Un nuovo studio a New York combina intelligenza artificiale e traffico per prevedere la congestione e guidare la pianificazione urbana
Aggiungi Rinnovabili tra i preferiti 
Intelligenza artificiale progetta città con meno traffico
Sarà l’intelligenza artificiale a suggerirci come strutturare le nostre città per salvarle dalla congestione del traffico?
New York è stata oggetto di studio per sviluppare un framework di GeoAI – Intelligenza Artificiale Geospaziale – con l’obiettivo di prevedere il traffico a lungo termine, scovare i punti critici di congestione e quindi aiutare il supporto decisionale orientato alla pianificazione.
Due modelli in fase di test
La metropoli americana possiede un nutrito database sui trasporti in città e ha messo a disposizione 15 anni di osservazione del traffico – dal 2009 al 2024 – che il gruppo di ricercatori ha utilizzato per testare due metodi per prevedere i volumi futuri di congestione, pubblicati nel numero speciale di Transactions in GIS. I modelli di previsione delle serie temporali appartengono a due approcci concettuali profondamente differenti: da un lato esiste la statistica matematica classica, solida e rigorosa, rappresentata da ARIMA; dall’altro il deep learning e l’intelligenza artificiale moderna, rappresentati dalle reti neurali LSTM.
ARIMA, acronimo di Autoregressive Integrated Moving Average, affronta il problema della previsione futura scomponendolo in tre pilastri algebrici distinti; il suo punto di forza è che i parametri calcolati sono interpretabili e permettono di comprendere esattamente quale peso abbia avuto il passato immediato sul risultato. Tuttavia, il suo limite strutturale è la linearità. ARIMA assume che le relazioni tra i dati nel tempo seguano equazioni lineari semplici, fallendo quando deve interpretare fenomeni complessi, dinamici o influenzati da variabili esterne imprevedibili.
Invece le reti LSTM (Long Short-Term Memory) nascono per superare questi limiti applicando l’architettura delle reti neurali ricorrenti al mondo dei dati sequenziali. Nelle tradizionali reti neurali, ogni informazione viene elaborata in modo isolato, senza memoria del passato. Una rete LSTM è capace di conservare informazioni rilevanti anche attraverso centinaia o migliaia di passaggi temporali, riconoscendo pattern non lineari, fluttuazioni complesse e dipendenze nascoste a lunghissimo termine. Di contro, richiede enormi quantità di dati per essere addestrata correttamente, comporta un costo computazionale elevato.
“Siamo partiti da un’idea: e se sviluppassimo una nostra piattaforma di intelligenza artificiale, che potesse essere ospitata localmente e che fosse sicura, intuitiva e comoda da usare per i pianificatori nel loro lavoro quotidiano?”, ha affermato Rozhkov, uno dei tre autori dello studio. Infatti, le amministrazioni cittadine desiderano sempre più integrare l’intelligenza artificiale, ma gli uffici di pianificazione spesso non dispongono delle competenze tecniche necessarie per costruire sistemi specializzati. E potrebbero anche non voler caricare dati sensibili sui trasporti su modelli commerciali e chatbot.
Primi risultati su intelligenza artificiale e traffico
Ma tornando agli esiti dello studio, questo ha offerto i risultati migliori con il modello LSTM su dati inediti relativi al periodo 2021-2024. Il suo errore medio di previsione è stato di circa 343 veicoli al giorno, rispetto ai circa 418 del modello ARIMA, con un miglioramento di circa il 18%. Il modello ha poi previsto un aumento del traffico medio giornaliero da 12.540 veicoli nel 2025 a 19.680 nel 2029.
Ma la previsione era solo una parte del progetto. “Una media a livello cittadino non aiuta gli urbanisti“, ha affermato uno dei tre ricercatori “Quello che devono sapere è quali corridoi sono maggiormente colpiti, e questi risultano essere costanti anno dopo anno. È proprio questo che la mappatura esagonale e l’analisi a cluster sono state progettate per esplorare.” Un pianificatore potrebbe chiedere, ad esempio, come un ampliamento autostradale vicino all’aeroporto LaGuardia potrebbe influire sul traffico del Queens o cosa potrebbe accadere se le strade a senso unico nella Lower Manhattan venissero convertite in strade a doppio senso.
Sistema Uber
Oltre la previsione dei veicoli con i due sistema citati, è stato implementato anche il sistema H3, cioè una griglia geografica open-source sviluppata da Uber che suddivide la superficie terrestre in una rete di esagoni regolari della stessa dimensione. A differenza dei quadrati o dei rettangoli, tutti gli esagoni adiacenti condividono la stessa distanza dal centro del loro vicino. Questo rende i calcoli di spostamento, raggio e vicinanza molto più precisi e omogenei.
La forza del clustering
Infine, è stato adottato il clustering, una tecnica di machine learning e analisi dati utilizzata per individuare insiemi di dati simili tra loro. Invece di analizzare le singole auto una ad una, l’algoritmo analizza le celle esagonali nel tempo, cercando schemi ricorrenti dove la velocità scende o il tempo di attesa aumenta. L’algoritmo distingue il traffico occasionale, ad esempio un incidente isolato, da quello sistemico e ripetitivo come la tangenziale che si paralizza alle 18. Identificando dove e quando il traffico si accumula ripetutamente, i pianificatori possono intervenire in modo mirato, ad esempio modificando i tempi dei semafori, riprogettando una rotonda o potenziando i mezzi pubblici in quella specifica cella.
Secondo i ricercatori la forza del progetto è la dimostrazione di come diversi strumenti emergenti possano essere combinati in un unico flusso di lavoro di pianificazione. Anziché affidare le decisioni urbanistiche all’intelligenza artificiale, i ricercatori la concepiscono come un’interfaccia tra i pianificatori e set di dati sempre più complessi.
