Tesi guanyadora del XV Premi Abertis de Recerca sobre la Gestió d’Infraestructures del Transport corresponent a l’any 2017.

• El problema de l'anàlisi de seguretat, objectius de la tesi
• Estructura de xarxa bayesiana permet...
• Canvis obligatoris dels models existents per a l’anàlisi probabilístic de la seguretat
• Metodologia emprada
• Casos d’ús reals estudiats
• Conclusions
• Autores

El problema de l'anàlisi de seguretat, objectius de la tesi

Aquesta tesi consta principalment de dues parts. La primera es basa en una revisió de conceptes i models que han estat útils per dur a terme aquest estudi. El segon és el que abasta la majoria del treball en el qual es presenta un nou model d'anàlisi probabilística per a l'estudi de la seguretat viària d’acord amb les xarxes bayesianes.

Les xarxes bayesianes utilitzen l'estructura probabilística d'una variable aleatòria multidimensional basada en un gràfic acíclic i un conjunt de probabilitats condicionals per realitzar una anàlisi probabilística de seguretat. A causa dels grans avantatges que tenen en relació amb altres mètodes utilitzats, com ara la regressió o bé el fracàs dels mètodes d'arbres, s'han utilitzat en els últims anys en molts camps diferents: intel·ligència artificial, biomedicina, plantes nuclears i més recentment en línies ferroviàries.

El problema de l'anàlisi de seguretat és un problema aleatori, ja que pràcticament totes les variables que hi intervenen són aleatòries. Això demana avaluar les probabilitats d'aparició d'esdeveniments i freqüències associades als diferents elements que intervenen. Aleshores, hi apareix un primer problema en representar les dependències entre les variables.

Els arbres d'errors tenen algunes limitacions importants, incloent el fet de no representar fàcilment causes comunes de fracàs. L'estructura de l'arbre, és a dir, amb branques obertes, no permet tancar-les, la qual cosa seria necessària per reproduir les causes comunes sense replicar les variables corresponents. Les xarxes bayesianes no tenen aquesta limitació i permeten la seva reproducció sense necessitat de replicar aquestes variables. Un altre avantatge notable és que, en utilitzar gràfics dirigits, es poden tancar i la probabilitat conjunta de totes les variables determinades per les probabilitats condicionals de cada node que els seus pares donen. A més, aquestes xarxes poden reproduir qualsevol estructura de dependència sense produir incompatibilitats, que poden ocórrer quan la definició de probabilitat conjunta es fa amb distribucions condicionals arbitràries. Un altre gran avantatge és que totes les probabilitats condicionals anteriors es poden definir de forma independent. Finalment, cal assenyalar que hi ha paquets de programari molt potents,  fins i tot lliures i molt testejats, que permeten implementar aquestes estructures informàtiques sense cap esforç addicional. Tots aquests avantatges són els que han portat a l'elecció de les xarxes bayesianes com el model òptim per resoldre aquest problema.

Objectiu

Actualment, les avaluacions probabilístiques de seguretat s'utilitzen en entorns que necessiten de molta seguretat, com ara en centrals nuclears i es repeteix cada cinc anys per actualitzar-les als possibles canvis. No obstant això, en la indústria de carreteres i autopistes no són comuns. Tanmateix, com que la seguretat és un requisit necessari en obres d'enginyeria, i el nombre de baixes anuals en el camp de transport és molt alt, sembla molt convenient incorporar aquestes tècniques per reduir substancialment els danys socials produïts.

Estructura de xarxa bayesiana permet...

 

• Identificar noves variables. Una vegada que s'ha seleccionat una llista de variables a partir d'altres models, necessitem investigar la necessitat de noves variables que puguin ser rellevants per a la seguretat.
• Identificar les estructures de dependència. L'estructura probabilística de la xarxa bayesiana es basa en gràfics acíclics. Una definició correcta d'aquest gràfic és fonamental en una bona xarxa bayesiana. Tenim l'objectiu de proporcionar gràfics adequats.
• Definició automàtica de probabilitats condicionals. Es necessiten nous mètodes per definir aquestes probabilitats en forma automatitzada. Si cal, cal investigar fórmules tancades.

