Analysis of Network Classification and Optimization Based on Comprehensive Evaluation of Public Transportation Network – A Case Study of Guangzhou

Sintesi Tecnica: Analisi della Classificazione e dell'Ottimizzazione della Rete Basata su una Valutazione Integrale della Rete di Trasporto Pubblico – Un Caso di Studio di Guangzhou

Definizione del Problema
Le reti di autobus urbani nelle megacittà affrontano una triade di sfide: il calo della domanda, le inefficienze strutturali e l'inequità spaziale. Gli attuali quadri di valutazione trattano spesso la razionalità topologica, la diversità delle funzioni di servizio e l'equità sociale in modo isolato. Inoltre, vi è una mancanza di strategie di ottimizzazione quantificabili specificamente progettate per le rotte "funzionalmente ambigue", ovvero quelle che mancano di uno scopo operativo chiaro pur consumando risorse significative della rete. Questo studio affronta tali lacune proponendo un quadro integrato di valutazione e ottimizzazione applicato a Guangzhou, Cina, dove la domanda di autobus è diminuita del 52% rispetto ai livelli pre-pandemia e la domanda suburbana per chilometro rimane criticamente bassa.

Metodologia
Lo studio impiega un approccio metodologico in tre fasi:

1. Valutazione Topologica: Un sistema a sei indicatori valuta la razionalità strutturale della rete. Gli indicatori includono densità di rete ($P_1$), tasso di copertura ($P_2$), copertura delle fermate ($P_3$), lunghezza della rotta ($P_4$), coefficiente di ripetizione ($P_5$) e coefficiente di non linearità ($P_6$). Questi sono confrontati con standard quali il TCRP Report 165 e le Specifiche Tecniche Cinesi per la Pianificazione del Traffico Stradale Urbano.
2. Classificazione Funzionale tramite Machine Learning: Una pipeline a due stadi classifica 3.214 rotte di autobus basandosi su cinque indicatori funzionali: indice di offerta, copertura della popolazione, coefficiente di Gini (equità), flusso di passeggeri e coefficiente di sovrapposizione con la metropolitana.
   • Fase 1 (Non supervisionata): Il clustering K-means determina il numero ottimale di tipi funzionali, identificando $k=4$ tramite il metodo del gomito (elbow method).
   • Fase 2 (Validazione supervisionata): Un classificatore Random Forest valida i cluster, raggiungendo un'accuratezza di cross-validazione del 92,3%. L'analisi dell'importanza delle caratteristiche evidenzia la sovrapposizione con la metropolitana e il flusso di passeggeri come i principali discriminanti.
3. Ottimizzazione Bi-obiettivo: Per le rotte identificate come "funzionalmente ambigue", viene formulato un modello di ottimizzazione multi-obiettivo utilizzando l'algoritmo NSGA-II. Il modello minimizza simultaneamente la ridondanza (penalità di sovrapposizione) e massimizza il miglioramento dell'equità (riduzione del coefficiente di Gini), soggetto a vincoli sulla linearità della rotta, l'intervallo temporale (headway) e la riduzione della lunghezza totale della rete.

Contributi Chiave
L'articolo apporta quattro contributi specifici al campo della pianificazione del trasporto pubblico:

1. Quadro Integrato: Sviluppo di un nuovo sistema di indici di valutazione "struttura–funzione–equità" che unifica le metriche topologiche con le metriche funzionali e di equità distributiva.
2. Classificazione basata su ML: Un quadro di machine learning validato che categorizza le rotte degli autobus in quattro tipi di servizio distinti, consentendo un'ottimizzazione mirata anziché approcci standardizzati.
3. Diagnosi Empirica: Un'analisi completa della rete di Guangzhou che rivela gravi carenze strutturali, tra cui un coefficiente di ripetizione dell'intera rete pari a 4,9 (molto superiore al valore raccomandato di 2,5) e una prevalenza del 27% di rotte funzionalmente ambigue.
4. Ottimizzazione Azionabile: Un modello bi-obiettivo che genera strategie concrete per le rotte ambigue, passando dalla diagnosi teorica a interventi specifici e quantificabili.

