Integration of GPS data into predictive models for tyre maintenance

In this work we focus on supervised learning models designed for the prediction of the tyre deflation in truck tyres: using data about the pressure within a vehicle's tyre, by means of regressive models it is possible to approximate the relation between elapsed time (or, equivalently, traveled miles) and the pressure. The present thesis work, as a part of the Cyber Fleet project, aims at studying a possible integration into such models of new features related to the GPS position of vehicles, and hence the type of path travelled by them, which might influence the pressure's decay trend and explain some natural variability in real data. We begun by analysing GPS data, then we transformed it into useful information and used it to enhance the existing models by taking into account features related to the travelled path. We tested the proposed models using two real-world datasets collected during normal operations of two fleets, Crescini and Rivetti, by means of Cyber Fleet sensors. The results we obtained show that re ned models that take into account GPS-related information, may provide more accurate predictions in some of the settings analysed, while in the others the performances are equivalent to those of previous models that do not exploit GPS information.

In questa tesi ci concentriamo su modelli di Supervised Learning creati con lo scopo di predirre lo sgonfiamento degli pneumatici montati su camion: usando i dati sulla pressione presi dagli pneumatici del veicolo, attraverso modelli regressivi è possibile approssimare la relazione tra tempo trascorso (o kilometri percorsi) e la pressione. Questo progetto di tesi, che fa parte del progetto Cyber Fleet Project, ha come scopo lo studio della possibilita di integrare in questi modelli nuovi parametri relativi alle coordinate GPS del veicolo, e quindi al tipo di percorso su cui ha transitato, il quale potrebbe influenzare lo sgonfiamento della gomma e spiegare alcune variabili naturali nei dati reali. Abbiamo iniziato analizzando i dati GPS, successivamente abbiamo trasformato questi dati in informazioni utili che poi abbiamo utilizzato per migliorare i modelli esistenti, tenendo conto dei parametri relativi al tragitto percorso. Abbiamo in fine testato i modeli proposti usando i dati relativi a due flotte di camion: Crescini e Rivetti, presi durante viaggi di routine attraverso i sensori del progetto Cyber Fleet. I risultati che abbiamo ottenuto mostrano che questi nuovi modelli raffinati, che tengono in considerazione le informazioni relative ai dati GPS, possono fornire una predizione più accurata in alcuni dei casi analizzati, mentre negli altri casi le performance sono equivalenti a quelle dei modelli precedenti, che non tengono in considerazone le informazioni prese dai dati GPS.