati di traiettoria per la stima di velocità e flusso.

Lezione 3 • Fondamenti di elaborazione delle immagini

Illustra le fasi di pre-elaborazione — riduzione del rumore, miglioramento del contrasto e operazioni morfologiche — applicate alle immagini delle telecamere di traffico.

Lezione 4 • Rilevamento di incidenti ed eventi da video

Rileva veicoli fermi, guida contromano e inizio di congestione utilizzando analitiche video. Integra gli allarmi nei flussi di lavoro del centro di gestione del traffico.

Lezione 1 • Apprendimento per rinforzo per il controllo semaforico

Formula il controllo dell'intersezione come processo decisionale di Markov e addestra agenti RL per minimizzare il ritardo. Illustra la progettazione dello spazio degli stati, la modellazione della ricompensa e la valutazione della politica.

Lezione 2 • Fondamenti di controllo semaforico

Rivede le strategie di controllo semaforico a tempo fisso, attuato e adattivo e i loro compromessi prestazionali. Stabilisce la baseline rispetto alla quale vengono valutati i metodi di IA.

Lezione 3 • Deployment e monitoraggio delle prestazioni

Illustra le procedure di deployment sul campo, i protocolli di A/B test e il monitoraggio continuo delle prestazioni per i sistemi semaforici IA in produzione.

Lezione 4 • Coordinamento multi-agente nelle reti

Estende l'RL a singola intersezione a sistemi multi-agente coordinati lungo corridoi arteriosi. Affronta comunicazione, progressione dell'onda verde e risoluzione dei conflitti.

Lezione 1 • Gestione e risposta agli incidenti

Integra il rilevamento IA, la previsione dell'impatto e il reindirizzamento automatico per minimizzare il ritardo dovuto agli incidenti. Illustra strumenti di supporto decisionale per gli operatori.

Lezione 2 • Valutazione strategica delle prestazioni

Definisce KPI a livello di rete, framework di confronto tra scenari e protocolli di monitoraggio a lungo termine per i sistemi di IA per il traffico.

Lezione 3 • Previsione e gestione della domanda

Prevede la domanda origine-destinazione utilizzando modelli di ML e applica strategie di gestione della domanda per ridurre la congestione di punta.

Lezione 4 • Coordinamento della rete multimodale

Ottimizza le interazioni tra modalità stradale, trasporto pubblico e mobilità attiva utilizzando piattaforme dati condivise. Migliora la mobilità a livello di sistema e riduce la domanda di veicoli a occupazione singola.