Risultati
L'applicazione del quadro alla rete di Guangzhou (3.214 rotte, 6.968 fermate, 54.000 km) ha prodotto i seguenti risultati:

• Inefficienze Topologiche: Sebbene la densità della rete soddisfi gli standard nazionali, esistono disparità significative. Le aree rurali rappresentano il 59% della lunghezza della rete ma solo il 17% del flusso di passeggeri (200 viaggi/km/giorno). La lunghezza media della rotta (16,7 km) è più del doppio della distanza media effettiva del viaggio (7,5 km). L'area centrale presenta una sovrapposizione estrema delle rotte, con un coefficiente di ripetizione superiore a 10.
• Classificazione Funzionale: Il clustering K-means ha identificato quattro tipi di rotta:
  • Orientata alla Sicurezza Sociale (30,8%): Basso flusso ma servizio equo per i gruppi vulnerabili.
  • Orientata al Beneficio (6,1%): Alta domanda (45,6% del flusso totale) ma alta iniquità, concentrata nel nucleo centrale.
  • Integrata con la Metropolitana (36,4%): Alta sovrapposizione con le linee della metropolitana, fungendo da connettori di interscambio.
  • Funzionalmente Ambigua (27,0%): Bassa offerta, basso flusso e sovrapposizione moderata, rappresentando il principale bersaglio per l'ottimizzazione.
• Strategie di Ottimizzazione: Il modello NSGA-II ha prodotto tre strategie azionabili per le 868 rotte ambigue:
  1. Accorciamento delle Rotte ad Alta Sovrapposizione: Riduzione di 17 rotte con una sovrapposizione con la metropolitana superiore al 50% di una media di 4,2 km, diminuendo la penalità di sovrapposizione del 38% e la pressione stimata sul traffio stradale del 12%.
  2. Conversione in Servizio di Alimentazione (Feeder): Conversione di 112 rotte che si prevede si sovrapporranno alle estensioni pianificate della metropolitana (Linee 10, 11, 12) in servizi di alimentazione ad alta frequenza, migliorando la connettività dell'ultimo miglio per 340.000 residenti.
  3. Riallocazione Rurale: Aumento della frequenza e introduzione di zone rispondenti alla domanda per 22 rotte rurali, riducendo il coefficiente di Gini per gli anziani da 0,4 way a 0,35 e prevedendo un aumento della domanda del 15%.

Significatività e Limitazioni
L'articolo sostiene che questo quadro fornisca ai pianificatori del trasporto pubblico un approccio trasferibile e basato sui dati per diagnosticare le inefficienze della rete e progettare interventi sensibili all'equità. Dimostra che il machine learning può identificare efficacemente le rotte prive di un chiaro scopo operativo, permettendo una riallocazione delle risorse che bilancia efficienza ed equità sociale.

Tuttavia, gli autori riconoscono modestamente diverse limitazioni:

• Temporalità dei Dati: L'analisi si basa sui dati delle carte IC di ottobre 2023; il comportamento di viaggio post-pandemia potrebbe non essere stazionario.
• Assunzione di Equità Statica: Il coefficiente di Gini è calcolato utilizzando griglie di popolazione statiche, non riuscendo a catturare le variazioni temporali dell'equità (ad esempio, l'affollamento nei picchi rispetto ai periodi di morbida).
• Validazione su Singola Città: Il modello di classificazione è stato addestrato e validato esclusivamente sui dati di Guangzhou; la sua trasferibilità ad altre megacittà con diverse forme urbane richiede ulteriori test.

Il lavoro futuro proposto dagli autori include l'integrazione di dati in tempo reale per una valutazione dinamica, lo sviluppo di quadri di apprendimento per trasferimento (transfer learning) tra diverse città e l'integrazione del modello di ottimizzazione in piattaforme di digital twin per l'analisi interattiva di scenari.