Risk-Averse Stochastic User Equilibrium on Uncertain Transportation Networks

Each language version is independently generated for its own context, not a direct translation.

Immagina di dover guidare in città durante un temporale. Non sai se pioverà solo un po', se ci sarà un acquazzone o se le strade si allagheranno completamente. Come scegli il percorso?

Questo studio risponde a una domanda fondamentale: come possiamo aiutare i guidatori a scegliere la strada migliore quando il futuro è incerto e potenzialmente pericoloso?

1. Il Problema: La "Sorpresa" del Traffico

Di solito, le mappe (come Google Maps) ci dicono quanto tempo impiegheremo basandosi sulla media. Se una strada impiega 10 minuti in media, la mappa ti dice "vai lì".
Ma cosa succede se c'è una probabilità del 5% che quella strada si allaghi e tu rimanga bloccato per un'ora?

L'approccio vecchio (Medio): Ignora il disastro. Dice: "In media ci metti 10 minuti, quindi è la strada migliore".
Il problema: Se sei una persona prudente (o "avversa al rischio"), non ti fidi della media. Preferisci una strada leggermente più lunga in media, ma che non si allaga mai, piuttosto che una strada veloce che potrebbe bloccarti per ore.

2. La Soluzione: La "Cintura di Sicurezza" Matematica

Gli autori hanno creato un nuovo modo per calcolare i percorsi, che chiamano TSUE (Equilibrio Stocastico degli Utenti). Immaginalo come un sistema di navigazione intelligente che non guarda solo la media, ma tiene d'occhio anche la coda della distribuzione (gli eventi peggiori).

Hanno usato due strumenti principali, come due tipi di "occhiali" diversi per guardare il traffico:

A. TSUE-SP (Il Pianificatore Prudente)

Immagina di avere due parametri che puoi regolare:

Quanto ti preoccupi della media? (Quanto vuoi andare veloce di solito).
Quanto ti preoccupi del disastro? (Quanto vuoi evitare di rimanere bloccato).

Il sistema crea un "prezzo" per ogni strada che è una miscela tra il tempo medio e il rischio di rimanere bloccati.

Analogia: È come se stessi comprando un'assicurazione. Se sei molto prudente (alto rischio), paghi un "prezzo" più alto per la strada veloce (perché il rischio di allagamento è alto) e scegli la strada più sicura, anche se più lenta. Se sei avventato, ignori il rischio e prendi la strada veloce.
Risultato: Il sistema bilancia tutto in modo che nessuno si trovi in una situazione di panico improvviso.

B. TSUE-DRO (Il Paranoico Intelligente)

Questo è il livello successivo. A volte non conosciamo bene le probabilità. Forse pensiamo che l'alluvione sia rara, ma i dati sono vecchi o imprecisi.

L'analogia: Immagina di giocare a poker.
- Il Pianificatore Prudente (SP) dice: "Secondo le statistiche, c'è il 5% di chance che piova forte".
- Il Paranoico Intelligente (DRO) dice: "E se le statistiche sono sbagliate? E se la probabilità fosse in realtà del 10%? O se piove ancora più forte del previsto? Io voglio prepararmi per il caso peggiore che potrebbe succedere, anche se è poco probabile".
Come funziona: Questo metodo non si fida ciecamente dei dati passati. Immagina una "bolla di incertezza" attorno ai dati. Il sistema calcola il percorso migliore pensando che, all'interno di quella bolla, potrebbe succedere tutto il peggio.
Risultato: È più conservativo. Sposta più traffico sulle strade sicure, anche se sembra che stiano "spreco" un po' di capacità, perché garantisce che il sistema non collassi se le previsioni sbagliano.

3. Cosa è successo nella simulazione (Chicago)?

Gli autori hanno testato questo sistema su una mappa stilizzata di Chicago, simulando inondazioni.

Senza il nuovo sistema: Il traffico si ammassava su strade veloci ma rischiose. Quando arrivava l'alluvione, il traffico si bloccava completamente.
Con il sistema "Prudente" (SP): Il traffico si è ridistribuito. Le strade veloci hanno perso un po' di auto, ma le strade alternative (più lunghe ma sicure) hanno preso il sopravvento. Il sistema è diventato più fluido.
Con il sistema "Paranoico" (DRO): La ridistribuzione è stata ancora più forte. Il sistema ha spinto quasi tutto il traffico sulle strade più sicure, ignorando quasi del tutto le strade a rischio.
- Il risultato sorprendente: Anche se sembrava che il traffico si stesse muovendo meno efficientemente in condizioni normali, il sistema era molto più stabile. Non c'erano sorprese. Le strade non si bloccavano mai.

