Con l’obiettivo di instaurare un dibattito duraturo attraverso la messa in rete di soggetti centrali nel settore mobilità, dalle imprese alla Pubblica Amministrazione, GO-Mobility organizza ogni anno, dal 2021, il Data Mobility Summit per promuovere la cultura del dato nel campo dei trasporti. Quest’anno si è tenuto il 27 e 28 maggio a Roma, con la presenza delle 14 città metropolitane d’Italia e tavoli di lavoro attivi sui problemi, le prospettive e le possibili soluzioni di questo settore.

Tra gli interventi del primo giorno, di particolare rilevanza è stato il Keynote speech di Pierluigi Coppola, professore ordinario di Pianificazione dei Trasporti al Politecnico di Milano, che ha fatto luce sulle novità in ambito di modellazione della domanda e dell’analisi dei dati, mostrando come l’integrazione tra tecnologia, machine learning e conoscenza dei fenomeni sociali possa trasformare dati grezzi in pratiche innovative di mobilità sostenibile. Tramite la presentazione di esempi concreti, Coppola invita a ripensare le strategie di raccolta, validazione e utilizzo dei dati, e a investire su strumenti e competenze capaci di cogliere la complessità della realtà.

Big data e mobilità: un nuovo paradigma

I big data stanno trasformando il settore della mobilità urbana ed extraurbana, sostituendo le tecniche tradizionali di rilevamento. Nuove tecnologie come smart card, telecamere termiche, dati telefonici e comunicazione veicolo-smartphone, permettono l’analisi in tempo reale dei flussi di mobilità e lo sviluppo di nuovi modelli e servizi.

È importante dividere i big data in due macro-aree:

• dati aggregati: utili per analizzare i flussi di traffico su larga scala, vengono raccolti tramite smart card, floating car data (provenienti da dispositivi di monitoraggio installati nelle auto a fini assicurativi) e dati telefonici. Per motivi di privacy sono validi solo in forma aggregata, ovvero se prendono i dati di pochi individui vengono mascherati automaticamente per impedire di essere ricondotti al singolo individuo. Tali dati consentono di analizzare le traiettorie dei veicoli, capire l’andamento dei flussi di mobilità nel tempo e aggiornare le matrici Origine/Destinazione.
• dati disaggregati: permettono un’analisi sui comportamenti individuali in ambito di mobilità. Questi vengono raccolti con l’utilizzo di smart app e travel diaries, in sostituzione ai tradizionali questionari e sono utili per monitorare elementi come: origine/destinazione, durata della sosta, modalità di trasporto e attività svolta.

A seconda del tipo di interazione del possessore dello smartphone, le smart app si distinguono in supervised, le quali hanno bisogno di azioni dirette dell’utente per raccogliere i dati, e unsupervised, che non hanno bisogno di validazioni da parte dell’utente e ricavano informazioni individuali con algoritmi di machine learning e clustering. Nel primo caso, le informazioni raccolte risultano più dettagliate, ma questo sistema è più costoso e meno pratico, proprio per la necessità di interazione e conseguente consumo di batteria e dati del dispositivo in funzione.

La frontiera del supervised learning

Secondo il professor Coppola, la vera innovazione da raggiungere è il supervised learning, che consente di associare il comportamento di mobilità (motivo dello spostamento, mezzo scelto, attività) a un profilo utente grazie al feedback di quest’ultimo. Tale approccio, però, trova ostacoli come il consenso da parte dell’utente al tracciamento dei propri spostamenti per un periodo prolungato, e la necessità che l’app sia sempre attiva e connessa alla rete per funzionare debitamente. D’altro canto, il supervised learning ha buone potenzialità perché permettendo la raccolta di informazioni sulla mobilità giornaliera consente di sviluppare modelli activity-based, ossia modelli di domanda avanzati che permettono di simulare gli spostamento giornalieri degli individui valutando l’intera sequenza di attività svolte dall’utente nel corso della giornata e non soltanto riferendosi ad un singolo spostamento origine-destinazione. Questo avviene acquisendo informazioni sulla localizzazione, la durata e le caratteristiche degli spostamenti tra le diverse attività giornalieri.

Sperimentazioni di modelli activity-based

Il Politecnico di Milano ha sviluppato alcuni esempi di modelli activity-based sulla frequenza degli spostamenti giornalieri o la sequenza di attività primarie e secondarie e il modo di trasporto utilizzato tra un’attività e l’altra.

La criticità spesso riscontrata è, però, dovuta all’ingaggio del campione di individui sufficientemente ampio che sia disposto a installare l’app che lavora costantemente in background per monitorare i propri spostamenti. Incentivi come buoni acquisto o altre premialità in denaro non sono comunque sufficienti a convincere gli utenti, testimonia Coppola.

Il data processing

Considerando che la grande potenzialità non è solo basata sulla raccolta dei dati ma su come essi vengono poi processati, bisogna sempre tenere conto del data processing e considerare la possibilità di ridurre la complessità dei dati elaborati volta per volta. Occorre, quindi, adattare il trattamento dei dati all’obiettivo (es. escludere brevi spostamenti per modelli macro, includerli per pedoni/ciclisti) e in questo aspetto la correzione automatica è fondamentale, specialmente con dati non supervisionati (es. viaggi in treno interpretati come viaggi in auto).

Dati in tempo reale e nuovi strumenti di incentivazione

Un altro elemento di classificazione dei big data riguarda la disponibilità nel tempo, ovvero se i dati acquisiti sono disponibili ex post e real time. Questi possono essere utilizzati oggi non solo per fare analisi in tempo reale, e quindi attuare politiche di controllo della domanda, ma anche e soprattutto per sviluppare e testare politiche innovative. Ne sono un esempio il nudging, ossia una "spinta dolce" verso comportamenti di mobilità più sostenibili attraverso gratificazioni con gadget, buoni sconto, incentivi monetari, e la gamification che avviene stimolando l’utente alla competizione. Senza questo tipo di incentivi, applicati in modo adeguato, la partecipazione alla sperimentazione è scarsa.

Un altro esempio di politiche innovative basate su dati real time è il crowd shipping. Già applicato nei paesi del Nord Europa, questo sistema si basa sull’affidamento delle consegne dell’ultimo miglio, per pacchetti di piccola dimensione, ai viaggiatori stessi. L’utente ritira il pacchetto presso un locker point e lo consegna al destinatario facendo piccole deviazioni dal suo percorso abituale, in cambio di un compenso. Dallo studio del Politecnico di Milano si evince che la funzionalità di questo strumento dipende molto dalla motivazione dello spostamento e dalla fretta dell’utente di arrivare a destinazione, oltre che al guadagno orario che ne deriva.

Conclusioni

Le smart app supervised offrono grandi potenzialità per analizzare la mobilità e promuovere politiche sostenibili.

È, però, necessario migliorare il data processing e la trasformazione del dato grezzo in un database utilizzabile. Pertanto, la ricerca in questo settore si sta muovendo verso lo sviluppo di algoritmi più efficienti nell’identificazione degli spostamenti. Da approfondire ulteriormente sono anche le modalità di ingaggio e partecipazione degli utenti per promuovere la mobilità sostenibile.

Link video del keynote speech di Pierluigi Coppola:

Fonte: https://datamobility.it/magazine/trasformare-i-big-data-in-servizi-di-mobilita/