Canvis obligatoris dels models existents per a l’anàlisi probabilístic de la seguretat

• Proposta d'alguns mètodes per descobrir les causes dels incidents. Un dels problemes més comuns en l'anàlisi de seguretat és la identificació de les causes dels incidents. Aquesta tesi pretén proporcionar alguns mètodes en aquesta direcció.
• Reducció de la complexitat. Els mètodes de la xarxa bayesiana augmenten la complexitat quan augmenta el nombre de variables, de manera que la memòria i les capacitats de la CPU es poden esgotar. Per tant, cal solucionar aquest problema. En particular cal tractar l'increment no lineal de la complexitat amb el nombre de variables que hi intervenen. En aquesta tesi, s'analitza aquest problema.
• Identificació dels elements més arriscats a la carretera. La seguretat d'una línia és la combinació de molts elements diferents que afegeixen risc per proporcionar el risc total. La identificació dels elements més arriscats d’un element lineal i la seva classificació és la base d'un tractament eficient i un pla d'accions correctives. El nostre objectiu és la identificació d'aquests elements.
• Identificació de les circumstàncies que causen els incidents més arriscats. Per millorar la seguretat en una carretera, no és suficient identificar les ubicacions més arriscades, sinó el conjunt de circumstàncies que generen incidents greus. Si aquestes circumstàncies no s'identifiquen o s'identifiquen erròniament, les accions correctives no seran efectives i es pot produir un malbaratament de diners. La identificació d'aquestes circumstàncies és un objectiu important d'aquest treball.
• Integració de factors humans. El factor humà no només s'ha d'analitzar sinó que s’ha d’incorporar com un factor més. A més, cal tenir en compte la interacció amb totes les altres variables.

Metodologia emprada

El model de la xarxa bayesiana reprodueix no només tots els elements existents a la carretera, sinó el comportament del conductor o la conductora quan hi condueix. Cada element aporta un conjunt de variables segons el seu tipus. Per exemple, les corbes inclouen el seu radi, longitud, adreça, etc., els senyals inclouen el seu estat, les decisions del conductor en veure'ls, les velocitats associades, les distàncies entre senyals, etc. A causa de la gran importància de l'error humà en el camp de la seguretat, s'introdueixen variables de modelatge associades al comportament del conductor o la conductora, com el cansament i l'atenció; així com el tipus de conductor o conductora o decisió de la velocitat adoptada o la presència d'un senyal.

Totes les variables es consideren aleatòries i les seves dependències es poden recollir per la xarxa bayesiana, de manera que qualsevol conjunt de probabilitats es pot calcular a través d'un procés de marginació anticipada. Els conjunts de probabilitats condicionals de les variables, donats els seus pares, s'estableixen mitjançant fórmules tancades que permeten quantificar la xarxa bayesiana. Per reduir la complexitat del problema, es proposa utilitzar un mètode que divideix la xarxa bayesiana en parts petites, de manera que la complexitat del problema es torna lineal en relació al nombre d'elements. Això és crucial per tractar casos reals on el nombre de variables es pot mesurar en milers.

La probabilitat d'incidències relacionades amb les diferents seccions de carreteres es calcula d'acord amb un nombre equivalent d'incidents greus, de manera que els elements més crítics es poden identificar i classificar per ordre d'importància. Això permet obtenir informació molt rellevant per millorar la seguretat i estalviar temps i diners en les mesures que cal adoptar per millorar determinades carreteres. A més, quan es produeix un accident, la xarxa bayesiana pot ajudar a identificar-neLes causes a través d'un procés de propagació d'inferències cap a enrere.

Figura 1. Exemple de subxarxa-Bayesiana associada a semàfors

Figura 2: Il·lustració de la fórmula tancada per a la taula de la probabilitat condicionada de la decisió de la velocitat del conductor o de la conductora.

Figura 3: Il·lustració de com una xarxa binària pot dividir-se en una seqüència de subxarxes bayesianes per obtenir les probabilitats marginals.

Casos d’ús reals estudiats

Es representen diferents exemples de carreteres espanyoles, A-67, N-611 i CA-182, per exposar el funcionament del model que sorgeix. En particular, es fa un estudi detallat de la xarxa regional a Cantàbria, CA-131, CA-132 i CA-142, mitjançant aquest nou mètode.

Figura 4: Exemple dels accidents potencials de la carretera autonòmica CA-131.

En primer lloc, s'analitzen les dades d'accidents observades a les tres vies. Per això, s'han utilitzat les estadístiques d'accidents corresponents al període 2006-2016, que el Consell de Foment de Cantàbria ha facilitat a la doctora. Per a una anàlisi més detallada d'accidents específics, hi ha altres dades disponibles, com ara l’instant concret en què l’accident passa, el tipus d'intersecció, la direcció de moviment, tipus de vehicle, lluminositat, condició de paviment (sec i humit), factors atmosfèrics (bon temps, pluja i boira), circulació (fluida i densa), tipus de carretera. Tots aquests factors serveixen per analitzar les causes específiques de cadascuna. Això permet establir accidents i dividir-los en diferents seccions. A més, s'han identificat les causes d'aquests incidents mitjançant la comparació de l'entorn en què es van produir amb les característiques de cadascun i s'ha utilitzat la mateixa divisió de seccions per a la validació dels resultats en l'anàlisi de la predicció dels accidents. Així, mitjançant l'aplicació del model de xarxes bayesianes, s'obté la predicció de possibles incidents. Es fan conclusions sobre seguretat global i local. Per a cada carretera s'indiquen els 20 punts més arriscats i s'indiquen exemples il·lustratius d'alguns dels punts que revelen particularment les seves característiques.

