Un errore assoluto medio inferiore di circa il 15% rispetto alla regressione lineare multipla e un coefficiente di determinazione di 0,69 contro 0,57: questi numeri separano un modello Random Forest dalla regressione classica nella previsione dell’indice di qualità del binario, il Track Quality Index (TQI), sulla linea montana che collega Kolashin a Podgorica. La ricerca, firmata da Ivona Nedevska Trajkova, Zlatko Zafirovski, Jelena Dimitrijevic, Riste Ristov e Vasko Gacevski, è stata pubblicata sulla rivista Infrastructures, vol. 11, pagine 258 (doi: 10.3390/infrastructures11080258).
Unità da 20 metri e più campagne di ispezione
La qualità geometrica del binario condiziona in modo diretto sicurezza ed efficienza dell’esercizio ferroviario, e per questo i gestori la monitorano con campagne di misura periodiche. Il lavoro si concentra su una tratta montana e adotta un impianto di analisi ad alta risoluzione: le misurazioni, rilevate con precisione, vengono segmentate in unità omogenee di binario da 20 metri, seguite lungo più anni. Questo impianto, accompagnato da una validazione indipendente, costituisce il contributo principale dello studio.
Le campagne dal 2017 al 2022 alimentano lo sviluppo dei modelli, mentre i rilievi del 2024, mai visti in fase di addestramento, forniscono la verifica su dati esterni. Ciascuna unità da 20 metri è descritta da variabili di quattro famiglie: infrastrutturali, geometriche, di esercizio e di manutenzione. La scelta degli ingressi ha seguito due criteri, la pertinenza rispetto alla qualità del binario e la completezza dei dati disponibili.
Regressione lineare multipla contro Random Forest
Entrambi i modelli sono stati addestrati su dati di ingresso scalati e valutati con tre indicatori: il coefficiente di determinazione (R²), l’errore assoluto medio (MAE) e la radice dell’errore quadratico medio (RMSE). Il confronto assegna un vantaggio netto al metodo d’insieme. Il Random Forest raggiunge un R² di 0,69, a fronte dello 0,57 della regressione lineare multipla, e riduce l’errore assoluto medio di circa il 15%.
Un margine che conferma l’efficacia degli algoritmi ensemble nella riduzione degli errori di previsione e sostiene una manutenzione proattiva del binario basata sui dati, anche su reti ferroviarie complesse.
Screening dei segmenti ad alto rischio
La precisione numerica non è l’unico riscontro utile. Il modello ha individuato le tendenze di degrado localizzato più marcate e si è dimostrato robusto come strumento di screening: nell’identificazione dei segmenti di binario ad alto rischio, quelli che richiedono un intervento urgente, la sensibilità arriva all’86,4%. Per chi gestisce l’infrastruttura significa poter isolare, a partire dai dati di ispezione, i tratti più esposti a un deterioramento rapido.
Dalla previsione alla programmazione dei lavori
Sul piano operativo, la metodologia consente agli ingegneri ferroviari di riconoscere i segmenti più suscettibili di degrado accelerato e di programmare di conseguenza, con maggiore precisione, il rallestimento, i rinnovi e gli altri interventi mirati. Gli output dei modelli supportano inoltre i responsabili nella definizione delle priorità di manutenzione, nell’allocazione più razionale delle risorse e nella riduzione dei guasti imprevisti, con riflessi sulla sicurezza e sui costi della gestione quotidiana.
Cosa limita la generalizzazione
Il perimetro dell’indagine restringe la portata delle conclusioni. L’analisi riguarda un solo corridoio ferroviario e copre un periodo di osservazione relativamente breve, con un numero contenuto di eventi manutentivi: condizioni che possono limitare l’estensione dei risultati ad altre linee o ad altri regimi di manutenzione.
Resta quindi da verificare, su tratte diverse e con storici manutentivi più ricchi, se i margini di miglioramento misurati tra Kolashin e Podgorica si confermino. La direzione di lavoro però è indicata: convertire i rilievi già disponibili in strumenti previsionali capaci di separare i tratti stabili da quelli che chiederanno l’intervento più sollecito.