Datameteo.com®, marchio certificato di LRC SERVIZI attivo dal 2000, Weather Provider leader nell’elaborazione e calcolo in ambito meteo climatico, nella consulenza meteorologica e nello sviluppo di servizi basati sui dati meteo.
Datameteo opera in molteplici settori, tra cui consulenza meteo climatica professionale, ambiente, viabilità, energie rinnovabili e assicurazioni, agricoltura, industria, enti, fornendo soluzioni personalizzate e all’avanguardia. Dalla raccolta dei dati (satelliti, radar, stazioni, boe, radiosondaggi), sottoposti a rigorosi controlli di qualità (BIGDATAMETEO), all’analisi e validazione dei meteorologi esperti, l’azienda fornisce informazioni strategiche e operative corredate di API e Custom Web Application all’avanguardia per ogni mercato.
Il problema
L’ente di trasporto dell’Emilia Romagna in condizioni meteorologiche non favorevoli ha l’esigenza di gestire l’operatività per il sistema di trasporto rapido di massa a guida vincolata su monorotaia elettrica. Il ghiaccio e la neve sulla rotaia impongono di effettuare sghiacciamento e pulizia per garantire la sicurezza e la viabilità.
La necessità è stata lo sviluppo di un sistema di monitoraggio meteorologico ad altissima risoluzione, bollettini meteo gestiti da un team di meteorologi esperti, sensoristica avanzata per coprire la tratta con un rilevamento dati capillare e un sistema predittivo ad hoc sulla tratta tramite un indice di ICING totalmente custom per gestire in anticipo tali situazioni critiche e generare il minor disservizio possibile agli utenti.
L’operatività è minacciata da eventuali interruzioni per le condizioni del binario sopra-elevato che richiederebbero costosi interventi di de-icing Le tecniche standard di modellistica meteo non sono efficaci su un dominio spaziale così limitato, dove le variazioni microclimatiche sono però rilevanti tra aree urbane e periferiche.
Soluzioni
È stato possibile progettare un servizio TBI, che ci ha proposto un approccio predittivo basato sul Machine Learning. Tramite un partner tecnologico, sono stati installati cinque sensori termo-igrometrici lungo la rotaia e due stazioni meteo presso le fermate intermedie. Le numerose variabili meteorologiche vengono campionate con una frequenza di 15 minuti, generando serie storiche di dati a partire da marzo 2021.
Nonostante il volume complessivo di dati raccolti possa apparire significativo, la quantità effettiva risulta limitata per applicazioni basate su Intelligenza Artificiale, anche a causa della presenza di lacune temporali nelle misurazioni. Un’ulteriore criticità è rappresentata dalla distribuzione sbilanciata degli eventi di ghiacciamento, che si verificano raramente, rendendo complessa l’analisi predittiva.
La prima fase del progetto si è quindi concentrata sull’identificazione del modello predittivo più adatto, tenendo conto sia delle esigenze di business sia della disponibilità e qualità dei dati.
In una prima fase sperimentale, sono stati testati modelli classici di machine learning, come il Random Forest Classifier (RFC) e la Rete Neurale Artificiale (ANN), utilizzando come variabile target la condizione di ghiacciamento rilevata. L’approccio iniziale prevedeva la classificazione binaria su una singola classe aggregata di ghiacciamento.
Uno dei principali limiti affrontati è stata la presenza di dati mancanti, criticità che è stata parzialmente mitigata mediante interpolazione o selezionando intervalli temporali più brevi ma continui, con il rischio però di incorrere in overfitting del modello.
Un fattore operativo chiave era l’orizzonte temporale di previsione: per attivare in modo efficace le procedure preventive di sicurezza contro il ghiacciamento, era necessario disporre di una previsione con almeno 15 ore di anticipo, ridotto inizialmente a 12 ore per una prima fase di test.
Si è quindi optato per l’addestramento di due modelli separati, ciascuno riferito a una delle due stazioni meteo installate, con l’obiettivo di calcolare la probabilità di presenza di ghiaccio come valore aggregato sulle 12 ore future. Per introdurre nel modello l’informazione temporale, è stata inclusa l’ora della misurazione tra le variabili in input, aggregando opportunamente i dati per catturare i pattern cronologici.
Dopo una fase di tuning dei parametri e confronto con altri algoritmi, la scelta si è inizialmente orientata su un modello RNN (Recurrent Neural Network), particolarmente adatto a gestire sequenze temporali, e successivamente su un modello SVC (Support Vector Classifier), più semplice e robusto, come benchmark alternativo.
La seconda fase del progetto si è focalizzata sul miglioramento del modello selezionato, con l’obiettivo di aumentarne sia la qualità predittiva che la tempestività operativa. A tal fine, si è deciso di ridurre inizialmente l’orizzonte temporale di previsione a sole 6 ore, ottenendo risultati promettenti, in parte anche grazie all’integrazione dei dati raccolti durante l’ultimo inverno, che hanno arricchito la base dati e migliorato la rappresentatività degli eventi rari, come il ghiacciamento.
Risultati e Benefici
Nelle iterazioni più recenti del progetto, sono state introdotte alcune ottimizzazioni e semplificazioni rilevanti a livello modellistico e operativo:
L’output del modello è stato strutturato per fornire una previsione oraria nelle prime 6 ore e un output aggregato per le successive 6 ore, soddisfacendo così le necessità di pianificazione operativa a breve e medio termine.
Sono stati utilizzati input non aggregati, mantenendo il dettaglio originale delle misurazioni.
È stato identificato un numero ridotto e ottimale di variabili meteorologiche, sufficienti per una previsione efficace.
Sono state integrate previsioni meteo da modelli esterni come nuove variabili in input, arricchendo il contesto informativo disponibile per l’inferenza.
Il sistema è stato reso flessibile nella sua configurazione, consentendo l’elaborazione anche con una sola stazione meteo e il singolo sensore termo-igrometrico più vicino o più correlato al punto da monitorare.
