Uno degli obiettivi del progetto TDM è di mostrare come sia possibile utilizzare dati aperti provenienti da varie fonti, sia interne che esterne al progetto, per fornire analisi statistiche e visuali basate su dati aggregati.
I metodi di analisi dei dati di traffico su larga scala qui presentati sono un esempio operativo di utilizzo dei dati aperti disponibili sul traffico in vaste aree per generare analisi complesse. In particolare, dati sulla connettività della rete stradale possono essere recuperati in forma computabile grazie a OpenStreetMap, mentre servizi come UBER e sensoristica distribuita, tra cui i sensori distribuiti sul territorio della Città Metropolitana di Cagliari, permettono di conoscere l'utilizzo di ogni singola tratta in termini di numero e velocità dei veicoli che la percorrono.
L'analisi di questi dati è tipicamente molto complessa ed è alla base di molti lavori scientifici. Nel quadro del progetto TDM abbiamo sviluppato i seguenti metodi:
- un approccio scalabile innovativo, basato sull'analisi della frammentazione della rete al punto critico, che è in grado di rilevare importanti differenze tra le differenti fasce orarie senza ricorrere a dati ad alta risoluzione spazio-temporale. Questo metodo rende accessibile lo studio diretto di zone densamente popolate di vaste dimensioni (dell'ordine delle decine di km quadrati) e con reti urbane descritte da centinaia di migliaia di nodi. I risultati ottenibili con questo approccio rendono possibile la diagnosi del traffico in tempo reale e una pianificazione dettagliata della topologia urbana. Il lavoro è stato pubblicato su rivista [1] e discusso in dettaglio nei deliverable di progetto [3][4]
- un metodo innovativo per risolvere il problema della stima dei livelli di congestione attesi in una rete urbana durante le ore di punta. Mentre nel lavoro precedente avevamo usato le informazioni topologiche e geografiche per studiare la formazione dei principali cluster di strade funzionalmente connesse in funzione del livello di traffico, in questa seconda fase ci siamo concentrati sulla possibilità di stimare i livelli di traffico con risoluzione stradale nei momenti di massima presenza di autoveicoli nella rete. Il lavoro è stato oggetto di una pubblicazione [2] ed è stato presentato nel deliverable di progetto [4].
Un esempio di utilizzo delle tecniche sviluppate riguarda la loro applicazione allo studio dell'evoluzione futura del traffico sulla rete cittadina, tenendo conti di varie ipotesi di evoluzione dei comportamenti e/o delle tecnologie a disposizione. Il concetto di Betweenness Centrality (BC) è spesso utilizzato per stimare il grado di congestione relativa delle varie parti di una rete di trasporto. L'idea è quella di considerare ogni possibile coppia di Origine-Destinazione (OD), individuare il percorso più breve associato a ogni OD e contare quante volte si passa in ogni arco del grafo che descrive la rete. Questa approssimazione evidentemente tralascia ogni interazione fra gli utilizzatori della rete che però diventa particolarmente importante nei momenti di massimo afflusso/deflusso. In un'ipotesi di applicazione alla regione di Cagliari, noi abbiamo voluto modellare cosa succede sulla rete durante il picco mattutino di traffico (afflusso), facendo in modo che i veicoli interagiscano tramite una semplice legge (Greenshields) che mette in relazione velocità e densità su ogni arco. Quindi, partendo da una rete vuota (prima delle 7AM) si aggiunge un veicolo a ogni iterazione scegliendo gli OD in modo casuale, ma con una distribuzione geografica realistica (ad esempio usando i dati catastali o modelli semplificati), e si contano i veicoli che scelgono di transitare in ogni segmento stradale durante un'ora. Contemporaneamente si ricalcola il tempo di attraversamento di ogni arco, che si allunga progressivamente e quindi porta alla scelta non del percorso più corto (nello spazio), ma più breve (nel tempo). La grandezza che otteniamo alla fine del processo di aggiunta dei veicoli rappresenta una sorta di BC cumulativa e interagente (CBC) che dovrebbe meglio descrivere il comportamento reale del sistema.
Nell'animazione presente in questa pagina si vede come potrebbe evolversi il traffico nella Città di Cagliari (e Comuni limitrofi) se tutti i veicoli decidessero il loro percorso in modo automatico essendo perfettamente a conoscenza dello stato della rete istante per istante. Questa modellazione dovrebbe predire in modo abbastanza accurato cosa succederebbe durante il picco di traffico mattutino di un giorno lavorativo se tutti i veicoli fossero a guida autonoma o se tutti si affidassero alle informazioni di un navigatore onnisciente (Google Maps, Here, etc). Questo tipo di ottimizzazione è ovviamente egoistica (per ogni veicolo) e non rappresenta il massimo delle prestazioni di trasporto raggiungibili dalla rete. È possibile anche variare la percentuale di veicoli che si affidano al routing onnisciente in modo da rendere più simile al traffico reale (allo stato attuale) i risultati della simulazione. Questo tipo di simulazioni ha il vantaggio di avvalersi esclusivamente dei dati topologici, geografici e dei limiti di velocità presenti nei database di progetti open source come OpenStreetMap senza necessitare dei dati sul traffico misurati dai sensori. Inoltre è particolarmente efficiente da un punto di vista del calcolo ed è possibile ottenere i risultati in tempi molto rapidi, permettendo quindi di simulare vari scenari possibili in occasione di maltempo, eventi eccezionali, chiusura di strade, etc. Inoltre, permettendo la simualazione e il confronto rapido tra vari scenari, anche in ipotesi di "comportamento ottimale¨, permette di evidenziare i limiti intrinseci del sistema che non possono essere superati senza interventi maggiori (ad esempio, con la riduzione del traffico veicolare privato a favore di mobilità alternativa).
Referenze bibliografiche
[1] M. Cogoni and G. Busonera. Stability of traffic breakup patterns in urban networks. Physical Review E Rapid Communications, vol. 104, no. 1, p. L012301, 2021.
[2] M. Cogoni, G. Busonera, and F. Versaci, Estimating peak-hour urban traffic congestion. Complex Networks & Their Applications XI: Proceedings of The Eleventh International Conference on Complex Networks and their Applications. Springer, 2022.
[3] Enrico Gobbetti, et al. Tecnologie per la visualizzazione Scalabile (versione intermedia). Progetto TDM Deliverable D6.2, Giugno 2021. URL: https://www.tdm-project.it/risultati/deliverables-pubblici/
[4] Enrico Gobbetti, et al. Tecnologie per la visualizzazione Scalabile. Progetto TDM Deliverable D6.3, Settembre 2022. URL: https://www.tdm-project.it/risultati/deliverables-pubblici/
