Come può un algoritmo rendere più felici i passeggeri dei car‑pool?

Nelle smart city, il car‑pool è diventato una vera alternativa al trasporto privato. Ma non basta condividere l’auto: i passeggeri vogliono arrivare puntuali, viaggiare in compagnia di persone con abitudini simili e non perdersi in giri inutili. Un team di ricercatori di Atene ha sviluppato un algoritmo che tiene conto di tre fattori chiave: dove si trovano gli utenti (spaziale), a che ora vogliono partire (temporale) e con chi hanno già viaggiato o hanno interessi comuni (sociale).

Il sistema analizza dati reali – come GPS, orari di lavoro e profili di viaggio – per calcolare una “distanza di compatibilità” tra passeggeri. Se due utenti hanno percorsi sovrapposti, orari vicini e condividono un contesto sociale, l’algoritmo li accoppia, creando un percorso più diretto e meno affollato.

I test hanno mostrato che, rispetto a un semplice raggruppamento basato solo sulla posizione, il nuovo metodo riduce i tempi di attesa del 15 % e aumenta la soddisfazione dei viaggiatori del 20 %. Inoltre, ottimizza l’uso dei posti a sedere, diminuendo le emissioni di CO₂.

Questa ricerca dimostra che, integrando informazioni spaziali, temporali e sociali, è possibile rendere il car‑pool più comodo, efficiente e sostenibile, trasformando il modo in cui gli abitanti delle città si muovono ogni giorno.

L’algoritmo proposto si basa su una formulazione multi‑obiettivo che combina tre funzioni di distanza: d_spaziale, d_temporale e d_sociale. La distanza spaziale è calcolata mediante la metrica di Haversine tra i punti di origine e destinazione, ponderata da un fattore di tolleranza che dipende dalla densità urbana di Atene. La componente temporale utilizza una finestra di tempo Δt definita in minuti; due richieste sono considerate compatibili se la differenza tra gli orari di partenza è inferiore a Δt, con un peso crescente per orari più vicini. La distanza sociale è più complessa: si costruisce un grafo di interazioni basato su precedenti viaggi condivisi, interessi dichiarati (es. sport, lavoro) e profili demografici. Il peso sociale è derivato da una misura di similarità di Jaccard, normalizzata per evitare bias verso utenti più attivi.

Il modello di matching risolve un problema di assegnazione bipartita, dove ogni veicolo è un nodo con capacità limitata e ogni passeggero è un nodo da collegare. L’obiettivo è minimizzare la somma pesata delle tre distanze, soggetta a vincoli di capacità (numero di posti) e di tempo massimo di percorrenza (t_max). L’algoritmo utilizza una variante dell’algoritmo di Hungarian modificata per gestire vincoli di capacità, garantendo una soluzione ottimale in tempo polinomiale.

Per la valutazione, sono stati impiegati metriche quali il tempo medio di attesa (T_attesa), il tasso di completamento dei viaggi (R_completamento), l’efficienza di carico (η_carico) e il punteggio di soddisfazione (S_paziente) derivato da sondaggi post‑viaggio. I risultati sperimentali, ottenuti su un dataset reale di 12 000 richieste di ride‑sharing in un mese, mostrano una riduzione del 15 % di T_attesa, un aumento del 10 % di η_carico e un miglioramento di S_paziente del 20 % rispetto a un algoritmo basato solo su distanza geografica. Inoltre, l’analisi delle emissioni di CO₂ indica una diminuzione di 0,35 kg per passeggero‑km, confermando l’impatto ambientale positivo dell’approccio contestuale.

L’implementazione è stata realizzata in Python, sfruttando librerie come NetworkX per la gestione dei grafi e SciPy per l’ottimizzazione lineare. Il codice è stato rilasciato sotto licenza MIT, consentendo a sviluppatori e amministratori di trasporto pubblico di adattare e integrare la soluzione nei propri sistemi di mobilità urbana.