Research on Traffic Congestion Area Identification and Traffic Control Based on Multi-source Data Fusion

Nelle arterie frenetiche delle moderne città, il traffico è molto più di una semplice collezione di auto; è un sistema complesso e vivente dove un singolo blocco può propagarsi verso l'esterno, trasformando un tragitto fluido in un incubo di ingorghi. Per gestire ciò, gli urbanisti si sono a lungo affidati al conteggio dei veicoli o all'osservazione delle telecamere, ma questi metodi vedono spesso solo una frazione del quadro complessivo. Un approccio più recente prevede la raccolta di molti tipi diversi di informazioni contemporaneamente, proprio come un medico potrebbe combinare la temperatura, la pressione sanguigna e la storia clinica di un paziente per ottenere una diagnosi completa. Fondendo i dati provenienti dal GPS delle auto di ride-hailing, dai sensori magnetici interrati sotto le strade e dai segnali dei telefoni cellulari mentre le persone si muovono attraverso una città, i ricercatori possono costruire una mappa molto più chiara e in tempo reale di come il traffico si comporta realmente. Questa fusione di fonti di dati consente una comprensione più profonda di dove iniziano i rallentamenti, di come si diffondano e di quando si diraderanno, offrendo una strada verso una gestione urbana più intelligente e reattiva.

In uno studio recente focalizzato sull'area di Hongjialou a Jinan, in Cina, un team di ricercatori si è posto l'obiettivo di applicare questo approccio basato su dati multi-fonte per risolvere il persistente problema della congestione urbana. Il loro obiettivo non era solo individuare dove il traffico fosse lento, ma prevedere esattamente come un ingorgo si sarebbe sviluppato e testare strategie specifiche per attenuarlo. I ricercatori hanno iniziato dividendo la rete stradale della città in una griglia di piccole sezioni quadrate. Hanno poi inserito i dati provenienti da tre fonti distinte in un sistema informatico: i percorsi di movimento dei veicoli di ride-hailing online, il flusso di auto rilevate dai sensori magnetici sotto il manto stradale e i modelli di movimento delle persone derivati dai segnali dei telefoni cellulari. Allineando attentamente questi diversi flussi di informazioni, hanno creato un dataset unificato ad alta risoluzione che catturava velocità, volume e densità del traffico con una precisione molto maggiore rispetto a qualsiasi singola fonte.

Con questo ricco dataset in mano, il team ha sviluppato un metodo per identificare esattamente dove si stavano formando gli ingorghi e come si sarebbero probabilmente diffusi. Hanno utilizzato una tecnica di clustering per raggruppare le sezioni della griglia che condividevano comportamenti di traffico simili, evidenziando efficacemente i quartieri dove la congestione era più severa. Per comprendere come un ingorgo in un isolato potesse causare un ingorgo nel successivo, hanno costruito un modello che calcolava la probabilità che il rallentamento del traffico si propagasse da una griglia alla sua vicina. La loro analisi dell'ora di punta mattutina ha rivelato un modello chiaro: la congestione non accadeva casualmente. Inveve, spesso iniziava in specifiche sezioni della griglia, come quelle vicino ai grandi campus universitari, e poi si propagava verso l'esterno in una reazione a catena. In un caso osservato, un ingorgo iniziato in due griglie specifiche si è diffuso coprendo quasi due terzi dell'area di studio entro quindici minuti, con un'alta probabilità di spostarsi lateralmente verso le strade adiacenti.

Per prevedere queste tendenze prima che accadessero, i ricercatori hanno progettato un sofisticato modello informatico capace di imparare dal passato per prevedere il futuro. Questo modello combinava due potenti tipi di intelligenza artificiale: una che riconosceva i modelli spaziali, come la disposizione di un incrocio trafficato, e un'altra che comprendeva le sequenze temporali, come il modo in cui il traffico aumenta nel corso di un'ora. Hanno aggiunto una funzione speciale che permetteva al modello di concentrare la propria attenzione sui momenti e sulle località più critiche, ignorando il rumore meno importante. Testato contro dati reali, questo nuovo modello si è dimostrato significativamente più accurato rispetto ai metodi esistenti. Durante il caos delle ore di punta mattutine e serali, ha ridotto gli errori di previsione di circa un quarto rispetto ai modelli più vecchi, prevedendo le condizioni del traffico con un'accuratezza di circa il 94%. Questo livello di precisione significa che i gestori del traffico potrebbero potenzialmente ricevere avvisi affidabili sugli ingorghi imminenti con largo anticipo, invece di reagire solo quando le strade sono già intasate.

L'ultimo passaggio della ricerca è stato vedere se queste intuizioni potessero effettivamente migliorare il flusso del traffico. Il team ha utilizzato una piattaforma di simulazione per creare un gemello digitale della rete stradale, permettendo loro di testare diverse strategie di controllo del traffico senza interrompere i conducenti reali. Hanno confrontato l'attuale sistema di segnalazione non ottimizzato con un nuovo piano generato da un algoritmo progettato per trovare la distribuzione più efficiente del traffico. Questo algoritmo funzionava testando costantemente piccoli aggiustamenti al flusso del traffico e alla temporizzazione dei semafori, affinando gradualmente la soluzione finché non trovava la migliore disposizione possibile. I risultati sono stati tangibili: il piano ottimizzato ha ridotto il tempo medio di percorrenza di un veicolo nell'area del 12,5% e ha accorciato la lunghezza delle code di veicoli di oltre il 22%. Inoltre, il tempo totale trascorso dalle auto in attesa ai semafori rossi è sceso di quasi il 18% e il numero di veicoli che transitano nella rete è aumentato del 7,6%.

Sebbene lo studio abbia dimostrato che fondere molteplici fonti di dati con modelli di previsione avanzati possa migliorare significativamente la gestione del traffico, i ricercatori hanno riconosciuto che il loro lavoro è un punto di partenza piuttosto che una soluzione definitiva. I dati utilizzati coprivano solo una settimana in primavera e i test sono stati condotti in un'area specifica con una struttura stradale a griglia. Il team ha osservato che il sistema avrebbe bisogno di essere testato su periodi più lunghi, in diverse stagioni e in città con diverse configurazioni stradali per garantire che funzioni ovunque. Hanno anche sottolineato che i complessi modelli informatici agiscono in modo simile a una "scatola nera", rendendo difficile per i gestori umani capire esattamente perché sia stata fatta una determinata previsione. Nonostante queste limitazioni, lo studio fornisce una prova di concetto convincente. Dimostra che ascoltando i molti segnali che una città emette, i pianificatori possono passare dal tirare a indovinare i modelli di traffico al comprenderli con chiarezza, aprendo la strada a città che gestiscono il proprio flusso con maggiore intelligenza ed efficienza.