Reti Neural

L’obiettivo di pervenire ad una verifica sistemica della funzionalità della strada, correlando le sue caratteristiche fisiche e funzionali, globalmente intese, con lo scenario di incidentalità analizzato per tratte elementari di sviluppo unitario, ha spinto la ricerca condotta all’interno del CRISS a verificare se, in luogo di un mero riscontro degli standard geometrici, fosse possibile adottare metodi innovativi per prevedere l’incidentalità di una infrastruttura viaria di cui fossero note le caratteristiche, il traffico e la situazione ambientale al contorno.

In considerazione del numero rilevante di variabili coinvolte, il problema può trovare soluzione solo se si dispone di metodi affidabili per l’elaborazione automatica dell’informazione.

Ciò tuttavia non può essere sufficiente in quanto il calcolo programmato rende necessaria la predisposizione di modelli e algoritmi matematici di univoca interpretazione e nell’ambito delle applicazioni per lo studio della sicurezza stradale tale univocità non può essere facilmente garantita (ad un’elevata curvatura planimetrica non corrisponde necessariamente un elevato tasso incidentale, così come evidenti anomalie visuali non sono relazionate direttamente ad un comportamento più prudente dell’utente). Numerose metodologie hanno dimostrato i loro limiti quando si è cercato di applicarle alla soluzione di problemi di particolare complessità, quali sono quelli che richiedono analisi interpretative ad alto livello. Si è cercato allora di superare il problema sviluppando, sin dalla metà degli anni ottanta, il “calcolo neurale”, alternativo a quello programmato, che consente l’elaborazione dell’informazione come risposta alternativa ad un ambiente informativo, quello creato dal problema da risolvere, senza cercare di codificare a priori alcuna regola di analisi inerente al problema stesso.

In sostanza ci si è ispirati al modo di funzionare del cervello umano che, senza istruzioni esplicite, interpreta informazioni imprecise fornite dai sensi “imparando” a creare rappresentazioni interne dei fenomeni che condizionano l’ambiente al suo contorno.

L’intelligenza artificiale ha dimostrato in numerosi campi di applicazione una rilevante capacità di apprendere ed interpretare relazioni input/output anche particolarmente complesse. Dal punto di vista dell’utilizzatore la rete si presenta come una funzione che interpreta rapporti di causa/effetto associando ad un ingresso x (sistema di input) un'uscita y (sistema di output), coerente con la legge sperimentale del fenomeno analizzato (figura 2.2).

Fig. 2.2 – Struttura formale di un neurone artificiale.

Pertanto, una volta che essa sia stata opportunamente configurata e collaudata, per il fruitore può essere utilizzata come un simulatore del fenomeno appreso sulla base di una preventiva fase di istruzione.

In particolare per una efficace applicazione è necessario che:

- sia correttamente definito il sistema degli input e degli output da mettere in relazione tra loro (la rete interpreta, non inventa);

- l’architettura di rete sia idonea a gestire la complessità del fenomeno indagato (le capacità intellettive devono essere adeguate ai termini del problema);

- la fase di apprendimento utilizzi una banca dati di dimensione proporzionale ai gradi di libertà della rete (l’esperienza dei fenomeni deve essere consolidata e non episodica).

Il soddisfacimento di tali condizioni si accerta verificando se la rete “generalizza”, se fornisce cioè risposte corrette quando elabora un sistema di input che non è stato utilizzato per la fase di apprendimento. Se ciò non si dovesse realizzare vuol dire che la rete ha imparato a memoria una correlazione tra input e output che non può essere assunta come legge generale del fenomeno.

Per effetto delle condizioni a cui si è fatto prima riferimento, l’applicazione dell’intelligenza artificiale allo studio del fenomeno incidentale induce rilevanti difficoltà: alcune di metodo, altre solo procedurali. Tra le prime assume particolare rilievo la selezione degli input da prendere in considerazione. E’ necessario infatti considerare tutte le variabili che concorrono nel determinare il sinistro.

Infatti è quanto meno necessario tener conto:

- delle caratteristiche della strada (tipologia viaria, standard geometrici, loro mutua articolazione e anomalie locali);

- delle condizioni di esercizio (entità dei flussi, loro composizione, livelli di servizio e carichi di punta);

- delle interferenze fisiche (intersezioni, segnaletica, carico antropico ed emergenze locali);

- delle interferenze ambientali (caratteri climatici, eventi stagionali, stimoli visuali e carico di lavoro mentale).

In genere non si dispone comunque di un sistema di input/output su cui effettuare l’apprendimento sufficientemente ampio da soddisfare la complessità dell’architettura richiesta.

In sostanza, anche se è possibile utilizzare le tecniche dell’intelligenza artificiale come strumento idoneo alla previsione dei sinistri, il metodo si configura tuttavia come una sorta di “scatola nera” capace di esprimere un giudizio attendibile, ma non motivato.

Pertanto, anche se questa fase della ricerca si è conclusa in modo tale da soddisfare le aspettative scientifiche dello studio, si è ritenuto che non potesse rappresentare un punto d’arrivo coerente con le esigenze dettate dalla necessità di interpretare compiutamente il fenomeno incidentale per le ricadute che esso determina in fase di progettazione.

La validità scientifica del metodo è risultata comunque evidente applicandolo all’Autostrada Salerno - Reggio Calabria [15,23,24] (figura 2.3) per la quale, oltre a disporre del progetto, erano stati effettuati numerosi studi per conto dell’ANAS acquisendo una banca dati particolarmente documentata. I risultati di tale studio, condotto dal Prof. Carlo Benedetto, hanno dimostrato che sui 43 dati utilizzati nella fase di verifica l’errore medio è risultato pari a 3,4%. Tuttavia, con altrettanta evidenza ci si rese conto che per una viabilità ordinaria, di sviluppo più contenuto, non sarebbe mai stato possibile disporre degli elementi necessari per ottimizzare la rete ed effettuare un suo adeguato apprendimento. Questo limite, per altro, se induce rilevanti difficoltà per l’applicazione alla viabilità in esercizio, esclude del tutto la possibilità di utilizzare il metodo per la verifica della viabilità di nuova realizzazione.

Incidenti rilevati Incidenti calcolati