Migliorare la sicurezza stradale nelle città intelligenti usando tecniche di machine learning

Perché strade più sicure interessano tutti

Ogni volta che scendiamo dal marciapiede, andiamo in bicicletta o attraversiamo un incrocio in auto, entriamo in un sistema in cui piccoli errori possono avere conseguenze che cambiano la vita. Questo studio pone una domanda semplice ma vitale: possiamo usare gli strumenti dati moderni per prevedere quali situazioni stradali sono più propense a causare danni gravi e poi correggerle prima che avvengano gli incidenti? Confrontando i registri reali degli incidenti di Toronto, in Canada, e di Rawalpindi, in Pakistan, gli autori mostrano come le idee delle città intelligenti e il machine learning possano trasformare numeri grezzi in cambiamenti pratici che salvano vite.

Analizzare da vicino gli incidenti reali

I ricercatori hanno raccolto due ampie collezioni di registri della polizia e dei soccorsi. Una, di Toronto, monitora migliaia di collisioni con decessi o feriti gravi in oltre un decennio. L’altra, di Rawalpindi, copre decine di migliaia di incidenti segnalati al servizio di soccorso della città durante il periodo COVID‑19. Ogni record include dettagli come ora del giorno, giorno della settimana, tipo di strada, illuminazione e meteo, età e ruolo delle persone (conducente, ciclista, pedone) e cosa stava accadendo subito prima dell’impatto, per esempio eccesso di velocità o guida aggressiva. Prima di qualsiasi modellazione, il gruppo ha pulito i dati, gestito i valori mancanti e convertito molti campi testuali in forma numerica comprensibile ai computer.

Insegnare ai computer a giudicare la gravità degli incidenti

Il primo obiettivo era prevedere quanto gravemente le persone sarebbero rimaste ferite in una determinata collisione. Per farlo, gli autori hanno testato un ampio ventaglio di metodi di machine learning, da strumenti classici come le “foreste” di alberi decisionali a reti di deep learning più complesse spesso usate nel riconoscimento vocale o di immagini. Hanno addestrato questi modelli su una parte dei dati e verificato la loro capacità sul resto, chiedendo a ciascun modello di classificare gli incidenti in categorie come nessuna lesione, lesione lieve, lesione grave o fatale. Tra tutti gli approcci, due si sono distinti: XGBoost e Random Forest, entrambi basati sulla combinazione di molti semplici alberi decisionali in un “comitato” più forte. Anche senza un’eccessiva messa a punto, questi modelli hanno classificato correttamente i livelli di lesione per circa tre quarti dei casi di Toronto; dopo un aggiustamento accurato, in particolare Random Forest è diventato estremamente preciso sui dati di addestramento.

Scoprire schemi nascosti dietro i danni gravi

La sola predizione non dice ai decisori cosa cambiare sul terreno, quindi il secondo obiettivo era individuare combinazioni di condizioni che ricorrevano spesso negli incidenti gravi. Per questo il team ha usato l’associazione di regole (association‑rule mining), una tecnica che setaccia i dati alla ricerca di schemi del tipo “se‑questo‑allora‑quello”. In entrambe le città, certi ingredienti ricorrevano dove le persone riportavano danni gravi: eccesso di velocità, guida aggressiva o negligente, perdita di controllo da parte del conducente, disattenzione e collisioni che coinvolgevano pedoni o motociclisti. Anche l’assenza di controlli del traffico su strade principali e in incroci affollati è emersa come fattore di rischio chiave. Nei dati di Rawalpindi, la guida notturna, il meteo piovoso e l’elevato uso di motociclette durante i fine settimana erano particolarmente legati a fratture singole e altre lesioni; a Toronto, le situazioni pericolose spesso si concentravano in determinati quartieri e in specifici momenti della settimana.

Città diverse, lezioni condivise

Confrontando una città nordamericana ad alto reddito con una metropoli sudasiatica in rapida crescita, lo studio mette in luce sia caratteristiche locali sia problemi universali. I registri pakistani rivelano molti incidenti gravi tra guidatori molto giovani che usano motociclette come mezzo quotidiano, spesso senza casco e su strade scarsamente illuminate. I dati canadesi, al contrario, sottolineano maggiormente le minacce affrontate da chi cammina e usa la bici nei quartieri urbani, dove veicoli che svoltano e guida aggressiva agli incroci sono comuni. Nonostante queste differenze, entrambi i paesi mostrano benefici chiari dal concentrarsi sul comportamento dei conducenti, su velocità più sicure e su attraversamenti meglio progettati per pedoni e ciclisti.

Trasformare le intuizioni in viaggi più sicuri

In termini semplici, il lavoro dimostra che i computer possono imparare dagli incidenti passati a segnalare quando e dove è più probabile che si verifichi la prossima lesione grave e quali cattive abitudini o punti deboli della rete stradale siano da imputare. Modelli di machine learning come XGBoost e Random Forest possono essere integrati nei sistemi delle città intelligenti che monitorano il traffico in tempo reale, aiutano i servizi di emergenza a dare priorità agli incidenti più pericolosi e guidano i pianificatori verso interventi mirati come semafori, controllo della velocità, illuminazione e formazione per i conducenti giovani. Pur limitato a due città e con sfide come dati sbilanciati, lo studio offre un quadro pratico: combinare grandi registri di incidenti reali con analisi dati moderne e usare i risultati per progettare strade e regole che ci proteggano discretamente ogni volta che ci muoviamo.

Citazione: Abid, M.S., Hussain, M., Nabi, S. et al. Improving road safety in smart cities using machine learning techniques. Sci Rep 16, 10793 (2026). https://doi.org/10.1038/s41598-026-36795-6

Parole chiave: sicurezza stradale, incidenti stradali, città intelligenti, machine learning, predizione delle lesioni