AI driven decision support system for highway events resolution

This thesis's objective is to design and evaluate a Decision Support System that will be deployed in aid to Highway operators in radio center. This system should be executed when an highway incident occurs, answering to the worker's prompt with an optimal action to perform along with useful statistics based on the event that is taking place. Literature doesn't contain similar examples, or doesn't anyway give an accurate detail on how such a system should be built. New Artificial Intelligence techniques and Neural Networks, together with solid Reinforcement Learning models, have been employed to test how Highway companies can benefit from the usage of this new technology. The approach is totally data-driven, meaning that after a pre-processing step of the provided dataset, the model learns in an unsupervised manner. In particular, the underlying architecture estimates the transition and reward functions of the Markov Decision Process (MDP) representing the highway environment to build a statistical model that can then be optimized through value iteration. This process merges individual samples that represent different instances of the same MDP. Once the model has been trained, operators' input will be mapped into a similar state, from which optimal actions and statistics have been precomputed in the training phase. Both interfaces, input and output, include Large Language Models to favor a user-friendly interaction. While all steps in the pipeline have been implemented and a general overview of the program behavior can be enjoyed, the underlying representation still needs to be tuned to provide a more truthful representation of states. In fact, plotting MDP's graph highlights flaws in states and their transitions.

L'obiettivo di questa tesi è progettare e valutare un Sistema di Supporto alle Decisioni la cui funzione è aiutare gli operatori che gestiscono la sala radio di "Autostrade per l'Italia". Il sistema viene eseguito al momento della segnalazione di un incidente e accompagna l'operatore attraverso la risoluzione del problema, consigliando azioni ottimali e previsioni statistiche utili alla gestione dell'evento. L'attuale letteratura non contiene esempi simili, o comunque non fornisce sufficienti dettagli per la loro implementazione. Nuove tecniche di intelligenza artificiale e reti neurali, insieme a comprovati modelli di apprendimento per rinforzo, sono state utilizzate per capire come le società autostradali possano trarne beneficio. L'approccio utilizzato è totalmente data-driven. Ciò significa che, dopo aver controllato e processato i dati forniti, il modello impara in modo non-supervisionato. In particolare, l'architettura sottostante stima le funzioni di transizione e utilità del Processo Decisionale di Markov (MDP) che rappresenta l'ambiente autostradale, costruendo un modello statistico che sarà poi ottimizzato per mezzo di algoritmi quali Value iteration. Questo processo unisce i singoli rapporti d'intervento che possono essere considerati diverse istanze dello stesso MDP. Una volta terminato l'allenamento del modello, l'input dell'operatore verrà mappato in uno stato simile, da cui un'azione ottimale e le diverse statistiche saranno già state calcolate nella fase precedente. Entrambe le interfacce, input e output, passano attraverso Large Language Models per favorire un'interazione semplice. Tutti i passaggi necessari per trasformare l'input in output sono stati compiuti ed è possibile apprezzare una panoramica del programma, ma la rappresentazione del sistema autostradale necessita ancora di aggiustamenti per incorporare le reali dinamiche del sistema. Infatti, visualizzando il grafo dell'MDP è possibile notare alcuni difetti negli stati e nelle transizioni tra essi.