Tre dottorandi dell’Università di Trieste, Ruben Viduli, Davide Zennaro ed Edoardo Insaghi, hanno vinto il premio “Overall” alla nona edizione di Stats Under the Stars – SUS 2026, l’hackathon scientifico promosso nell’ambito del Joint Meeting SIS-FENStatS 2026, che ha riunito a Roma la 53ª Riunione Scientifica della Società Italiana di Statistica e il primo Convegno delle Società di Statistica Europee.

La competizione, organizzata alla Sapienza Università di Roma con il supporto di Anas come partner e data provider, ha coinvolto giovani ricercatrici e ricercatori in una sfida di analisi statistica applicata a un problema reale. Ai team partecipanti è stato messo a disposizione un dataset relativo alle segnalazioni registrate sulla rete stradale tra il 2016 e il 2023: incidenti, buche, criticità e altre anomalie comunicate dagli automobilisti.

L’obiettivo era costruire un modello capace di prevedere, per ogni strada e per ogni mese, il numero di segnalazioni attese nel 2024 e nel 2025. I dati di questi due anni, già disponibili ad Anas, non erano stati condivisi con i partecipanti: al termine della prova, le previsioni prodotte dai diversi team sono state confrontate con i valori reali per valutarne l’accuratezza.

Il gruppo UniTS ha ottenuto il premio “Overall”, riconoscimento assegnato al team capace di raggiungere il miglior equilibrio tra precisione delle previsioni e qualità dell’analisi tecnica. La competizione prevedeva anche un premio per la migliore previsione e uno per il miglior report.

La prova si è svolta nell’arco di una notte: i partecipanti hanno lavorato dalle 19 fino alle 7 del mattino, prima della presentazione dei risultati e della premiazione, tenutasi alla Sapienza prima della cerimonia inaugurale del convegno.

Dal punto di vista metodologico, la sfida consisteva nel prevedere dati di conteggio, cioè il numero di eventi attesi. Il team UniTS ha scelto una distribuzione di probabilità adatta a modellare questo tipo di dati, introducendo un’estensione in grado di renderla più flessibile e più aderente alle caratteristiche del dataset.

Accanto a questo approccio, i dottorandi hanno sperimentato anche modelli di machine learning e deep learning più complessi. Durante i test, tuttavia, il modello statistico più essenziale si è rivelato il più efficace. Un risultato che conferma come, in alcune applicazioni, non sia la complessità dell’algoritmo a fare la differenza, ma la capacità di individuare il modello più adatto al problema.

«È stata una sfida intensa, affrontata in poche ore e su dati reali», commentano i tre dottorandi. «Il risultato più interessante è stato vedere come un modello statistico ben scelto potesse competere con approcci molto più complessi. Le differenze tra i migliori team erano minime, nell’ordine della quarta o quinta cifra decimale, e questo ha reso il riconoscimento ancora più significativo».

Il team ha valorizzato competenze maturate in percorsi diversi, tra statistica, matematica e data science. La combinazione di approcci differenti ha permesso di integrare letture metodologiche e capacità applicative, arrivando a una previsione particolarmente vicina ai dati reali secondo la metrica statistica definita dagli organizzatori.

Applicazioni di questo tipo possono avere ricadute concrete nella gestione delle infrastrutture. Nel caso della rete stradale, prevedere in anticipo l’aumento di segnalazioni in determinate aree può contribuire a pianificare controlli e interventi di manutenzione in modo più efficace, migliorando la gestione del servizio e prevenendo situazioni critiche. Più in generale, modelli predittivi basati sui dati possono supportare decisioni strategiche in molti ambiti, dai servizi pubblici ai contesti industriali.

Il premio assegnato al team UniTS ha un valore di mille euro.