Come l'AI riscrive le mappe della città?

Immagina di poter prevedere dove andranno le persone in città senza chiedere a nessuno. Grazie a dati da cellulari e algoritmi intelligenti, i ricercatori stanno sviluppando modelli che simulano i spostamenti umani con grande precisione. Questo studio esplora tre tecniche avanzate — SPSA, PSO e ADAM — per calibrare questi modelli usando dati “opportunistici”, come quelli raccolti passivamente da app o dispositivi mobili. L’obiettivo? Rendere le previsioni di traffico e trasporti più accurate anche con pochi dati. L’ADAM, noto in ambito AI, è qui applicato per la prima volta a questo tipo di problema. I risultati mostrano che è possibile migliorare le simulazioni di mobilità urbana, rendendole più efficienti e meno dipendenti da indagini costose. Un passo avanti per città più intelligenti e meno trafficate.

Il presente studio si concentra sulla calibrazione aggregata di modelli di scelta destinazione utilizzando dati opportunistici, una fonte sempre più rilevante in contesti umani. I modelli di domanda di viaggio vengono calibrati tramite ottimizzazione basata su simulazione, formulando il problema come minimizzazione di una funzione obiettivo che confronta la matrice osservata (derivata da fonti esterne) con quella simulata. Tre algoritmi vengono confrontati: SPSA (Simultaneous Perturbation Stochastic Approximation), PSO (Particle Swarm Optimization) e ADAM (Adaptive Moment Estimation). SPSA è un metodo iterativo che utilizza stime stocastiche per ottimizzare funzioni complesse con pochi parametri. PSO si ispira al comportamento collettivo degli stormi di uccelli, aggiornando iterativamente le posizioni dei partecipanti nello spazio delle soluzioni. ADAM, invece, combina vantaggi di metodi di discesa del gradiente adattivi, regolando automaticamente i passi di apprendimento. L’applicazione di ADAM in questo contesto rappresenta una novità rispetto alla letteratura esistente. L’ambiente sperimentale utilizza un modello basato su agenti con struttura nidificata, implementato su una rete reale di piccole dimensioni. Le funzioni obiettivo testate valutano la bontà del fit tra matrici osservate e simulate, considerando metriche come errore quadratico medio e divergenza di Kullback-Leibler. I risultati indicano che ADAM ottiene prestazioni competitive, soprattutto in termini di velocità di convergenza, pur presentando alcune limitazioni in scenari estremi. Lo studio apre nuove strade per l’uso di algoritmi evoluti nella modellistica dei trasporti, specialmente in ambienti con scarsità di dati.