Tecnologia Prevedere il traffico con il ML

Dario Orlandi

Tempo di lettura: 2' 3''

Pubblicato il: 06/03/2023

Il ricercatore Simone Daniotti del Complexity Science Hub ha pubblicato una ricerca che analizza i flussi di traffico tra le differenti zone di una città (Milano) utilizzando un modello basato sul machine learning.

Il nuovo modello di apprendimento automatico può prevedere il traffico in diverse zone delle città utilizzando i dati di una delle principali società di car sharing in Italia come base per analizzare il traffico cittadino complessivo.

Questa conoscenza può aiutare i responsabili politici a progettare e attuare politiche di trasporto efficaci e una pianificazione urbana inclusiva per migliorare il flusso del traffico urbano.

Il modello può mostrare le connessioni tra le diverse zone urbane e suggerire servizi che compensano queste interazioni per evitare gli ingorghi.

Inoltre, se il modello mostra poca attività in una particolare posizione, i responsabili politici potrebbero utilizzare quella conoscenza per investire in strutture per cambiare la situazione.

Comprendere i modelli di mobilità delle persone sarà fondamentale per la progettazione di politiche di trasporto efficaci e una pianificazione urbana inclusiva man mano che le popolazioni crescono nelle aree urbane.

Dati dal car sharing

Per creare il modello di previsione del traffico, il ricercatore ha utilizzato i dati di una società di car sharing, registrando la posizione di parcheggio di ogni auto e i timestamp di inizio e fine di ogni viaggio.

Questi dati sono stati usati come proxy per tutto il traffico cittadino e hanno permesso di identificare l'origine e la destinazione di ogni viaggio.

Il modello ha dimostrato di garantire previsioni spazio-temporali accurate e rilevare anomalie come scioperi e condizioni meteorologiche avverse legate al traffico. Potrebbe quindi essere esteso ad altre città, a patto naturalmente di disporre di dati appropriati per il training.

Esistono molti modelli di previsione del traffico nelle città, ma la maggior parte di essi non è completamente interpretabile, limitando la comprensione dei meccanismi che governano la routine quotidiana dei cittadini.

Il nuovo modello di previsione, invece, è pienamente interpretabile poiché considera un numero minimo di vincoli e tutti i parametri rappresentano interazioni effettive.

La comprensione del motivo per cui il modello mostra un determinato risultato aiuta i responsabili politici a prendere decisioni più informate per migliorare la mobilità urbana. “Ispezionare il modello e comprenderlo aiuta noi, e anche i responsabili politici, a non trarre conclusioni sbagliate”, ha affermato Daniotti.