Multi-Horizon, Multi-Depth Forecasting of Pavement Temperature in a Continental Climate: Machine Learning Methods Benchmarked Against a Persistence Baseline

Sintesi Tecnica: Previsione della Temperatura del Pavimento su Multipli Orizzonti e Profondità in un Clima Continentale

Definizione del Problema
La previsione accurata della temperatura del pavimento a diverse profondità è fondamentale per la progettazione meccanicistica-empirica delle pavimentazioni, inclusi l'analisi delle tensioni termiche, la previsione dell'ormaiamento (rutting), la valutazione delle fessurazioni a bassa temperatura e la gestione dei cicli di gelo-disgelo. Sebbene l'apprendimento automatico (ML) sia stato ampiamente applicato a questo problema, la letteratura recente riporta frequentemente coefficienti di determinazione elevati ($R^2 > 0,95$) senza confrontarli con baseline banali. Questo studio affronta tre lacune metodologiche nella ricerca esistente: (1) il mancato account dell'estrema autocorrelazione inerente alle serie temporali della temperatura del pavimento, che può gonfiare l'apparente capacità predittiva; (2) la dipendenza da singoli split cronologici di addestramento-test che non riescono a catturare la varianza stagionale; e (3) l'omissione di baseline di persistenza ingenua (naive persistence), che sono lo standard di riferimento nella previsione operativa. Lo studio mira a determinare le condizioni specifiche (profondità, orizzonte di previsione e volume di dati) in cui i metodi ML aggiungono realmente valore rispetto a una previsione di persistenza semplice.

Metodologia
La ricerca utilizza un anno di dati di temperatura oraria ($n = 7.067$ osservazioni) da una stazione di monitoraggio automatizzata vicino ad Astana, Kazakistan, in un clima fortemente continentale. Il dataset include misurazioni a otto profondità sottosuperficiali (da 3 cm a 300 cm) e la temperatura dell'aria ambiente.

• Compito di Previsione: Lo studio valuta le previsioni a tre orizzonti: 24 ore (giornaliero), 168 ore (settimanale) e 720 ore (30 giorni).
• Modelli: Sono stati valutati sei algoritmi ML: Regressione Lineare, Regressione Ridge, Regressione Lasso, Random Forest, Gradient Boosting ed Extreme Gradient Boosting (XGBoost).
• Baseline: Una baseline di persistenza ingenua ($\hat{y}_{t+h} = y_t$) è stata utilizzata come riferimento primario.
• Ingegneria delle Caratteristiche (Feature Engineering): È stato implementato un protocollo "senza leak" (leak-free). Le caratteristiche includevano valori ritardati (lagged values: 1, 3, 6, 12, 24, 72, 168 ore), statistiche di finestra mobile (medie/deviazioni standard di 24h e 168h) e codifiche cicliche del tempo. Fondamentalmente, non è stata utilizzata alcuna informazione cross-depth allo stesso istante temporale come predittore, per evitare che il compito degenerasse in interpolazione spaziale.
• Validazione: È stata impiegata una validazione incrociata a blocchi con finestra espandente a cinque pieghe (five-fold expanding-window blocked time-series cross-validation). Questo approccio espone i modelli a shift di distribuzione stagionale (ad esempio, addestrare su dati estivi/autunnali e testare su dati invernali) piuttosto che fare affidamento su un singolo split statico.
• Metriche: Le prestazioni sono state valutate tramite RMSE (Root-Mean-Squared Error), MAE (Mean Absolute Error) e $R^2$.

