Using of Machine Learning techniques to predict the stopping of commercial vehicles

In un contesto aziendale, dove ogni processo decisionale deve sempre essere adeguatamente verificato e giustificato, la capacità di ogni azienda di prevedere i problemi è fondamentale. Infatti, il lavoro svolto in questo progetto, in collaborazione con IVECO, mira a creare un modello basato su tecniche di Machine Learning per determinare quando i veicoli commerciali si fermano su strada per problemi legati alla batteria, consentendo quindi un preavviso. Le informazioni utilizzate dal modello sono i DTC: segnali trasmessi dalla maggior parte dei veicoli in viaggio che rappresentano problemi più o meno gravi. Un lavoro di questo tipo può avere un grande potenziale per l'azienda; infatti, la capacità di prevedere con largo anticipo, e quindi di evitare, i fermi imprevisti dei veicoli commerciali consente di ottenere grandi risparmi evitando gli elevati costi di recupero. L'analisi si concentra in particolare sulla previsione dei problemi della batteria, ma può essere estesa a problemi più generali con opportuni aggiustamenti. Il modello si basa sull'implementazione di metodi più complessi rispetto a quelli classici. Un modello RandomForest, uno dei metodi di classificazione più comuni, e un modello CatBoostClassifier, un'implementazione particolarmente efficiente di un Bagging of Trees, sono combinati in un unico modello Ensemble. Attraverso la creazione del modello Ensemble così definito, vengono combinate le capacità predittive di entrambi i metodi e le prestazioni globali in termini di classificazione aumentano notevolmente. La previsione effettiva avviene dopo una fase iniziale di ottimizzazione, che comprende la Feature Selection e la Random Search, una per definire i segnali più correlati al problema e l'altra per trovare i valori dei parametri che consentono di ottenere le migliori prestazioni. La priorità principale è la massimizzazione della Recall, preferendola anche a costo di una bassa Precision, che ci permette di penalizzare maggiormente le previsioni errate di arresto, poiché per l'azienda è solo un costo aggiuntivo se il veicolo si ferma senza la presenza di un problema effettivo. La massimizzazione del Recall avviene andando prima a prevedere la probabilità di fermo e poi filtrando i risultati che hanno una probabilità maggiore di un certo valore target, definito arbitrariamente.