Wetraffic: AI al servizio di dati e della pianificazione del traffico

Wetraffic Pro è una piattaforma cloud per il monitoraggio, l’analisi e la pianificazione del traffico che coniuga dati in tempo reali (FLOW), dati FCD e modelli di machine learning per la stima del traffico.
Composta da strumenti di monitoraggio, gestione e stima, consente di supportare, verificare e validare le decisioni nel settore delle politiche, delle strategie e degli interventi per la mobilità, anche nell’ottica del perseguimento degli obiettivi richiesti dalla Linee Guida europee e nazionali (Smart Road, PNRR, PUMS). Interamente sviluppata dal nostro team di ricerca, Wetraffic è una piattaforma cloud che fornisce dati di qualità sul traffico integrando in un unico ambiente diverse fonti dati. L’architettura del sistema si basa su un modello serverless e completamente scalabile in ogni suo elemento.
Un approccio di simulazione del traffico basato sui dati (data-driven models) permette di prevedere i dati stimando lo stato di traffico dai dati di traffico storici, senza la necessità di “spiegare” al modello complesse dinamiche di rete intrinseche basate sui meccanismi del flusso di traffico (funzioni di costo e car-following). L’approccio nei modelli basati sui dati, infatti, risulta diametralmente opposto a quello basato sulle simulazioni (simulation-agent based). 
Fondamentalmente, l'obiettivo della previsione è stimare i valori di traffico basandosi su più set di open data spazio-temporali che, grazie all’attuale espansione, possono essere forniti in quantità più elevata ed in modo più rappresentativo rispetto alla sola densità di traffico. Nello specifico, il modello stima il flusso imparando direttamente dal set di dati messi a disposizione, Wetraffic Data warehouse, e Open data suddivisi in diverse categorie: FCD real time (tempi di percorrenza, velocità, campioni di traffico, etc.), dati meteorologici (pioggia, neve, temperatura) e ambientali (PM10, CO2, etc.).
Lo sforzo maggiore, in termini di tempo è allenare il modello a riconoscere i pattern corretti di traffico e per fare ciò è stato alimentato con una massiccia campagna di codifica di rilievi di traffico reali, condotti dallo studio Trafficlab, che attualmente è dotato di oltre 50.000 dati reali. Tale training, permette al modello di machine-learning scelto (Random Forest) di elaborare stime medie di traffico paragonabili a qualsia modello tradizionale.