Risultati Chiave

1. Dominanza della Persistenza a Brevi Orizzonti: All'orizzonte di 24 ore, la baseline di persistenza ha superato tutti i sei algoritmi ML in ogni profondità. La persistenza ha ottenuto valori di $R^2$ compresi tra 0,94 e 0,999 con RMSE che variano da 0,23°C (a 180 cm) a 4,37°C (a 3 cm). Nessun modello ML ha superato la baseline di persistenza nel valore medio di RMSE.
2. Valore Limitato del ML a Orizzonti Intermedi/Lunghi: I metodi ML hanno iniziato a mostrare una performance competitiva o superiore solo in condizioni specifiche:
   • Orizzonte di 168 ore: La regressione Lasso ha ottenuto l'RMSE più basso nel 22% delle combinazioni profondità-fold, principalmente a profondità intermedie (120 cm e 180 cm), ma la persistenza è rimasta superiore nella media complessiva tra i fold.
   • Orizzonte di 720 ore: All'orizzonte di 30 giorni, i metodi ML sono diventati competitivi agli strati più profondi. Random Forest ha ottenuto una riduzione dell'RMSE del 20% rispetto alla persistenza alla profondità di 300 cm. Lasso ha mostrato miglioramenti modesti alle profondità intermedie (40–180 cm). Tuttavia, agli strati quasi superficiali (3–20 cm), nessun metodo ML si è avvicinato alle prestazioni della persistenza.
3. Impatto della Dimensione del Dataset di Addestramento: Le prestazioni del ML sono state altamente sensiche alla dimensione del set di addestramento. Con dataset piccoli (~1.245 ore), i modelli ML hanno performato significativamente peggio della persistenza. Per una performance stabile e competitiva erano necessarie circa 4.000–5.000 ore (sei mesi) di dati di addestramento.
4. Prevedibilità Dipendente dalla Profondità: È stata osservata un'immissione monotona della prevedibilità con la profondità in tutti i metodi, inclusa la persistenza. Ciò riflette l'inerzia termica fisica del sistema stradale, dove gli strati più profondi presentano un'evoluzione della temperatura più lenta e regolare, piuttosto che un miglioramento della capacità algoritmica.

Contributi Chiave e Significato
Il documento fornisce una correzione alla narrativa prevalente nella letteratura sulla temperatura del manto stradale secondo cui il ML "risolve" i problemi di previsione. I suoi contributi primari includono:

• Benchmarking Metodologico: Questo è il primo studio che mette esplicitamente a confronto un insieme completo di algoritmi ML contro una baseline di persistenza ingenua attraverso molteplici orizzonti e profondità per la temperatura del manto stradale. Dimostra che molti valori elevati di $R^2$ precedentemente riportati riflettono probabilmente l'uso dell'autocorrelazione (persistenza) piuttosto che una reale capacità predittiva.
• Identificazione dei Regimi: Lo studio stabilisce confini chiari per l'utilità del ML. Il ML aggiunge valore solo ad orizzonti più lunghi (≥168 ore) e a profondità maggiori (≥60 cm) dove la diffusione termica smorza la variabilità ad alta frequenza e l'assunto di persistenza inizia a fallire. Per decisioni operative a breve termine (ad esempio, manutenzione giornaliera), la persistenza è sufficiente e più robusta.
• Protocolli "Senza Leak": Imponendo una rigorosa regola di ingegneria delle caratteristiche "no same-timestep cross-depth", lo studio evidenzia come le pratiche standard nel campo possano involontariamente trasformare i compiti di previsione in interpolazione spaziale, gonfiando artificialmente le metriche di performance.
• Guida Pratica: I risultati offrono una guida basata sull'evidenza per gli ingegneri: utilizzare la persistenza per le previsioni a breve termine; considerare la regressione Lasso per la pianificazione a medio termine e profondità intermedie; e considerare gli ensemble basati su alberi solo per la pianificazione stagionale a lungo termine e strati profondi, a condizione che siano disponibili dati storici sufficienti (≥6 mesi).

Limitazioni
Gli autori riconoscono che i risultati si basano su una singola stazione e su un singolo ciclo annuale. Sebbene il sito sia rappresentativo del clima continentale, è necessaria una validazione cross-station attraverso la più ampia rete KazDorNII (che spazia in diverse latitudini e tipi di suolo) per confermare la generalizzabilità. Inoltre, l'insieme di caratteristiche escludeva covariate meteorologiche come la radiazione solare e la velocità del vento, il che potrebbe limitare le prestazioni della previsione della temperatura superficiale. Infine, lo studio ha utilizzato la più semplice baseline di persistenza; i lavori futuri dovrebbero confrontare il ML con baseline più sofisticate come i modelli seasonal-naive o ARMA.