4. Perché è importante?

Immagina il traffico come un flusso d'acqua.

I metodi vecchi dicono: "Lascia scorrere l'acqua dove è più veloce, anche se c'è un burrone sotto".
I metodi nuovi dicono: "Lascia scorrere l'acqua dove è sicura, anche se il canale è un po' più stretto".

In un mondo dove gli eventi estremi (alluvioni, tempeste) stanno diventando più frequenti, non possiamo più permetterci di fidarci solo della media. Dobbiamo pianificare per il "caso peggiore".

In sintesi

Questo studio ci insegna che per gestire il traffico in tempi di crisi (come le inondazioni), non basta guardare la media. Dobbiamo:

Ascoltare le persone prudenti: Dare peso ai rischi di rimanere bloccati.
Prepararsi all'imprevisto: Usare modelli che ci proteggono anche se i nostri dati sulle previsioni meteo non sono perfetti.

Il risultato è una città che, quando arriva il temporale, non va in tilt, ma continua a funzionare perché le persone hanno scelto percorsi più sicuri fin dall'inizio. È come avere un'auto con una cintura di sicurezza e un airbag: non ti rende più veloce, ma ti salva la vita quando le cose vanno storte.

Each language version is independently generated for its own context, not a direct translation.

Titolo: Equilibrio Stocastico Utente Avverso al Rischio su Reti di Trasporto Incerte

1. Problema e Contesto

Gli eventi meteorologici estremi (es. inondazioni) e i disastri naturali interrompono le reti di trasporto urbano, riducendo velocità e capacità e chiudendo arterie stradali. Queste perturbazioni creano un'incertezza "dipendente dal regime" nella performance dei collegamenti e nelle code di distribuzione dei tempi di viaggio.
I modelli di assegnazione del traffico convenzionali si basano spesso sull'aspettativa matematica (media) dei costi o sulla somma degli eccessi di costo. Tuttavia, in presenza di rischi rari ma gravi (code lunghe e pesanti), l'approccio basato sulla sola media è fuorviante perché:

Sottostima i ritardi severi che guidano comportamenti precauzionali.
Non distingue tra percorsi con la stessa media ma diversa affidabilità (varianza e coda superiore).
I viaggiatori tendono a preferire percorsi affidabili rispetto a quelli mediamente più veloci ma rischiosi.

Il problema centrale è modellare un Equilibrio Stocastico Utente (SUE) che incorpori l'avversione al rischio dei viaggiatori e l'ambiguità nella distribuzione dei tempi di viaggio, mantenendo la formulazione matematica trattabile (convessa).

2. Metodologia

Gli autori sviluppano un framework di assegnazione del traffico che combina supply stocastico, scelta endogena del percorso e gestione del rischio di coda.

A. Modelli di Scelta e Percezione del Costo

Funzione di Tempo di Viaggio: Utilizzano una funzione BPR estesa che varia in base a scenari di hazard (es. pioggia normale, pioggia forte, inondazione).
Logit Troncato: I viaggiatori scelgono percorsi basati su un'utilità stocastica. Viene adottato un modello Logit Troncato, dove percorsi con costi percepiti superiori a una soglia di budget ( $\pi$ ) hanno probabilità zero.
Certainty Equivalent (CE) Normalizzato: Per evitare l'instabilità numerica e la perdita di convessità tipiche dell'uso diretto del CVaR (Conditional Value at Risk) in kernel logit esponenziali, gli autori propongono un equivalente certo normalizzato Mean-CVaR:
$\Phi_{\alpha,\lambda}(Y) = (1 - \bar{\lambda})E[Y] + \bar{\lambda}CVaR_\alpha(Y)$
Dove $\alpha$ è il livello di confidenza (soglia di coda) e $\lambda$ è un parametro comportamentale che regola l'avversione al rischio. La normalizzazione garantisce che i costi rimangano nella scala dei tempi di viaggio deterministici e preserva la convessità del problema.

B. Formulazioni TSUE (Stochastic User Equilibrium)
Vengono proposte due approcci complementari per integrare il rischio:

TSUE-SP (Stochastic Programming): Ottimizza un equilibrio TSUE "nominalmente" avverso al rischio, bilanciando performance media e risultati della coda avversa.
- Approccio A (Basato su percorsi): Applica il CE direttamente al tempo di viaggio di ogni percorso.
- Approccio B (Basato su potenziale): Applica il CE al potenziale totale del sistema (congestione + entropia). Dimostrano che, sotto condizioni di ordinamento dei scenari, gli approcci A e B sono equivalenti e portano a un programma stocastico convesso a singolo livello.
TSUE-DRO (Distributionally Robust Optimization): Per proteggere contro errori di calibrazione e specificazione errata della distribuzione (quando i dati sono limitati o non stazionari), il modello ottimizza contro la "peggiore" distribuzione all'interno di un insieme di ambiguità 1-Wasserstein.
- Questo approccio gestisce sia casi stazionari che non stazionari (regimi piecewise-stationary), permettendo di separare l'incertezza all'interno di un regime (es. pioggia forte) dalla frequenza dei regimi stessi.

