ml in ambiente browser: transcodifica di modelli predittivi per la mobilità urbana

Il progressivo fenomeno dell'urbanizzazione ha trasformato la congestione stradale in una delle criticità più urgenti per le moderne Smart City. Gli approcci tradizionali al monitoraggio del traffico si basano su infrastrutture centralizzate in Cloud, le quali presentano severi limiti in termini di latenza di rete, costi di scalabilità e rischi per la privacy degli utenti legati alla trasmissione di coordinate spaziotemporali sensibili. Il presente lavoro di tesi si propone di superare tali limitazioni architettoniche indagando l'applicazione dell'Edge Computing per il forecasting dei flussi veicolari. L'obiettivo primario è sviluppare un'infrastruttura software decentralizzata in cui modelli di Machine Learning (ML) vengano eseguiti in tempo reale direttamente all'interno della sandbox del browser dell'utente finale. A livello metodologico, partendo da un dataset storico di mobilità urbana, è stata condotta un'estesa analisi comparativa tra molteplici algoritmi predittivi, identificando il paradigma XGBoost , ottimizzato tramite framework bayesiani (Optuna), come la topologia ideale. Per abilitare l'esecuzione Client-Side ad alte prestazioni bypassando i limiti dell'interprete Python, è stata implementata una toolchain di compilazione. Sfruttando la libreria Treelite, il grafo computazionale del modello è stato tradotto in codice sorgente C nativo e successivamente transcodificato in binario WebAssembly (WASM) tramite Emscripten.