Neighbor-embedded Graph Neural Network-based Crowd Delivery Traffic Management in Smart City

Le città stanno respirando con fatica come mai prima d'ora. L'enorme volume di veicoli sulle strade ha trasformato i tragitti quotidiani e le rotte di consegna in una rete intricata di frustrazione fatta di stop-and-go, soffocando l'aria e sprecando tempo. Nella visione di una "città intelligente", la tecnologia dovrebbe sbrogliare questo caos, non solo prevedendo dove si concentrerà il traffico, ma gestendo attivamente come le merci si muovono attraverso la griglia urbana. La sfida principale risiede in due compiti difficili: sapere esattamente quanto sarà trafficata una strada prima ancora che un camion lasci il deposito e, successivamente, scegliere il veicolo giusto per il lavoro. Un furgone per le consegne potrebbe essere perfetto per un breve tragitto in un quartiere tranquillo, ma una scelta terribile per un lungo viaggio su un'autostrada congestionata, specialmente se funziona a elettricità con un'autonomia limitata. Prendere queste due decisioni correttamente — prevedere il flusso e scegliere la macchina — è la chiave per ridurre il numero di veicoli in strada, il che a sua volta riduce le emissioni di carbonio e accorcia i tempi di percorrenza per tutti.

Un team di ricercatori ha affrontato questo problema con un nuovo sistema progettato per agire come un sistema nervoso centrale per le consegne urbane. Chiamano la loro creazione "Neighbor-Embedded Graph Neural Network-based Crowd Delivery Traffic Management model". Sebbene il nome sia tecnico, il concetto è semplice: è un motore diviso in due parti che prima prevede gli ingorghi e poi utilizza tale previsione per selezionare il miglior veicolo per una specifica rotta di consegna. Il sistema è costruito per gestire la "consegna di massa" (crowd delivery), una strategia in cui più pacchi vicini vengono consolidati in un unico viaggio invece di inviare un veicolo separato per ciascuno di essi. Questo approccio mira a ridurre il numero totale di veicoli attivi per strada, affrontando direttamente l'obiettivo di rendere le città più sostenibili.

La prima parte di questo sistema, la Traffic Congestion Prediction Unit, agisce come una palla di cristallo per le condizioni stradali. Invece di guardare i dati del traffico in isolamento, tratta le stazioni di consegna della città come punti su una mappa che sono tutti connessi tra loro. Il sistema impara come il traffico in una stazione influenzi il traffico dei suoi vicini, proprio come un'increspatura in uno stagno si diffonde verso l'esterno. Analizzando i dati storici su conteggio dei veicoli, velocità e tempi di percorrenza, costruisce un quadro dinamico di come la congestione fluisca attraverso la rete. Ciò gli consente di prevedere i livelli di traffico in punti di consegna specifici con alta precisione, anche quando i dati sono mancanti o le condizioni sono volatili. I ricercatori hanno scoperto che, prestando attenzione a queste relazioni di vicinato, il sistema poteva prevedere il flusso del traffico significativamente meglio dei metodi più vecchi che trattavano ogni località come un'isola separata.

Una volta che il sistema sa quale sarà l'aspetto del traffico, la seconda parte, la Traffic Observation and Management Unit, prende il comando per prendere le decisioni effettive. Questa unità riceve la previsione del traffico e la confronta con le esigenze specifiche di una richiesta di consegna. Considera una varietà di fattori: quanto deve viaggiare il veicolo, quanti stop deve effettuare, il tipo di strada che utilizzerà e le capacità stesse del veicolo, come il tipo di carburante e la capacità di carico. Il sistema calcola quindi un punteggio per determinare quale veicolo sia il più adatto. Per esempio, potrebbe decidere che un camion diesel pesante è necessario per una lunga rotta con molte fermate, mentre un piccolo veicolo elettrico è la scelta giusta per un tragitto locale breve. Questo abbinamento intelligente assicura che il veicolo selezionato non sia solo disponibile, ma sia effettivamente adatto al compito, evitando situazioni in cui un piccolo furgone si ritrova bloccato in un viaggio a lungo raggio o un grande camion spreca energia per una piccola commissione.

Per testare se questo approccio funzioni davvero, i ricercatori hanno condotto valutazioni estese utilizzando un dataset esteso di dati reali di traiettoria di Pechino, una città con schemi di traffico complessi e pesanti. Hanno fornito al sistema migliaia di richieste di consegna e hanno osservato come si comportava rispetto ai metodi esistenti. I risultati sono stati chiari: il nuovo modello commetteva meno errori nelle sue previsioni e richiedeva meno tempo per elaborare le risposte. Nello specifico, il sistema ha ridotto l'errore nelle sue previsioni del traffico di un margine evidente rispetto ai modelli standard, e ha ridotto il tempo necessario per elaborare i dati. Nelle valutazioni, il modello ha identificato con successo le rotte e le combinazioni di veicoli più efficienti, dimostrando di poter gestire la natura caotica e mutevole del traffico cittadino senza lasciarsi sopraffare.

Lo studio ha anche evidenziato cosa succede quando si ignorano le connessioni tra le diverse parti della città. Quando i ricercatori hanno testato versioni del sistema che non consideravano come le stazioni vicine influenzassero le altre, le previsioni sono diventate meno accurate. Ciò ha confermato che il traffico non è solo una collezione di eventi isolati, ma un flusso connesso dove un ingorgo in un'area influenza inevitabilmente la successiva. Incorporando queste relazioni direttamente nel processo di apprendimento, il nuovo modello cattura la realtà di come si muove il traffico. I ricercatori hanno concluso che questo approccio integrato — che combina una previsione accurata con una selezione intelligente del veicolo — offre una via percorribile per ridurre il numero di veicoli da consegna sulle strade. Sebbene il lavoro abbia utilizzato dati storici di traiettoria per la valutazione, i risultati suggeriscono che un sistema del genere potrebbe migliorare significativamente l'efficienza della logistica urbana, aiutando le città a muoversi verso un futuro con meno congestione e un ambiente più pulito.