C. Algoritmo di Soluzione
Il problema DRO viene riformulato in un programma conico di secondo ordine (SOCP) o in un programma semi-infinito convesso. Viene sviluppato un algoritmo di decomposizione di Benders basato su tagli (Benders cuts) per risolvere efficientemente il problema su larga scala, evitando la complessità computazionale diretta dei solver conici generici.

3. Contributi Chiave

Analisi dell'Aggregazione dei Costi: Dimostrano come l'uso esclusivo della media o del CVaR puro possa essere fuorviante in scenari di hazard, proponendo una combinazione Mean-CVaR normalizzata che preserva la convessità.
Framework TSUE Avverso al Rischio: Sviluppo di modelli TSUE sia basati su percorsi che su potenziale, con dimostrazione di equivalenza sotto specifiche condizioni di ordinamento degli scenari.
Robustezza Distribuzionale (DRO): Introduzione di un modello TSUE-DRO basato su 1-Wasserstein che protegge contro errori di stima delle probabilità, estendibile a regimi non stazionari (es. cambiamenti climatici).
Algoritmo Efficiente: Proposta di una procedura di decomposizione di Benders che risolve il problema in modo computazionalmente efficiente rispetto ai metodi diretti.

4. Risultati Sperimentali

Gli esperimenti sono stati condotti su una rete griglia stilizzata e su un caso studio reale del centro di Chicago (Loop).

Rete Stilizzata (3 nodi):
- L'approccio Mean-CVaR mostra che aumentando l'avversione al rischio ( $\lambda$ ), il traffico si sposta dai percorsi più veloci ma rischiosi (es. Link 1 in caso di inondazione) verso percorsi più affidabili (Link 3).
- L'approccio TSUE-SP con normalizzazione mantiene la stabilità numerica e non causa collassi di probabilità, a differenza di approcci non normalizzati.
- Il modello TSUE-DRO (Wasserstein) risulta più conservativo: sposta ulteriormente il flusso verso percorsi robusti, riducendo la sensibilità agli errori di stima delle probabilità degli scenari.
Caso Studio Chicago (Downtown):
- In uno scenario di inondazione, l'uso di TSUE-SP e TSUE-DRO ridistribuisce i flussi senza richiedere deviazioni massive, ma spostandoli verso corridoi radiali più brevi e affidabili.
- Impatto Quantitativo: Rispetto a una baseline non colpita dall'hazard, il traffico nella corsia occidentale aumenta del 67.9% con TSUE-SP e del 100.9% con TSUE-DRO.
- Robustezza: Il modello DRO riduce la variabilità dei flussi al variare dei parametri ( $\alpha, \lambda$ ), dimostrando una maggiore stabilità rispetto al modello SP.
- Efficienza Computazionale: L'algoritmo di Benders converge in circa 437 iterazioni, riducendo i tempi di calcolo a circa la metà rispetto all'uso diretto di solver conici (SCS) per reti di dimensioni significative.

5. Significato e Conclusioni

Questo studio fornisce un framework teorico e pratico fondamentale per la pianificazione dei trasporti in condizioni di incertezza climatica.

Gestione del Rischio: Dimostra come la ponderazione della coda di distribuzione (tail-risk) e l'ambiguità distribuzionale permettano di "sintonizzare" le scelte di equilibrio senza sovvertirle, guidando i viaggiatori verso percorsi più sicuri in modo naturale.
Resilienza: Il modello TSUE-DRO offre una protezione contro l'incertezza dei dati, rendendo le strategie di assegnazione del traffico più robuste di fronte a eventi estremi e cambiamenti climatici.
Applicabilità: La capacità di risolvere problemi su larga scala con algoritmi efficienti rende questo approccio applicabile alla pianificazione urbana reale, aiutando a mitigare gli impatti di disastri naturali sulla mobilità e sulla sicurezza.

In sintesi, il lavoro trasforma la gestione del rischio da un'aggiunta post-hoc a una componente intrinseca e matematicamente rigorosa dell'equilibrio di rete, offrendo strumenti decisionali superiori per reti di trasporto soggette a eventi estremi.