Real-Time Urban Traffic Flow Prediction Based on Graph Convolutional Networks and Big Data Analytics

Immaginate la città come un enorme organismo vivente. Le sue strade sono le vene, che trasportano il sangue vitale di auto, autobus e camion. Proprio come un corpo umano, questo organismo-città ha un complesso sistema nervoso: i sensori agli incroci e sulle autostrade agiscono come piccoli occhi e orecchie, osservando costantemente quanto velocemente scorre il sangue e dove si blocca. Per molto tempo, gli scienziati hanno cercato di prevedere gli ingorghi utilizzando la matematica semplice, come guardare una linea retta e indovinare dove andrà dopo. Ma le città non sono linee rette; sono ragnatele disordinate e contorte dove un blocco in un quartiere può propagarsi e causare il caos a tre miglia di distanza. Questo è il mondo della "Trasporto Intelligente", un campo dedicato all'uso dei computer per comprendere questi modelli complessi in modo da poter mantenere il traffico in movimento fluido. La grande sfida è che i dati del traffico sono enormi, disordinati e cambiano ogni secondo, rendendo difficile per i computer della vecchia scuola capire cosa stia per accadere.

Entra in gioco un nuovo tipo di lavoro investigativo digitale descritto in questo articolo di ricerca. L'autore, Jianming Zhang della Ezhou Vocational University, propone un sistema che tratta la rete stradale della città non come un elenco di numeri, ma come una gigantesca mappa connessa: un "grafo". Pensate a questo grafo come a un social network per le strade: ogni incrocio è una persona (un nodo) e ogni strada che li collega è un'amicizia (un arco). Il documento suggerisce l'uso di un tipo speciale di intelligenza artificiale chiamata Rete Convoluzionale a Grafo (GCN). Se immaginate un'IA tradizionale come uno studente che legge un libro pagina per pagina, una GCN è come uno studente che può guardare l'intera classe in una volta sola, vedendo come ogni studente parla con i propri vicini per comprendere l'umore dell'intera stanza. Combinando questa visione a "social network" delle strade con i "Big Data" (enormi quantità di informazioni in tempo reale), i ricercatori hanno costruito un sistema in grado di prevedere il flusso del traffico in tempo reale.

Lo studio ha testato questa idea utilizzando un enorme set di dati proveniente da una grande città dell'Asia orientale, raccogliendo dati da circa 218 sensori per sei mesi nel 2023. Questi sensori registravano il flusso del traffico, la velocità e quanto erano cariche le corsie ogni cinque minuti. I ricercatori hanno inserito questi dati nel loro nuovo modello "Spatio-Temporal GCN", progettato per comprendere sia la disposizione fisica delle strade (spazio) sia come il traffico cambi nel tempo (tempo). I risultati sono stati promettenti: il nuovo modello era più accurato dei metodi più vecchi come l'LSTM (un tipo di IA basata sulla memoria) e le GCN standard. Nello specifico, prevedendo il traffico 15 minuti prima, il nuovo modello aveva un errore medio di 47,9 auto, per 30 minuti di 67,2 auto e per 60 minuti di 114,6 auto. In confronto, i modelli più vecchi commettevano errori più grandi, con errori che variavano da 55,8 a oltre 159 auto a seconda dell'intervallo di tempo.

L'articolo evidenzia come questo nuovo approccio sia particolarmente bravo a gestire le cose disordinate del mondo reale che mettono in difficoltà altri sistemi. Ad esempio, quando i ricercatori hanno testato il modello durante una forte pioggia a giugno, esso si è dimostrato più resiliente. Anche quando hanno simulato che il 10% dei sensori fosse guasto o con dati mancanti, il tasso di errore del nuovo modello è aumentato di meno del 18%, mentre quello del vecchio modello LSTM è balzato di oltre il 35%. Ciò suggerisce che il nuovo sistema sia più capace di "riempire i vuoti" quando le informazioni mancano, probabilmente perché comprende come le strade siano connesse tra loro. I ricercatori hanno anche notato che, sebbene il modello sia eccellente, fatica ancora un po' vicino ai ponti fluviali e nelle aree con incidenti frequenti e non pianificati, suggerendo che l'aggiunta di dati specifici su questi eventi potrebbe renderlo ancora migliore.

In definitiva, l'articolo suggerisce che trattando la città come un grafo connesso e usando il deep learning per leggere i modelli in quel grafo, possiamo costruire sistemi di trasporto più intelligenti. L'autore sostiene che questo metodo sia più accurato e stabile rispetto alle tecniche precedenti, specialmente in ambienti complessi e mutevoli. Sebbene non pretendano di aver risolto il traffico per sempre, i loro esperimenti mostrano che questo approccio basato sui dati è un passo avanti significativo per la gestione della mobilità urbana, aiutando potenzialmente le città a mantenere le loro "vene" libere e il loro "sistema nervoso" calmo.