Optimal Scheduling of Road Maintenance Jobs Considering Impact on Traffic Flows

Immaginate la città come un enorme puzzle vivente dove ogni strada è un pezzo e ogni conducente è un giocatore che cerca di risolverlo. Quando una strada viene chiusa per lavori, è come estrarre un pezzo dal puzzle; improvvisamente, tutti devono affrettarsi per trovare un nuovo posto e l'intera immagine si sposta. Questo è il mondo dell'ingegneria del traffico, un campo dedicato a comprendere come le persone si muovano attraverso queste reti complesse. Al cuore di questo puzzle c'è un concetto chiamato "equilibrio", che è solo un modo elegante per dire che tutti hanno trovato un percorso in cui non possono raggiungere la propria destinazione più velocemente cambiando traiettoria. Se vi è mai capitato di rimanere bloccati nel traffico mentre il vostro GPS vi reindirizza, solo per scoprire che il nuovo percorso è congestionato quanto il precedente, avete sperimentato questo equilibrio in azione. La grande domanda per i pianificatori urbani è: come pianifichiamo i lavori stradali in modo da non trasformare la riparazione di una piccola buca in un incubo del traffico cittadino? Tradizionalmente, capire questo problema è stato come cercare di risolvere un'enorme equazione matematica ogni singola volta che si considera un nuovo piano di riparazione, un processo così lento e pesante che spesso impedisce ai pianificatori di prendere le decisioni migliori.

Questo articolo, presentato alla conferenza annuale IISE 2026, affronta questo pesante problema matematico insegnando ai computer a indovinare la risposta invece di calcolarla da zero ogni volta. Gli autori, Charitha Nandepu e il suo team, hanno esaminato una rete di traffico reale a Newark, nel New Jersey, concentrandosi in particolare su un corridoio molto trafficato noto come la Garden State Parkway. Hanno iniziato eseguendo una simulazione al computer estremamente accurata, ma molto lenta, per capire esattamente come fluirebbe il traffico se le strade fossero chiuse. Pensate a questo come al "gold standard" o alla "verità fondamentale" — la chiave di risposta perfetta. Hanno utilizzato questi dati per addestrare quattro diversi tipi di intelligenza artificiale (IA), insegnando loro essenzialmente a guardare dove le persone vogliono andare (domanda Origine-Destinazione) e a prevedere istantaneamente come si comporterebbe il traffico senza la necessità di eseguire la matematica pesante.

Il team ha testato quattro diversi "cervelli" per la loro IA: una rete multistrato standard (MLP), un cercatore di schemi (CNN), un esperto di strutture di rete (GNN) e un modello che presta attenzione alle relazioni tra tutte le parti del sistema (NN basata su Attention). I risultati sono stati chiari: il modello che prestava attenzione al quadro generale ha vinto. La rete neurale "basata su Attention" è stata la vera protagonista, prevedendo correttamente gli schemi del traffico circa il 98% delle volte (un punteggio R² di 0,9835) e commettendo meno errori sulle strade più trafficate. Al contrario, gli altri modelli, specialmente quelli standard, hanno inciampato significativamente quando il traffico diventava intenso, con errori che salivano a quasi 1.000 veicoli l'ora sui collegamenti critici. Il modello basato su grafi (GNN) ha fatto un lavoro discreto, ma il modello basato su attention è stato il più accurato, con un tasso di errore di soli 35,87 veicoli l'ora complessivi.

L'articolo non sostiene di aver risolto per sempre l'intero problema della pianificazione dei lavori stradali. Inveve, suggerisce che l'uso di questi modelli di IA rapidi e basati sui dati sia un modo promettente per velocizzare il processo di pianificazione. Sostituendo i calcoli lenti e pesanti con una rapida previsione dell'IA, i gestori cittadini potrebbero potenzialmente testare molti più programmi di riparazione nel tempo in cui prima veniva testato un solo programma. Lo studio dimostra che per l'area di Newark, questo approccio funziona abbastanza bene da essere uno strumento utile, offrendo un modo per mantenere il traffico scorrevole anche quando le strade sono in costruzione. È un passo verso rendere le nostre città meno congestionate, una previsione intelligente alla volta.