Les principals conclusions són:

• Els models de xarxes bayesianes proporcionen una eina important i sembla que són l’eina més adequada per reproduir i fer una avaluació probabilística de seguretat de carreteres i autovies.
• El gràfic acíclic que defineix la xarxa es pot construir fàcilment reproduint tots els ítems trobats quan es viatja per carretera o per autovia.
• El model proposat permet:
  • incloure totes les variables implicades en el problema,
  • reproduir les seves dependències qualitatives i
  • quantificar possibles probabilitats marginals o condicionals.
• La construcció dels nodes (variables) i l'estructura de la xarxa bayesiana és molt natural ja que es reprodueixen tots els elements trobats quan els vehicles viatgen per la carretera. Es pot donar una relació simple d'elements per a un programa informàtic per construir el gràfic acíclic associat a la xarxa bayesiana automàticament. Les fórmules de forma tancada que es donen en aquesta tesi ens permeten afegir probabilitats condicionals d'una manera senzilla. En conseqüència, l'aplicació pràctica de la metodologia proposada als casos reals és possible i relativament senzilla.
• L'aplicació de la metodologia proposada a exemples reals amb 76 i 129 elements i amb 992 i 1704 variables demostra que el mètode es pot aplicar a segments molt grans de carreteres i mostra el poder del mètode per identificar seqüències d'esdeveniments que generen incidents greus, així com quantificar les seves probabilitats.  
• Alguns dels exemples particulars analitzats mostren que el mètode és capaç de dur a terme la seva tasca, identificar les causes incidents més rellevants i quantificar les seves probabilitats d'ocurrència.
• Alguns dels exemples particulars analitzats mostren que el mètode és capaç d'identificar les causes incidents més rellevants i quantificar les seves probabilitats d'ocurrència.
• La tècnica de partició proposada permet reduir dràsticament el temps de la CPU. Més precisament, utilitzant aquesta tècnica, el temps de CPU necessari incrementa linealment amb el nombre de variables a diferència dels mètodes no lineals alternatius. Això fa que el mètode proposat sigui vàlid per aplicar-lo a casos reals, on el nombre de variables pot ser de diversos milers. Amb aquesta tècnica podem reduir la tasca de la CPU d'hores a minuts.
• Els exemples reals mostren que el mètode pot identificar les incidències rellevants, quantificar les probabilitats d'aparició i trobar explicacions a les seves causes i una imatge de les situacions més freqüents en què es produeixen aquests incidents. Una vegada que s'han identificat, es poden fer alguns canvis per reduir els riscos associats des del punt de vista de la seguretat.
• Els processos d'estimació i calibratge de paràmetres són les parts més crítiques del model proposat. Per resoldre aquesta dificultat cal la col·laboració de diversos grups d'experts per millorar la qualitat, la credibilitat dels resultats i l'eficiència del mètode. Una avaluació de seguretat probabilística seriosa ha de fer un gran esforç en aquest procés d'estimació i calibratge de paràmetres.
• Les possibilitats d'una anàlisi cap enrere que ofereixen les xarxes bayesianes ens permeten investigar les causes d'incidents donats obligant-los a tenir una probabilitat (la seva ocurrència) i un nou càlcul de les probabilitats dels esdeveniments restants, que també es pot observar fins que obtenim una explicació satisfactòria de quan passa l'esdeveniment objectiu. El principal avantatge d'aquest procés consisteix en què els esdeveniments es quantifiquen i es poden ordenar per les seves probabilitats.
• El model de xarxa bayesià també pot identificar la combinació de valors variables que aporten més freqüentment a esdeveniments determinats. En altres paraules, es poden identificar les circumstàncies en què es produeixen esdeveniments crítics. Això ens permet orientar les accions correctores adequades i evitar la pèrdua de recursos que es produiran si orientem aquestes accions en la direcció equivocada.

Autores

Redactat de la noticia: Elena Mora i Marga Torre

Per saber-ne més: Elena Mora